广受欢迎的自制剧中带有超赞广告

<随心_句子c><随心_句子c><随心_句子c><随心_句子c><随心_句子c>觀(guan)點(dian)：不(bu)要(yao)讓(rang)大(da)模(mo)型(xing)變(bian)成(cheng)壹(yi)場(chang)華(hua)麗(li)的(de)煙(yan)花(hua)秀(xiu)

作(zuo)者(zhe)：肖(xiao)仰(yang)华，系(xi)復(fu)旦(dan)大學(xue)教(jiao)授(shou)、上(shang)海(hai)市(shi)數(shu)據(ju)科(ke)学重(zhong)点實(shi)驗(yan)室(shi)主(zhu)任(ren)

來(lai)源(yuan)：澎(peng)湃(pai)新(xin)聞(wen)

·通(tong)用(yong)人(ren)工(gong)智(zhi)能(neng)是(shi)人類(lei)歷(li)史(shi)上第(di)一次(ci)關(guan)於(yu)智能本(ben)身(shen)的革(ge)命(ming)，是一種(zhong)元(yuan)革命，是历次某(mou)個(ge)技(ji)術(shu)革命難(nan)以(yi)比(bi)擬(ni)的。大模型的誕(dan)生(sheng)宣(xuan)告(gao)了(le)整(zheng)个人工智能進(jin)入(ru)全(quan)新的重工業(ye)時(shi)代(dai)。

·反(fan)观國(guo)內(nei)大模型產(chan)业，從(cong)表(biao)象(xiang)上看(kan)是熱(re)鬧(nao)非(fei)凡(fan)、模型林(lin)立(li)，但(dan)是剝(bo)開(kai)外(wai)殼(ke)，从内裏(li)看是發(fa)展(zhan)無(wu)序(xu)與(yu)内核(he)空(kong)虛(xu)，不免(mian)让人擔(dan)憂(you)。大模型产业发展應(ying)該(gai)極(ji)力(li)避(bi)免再(zai)走(zou)大煉(lian)鋼(gang)鐵(tie)的舊(jiu)路(lu)，需(xu)要統(tong)一規(gui)劃(hua)，合(he)作協(xie)同(tong)，立法(fa)保(bao)障(zhang)、有(you)序发展、健(jian)康(kang)发展。

自(zi)2022年(nian)12月(yue)OpenAI发布(bu)ChatGPT以来，国内外人工智能产业界(jie)掀(xian)起(qi)了軒(xuan)然(ran)大波(bo)，一场以生成式(shi)人工智能為(wei)核心(xin)的通用人工智能产业風(feng)暴(bao)席(xi)卷(juan)而(er)来。国内相(xiang)关研(yan)发機(ji)構(gou)与企(qi)业紛(fen)纷跟(gen)进，投(tou)入巨(ju)大資(zi)源发展类ChatGPT的各(ge)种大模型与产品(pin)。据不完(wan)全统計(ji)，在(zai)ChatGPT发布後(hou)的短(duan)短4个月时間(jian)里，已(yi)經(jing)有至(zhi)少(shao)30个国内研发机构与企业在ChatGPT发布之(zhi)后纷纷推(tui)出(chu)自己(ji)品牌(pai)的大模型与相关产品。一时间，整个产业圈(quan)热闹纷呈(cheng)、爭(zheng)先(xian)恐(kong)后， “类ChatGPT”漫(man)天(tian)飛(fei)舞(wu)，“国内首(shou)发”比比皆(jie)是，资本市场闻风而動(dong)、风起雲(yun)湧(yong)。然而，越(yue)是表面(mian)热闹，越容(rong)易(yi)掩(yan)蓋(gai)内里的空虚；越是噱(xue)頭(tou)不斷(duan)，越需要冷(leng)靜(jing)的思(si)考(kao)。热闹景(jing)象背(bei)后是一系列(lie)令(ling)人担心的問(wen)題(ti)，只(zhi)有不断发現(xian)问题、總(zong)結(jie)问题、解(jie)決(jue)问题，才(cai)有可(ke)能保障這(zhe)个产业健康有序的发展。

