今天小编分享的科学经验：沈向洋周明杨格大模型激辩：继续爆堆参数，大模型能出现新的「智能涌现」吗？，欢迎阅读。
大模型掀起了一波 AI 领網域的热潮，无论学界研究还是产界创业都风头不减。
然而随着关注度变高，AI 大牛们对于 " 大模型未来要走什么路 " 也产生了分歧：
随着参数量的增加，AI 模型是否还会有新的 " 智能涌现 " 出现？
更多模态、更优质的数据，会是 AI 模型未来发展的关键吗？
为什么中国没有出现 ChatGPT？
……
在一场名为 " 基础科学与人工智能 " 的论坛上，来自不同领網域的几位 AI 专家，针对这些问题提出了非常激烈的、不同的看法。
这场论坛由清华大学教授孙茂松主持，美国国家工程院外籍院士沈向洋、德国国家工程科学院院士张建伟、澜舟科技创始人兼 CEO周明、xAI 创始成员杨格参与了圆桌对话环节。
在对话中，他们核心探讨了包括大模型和通用人工智能在内，AI 领網域当下最关心的几个问题。
在不改变原意的基础上，我们对圆桌对话部分进行了整理，希望能给大家带来一些启发。
在进行了 " 如何用大模型创造价值 "、" 数学理论和智能涌现 "、" 基础科学与具身智能 " 等主题的演讲后，5 位 AI 大牛就 "大模型及通用人工智能：问题与挑战" 这一主题，开展了一场圆桌对话。
" 大 " 是模型的未来吗？
孙茂松（主持人）：先从 GPT-3 那篇论文说起。我当时注意到它的题目《Language Models are Few-Shot Learners》，一下子就被这个观点抓住了，少样本（Few-Shot）扭转了我们之前说有多少智能就有多少人工的观点，这实际上是质的变化，好像机器有了举一反三的能力。
但我们没有抓住这个再往下走，当时国内的判断，其实国内的自然语言处理、人工智能领網域，从 2012 年到现在都跟得很紧，包括学校、微软研究院、大厂等都跟得很紧，应该说我们基本上在国际前沿领網域在做，像周明是 ACL 前任主席，我们中国学者在 ACL 上面发论文的数量，我估计跟美国人差不多，但是（GPT-3）这件事我们就没抓住。
当时我们感觉这种规模大的模型，虽然看到了少样本（Few-Shot），但我们潜意识认为它的性能会到天花板。而 OpenAI 显然不一样，它坚信这个（性能）会往上走，就有了后来的 ChatGPT。
过去的事就过去了，未来可以想象这个模型会越来越大，除了文本，我们把影像、视频、三维、具身全给打进去，比如模型规模到了再大的十倍、甚至百倍，百倍估计就跟人腦的参数规模差不多了，到那时候会不会还有新的涌现？
△孙茂松
它会饱和吗？还是到哪个点可能又往上 " 跳一跳 "？
这个我们应该有个判断，如果抓不住我们可能会又一次大幅落后。这个问题大家做一下自己的判断，讲一讲为什么？先从杨格开始吧。
沈向洋：老师不介意的话，我先隆重介绍一下杨格。做老师最开心的不过是介绍自己的学生，非常有幸很多年前因为丘先生的原因认识了杨格，他在北京长大，很小就去了美国，考上了哈佛数学系本科，读书读得很好，休学的一段时间是去追求他的音乐梦想，出去做 DJ，打碟打了一两年，后来发现真爱还是数学，再回到哈佛一发不可收拾，念书念得非常好。
毕业的时候丘先生问他 " 你毕业去哪儿 "，他说 " 我要去谷歌 "，丘先生说 " 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 "。
然后丘先生给我打电话，我电话面试了杨格，但是我数学不够好，我不能完全相信丘先生的推荐，我就让我手下的菲尔兹奖得主 Michael Freedman 面试了他，面试之后（Michael Freedman）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。
我当时跟杨格讲，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。所以他就这样来了微软，我们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。
最近马斯克在做一家初创企业、一个新的独角兽企业，叫 xAI，杨格是最早被马斯克邀请为合伙人的。我先这样简单介绍一下杨格，然后他回答一下孙老师这个很难的问题。
杨格：我试着回答一下孙老师的问题。您的问题是说以后把模型变得更大、数据集更大，（性能）是不是还会继续上升？
