![]()
![]()
11 月 22 日，在深圳举办的 2024 IDEA 大会上，IDEA 研究院创院理事长、美国国家工程院外籍院士沈向洋发表了题为《从技术突破到产业融合》的演讲。以下为其演讲主要观点，供诸君研究参阅：
01 人工智能发展的「三件套」
今天是 IDEA 研究院在深圳举办的第四届 IDEA 大会。回顾发展历程，三年前的第一届大会上，IDEA 首次向公众展示了研究院的工作成果。在第二届大会上，我们邀请了李泽湘教授、徐扬生教授、高文教授等学界翘楚进行深入对话。值得一提的是，这些学者都是我 90 年代初赴美留学时最早结识的中国学者。三十年后我们能在深圳重聚，恰恰印证了深圳作为创新创业热土的独特魅力。
经过四年发展，IDEA 研究院已发展成拥有 7 个研究中心、约 450 名员工的科研机构。过去几年，人工智能的蓬勃发展让整个行业充满憧憬和期待。在人工智能发展进程中，“算力、算法、数据”这「三件套」始终是核心要素。接下来，我将从这三个方面，详细分享自己的观察和思考。首先从算力说起。作为计算机领域的从业者，我们一直见证着整个计算行业过去四五十年来算力的不断提升。早期有著名的摩尔定律，英特尔提出每 18 个月算力增长一倍。但在过去十几年，随着人工智能特别是深度学习的发展，对算力的需求呈现出前所未有的增长态势。根据 EPOCH AI 的数据，每年最新的大模型对算力的需求都在以惊人的速度增长，年均增长率超过四倍。这个数字意味着什么？如果按照这个增长速度，十年间算力需求的增长将达到惊人的 100 万倍。相比之下，传统的摩尔定律下 18 个月翻一倍的增长，十年也不过是 100 倍的增长。这种算力需求的爆发式增长，使得 GPU 厂商英伟达成为了 IT 行业和人工智能领域最成功的公司之一。英伟达已经从一家单纯的硬件芯片供应商，转变为整个行业的核心支柱。现在行业里流传着这样一句话：“拿得到英伟达的卡，就成功了一半。”让我们看看具体的数据：2023 年英伟达最新产品 H100 的出货量持续攀升，各大公司争相采购。包括马斯克最近就部署了一个拥有 10 万张 H100 卡的大规模集群。到 2024 年为止，微软、谷歌、亚马逊等科技巨头都在大量采购 H100 芯片。为什么需要如此庞大的算力？这与大模型的发展密不可分。大模型不仅参数量巨大（从百亿到千亿，再到万亿参数），而且训练所需的数据量也在不断增长。更关键的是，要提升模型性能，对算力的需求会随参数量呈平方关系增长。这就解释了为什么过去十年英伟达的市值能够增长 300 倍，也说明了“算力就是生产力”这一论断的深刻含义。在人才招聘方面，算力资源已经成为一个重要指标。有些企业会以“千卡人才”、“百卡人才”来形容人才规模，真正顶尖的甚至被称为“万卡人才”。IDEA 研究院在深圳市政府的支持下，已经拥有了上千张显卡的算力储备，在深圳算得上是“小土豪”级别的规模。这种算力需求的变革被业界称为从“摩尔定律”到“黄氏定律”的转变。黄氏定律不仅体现在硬件算力的增长上，更重要的是反映了模型训练对算力需求的指数级增长。未来十年的算力需求是否会继续保持如此惊人的增长速度，这个问题值得我们持续关注和思考。在算法方面，自 2017 年 Transformer 架构问世以来，人工智能、深度学习和大模型的发展基本上都是沿着这个方向，通过堆数据和算力来推进。但在 GPT-4 之后，我们看到了算法范式的新突破。特别是 OpenAI 推出的新技术，包括多模态的 GPT-4V 以及最新的 o1 推理学习能力，展现了算法创新的新方向。令人欣喜的是，近几个月来，国内也有一些公司，包括初创企业在 o1 这个方向上取得了显著进展。这里我想详细介绍一下算法突破的思路。在 o1 出现之前，大家谈论的都是 GPT 系列，所有的工作都集中在预训练上，核心任务就是预测“下一个token”。其中很重要的技术背景是对所有数据进行高效压缩，使模型能够快速给出答案，实现“一问即答”。而现在的范式变革引入了强化学习（Reinforcement Learning）的理念，模型具备了自我改善的能力。这种新方法的特点在于，它更接近人类的思考方式。不同于之前的快速思考模式，现在的模型在给出答案时会经历后训练、后推理的过程。这就像学生在解数学题时会先打草稿，验证一条路径是否正确，如果不对就回退尝试另一条路径。