變革之路:人工智能大模型的無限可能性

人工智能大模型的迅猛發展，為我們揭示了人工智能技術無盡的潛能及其在各行業的廣泛應用前景，亦引發我們的深思：人工智能如何重塑我們的未來？它將對教育、科研和產業等領域產生何種深遠影響？我們又該如何應對由此產生的倫理與社會責任問題，確保技術的健康發展與社會福祉的和諧共生？

大模型的崛起，正引領一場波瀾壯闊的智能革命。有人為新機遇的涌現歡欣鼓舞，亦有人對未知的挑戰心生憂慮。有人憑借信息優勢攫取利益，也有許多工作被新技術替代。面對人工智能大模型的迅猛發展，人們不禁感到迷茫與困惑，它究竟會將人類的未來引向何方。

然而，這并非人類首次遭遇技術的劇烈變革。回溯過去兩百年，我們已歷經三次技術革命：18世紀末蒸汽機的誕生，19世紀末電力的發現與利用，以及20世紀以信息為主導的技術革命。每一次革命都深刻重塑了人類社會的面貌，帶來翻天覆地的變革。審視歷史我們不難發現，所有的發展都遵循著內在的邏輯。面對新技術的涌現，探尋其本質特征顯得尤為重要。

人工智能能力演進的四個境界

人工智能的能力演進過程，與人類智能頗為相似，同樣展現出四個階段：博聞強識、觸類旁通、一葉知秋和無中生有。

起始階段博聞強識，意味著人工智能系統開始擁有并靈活呈現人類知識的能力。當系統進一步發展，便進入觸類旁通的階段，展現出卓越的跨學科聯想與概括能力，能夠跨越不同領域的知識，進行聯想、整合與總結。在博聞強識與觸類旁通的基礎上，人工智能進而達到一葉知秋的境界。在此階段，系統能夠敏銳地從細微征兆中洞察并預測事物的發展趨勢。越早預測，可干預空間就越大，不確定性也隨之降低。然而，人工智能的最終目標，是邁向無中生有的境界。這不僅是人類智能的巔峰，也是人工智能發展的終極追求。在這一境界，系統不再局限于從既有數據中挖掘模式，而是能夠創造出全新的思想、觀念和方法，實現零到一的創新，擺脫對人類知識和數據的完全依賴，展現無限的可能與創造力。

ChatGPT等大模型的崛起，標志著人工智

能已躍過博聞強識與觸類旁通的境界。這些大模型遵循Scaling Law（規模理論），深度學習了人類可以形式化表達的知識，實現了數據規模與質量對智能水平提升的正向循環。人類首次意識到，在知識的廣博與跨領域綜合能力的運用上，硅基生命（人工智能）已超越了我們。大模型的核心在于其基于統計和概率預測的工作原理，通過當前文本語境，利用海量數據中的統計概率來預測下一個最可能的單詞。這些數據涵蓋了文本、圖片、音頻和視頻等多個領域，經過模型訓練后，大模型不僅能挖掘出潛在的模式和規律，還能掌握不同事物之間的關聯性和概率分布。因此，在面對新問題時，大模型能夠靈活聯想，實現跨領域知識的相互連接和拓展應用。

然而，大模型盡管在博聞強識和觸類旁通方面取得了顯著成就，依然存在諸多局限。從技術層面看，大模型在理解物理世界、維持持久記憶、邏輯推理和行動規劃等方面仍有不足。這主要源于其自回歸的訓練方法，這種方法傾向于機械地生成文本，缺乏人類思考和推理的深度。因此，在應對復雜邏輯和抽象概念時，大模型可能會遇到挑戰。在社會學層面，盡管大模型能夠模擬人類的某些認知功能，但關于它們是否真正擁有意識、情感和道德判斷能力的問題仍待解答。大模型尚未具備像人類那樣的自我意識和情感體驗，這限制了它們在需要深層次人類理解和同情心的場景中的應用。此外，大模型在道德和倫理決策方面的能力也需進一步驗證，以確保AI技術的發展符合倫理標準。

