大家好，很高興來到講堂，今天我講的題目是《走進“無人區(qū)”探索人工智能之路》。什么是人工智能？很多人認為，人工智能是用機器，特別是計算機來模擬人類的智能。這個理解肯定是不對的。迄今為止，全世界對于什么是智能沒有統(tǒng)一的認識，因為我們對自己的大腦了解非常少。2019年，有人問美國非常有名的腦科學(xué)家科赫（Christof Koch），“到現(xiàn)在為止，我們對人類的大腦了解多少呢？”他回答，“我們甚至不了解一條蠕蟲的腦子”。一條蠕蟲的腦子那么簡單我們都沒有了解清楚，對人類大腦的了解更是太少。因此，這就遇到一個問題，我們都說不清楚“智能”，如何搞人工智能？

人工智能經(jīng)過多年的探索走出了兩條道路，一條道路叫做行為主義道路或者行為主義學(xué)派，或者唯物主義學(xué)派。這個學(xué)派的主張是用機器模擬人類的智能行為。“智能”跟“智能的行為”是兩個完全不同的概念?！爸悄堋笔侵冈谖覀兇竽X里面的過程，我們對它的了解非常少。“智能的行為”是智能的外部表現(xiàn)，我們可以觀察到它，就可以模擬它。因此，人工智能追求的目標是什么？追求機器的行為跟人類的行為相似，而不是追求內(nèi)部工作原理的一致。例如，ChatGPT已經(jīng)達到了這個目標，因為跟ChatGPT對話與跟真人對話很相近。在ChatGPT跟我們對話的過程中，它內(nèi)部的工作原理跟大腦工作原理一樣嗎？我可以明確告訴大家是不一樣的。因此，我們現(xiàn)在的人工智能走的是一條機器智能的道路，跟人類的智能并不完全一樣，它只是行為上相似，這是目前人工智能的主流。

我們?nèi)祟愂侨绾翁剿鬟@條道路的呢？最開始是1956年，在美國召開了人工智能研討會，參加會議的10個主要人物來自數(shù)學(xué)、計算機科學(xué)、認知心理學(xué)、經(jīng)濟學(xué)和哲學(xué)等不同領(lǐng)域。他們經(jīng)過八周的討論，定義了人工智能，認為要做一個會思考的機器，也即，希望機器能像人那樣思考。與會者主張用符號推理、符號表示來做這件事。在這個會議上，Newell和Simon表演了一個程序，叫做“邏輯學(xué)家”。該程序是用機器證明數(shù)學(xué)原理第二章中的部分原理，這表明，機器能做類似推理的工作。因為數(shù)學(xué)定理的證明與推理相似。在這個會議上定義了什么是“人工智能”。

從1956年到現(xiàn)在，人工智能是我們現(xiàn)在遇到的非常年輕的領(lǐng)域，因為它的歷史不到70年。這個過程分成三個階段，分別是第一代人工智能、第二代人工智能和第三代人工智能。

無論是做管理工作或者做技術(shù)工作需要的能力也分為兩個方面。一是在某個領(lǐng)域具有豐富的知識和經(jīng)驗，二是具有很強的推理能力。根據(jù)這樣的分析，人工智能的創(chuàng)始人提出了“基于知識與經(jīng)驗的推理模型”。這個思想非常簡單，也即我們要實現(xiàn)機器會思考，只要把相應(yīng)的知識放在計算機里。比如，我們要讓計算機看病，只要把醫(yī)生的知識和經(jīng)驗放到知識庫里，醫(yī)生看病的推理過程放在推理機制里，計算機就能看病了。如果要讓計算機做一些其它的思考工作，比如設(shè)計工作，我們把某個領(lǐng)域的設(shè)計知識和經(jīng)驗輸入知識庫，把設(shè)計的推理過程放在推理機制里，計算機就能幫你設(shè)計。所以基于知識和經(jīng)驗的推理模型是所有理性行為共同的計算模型，我們用這個計算模型就可以讓機器像人類那樣思考。

