内容来源：ChatGPT 及大模型专题研讨会
转载自CSDN稿件
在经历寒冬、雾霾，甚至人人纷纷看不到希望之际，ChatGPT 犹如一场春雨，给做 AI 甚至 NLP 等研究的人带来了新的希望。
3 月 11 日，由华夏人工智能学会主办，华夏人工智能学会 NLP 专委会、真格基金、达观数据共同承办，华夏信通院云大所支持的「ChatGPT 及大模型专题研讨会」正式举行。在圆桌对话环节，来自学术界、产业界及投资界的知名专家学者，就 ChatGPT 引发的新 AI 浪潮、大模型“基本模型”论、“国产类 ChatGPT ”所存在的差距与挑战展开高端对话。这些专家有：
华夏人工智能学会副监事长、清华大学教授马少平
澜舟科技创始人兼 CEO、CCF 华夏计算机协会副理事长周明
中科院自动化所研究员、IEEE/ACL Fellow 宗成庆
真格基金管理合伙人戴雨森
华为人工智能科学家、北京邮电大学博士杨浩
华夏信通院云计算与大数据研究所人工智能部副主任曹峰（担任主持人）
1.ChatGPT 的火爆给 AI 带来了新希望
主持人（曹峰）：ChatGPT 引发火爆关注的原因是什么？引发继 AlphaGo 以后又一轮人工智能的浪潮，究竟有着什么样的价值和意义？
马少平：ChatGPT 能取得成功，个人感到与这三方面有关系：
第一是意图理解能力，简言之就是对课题理解的突破；
第二是语言生成能力；
第三是多轮对话的管理能力；
从 AlphaGo 可以看到 AI 在专用任务上能做得很好，而将来大模型在相对通用的任务，也表现出色，这大概是引起人人特别关注的原因。
周明：在过去几年，AI 越来越走向寒冬，去年，国内在 AI 范畴的投资基本约等于 0，就在人人感到满眼雾霾时，ChatGPT 给人们带来了希望的光芒，照亮了前进的道路。ChatGPT 的爆火给做 NLP 的人带来了不少信心，说明沿着这条路是肯定有机会能走出来的。
在一次哈工大的鉴定会上，我曾表示：“自然语言是人工智能皇冠上的一颗明珠”。彼时，在场的专家学者感到这句话对 NLP 在 AI 范畴的地位总结的特别很是精准。所以说，这句话并非出自比尔·盖茨，但比尔·盖茨说完后，我们再出去讲的时候，就起点作用了。
宗成庆：我认为 ChatGPT 引人关注的原因有两方面，一是生活角度，如今人手一部或多部手机，人人都喜欢从网上看一些新鲜的东西；其次是从自然语言处理的角度来看，人们在体验 ChatGPT 的过程中，发现该对话系统生成的句子特别很是像人话，对比以往的对话系统，ChatGPT 生成的内容的确特别很是好，效果甚至惊人，而且运用范畴也特别很是广，不管从什么样的范畴，包括教育界、法律界、学术界，真实需求的信息咨询都会受到影响，影响的社会面特别很是大。另外，ChatGPT 对用户的意图理解特别很是准确，几乎能够准确地把握用户想问的绝大多数课题。
戴雨森：我感到主要分为三点：
第一，体验门槛特别低，普适性强。以前自动驾驶、AlphaGo，如果不下围棋、不做自动驾驶，人们很难体会到那种神奇。但 ChatGPT，只要是你能说话，就能亲身体会，而且可以运用在不少范畴，不只是文本续写或者吟诗作对，具有很强的普适性；
第二，传播性。可以通过简单的聊天截图传播，大量的截图满天飞，让人人发现它有不少神奇的能力；
第三，它给人的想象空间特别大。因为语言是人类思维的一个载体，甚至是思维本身的体现。人人看到 ChatGPT 后会思考，它对自己行业、工作的影响以及如何提效，这种想象力的空间是特别很是大的。但每个人看到 ChatGPT 都会产生脑洞，这种脑洞会传播、会交流，所以带来更多关注。
