内容来源：ChatGPT 及大模型专题研讨会 

转载自CSDN稿件

在经历寒冬、雾霾，甚至大家纷纷看不到希望之际，ChatGPT 犹如一场春雨，给做 AI 甚至 NLP 等研究的人带来了新的希望。

3 月 11 日，由中国人工智能学会主办，中国人工智能学会 NLP 专委会、真格基金、达观数据共同承办，中国信通院云大所支持的「 ChatGPT 及大模型专题研讨会」正式举行。在圆桌对话环节，来自学术界、产业界及投资界的知名专家学者，就 ChatGPT 引发的新 AI 浪潮、大模型“基础模型”论、“国产类 ChatGPT ”所存在的差距与挑战展开高端对话。这些专家有：

• 中国人工智能学会副监事长、清华大学教授马少平

• 澜舟科技创始人兼 CEO、CCF 中国计算机协会副理事长周明

• 中科院自动化所研究员、IEEE/ACL Fellow 宗成庆

• 真格基金管理合伙人戴雨森

• 华为人工智能科学家、北京邮电大学博士杨浩

• 中国信通院云计算与大数据研究所人工智能部副主任曹峰（担任主持人）

1.ChatGPT 的火爆给 AI 带来了新希望

主持人（曹峰）： ChatGPT 引发火爆关注的原因是什么？引发继 AlphaGo 以后又一轮人工智能的浪潮，究竟有着什么样的价值和意义？

马少平：ChatGPT 能取得成功，个人觉得与这三方面有关系：

• 第一是意图理解能力，简言之就是对问题理解的突破；

• 第二是语言生成能力；

• 第三是多轮对话的管理能力；

从 AlphaGo 可以看到 AI 在专用任务上能做得很好，而现在大模型在相对通用的任务，也表现出色，这可能是引起大家特别关注的原因。

周明：在过去几年，AI 越来越走向寒冬，去年，国内在 AI 领域的投资基本约等于 0，就在大家觉得 满眼雾霾时，ChatGPT 给人们带来了希望的光芒，照亮了前进的道路。ChatGPT 的爆火给做 NLP 的人带来了不少信心，说明沿着这条路是肯定有机会能走出来的。

在一次哈工大的鉴定会上，我曾表示：“自然语言是人工智能皇冠上的一颗明珠”。彼时，在场的专家学者觉得这句话对 NLP 在 AI 领域的地位总结的非常精准。所以说，这句话并非出自比尔·盖茨，但比尔·盖茨说完后，我们再出去讲的时候，就起点作用了。

宗成庆：我认为 ChatGPT 引人关注的原因有两方面，一是生活角度，如今人手一部或多部手机，大家都喜欢从网上看一些新鲜的东西；其次是从自然语言处理的角度来看，人们在体验 ChatGPT 的过程中，发现该对话系统生成的句子非常像人话，对比以往的对话系统，ChatGPT 生成的内容的确非常好，效果甚至惊人，而且应用领域也非常广，不管从什么样的领域，包括教育界、法律界、学术界，真正需要的信息咨询都会受到影响，影响的社会面非常大。另外，ChatGPT 对用户的意图理解非常准确，几乎能够准确地把握用户想问的绝大多数问题。

戴雨森：我觉得主要分为三点：

第一，体验门槛特别低，普适性强。以前自动驾驶、AlphaGo，如果不下围棋、不做自动驾驶，人们很难体会到那种神奇。但 ChatGPT，只要是你能说话，就能亲身体会，而且可以应用在很多领域，不只是文本续写或者吟诗作对，具有很强的普适性；

第二，传播性。可以通过简单的聊天截图传播，大量的截图满天飞，让大家发现它有很多神奇的能力；

第三，它给人的想象空间特别大。因为语言是人类思维的一个载体，甚至是思维本身的体现。大家看到 ChatGPT 后会思考，它对自己行业、工作的影响以及如何提效，这种想象力的空间是非常大的。但每个人看到 ChatGPT 都会产生脑洞，这种脑洞会传播、会交流，所以带来更多关注。