這個模型的核心思想是知識驅(qū)動，換句話講，知識是人類智慧的源泉，知識就是力量。這些知識我們通常叫它理性知識，理性知識來自學(xué)習(xí)，所以所有做白領(lǐng)工作的人必須要接受教育。因為不接受教育，你就不可能有理性知識，沒有理性知識就不可能做任何一個白領(lǐng)的工作。所以好多人要接受教育，而且最好能接受更高等的教育，這樣才可能保證理性工作做得好。有的時候我們也把它叫做符號主義，因為我們把人類的知識和經(jīng)驗以符號的形式表達在計算機之中。

我們看一下最早的例子。70年代初，美國人根據(jù)這個思想做出一個名為MYCIN的醫(yī)療診斷系統(tǒng)，主要用于看血液傳染病、開抗生素的藥。內(nèi)科醫(yī)生的知識、傳染病專家的知識都被擱在里面，因為這個知識非常有限，所以這個系統(tǒng)可以像醫(yī)生那樣看血液傳染病，最后開出抗生素的藥。同時，這里增加了傳染病專家的知識，因此它的看病水平要比一般的內(nèi)科醫(yī)生強。在發(fā)達國家必須要這么做，也就是說，它的醫(yī)療診斷系統(tǒng)必須比一般醫(yī)生水平要高才有用處。但是在發(fā)展中國家不一定要有這個要求，因為我們還有好多社區(qū)醫(yī)生，所以達到三甲醫(yī)院醫(yī)生的水平就可以推廣應(yīng)用。此外，它還可以幫助全科醫(yī)生進行醫(yī)療輔助診斷。

這個系統(tǒng)看起來有很多優(yōu)勢，因為它能像人類那樣進行推理，人類完全可以理解它的診斷過程，所以這個系統(tǒng)是可理解、可解釋的。但是最大的缺點是，所有的知識都要靠人類告訴它，它不可能從客觀世界去學(xué)習(xí)知識。在第一代人工智能時，計算機沒有自學(xué)能力，這是很難的。因為我們平常傳授知識是用自然語言進行，但是當我們要把知識傳授給計算機時，當時的計算機還不懂自然語言，必須要想出一個計算機能理解的辦法跟它進行交流，才有可能構(gòu)造這種系統(tǒng)。所以這種系統(tǒng)在當時構(gòu)造起來很困難，費時費力，因此其應(yīng)用和產(chǎn)業(yè)化相對較差。因為所有知識都靠人類去告訴它，所以它永遠超不過人類。

第一代人工智能模型基于非常難構(gòu)造的知識和經(jīng)驗推理模型。美國人做的MYCIN醫(yī)療診斷系統(tǒng)的知識非常有限，只開抗生素藥、只看血液傳染病，但是這么小的一個系統(tǒng)也花了三年半時間才構(gòu)成。所以第一代人工智能走過的路是比較曲折的，最開始的時候應(yīng)用有限，后來有了專家系統(tǒng)以后，雖然在窄的領(lǐng)域里得到一些應(yīng)用，但總的來講應(yīng)用較窄，所以那時候叫做“人工智能的冬天”。

1978年，我們成立了人工智能與智能控制教研組，這是中國最早的研究人工智能的機構(gòu)。當時差不多有30位老師參與，這些老師絕大部分來自于自動控制領(lǐng)域，原來并不是搞人工智能的。1978年時，我們招收了頭一批碩士生；1980年至1982年間，我代表教研組到美國訪問了兩年，最主要的目的是學(xué)習(xí)人工智能。因為我當時雖然選擇了這個方向，實則對人工智能很不了解。我去美國伊利諾斯大學(xué)香檳分校綜合科學(xué)實驗室訪問了兩年。那個時候綜合科學(xué)實驗室的主任是華人科學(xué)家錢天聞，他的方向是人工智能。他那時有6位博士生，其中1位已經(jīng)做了8年，因為沒有選到好的題目，所以沒法再做下去；有一個做了不到一年就轉(zhuǎn)到計算機的其他方向去了；還有一個臺灣來的做了4年，也沒選到合適的方向。從這些情況來看，當時人工智能確實處于低潮。