虽然强化学习本身并不是一个新概念——比如几年前 AlphaGo 就使用强化学习打败了围棋世界冠军——但今天的创新在于它的通用性。过去的强化学习系统往往只能解决单一问题，而像 o1 这样的新系统可以同时处理数据分析、编程、物理、化学等多个领域的问题。我认为，在未来几年，沿着 Self-Reinforcement Learning (SRL) 这条道路，我们将看到更多令人惊艳的突破，期待 IDEA 研究院和国内的研究人员能在这个方向上有更多的思考和创新。在讨论数据之前，我已经提到大模型的蓬勃发展不仅依赖于参数规模的增长，还需要海量数据的支持。让我和大家分享一些关于数据规模的具体数据。三年前 GPT-3 发布时，使用了 2T（2 万亿）的 token 数据。到了 GPT-4 时代，模型训练使用的数据量增加到了 12T，在不断训练过程中可能达到了 20T。这个规模大致相当于目前互联网上可获取的优质数据总量。而未来如果 GPT-5 问世，按照我的估计，可能需要 200T 规模的数据。但问题在于，互联网上已经很难找到如此庞大的优质数据。这就引出了一个新的研究方向：合成数据。为了让大家对这些数据规模有更直观的认识，我举几个例子：1 万亿 token 的数据量大约相当于 500 万本书，或 20 万张高清照片，或 500 万篇论文。从人类历史的角度来看，至今为止创造的所有书籍大约包含 21 亿 token，微博上有 38 亿 token，而 Facebook 上约有 140T 的数据。不过社交媒体上的数据质量普遍不够高，真正有价值的内容相对有限。从个人维度来看，一个人读完大学，真正学到的知识量大约是 0.00018T，相当于 1000 本书的内容。如果觉得自己还没读到这个量级，也许现在开始该多读些书了。有趣的是，ChatGPT 等 AI 模型的训练数据主要来自互联网。回顾互联网发展的 40 年，人们热衷于在网上分享信息，现在看来，似乎是在为 GPT 的训练做准备。AI 之所以如此智能，很大程度上得益于我们贡献的数据。这其中还有一个值得注意的现象：无论训练哪种语言的 AI 模型，底层的高质量数据主要是英文的。这意味着在 AI 时代，英语的重要性可能会进一步加强，就像互联网时代一样。既然网上的数据已接近极限，AI 的进一步发展就需要依靠合成数据，这可能催生新的百亿美元级创业机会。与 GPT 系列主要使用互联网文本数据不同，新一代模型（如 o1）需要更强的逻辑性，这些数据在网上往往找不到。比如在编程领域，我们需要知道具体的步骤是如何一步步完成的。在 IDEA 研究院，在郭院长的带领下，我们开展了高质量训练数据的项目，为大模型持续提供新的“养分”。我们的合成数据方法并非盲目生成，而是建立在严谨的方法论基础上。我们首先建立语境图谱，在此基础上进行数据合成。这些合成数据经过大模型预训练后，已经展现出很好的效果。除此之外，我们还在探索另一个维度的问题：私域数据安全孤岛。由于数据安全考虑，许多私域数据无法直接共享使用。为此，我们开发了 IDEA Data Maker，将这两个方面结合起来，通过语境图谱生成新的语料，解决过往文本数据合成方案的多样性匮乏等问题。该技术为合成数据引入“指导手册”，以图谱为纲，指导用于合成的语境采样。实验结果显示，IDEA 团队的方案能持续为大模型带来能力提升，表现超过目前的最佳实践（SOTA）模型；从 token 消耗来看，平均节约成本 85.7%。目前，该技术内测平台已开放，通过 API 提供服务。在讨论了 AI 发展的「三件套」之后，我想分享 IDEA 研究院近一年来的思考和实践。特别是大模型蓬勃发展给我们带来的机遇。ChatGPT 的出现给我们带来了深刻启示——它在推出后仅用两个月时间就吸引了全球 1 亿用户，成为一个令人瞩目的技术现象。这种现象打破了我们对产品发展的传统认知。在互联网时代，我们常说 PMF（Product-Market Fit，产品市场匹配）。对这个概念的理解，我多次请教过美团的王慧文，在清华的一堂课上，他专门讲解了 PMF 的内涵。但 ChatGPT 的成功告诉我们，它实际上跳过了 PMF 的过程，直接实现了TMF（Technology-Market Fit，技术市场匹配）。当技术发展到一定程度，就可能实现这样的跨越式突破。在 IDEA，我们天天在追求一些极致的技术，也在思考：如果有技术出来，是否可以一步到位？