跨越ChatGPT：大模型和AI的未來

兩會期間有兩個很高頻的詞——“創新、科技”，在這兩個熱詞的背后，可以觀察到一個世界級的科技創新高潮正在到來。這次科技創新高潮有幾個特征，第一是以人工智能為基礎的巨大突破——ChatGPT。第二，因為人工智能的突破，改變科學研究的基本方法，稱之為科學研究的范式改變了，不再是科學家依據實驗室的觀察寫成數學模型，而是利用大模型來計算出數據。由此出現了第三個特別重要的特征，是企業家走在了科學研究和創新的前沿。企業家和科學家共同成為未來的科學研究大潮的主力，這是一個根本的變化。

本文主要的觀點是，ChatGPT的核心是背后的大模型，ChatGPT只是其中的一個應用，盡管它打開了一個面向消費者的通道，有很好的商業場景，但其核心突破在大模型，這是AI產業未來突破性發展的關鍵環節。

今天是一個經濟學家跨界的時代。ChatGPT，網上都在講它確實厲害，很驚艷，前景非常好，大家都在講怎么追隨它、怎么做自己的ChatGPT，各個網站現在討論很多。我們的看法是，ChatGPT很有意思，很有未來，但它的基礎是大模型，是GPT。而人工智能發展的核心正是GPT，是大模型，不是ChatGPT，厘清這一概念，我們才能把所有的工作重點、趕超重點、研究重點放到大模型和GPT上來，而不是放在ChatGPT上。當然，我們應該承認，我們在大模型上落后，但是怎么發揮我們的優勢，這是人工智能在中國未來科技創新以及未來經濟金融發展中特別重要的一戰，也是科技走到今天一個重大的轉折點。所以，我們要跨越ChatGPT，看到大模型和AI2.0以及它的未來。

ChatGPT橫空出世，有點像2016年阿爾法圍棋（AlphaGo）戰勝了世界冠軍李世乭一樣，引起所有輿論的關注。它的應用場景確實很豐富，比如在財富管理中心，以往需要客戶填表進行風險測試，今后可以利用ChatGPT明確客戶偏好需求，剩下的就是機器和機器交換，構建財富管理的產品矩陣，做好風險管理，做優整個后臺，讓投資的精準度大大提高，產品也能大大豐富。因此，ChatGPT是一個很有意思的產品。

比如走向醫院，給你看病的第一個醫生是ChatGPT，它可以把你的基本問題全部搞清楚，剩下的就是機器和機器的溝通和交流，給你做基本解答，再加上人的輔助，繼而做出最終的解答。在這個過程中把數據全部留下來，這是了不得的事情。ChatGPT基本上是一個語言大模型，它是WebGPT的基礎，最早是教上網查詢的機器，但它主要應用于生成AI，可以不斷推演、不斷反饋，使得它的反饋學習加強，訓練加強以后，能夠把語言模型的輸出和用戶的意圖連起來，反饋和強制訓練強化一下，就爆發了。它的核心是Transformer，Transformer之后的ChatGPT1/2/3，它的核心還是在Transformer的集成。它的好處很多，能記住大量的信息，搜索效率也很高，做文獻索引的能力已不亞于助理。

ChatGPT能夠保持對話和對話的一致性，但它也能承認錯誤，與此同時，它支持多種任務，支持藝術創造、修改故事。它可以做翻譯，翻譯得文字非常優美；它可以編碼，可以寫辦公郵件……它的用途很廣，因此特別火爆。它參加考試，可以考到中級以上的水平，這很不容易。當然它也有局限性，主要是輸入知識的局限性，它的時間點基本停留在2021年以前，如果我們用最新的知識來測試它，它就有點跟不上。

從大的應用來看，ChatGPT是從2020年5月的GPT3開始，一直到DALLE生成，再到ChatGPT，是從大模型發展過程中長出來的一個東西。國內也一直在做大模型，但我們在某些方面是落后的，落后美國兩年左右；我們的數字生態也不夠，所以不能從大模型短期內就衍生出ChatGPT應用。

歸根結底要回到大模型?，F在是ChatGPT大熱的時候，在更深的層面上考慮問題，我們要看的是大模型的發展，這是影響今天、影響未來、影響中國、影響世界的最根本的科技發展。

大模型還是從GPT3開始，1150億個變量，一路走過來，我們有盤古，也有百度，清華大學最近也推出一個GLM。現在，GPT3已經走到了GPT4，所以大模型的發展和應用進展神速。在大模型層面上走得最快的是深層次人工智能，能從文字轉到圖形、文字轉到編程、文字轉到影像錄像，然后走向3D?，F在生成AI，可以做蛋白質的三維結構分析。深層AI在整個大模型基礎上向前發展，這是未來一個特別重要的方面。

與此同時，從文字到圖像生成的模式，從GPT3開始，到DALLE，再到DALLE2是一個突破點，從文字到圖像的過程發展得很快。再看對蛋白質的分析，我們可以對190萬個蛋白質用人工做三維的結構圖，大概占已知蛋白質的1/100。不能小看這個數，這是在一個很短的時間內完成的任務。再仔細想人是什么？人是蛋白質組成的，如果我們能把蛋白質全部數字化，即便不把蛋白質合成一個人，但可以合成新的物種，那么蛋白質的應用現在也取得了巨大的進步。