作为親(qin)身经历者，我(wo)們(men)正(zheng)在見(jian)證(zheng)著(zhu)(zhe)由(you)通用人工智能所(suo)帶(dai)来的前(qian)所未(wei)有的技术革命。通用人工智能是人类历史上第一次关于智能本身的革命。历次技术突(tu)破(po)只是人类智能的产物(wu)，而唯(wei)獨(du)通用人工智能是‘智能’本身的革命。我们有可能在人类历史上首次见证一个全新智能物种的出现，它(ta)具(ju)備(bei)人类水(shui)平(ping)的智能，甚(shen)至有可能超(chao)越人类的智能。这樣(yang)一种关乎(hu)智能本身的革命是一种元革命，是历次某个技术革命难以比拟的。我们见证了生成式語(yu)言(yan)模型，以ChatGPT为代表已经席卷全球(qiu)，兩(liang)个月之内，吸(xi)引(yin)了数億(yi)的用戶(hu)；我们见证了Midjourney以假(jia)亂(luan)真(zhen)的文(wen)圖(tu)生成；我们甚至還(hai)见证了谷(gu)歌(ge)最(zui)近(jin)发布的PaLM-E，第一个多(duo)模態(tai)的具身的大规模语言模型，它能夠(gou)用语言模型操(cao)控(kong)机械(xie)臂(bi)並(bing)完成复雜(za)的操控任務(wu)。机器(qi)已经从單(dan)純(chun)的模拟人类大腦(nao)的智能逐(zhu)步(bu)发展到(dao)与身體(ti)相结合的智能，这將(jiang)引发机器智能持(chi)續(xu)的連(lian)鎖(suo)的革命。如(ru)果(guo)机器智能僅(jin)限(xian)于实现人类的大脑，即(ji)便(bian)是超級(ji)大脑，其(qi)作用仅限于邏(luo)輯(ji)世(shi)界，起到輔(fu)助(zhu)决策(ce)作用，但是一个武(wu)裝(zhuang)了身体的大脑，就(jiu)完全具备對(dui)物理(li)世界进行(xing)肆(si)意(yi)改(gai)造(zao)的可能。出于保障人类安(an)全的考慮(lv)，必(bi)須(xu)足(zu)够重視(shi)通用人工智能，极力规範(fan)与控制(zhi)其发展。

这一波通用人工智能产业浪(lang)潮(chao)始(shi)发于大规模生成式语言模型，也(ye)就是人们常(chang)說(shuo)的大模型。最近幾(ji)个月，国内人工智能各大廠(chang)商(shang)纷纷发布自己的大模型，可以说是热点纷呈。以往(wang)人类历史重大事(shi)件(jian)的发生一般(ban)會(hui)用年、月来作为度(du)量(liang)单位(wei)，从来沒(mei)有像(xiang)今(jin)天这样，需要用天为单位記(ji)錄(lu)某个变革事件。这一现象本身就已意味(wei)深(shen)遠(yuan)，人类社(she)会可能已经经历了未来学家(jia)们曾(zeng)預(yu)言過(guo)的奇(qi)点时刻(ke)，回(hui)过头来看可能是人类历史发展史上非常重大的历史事件。最近几个月，我们也看到了諸(zhu)多的产业界巨头纷纷布局(ju)自己的大模型戰(zhan)略(lve)，可以说“不入局就出局”已经成为人工智能企业发展的基(ji)本态勢(shi)。

大模型的诞生宣告了整个人工智能进入全新的重工业时代。回顧(gu)人类历史上的历次技术革命，多始于初(chu)始的相对低(di)级的“手(shou)工作坊(fang)”模式，经过漫長(chang)的发展周(zhou)期(qi)，最終(zhong)形(xing)成了成熟(shu)的重工业发展模式。比如紡(fang)織(zhi)业，早(zao)期的纺织业是典(dian)型的家家户户都(dou)可以从事的手工作坊模式，为了进一步提(ti)高(gao)質(zhi)量与规模，最终演(yan)变成为重工业化(hua)的生产模式。人工智能产业发展也正在经历这样的模式轉(zhuan)变。傳(chuan)统的人工智能产业发展多采(cai)取(qu)场景与任务特(te)異(yi)的研发与产品模式，需要精(jing)心的設(she)计、審(shen)慎(shen)的論(lun)证，需要領(ling)域(yu)定(ding)制与客(ke)户適(shi)配(pei)，很(hen)难形成通用的产品或(huo)平臺(tai)。但是，伴(ban)隨(sui)着AGI（Artificial General Intelligence，通用人工智能）的发展，使(shi)用大模型作为统一底(di)座(zuo)，再经领域知(zhi)識(shi)註(zhu)入、任务指(zhi)令調(tiao)優(you)、人类價(jia)值(zhi)对齊(qi)，就可以形成解决领域中(zhong)特定任务的求(qiu)解能力，并具备一定的倫(lun)理与价值安全性(xing)。这种统一架(jia)构、统一范式是人工智能技术规模化的強(qiang)勁(jin)推进器。这样一种新的生产模式完全是一种重工业化的生产模式。我们要花大量的设备、人力、数据去(qu)炼制一个重型的装备，这就是起着底座作用的大模型。底座大模型作为智能的通用平台賦(fu)能各种各样的应用。