大模型在達到一葉知秋的境界上仍面臨挑

戰。首先，數據獲取的局限性嚴重制約了模型對實時信息的處理能力。以2022年底發布的ChatGPT第一版為例，其訓練數據主要基于2021年及之前的知識，相較于人類社會的飛速發展，存在顯著的信息延遲。盡管OpenAI持續利用新數據迭代訓練Chat GPT，研究者也嘗試通過語境學習等方式融入新信息，但模型在實時事件反應上的全面性仍然不足。這種數據更新的滯后性極大削弱了模型對未來趨勢的預測能力。其次，大模型在多步推理任務中的表現不盡如人意。從細微信息中提煉有價值的內容通常需要一系列縝密且相互關聯的推理步驟。然而，一旦某個環節出錯，最終結果可能完全偏離預期。由于當前大模型的回答基于參數化的前饋神經網絡，其推理過程缺乏可解釋性，難以追溯和糾正，因此在面對多步推理任務時，正確率會大幅下降。這不僅使得模型難以捕捉到“秋”的微妙征兆，甚至可能出現諸如“葉落知春”的荒謬推斷，令人啼笑皆非。

面對智能的最高境界——無中生有，正如維特根斯坦所言：“語言的邊界是一個人思想的邊界。”即便人工智能能夠深入研讀古今中外的所有文明資料，或許能接近人類智能的水平，然而人類思想的邊界相較于自然世界的無垠，仍顯得微不足道。人類的認知源于感知，受限于感官，諸如耳聽聲、目見色、口嘗味、鼻嗅香臭。我們需借助工具如顯微鏡方能觀察細胞，通過聲吶才能聽見海豚之聲，而更多表象之外的事物，人類尚難以觸及。同理，依賴人類視野的人工智能，其認知同樣受限。

伽利略曾說，只有真正掌握自然與我們交談的語言和符號，才能深刻理解自然。因此，在追求無中生有的境界時，智能體應如同人類般探索真實世界，涉足人類文明未曾踏足的未知領域，發現科學家未曾注意的自然規律。這樣的智能體應通過自身的“眼睛”去“見天地，見眾生”，為人類帶來全新啟示。具身智能的研究正是朝著這一方向邁出的初步嘗試，它旨在賦予智能體獨立的感知系統。研究者正探索機器人自主進行科學實驗的可能性，當實驗與推理形成閉環時，智能體或許能揭示新的自然規律。

人工智能的演進對教育和科研的影響

當我們深入剖析大模型的能力與局限，不禁要思考這場技術革命對我們個體將產生怎樣的深遠影響。有人形象地比喻，大模型的出現猶如碳基生命點燃了硅基生命，然而，隨之而來的問題是：在硅基生命被點燃之后，人類又將走向何方？

過往的科技進步主要替代了眾多體力勞動，而這次大模型的飛躍，則更多是在替代腦力勞動中的“體力”部分。回顧歷史，人類與機器之間的博弈從未停歇。機器在減輕我們工作負擔的同時，也導致了部分勞動崗位的消失。盡管許多標準化、邏輯化、流程化的工作逐漸被機器取代，但人類依然擅長處理那些更具創新性、復雜性、動態性和交互性的任務。

人類教育長期專注于傳授人類已知且可言傳的知識，這部分內容正是從小學到大學教育中傳授的，也是大模型在博聞強識和觸類旁通境界所展現的超越人類的能力。如果我們的教育仍停留在這一層面，作為碳基生命的人類受生命有限的約束，學習和積累的能力注定被硅基生命遠遠超越。這迫使我們深思：人類學習的方向在哪里？人類需要重新審視自己的知識結構和技能體系，努力學習和培養機器不擅長且不容易發展的能力，以應對未來的變革。

事實上，人類有許多的知識是可意會，不可言傳。常言道，“紙上得來終覺淺”，諸多只可意會的知識唯有在實踐中親身體驗，方能真正領會其精髓。以學習游泳為例，即便我們閱讀了游泳學所有經典著作，思想上掌握了所有技巧，但若未曾親身下水實踐，就永遠無法真正學會游泳。目前，大模型主要依賴言傳的文字材料學習，然而，僅僅停留在思考和理論層面，不去親身實踐，對于真理的探尋總是難以觸及其核心。因此，我們的教育體系亟待調整，應增加實驗動手課程和實習的比例，鼓勵學生走出課堂，從實踐中學習，從實踐中獲得真知，實現知行合一。

