科技新闻讯 7月7日，在世界人工智能大会上，中金公司原总裁兼首席执行官，清华大学管理实践访问教授朱云来，以及清华大学教授，智能产业产业研究院的院长，中国工程院院士张亚勤，在《“生”机盎然，“成”就未来投融资主题论坛》上，从不同的角度探讨人工智能对社会变革、企业提效、未来发展前景以及其带来的机遇和挑战。
核心观点：
1、AIGC能力很强，也是技术大的创新，但是它本身也有很多的局限性，比如时效性、准确性、效率、隐私和知识产权的保护等问题。大模型垂直的横向的语言模型很重要，在实际的应用中，一定需要更精准的更加的面向行业的垂直精准模型。
2、GPT最重要的一个贡献就是它引入了自注意力的机制，大大简化了运算。但因它可能过于简化，所以可能会丢失很多信息，导致不够精确，不能系统地模拟人的思维，未来这会限制它的未来应用的潜力。
3、人工智能会大大提升各个行业的生产力，包括制造业、金融行业等，带来冲击的同时也能带来机会。科技进步会促使我们重新考虑社会的治理结构，大家或者是有更多的休息时间，或者去做其他更有创造性的工作。
4、大模型的出现，降低门槛，对创业公司是一个机会。大平台公司可以推动科技进步，小公司有强烈的创新冲动。但需要防止大公司过分垄断，同时鼓励和保护小公司。这样，平台和小公司都可以生存，推动社会更系统、更快的进步。
5、人工智能发展有4个大的因素：数据、算法、算力和人才。其中，算力可能是未来最大的挑战。同时，算法的创新很重要，需要将知识系统，包括知识图谱，与大型模型结合起来，这是未来的发展方向。
6、人工智能不仅不是泡沫，更是一个巨大的机会。从投资的角度看，需要关注的是整个大局，而不只是某个特定领域。没有投资，那肯定失败。但是投了，也不能高枕无忧。需要不断的调整投资策略，保持谨慎，持续关注市场的变化。
以下为对谈精华内容：
在中国，还有无数与制造业相关的实体经济，它们在人工智能如此发展的将来会有什么样的变革？基于投资者而言，我们的社会效率是不是会变得更高？在人工智能发展的将来会产生一个什么样的变革？投资这个行业的到底要关注哪些问题？今天我们就要有请两位大咖做出一些研判。
主持人:第一个问题是关于大模型，到底目前的大模型是不是一个one thing for all的解决方案？他到底有没有所说的那么的powerful？
张亚勤院士：最近一直在谈大模型，谈AIGC的能力的确很强，也是技术大的创新，也是了不起的这种工程以及特别是系统方面的一个成就。
今天重点讲讲它的局限性，因为会上很少人讲它的挑战局限性。那么大家看到ChatGPT或者咱们讲GPT4出来之后，它确实有很多问题：
第一点是时效性，你问他ChatGPT什么时候发布？他不知道，因为他这个是2021年之前的语料时效性，但是现在GPT4有更多的一些这些实时的信息。
第二点是它的准确性，他经常会有一些不实的信息，有一些幻觉。
第三点的话是它整个效率大模型，整个大的系统需要大的算力整个效率。
第四点是对隐私、知识产权的保护这个方面透明性很大的问题。
首先我们不清楚局限是为什么，比如说是由于一维的单方向的自回归模型，它本身算法框架的Transformer本身框架的问题，还是通过比如说强化学习，通过更好的对齐可以解决的，这个也有一种可能性，它算法本身就没有办法解决错误的信息和不实的信息，因为用户它本身是需要有更多的创意，可能创业的时候可能也没法兼顾，我们现在不清楚这个是局限性。
另外效率，我们人的大脑有860亿个神经元，然后每个神经元差不多有将近1万个突触。GPT4的话差不多是万亿参数，所以比我们大脑从规模来讲还是要差上1000倍，当然大很多倍能耗和算力。所以说如何能降低计算的降低耗能，增加效率是一个大的问题。你如果看一下现在目前不管微软用的GPT也好，还是OpenAI基本上很难大规模商用，目前可能至少它的效率要高10倍才可以。
另外局限还包括比如说：把现在用到物理世界的具身式AI用到生物世界、用到金融，比如说核心的银行系统里面都会有这些问题。
我一直在讲说我们大模型当然很重要，垂直的横向的语言模型很重要，但是我们在用到行业的时候，一定需要更精准的更加的面向行业的垂直精准模型，比如我做无人驾驶，无人驾驶说我们要求低延时的是要求多模态的感知要求，规划、决策、执行是完全是高安全的状态，而且低延时高安全，然后要十分精确的信息。