杨浩：我这里补充说明一点，ChatGPT 把 AI 对 toB 的链接转换成了 toC 端，人人皆可体验，并且给大家带来很多信心；第二点是很多人工反馈的数据进入系统，会使这个系统更好的演进，所以这个应用场景是更有意义的。比如我们最近在一些 ICT 的场景，网络设备运维日志时，以前假如这个问题不在我的答案里，回答得看上去傻傻地完全不沾边；但是现在发现它的整体意图没什么问题，就可能要补一些领域数据，这提升了普通用户对人工智能的连接，AI 天花板直接拔高了一大截。

2.多种工作或被 ChatGPT 替代 但也无需神话

主持人（曹峰）： 我们看到 ChatGPT 没有太多行业特色或者行业应用趋势，大家能否为我们看看未来在 ChatGPT 以及大模型的驱动下，哪些行业是最有可能得到广泛使用或者可能被颠覆的？

周明：我们公司目前正在做大模型，叫“孟子大模型”，然后我们两条腿走路，左腿是自己真要训练出大模型，右腿是我不管从哪儿拿个大模型，网上扒下来的，或者买的 API 也行，怎么把大模型用好。当然，最后是希望用自己的大模型，自己的大模型用起来之前，最好两条腿分离一点，不要互相绊住了。

训练大模型需要智慧，用大模型也需要智慧，而这两个智慧不一定完全一样。用大模型的人是站在用户角度、行业角度，反过来对大模型提出要求。有时候，大模型的人不停地吹捧大模型必须要大才有效果，但那样是有代价的，大模型也意味着需要太多的服务器。而用户的需求可能并不需要这样的大模型，可能会需要小一点或者弱一点的模型。

首先，如何做好垂直领域的模型，把模型的体积降下来，无需追捧 ChatGPT 这样全智能的能力，在各行各业都有很好的应用。比如金融，金融是非常讲究降本增效的行业，从客服、营销、文案合同审核、智能投研、智能投顾、搜索图谱，所有的东西会认为都要用到大模型，那么一个金融机构最好有一个适合于自己各个业务场景的大模型，这个大模型不一定是 175B 的，有可能是 10B 的甚至 1B 的，但是要针对人家的数据和业务场景，用很容易的接入方式，各个业务部门容易接入到这个大模型中，然后快速提供答案和反馈，再不停地迭代，可能3、5天或1、2个月新的数据来了，再迭代。

第二，ChatGPT 讲究数据自我封闭，2021 年以后的数据就没有了，而这也不适用于金融行业，金融行业需要实时，需要一个可以动态访问金融数据库的接口，动态访问各种营销活动，然后给用户进行快速推荐等。在落地时，需要把大模型跟所有的业务场景全部打开，及时、快速、安全，如果这件事情能够做好的话，金融行业有很多客户可以展开使用。

其它行业也同样的道理，因为它都要对很多的认知智能、自然语言处理理解、问题求解、数据库访问、动态跟踪、客户推荐，其实都有很多同样的内容要求的。所以可以把同样的技术推广开来，来形成对整个业界的影响力。

宗成庆：哪个行业会首先受到冲击，其实这个问题不太好具体回答，因为它可以用到任何一个领域、任何一个行业，都可能会受到冲击。其实最容易被冲击的，是 NLP 研究的人，ChatGPT 一出来，有很多人问我：ChatGPT 做得这么好，你们做 NLP 研究还有什么用？我自己当然不担心失业，一方面 ChatGPT 还没有好到没有问题可研究的地步；另一方面，任何中低端的重复性强的工作被 AI 技术替代，这是不可逆转的趋势。

戴雨森：我有一些小总结：

第一，它是“超级缝合怪”。我们所从事的工作中，有 95% 以上可能都是在做“缝合怪”的事情，比如设计师干的很多事情是把已有的东西缝合在一起，程序员是把已经写过的代码组件缝合在一起，作家是把已经有的很多语料缝合在一起。当生成式模型变得很强大时，未来大家更在意原创东西的价值，要真正原创出 AI 里没有的东西，因为语言模型、扩散模型可以瞬间把全人类已经有的东西缝合在一起，所以第一个问题是“超级缝合怪”的出现导致原创思维特别重要。