這背后一個核心的變化是人工智能從1.0走向2.0。1.0是以編程為中心，2.0是以數據為中心，這是一個特別大的區別。1.0階段聚焦的是算法、模型、程序，是軟件工程師在主導；2.0階段是數據，數據越多越精越好，機器自己通過數據學習反饋優化不斷生成、迭代，這幾乎就是一個無限的過程，而且脫開了人腦，這是大模型和AI2.0最大的潛力和最大的遠景。我們已經看到了人工智能可以離開人，從已有的智能走向一種新的智能，而這個智能還沒有被人普遍意識到?，F在，因果人工智能發展更快，這些都為神經AI發展提供了強勁的動力。

在這種情況下，產生另一個更大的變化，就是人工智能“脫虛向實”。“虛”就是人工智能以前是服務于虛擬世界的，如搜索、資訊、信息等等；有了大模型以后，特別是生成人工智能以后，人工智能逐漸走向物理世界，通常是從文字到圖像，再到音頻、視頻，到三維、到蛋白……第一個突破是蛋白，第二個突破是材料，這以后會走得更快，這是因為在大模型的推動下，科學研究的方式發生了根本變化，我們稱之為科學研究的“第四范式”。

牛頓和愛因斯坦時期，科學研究的簡單方式是通過觀察把數學模型化，這是最簡單的第一方式；第二方式是用模型推演，第三方式是用計算機仿真，但這不是很成功。進入近代以后，我們發現最大的問題是你觀察到的東西沒辦法寫成數學方程式，因為維度太高，這在科學研究上有一個概念叫維度的詛咒，特別是從量子物理學的角度沒法計算。大模型出現以后，現在可以做1024到2048個維度，這已經不完全是個空間概念。方程可以做到兩千億個變量，這個世界上還有什么方程是不可解的？這從根本上改變了科學研究的方式。以前是慢慢做、細細做，現在是用數據大規模做，這個世界真的變了。

這就是為什么最近在有些領域突破得特別快，比如生化、醫藥、材料等領域的研發，都是因為人工智能助力的原因。根本的科學研究方式變了，以前科學研究是從最早的原理一步一步往前走，現在科學是從數據逆向倒推，整個思維方式從根本上變了。大模型現在幫助科學家把人工智能引入物理學，特別是數學和材料學，現在是用一個數學家和機器合作來探索新的材料，也取得了一些很有意思的進展。因為數學家的核心是把所有的一切數學化，能夠用公式表達的才有應用，不能用公式表達的就不能作為產品，就不能生產。在制藥領域，最近的生物藥研究時間縮短了一半，成本下降了一半，就是因為大模型的幫助。

在材料研發領域，德州儀器用大模型做耐高溫耐氧化的高熵合金。材料科學將來也會走得很快，新的材料會不斷涌現，會有無限的想象空間。大模型的算力如此之大，算法效率如此之高，第一次讓我們可以把物理世界和信息世界、虛擬世界連起來，物理世界的數字在虛擬世界經過大模型計算再回到物理世界去操縱物理世界，這就是這個世界變化的軌跡?，F在用大模型最多的是什么？戰爭。戰爭的電子演習，已經做到很大規模并實現經濟化。而由人工智能主導運營的數字化過程，因為數字的產生和迭代效率特別高，這個過程也在不斷加速自動化，并且在提升自動化的效率。

人工智能幫助管理物理世界最為典型的案例，是最近美國公布在核聚變領域取得的突破性發展。人類目前核聚變所產出的電，小于投入的電。我在普林斯頓讀書的時候，那里的一套核聚變裝置是上世紀80年代美國和蘇聯合建的，這個裝置做一次試驗，我們所處的小鎮就沒有電了。這樣的試驗，做了幾十年都沒有進展。這是核聚變需要突破的一個核心功能，即在托卡馬克（一種可以容納核聚變反應的容器）中，用磁場線圈限制等離子體粒子，以使等離子體達到聚變所需的條件。控制和約束這種等離子體的方法，就是核聚變邁向成功的關鍵，也將是人類社會未來清潔能源的源泉?？勺灾骺刂频入x子體的AI，一旦學會如何控制和改變虛擬反應堆內等離子體的形狀，它就能自動控制托卡馬克中的磁體而無需任何額外的微調，其結果就是核聚變技術取得重大的突破。美國的目標是通過核聚變，讓每度電的成本降至一美分。如果達到這個標準，那么今天所有的能源世界將徹底改觀。

這種對物理世界的管理和深化，影響是巨大的。大模型為科技躍升帶來了巨大的想象空間，特別在推動科學實驗方面，比如生命科學、藥物研發、材料科學、能源科學、電子工程和計算機科學等領域。大模型現在已經變成工程學，變成一個輔助工具，變成我們今天所有一切超高級、超高速、超效率的輔助工具，世界在這個基點上變了。

我們必須承認人工智能走得很快。中國在2021年人工智能的論文總量第一次超過了美國，而在兩年前，中國的人工智能專利就已超過美國。當前，第一是我們要圍繞趕超的過程，圍繞AI2.0的進展現狀，重新制定自己的人工智能發展戰略；第二特別重要，就是發揮我們的數據優勢，推動人工智能大發展快發展。

預計三年以后，中國的數據會超過美國，成為世界上最大的數據國。因為物聯網的布局和運用，中國數據的質量會很好，所以讓數據流動起來變成資源、資產和財富，讓數據變成生產力，才是我們迎接科學革命、迎接大模型的最根本的一條。只有在數據生產力的基礎上，我們才能把大模型的應用和商業化、企業化的發展結合起來，才能讓我們走上趕超之路。

（作者系國際貨幣基金組織原副總裁，現任清華大學國家金融研究院院長）