阶跃星辰姜大昕、月之暗面杨植麟、生数科技朱军，云栖大会激辩“通往AGI的大模型发展之路”

【TechWeb】9月20日消息，在2024云(yún)栖大会上，极(jí)客(kè)公园创始(shǐ)人、总(zǒng)裁张(zhāng)鹏对话阶(jiē)跃星辰创(chuàng)始(shǐ)人、首席(xí)执行官姜(jiāng)大昕，月之暗面Kimi创(chuàng)始人杨植麟，清华大(dà)学人工(gōng)智(zhì)能研究院副院(yuàn)长、生数科技首席科学家(jiā)朱(zhū)军，三人对AGI发(fā)展现状和未来展望进行了激烈(liè)讨论和前(qián)瞻展望。

2024年，AI 发(fā)展变慢了吗？过去18个月，AGI的发展是加速还是减速？如何(hé)评价OpenAI 最新发布的 O1 模型？强化学习将改变什(shén)么？大模(mó)型时代的创业新范式是什么？

姜大昕表示AI 技术发展加速， AI 发展正在经历关键的技术范式迭代： OpenAI 的大(dà)模型 o1 探索(suǒ)出了通过强化学习让 AI 具备人类慢(màn)思(sī)考（可主动(dòng)反思(sī)、纠错的(de)复杂思考）能力(lì)的方式，接下来提升强化学习模型的泛化能力和加速推进(jìn)多模态理解(jiě)生成一体化是 AI 技术进一步突(tū)破的关键。阶跃星(xīng)辰积极探索新的技术范式(shì)，已经在(zài)万亿参(cān)数模型(xíng)上实现了(le)强化学习训练的方法论。同时，持续打磨更高性能的底层大模(mó)型，提升(shēng)C端产(chǎn)品体验。据他透露，近期阶跃星辰(chén)自研的 Step-2 万亿参数 MoE 语言大模型已接入智能助(zhù)手“跃问”，展现出更强大的指(zhǐ)令跟随、创作和(hé)推理能力。

谈到AI产品未来(lái)的(de)可(kě)能形态，杨植(zhí)麟表(biǎo)示，以后的AI可能(néng)要思(sī)考(kǎo)或者调用各种工具，它可能执(zhí)行分钟级别、小时级(jí)别甚至天级别的任务，所以产品形态上(shàng)可能会(huì)更接近一个人，它更接(jiē)近“助理”的概念，帮你完成异步的(de)任务。这里面的产品形态设计可能也会发生很(hěn)大的变化，想(xiǎng)象空间蛮大。

谈(tán)到未来18个可(kě)能发生的事情，朱军表示，预想未(wèi)来18个月(yuè)可能比较(jiào)令人兴奋的(de)一个进展，我希(xī)望看到(dào)AGI的(de)L3已经基本上实现。至少在智能体，比如我们说的世界模型的创建生成、虚实融合，至少在一些特定场景下的决策能力的巨大的(de)提升。其实(shí)它会利用(yòng)我们今天讲到的推理、感知等等(děng)。

以下为对话(huà)实(shí)录摘录：

主持人：从(cóng)ChatGPT的发展，引发(fā)了(le)整(zhěng)个世(shì)界对(duì)于AGI这个事情(qíng)的理解(jiě)，发(fā)展到现在也18个月了。各位的(de)感受是怎么样的，过(guò)去18个月，AGI的发展是加速还是减速？

姜大昕(xīn)：我(wǒ)觉得(dé)过去18个(gè)月速度还是在加速的，速度还是非常快的。因(yīn)为(wèi)当我们回顾过去18个月发生的大大小小的(de)AI事件以后，可以从两个维(wéi)度去看，一个是数量的角度，一个是(shì)质量的角度。