人類的探索之旅，始終伴隨著廣袤無垠的未知領域，這些未知不僅孕育著無限可能，更激發出我們探索的無限潛能。如今，借助人工智能的神奇之力，我們正以前所未有的速度進軍這些未知疆域，引領著各產業的創新浪潮。當前，人類與機器的關系已從昔日的競爭轉化為今日的深度合作。在人工智能技術的強大助力下，我們正努力解開那些長期困擾人類的難題。以2022年AlphaFold（英國DeepMind公司開發的一個人工智能程序）的杰出成就為例，它能夠精準預測地球上幾乎所有已知蛋白質的結構，為基礎科學領域帶來了顛覆性變革。在人工智能技術廣泛應用之前，諸如分子結構的解析、靶點的預測等任務，常因效率低下和精確度不足受阻。然而，當基礎科學與人工智能的智慧相交融，便如同注入了強大動力。通過結合人工智能的強大能力，我們可以更快速分析海量數據，發現潛在的規律和趨勢，從而為理論突破提供有力支持。同時，人工智能還可以幫助我們優化實驗設計和研究方法，減少試錯成本，加速科研進程，推動新材料開發、新藥研發、智能制造等諸多領域的迅猛發展，為人類社會帶來實實在在的福祉。如今，培養學生的創新思維與技術能力，使其能夠熟練運用人工智能推動各行業創新，已然成為教育領域的重要使命與核心焦點。

大模型的不足和局限

盡管掀起了巨大變革，現在大模型依然面臨著一系列局限與挑戰。首先是高昂的成本。大模型需要大量的算力支撐其訓練、部署、應用，使其難以在各類行業落地，為大范圍人群提供服務。據《紐約客》估算，ChatGPT每日要響應2億次請求，消耗超過50萬千瓦時的電力，搜索成本遠高于傳統的搜索引擎。此外，在訓練和推理過程中產生的碳排放，也會加重環境負擔。

其次是大模型提供信息的滯后性。由于ChatGPT的認知均建立在既有的訓練文本上，缺乏實時數據庫或信息連接，因此其對于超過訓練數據集的問題無法回答。然而，現在能夠進入實際生產過程的大模型往往具有百億或千億量級的參數，重新訓練所需的巨大時間和計算成本，使得技術上難以做到實時更新訓練。此外，頻繁的微調也會導致模型對舊知識的遺忘。

大模型的安全性問題是當前亟待解決的關鍵挑戰。由于其復雜的結構特點，大模型的“大腦”由眾多難以解釋的神經連接參數構成，這使得它無法對輸出的真實性負責，也無法對輸出信息溯因，可能導致輸出存在“幻覺”問題。盡管大模型不斷融入更多感知模態，但仍未能達到真正理解世界的水平。本質上，大模型的自回歸訓練方式僅使其學會預測下一個詞的概率分布，而人類的思考則更為抽象，能從概率表象中洞察世界的本質。當大模型能夠超越數據的概率分布，深入理解世界運行的底層規律時，其輸出才會更加真實可靠。

此外，大模型訓練中涉及的數據隱私、偏見和知識產權問題也亟待規范。我們需要采取切實措施，防止個人隱私信息被濫用，避免訓練者注入偏見和仇恨信息，并保障腦力工作者的工作成果不被大模型侵犯。隨著大模型能力的不斷提升，我們更需要構建公平、透明、嚴格的監督體系，以約束其潛在的負面影響。唯有如此，當大模型面對數據中的虛構信息和惡意引導時，才能做出明智判斷，避免產生仇恨言論、種族主義、性別歧視等有害回答，實現真正的“兼聽則明”。

最后，技術的發展不僅是追求科學進步的途徑，更是服務人類福祉和社會和諧的重要工具。大模型的涌現，提醒我們不僅要深入研究書本知識，更要注重培養創新思維和實踐能力。我們需要塑造既能敏銳提出問題，又能通過嚴謹實驗驗證想法的人才。他們將成為連接科學發現與社會需求的紐帶，促進技術發展與民主價值的和諧統一。

“知之者不如好之者，好之者不如樂之者。”

我們不應僅僅滿足于對技術的掌握，更應熱愛并享受技術創新的過程，將其轉化為推動社會進步的力量。大模型的興起，無疑給傳統腦力勞動者帶來了前所未有的挑戰。然而，羅曼·羅蘭的名言也提醒我們：“這個世界上只有一種英雄主義，那就是在認識了世界的真相之后，依然熱愛世界。”面對世界的復雜多變、不確定性及激烈競爭，保持對生活的熱愛和對人類的信念至關重要。這種深刻的人文主義精神，將指引我們在探索人類與人工智能未來的道路上，勇敢面對挑戰與責任。

在人工智能大模型的發展中，我們應秉持這種英雄主義精神，確保人工智能技術真正服務于全人類的福祉。通過培養具備創新思維和實踐能力的人才，更好地駕馭這項技術，為人類創造更美好的未來。

[作者為香港科技大學（廣州）協理副校長、人工智能學域主任，九三學社廣州市委會南沙委員會第五支社（港科廣支社）主委]

責任編輯：王卓