11月28日，中国教育和科研计算机网CERNET第二十八/二十九届学术年会在福州开幕。会上，清华大学计算机系教授唐杰作了题为《生成式人工智能大模型的现状和未来》的特邀报告，总结了人工智能大模型的发展历程，并对大模型的未来进行了展望。
唐杰 清华大学计算机系教授
2020年：大模型元年
唐杰表示，预训练大模型是新一代人工智能应用的基础设施。大模型通用能力强，可完成多场景任务。从2018年到现在，其趋势是由单模态向多模态发展，从文本逐步发展到视觉。
据唐杰介绍，Open AI引领了AGI（人工通用智能）的研究。2020年，GPT-3推出。GPT-3是跨时代意义的语言大模型，标志AI文本生成进入下一个阶段。因此，2020年可以称之为大模型元年。今年，GPT-4发布。与GPT-3.5相比，GPT-4的数学能力、微积分能力大大增强，开始具备逻辑推理能力、求解能力，并且走向了多模态，实现图像和文本输入。而GPT-4.5（AII Tools）具有很强的Agent（智能体）能力，融合多种工具的Agent形态，通过网页浏览、代码解释、文件解析、图片生成、图片理解，以及多工具结合，无需手动指定工具，能够自动触发。
唐杰表示，GPT-4/4.5的出现表明，我国在大模型上的研究还有空间，也需要继续努力。此外，目前来看，亟需建立以中文为核心的自研大模型。
大模型发展历程
唐杰认为，可以把GPT（生成式预训练Transformer模型）的发展分为三个阶段。第一阶段是“千亿基座模型”，相当于机器把世界上所有的书读了个遍，把知识都学会，但“饱读诗书”的大模型却未必会“考试”；第二阶段是“有监督指令微调”，相当于“教”大模型怎么“考试”，怎么回应痛点，怎样跟人类的思维方式对齐；第三阶段是“人类反馈强化学习”，将强化学习与人类反馈相结合，利用人类提供的反馈来指导大模型的行为。
为什么AGI会迎来爆发？唐杰进一步回顾了人工智能的发展历程。
他表示，人工智能的发展可以分为三个时期。第一个时期是“符号AI”，实现了知识的可搜索性，让计算机用描述语言把人类知识描述出来，这一阶段以各种“专家系统”为代表。第二个时期是“感知智能”，实现了知识的可计算性，大数据驱动的统计学习方法初步实现了针对文本、图像、语音等的感知与识别。第三个时期是“认知智能”，实现了认知的可计算性。中科院院士、清华大学教授张钹在2016年提出第三代人工智能雏形，DARPA（美国国防高级研究计划局）在2018年发布“AI Next”计划。核心思路是推进数据统计与知识推理融合的计算，与脑认知机理融合的计算。在此阶段，机器“认知”实现了元学习：自动学习认知目标。而目前急需的是高质量超大规模知识图谱（AI的基础设施）以及对超大规模数据的深度理解能力（面向认知的深度学习）。
解密大模型
2017~2018年，随着Transformer的诞生，语言模型规模迅速扩大。大模型的出现还带来了in-context能力（隐含模式迁移）。一方面，大规模模型算力需求迅速增长，单模型计算量每年增长10倍，形成新的“摩尔定律”；另一方面，机器智能的规模效应，拥有量变到质变的能力，在千亿稠密参数（~100B，或
10的23次方FLOPS训练量）时模型能力开始出现“涌现”。
唐杰总结道，总的来说，大模型理论研究还明显落后于工程进展。我们在工程上看到了很多现象，但在理论上却解释得不够清楚。
为解密大模型，对标GPT系列模型，唐杰及团队推出了GLM系列模型。据唐杰介绍，GLM系列把千亿基座模型、有监督指令微调、人类反馈强化学习这三个阶段相对压缩了时间，并在算法方面进行了创新，提出“自回归填空”。2022年，在斯坦福大学大模型中心报告的世界主流大模型评测中，GLM-130B是亚洲唯一入选模型，其准确性、恶意性与GPT-3持平，鲁棒性和校准误差在所有模型中表现最佳。
2024年：AGI元年？
唐杰表示，对于未来AGI的走势，我们还面临很多挑战。首先，从工程角度看，Scaling（规模化）的尽头是AGI吗？一方面，真正的Scaling规模远超学术界想象。扩大规模不仅仅基于参数量，更多的是基于计算量。另一方面，Scaling仍有空间，单卡摩尔定律放缓，但系统角度仍在延续。
唐杰进一步表示，Scaling的真正极限，也许是AGI的一点曙光。未来更大的挑战是，人类的认知到底是怎样的？从人类大脑进化的历程来看，脑容量逐渐扩张，在此过程中人类实现了工具能力、语言能力等等，那么大模型的发展是否也可以遵循人脑进化的道路，慢慢发展出工具能力、语言能力和其他能力？从这一点看，AGI之路还很长。
据了解，日前，Open AI提出超级对齐（Superalignment）的概念。唐杰表示，Superalignment本质上就是超级智能与超级安全，是让AGI跟人类的价值观意识观对其，并且实现超过人类智能的智能。从这一点看，也许2024年将是AGI的元年。
（本文根据清华大学计算机系教授唐杰在CERNET第二十八/二十九届学术年会上的报告整理）