那么这个时候我不需要我自动驾驶系统会作诗会作画，然后不需要你们进行气象系统一样的蛋白质解析，我的语料我的信息是蛋白质结构什么是不是不需要互联网上很多别的信息，所以我觉得大语言模型很重要，但是的话我们还是有很多别的东西也需要。
朱云来教授：GPT从出现以来，无疑取得了非常大的进步，我们也可以从投资界的反应中看出这一点。但是，GPT能好到什么程度呢？这个问题，亚勤先生刚才也提到了。GPT是一个重要的突破。原本我们会使用循环神经网络，但GPT提供了另一个视角。提到了自相关自回归的作用，理论上它应该更完整，但实施起来麻烦。我们也讨论过神经元的数量，你刚才说的是860亿个神经元，然而，实际上它的每一个神经元理论上都可以和另外一个神经元相关，如果你采用弗雷克耐特的方法，那就是860亿的阶乘，这个复杂度几乎是无法接受的。
GPT最重要的一个贡献就是它引入了自注意力的机制，大大简化了运算。这个结果让人印象深刻。它将原本可能的亿级参数压缩到了10亿级甚至千亿级，得出了很多有趣的结果。
但可能还需要进一步改进。 GPT使用了注意力机制简化了关系，因此能处理大量的信息。但是，因为它可能过于简化，所以可能会丢失很多信息，导致不够精确，不能系统地模拟人的思维，因此，这会限制它的未来应用的潜力。
主持人：任何的技术都有边界的问题，很多投资人都问大模型，就目前全球断链情况下，新的产能的快速布置和新的无人化工厂真的快速增效吗？
张亚勤院士：这个问题确实很广泛，但无论是大模型还是人工智能，它们都会大大提升各个行业的生产力，包括你刚才提到的制造业和我们的金融行业。AI将使很多变化是工作不再需要人手，无论是无人驾驶，无人工厂，还是各种有规则的脑力工作。这无疑将对工作市场带来冲击，但也带来了机会。
朱云来教授：对于制造业来说，虽然有一些有限的应用场景，但还是有很多可以改进的地方。相比之下，GPT给我们展示了一个新的维度，它在一个综合的维度上大大超出了我们过去的想象和实力。因此它有了这样一个系统的突破，但是我们刚才也讲了，从它对它的局限性来讲，毕竟它可能又简化的过分了，那么它就因此它的普适性它也降低了。
它可以按照我们的指示进行系统性的工作。这个突破虽然在一定程度上简化了问题，降低了模型的通用性，但它已经足够接近通用人工智能的能力。
如果真的有一天机器能够达到这么高的水平，我们人类该怎么办呢？其实，我们应该从另一个角度看待这个问题，如果通用人工智能可以替代所有人的工作，对我们社会会有什么影响？如果所有的工作都由机器完成，所有的钱都被机器赚走，其他人大量失业，无法生存怎么办？
如果真的达到这个程度，我们应该重新考虑社会的治理结构。如果通用机器人什么都能做，我们就不需要做那些工作了，我们可以有更多的休息时间，或者去做其他更有创造性的工作。科技进步带来的好处应该如何分配，这就需要我们从系统的角度来考虑这些问题。
主持人：很多人都在讨论大型AI模型需要巨大的资源，芯片，以及资金。那么是否只有大型平台公司，甚至是国家，才能成为核心玩家，甚至唯一的玩家呢？我想请问两位，你们对这个问题有什么看法？创业是否真的有足够的机会？
张亚勤院士：大模型的出现，对创业公司是一个机会，我一直把横向的大模型比喻成为AI的一个操作系统，有了这个操作系统之后，我们上面还需要我刚才讲的行业的垂直模型，上面可以开发新的应用，所以说支持大的横向的系统需要有大的数据算例，然后可能需要在云的系统上面去支持。
将大型AI模型比喻成AI的一个操作系统。有了这个操作系统后，我们还需要行业的垂直模型以开发新的应用。大型的系统需要大量的数据算力，可能需要在云系统上运行。即使存在商业的大模型和开源的大模型，作为创业公司，我们可以直接调用这些模型，不需要自己从头做起。因此，对于创业来说，这是一个巨大的机会，进入门槛更低了。
朱云来教授：确实是从这个系统的发展，我们过去的一个最典型的两个场景，平台公司或资本雄厚的公司，如微软，有很强大的技术和资本优势。但是，这并不意味着小公司就没有机会了。
平台公司有其存在的优势，可以推动科技进步，但如果它们变得过于稳定，没有竞争，可能就不会有进一步的改进。而小公司则有热情的员工，有强烈的创新冲动。长期来看，如果没有不断的进步，社会可能会逐渐稳定。因此，小公司的作用非常重要，可能会带来更多的创新。我们需要防止大公司过分垄断，同时鼓励和保护小公司。这样，平台和小公司都可以生存，推动社会更系统、更快的进步。