我們在此基礎(chǔ)上開始建立智能機器人實驗室，當時困難非常多。一是沒錢，當時要買PUMA560機器人，在美國所有搞人工智能的大學(xué)里都有這個設(shè)備，但是機器人是巴黎統(tǒng)籌委員會對中國禁運的物資，所以我們當時買不著這個設(shè)備。我們通過跟福建合作，從香港買人家的二手貨，用機床的名義運到國內(nèi)來。我們在非常困難的情況下把這個設(shè)備買下來，上面沒有任何說明書，這是全國進口的第一臺機器人設(shè)備。當時這個設(shè)備要十幾萬塊錢，但我們一分錢沒有，所以就跟福建省計算機研究所合作，說咱們各出一半錢，另一半錢我們先從他們那里借，所以實際上完全是他們出的錢買的。后來因為這個工作搞得很好，他們也沒再向我們要錢。所以就把這個實驗室建起來了。

1985年建立實驗室，1986年國家設(shè)立了“863”發(fā)展計劃，這個發(fā)展計劃把智能機器人作為了一個主題。從那時開始，清華大學(xué)就參加了第一屆智能機器人主題的“863”高技術(shù)研究。我們從第一屆到第四屆都是作為專家參加委員會，到了第五屆，清華大學(xué)成為開展智能機器人研究的組長單位。1997年，設(shè)立了空間機器人，清華大學(xué)也是空間機器人的組長單位。在這種情況下，我們從1987年開始籌建，到1990年正式成立了一個叫“智能技術(shù)與系統(tǒng)”國家重點實驗室，這個實驗室搞得很好，每4至5年評估一次，我們連續(xù)3次全得到優(yōu)。因為得到優(yōu)以后，運行費就給1000萬，當時1000萬還是很大的一個數(shù)目。正是由于這兩個工作的支持，我們的工作得以開展。在低潮期時，不管國內(nèi)還是國外，好多單位都難以繼續(xù)這方面的研究，但從78年代一直到90年代末，由于國家重點實驗室對清華大學(xué)的支持，我們的研究工作一直做得不錯。

首先我們建立了兩個理論。一是建立了問題求解的商空間理論和粒計算理論，這個當時在國際上有相當影響。2005年，我們在清華大學(xué)發(fā)起、組織了國際粒計算會議，后來每年開一次，延續(xù)至今。我們確立了這個研究方向，直到現(xiàn)在持續(xù)進行研究。二是在人工神經(jīng)網(wǎng)絡(luò)方面，我們也做了早期的很多工作。當時人工神經(jīng)網(wǎng)絡(luò)的發(fā)展也很困難，在模型和學(xué)習(xí)算法方面，我們做出了很好的成果。此外，1990年開始，我們主要做了自動駕駛車，那個時候叫移動機器人，這在國際上都算是開展很早的單位，在國內(nèi)當然也算是最早的。1992年，我們又承擔了軍用移動機器人項目，這個項目后來也得到國家和部門的獎勵。這個工作一直延續(xù)至今，雖然現(xiàn)在很多單位都在開展自動駕駛的研究工作，但其實清華大學(xué)是最早進行自動駕駛研究工作的單位之一。

