何宝宏：围绕开源大模型的挑战很多 其中重要一条是大模型开始反向影响对开源的经典定义

尊敬的邬贺铨和王国法院士，很高兴跟大家交流一下大模型最新发展。我本人读研究生的时候就是学人工智能，后来因为不太好找工作，我就转型去做互联网研究了，没有想到几十年之后，又回来去做回人工智能，但是今天的人工智能看起来是神经网络。

(资料图片仅供参考)

我们也可以看到过去几十年的时间，人工智能在多个领域取得了突破性的进展，虽然它依然会犯错，但是错误率已经低于人类的平均水平，也就是说比大多数人在这些方面的水平要高了。

从技术角度来说，人工智能已经发展了60多年了，60多年来技术路线是千奇百怪，今天似乎在大模型，预训练的大模型，意味着一个新的产业正在形成当中。

这几年从通信基础设施，搞算力的基础设施开始，接下来未来几年我们要搞智力的基础设施，所以我们说智商原来是不在线的，现在看起来智商是要在线的，把智商放到网上去了，这个方向看起来已经确立了。

第三个是TOB还是TOC，通用还是专业的问题，以前讨论很多是对标ChatGPT通用场景的大模型，更多的是要解决基础模型方面的工作，这是一个非常重要的事情。主要是大型科技公司有这种财力和数据实力去做这一方面的事情，可以认为TOC是面向公众，下面很多的方向转向垂类的，一定要聚焦特定领域，面向企业TOB，主要是围绕产品和解决方案来做。如何做垂类的模型，国内外不一样，在硅谷针对特定场景的微调做实验，因为通用大模型还没有出来，不可能围绕它做生态，很多企业是全站式的，自上而下在做垂类的模型。这个生态在国内还需要一些时间，可能要求的门槛稍微低一点，这一类可以理解成私有的，或者专用的，其实就把云计算十年前的一些做法和一些口号，还有一些套路，往人工智能和大模型一靠，就差不多了。可以很明显，基础大模型和通用大模型的优点和不足，行业垂类大模型也有各自的优势和缺点，下一步很可能是走向融合，走向混合。

我们要做垂类行业大模型，为了数据的安全，这些数据不能拿出来，很多数据是非常敏感的，肯定大模型要做私有化的部署。过几年的时间，我个人的判断，就像今天的云肯定是一个混合云和混合AI的模式。

还有讨论今年的闭源大模型和开源大模型，ChatGPT出来是必然的，这个必然是有各种各样的原因。所以接下来对这个行业来说，因为这个行业的特点是赢家通吃，剩下的企业只能抱团取暖，必须抱一个开源社区，大家一起把开源的事情做起来。我们可以认为开源大模型正在刚刚兴起，这个浪潮刚刚开始，谁能胜出还不知道。当年移动互联网里面，苹果手机出来之后，接下来是安卓生态的建设，这一幕会重演，围绕着开源社区的生态，开源大模型面临着很多的挑战，一个重要的是它反向影响对开源的定义。我们对开源的定义是在25年前出现的，当年定义做的开源规则，针对的是软件，针对的是代码，今天人工智能这个开源针对的是模型，针对的是权重，里面很多数据集，大模型的开源和软件的开源，和代码的开源确实不太一样，所以我们需要在人工智能这个时代重新定义开源，今天面对模型，加了很多的数据，至少我看有三个方面的区别，加了很多科技伦理，所以这一块有AIGC产生一些新的内容，它是一个自循环了，会出现无数的问题。

整体来看，国外做了很多的榜单，但是从学术到产业还需要做更多的工作，学术界和产业界关注不一样，产业界主要关注性能，还有可靠性，稳定性，场景适应性怎么样，维护性怎么样，或者你的工程能力怎么样，要用工程化和标准化去做这个工作，所以不能单单以学术界的榜单来判断大模型做的好还是不好。

目前面临着很多一些新的风险和挑战，有技术、心理和社会方面的风险，模型里面有大量的参数是垃圾，到ChatGPT4到了上万亿，大模型大量的参数是垃圾，问题是你不知道谁是垃圾，你知道公司有人在摸鱼，可是你不知道谁在摸鱼，肯定很多参数在摸鱼，你需要做优化，完全是可以做优化。几年前我们讨论的深度学习的时候，做出的决定是一个黑箱，不能做出解决。深度学习到今天，大模型更不可解释的，因为出现了涌现的现象，突然开窍了，突然开悟了，为什么会开悟了，没法解释。但是用于现实和社会，它必须是可解释的，只有可解释以后，才能跟我们的法律、道德伦理和社会的游戏规则匹配起来，还有算力资源的部署有关系，还有人工智能出现了谜之自信的问题，AI的幻觉，对某些知识非常自信，跟人一样有时候也是谜之自信。

在文字方面，人也犯错，所以不要那么苛求，继续努力。在图片方面也相对比较成熟了，美术方面很不错，还有人声合成，对生成音乐和声音相对比较成熟了，模仿一个人的声音时间并不长，现在很多UP主就是用数字化+人工智能训练出来，还有一些视频的，还有编程已经达到了初级程序员的水平，编程就是文字对文字的翻译。还有在科学领域，科学院用的仪器和仪表，也需要人工智能来辅助，还有生物学和材料学等广泛的使用。

还有编程，今天的编程是在训练程序，不是在编写程序。算法要完整，数据只要有结构，算法，框架+数据，对算法细节的重要性没有那么重要了，不仅数据要有结构，还要整个输出。所以从编程序变成了训练程序。

前几年的移动优先和云优先，我们要优先考虑人工智能对我们的影响。我就讲这些。谢谢！

（文章来源：证券日报）