这个看情况，但至少是这样的，模型变得更大的话，再调整训练集（fix training set）、就是同样的训练集（training set），训练损失（training loss）肯定是一直会下降到 0。
但是在训练集（training set）和最后想要的通用智能（general intelligence）之间，这个距离（gap）大小的话，那就要看你收集的数据集是质量好还是差。
所以，模型越来越大的同时，要收集越来越多的、质量越来越好的数据集，并且数据集要更加丰富。
以前是用更加偏向网上舆论之类的数据集，以后要用更加偏向数学、科学、更有逻辑性的训练集（training set），这样以后才能提高模型的科学和数学的推理能力，这个还有很长的路可以走。
△杨格
孙茂松（主持人）：模型性能肯定会上升，这个没问题。我的这个问题，说再直白一点，比如在影像这个领網域，有没有可能将来产生涌现？
因为现在影像的模型是比较小的，我看和文本模型相比影像模型大小只有十分之一、还差得很远。那如果把影像模型这部分做大，特别是在一个时序空间里面把视频放进来，先不说三维，就说在视频领網域有没有可能产生一个涌现？不光是文本领網域。
杨格：那肯定的。我刚才说数据集更加丰富，指包括视频、文本、图片等数据我觉得都可以加到里面。以后还有其它的信息（signal）、专门的信息（signal），都可以用来搜集成更丰富的训练集（training set），我觉得肯定都会有用，就是看它的质量。
沈向洋：我补充一下，我也同意杨格讲的，这个（大模型的）能力我个人认为还没有到底。
这并不代表我不同意周老师演讲中提到的，有了大模型，还要有行业模型、场景模型，这个为了落地肯定要做的。
但是从智能的角度来讲，我自己觉得 GPT-3 只是起了个头。现在 GPT-4 让大家很震惊、GPT-5 还在探索，甚至过一两年 GPT-5 出来以后，我觉得肯定也还没有到底。
对于我们做科研的人来说，很重要的问题是（大模型性能）是否还会猛涨？至少做 GPT-5 的这帮人认为还是会猛涨。我个人也是充分地相信，我们今天还是要下定决心、要有一批人狠狠地做大模型，这是毫无疑问的。
那么刚才讲到多模态、计算机视觉，我自己也是非常相信，今天视觉大模型还是做得不够大。我们怎么去训练多模态？其实 GPT-4 都没有做得很好、还有很多想象的空间，你也知道，我们在 IDEA 研究院也在继续尝试做更多这样的东西。
过去这几年，有几篇文章我自己是很震惊的，其中一篇文章就是谷歌的 ViT（Vision Transformer）。
你问我计算机视觉会不会有（智能涌现）？我们以前做计算机的时候，周老师做自然语言处理，我以前做计算机视觉，我们俩人基本上很少交流，因为我们隔行如隔山。
大模型一来彻底打破了壁垒。今天周老师可以走出来，滔滔不绝讲一通计算机视觉，我听了会以为他真的很懂，原因就是这些技术，像（ViT 里面的）Transformer，其实是从自然语言领網域出来的，ViT 非常简单，它里面把一张照片划成一格一格，每格就是一个字了。
这里面我觉得充满着想象力，计算机视觉大模型会越来越大、越来越好。
△沈向洋
张建伟：我也补充一下，未来学习曲线增长会多陡，我觉得一方面在于数据的质量和数据的多样化，如果都是同质化的数据，学习是不会再增长的，这方面数据的多样化非常重要。
另一方面是语言的多样化和文化的多样化，还有多模型的富集（enrichment）。
我想现在单模态纯语言模型出现的问题，未来可以用多模态的形式进行验证，降低非常愚蠢的问题出现的几率，提高它的可靠性。
未来在影像方面的模态（modelity），甚至在具身智能的力觉、触觉、整个互動全模态的信息，不只是对机器人有用，对整个大模型的质量和它的可靠性，都有非常好的影响。
△张建伟
周明：我补充一下，刚才几位老师讲得都很好。我是这样的观点，纯粹加数据它肯定还会涨，但是涨的陡度，我个人认为会越来越平，但什么时候开始平下来还不知道，是不是现在 ChatGPT、GPT-4、GPT-5 之后就开始平，还是会再涨不知道，但是我觉得还是会涨，这是第一个观点。
第二个观点，我认为（大模型）到一定程度会黔驴技穷。但我的观点被很多人骂，说你是反对大模型，你家里没有钱，所以升不了这么大的模型。
我认为，像刚才建伟也讲，异构或者说异质的信息有可能帮助大模型增长。