（2）第二代人工智能面臨的問題：感性知識的傳授

第二代人工智能的初期發(fā)展階段出現(xiàn)了一個問題。因為模型本身比較簡單，好多學(xué)習(xí)算法還沒有發(fā)現(xiàn)，因此最開始進展比較慢。本世紀初開始，第二代人工智能蓬勃發(fā)展。第一代人工智能主要在符號主義指導(dǎo)下進行，它的目的是模擬人類的理性行為。但是人類除了理性行為之外還有大量的感性行為，這個感性行為要用人工神經(jīng)網(wǎng)絡(luò)來進行模擬。我們剛才說過了知識是人類智慧的源泉，知識是我們理性行為的基礎(chǔ)。這個知識指的是理性知識、分析問題的方法等，這些知識來自教育。人類除了理性知識以外，還有大量感性知識。比如，我們認識馬牛羊、張三李四，這屬于感性知識。感性知識來自何處？它絕對不是來自于學(xué)習(xí)，也不是來自于傳授。大家想一想，我們怎么用自然語言去傳授什么是“馬”？馬有馬頭、馬尾巴、四條腿。那么什么是“四”、什么是“條”、什么是“腿”？你說細長的叫腿，什么是“細”？什么是“長”？換句話講，你要傳授一個感性的概念，你必須要用很多新的概念去描述它，那么最初的概念如何傳授？實際上是很難的。因此感性的知識是不可以用語言來傳授的，也無法從書本上學(xué)來。那我們的感性知識來自何處？我們每一個人最初得到的感性知識是認識我們的母親。我們什么時候認識我們的母親？怎么認識我們的母親？到現(xiàn)在還是說不清楚的。那么感性的知識來自何處？如果真能知道這些，我們就知道如何去教計算機認識馬、認識牛、認識羊。

過去，我們主要通過編程的方法告訴計算機，馬牛羊有什么特征，這個方法是不正確的，用這個辦法來教它，結(jié)果教不會。語音也是這樣，過去，我們通過告訴它“我有什么特征”來教它聽懂“我”，效果很不好。最后怎么完成的呢？就是基于大數(shù)據(jù)的機器學(xué)習(xí)。我們把網(wǎng)上所有馬牛羊的照片拿來，把中間的大部分做成訓(xùn)練樣本，讓它觀察和學(xué)習(xí)。學(xué)習(xí)完畢后，將剩下的樣本作為測試樣本去測它，識別率達到95%等等。語音也是這樣，我們收集了大量語音，把中間大部分作為訓(xùn)練樣本，讓計算機傾聽、學(xué)習(xí)，最后把剩下的部分作為測試樣本去測它。這也是用同樣的辦法，即觀察和傾聽。那么用什么東西來觀察和傾聽呢？就是人工神經(jīng)網(wǎng)絡(luò)。也就是說，把識別的問題作為分類問題來進行，利用人工神經(jīng)網(wǎng)絡(luò)來分類，馬這組數(shù)據(jù)分成一類，牛這組數(shù)據(jù)又分成一類，這樣就實現(xiàn)了識別。所以這個神經(jīng)網(wǎng)絡(luò)是采取多層的神經(jīng)網(wǎng)絡(luò)，這個神經(jīng)網(wǎng)絡(luò)叫深度神經(jīng)網(wǎng)絡(luò)，即很深的神經(jīng)網(wǎng)絡(luò)，而用這個神經(jīng)網(wǎng)絡(luò)進行學(xué)習(xí)的，叫做深度學(xué)習(xí)。所以深度學(xué)習(xí)不是學(xué)很深的意思，而是用很深的神經(jīng)網(wǎng)絡(luò)來學(xué)它，這樣效果會很好。

我們看一下這樣做的效果。過去都是用同樣的圖像庫、圖像網(wǎng)進行圖像識別，一共有2萬多個種類，1千5百萬張圖。過去，我們用一個編程的辦法告訴它什么是馬、什么是羊，這樣做誤識率是50%。后來我們用機器學(xué)習(xí)的辦法來做，結(jié)果誤識率降到3.57%。從50%降到3.57%，而人類的誤識率是5.1%，降到3.57%是超過人類的水平的。

通過人工神經(jīng)網(wǎng)絡(luò)進行分類，也可以找數(shù)據(jù)中間的關(guān)聯(lián)關(guān)系。機器翻譯就是這么做的。過去的機器翻譯怎么做的呢？用語法分析、語義分析，效果非常不好?，F(xiàn)在換成機器學(xué)習(xí)的方法，效果非常之好。因為我們只要找中文和英文之間的關(guān)聯(lián)關(guān)系，不去仔細分析它的語法語義，也就是說，這個中文輸入對應(yīng)的是這個英文。在學(xué)了大量的結(jié)果以后，我們給一個中文它就會翻成英文，所以是利用這個模型學(xué)習(xí)數(shù)據(jù)中間的關(guān)聯(lián)關(guān)系，通過學(xué)習(xí)把中文和英文關(guān)聯(lián)起來，因此它能夠進行翻譯。