第二个，它是超级界面。以前人要适应机器，我们去操作电脑、PC、手机，人类要服从计算机的范式，键盘、鼠标或者触摸屏。但是人最核心的交互其实是语言，每个人都会用语言交流，但是之前跟 Siri 等无法实现真正的自然语言交流，因为卡在语义理解、多轮对话等很多地方，但 ChatGPT 出现后，让我们看到人和机器能够真正交流，不用人更多服从于机器的范式，而是机器更多服从于人的范式。

第三个，超级陪伴。我们在生活中对别人的价值很多时候体现在语言上，现在有陪玩、陪聊，甚至我们从没见过的一个人。最近两年，“元宇宙”的概念很火，但后来发现元宇宙没有意思，因为元宇宙里面没有人，元宇宙是荒芜的。之前大家觉得 Meta human 可能是长得像人，但是实际上最重要的是它要能够像人一样去沟通。所以有人看到 ChatGPT 的聊天记录以后被震惊了，因为在这个过程中看到机器越来越像人，或者越来越难以被区分，这是图灵测试的意义。

在游戏、社交或者针对老年人和小孩的陪护里，人所起到的陪伴性价值演的陪护是能够被替代或者部分被替代，这是之前技术没有实现的目标，现在我们看到了可能的趋势。当然，可能这个脑洞比较大，但是从投资机构的角度来讲，至少 ChatGPT 让我们从以前的不可能，到现在的可能。

杨浩：我觉得接下来被替代的一个肯定是干重复工作的。但是从正面角度来看，只要不停学新的东西，并且尝试做“dirty work”，我们都是看到好的，你找到几个 ChatGPT 不好的 case 了吗？你发现它的不好了吗？它不好在哪个地方？可能的原因是什么？你真的去尝试一下。

现在国内确实有个瓶颈，ChatGPT 带来的算力的瓶颈非常高，真正有能力复现这个模型的人、真正去看问题的人，其实难度很大。那么如何找周围的资源，产学研一起合作，去搭建环境，去分析里面的不好案例是一个很大的突破点。而不是别人说好，你也说好，那你就被淘汰了。别人说好，你找到不好，然后分析这个不好，那就取得更大的突破了。

马少平：对于这个问题，因为我一直在学校，所以相对来说对应用了解得比较少。我想从一个原则来说，就是人工智能的应用原则，我想这个应该是一样的原则：

第一，它万一出现什么大的错误，对我这个系统不会带来什么伤害，刚开始 ChatGPT 出来的时候，人家问我有什么应用，我第一个想到的就是陪老人聊天，聊错了也没关系，哪个电影的主演说错了也关系不大，或者跟游戏有关的，错了也没什么事。

第二个，它作为辅助可以提供一些决策或者几个方案，最终的决策者还是靠使用者自己。我当时举的例子是就像输入法，输入法输入一串拼音，它给你若干个选择，最终是哪个字，由你自己选择，这样的输入法才能用。如果输入法把这句话自动输入进去，没有给你选择权，这个输入法用不了。所以它只是辅助，然后最终决策是靠人在决策。

第三个，具体应用中允许一定的误差，但是这个误差的多少由你自己定，是千分之一还是万分之一，只要在你的原则之内就可以。比如过去出版业精品的水平也就万分之一的错误，包括生产线上产品检测，只要能满足错误率就可以。

具体应用时，第一，满足不满足这些原则，第二，不满足的话，是否有办法或者利用其他知识使其满足。

3.当下大模型还没达到“基础模型”状态

主持人（曹峰）： 我们也看到李飞飞等科学家把大模型一开始叫“基础模型”，请问几位专家，怎么理解它从“大模型”到“基础模型”这个概念理念上的变化？第二，如果它真正成为基础以后，对技术研发、产业应用、行业推广有其他变化吗？

杨浩：我觉得有两点：

第一点，作为基础模型形成一定的范式，或者现在所有的人工智能模型基本都基于 Transformer，应用的开放瓶颈大幅度降低，推动业界发展。相当于大家学习时把小学变成六年，然后初中三年、高中三年，这个规范化的操作，产生更大的价值。