重工业化的人工智能有三(san)个鮮(xian)明(ming)的特征(zheng)：大模型、大算(suan)力和(he)大数据。

大模型的名(ming)稱(cheng)本身表達(da)的就是大规模參(can)数化的模型。作为人工智能最为重要的分(fen)支(zhi)之一，机器学習(xi)，旨(zhi)在让机器模拟人类从经验进行学习的能力，在过去二(er)十(shi)多年獲(huo)得(de)了长足的进步，带动了整个人工智能产业的发展。机器学习经历了从传统统计模型到深度神(shen)经網(wang)絡(luo)、从单一学习方(fang)式到綜(zong)合学习方式、从有監(jian)督(du)到无监督等(deng)一系列转变，最终集(ji)中地(di)呈现在从小(xiao)模型到大模型的演变。为什(shen)麽(me)模型会越来越大？这本身就是个值得深入思考与嚴(yan)肅(su)回答(da)的问题。20世紀(ji)以来，现代科学与人文经历上百(bai)年的充(chong)分发展之后，变革了人类对于世界的理解，世界图景逐漸(jian)从確(que)定性转变为不确定性、認(ren)知方式从分析(xi)转变为综合、建(jian)模范式从線(xian)性转变为非线性。这些(xie)转变为人工智能、机器学习的进步与发展奠(dian)定了必要的思想(xiang)基礎(chu)。近十年，数据的充分準(zhun)备、算力的持续发展，最终为大模型的到来做(zuo)好(hao)了最后的嫁(jia)妝(zhuang)。可以说大模型的到来是技术发展的必然。

重工业化的人工智能的第二个鲜明特点是大算力。随着大模型参数量的持续增(zeng)长，大模型对于算力的需求越来越迫(po)切(qie)。算力已经成为大模型玩(wan)家的准入門(men)檻(kan)，已经成为制約(yue)大模型发展的主要瓶(ping)頸(jing)。如果说模型和数据都是虚拟化、数字(zi)化的軟(ruan)资源，那(na)么算力則(ze)是实体化、现实性的硬(ying)实力。数字世界的发展从本质上来講(jiang)是建立在实体世界的基础之上的。实体决定数字是二者的基本关系。数字经濟(ji)的发展与競(jing)争歸(gui)根(gen)结底将是算力的竞争。算力就是国家竞争力，就是企业竞争力。几乎所有的大模型玩家都缺(que)算力，大家要么在買(mai)算力，要么在买算力的路上。大模型行业生态最穩(wen)定的贏(ying)家必然是算力供(gong)应方。夯(hang)实算力基础，实现算力自主可控，具有全局战略意義(yi)。

重工业化的人工智能的第三个鲜明特点是大数据。大模型需要数据作为原(yuan)料(liao)。过去的大数据时代为大模型的发展奠定了必要的数据基础。大数据时代的发展为人工智能时代大模型的炼制准备了充分的炼制原料。大模型也成为了大数据价值变现的重要方式之一。传统的数据挖(wa)掘(jue)与分析方法需要极大的專(zhuan)家成本，需要专家標(biao)注样本、设计特征、构建模型、評(ping)測(ce)评价，才能捕(bu)捉(zhuo)大数据的统计规律(lv)、构建有效(xiao)的预测模型，进而实现数据驅(qu)动的价值变现。很多甲(jia)方客户不单单要出资，还需要積(ji)极投入巨大精力輸(shu)入行业知识。可以说传统大数据的价值变现之路是艱(jian)难的，是成本高昂(ang)的。而今天，大模型无疑(yi)成为了大数据价值变现最有效的方式之一，使得用户不再需要重度参与就能享(xiang)受(shou)技术价值。躺(tang)在若(ruo)幹(gan)服(fu)务器上“沈(chen)睡(shui)”的大数据，经过必要的清(qing)洗(xi)与加(jia)工就可丟(diu)进大模型的冶(ye)炼爐(lu)里。最终通过炼制出的大模型实现行业统一赋能。大模型为大数据的价值变现趟(tang)出了一條(tiao)“端(duan)到端”（无人干预，至少是无客户干预）的道(dao)路，加快(kuai)了大数据的价值变现进程(cheng)，为大数据价值变现提供了一条新路徑(jing)。基于大模型的大数据价值变现給(gei)我国数字化转型带来全新契(qi)机。