深度學(xué)習(xí)出來后，也即第二代人工智能繁榮興起后，國內(nèi)也興起高潮。清華大學(xué)有很多年輕人參加，以朱軍為代表的年輕隊伍做了很多這方面的工作。一是理論工作，他們提出一個概率學(xué)習(xí)的理論和模型，就是在貝葉斯原來的理論上加一個維度，即后驗分布。原來貝葉斯理論是靠先驗分布和似然函數(shù)，現(xiàn)在加上后驗分布以后，學(xué)習(xí)質(zhì)量和學(xué)習(xí)效率提高?；谶@個理論，我們做了一個開源的編程庫，可以供全世界使用。這個工作也得到了大家的好評。

（5）深度學(xué)習(xí)的不安全性

還有一個非常重要的問題，我們一個博士生比較早發(fā)現(xiàn)深度學(xué)習(xí)的不安全性，他做了一個非常典型的例子。左邊這張雪山圖，原來計算機看起來是雪山，人看起來也是雪山，只要把它加一點噪聲，變成右邊這張圖（右邊這張圖比左邊的圖多了一點噪聲）。人看起來是雪山，當計算機卻看成是一條狗。這就充分說明，深度學(xué)習(xí)的模式識別跟人類的視覺完全不同，盡管它能夠把雪山和狗分開，但實際上它既不認識狗，也不認識雪山。為什么是這樣的情況呢？關(guān)鍵問題是——什么叫做狗？我們怎么定義一只狗？通常用人類視覺來區(qū)分，主要看它的外形，狗的外形跟貓的外形不一樣，但問題是什么是狗的外形？狗有各種各樣，我們?yōu)槭裁丛诒姸喙返耐庑卫锬軌蚍直娉鰜磉@就是狗，而且同樣一只狗站著、躺著、跑著，前面、背面都不一樣，為什么人類的視覺能夠在千變?nèi)f化的外形里確定它是狗？到現(xiàn)在為止我們沒搞清楚。我們對腦科學(xué)的研究很差，因為不知道人類的眼睛為什么在千變?nèi)f化的狗的外形里能夠斷定它是狗，而且有時把狗擋住了，擋了很多，我們還認識它。人類的視覺是怎么解決這個問題的？到現(xiàn)在還是個謎，所以計算機不知道怎么做。計算機看狗，最早的時候，狗在這邊它認識，挪了位置就不認識了，這就是位移的不變性，這個問題現(xiàn)在已經(jīng)解決。但是沒有解決的問題還有很多。例如，計算機識別固定尺寸的狗，把狗變大了不認識，變小了也不認識，這就是大小的不變性?，F(xiàn)在機器認識狗，變大變小，它都不認識。所以現(xiàn)在機器怎么做呢？只能用局部的紋理來區(qū)分狗和雪山。因此，我們把雪山中間的某個紋理改成皮毛的紋理，形狀一點不變，它就認為是狗，這就是它的實質(zhì)。所以我們可以看到深度學(xué)習(xí)是非常不安全、不可靠的，而且也是不可信的。

我們比較早發(fā)現(xiàn)了人臉識別的不安全性。如上面這個圖所示，計算機能夠識別左邊的人和右邊的人不是同一個人。但我們只要給它加一點噪聲，它就把右邊這個人認為是左邊的人，所以現(xiàn)在為什么人臉識別那么不安全？因為我們只要改變一點它的局部特征，人還是認為是原來的人，但計算機完全看成是不同的人，所以人臉識別是非常不安全的?，F(xiàn)在用它來付錢還可以，但問題是用它來取錢就有問題了，你在網(wǎng)上是不可以刷臉取錢的，這就說明它的不安全性。

根據(jù)CSRanking統(tǒng)計，清華大學(xué)的團隊在全球人工智能頂刊發(fā)表高檔文章數(shù)，2017-2019年排在第一位。這說明，清華大學(xué)或者我們中國的平均水平是不低的，平均水平是先進水平。問題出在我們的最高水平跟人家差距大，很難出出類拔萃的人才。換句話說，我們的創(chuàng)新能力不如人家。而往往最高水平是決定科技發(fā)展的主要因素，所以這一點我們還需努力。

