“國產類 ChatGPT ”所存在的差距與挑戰-專家圓桌

內容來源：ChatGPT 及大模型專題研討會 

轉載自CSDN稿件

在經歷寒冬、霧霾，甚至大家紛紛看不到希望之際，ChatGPT 猶如一場春雨，給做 AI 甚至 NLP 等研究的人帶來了新的希望。

3 月 11 日，由中國人工智慧學會主辦，中國人工智慧學會 NLP 專委會、真格基金、達觀資料共同承辦，中國信通院雲大所支援的「 ChatGPT 及大模型專題研討會」正式舉行。在圓桌對話環節，來自學術界、產業界及投資界的知名專家學者，就 ChatGPT 引發的新 AI 浪潮、大模型“基礎模型”論、“國產類 ChatGPT ”所存在的差距與挑戰展開高階對話。這些專家有：

• 中國人工智慧學會副監事長、清華大學教授馬少平

• 瀾舟科技創始人兼 CEO、CCF 中國計算機協會副理事長周明

• 中科院自動化所研究員、IEEE/ACL Fellow 宗成慶

• 真格基金管理合夥人戴雨森

• 華為人工智慧科學家、北京郵電大學博士楊浩

• 中國信通院雲端計算與大資料研究所人工智慧部副主任曹峰（擔任主持人）

1.ChatGPT 的火爆給 AI 帶來了新希望

主持人（曹峰）： ChatGPT 引發火爆關注的原因是什麼？引發繼 AlphaGo 以後又一輪人工智慧的浪潮，究竟有著什麼樣的價值和意義？

馬少平：ChatGPT 能取得成功，個人覺得與這三方面有關係：

• 第一是意圖理解能力，簡言之就是對問題理解的突破；

• 第二是語言生成能力；

• 第三是多輪對話的管理能力；

從 AlphaGo 可以看到 AI 在專用任務上能做得很好，而現在大模型在相對通用的任務，也表現出色，這可能是引起大家特別關注的原因。

周明：在過去幾年，AI 越來越走向寒冬，去年，國內在 AI 領域的投資基本約等於 0，就在大家覺得 滿眼霧霾時，ChatGPT 給人們帶來了希望的光芒，照亮了前進的道路。ChatGPT 的爆火給做 NLP 的人帶來了不少信心，說明沿著這條路是肯定有機會能走出來的。

在一次哈工大的鑑定會上，我曾表示：“自然語言是人工智慧皇 冠上的一顆明珠”。彼時，在場的專家學者覺得這句話對 NLP 在 AI 領域的地位總結的非常精準。所以說，這句話並非出自比爾·蓋茨，但比爾·蓋茨說完後，我們再出去講的時候，就起點作用了。

宗成慶：我認為 ChatGPT 引人關注的原因有兩方面，一是生活角度，如今人手一部或多部手機，大家都喜歡從網上看一些新鮮的東西；其次是從自然語言處理的角度來看，人們在體驗 ChatGPT 的過程中，發現該對話系統生成的句子非常像人話，對比以往的對話系統，ChatGPT 生成的內容的確非常好，效果甚至驚人，而且應用領域也非常廣，不管從什麼樣的領域，包括教育界、法律界、學術界，真正需要的資訊諮詢都會受到影響，影響的社會面非常大。另外，ChatGPT 對使用者的意圖理解非常準確，幾乎能夠準確地把握使用者想問的絕大多數問題。

戴雨森：我覺得主要分為三點：

第一，體驗門檻特別低，普適性強。以前自動駕駛、AlphaGo，如果不下圍棋、不做自動駕駛，人們很難體會到那種神奇。但 ChatGPT，只要是你能說話，就能親身體會，而且可以應用在很多領域，不只是文字續寫或者吟詩作對，具有很強的普適性；

第二，傳播性。可以透過簡單的聊天截圖傳播，大量的截圖滿天飛，讓大家發現它有很多神奇的能力；

第三，它給人的想象空間特別大。因為語言是人類思維的一個載體，甚至是思維本身的體現。大家看到 ChatGPT 後會思考，它對自己行業、工作的影響以及如何提效，這種想象力的空間是非常大的。但每個人看到 ChatGPT 都會產生腦洞，這種腦洞會傳播、會交流，所以帶來更多關注。