除(chu)了以上这三个特征或者要素(su)之外，我想强调第四(si)个十分重要但是还未引起足够重视的因(yin)素，那就是工藝(yi)过程。工艺过程是所有重工业发展的至关重要的因素之一。传统的制造业给过我们很多有益(yi)的啟(qi)发。我国是制造业大国，但在某些领域我们的制造水平仍(reng)然有限，限制其发展水平的往往不是原料、不是设备，而是工艺过程。也就是说，相同的生产原料与设备，经过不同的工艺过程会得到不同质量的产品。重工业的高质量发展離(li)不开先进工艺。當(dang)前我国大模型产业发展在数据方面是有优势的，在算力方面是有基础的，在模型方面也不存(cun)在什么秘(mi)密(mi)，唯独大模型炼制的先进工艺过程是我们所缺乏(fa)的，是短期之内难以跟上或者超越的，是需要付(fu)出巨大代价进行摸(mo)索(suo)的。几乎所有核心部(bu)件的关鍵(jian)工艺过程，比如芯(xin)片(pian)封(feng)装，企业都是束(shu)之高閣(ge)视作最高机密。企业的核心竞争力往往就是成熟的、先进的工艺过程。OpenAI真正秘而不宣的核心关键就是它的工艺过程，包(bao)括(kuo)数据配方、数据清洗、参数设置(zhi)、流(liu)程设计、质量控制等等，从根本上决定了大模型的效果。所以任何(he)重工业，包括人工智能，一旦进入重工业模式，都要尤(you)为关注其工艺过程。

放(fang)眼(yan)世界，我们看到西(xi)方世界圍(wei)繞(rao)着大模型已经初步形成相对完整的产业生态。根据http://theresanaiforthat.com（该网站(zhan)的取名本身就值得仔(zai)細(xi)玩味，任意一个现实问题或应用总有个AI能解决）统计，截(jie)至2023年5月5日(ri)，国際(ji)上涌现出了近4000家AI創(chuang)新企业。自从2022年9月以来，新的AI企业的诞生数量随着时间呈指数增长。这些创新企业有相当数量是围绕大模型周邊(bian)产品的生态企业。这些有如雨(yu)后春(chun)筍(sun)般涌现的生态企业，多围绕着大模型落(luo)地的最后一公(gong)里中的应用痛(tong)点问题进行市场定位，解决特定场景的大模型落地痛点问题，解决大模型在行业应用中的痛点问题。可以说大模型对于整个生态发展的引领与带动作用是十分巨大的。生态企业的发展进一步反哺(bu)大模型自身，周边与核心雙(shuang)向(xiang)拉(la)通、连锁反应，势必带动整个人工智能行业的发展。可以说ChatGPT的出现是人工智能产业发展的分水嶺(ling)。ChatGPT之前，人工智能产业處(chu)于手工作坊階(jie)段(duan)，需要经历漫长的原始积累(lei)与技术儲(chu)备，不断消(xiao)磨(mo)人们的耐(nai)心与观望(wang)。ChatGPT之后，人工智能产业进入了重工业时代，迎(ying)来了快速(su)发展、规模化聚(ju)集的新阶段，躬(gong)身入局、时不我待(dai)或許(xu)是当前从业者心态的最真实寫(xie)照(zhao)。此(ci)刻，以全部的热情(qing)与经历投身于人工智能輝(hui)煌(huang)发展的新时代都是不过分的。

反观国内大模型产业，从表象上看是热闹非凡、模型林立，但是剥开外壳，从内里看是发展无序与内核空虚，不免让人担忧。一方面，几乎所有国内人工智能产业的重要企业与研发机构纷纷推出了自己的类ChatGPT大模型。这说明，大家都意识到了生成式大模型的重要意义，意识到了短板(ban)与落后，发奮(fen)图强，奋力追(zhui)趕(gan)。另(ling)一方面卻(que)是大模型产业发展已经出现一些问题，包括同质化严重、数据生态不完善(shan)、算力掣(che)肘(zhou)、模型创新有限。当前的大模型产业发展很像上世纪50年代的“大炼钢铁”運(yun)动，轟(hong)轰烈(lie)烈的全民(min)大炼钢铁运动造成了人力、物力、財(cai)力的极大浪費(fei)。不同的是当年的运动是自上而下(xia)，今天的运动是自下而上。大模型产业发展应该极力避免再走大炼钢铁的旧路，需要统一规划，合作协同，立法保障、有序发展、健康发展。全民大炼模型的后果一定是大模型成为一场代价高昂的华丽的烟花秀。