这当然是我们的期望，我们一直在朝这个方向努力。顺着 TMF 的思路，我想讲一个最近我们特别关注的方向：计算机编程语言。作为一个学习计算机的人，我自己就编写过十几种不同的编程语言，在不同的阶段做不同的项目时都会用到它们。在这里我想提出一个重要观点：纵观全球，有那么多的编程语言，包括小语言、大语言、中型语言，但基本上没有一个被广泛使用的语言是由中国人发明、中国人创造的。这种现象是有机会改变的。让我给大家举几个例子，说明什么是现象级的语言。在过去七八十年的计算机科学发展历程中，出现过的现象级语言不超过十个。这里的“现象级”是指至少有几百万、上千万用户在使用这个语言编程。比如早期的 Fortran，当时是和 IBM 大型机绑定的，做三角计算都要用 Fortran 语言。70 年代出现的 C 语言，是与 Unix 操作系统紧密相连的，甚至可以说 Unix 系统就是用 C 语言构建的。到了 90 年代互联网兴起时，我师兄开发的 Java 语言被大量程序员采用，主要用于开发 Web 服务器。而在过去十几年，Python 因为在科学计算方面的便利性，特别是在云计算平台上的广泛应用，成为主流语言。如果你问问自己的孩子在学什么编程语言，大概率会是 Python。那么，在今天的大模型时代，会不会出现新的现象级语言？这个问题不是只有我一个人在思考。比如说 GitHub Copilot 的创始人 Alex Graveley 就指出，AI 编程还没有形成新的编程语言范式。编程语言是最根本的技术创新方向之一。有了语言之后，就需要探索大模型的技术创新方向。在大模型能力已经达到新高度的今天，一个关键问题是：我们如何将这种能力转化为实际应用？在哪些场景中可以发挥其最大价值？在所有的应用方向中，我特别要强调 AI For Science（科学智能）的重要性。可以说，在当前阶段，很难想象有什么比 AI For Science 更重要的方向。如果我们要做人工智能研究，一方面要全力推动大模型技术的落地，另一方面也要关注它在科学研究中的应用。这让我想起二十多年前在微软亚洲研究院做过一个关于如何做科研、如何做学问的报告。我把科研工作分成了三个不同的层次：ARCH（确定方向）、Search（选择课题）、Research（深入研究，一而再再而三地探索）。现在，我们希望 IDEA 的工作能为中国的科研人员、年轻学生在做科研时提供更好的支持。人工智能的发展正在对社会产生深远的影响。这个问题太重要了，需要我们认真思考。我们今天要讨论的是 AI 治理问题，包括它对民众的冲击、对公司的冲击、对监管的冲击、对社会发展的冲击。人工智能的影响究竟是如何发生的？八年前，人们还在讨论社交媒体的影响，而今天我们必须要讨论人工智能的影响。过去十几年的发展令人震惊：人类引以为傲的能力正在一个个被 AI 超越。下象棋、下围棋就不必多说，现在AI在阅读理解、图像识别和检测等领域的能力都已经逐步超越人类。更令人震撼的是，这些能力的提升已经不是单点突破，而是通用人工智能整体能力的提升，这使得人工智能对社会的影响变得异常深远。现在，全球范围内都在讨论 AI 治理问题。我有幸在今年上海人工智能大会上与我的导师瑞迪教授、布卢姆教授和姚期智教授一起讨论这个议题。从社会发展的角度来看，我们习惯用 GDP 来衡量发展水平。但 GDP 这个概念其实是很新的。在农业社会之前，根本不存在 GDP 增长的概念，因为人们连温饱都难以解决。农业社会发展后，人们有了剩余产能，但 GDP 年均增长仍然只有 0.1% 至 0.2%。到了工业社会，这个数字提升到 1% 至 2%。信息社会的 GDP 年均增长达到了 3% 至 4%，这里说的都是全球的大致数字。那么，在即将到来的 AI 社会，会发生什么？一些经济学家预测，随着人工智能数量超过人类数量，机器人数量急剧增加，生产效率将获得巨大提升。在这样的 AI 世界中，GDP 年均增长可能达到十几个百分点。这就带来了一个根本性的问题：从 AI 带来的经济最大增长，能否实现人类的最大福祉？这是每一个从事技术研发、推动产业落地的人都必须思考的问题。对于在座的各位，特别是在 IDEA 研究院从事技术研发的同事们来说，在推动人工智能发展的同时，这个问题值得我们深入思考。我的分享就到这里，感谢大家的阅读！(来源：AI 科技大本营)
