今天小编分享的科学经验：马斯克xAI创始成员国内首发声：ChatGPT时代「乱世出英雄」，欢迎阅读。
马斯克组局xAI" 钻研宇宙本质 "，创始成员高深又神秘。
相比专注于 AI 领網域本身，这些成员大多具有基础学科背景，接触 AI 之前或是在研究基础数学，或是在搞物理。
这家公司究竟要做什么？
就在这两天，丘成桐弟子杨格（Greg Yang），成为第一个以 "xAI 创始成员 " 身份在国内会议上发言的人。
在国际基础科学大会的 " 基础科学与人工智能 " 论坛上，他谈及了自己一直以来、也是接下来要进行的数学 AI 工作，以及对大模型当前发展现状的看法。
而他的个人经历也再次浮出水面，为更多人所关注。
接下来要进行什么研究？
在国际基础科学大会上，杨格就自己正在研究的方向进行了一场演讲。
演讲主题，主要与AI 和数学交叉学科有关——
从数学角度出发，建立一种描述神经网络架构的统一编程语言Tensor Programs。
这是他从微软研究院开始就一直钻研的领網域，继 2019 年连续独立发表的两篇论文之后，迄今这一项目已经有 7 篇相关论文问世。
具体来说，Tensor Programs 项目有一个 " 短期目标 " 和一个 " 长期目标 "。
短期来看，这个编程语言能实现在设计新神经网络架构时，自动进行初始化条件分析，并给出其中最优的超参数初始化条件，从而让模型训练更顺利。毕竟此前，这一领網域的初始化設定几乎 " 全靠经验 "。
长期而言，Tensor Programs 项目的目标是开发大规模深度学习的 " 万物理论 "。
这也与杨格在推特说的、他在 xAI 要进行的研究方向一致：
目前无论是大模型还是其他 AI 研究方向，都依旧没有真正意义上解决 AI" 黑箱 " 的问题，换而言之，AI 究竟走哪种研究方向（堆叠更大参数量的模型、还是 MoE）收益更高，还没有一个明确的结论。
因此，Tensor Programs 最终目标是找到一种理论上的规则，可以真正理解 AI 大模型的行为。
Tensor Programs 最新的项目进展，是微软与 OpenAI 合作发表的论文 µ Transfer，杨格以共同一作的身份完成了这项研究。
这项研究的核心是帮助大模型找到最合适的超参数配置，从而替更多模型节省时间和算力成本，否则对于大模型来说，" 重训 " 是一个非常浪费参数的行为。
目前这项研究已经开源，杨格也在这次的演讲中着重以 µ Transfer 为例，介绍了 Tensor Programs 项目的进展。
从这几篇研究论文侧重的 AI 模型来看，大模型如今已经是杨格研究的重点方向之一。
一个值得关注的点就是，μ Transfer 已经用到 GPT-4 中了。
公众号 " 安迪的写作间 " 作者在杨格（Greg Yang）演讲结束后，和他聊了聊：
下台我问了他关于GPT-4 用到 μ Transfer 了吗，给出肯定回答。
所以，他究竟如何看待大模型的未来？
在这次论坛的圆桌对话上，杨格也提到了自己对大模型发展方向的看法。
他认为，继续堆叠大模型参数可以让模型效果越来越好，但这有个前提，即数据集的质量和数量必须要上升。
以前收集网络数据就行，如今训练集必须变得更偏向数学、科学、更有逻辑性，才能提高模型的科学和数学推理能力。
同时，杨格也给了如今拼搏在科研、交叉创新一线的 AI 研究人员一点建议，就是 "Follow your dreams"：
这一阶段的很多杰出的搞 AI 的人，像工程师、研究人员，有几个都是像我这样没有读博士，只是就想去干，拼一下就拼出结果的，像 Alec Radford，GPT-1、GPT-2 都是他自己做的，后来 OpenAI 就开始砸钱了。
曹操说的 " 乱世出英雄 "，这是个新世界，你不要想一些外部环境，直接去干，很有可能擦出火花，这就是要你自己有热情。
没错，当年的杨格，打破了微软研究院 " 只招博士生 " 的惯例，本科毕业就进入了这一机构工作。
他在学术经历上究竟有什么过人之处？
换而言之，为何他会成为马斯克选中的 "12 人 " 之一？
杨格是谁？
杨格出生于湖南省，在北京读完小学后，就去了美国，本科考上了哈佛数学系。
在哈佛的头两年，杨格参加了鼓手团、咨询团等众多活动。
大二结束时，有着音乐梦的他决定休学全身心投入音乐事业，成为一名电子舞曲音乐制作人和 DJ，取艺名 "Zeta"。
也是在此期间，杨格接触到了人工智能。
一年半后，杨格发现自己的 " 真爱 " 终归还是数学，于是又回到了哈佛。
读完春季学期的课程后，他又休学两年，这一次他没有执着于音乐，而是快速学习了数学和理论计算机科学，以及人工智能的前沿进展，此外还广泛涉猎物理学、生物学和神经科学。