楊浩：我這裡補充說明一點，ChatGPT 把 AI 對 toB 的連結轉換成了 toC 端，人人皆可體驗，並且給大家帶來很多信心；第二點是很多人工反饋的資料進入系統，會使這個系統更好的演進，所以這個應用場景是更有意義的。比如我們最近在一些 ICT 的場景，網路裝置運維日誌時，以前假如這個問題不在我的答案裡，回答得看上去傻傻地完全不沾邊；但是現在發現它的整體意圖沒什麼問題，就可能要補一些領域資料，這提升了普通使用者對人工智慧的連線，AI 天花板直接拔高了一大截。

2.多種工作或被 ChatGPT 替代 但也無需神話

主持人（曹峰）： 我們看到 ChatGPT 沒有太多行業特色或者行業應用趨勢，大家能否為我們看看未來在 ChatGPT 以及大模型的驅動下，哪些行業是最有可能得到廣泛使用或者可能被顛覆的？

周明：我們公司目前正在做大模型，叫“孟子大模型”，然後我們兩條腿走路，左腿是自己真要訓練出大模型，右腿是我不管從哪兒拿個大模型，網上扒下來的，或者買的 API 也行，怎麼把大模型用好。當然，最後是希望用自己的大模型，自己的大模型用起來之前，最好兩條腿分離一點，不要互相絆住了。

訓練大模型需要智慧，用大模型也需要智慧，而這兩個智慧不一定完全一樣。用大模型的人是站在使用者角度、行業角度，反過來對大模型提出要求。有時候，大模型的人不停地吹捧大模型必須要大才有效果，但那樣是有代價的，大模型也意味著需要太多的伺服器。而使用者的需求可能並不需要這樣的大模型，可能會需要小一點或者弱一點的模型。

首先，如何做好垂直領域的模型，把模型的體積降下來，無需追捧 ChatGPT 這樣全智慧的能力，在各行各業都有很好的應用。比如金融，金融是非常講究降本增效的行業，從客服、營銷、文案合同稽核、智慧投研、智慧投顧、搜尋圖譜，所有的東西會認為都要用到大模型，那麼一個金融機構最好有一個適合於自己各個業務場景的大模型，這個大模型不一定是 175B 的，有可能是 10B 的甚至 1B 的，但是要針對人家的資料和業務場景，用很容易的接入方式，各個業務部門容易接入到這個大模型中，然後快速提供答案和反饋，再不停地迭代，可能3、5天或1、2個月新的資料來了，再迭代。

第二，ChatGPT 講究資料自我封閉，2021 年以後的資料就沒有了，而這也不適用於金融行業，金融行業需要實時，需要一個可以動態訪問金融資料庫的介面，動態訪問各種營銷活動，然後給使用者進行快速推薦等。在落地時，需要把大模型跟所有的業務場景全部開啟，及時、快速、安全，如果這件事情能夠做好的話，金融行業有很多客戶可以展開使用。

其它行業也同樣的道理，因為它都要對很多的認知智慧、自然語言處理理解、問題求解、資料庫訪問、動態跟蹤、客戶推薦，其實都有很多同樣的內容要求的。所以可以把同樣的技術推廣開來，來形成對整個業界的影響力。

宗成慶：哪個行業會首先受到衝擊，其實這個問題不太好具體回答，因為它可以用到任何一個領域、任何一個行業，都可能會受到衝擊。其實最容易被衝擊的，是 NLP 研究的人，ChatGPT 一出來，有很多人問我：ChatGPT 做得這麼好，你們做 NLP 研究還有什麼用？我自己當然不擔心失業，一方面 ChatGPT 還沒有好到沒有問題可研究的地步；另一方面，任何中低端的重複性強的工作被 AI 技術替代，這是不可逆轉的趨勢。

戴雨森：我有一些小總結：

第一，它是“超級縫合怪”。我們所從事的工作中，有 95% 以上可能都是在做“縫合怪”的事情，比如設計師乾的很多事情是把已有的東西縫合在一起，程式設計師是把已經寫過的程式碼元件縫合在一起，作家是把已經有的很多語料縫合在一起。當生成式模型變得很強大時，未來大家更在意原創東西的價值，要真正原創出 AI 裡沒有的東西，因為語言模型、擴散模型可以瞬間把全人類已經有的東西縫合在一起，所以第一個問題是“超級縫合怪”的出現導致原創思維特別重要。