第二点，它推动上下游行业的提升。比如大家比较关心华为的芯片，在这上面也有一些探索，面向特定算法，在 GPU 和 CPU 之间数据交互时能耗大幅度降低，典型的两个应用，一个是手机续航更长，二是算起来更快、不发烫，所以算法不是越便宜越好，而是越好用越好。有时商业上的很多产品没有学术界产品做得那么精致、那么好，但是就是因为它简单好用。

戴雨森：从我们做投资的角度，觉得有一个基础应用之后就可以做应用和中间层了，这是我们的一个直观感受，这是一个很学术的定义。

比如一个 AI 公司得从头训练自己的模型，然后在里面做垂直整合。今天 ChatGPT 和 OpenAI 很好的做到了 API 化，大家可以很好很快的应用，但不需要自己训练模型，只要调动它的能力就可以。这样带来技术积木化、乐高化的过程，有了这个底座之后可以在上面搭应用，这样对应用场景特别有帮助。

之前大家在学术阶段，现在真正进入到应用、商业阶段，这是我对“基础”的理解，是从学术角度的认知。

宗成庆：这里的“基础模型”是基于网上公开的通用的常识性公开数据训练出来的，类似于一个全科医生，什么都可以干，有头疼感冒了找医生开个药都可以。但是真正用的时候，还得是专科医生去解决问题，尤其是对于一些需要很深专业知识的领域。

周明：我对基础模型有不同的看法，虽然是李飞飞两年前提出来，那时候 ChatGPT 还没有，GPT3 刚出来，所以大家都觉得全世界 N 个基础模型，理想是我们一些牛的大公司把它建好了之后，就跟中国电力一样，这些村就别建自己的水电厂了，大家在我的基础上垒新的应用，想法其实挺好的。

其实到目前为止，即使是 ChatGPT，也不敢称之为是“基础模型”，我给大家讲如下几个观点：

首先，基础模型应该是什么？我觉得至少要满足以下几点：

• 功能比较强大；

• 稳定的：比如像电力，不能老停电，否则谁也不敢用；

• 安全的：任何一个人用，不至于伤害其他人；

• 合乎伦理道德的：现在 ChatGPT 有很多地方不符合伦理道德。甚至可能符合美国的伦理道德，不符合中国的伦理道德；

• 还有速度、并发、及时更新等很多地方；

• 对垂直领域的综合支持；

• 对用户无代码编程各方面的支持。

我个人认为，现在没有一个模型达到基础模型的状态，所以大家不要迷信 ChatGPT，离李飞飞提出的伟大的理想差得远了。

第二，基础模型确实重要。任何一个国家，像中国这么大的国家，有独特的五千年文化，一定要建立自己的基础模型体系，来实现安全性、并发性等一大堆东西。当下这件事还没有人给你一个定论怎么做，只能靠自己去探索出一套适合于自己国情和市场的基础模型，这是万里长征的第一步。也许从今天再搞 10 年、20 年，才能大概形成一个大家都可以放心、稳定应用的一组基础模型，而不是一个。

马少平：我很同意周老师的观点，我们国家至少得有自己的基础模型。从长远来说，它可能确实某种程度上发展成为一个基础设施，这个基础设施就像电力一样，电力不能靠国外，像以前没有石油的时候得找自己的大庆油田。

4.从追赶到超越，首先得学会平视 OpenAI

主持人（曹峰）： 最后一个问题，这次 ChatGPT 的诞生，也能看到我们国家跟国外的差距，想请各位专家聊聊我们国家的 ChatGPT 或者大模型目前发展到了什么地 步？目前有什么困难？在座有做技术的，有做产业的，也可能是学生，各位分享一下对大家未来的发展建议。

周明：现在是对科技界年轻人、NLP 界一个非常好的阶段，我们这些人都是从事自然语言 30 年以上了，过去简直筚路蓝缕，什么都没有，代码要一行一行写，满眼都是泪，没有一个人支持。