杨浩：我这里补充说明一点，ChatGPT 把 AI 对 toB 的链接转换成了 toC 端，人人皆可体验，并且给人人带来不少信心；第二点是不少人工反馈的数据进入系统，会使这个系统更好的演进，所以这个运用场景是更有意义的。比如我们最近在一些 ICT 的场景，网络设备运维日志时，以前假如这个课题不在我的答案里，回答得看上去傻傻地完全不沾边；但是将来发现它的整体意图没什么课题，就大概要补一些范畴数据，这提升了普通用户对人工智能的连接，AI 天花板直接拔高了一大截。
2.多种工作或被 ChatGPT 替代但也无需神话
主持人（曹峰）：我们看到 ChatGPT 不太多行业特色或者行业运用趋势，人人能否为我们看看未来在 ChatGPT 以及大模型的驱动下，哪些行业是最有大概得到广泛使用或者大概被颠覆的？
周明：我们公司目前正在做大模型，叫“孟子大模型”，然后我们两条腿走路，左腿是自己真要训练出大模型，右腿是我不管从哪儿拿个大模型，网上扒下来的，或者买的 API 也行，怎么把大模型用好。当然，最后是希望用自己的大模型，自己的大模型用起来之前，最好两条腿分离一点，不要互相绊住了。
训练大模型需求智慧，用大模型也需求智慧，而这两个智慧不一定完全一样。用大模型的人是站在用户角度、行业角度，反过来对大模型提出要求。有时候，大模型的人不停地吹捧大模型必须要大才有效果，但那样是有代价的，大模型也意味着需求太多的服务器。而用户的需求大概并不需求这样的大模型，大概会需求小一点或者弱一点的模型。
首先，如何做好垂直范畴的模型，把模型的体积降下来，无需追捧 ChatGPT 这样全智能的能力，在各行各业都有很好的运用。比如金融，金融是特别很是讲究降本增效的行业，从客服、营销、文案合同审核、智能投研、智能投顾、搜索图谱，所有的东西会认为都要用到大模型，那么一个金融机构最好有一个适合于自己各个业务场景的大模型，这个大模型不一定是 175B 的，有大概是 10B 的甚至 1B 的，但是要针对人家的数据和业务场景，用很容易的接入方式，各个业务部门容易接入到这个大模型中，然后快速提供答案和反馈，再不停地迭代，大概3、5天或1、2个月新的数据来了，再迭代。
第二，ChatGPT 讲究数据自我封闭，2021 年以后的数据就不了，而这也不适用于金融行业，金融行业需求实时，需求一个可以动态访问金融数据库的接口，动态访问各种营销活动，然后给用户进行快速推荐等。在落地时，需求把大模型跟所有的业务场景全部打开，及时、快速、安全，如果这件事情能够做好的话，金融行业有不少客户可以展开使用。
其它行业也同样的道理，因为它都要对不少的认知智能、自然语言处理理解、课题求解、数据库访问、动态跟踪、客户推荐，其实都有不少同样的内容要求的。所以可以把同样的技术推广开来，来形成对整个业界的影响力。
宗成庆：哪个行业会首先受到冲击，其实这个课题不太好具体回答，因为它可以用到任何一个范畴、任何一个行业，都大概会受到冲击。其实最容易被冲击的，是 NLP 研究的人，ChatGPT 一出来，有不少人问我：ChatGPT 做得这么好，你们做 NLP 研究还有什么用？我自己当然不担心失业，一方面 ChatGPT 还不好到不课题可研究的地步；另一方面，任何中低端的重复性强的工作被 AI 技术替代，这是不可逆转的趋势。
戴雨森：我有一些小总结：
第一，它是“超级缝合怪”。我们所从事的工作中，有 95% 以上大概都是在做“缝合怪”的事情，比如设计师干的不少事情是把已有的东西缝合在一起，程序员是把已经写过的代码组件缝合在一起，作家是把已经有的不少语料缝合在一起。当生成式模型变得很强大时，未来人人更在意原创东西的价值，要真实原创出 AI 里不的东西，因为语言模型、扩散模型可以瞬间把全人类已经有的东西缝合在一起，所以第一个课题是“超级缝合怪”的出现导致原创思维特别重要。