第二個，它是超級介面。以前人要適應機器，我們去操作電腦、PC、手機，人類要服從計算機的正規化，鍵盤、滑鼠或者觸控式螢幕。但是人最核心的互動其實是語言，每個人都會用語言交流，但是之前跟 Siri 等無法實現真正的自然語言交流，因為卡在語義理解、多輪對話等很多地方，但 ChatGPT 出現後，讓我們看到人和機器能夠真正交流，不用人更多服從於機器的正規化，而是機器更多服從於人的正規化。

第三個，超級陪伴。我們在生活中對別人的價值很多時候體現在語言上，現在有陪玩、陪聊，甚至我們從沒見過的一個人。最近兩年，“元宇宙”的概念很火，但後來發現元宇宙沒有意思，因為元宇宙裡面沒有人，元宇宙是荒蕪的。之前大家覺得 Meta human 可能是長得像人，但是實際上最重要的是它要能夠像人一樣去溝通。所以有人看到 ChatGPT 的聊天記錄以後被震驚了，因為在這個過程中看到機器越來越像人，或者越來越難以被區分，這是圖靈測試的意義。

在遊戲、社交或者針對老年人和小孩的陪護裡，人所起到的陪伴性價值演的陪護是能夠被替代或者部分被替代，這是之前技術沒有實現的目標，現在我們看到了可能的趨勢。當然，可能這個腦洞比較大，但是從投資機構的角度來講，至少 ChatGPT 讓我們從以前的不可能，到現在的可能。

楊浩：我覺得接下來被替代的一個肯定是乾重復工作的。但是從正面角度來看，只要不停學新的東西，並且嘗試做“dirty work”，我們都是看到好的，你找到幾個 ChatGPT 不好的 case 了嗎？你發現它的不好了嗎？它不好在哪個地方？可能的原因是什麼？你真的去嘗試一下。

現在國內確實有個瓶頸，ChatGPT 帶來的算力的瓶頸非常高，真正有能力復現這個模型的人、真正去看問題的人，其實難度很大。那麼如何找周圍的資源，產學研一起合作，去搭建環境，去分析裡面的不好案例是一個很大的突破點。而不是別人說好，你也說好，那你就被淘汰了。別人說好，你找到不好，然後分析這個不好，那就取得更大的突破了。

馬少平：對於這個問題，因為我一直在學校，所以相對來說對應用瞭解得比較少。我想從一個原則來說，就是人工智慧的應用原則，我想這個應該是一樣的原則：

第一，它萬一出現什麼大的錯誤，對我這個系統不會帶來什麼傷害，剛開始 ChatGPT 出來的時候，人家問我有什麼應用，我第一個想到的就是陪老人聊天，聊錯了也沒關係，哪個電影的主演說錯了也關係不大，或者跟遊戲有關的，錯了也沒什麼事。

第二個，它作為輔助可以提供一些決策或者幾個方案，最終的決策者還是靠使用者自己。我當時舉的例子是就像輸入法，輸入法輸入一串拼音，它給你若干個選擇，最終是哪個字，由你自己選擇，這樣的輸入法才能用。如果輸入法把這句話自動輸入進去，沒有給你選擇權，這個輸入法用不了。所以它只是輔助，然後最終決策是靠人在決策。

第三個，具體應用中允許一定的誤差，但是這個誤差的多少由你自己定，是千分之一還是萬分之一，只要在你的原則之內就可以。比如過去出版業精品的水平也就萬分之一的錯誤，包括生產線上產品檢測，只要能滿足錯誤率就可以。

具體應用時，第一，滿足不滿足這些原則，第二，不滿足的話，是否有辦法或者利用其他知識使其滿足。

3.當下大模型還沒達到“基礎模型”狀態

主持人（曹峰）： 我們也看到李飛飛等科學家把大模型一開始叫“基礎模型”，請問幾位專家，怎麼理解它從“大模型”到“基礎模型”這個概念理念上的變化？第二，如果它真正成為基礎以後，對技術研發、產業應用、行業推廣有其他變化嗎？

楊浩：我覺得有兩點：

第一點，作為基礎模型形成一定的正規化，或者現在所有的人工智慧模型基本都基於 Transformer，應用的開放瓶頸大幅度降低，推動業界發展。相當於大家學習時把小學變成六年，然後初中三年、高中三年，這個規範化的操作，產生更大的價值。