首先，技术路线同质化严重。比如说很多机构都是基于Stanford Alpaca的工艺过程去做基座模型微(wei)调，并利(li)用ChatGPT等当前相对廉(lian)价的API（应用程序編(bian)程接(jie)口(kou)）生成数据来餵(wei)養(yang)自己的大模型。同质化的技术路线導(dao)致(zhi)同质化的大模型。如果大家去问一问国内的大模型“妳(ni)是誰(shui)”，很多回答就是“我是ChatGPT”。雖(sui)然跟随是战略发展的必经阶段，但是絕(jue)不能停(ting)留(liu)在这一阶段，要盡(jin)快形成自己的特色(se)与核心，才有可能最终形成超越或者特色。

其次，数据生态不完善。我国仍然要以优先发展中文大模型为主要目(mu)标。然而，中文大模型研发生态还存在很多问题。首先是中文数据规模与质量仍存在不足。有数据统计，在互(hu)聯(lian)网公开语料中，中文数据大概(gai)只占(zhan)百分之一点几。这极大地限制了中文大模型的效果。除了规模有限之外，中文数据的质量也存在问题。互联网开放環(huan)境(jing)的中文语料数据，其质量远不如深网或者企业内部的数据。然而中文数据中的这些问题本身也孕(yun)育(yu)着新的机遇(yu)。行业数据、企业数据通常較(jiao)为优质，但大都是私(si)域数据，不对外开放。如何充分利用这些私域数据激(ji)发中文大模型的潛(qian)在价值是发展中文大模型过程中值得深思的重要问题。我们已然欣(xin)喜(xi)地看到一些数据联盟(meng)組(zu)织（比如非盈(ying)利数据联盟组织：MNVBC）正在积极推动中文高质量数据的匯(hui)聚与清洗。总体而言，完善的数据生态需要大家的共(gong)同努(nu)力。

第三，算力掣肘。英(ying)偉(wei)达高端GPU对中国供应受限，例(li)如：新型H100顯(xian)卡(ka)对我国禁(jin)运。我们的国产算力虽然也很争氣(qi)，总体来言与国外算力仍有差(cha)距(ju)。这些差距表现在国产算力生态不完善、单核算力总体而言性能相对较弱(ruo)、对16位浮(fu)点数运算等底層(ceng)计算技术支持不完善等诸多方面。其中，尽快健全国产算力生态尤为重要。从硬件到软件、从厂商到用户，算力生态需要各种角(jiao)色共同努力与积极營(ying)造，才能让国产算力变得更(geng)可用、更易用。

第四，模型创新有限。我们现有的模型多依(yi)賴(lai)国外开源社區(qu)的模型实现，在Transformers结构基础上进行微量创新，或是針(zhen)对特定硬件和底层软件的Transformers模型结构优化。如果开源社区的模型实现对我们限制，或者存在底层调用鏈(lian)安全隱(yin)患(huan)，都会对国产大模型产业带来損(sun)耗(hao)。必须防(fang)患于未然，积极发展自主可控的中文大模型开源社区。

针对以上问题，我们应该如何应对呢(ne)？我们需要系统性地回应这个问题，需要从数据共享、算力协作、开源生态、人才培(pei)养、评测体系、成本控制、应用探(tan)索与技术研究(jiu)等各方面推动大模型发展。

1.积极推动数据联盟（数据交(jiao)易）的建设，促(cu)进优质数据的共享与传播(bo)。事实上我国在数据流通和交易方面，还是走在国际前列的。我们成立了很多数据交易中心、数据交易所。政(zheng)策方面还有“数据二十条”（即中共中央(yang)、国务院(yuan)于2022年12月19日印(yin)发的《关于构建数据基础制度更好发揮(hui)数据要素作用的意见》）来保障数据的规范化交易与开放。那么依托(tuo)我国相对完善的数据交易体系，为大模型产业发展量身定制相应的数据联盟与交易机制，就是个值得优先发展的思路。同时在数据交易的过程中，应该做好頂(ding)层统一规划，规范数据格(ge)式。大模型发展对于统一规范的数据标准要求尤为迫切，比如统一的语料格式、统一的指令（Instruction）格式、统一的标注数据格式。数据的规范化可以极大地降(jiang)低大模型的数据治(zhi)理代价。