第二个，它是超级界面。以前人要适应机器，我们去操作电脑、PC、手机，人类要服从计算机的范式，键盘、鼠标或者触摸屏。但是人最核心的交互其实是语言，每个人都会用语言交流，但是之前跟 Siri 等无法实现真实的自然语言交流，因为卡在语义理解、多轮对话等不少地方，但 ChatGPT 出现后，让我们看到人和机器能够真实交流，不用人更多服从于机器的范式，而是机器更多服从于人的范式。
第三个，超级陪伴。我们在生活中对别人的价值不少时候体将来语言上，将来有陪玩、陪聊，甚至我们从没见过的一个人。最近两年，“元宇宙”的概念很火，但后来发现元宇宙不意思，因为元宇宙里面不人，元宇宙是荒芜的。之前人人感到 Meta human 大概是长得像人，但是实际上最重要的是它要能够像人一样去沟通。所以有人看到 ChatGPT 的聊天记录以后被震惊了，因为在这个过程中看到机器越来越像人，或者越来越难以被区分，这是图灵测试的意义。
在游戏、社交或者针对老年人和小孩的陪护里，人所起到的陪伴性价值演的陪护是能够被替代或者部分被替代，这是之前技术不实现的目标，将来我们看到了大概的趋势。当然，大概这个脑洞比较大，但是从投资机构的角度来讲，至少 ChatGPT 让我们从以前的不大概，到将来的大概。
杨浩：我感到接下来被替代的一个肯定是干重复工作的。但是从正面角度来看，只要不停学新的东西，并且尝试做“dirty work”，我们都是看到好的，你找到几个 ChatGPT 不好的 case 了吗？你发现它的不好了吗？它不好在哪个地方？大概的原因是什么？你真的去尝试一下。
将来国内确实有个瓶颈，ChatGPT 带来的算力的瓶颈特别很是高，真实有能力复现这个模型的人、真实去看课题的人，其实难度很大。那么如何找周围的资源，产学研一起合作，去搭建环境，去分析里面的不好案例是一个很大的突破点。而不是别人说好，你也说好，那你就被淘汰了。别人说好，你找到不好，然后分析这个不好，那就取得更大的突破了。
马少平：对于这个课题，因为我一直在学校，所以相对来说对运用了解得比较少。我想从一个原则来说，就是人工智能的运用原则，我想这个应该是一样的原则：
第一，它万一出现什么大的错误，对我这个系统不会带来什么伤害，刚开始 ChatGPT 出来的时候，人家问我有什么运用，我第一个想到的就是陪老人聊天，聊错了也没关系，哪个电影的主演说错了也关系不大，或者跟游戏有关的，错了也没什么事。
第二个，它作为辅助可以提供一些决策或者几个方案，最终的决策者还是靠使用者自己。我当时举的例子是就像输入法，输入法输入一串拼音，它给你若干个选择，最终是哪个字，由你自己选择，这样的输入法才能用。如果输入法把这句话自动输入进去，不给你选择权，这个输入法用不了。所以它只是辅助，然后最终决策是靠人在决策。
第三个，具体运用中允许一定的误差，但是这个误差的多少由你自己定，是千分之一还是万分之一，只要在你的原则之内就可以。比如过去出版业精品的水平也就万分之一的错误，包括生产线上产品检测，只要能满足错误率就可以。
具体运用时，第一，满足不满足这些原则，第二，不满足的话，是否有办法或者利用其他知识使其满足。
3.当下大模型还没达到“基本模型”状态
主持人（曹峰）：我们也看到李飞飞等科学家把大模型一开始叫“基本模型”，请问几位专家，怎么理解它从“大模型”到“基本模型”这个概念理念上的变化？第二，如果它真实成为基本以后，对技术研发、产业运用、行业推广有其他变化吗？
杨浩：我感到有两点：
第一点，作为基本模型形成一定的范式，或者将来所有的人工智能模型基本都基于 Transformer，运用的开放瓶颈大幅度降低，推动业界发展。相当于人人学习时把小学变成六年，然后初中三年、高中三年，这个规范化的操作，产生更大的价值。