第二點，它推動上下游行業的提升。比如大家比較關心華為的晶片，在這上面也有一些探索，面向特定演算法，在 GPU 和 CPU 之間資料互動時能耗大幅度降低，典型的兩個應用，一個是手機續航更長，二是算起來更快、不發燙，所以演算法不是越便宜越好，而是越好用越好。有時商業上的很多產品沒有學術界產品做得那麼精緻、那麼好，但是就是因為它簡單好用。

戴雨森：從我們做投資的角度，覺得有一個基礎應用之後就可以做應用和中間層了，這是我們的一個直觀感受，這是一個很學術的定義。

比如一個 AI 公司得從頭訓練自己的模型，然後在裡面做垂直整合。今天 ChatGPT 和 OpenAI 很好的做到了 API 化，大家可以很好很快的應用，但不需要自己訓練模型，只要調動它的能力就可以。這樣帶來技術積木化、樂高化的過程，有了這個底座之後可以在上面搭應用，這樣對應用場景特別有幫助。

之前大家在學術階段，現在真正進入到應用、商業階段，這是我對“基礎”的理解，是從學術角度的認知。

宗成慶：這裡的“基礎模型”是基於網上公開的通用的常識性公開資料訓練出來的，類似於一個全科醫生，什麼都可以幹，有頭疼感冒了找醫生開個藥都可以。但是真正用的時候，還得是專科醫生去解決問題，尤其是對於一些需要很深專業知識的領域。

周明：我對基礎模型有不同的看法，雖然是李飛飛兩年前提出來，那時候 ChatGPT 還沒有，GPT3 剛出來，所以大家都覺得全世界 N 個基礎模型，理想是我們一些牛的大公司把它建好了之後，就跟中國電力一樣，這些村就別建自己的水電廠了，大家在我的基礎上壘新的應用，想法其實挺好的。

其實到目前為止，即使是 ChatGPT，也不敢稱之為是“基礎模型”，我給大家講如下幾個觀點：

首先，基礎模型應該是什麼？我覺得至少要滿足以下幾點：

• 功能比較強大；

• 穩定的：比如像電力，不能老停電，否則誰也不敢用；

• 安全的：任何一個人用，不至於傷害其他人；

• 合乎倫理道德的：現在 ChatGPT 有很多地方不符合倫理道德。甚至可能符合美國的倫理道德，不符合中國的倫理道德；

• 還有速度、併發、及時更新等很多地方；

• 對垂直領域的綜合支援；

• 對使用者無程式碼程式設計各方面的支援。

我個人認為，現在沒有一個模型達到基礎模型的狀態，所以大家不要迷信 ChatGPT，離李飛飛提出的偉大的理想差得遠了。

第二，基礎模型確實重要。任何一個國家，像中國這麼大的國家，有獨特的五千年文化，一定要建立自己的基礎模型體系，來實現安全性、併發性等一大堆東西。當下這件事還沒有人給你一個定論怎麼做，只能靠自己去探索出一套適合於自己國情和市場的基礎模型，這是萬里長征的第一步。也許從今天再搞 10 年、20 年，才能大概形成一個大家都可以放心、穩定應用的一組基礎模型，而不是一個。

馬少平：我很同意周老師的觀點，我們國家至少得有自己的基礎模型。從長遠來說，它可能確實某種程度上發展成為一個基礎設施，這個基礎設施就像電力一樣，電力不能靠國外，像以前沒有石油的時候得找自己的大慶油田。

4.從追趕到超越，首先得學會平視 OpenAI

主持人（曹峰）： 最後一個問題，這次 ChatGPT 的誕生，也能看到我們國家跟國外的差距，想請各位專家聊聊我們國家的 ChatGPT 或者大模型目前發展到了什麼地 步？目前有什麼困難？在座有做技術的，有做產業的，也可能是學生，各位分享一下對大家未來的發展建議。

周明：現在是對科技界年輕人、NLP 界一個非常好的階段，我們這些人都是從事自然語言 30 年以上了，過去簡直篳路藍縷，什麼都沒有，程式碼要一行一行寫，滿眼都是淚，沒有一個人支援。