2.大力推动算力联盟，促进优质算力共享与协作。对于大模型产业发展而言，当前算力呈现出分散(san)与异构的显著问题。在实际大模型研发中， GPU（大模型计算的主流算力）往往分散在不同机房(fang)、不同数据中心，有着不同的网络架构，不同的權(quan)限归屬(shu)，对大模型的分布式联合訓(xun)練(lian)提出了较高要求。传统超算中心往往存在多卡互联带寬(kuan)不足的问题，制约了算力效能的发挥。迫切需要将传统集群(qun)网络升(sheng)级为使用了多卡链接新技术的NVLINK、IB等网卡。同时需要加快推进大模型在异构网络环境下的分布式训练等关键技术的研究。对于国产算力，应制定相关政策鼓(gu)勵(li)发展。国产算力总体而言可以走一条数量換(huan)质量、空间换时间的战略。单卡能力不足则通过多卡来提升，以构建更大规模的显卡集群。为显卡设计超一般规格的显存，以容納(na)更大模型，避免模型切分，来加速模型训练。大模型的算力发展也要考虑到我国算力网络建设的整体发展战略。

3.推动模型实现开源，完善国产大模型的开源生态。在图像生成领域，既(ji)有Midjourney这样的封閉(bi)的公司(si)化运作的成功(gong)案(an)例，也有开源社区自发維(wei)護(hu)和研究的Stable Diffusion模型。且(qie)开源模型由于参与者眾(zhong)多，结果更可控、应用场景更豐(feng)富(fu)、模型演变更迅(xun)速。图文生成领域的发展对于大模型发展具有重要参考意义。唯有开源生态才能对抗(kang)以ChatGPT为代表的封闭生态。凝(ning)聚国内外一切有誌(zhi)于开源运动的力量形成开放的大模型技术社区，打(da)造中文大模型统一底座，积极开展基于底座模型的各种应用实踐(jian)，充分发挥我国数据资源丰富、应用场景丰富的优势，着力提升AGI的可控性、功能性，以应对来自OpenAI的挑(tiao)战。

4.创新培养方式，培育大模型产业人才。人才匱(kui)乏是当前制约大模型产业发展的关键问题之一。有业内人士(shi)预计：“国内能够进行相关技术研发的人才应该不超过1000人，保守(shou)一点来说仅有两三百號(hao)人”。客观来讲，AGI的到来速度是始料不及(ji)的。即便放眼全球，学术界与工业界都没做好迎接准备。除了OpenAI和微软等少数赢家之外，大部分企业和研发机构都是倉(cang)促应对AGI的挑战。而人才培养最需要的恰(qia)是时间。短期之内是无法培养能够从事大模型产业的专业人才。当前“炼钢炉林立”唯一的正面作用在于培养一批(pi)有模型炼制经验的专业人才。在大模型人才培养方面，尤为要注重跨(kua)学科、跨专业的复合型人才培养。不仅要培养涉(she)及大模型训练、调优、评测、应用等各个环節(jie)的专业技术人才，更要培养兼(jian)通行业知识的提示(shi)工程師(shi)，培养兼通人文社科背景的大模型评测与分析专家，培养兼通大模型技术与产品设计的产品经理。在大模型人才培养中要注重产学研联动的育人体系。育人与产业的边界日益模糊(hu)，做产品的过程也是培养人的过程，要在实战中育人，要上馬(ma)能作战，下马能讀(du)書(shu)。人工智能产业发展的极高速度对于传统的育人与产业脫(tuo)节的专业人才培养思路提出了全新挑战。

5.建立大模型的診(zhen)断与评测体系，保障大模型产业健康发展。这是保障大模型健康发展的关键舉(ju)措(cuo)，同时具有战略意义。掌(zhang)握(wo)話(hua)语权的关键在于眼光(guang)不能停留在只做运动員(yuan)（炼制大模型），更要积极投身于裁(cai)判(pan)员的事业之中（评价大模型）。大模型的发展需要系统性的诊断与评测，大模型的认知能力、解决问题能力、价值观、政治傾(qing)向、安全性等等需要进行全方位评测。同时要注重建立面向研发环节的诊断体系，需要建立大模型的效用指征体系，建立相应的度量机制，建立大模型的健康评价体系，识別(bie)大模型炼制工艺过程的关键因素，建立大模型的诊断与优化模型。从诊断与评测两个视角，建立与健全大模型的诊断与评价体系，建立大模型的评测基准，是大模型产业发展所亟(ji)需的，是形成差异化发展路线的关键。