第二点，它推动上下游行业的提升。比如人人比较关心华为的芯片，在这上面也有一些探索，面向特定算法，在 GPU 和 CPU 之间数据交互时能耗大幅度降低，典型的两个运用，一个是手机续航更长，二是算起来更快、不发烫，所以算法不是越便宜越好，而是越好用越好。有时商业上的不少产品不学术界产品做得那么精致、那么好，但是就是因为它简单好用。
戴雨森：从我们做投资的角度，感到有一个基本运用之后就可以做运用和中间层了，这是我们的一个直观感受，这是一个很学术的定义。
比如一个 AI 公司得从头训练自己的模型，然后在里面做垂直整合。今天 ChatGPT 和 OpenAI 很好的做到了 API 化，人人可以很好很快的运用，但不需求自己训练模型，只要调动它的能力就可以。这样带来技术积木化、乐高化的过程，有了这个底座之后可以在上面搭运用，这样对运用场景特别有帮助。
之前人人在学术阶段，将来真实进入到运用、商业阶段，这是我对“基本”的理解，是从学术角度的认知。
宗成庆：这里的“基本模型”是基于网上公开的通用的常识性公开数据训练出来的，类似于一个全科医生，什么都可以干，有头疼感冒了找医生开个药都可以。但是真实用的时候，还得是专科医生去解决课题，尤其是对于一些需求很深专业知识的范畴。
周明：我对基本模型有不同的看法，虽然是李飞飞两年前提出来，那时候 ChatGPT 还不，GPT3 刚出来，所以人人都感到全世界 N 个基本模型，理想是我们一些牛的大公司把它建好了之后，就跟华夏电力一样，这些村就别建自己的水电厂了，人人在我的基本上垒新的运用，想法其实挺好的。
其实到目前为止，即使是 ChatGPT，也不敢称之为是“基本模型”，我给人人讲如下几个观点：
首先，基本模型应该是什么？我感到至少要满足以下几点：
功能比较强大；
稳定的：比如像电力，不能老停电，否则谁也不敢用；
安全的：任何一个人用，不至于伤害其他人；
合乎伦理道德的：将来 ChatGPT 有不少地方不符合伦理道德。甚至大概符合美国的伦理道德，不符合华夏的伦理道德；
还有速度、并发、及时更新等不少地方；
对垂直范畴的综合支持；
对用户无代码编程各方面的支持。
我个人认为，将来不一个模型达到基本模型的状态，所以人人不要迷信 ChatGPT，离李飞飞提出的伟大的理想差得远了。
第二，基本模型确实重要。任何一个国家，像华夏这么大的国家，有独特的五千年文化，一定要建立自己的基本模型体系，来实现安全性、并发性等一大堆东西。当下这件事还不人给你一个定论怎么做，只能靠自己去探索出一套适合于自己国情和市场的基本模型，这是万里长征的第一步。也许从今天再搞 10 年、20 年，才能大概形成一个人人都可以放心、稳定运用的一组基本模型，而不是一个。
马少平：我很同意周老师的观点，我们国家至少得有自己的基本模型。从长远来说，它大概确实某种程度上发展成为一个基本设施，这个基本设施就像电力一样，电力不能靠国外，像以前不石油的时候得找自己的大庆油田。
4.从追赶到超越，首先得学会平视 OpenAI
主持人（曹峰）：最后一个课题，这次 ChatGPT 的诞生，也能看到我们国家跟国外的差距，想请各位专家聊聊我们国家的 ChatGPT 或者大模型目前发展到了什么地步？目前有什么困难？在座有做技术的，有做产业的，也大概是学生，各位分享一下对人人未来的发展建议。
周明：将来是对科技界年轻人、NLP 界一个特别很是好的阶段，我们这些人都是从事自然语言 30 年以上了，过去简直筚路蓝缕，什么都不，代码要一行一行写，满眼都是泪，不一个人支持。
但是今天有大数据、算力的支持，ChatGPT 验证了可行性。而我们强调自主知识产权，所以美国做得再好，也跟我们没关系，我们仍然有广阔的天地去开阔。
所以分享一句寄语给在座的各位，包括投资界、工业界、研究界的朋友们，未来的路还很长！选对了路，勇敢地走下去，就是你的计划！