3. 第三代人工智能

第一代人工智能用了知識、算法、算力三個要素，其中最主要運用的是知識。第二代人工智能主要用數(shù)據(jù)，即數(shù)據(jù)、算法和算力三個要素。這兩代人工智能都有它的缺點，因為它只用了中間三個要素。為了克服這個缺點，唯一的辦法是把知識、數(shù)據(jù)、算法和算力這四個要素同時用起來，這就是我們提出來的主張，全世界也很贊成我們這個主張。但是外國人跟我們不同的是強調(diào)數(shù)據(jù)的作用，而我們是強調(diào)知識的作用。我們認為，知識是人類智慧的源泉，而非數(shù)據(jù)。但同時也一定要注意數(shù)據(jù)，因為計算機處理數(shù)據(jù)的能力比人類強得多，所以我們強調(diào)數(shù)據(jù)是強調(diào)機器的作用，強調(diào)知識是強調(diào)人類的作用。我們認為，人類對人工智能的作用應(yīng)該比機器更加重要，這一點與國外觀點不同。但是我可以告訴大家，ChatGPT這么大的成功就是因為它充分的利用了“知識、數(shù)據(jù)、算法、算力”這四個要素。

（2）大語言模型：大模型

大語言模型就是LLM。我們首先在語言上突破，ChatGPT為什么有這么強大的性能？主要依靠兩個“大”，一個大模型，一個大文本。第一個“大”是一個大的人工神經(jīng)網(wǎng)絡(luò)，人工神經(jīng)網(wǎng)絡(luò)可以用來做分類，用來學(xué)習(xí)數(shù)據(jù)中間的關(guān)聯(lián)關(guān)系，也可以用來做預(yù)測?，F(xiàn)在，在ChatGPT里用它做語言生成。這個巨大的人工神經(jīng)網(wǎng)絡(luò)叫“轉(zhuǎn)換器”，就是GPT的那個“T”。G是生成式，P是預(yù)訓(xùn)練，T是轉(zhuǎn)換器，它是靠這三個東西的。

大模型在這里起什么作用？大模型的“大”體現(xiàn)在哪里？深度神經(jīng)網(wǎng)絡(luò)是很深的神經(jīng)網(wǎng)絡(luò)，它的中間層一般是幾層、十幾層。在ChatGPT里是非常深的神經(jīng)網(wǎng)絡(luò)，有96層。其次是非常寬的神經(jīng)網(wǎng)絡(luò)，一次能夠輸入2000多字（一個token，粗略地講相當于一個漢字）。原來的神經(jīng)網(wǎng)絡(luò)是逐字輸入，現(xiàn)在是一大段文本輸入。GPT4可以滿足12萬8千個漢字同時輸入，即300多頁文本同時輸入，它能看到全文，這是第一個“大”。最主要的問題是文本的語意表示。過去，文本在計算機里用符號表示，計算機看到符號不知道它說什么？比如，“我打他”，計算機看到的是ABC三個符號，所以我們必須幫它做語法分析，告訴它“我”是主語，“打”是謂語，“他”是賓語，它才知道是什么意思。現(xiàn)在文本不是用符號表示，而是用語意向量表示，這是人類從1957年到2013年花了56年時間才解決的。也就是說，所有的文本不管它是詞、句子、段落都是用向量來表示，計算機看到這個向量就知道它說什么。因為它把同樣語意的向量放在一起，不同語意向量放在空間的不同位置。所以它看到“我打他”這個向量，它馬上知道說的是“我打他”，因為“我打他”，“你打他”，“他打他”，同樣意思的東西放在一起。過去計算機處理文本只能把它當數(shù)據(jù)處理，現(xiàn)在可以把它當知識來處理，可以處理文本的內(nèi)容，這是最重要的一個突破，即向量表示。向量就是一個數(shù)，所以計算機算起來非常容易。