从数量的角(jiǎo)度来(lái)看，还是每个月都会有新(xīn)的模型、新的产(chǎn)品、新的应用(yòng)涌现出(chū)来。比如单(dān)从模型来看，OpenAI 2月份发(fā)了一个(gè)sora，我记得当时还是过年的时候，把大家轰炸了一下。然(rán)后5月份出了一个GPT-4o，上周(zhōu)又出了o1。OpenAI的老对手Anthropic它(tā)有Claude3到Claude3.5的系列，再加上(shàng)谷(gǔ)歌Gemini系列、Claude系列、LLaMA的系列，等等。

所以，回顾过去，我们的感觉还是GPT-4是(shì)一家独大，遥遥领先。到了今年就变成了一个好像(xiàng)是群(qún)雄(xióng)并起，你追我赶的局面，所以感觉各家是在提(tí)速了。

从质量的角度来看，我觉得有三(sān)件事情可能给我的印象(xiàng)非常(cháng)的深刻。

第一件事情，GPT-4O的发布。因为我看它，认为它是在多模融合这样的一个(gè)领域上了一个新的台阶。在GPT4O之前，是有GPT4V，它是一个视觉的理解模(mó)型，有Dalle、Sora，这是视觉的生(shēng)成模(mó)型。还有Whisper这是声音模型(xíng)。所以(yǐ)原本这些孤立的模型到了(le)4O这里都融合在一起了。

那为什么融合这件事情非常的重要？是因为(wèi)我们的物理(lǐ)世界本身就是一个多模的世界，所以多(duō)模融合一定是有助(zhù)于更好的去为我们的物理世界建模(mó)，去模拟世(shì)界这样一件事情。

第二件(jiàn)事情，特斯拉发布的(de)FSD V12。大家知道它是一个端(duān)到端的大模型，它把感知信号变成一个控制序列。智(zhì)驾(jià)是一个非常(cháng)有代表性的，它是一个从数字世界走向物理世界一个真实的应用场景。所以，我觉得FSDV12它的成(chéng)功，意义(yì)不仅在于智驾本(běn)身(shēn)，这套(tào)方法论可以认(rèn)为是(shì)为将来的智能(néng)设备(bèi)如(rú)何和大模型相结合，更(gèng)好(hǎo)的去探(tàn)索物理(lǐ)世界指(zhǐ)明了一个方向。

第(dì)三件事情(qíng)，上周的O1，我对它的(de)理解，它第(dì)一次证明了语言(yán)模(mó)型其实也可(kě)以有人脑(nǎo)的慢思考，就是(shì)系统(tǒng)2的能力。而我们觉得系统2的能(néng)力它是归纳世界所必(bì)备的一个前提条件(jiàn)，是一个基础的能力。所以，我们一直认为，AGI的演进路线可(kě)以分(fēn)为模拟(nǐ)世界、探索世(shì)界、最后归纳世界。而过去几个月的时间我们(men)看到GPT4O、FSD V12和O1分别在这三个阶(jiē)段或(huò)者这三个方向上都取得了非常大(dà)的(de)突破(pò)，而(ér)且更重要的是为将来的发展也指(zhǐ)明了一个方(fāng)向。所以无论是从数量还是质(zhì)量上来说，都是可圈(quān)可点。

杨植麟(lín)：我觉得整体也是属于加速发展的阶段，核心可以从两个维度(dù)来看（AI的发展(zhǎn)），第一个维度(dù)是纵向的维度(dù)，也就是说你(nǐ)的智商(shāng)是一直在提升(shēng)的，这个主要现在的反应(yīng)方式还是你去看文本模型能做到多好。第二个是(shì)横向的发展。除了文本模型之外，刚才(cái)姜总提到的，也会有(yǒu)各种不同的模态，这些模态会做一个横向(xiàng)的发展，更多的让你这个(gè)模型具备(bèi)更多的技能，能够去完成更多的任(rèn)务，然(rán)后同时跟纵向的智商的发展相结合(hé)。