但是今天有大資料、算力的支援，ChatGPT 驗證了可行性。而我們強調自主智慧財產權，所以美國做得再好，也跟我們沒關係，我們仍然有廣闊的天地去開闊。

所以分享一句寄語給在座的各位，包括投資界、工業界、研究界的朋友們，未來的路還很長！選對了路，勇敢地走下去，就是你的計劃！

宗成慶：有人問得更直觀，為什麼中國沒有做出 ChatGPT 來？我說，任何一個高新技術都可以拿過來這樣問，譬如，為什麼中國沒有做出自己的高階晶片？為什麼中國沒有作業系統？為什麼中國沒有自己的資料庫？我們承認和美國的差距是有的，但我個人認為，自然語言處理這個方向比起其他領域，跟美國的差距要小得多，而且自然語言處理領域在近幾年的進步非常大。

當然，原創性的技術是人家的，我們承認這個。從市場應用角度來講，自然語言處理在中國市場並不落後，包括與美國相比。我們已經有了長足的進步，所以非常有信心做好中國自己的事情。

關鍵是我們怎麼做好？現在的大家太浮躁了，ChatGPT 出來以後，全中國從上到下都在炒這個事情，為什麼沒有人去炒區塊鏈、元宇宙了？馬上一下子都轉到 ChatGPT 類研究了。我們應該冷靜去思考當下能做什麼、什麼可以做得更好，不要天天炒那些概念。面向國家需求紮紮實實地做好我們該做的事情才是硬道理。

戴雨森：我想分享幾個看法：

第一，投資是個貝葉斯的過程，對世界的認知肯定隨著我們對資訊的獲取而發生變化。在 iPhone 出來之前，投移動網際網路和做移動開發的都沒戲，當 iPhone 出來後，大家就都投，所以短時間內有浮躁、泡沫、很大的聲量是正常的，因為我們對世界的認知、對未來的預估發生很大變化，這很正常，但是我們希望泡沫下面是有啤酒的。我們看到這次技術變革帶來了很直接的應用價值，在美國看到了不僅是亞馬遜本身，很多已經獲得明顯的商業化結果，所以我相信這波趨勢會很持久，也會很漫長。

第二，要學習趕超 OpenAI，首先要平視 OpenAI。這幾個月聽到的觀點分為兩派，一是神化 OpenAI，覺得 OpenAI 很遙遠，我們在語料、晶片、演算法上都有短板，我們可能做不出來。另一個是速勝論，我們不僅有，而且還有很多這方面的研究，這個月就可以實現甚至是超越 ChatGPT 。

我們從追趕到超越的過程中，我們一開始需要給國產大模型一些時間，首先，我們自己的自然語言模型差距並不大，其次，它不是完全需要非常完美的技術，80 分的模型、90 分的模型、100 分的模型皆有用處，現在我們看到語言模型過一個了閾值，讓它能夠在很多地方產生作用。我們最近也用了 4、5 個團隊的 ChatGPT 產品，雖然有差距，但比之前的嘗試要好一些，部分應用已經做起來了。像湧現的能力、思維鏈等等逐漸開始具備，甚至有的在中文任務上比 ChatGPT 做得好，跟語料和演算法有關。

我們現在面臨的是一個代溝，而不是跨越不了的鴻溝。我們對未來充滿了期待，但肯定這不是一個很快就能見效的事情。我們做天使投資的週期就是 10 年以上長週期投資的，而不是炒股票。

楊浩：說三點關於我自己對 ChatGPT 的想法：

第一點，從垂直領域比較來看，例如機器翻譯，發現 ChatGPT 是不如目前專門訓練的機器翻譯模型；

第二點，我們一直在做質量評估這個事，但是坦誠地說，相對於專業的譯員，還有很大的發揮空間，所以我們還有很多機會去做，同樣 ChatGPT 也沒有解決，所以無需神話它；

第三點是科技向善，ChatGPT 會帶動整體上下游以及晶片的思考，我們公司有個“M+D”的生態，Mindspore 深度學習平臺。現在大家用 Tensorflow 不多了，Pytorch 比較多，但在真正工業落地上有很多問題。D 是指 D 晶片相關內容，我們有些晶片的價格是對方的四分之一，但是整體效能是它的二分之一，這時候把這批晶片做上去的時候是能有收益的。另外再補充下大模型，華為盤古大模型一開始是基於 D 晶片訓練，不完全是基於 GPU ，所以這裡面空間很大。

路會越走越寬，相信那些割裂社會、把技術卡斷的只是少數人，大家在透過產學研甚至和國內外專家親密合作的情況下，這條路是越走越寬的。

PS：想觀看本次研討會的小夥伴可以移步「達觀資料影片號」檢視直播回放。