6.研究綠(lv)色可持续的大模型炼制与应用技术，降低大模型落地成本。大模型的成本问题也是大模型技术形成产业应用闭环的关键问题。大模型成本巨大，是限制其应用的关键因素。大模型的成本首先是训练成本。虽然互联网开放环境中存在大量语料，但是高质量语料相对匮乏。因此，大模型所需要的大数据、大语料，仍需付诸巨大的人工成本进行清洗。第二类成本是算力。目前主流算力是英伟达的A100或A800显卡，千(qian)亿参数模型至少都需要千張(zhang)A800显卡，一张A800约9萬(wan)元人民幣(bi)，再考虑配套(tao)设备成本，千亿参数的硬件成本至少是上亿人民币。训练过程中还存在一定的硬件故(gu)障，进一步加重此开銷(xiao)。第三項(xiang)成本是能源。有報(bao)道称“大模型训练成本中60%是電(dian)费”（华为云人工智能首席科学家田(tian)奇语）；知名计算机专家吳(wu)軍(jun)也曾说：“ChatGPT每(mei)训练一次，相当于3000輛(liang)特斯(si)拉电动汽(qi)車(che)每辆跑(pao)20万英里（约32.19万公里）”。第四项成本是部署(shu)成本。相较于训练，部署时的显卡需求量可能更大，才可能应对极高的并发訪(fang)问量。国内早期公开的类ChatGPT模型常因为算力有限遭(zao)遇巨大的瞬(shun)时访问量而系统崩(beng)塌(ta)。此外，还需要考虑大模型的维护成本。大模型的持续学习、可控编辑、安全防护、价值对齐等等仍需深入研究。绿色、可持续发展、低成本的大模型技术是大模型进一步落地过程中的关键问题。

7.积极探索大模型的应用模式，丰富大模型的应用场景。大模型的应用模式也仍然面臨(lin)着若干问题。ChatGPT比较好地实现了机器与人类的开放式对话，也就是閑(xian)聊(liao)。然而实际应用场景多需机器的复杂决策能力，比如故障排(pai)查(zha)、疾(ji)病(bing)诊断、投资决策，对于錯(cuo)誤(wu)有着较低的容忍(ren)程度，需要丰富的专业知识、复杂的决策逻辑，需要具备宏(hong)观态势的研判能力、综合任务的拆(chai)解能力、精细严密的规划能力、复杂约束的取舍(she)能力、未知事物的预见能力、不确定场景的推断能力等。可以说，从开放闲聊到复杂决策仍有漫长的道路要走。大模型如何在千行百业复杂的商务决策中应用仍是有待探索的问题。我们不能只是盲(mang)目跟随ChatGPT，要对其能做什么不能做什么有清醒(xing)认识。要在领域的复杂决策场景中形成核心竞争力，要重新奪(duo)回战略竞争中的主动权。

8.持续研究大模型炼制与应用关键技术，完善大模型技术体系。大模型从炼制到应用仍存在很多技术问题需要解决。首先是大模型的数据治理问题，这是大模型炼制过程中的关键问题。训练数据的有效清洗、偏(pian)见消除、隐私保护、数据配比、提示增强、领域适配等仍是大模型炼制的关键技术问题。其次是大模型的可控编辑问题，这是大模型应用的关键问题。如何实现大模型事实、知识与信(xin)念(nian)的可控编辑？此外，还包括大模型的高并发服务与低成本部署、大模型的推理优化，以及生成式大模型幻(huan)象问题。此外，一个长远的研究目标是持续提升大模型的类人认知能力，比如提升大模型的长文本理解以及全局约束理解能力，提升大模型的高级认知能力，比如自省(sheng)、自识、规划、记憶(yi)等。另一个长远研究目标在于大模型之间的有效协同。

最后我想围绕大模型的产业发展，提出一些开放性问题供大家思考。

问题一：我们能否(fou)定义一条具备中国特色的大模型产业发展道路？大模型热潮源自美(mei)国，我们除了要加速完成技术追赶之外，能否提出一条具有中国特色的大模型发展道路，以形成差异化的发展路线和竞争格局？特别地，对于上海的企业而言，我们能否提出一条具有上海特色的大模型发展之路？在通用人工智能时代，往往只有第一没有第二。所以利用中国特色，比如通过举国体制统籌(chou)资源共享，是形成竞争优势的关键所在。

问题二：传统的 “先研发再产品”软件系统研发模式是否能勝(sheng)任大模型驱动的智能系统软件？基于大模型的软件系统目前呈现的态势是：“先产品再研发”，或“边产品边研发”。从研发到应用的节奏(zou)显著加快，甚至已经没有了传统意义上的研发环节了，“研发就是产品，产品就是研发”。因此，大模型的带动下，会不会形成一种全新的产品化模式？我们如何做出变革以适应“产研一体化”的全新研发模式？这是未来产品化过程需要深思的问题。