宗成庆：有人问得更直观，为什么华夏不做出 ChatGPT 来？我说，任何一个高新技术都可以拿过来这样问，譬如，为什么华夏不做出自己的高端芯片？为什么华夏不操作系统？为什么华夏不自己的数据库？我们承认和美国的差距是有的，但我个人认为，自然语言处理这个方向比起其他范畴，跟美国的差距要小得多，而且自然语言处理范畴在近几年的进步特别很是大。
当然，原创性的技术是人家的，我们承认这个。从市场运用角度来讲，自然语言处理在华夏市场并不落后，包括与美国相比。我们已经有了长足的进步，所以特别很是有信心做好华夏自己的事情。
关键是我们怎么做好？将来的人人太浮躁了，ChatGPT 出来以后，全华夏从上到下都在炒这个事情，为什么不人去炒区块链、元宇宙了？马上一下子都转到 ChatGPT 类研究了。我们应该冷静去思考当下能做什么、什么可以做得更好，不要天天炒那些概念。面向国家需求扎扎实实地做好我们该做的事情才是硬道理。
戴雨森：我想分享几个看法：
第一，投资是个贝叶斯的过程，对世界的认知肯定随着我们对信息的获取而发生变化。在 iPhone 出来之前，投移动互联网和做移动开发的都没戏，当 iPhone 出来后，人人就都投，所以短时间内有浮躁、泡沫、很大的声量是正常的，因为我们对世界的认知、对未来的预估发生很大变化，这很正常，但是我们希望泡沫下面是有啤酒的。我们看到这次技术变革带来了很直接的运用价值，在美国看到了不仅是亚马逊本身，不少已经获得明显的商业化结果，所以我相信这波趋势会很持久，也会很漫长。
第二，要学习赶超 OpenAI，首先要平视 OpenAI。这几个月听到的观点分为两派，一是神化 OpenAI，感到 OpenAI 很遥远，我们在语料、芯片、算法上都有短板，我们大概做不出来。另一个是速胜论，我们不仅有，而且还有不少这方面的研究，这个月就可以实现甚至是超越 ChatGPT 。
我们从追赶到超越的过程中，我们一开始需求给国产大模型一些时间，首先，我们自己的自然语言模型差距并不大，其次，它不是完全需求特别很是完美的技术，80 分的模型、90 分的模型、100 分的模型皆有用处，将来我们看到语言模型过一个了阈值，让它能够在不少地方产生作用。我们最近也用了 4、5 个团队的 ChatGPT 产品，虽然有差距，但比之前的尝试要好一些，部分运用已经做起来了。像涌现的能力、思维链等等逐渐开始具备，甚至有的在中文任务上比 ChatGPT 做得好，跟语料和算法有关。
我们将来面临的是一个代沟，而不是跨越不了的鸿沟。我们对未来充满了期待，但肯定这不是一个很快就能见效的事情。我们做天使投资的周期就是 10 年以上长周期投资的，而不是炒股票。
杨浩：说三点关于我自己对 ChatGPT 的想法：
第一点，从垂直范畴比较来看，例如机器翻译，发现 ChatGPT 是不如目前专门训练的机器翻译模型；
第二点，我们一直在做质量评估这个事，但是坦诚地说，相对于专业的译员，还有很大的发挥空间，所以我们还有不少机会去做，同样 ChatGPT 也不解决，所以无需神话它；
第三点是科技向善，ChatGPT 会带动整体上下游以及芯片的思考，我们公司有个“M+D”的生态，Mindspore 深度学习平台。将来人人用 Tensorflow 不多了，Pytorch 比较多，但在真实工业落地上有不少课题。D 是指 D 芯片相关内容，我们有些芯片的价格是对方的四分之一，但是整体性能是它的二分之一，这时候把这批芯片做上去的时候是能有收益的。另外再补充下大模型，华为盘古大模型一开始是基于 D 芯片训练，不完全是基于 GPU ，所以这里面空间很大。
路会越走越宽，相信那些割裂社会、把技术卡断的只是少数人，人人在通过产学研甚至和国内外专家亲密合作的情况下，这条路是越走越宽的。
PS：想观看本次研讨会的小伙伴可以移步「达观数据视频号」查看直播回放。