7月5日下午，2023世界人工智能大会开幕的前一天，华为轮值董事长胡厚崑去展台转了一圈，想看看大家都在忙什么。7月6日的开幕式上，胡厚崑给出了他的总结：一种是大模型的研究，另一种是大模型在不同行业的应用。
这两件事概括出了在人工智能爆火的半年内业内发力的重点方向，也预示出了人工智能行业发展的星辰大海。开幕式上，“黄金时代”成了一个关键词，胡厚崑说，“通用人工智能正带领我们走向下一个黄金十年”。微软CEO纳德拉也曾提到，“人工智能的黄金时代已经到来”。
机器人数量将超人类
特斯拉缺席了上海车展，却出现在了2023世界人工智能大会上。据悉，这是特斯拉首次应邀参展，特斯拉的展台上除了“车元素”外，其人形机器人“擎天柱”也成了亮点。
特斯拉CEO马斯克以视频形式“现身”开幕式，以机器人开启了“话匣子”。马斯克称，“当下我们领略到了数字计算能力的爆炸式增长，机器和人类算力之间的差距进一步扩大，一段时间以后，人类的智能在全部智能中所占比例将会越来越低，这可能是人类历史上影响最为深刻的一个时期”。
特斯拉的人形机器人还处于研发早期，但马斯克预计，未来将会有越来越多的机器人，“机器人和人类的比例可能会超过1:1，也就是说未来机器人的数量可能会超过人类。但这同样也会带来‘双刃剑’一般的问题。机器人的生产效率比人的生产效率大很多，所以我们要确保它始终是有助于人类的”。
另外，马斯克透露，特斯拉的自动驾驶已经非常接近于没有人类干预的状态，且已经在美国道路上进行测试。“我们预测，大概在今年晚些时候，就能实现全自动驾驶。”
人工智能“走深向实”
“我们都坚信，在一个不长的时间里，人工智能尤其是通用人工智能，会帮助我们改写身边的一切。当方向清晰了之后，最关键的就是路径的设计。”胡厚崑表示，华为当下考虑的核心问题，就是要全力推进人工智能“走深向实”。
实现这一目标，华为有两个关键的举措或者说两个抓手，即深耕算力，打造强有力的算力底座支撑中国人工智能事业的发展；以及结合大模型，实现从通用大模型到行业大模型的研究创新，让人工智能真正服务好千行百业，服务好科学研究，也就是华为提出的AI for industries，AI for science。
胡厚崑称，华为推出了新的三层大模型结构。最底层对标通用大模型，华为称之为基础大模型，这一层可以形象地理解为“读万卷书”，主要作用就是做好海量基础知识的学习。在这一层上，华为还打造了行业模型和场景模型，可以称作“行万里路”。
“从‘读万卷书’到‘行万里路’，还有很多挑战需要克服，其中很关键的一点就是要把各行各业的知识与大模型进行充分的匹配和融合，华为正在与各个行业的伙伴一起努力。”胡厚崑称。
胡厚崑还提到，盘古大模型3.0将于7月7日发布。
未来应用将由人工智能驱动
在开幕式上，微软全球资深副总裁、微软大中华区董事长兼首席执行官侯阳表示，微软坚信，今后任何一家公司都需要具备驾驭数字技术的能力，“我们也看到随着生成式人工智能不断展现出巨大潜力，今后每一家公司的每一个应用程序都将由人工智能来驱动”。
侯阳提到，随着去年底ChatGPT的一夜爆红，大模型和生成式人工智能仿佛在瞬间爆发，很多科技行业的从业者都对AIGC的涌现惊诧不已。但在微软看来，这种涌现绝非偶然，无数优秀的科研人员数十年如一日地进行基础研究，以及海量计算资源的投入，才造就了这样的创新成果。据悉，OpenAI ChatGPT的突破，靠的便是微软智能云提供的基础架构和算力支持。
侯阳还根据近期其全球客户产业智能化解决方案，总结出了6个重点行业应用人工智能的创新化场景，包括优化制造与能源行业的供应链韧性，革新零售电商的智能客服，在游戏中构建栩栩如生的NPC角色，在金融行业随时获取市场实时行情分析报告，更早发现、更快管控潜在金融交易风险，在生命科学领域提升临床试验数据分析能力，在教育领域带来更具启发性、互动性、定制化的学习方式等。
开源是安全的唯一办法
自ChatGPT横空出世以来，围绕监管的话题便始终如影随形。但在发布会上，图灵奖得主、Meta AI团队首席人工智能科学家杨立昆提出了完全不同的看法。在他看来，从长远视角来说，要让人工智能安全且良善的唯一办法就是开源。
“想象一下，未来我们每个人都需要通过人工智能助手与数字世界进行互动，我们所有的信息都会经过人工智能助手系统，如果那时候技术还只是被少数公司控制的话，绝对不是一件好事。”杨立昆称。
杨立昆认为，未来人工智能系统应该成为人类所有知识的宝库，训练它们的方式也必须要基于众多源头，“因此我们也希望看到更多的开源AI系统”。
完善还有很长路要走
在被问及大模型发展基础理论方面的突破时，图灵奖获得者、上海期智研究院院长姚期智引用了他们一位年轻学者在算法上的突破性贡献，即能够将现在主流的强化学习加快数百倍。
姚期智表示，在ChatGPT以后，下一个非常重要的目标就是让智能机器人有视觉、听觉等多种感知能力，能够在不同的环境里自主学习各种新技能。现在一般的强化学习方法太慢，学习一项新技术通常需要几个月，但上述突破可以使强化学习在几个小时之内完成这项工作。
“这不仅是一个实用的问题，也是一种理论上的贡献。”姚期智提到，过去六七年间，人工智能的思想家们一直存在一个路线之争，就是依赖强化学习这条路是否正确。上述突破正是把天平倾斜向了另一边，即我们应该坚持现在这条路，通用人工智能的完善还有很长的路要走。
人工智能并不总是智能的
人工智能并不总是智能的，也可能出现“幻觉”等挑战。面对如何应对大语言模型在实际应用过程中的困难和挑战这一问题，清华大学交叉信息研究院助理教授、AI初创大模型企业Moonshot AI创始人杨植麟给出了他的回答。
杨植麟认为，当下大模型确实有很多问题尚未解决，比如安全性如何可控，如何避免产生“幻觉”，不去编造一些很不存在的内容等。这其中很重要的一个点，就是我们在思考这些问题的时候，不能采用“头痛医头”的办法，而是需要更系统地抽象出这些问题之间的底层，有哪些共同的问题，回到更本质的层面解决。
“毕竟是通用的模型，我们更希望它能够在这些方面做到举一反三。”杨植麟表示，最本质的解决办法还是要去做更规模化、高效的压缩，比如用更好的、更适合分布式训练的框架，更好地分配算力等方式，去解决人工智能当下存在的局限性。
(责任编辑：王擎宇)