第二個是我們花了74年的時間解決了巨大的人工神經(jīng)網(wǎng)絡(luò)。這個巨大的人工智能神經(jīng)網(wǎng)絡(luò)叫“轉(zhuǎn)換器”，“轉(zhuǎn)換器”很長的文本可以同時輸入。最后一個是“自監(jiān)督學(xué)習(xí)”，這是OpenAI的貢獻。大家不要認為ChatGPT是OpenAI花四年時間做出來的，而是世界的科學(xué)家、工程師花了六七十年時間才研究出來ChatGPT。前面兩個成果都主要是大學(xué)做的，只有最后一個成果“自監(jiān)督學(xué)習(xí)”是OpenAI提出來的，OpenAI的主要貢獻就提出了“自監(jiān)督學(xué)習(xí)方法”，另外把它實現(xiàn)一共花了四年時間。過去要它學(xué)習(xí)都要做預(yù)處理、預(yù)先標注，這個工作量太大，無法大量學(xué)習(xí)。“自監(jiān)督學(xué)習(xí)”是原來的文本不經(jīng)過任何處理就可以學(xué)習(xí)，用前面的文本預(yù)測后面的詞，輸入后預(yù)測下一個，預(yù)測下一個又把下一個變成輸入，就像接龍式學(xué)習(xí)。

我對人工智能系統(tǒng)做過一個測試：請用小學(xué)三年級學(xué)生的身份寫一篇作文，作文題目叫“會飛的房子”。這非常考驗系統(tǒng)好不好。首先，寫的時候是不是以三年級學(xué)生這個身份寫的。有的系統(tǒng)不好，大人的話都出來了，寫成非常深的科幻故事，那就不對了。其次，“會飛的房子”給了非常大的創(chuàng)造性、想象力。有的系統(tǒng)會寫出來想象力非常高的文章，比如說它飛到城市、農(nóng)村，看到的全是童話世界而非現(xiàn)實世界，都是想象出來的。所以大語言模型是向通用人工智能邁出的一步。微軟說大語言模型是通用人工智能的火花，西方輿論里大多數(shù)說是通用人工智能的曙光，但是有少數(shù)人認為它就是通用人工智能，我認為這個意見是錯的。我們通向通用人工智能的道路依然任重道遠，換句話講，人工智能還有很長的路要走，因為要達到通用人工智能必須滿足三個條件。

（5）大語言模型邁向通用人工智能的四個步驟

我們認為，從大語言模型邁向通向人工智能首先需要走四個步驟。第一步是跟人類進行交互、跟人類對齊，第二步是多模態(tài)生成，第三步是跟數(shù)字世界交互，第四步是跟客觀世界交互。但也不是說這四步做了就完成了通用人工智能，但至少是向通用人工智能邁出這四步。

第一步：與人類對齊。盡管現(xiàn)在ChatGPT說的都是人話，但是不見得是正確的。如何克服這個問題呢？必須靠人類去幫助它克服，跟人類對齊。我們看一下上圖的結(jié)果，GPT-3時的錯誤率是40%（40%錯，60%對）。經(jīng)過兩年人類的調(diào)整，幫助它改正，到ChatGPT時降到20%，GDP-4的時候降到10%，從這里可以看到，它的錯誤需要人類幫助進行糾正，而且這個糾正的速度是很快的。迭代的速度很快，但我們要看到錯誤仍然存在，不可能把它變成零。我們要它具有創(chuàng)造性就得允許它犯錯誤。

第二步：多模態(tài)生成。我們用大模型生成文本，我們把它叫ChatGPT，現(xiàn)在可以用大模型來生成圖像、聲音、視頻、代碼。生成聲音里包括語音、音樂，所以可以用大模型生成各種各樣模態(tài)的東西。上圖是我們學(xué)生做的，關(guān)于如何用擴散模型。用圖形時一般要加上擴散模型，這樣圖形的結(jié)果質(zhì)量會更高，這個擴散+轉(zhuǎn)換器的模型是我們提出來的。

