这几天，业界把刚刚闭幕的“北京智源大会”比作是一场AI界的“春晚”。会上国产大模型成了主角，会后大模型创业者们也受到了明星般地围堵、追问。

    在大会主论坛上，主办方独具匠心地设置了一段大咖对话。嘉宾是零一万物CEO李开复与中国工程院院士、清华大学智能产业研究院（AIR）院长张亚勤。这已不是两位AI领域“网红”首次同台“PK”，此次他们基于自身实践，带来了大模型、AI技术的前沿思考。

    “爆火”与“不足”并存

    最近两年，大模型为什么能这么火？对于这个问题，李开复认为，大模型是AI有史以来最大的一场革命，但肯定还没有达到顶峰、还在推进中。国内很多大模型接近，或打平，或偶尔超过美国的大模型，所以需要专注的是其中的工程问题。

    对此，张亚勤提到“三个做对了”——首先，Scaling Law（规模定律）的实现，得益于对海量数据的利用以及算力的显著提升，带动“飞轮效应”得以正循环。尽管有人质疑Scaling Law在2至3年后是否有效，但至少未来5年里仍将是产业发展的主要方向。

    其次是“Token-Based”的统一表述方式。在大模型里，“Token”是一个基本元素，无论是文本、语音、图像、视频，还是自动驾驶中的激光雷达信号，甚至是生物领域的蛋白质，最终都可以抽象为一个“Token”。“Token”之间的训练、学习、生成是核心环节，这与大脑中的神经元工作原理相似，无论执行何种任务，基础机制都是相同的。

    最后是通用性。现在的通用性不仅体现在文本处理上，还扩展到多模态领域；此外，在物理世界（如具身智能）和生物世界（如生物智能）中也有广泛应用前景。

    对于现阶段大模型存在的问题，张亚勤提出了“三个不足”——一是效率较低。特别是大模型的计算效率低下，与人类大脑的高效性形成了鲜明对比。

    二是大模型目前还未能真正理解物理世界，以及相关的推理能力、幻觉等都在深入研究中。有一个重要问题，即大模型做得再好，它在生成式表述与对真实世界的描绘之间仍存在矛盾。

    三是边界问题。现在的大模型还无法知道“我不知道什么”，这是目前要解决的问题，是它的边界效应。

    “大模型刚开始的时候还不知道最近一年发生了什么，还有记忆问题、窗口构成问题、幻觉问题等。这些大部分不能说是完美地，但都非常好地被解决了，我对未来非常乐观。”李开复也提到，科学和工程缺一不可，如果只做工程，肯定做不出好模型；如果只是在实验室里雕花，写一些不错的论文，期待有工程经验的人把它做成产品肯定也不行。

    toB和toC哪个机会更多

    大模型产业化的场景有哪些？toB和toC哪个更有机会？李开复认为，两者在国外都有机会，但在中国toC短期更有机会。

    在他看来，从PC时代到移动互联网时代到AI时代，都是一样的。第一个阶段突围的是生产力工具，第二个阶段是娱乐、音乐、游戏，第三个阶段是搜索，再到下一个阶段可能是电商，后面是社交、短视频、O2O等。这是不变的定律。

    “刚开始要能够赚钱、能够解决问题，但越往后难度越高，需要的用户量越高。其商业模式也往往是先堆积用户活跃数，再找商业模式，所以一定要压低成本，这样试错难度所需的投资更多。”李开复说。

    在toB应用推进方面，李开复认为，toB可以给大模型带来更大价值，但这个领域也面临着巨大挑战。比如，一些大公司不愿意做重大颠覆式动作，习惯每年增加5%的预算，做去年一样的事情，只是做得更多，恐怕很难拥抱颠覆式技术。此外，很多大公司没有认识到软件价值，不愿意为软件付费，而且多家大模型公司竞标，导致价格越竞越低，做一单赔一单。“因此，我们坚决做toC，不做‘赔钱的toB’。如果找到能赚钱的toB，我们就做”。