问题三：如何统筹规划大模型产业发展布局？当前国内的大模型研发处于各自为政的阶段，总体处于跟随阶段，同质化产品多、特色创新不鲜明。而随着大模型规模的持续增大，单一團(tuan)隊(dui)和机构往往缺少足够的数据资源与算力来完成大模型的炼制与优化。那么，我们如何破除当前大模型发展过程中小炉子(zi)林立的问题？如何有效地促进数据联盟、算力联盟甚至人才联盟？政府(fu)、市场、企业、科研院所、高校(xiao)在整个规划布局中各自发挥怎(zen)样的功能与作用？

问题四：大模型会对当前的消费者市场形成怎样的影(ying)響(xiang)？传统To C产品都是功能性的、面向专用领域及专用任务的。而当前的AI正在向通用人工智能方向突飞猛(meng)进，最近一些研究工作也让大模型具备了全网信息(xi)檢(jian)索与应用接口调用的能力。大模型发展到今天就好比是一个全科醫(yi)生，什么都知道一些，但是一旦到了专业问题可能还是需要咨(zi)詢(xun)某一个专科医生。换言之，大模型的入口功能显著。入口的本质是用户接入、交互与分流。这恰恰就是ChatGPT类产品最擅(shan)长的能力。那么，当前的很多互联网专用功能性平台（比如購(gou)物、打车、訂(ding)票(piao)等）是否会被(bei)这个全新的统一入口所取代而只剩(sheng)下一个基于ChatGPT的统一门户？每一次互联网入口的变换都是互联网行业的一次变革，ChatGPT类的通用聊天大模型是否会成为各类互联网生活(huo)服务的统一入口？大模型时代的未来To C产品的基本形态是否会发生变革？

问题五(wu)：大模型会对当前的企业端市场形成怎样的影响？企业端市场也就是我们常说的To B市场也将会因为ChatGPT的到来而迎来一场全新变革。如果与传统的汽车制造业类比，大模型对于To B市场的首要意义在智能引擎(qing)升级。To B产品是建立在智能引擎基础之上的，传统数据驱动、知识驱动或者二者联合驱动的智能引擎，将会被全新的大模型引擎所重塑(su)。然而正如前文所述(shu)，大模型在领域复杂决策应用场景上仍然有明显的短板与不足，尚(shang)达不到领域专家的能力。因此，我认为未来仍是以大模型为代表的数据驱动与领域知识图譜(pu)为代表的知识驱动相结合的双引擎驱动模式。由大模型实现领域专家的直(zhi)覺(jiao)决策，由知识图谱实现领域专家的逻辑决策，唯有两者结合才能复现领域专家解决问题的能力。如果与传统的操作系统类比，大模型可以作为To B产品的控制器。作为具有一定的领域通识能力的大模型，有能力胜任企业级智能系统的控制器，协调传统的IT系统（比如数据庫(ku)、知识库、CRM、ERP、BI系统等）。然而在上述远景产品研发中，我们仍然面临许多具有挑战性的问题。比如，如何协同领域知识与大模型？如何实现领域专家的直觉推理？如何实现领域知识与逻辑增强的大模型？如何实现领域大模型的安全与可控？

问题六(liu)：ChatGPT为何没有诞生在中国？如何避免错失(shi)下一个ChatGPT？我相信这两个问题会觸(chu)发大家太(tai)多的思考与感(gan)嘆(tan)。我们鼓励创新，却极少能够宽容失敗(bai)；我们尊(zun)重人才，却又(you)不断建立条条框(kuang)框；我们在太多无意义的事情上内卷与消耗，却极少願(yuan)意停下腳(jiao)步花上片刻欣賞(shang)路边的芬(fen)芳(fang)；我们每个人都似(si)陀(tuo)螺(luo)一样不停旋(xuan)转，每一步都是最优的理性决策，却错失了可貴(gui)的原始创新。久(jiu)而久之，我们似乎习慣(guan)了追赶的驚(jing)心动魄(po)，失去了引领的自信与大度。我们需要徹(che)底反思我们的科研文化、科研生态，要避免在盲目追赶中变得麻(ma)木(mu)与沉淪(lun)，要更多地以闲暇(xia)与从容的姿(zi)态去思考去批判。

由ChatGPT所引发的通用人工智能产业变革，相信才剛(gang)刚开始。我们需要以更深切的思考、更紮(zha)实的实践，牢(lao)牢抓(zhua)住(zhu)大模型以及其他(ta)通用认知智能技术给我国数字化转型与高质量发展所带来的全新机遇。同时，我们也要正视发展过程中出现的问题，积极规范与引导大模型产业的健康发展。大模型绝不是宣传文案中的噱头，也绝不能成为一场华丽的烟花秀，而要成为实实在在的能够推动社会发展与进步的先进生产力。返(fan)回搜(sou)狐(hu)，查看更多

責(ze)任编辑：