這個是生數(shù)科技做的文本生成圖像，也就是說，你隨便寫一個文本，它就根據(jù)這個文本生成出來圖。我們看中間這張圖，中秋節(jié)的月兔和月餅，它畫出來兔子和月餅。大家看一下兔子，它的胡須、細節(jié)非常之好。當然我們也可以讓它按照某一個畫家的風(fēng)格畫出來圖，左邊的圖是按照某一個畫家的風(fēng)格畫出來的桌上的向日葵，它也畫得很好，質(zhì)量非常高，可以說達到人類的水平甚至畫家的水平。

這一張圖是美國Midjourney的文生圖，它是說畫一張“穿著夾克衫和牛仔褲的情侶坐在屋頂上，背景是90年代的北京”的圖。請大家看這個圖，它畫出來人的神態(tài)、衣著和背景完全是北京90年代的感覺。它居然完全理解了，北京90年代的人就是這個樣子。這一方面反映了它繪畫的水平，另一方面給造假形成了極大的空間。大家想一想，如果它將來畫出來的畫說這是你在這兒干壞事當場被我拍下來的，你到什么地方去說理？說我沒有干壞事，這是計算機生成的。所以我們現(xiàn)在專門開了一個公司去鑒別文本究竟是機器生成的還是人寫出來的、圖像究竟是機器畫的還是人畫的、視頻究竟是人做的還是機器做的。我可以告訴大家，非常困難。隨著技術(shù)的進步，會越來越困難，給造假提供了非常好的機會，這個造假專門有個名字叫做“深度造假”。用深度學(xué)習(xí)的辦法來造假，而不是說造的很深的意思。大家想一想，如果以后網(wǎng)絡(luò)上的文本95%都是機器寫出來的，我們還能從網(wǎng)絡(luò)上看到真相嗎？一個事情出來以后，網(wǎng)絡(luò)上一片反對聲音，究竟是多數(shù)人在反對還是少數(shù)人操縱機器寫出來的？將來很容易用這個去制造輿論、混淆視聽，所以這個問題是非常嚴重的。

第三步：AI智能體。必須跟數(shù)字世界連起來，大語言模型再好，只能說不會干，很多事情要干了才行。首先，先在數(shù)字世界里具體干活，干完活以后就可以解決這樣的問題，它就知道自己這個東西做得怎么樣。因為它據(jù)有反饋，這個工作對促進它的性能有很大的好處。原來說了以后不知道說得對不對，現(xiàn)在照著你說的來干，一干就知道對不對，所以有了反饋以后可以推動大模型往前發(fā)展。

第四步：具身智能。接下來就跟客觀世界連在一起，你必須得有手，光動口不動手怎么能干活，跟物理世界連接需要機器人，這就是“具身智能”，即具有身體的智能。智能光有腦袋還不夠，還必須具有身體，這樣你才能動口又動手，所以第四步就要和客觀世界連在一起。

案例二：它的輸出不一定都是好的。大家看到的Sora等，都是拿好的給大家看。上圖是美國非常好的一個圖形生成器DALLE.2生成的6張圖。我輸入“他憤怒地踢開門，揚長地走出”，生成的前面三張不錯，但后面的不僅是主題不對，畫的畫也很糟糕，所以它也會輸出質(zhì)量不好的，這就是造成不可信的重要原因。所以未來它最多像中間這個情況一樣，做我們的助手幫助我們。我們監(jiān)控它干，最終采取什么樣的設(shè)計我們來決定，未來只有少數(shù)工作可以完全交給機器干，獨立完成。

高通全球投資研究做了一個統(tǒng)計圖，統(tǒng)計人工智能對各行各業(yè)的影響如何。這個圖里面列出來大量行業(yè)，左邊深度比較深的表明影響小，比較淺的藍色表明影響大?；疑糠直砻鲿淮?，我們這里看到被代替的是屬于少數(shù)，即灰色的部分較少。將來會被代替的是行政工作、秘書工作及法律工作，因為法律有大量文檔的整理工作。所以大家放心，人工智能對各行各業(yè)都有重大的影響，但是大多數(shù)是幫助大家提高工作質(zhì)量，被取代的是少數(shù)。