    事实上，不管ToB还是ToC，“落地”是关键。张亚勤认为，在应用和服务方面，要先ToC再ToB，ToB长一些，ToC则很快就会有应用产品。

    此外，在AI分层方面，张亚勤认为，从AI路径来看，过去十年里我一直强调三个关键领域：信息智能、物理智能（即具身智能）、生物智能。在具身智能阶段，ToB应用会比ToC更快落地；在生物智能阶段则情况相反，ToC应用会先于ToB出现。尽管每个领域的具体情况不同，总体来看ToC和ToB都将存在开源模型、商业闭源模型、基础大模型，以及针对垂直行业模型和边缘模型。

    在诸多具身智能场景中，自动驾驶已具备了一定的积累。张亚勤介绍，无人驾驶L4+是具身智能第一个、最大的应用，也将是第一次实现新图灵测试的应用。“无人驾驶就是一个开车的特殊机器人。虽然开得安全，但不够老练、不够‘老司机’。无人驾驶要变成主流，需要通过新图灵测试，既要是好司机，又要是‘老司机’。” 

    李开复则坦言，虽然具身智能很重要，但大模型非常适合虚拟世界。比如，金融公司后台、客服等场景，可以迅速落地产生价值。如果大模型接入物理世界，就会面临各种问题——安全、机械故障等，难度会大很多倍。

    实现AGI还要多久

    何时才能可以实现AGI（通用人工智能）？张亚勤比较乐观地分析——需要15至20年，并通过新图灵测试。

    其中，5年内在信息智能领域，实现对语言、图像、声音和视频的理解、生成，并通过新图灵测试；10年内在物理智能领域，实现大模型在物理环境中的理解、操作，并通过新图灵测试；20年内在生物智能领域，聚焦人体、脑机接口、生物体、制药和生命科学等，实现大模型与生物体连结的生物智能，并通过图灵测试。

    “这个问题，如果放在三年前，我可能会说50年实现AGI。但随着大模型的发展，20年就能实现。”张亚勤说。

    AGI会超越人类吗？李开复认为，AGI的定义因人而异。如果把AGI理解为能做人所能做的一切事情，那就没办法定义，因为还有太多未解之谜。但只要Scaling Law继续，AI会一年比一年“更聪明”。

    张亚勤补充说，20年可以实现的AGI，不包括拥有意识和情感。AGI的定义，一是要有巨大的能力，大部分任务要比人类强，而不是所有任务超越人类；二是必须要通用，过去每项任务都要用不同的模型，但AGI要有通用的大底座；三是不断升级、学习、进化，就像人类一样。

    “有些研究让AI产生意识，我认为不应该从事这方面。”张亚勤认为，我们要解决的真正问题，是把人工智能作为我们的工具、我们的延伸、我们的Agent（指能自主活动的软件或硬件实体，翻译为‘代理’），而不是另外一种物种。

    假如AGI有了“自我意识”，并且超越人类，人类是否会面临巨大风险？李开复很是笃定：“存在！但概率不会很高。”

    他认为，当前大模型的训练方法还不至于让人过度担忧。技术是中性的，每个科技时代都有技术带来的难题，最后人类都有方法解决。所以，持谨慎、乐观的态度，短期内最担忧的应该是坏人用它做坏事；中长期看建议“以子之矛，攻子之盾”，以更好的技术解决技术带来的挑战，让“AI for Good”真正造福人类。

    “随着AI能力不断扩大，风险也在不断扩大。我并不担心AGI会出现意识、会掌控人类。”不过，张亚勤也提醒，如果现在不重视AI治理，当AGI达到一定能力并被大规模部署时，可能存在失控风险。也就是说，未来机器人数量可能比人多，大模型被用到基础物理设施、金融系统，包括国家安全、军事系统等方面，就可能会有失控的风险。“我对技术发展永远持乐观态度，人类有两种智慧，一种是发明技术的智慧，一种是引导技术走向的智慧。相信我们会达到平衡，但前提是现在就要采取行动”。（记者李政葳）

    [ 责编：李飞 ]