此外，他还研究起了神经图灵机，并结合可微拓扑学中的思路，提出 "Lie Access Neural Turing Machine"，发表于 ICLR。
再次回哈佛，杨格师从丘成桐教授。
△杨格与丘成桐，图源：杨格推特
2017 年，杨格顺利从哈佛毕业，拿到了数学学士学位和计算机科学硕士学位。并获得了 2018 年摩根奖荣誉提名（Honorable Mention for the 2018 Frank and Brennie Morgan Prize for Outstanding Research in Mathematics by an Undergraduate Student）。
毕业后，老师丘成桐曾问杨格 " 你毕业去哪儿 "，他说 " 我要去谷歌 "。
丘成桐说 " 谷歌这种很差的公司就不要去了，我有个朋友叫沈向洋，我马上给他打电话 "。
后来，沈向洋让菲尔兹奖得主 Michael Freedman 面试了杨格：
面试之后（Michael）说这个小孩不得了，那时候他才刚刚本科毕业，但在哈佛至少是前五名（的水平）。
我（沈向洋）当时就跟杨格讲，你把谷歌的 Offer 拿来给我看一看，我给你加一块钱，就来微软吧。
最后杨格选择了微软。而进入微软后杨格也获得了沈向洋的高度评价：
微软研究院平时只招博士生的，杨格作为一个本科毕业生进了微软研究院，不仅进了微软研究院，过去这五年还做得无比优秀，特别是在 GPT 发展过程中做了举足轻重的贡献。
进入微软后，杨格的重要成果之一就是持续开发上面提到的 "Tensor Programs" 框架，其中还用 GPT-3 对所提出的超参数迁移方法进行了验证，相关论文已收录于 NeurIPS、ICML 等顶会：
此外，谷歌学术数据显示，杨格从 2015 开始发布论文，至今已有 34 篇。
其中引用量最高为 415，这也是他在微软的工作，杨格在这个项目中担任主要指导（Primary mentor）。
目前，杨格个人主页和推特主页等均已更新，已离开微软研究院，加入 xAI，接下来将继续做数学工作。
杨格做出了新一轮的选择，但从第一次休学过后，他再也没有放弃对数学的热爱。
在这次的论坛上，杨格也被问到，当时去从事音乐后又转到数学研究，是怎样一直坚定走到现在的？
杨格回答道：
其实就是个人爱好，在我大二休学之前，我一直都是数学比较好的人，可能会觉得一辈子在这种（数学研究中）。之后虽然我去搞音乐，但有段时间自己思考后，发现其实我个人还是很热爱数学。
这里面可能有外在动机（motivation extrinsic）和内在动机（motivation intrinsic）。像数学答卷老师给你 100 分，你觉得很高兴，这是外在的。这种外在和内在混在一起，可能感觉不到自己真心的爱好，但是后来休息一段时间以后，感觉（对数学）是发自内心的热爱，之后就走了这么长的路。
One More Thing
还记得前段时间杨格给大伙儿推荐的 300 多本（大部分是数学）书吗？
不少网友看过之后，表示 " 书单实在太长了，不是普通人能看完的 "，还有网友调侃 " 能不能用 GPT 帮我总结一下 " ……
论坛结束后，我们也和杨格聊了聊，了解了他对 ChatGPT 等大模型的一些看法。
提问：看到您前段时间推荐了大概 300 本多书，有很大一部分是数学书，您认为 AI 是否有可能把它直接总结成一个核心的要点给我们？平时在日常生活中，您是不是也会用 GPT-4 一样的模型，去帮助做一些数学的基础研究什么的？
杨格：我觉得 AI 的总结能力（summarization）现在应该挺好的了，做简单的总结应该没问题。但你要再深入理解它里面的道理，像是一些数学道理的话，可能 AI 现在的帮助还不是那么大。
日常生活的话，是会经常用到（大模型）。
提问：可以透露一下主要是用在哪些方面吗？
杨格：我觉得最有用的方法就是写程式吧。比如有些程式你确实可以自己写，但自己写的话，一是可能要花几个小时，二是觉得这种东西不是特别有趣，所以像这种工作你就可以用 ChatGPT 来帮你做。
提问：相当于您完成核心思考，然后 ChatGPT 帮您实现代码的工作。
杨格：其实就是实现它已经在网上看到很多很多遍、所以它能写得很好的一些程式。
但如果现在你想写一个复杂的程式、像是有什么逻辑性的程式的话，让 ChatGPT 来做可能还不一定做那么好。但如果是那种你写了几百遍的程式了，你不想再写，就可以用 ChatGPT 完成。
参考链接：
[ 1 ] https://arxiv.org/abs/2203.03466
[ 2 ] https://github.com/microsoft/mup
[ 3 ] https://mp.weixin.qq.com/s/s7MGUCHoEfyXhUcQAScltw