举个例子，很多人都反对知识图谱，认为知识图谱在大模型时代就是 "Nothing"。但我个人认为，知识图谱肯定是没用好，而不是 "Nothing"，未来是有可能用好的。
现在用土办法，把知识图谱变成文字再训练大模型，我认为是逆历史潮流而动，是没有办法的办法，未来肯定有好的办法把知识图谱用在大模型里，这是第一。
第二，还有一件事就是所谓的逻辑推理。用大模型做美国律师考试的问题，无论什么大模型，能力都是在一点点增长，但特别特别慢。
我觉得这跟丘先生倡导的交叉学科是非常有关的，如果我们把数学逻辑推理巧妙地融入到大模型中，兴许有一天我们能看到大模型更大幅度地增长。
△周明为什么中国没有出现 ChatGPT？
孙茂松（主持人）：我还想再问一个问题。ChatGPT 出来以后，大家捶胸顿足，说这个为什么中国没搞出来？咱们展望未来，这里面肯定有很多深刻的问题。像我们的高等教育，大家能不能给提点什么建议，比如我们培养学生的时候，或者学生接受我们某种教育的时候，应该注意点什么？
或者有高度交叉性、创新性工作的时候，老师应该注意点什么，学生应该注意点什么？
杨格：很简单，就是 "Follow your dreams"。因为你看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。
孙茂松：我特别同意，要有梦想、有热情。
张建伟：刚才提到的兴趣型，我想作为我们未来人才培养是一个重要的指标。现在国内经常从高考就以分为最重要的指标，到大学实际上我们可以转换一些方式，让靠兴趣驱动的学生变得越来越多，功利型的学生变得越来越少。
要允许愿意探索的学生失败，年轻人还有很长的时间，他们有时间失败和探索，这方面的趋势应该继续鼓励。
科研方面，我们也要减少现在比较死板的 KPI 方式，允许科学家坐冷板凳，十年磨一剑，允许失败，才有可能出现 GPT 这样重大的突破。
周明：我想替那些起于微末之时的学生说句话。很多学生不是名校、名专业的，数学也不是太好，编程也一般，这样的人怎么实现美好的前程？我想多说一句这样的话，第一，不要气馁。
总有某一点是别人不如你的地方，比如说刘备同学，刘、关、张其实他的武力最弱，他还能把关、张两个人忽悠起来一起干。
我们每个同学都有自己的优点，你从你的优点出发，买到一张船票，上了船就有很多同志跟你一起航行，实现伟大的梦想，这是我的建议。
沈向洋：您这个问题问的很难，你自己也是清华的教授，我自己在清华也带过一些学生，在微软研究院工作很多年，现在做数字经济研究院在深圳，最近担任香港科技大学校董会主席，有机会思考高等教育和科研的问题。
我觉得现在全国都在想一个问题，在这样新的科技发展的形势下，一方面是学校对孩子们的培养，要能提供一些宽松的环境、创新的机会。
我特别喜欢刚才周明讲的，每一个人都有自己的机会，特别是如果有机会进入一些机构、部門学习，抓住这样的机会，总是可以做一些非常了不起的事情。
从我们的角度来看，更加要思考有没有一些方式，怎么样做好有组织的科研。因为你问 GPT 这件事情，GPT 出来之后大家一片焦虑之声，你一定要知道，ChatGPT 发生在美国也是很偶然的一个事件。
ChatGPT 发生前一年，不要说我们这些人没有反应过来，盖茨自己也没有反应过来。盖茨说，直到去年 6 月份，他都不相信这件事能做出来，一直到 8 月份给他 Demo 了，其中 60 道题做对 59 道，他那时候才相信这件事真是这样。
我想每一个不同的行业的问题，是需要我们找出一条自己的道路，怎么样有组织做科研的道路。
OpenAI 这样的做法，跟我们微软研究院是非常不一样的打法，OpenAI 有了这样的成功，也不代表他接下来马上会继续不断成功。
只有时间能证明，所以我们自己要有努力奋斗的精神，不断地尝试如何把大家组织起来，在现在的形势下做科研。
举个具体的例子，刚才周明也讲到了，我刚才演讲里也讲到了算力的问题。今天没有这样强大的算力，杨格去了马斯克那里，马斯克给他买一万张卡的话，杨格去了也是英雄无用武之地。
从这个意义上讲，我觉得方方面面的配合也非常重要，这是非常困难的问题，我也只能分享一点自己粗浅的看法。
对几位 AI 大牛的主题演讲、以及圆桌论坛感兴趣的，可以戳直播回放观看 ~
" 基础科学与人工智能 " 论坛直播回放：
https://live.huiyiguanjia.com/PcLivePro/index.html?istest=true&rid=1162369611
