「AI界春晚」2024北京智源大會:新主角、共識和分歧

娛樂頭條 4974℃

每經記者:可楊    每經編輯:張海妮

結束圓桌對談後,人牆迅速圍攏,以月之暗面ceo楊植麟為核心,把會場前排的空白處填補得嚴嚴實實,人們舉着手機,寄望於伸出的胳膊能碰巧掃到楊植麟的微信。楊植麟至少被現場參會人員簇擁圍堵了三次,才在工作人員的協助下成功離開會場。

2024年6月14日至15日,備受矚目的ai領域盛會「2024北京智源大會」在中關村展示中心盛大召開。《每日經濟新聞》記者現場注意到,這場被譽為「ai界春晚」的大會,在近年來大模型浪潮的推動下,呈現出愈發濃厚的氛圍,國產大模型明星公司也成為參會者關注的焦點。

不同於上屆以國外技術人員、從業者為主,圍繞技術探索展開的大會,今年百度、月之暗面、智譜ai、零一萬物、面壁智能等國產大模型公司成為論壇主角。與此同時,隨着大模型從技術競速逐步邁向落地應用,一些新的變化正在發生。

「AI界春晚」2024北京智源大會:新主角、共識和分歧 - 陸劇吧

在今年的「ai界春晚」上,百度、月之暗面、智譜ai、零一萬物、面壁智能等國產大模型公司成為論壇主角。圖為2024北京智源大會現場。 主辦方供圖

新主角:國產大模型站在舞台中央

在今年的「ai界春晚」上,國產大模型企業成為主角。

「進入到2023年,大模型從研究機構的科研成果開始向產業界逐步發展,我們也看到,百花齊放,有越來越多的大模型在過去的這一年發佈。」智源研究院院長王仲遠在發言中提到。

王仲遠認為,以2023年為界,人工智能基本上可以分為兩個大的階段:2023年之前都屬於弱人工智能時代,即人工智能的模型是針對特定的場景、特定的任務,需要去收集特定的數據,訓練特定的模型。比如說,戰勝人類世界圍棋冠軍的alphago在圍棋上表現得非常好,但是卻無法用來直接解決醫療問題,雖然方法可以借鑒,但是針對不同的場景任務需要重新進行數據和模型的收集和訓練。進入2023年,隨着大模型的發展,人工智能逐步進入通用人工智能時代,而通用人工智能最大的特點就是它的規模非常大,模型具備湧現性,能夠跨領域通用。

2023年和2024年的北京智源大會,如同兩個對比鮮明的畫面,尤其是在大模型技術的發展和應用上,兩屆大會的嘉賓構成和議題變化,成為大模型時代飛速發展的註腳。

2024年的智源大會,嘉賓陣容發生了顯著的變化。更引人矚目的是國內大模型公司,如百度、月之暗面、零一萬物、智譜ai、面壁智能等大模型明星公司的ceo(首席執行官)與cto(首席技術官),以及來自國內頂尖院校和研究機構的代表。此次會議更加聚焦於人工智能關鍵技術路徑和應用場景,從理論探討向實際應用邁進了一大步。

在2023年的大會上,chatgpt剛剛推出半年,國內大模型啟動跟進,「百模大戰」剛剛迎來開端。彼時,大會的主角是來自全球的頂尖學者和科技巨擘,國內則更多以學界為主。在彼時的主論壇環節,兩組對談嘉賓分別是:meta首席ai科學家、紐約大學教授楊立昆與清華大學計算機系教授朱軍;未來生命研究所創始人max tegmark與清華大學智能產業研究院(air)院長張亞勤,對談內容圍繞ai技術層面的探索展開。

如今,變化已經非常明顯。「百模大戰」愈演愈烈,折射出國內大模型市場的快速崛起和自主創新能力的顯著提升。

隨着大模型由科研走向產業,人們對agi(人工通用智能)有了更多想像。王仲遠也提到,當多模態大模型能夠理解和感知、決策這個世界的時候,它就有可能進入到物理世界。如果進入到宏觀世界跟硬件結合,這就是具身大模型的發展方向。如果它進入到了微觀世界,去理解和生成生命分子,那麼這就是ai for science。無論是具身模型還是ai for science,抑或是多模型模態,都會促進整個世界模型的發展,最終推動人工智能技術向agi方向發展。

一個共識:落地!落地!落地!

儘管面臨挑戰,但技術的普及與落地已經顯著加速,預示着人工智能正邁向一個全新的發展階段。一個重要的共識是,在將agi的理想帶入現實世界的路上,落地應用是重要的必答題。

「零一萬物堅決做to c(面向個人),不做『賠錢的to b(面向企業)』,找到能賺錢的to b,我們就做,不賺錢就不做。」李開復表示。

對於大模型的落地應用,李開復認為,在中國to c短期更有機會,國外兩者都有機會。在to c端,大模型就如同互聯網時代或pc時代的新技術、新平台,將會帶來新應用,這是巨大的機會。他判斷,ai時代,第一個階段突圍的應該是生產力工具;第二個階段可能會是娛樂、音樂、遊戲;第三個階段可能會是搜索;再下一個階段可能會是電商;然後可能會有社交、短視頻、o2o(線上到線下),這是不變的定律。