我们需要防止大公司过分垄断，同时鼓励和保护小公司。这样，平台和小公司都可以生存，推动社会更系统、更快的进步。
大模型的出现，对创业公司是一个机会，进入门槛更低了。平台公司可以推动科技进步，小公司有强烈的创新冲动。但需要防止大公司过分垄断，同时鼓励和保护小公司。这样，平台和小公司都可以生存，推动社会更系统、更快的进步。
主持人：关于挑战和限制，我注意到，现在似乎人工智能的芯片只有Nvidia一家比较成熟。我想请问张院士和朱总，这个会不会影响中国整个行业的发展，是不是最大的限制所在？
张亚勤院士：对人工智能发展有4个大的因素，一个当然是数据，一个是算法，另外就是算力和人才。其中，算力可能是未来最大的挑战。现在有很多公司在研发GPU和IC芯片，包括美国和中国的公司，这个问题比较复杂。如果最终算力成为大的限制，我们必须找到其他途径，比如新的模型，新的算法，新的框架。需求是创新的源泉，如果有需求，我们一定会找到解决方法。
我们现在最大的创新其实是在手机里面，在手机里面包括最先进的芯片，最低能耗的芯片，最在手机里面，所以如果说以后算力是变成最大的一个限制的话，我们会有新的一些方法，可能方法和完全是不一样的。
需求是创新的源泉，创新都有一定的挑战。中国的人才现在足够多，足够强，数据也足够多，而且向下发展是多模态，有视视频图像，包括我们物理世界的所有的这些信息，这些信息语调是足够多的，然后这个算法我想也会和全世界同步，甚至方面都要领先的。
我要纠正一个观点，现在的算法并不全是美国发明的。其实在过去的这10年深度学习，特别过去的5年，很多特别创新的算法，原始的算法是中国科学家完成的，包括在国内的中国的华人企业科学家完成的。中国科学家也做了很多贡献，就包括目前OpenAI的大模型，包括目前的深度学习的算法。
算法的创新很重要。比如说，现在用的算法，无论在效率还是机制上都有很大的差距。我们现在在对话时，可能只使用了1%的参数，使用了某个区域的神经元，所以我们效率很高。目前的算法根本无法实现这一点。所以我觉得还有很多改进的空间，很多创新的可能。另外，我们现在的深度学习主要依赖大数据，但人类和动物有很多是通过DNA获得的，先天具有的，不需要每次学习和推理。我们还需要将知识系统，包括知识图谱，与大型模型结合起来，这是未来的发展方向。
朱云来教授：对于刚提到的芯片问题做一个简单的补充。刚刚的提问我觉得算力是基础，这是芯片的问题。但是大家提到的算法实际上是另一个维度，这两者是相辅相成的。一个好的算法可以大大降低算力需求。所以，这可能最终是这两个因素的一种平衡，我觉得最大的产出可能还在算法上。
主持人：最后一个问题从投资角度出发，上一个互联网的周期，从普通互联网到移动互联网基本上是用了10年，生了重大改变，带来了新的机会。对于人工智能来说，你们觉得会花费多少年时间来改变社会，是否会更快？
张亚勤院士：如果我是投资者，我现在会非常害怕。不管投大模型也好，垂直模型也好，可能95%甚至更高，两三年之后都没了，但是又不能不投，因为这个机会成本太高。虽然有很多机会，但大部分投资可能会一无所获。
现在的人工智能有点像98年的互联网。机会很大，但也有泡沫。但是互联网本身不是泡沫，后面它改变了我们的生活和工作方式，那些真正的好公司，有实力的公司，有技术的公司，有价值的公司越来越大。我觉得人工智能也会是一样的，会有很多了不起的公司，但大部分的公司可能会消失。所以，人工智能不仅不是泡沫，更是一个巨大的机会。
朱云来教授：客观的讲，人工智能在这个泡沫中涌现出来。从投资的角度看，你需要关注的是整个大局，而不只是某个特定领域。只有当你做出投资决策时，才有可能获得成功，而如果你没有投资，那肯定会失败。但请不要误以为，只要你投了，就可以高枕无忧，自认为是最大的赢家。其实，你需要不断的投资和调整，保持谨慎，持续关注市场的变化。
历史上的各种投资泡沫都是因为大家在积极探索新领域。然而，这些探索不一定都能成功，也会有失败的情况，很多探索一度兴起，然后破灭。但是在这个过程中，我们可以看到有系统性的进步开始出现，因此你需要不断的调整你的投资策略。
多回去看看过去，学习投资者是如何进行投资决策的。思考一下，在互联网的发展历程中，谁是最大的赢家？他们的投资策略有没有值得你学习的地方？（对话结束）