但是今天有大数据、算力的支持，ChatGPT 验证了可行性。而我们强调自主知识产权，所以美国做得再好，也跟我们没关系，我们仍然有广阔的天地去开阔。

所以分享一句寄语给在座的各位，包括投资界、工业界、研究界的朋友们，未来的路还很长！选对了路，勇敢地走下去，就是你的计划！

宗成庆：有人问得更直观，为什么中国没有做出 ChatGPT 来？我说，任何一个高新技术都可以拿过来这样问，譬如，为什么中国没有做出自己的高端芯片？为什么中国没有操作系统？为什么中国没有自己的数据库？我们承认和美国的差距是有的，但我个人认为，自然语言处理这个方向比起其他领域，跟美国的差距要小得多，而且自然语言处理领域在近几年的进步非常大。

当然，原创性的技术是人家的，我们承认这个。从市场应用角度来讲，自然语言处理在中国市场并不落后，包括与美国相比。我们已经有了长足的进步，所以非常有信心做好中国自己的事情。

关键是我们怎么做好？现在的大家太浮躁了，ChatGPT 出来以后，全中国从上到下都在炒这个事情，为什么没有人去炒区块链、元宇宙了？马上一下子都转到 ChatGPT 类研究了。我们应该冷静去思考当下能做什么、什么可以做得更好，不要天天炒那些概念。面向国家需求扎扎实实地做好我们该做的事情才是硬道理。

戴雨森：我想分享几个看法：

第一，投资是个贝叶斯的过程，对世界的认知肯定随着我们对信息的获取而发生变化。在 iPhone 出来之前，投移动互联网和做移动开发的都没戏，当 iPhone 出来后，大家就都投，所以短时间内有浮躁、泡沫、很大的声量是正常的，因为我们对世界的认知、对未来的预估发生很大变化，这很正常，但是我们希望泡沫下面是有啤酒的。我们看到这次技术变革带来了很直接的应用价值，在美国看到了不仅是亚马逊本身，很多已经获得明显的商业化结果，所以我相信这波趋势会很持久，也会很漫长。

第二，要学习赶超 OpenAI，首先要平视 OpenAI。这几个月听到的观点分为两派，一是神化 OpenAI，觉得 OpenAI 很遥远，我们在语料、芯片、算法上都有短板，我们可能做不出来。另一个是速胜论，我们不仅有，而且还有很多这方面的研究，这个月就可以实现甚至是超越 ChatGPT 。

我们从追赶到超越的过程中，我们一开始需要给国产大模型一些时间，首先，我们自己的自然语言模型差距并不大，其次，它不是完全需要非常完美的技术，80 分的模型、90 分的模型、100 分的模型皆有用处，现在我们看到语言模型过一个了阈值，让它能够在很多地方产生作用。我们最近也用了 4、5 个团队的 ChatGPT 产品，虽然有差距，但比之前的尝试要好一些，部分应用已经做起来了。像涌现的能力、思维链等等逐渐开始具备，甚至有的在中文任务上比 ChatGPT 做得好，跟语料和算法有关。

我们现在面临的是一个代沟，而不是跨越不了的鸿沟。我们对未来充满了期待，但肯定这不是一个很快就能见效的事情。我们做天使投资的周期就是 10 年以上长周期投资的，而不是炒股票。

杨浩：说三点关于我自己对 ChatGPT 的想法：

第一点，从垂直领域比较来看，例如机器翻译，发现 ChatGPT 是不如目前专门训练的机器翻译模型；

第二点，我们一直在做质量评估这个事，但是坦诚地说，相对于专业的译员，还有很大的发挥空间，所以我们还有很多机会去做，同样 ChatGPT 也没有解决，所以无需神话它；

第三点是科技向善，ChatGPT 会带动整体上下游以及芯片的思考，我们公司有个“M+D”的生态，Mindspore 深度学习平台。现在大家用 Tensorflow 不多了，Pytorch 比较多，但在真正工业落地上有很多问题。D 是指 D 芯片相关内容，我们有些芯片的价格是对方的四分之一，但是整体性能是它的二分之一，这时候把这批芯片做上去的时候是能有收益的。另外再补充下大模型，华为盘古大模型一开始是基于 D 芯片训练，不完全是基于 GPU ，所以这里面空间很大。

路会越走越宽，相信那些割裂社会、把技术卡断的只是少数人，大家在通过产学研甚至和国内外专家亲密合作的情况下，这条路是越走越宽的。

PS：想观看本次研讨会的小伙伴可以移步「达观数据视频号」查看直播回放。