張亞勤則認為,再分層來看,目前真正賺錢的是to b,是在硬件、在芯片、在基礎設施層,這個是目前已經發生的,但是從應用來講,是先to c再to b。對於當前的ai分層,張亞勤將其劃分為信息智能、物理智能(也稱為具身智能)以及生物智能。在具身智能階段,面向企業的應用可能會發展得更為迅速。而到生物智能階段,情況可能恰好相反,面向個人的應用會超過面向企業的應用。各個領域的情況可能不盡相同,但總體來看,面向企業和面向個人的應用,包括開源模型、商業閉源模型、基礎大模型、垂直行業大模型以及邊緣模型,都會存在。

而對於b端的落地應用,李開復認為,to b是大模型帶來的更大的價值,而且應該更快實現,但是可惜的是在to b這個領域面臨幾個巨大的挑戰。

一方面部分大公司、傳統公司看不懂大模型技術,不敢進行顛覆式應用。與此同時,對企業來說這一年(大模型)帶來的最大的價值是降本,而不是創造價值。而降本說實在的就是取代人類的工作,大公司會有很多高管或者中層管理人員不願意做這個事情,因為做了這個,可能團隊就要被砍掉了,他在公司的資本就沒有了,他的權力就變小了,甚至他自己的工作都沒有了。所以大公司有時ceo是很想做,但是下面會有阻力,這些理由造成to b理論上應該馬上可以落地的,但實際上沒有那麼快。

另一個在中國比較嚴重的問題是,很多大公司沒有認識到軟件的價值,不願意為軟件付費,而且有這麼多大模型公司來競標,結果價格越競越低,做到最後是做一單賠一單,都沒有利潤。「我們在ai1.0時代看到這個現象,現在很不幸在ai2.0時代(它)又重現了。」李開復感嘆道。

百度cto王海峰的觀點是,在人類歷史上,每次工業革命的核心技術,不論是機械、電氣還是信息技術,均具備一些共同特性:首先,核心技術具有強烈的通用性,能夠廣泛應用於各個領域。其次,當這些技術具備了標準化、模塊化和自動化的工業大生產特徵時,這些技術就會進入到工業大生產階段,從而更快地改變人們的生產生活方式,並為人們帶來巨大的價值。當前,人工智能基於深度學習和大模型工程平台已經具備了極強的通用性,以及良好的標準化、自動化和模塊化特性。因此,王海峰認為,深度學習和大模型工程平台的結合,正在推動人工智能步入工業大生產階段,從而加速通用人工智能的來臨。

一個分歧:是否仍堅信scaling law

圍繞「scaling law」(規模定律)的討論開始出現分歧,對於scaling law會否失效、何時失效,明星大模型公司的掌舵者們,也給出了不同的判斷。

楊植麟依舊是堅定的scaling law信仰派。「scaling law沒有本質的問題,而且接下來3~4個數量級,我覺得是非常確定的事情。這裏面更重要的問題是你怎麼能夠很高效地去scale(擴展)?」

楊植麟指出,如今僅僅像現在這樣,依賴一些web text(網頁文本)進行scale,未必是正確的方向。因為在這個過程中可能會面臨諸多挑戰,如推理能力等問題,未必能夠得到有效解決。因此關鍵在於如何界定scaling law以及其實質是什麼。如果僅按照現有方法,進行next token prediction(下一標記預測),然後在此基礎上擴展多個數量級,用當前的數據分佈,其上限是顯而易見的。

然而,scaling law本身並不受此限制,其核心是,只要具備更多的算力和數據模型,擴大參數規模,就能持續產生更多的智能。但在此過程中,它並沒有定義模型的具體形態,例如模型的模態數量、數據的特性和來源等。因此,楊植麟認為scaling law是一種會持續演進的第一性原理(first principle)。只是在這一過程中,scale的方法可能發生很大變化。

百川智能ceo王小川則認為,scaling law到目前沒有看到邊界,依舊在持續地發揮作用,「我們看到美國埃隆·馬斯克號稱要買30萬片b100、b200來做」。

在他看來,我們需要在scaling law之外,去尋找範式上新的轉化,而在scaling law上,很明確,就是在美國後面跟進。從戰略上看,在scaling law之外都還存在範式的變化,走出這樣的體系,才有機會走向agi,才有機會跟最前沿的技術較量。

智譜ai公司ceo張鵬與面壁智能ceo李大海,則持相對謹慎樂觀的態度。張鵬認為,包括scaling law在內,目前為止人類認識到的所有的規律都有可能被推翻,只是看它的有效期是多長。但目前為止還沒有看到scaling law會失效的預兆,未來的相當一段時間之內它仍然會有效。「隨着大家對規律的認知越來越深,規律的本質越來越(被)揭示,掌握本質就能掌握通往未來的鑰匙。基於現在大家對本質認識的深淺,至少在我們看來,(scaling law)仍然還會起效,會是未來我們主力想要推進的方向」。張鵬說。

李大海同樣表示,scaling law是一個經驗公式,是行業對大模型這樣一個複雜系統觀察以後的經驗總結,隨着訓練過程中實驗越來越多、認知越來越清晰,會有更細顆粒度的認知。比如模型訓練中的訓練方法本身對於scaling law、對於智能的影響是比較顯著的。在將模型參數控制在一定規模後,這種顯著影響變得尤為重要,在確保終端芯片能夠支持該規模模型的同時,實現優質智能,數據質量和訓練方法等因素亦至關重要。

毫無疑問的是,scaling law在當前階段仍然是驅動大模型發展的重要理論基礎,但其在未來的應用和擴展方式可能會面臨更多挑戰和變化。隨着技術的進步和對規律本質認識的深化,行業也可能需要進一步優化模型訓練方法,才能應對智能推理等更高級別的挑戰。

每日經濟新聞

標籤: 娛樂頭條