在这两个维度上(shàng)，我(wǒ)觉得都看到了非常(cháng)大(dà)的进展(zhǎn)，比如说在纵向的维度上，其实智商是一直在提升的，比如说(shuō)我们如果去看竞赛数学能力，去(qù)年是完全不及格，到今年已经(jīng)能做到90多分，像(xiàng)代码基本(běn)上也是一样，能够击败很多专业的编程选手，包括因此也产生了很多新的(de)应用机会，比如说像现在比较(jiào)流(liú)行的(de)类似curser这样的，通过自然(rán)语言直接去写代码的这样的软件也越来越普及，这是技术发展的结果。包(bāo)括我(wǒ)们去看很多具体的技术指标，现在的语(yǔ)言模型能支持的(de)上下文的长度，我们如果去年这个时间点去看的话，大部分的模型都只能支持4K-8K的，但是从今天去看你会(huì)发现4K-8K已经是非常低的数了，128K是(shì)一个标配，已经有很多可以支持1M甚至10M的长文本的长度。所以，它这个其(qí)实也是(shì)后面你的智商不断提升的一个很重要的基(jī)础。

包括(kuò)最近的很多进展，它不光只是说(shuō)Scaling，Scaling还(hái)是会持续。而且很多(duō)进展也来自于(yú)你的后训练(liàn)算法(fǎ)的优化，来自于你(nǐ)数据的(de)优(yōu)化，这些(xiē)优化(huà)它的周期是会更短的。所以，这(zhè)个周期更短导致你整体AI发展节奏也会进一步加快，包(bāo)括我们最近在数(shù)学(xué)上看到的很(hěn)多进展(zhǎn)，其实也是得益于这些技术的发展。

横向(xiàng)上当然也产生了很多新的突破，当然Sora可能是(shì)影响力最大的，在这里面完成了这个视频生成。包(bāo)括最近(jìn)有特别多新(xīn)的产品和技术出来，现在你已经可以通过(guò)一个论文直(zhí)接生成基本上你看不(bù)出来是真是假的双人的对话。类似这样的不同模态之(zhī)间的(de)转化、交互和生成，其实会变的越来越成熟。所(suǒ)以，我觉得整体是在加速的过程中(zhōng)。

朱军：AGI这里面大家最关(guān)注的(de)还是大模型，刚才两位(wèi)也讲了去年包括今年大模型也发生了很多(duō)重要的(de)变(biàn)化。整个的进展(zhǎn)我是非常(cháng)同意刚才讲(jiǎng)到的(de)，在加快(kuài)。

另外(wài)，我想补充一点，大家在解新的问题(tí)，这个速度也在加快(kuài)了，我们说它的Leaning corve在变的更陡。原来(lái)如(rú)果你看语言模型，可能从(cóng)2018年最早去做的(de)，到去年以及到今年，大家走了(le)五六(liù)年的(de)路。但其实从去年(nián)开始，上半(bàn)年大家(jiā)还是关注语言模型，下半年在讨论多(duō)模态，从多模态理解(jiě)再到(dào)多模态生成。我们再回过头看的话，比如说图像或者视频，其(qí)实视频最明显(xiǎn)，从今年的2月份，当时(shí)很多人被震惊到了，因为(wèi)它很多没有公开，就说怎么去突破？有(yǒu)很多的讨论。但事实上我们现在看到这(zhè)个行(xíng)业里面，大概用(yòng)了半年的时间，已经做到了可以去用，而(ér)且达到了一个很(hěn)好(hǎo)的一些效果，在时空一致性上。所以大概走了半年的路。

所以这里面加速的一个最核心的原因，现在大家对这种路线的认知和准备上，达到了比较(jiào)好的程度。当然(rán)我(wǒ)们还有物理(lǐ)的条件，比如说像云的设施(shī)，计算的资源(yuán)的准(zhǔn)备上，不(bù)像ChatGPT当时出来的时候，大家当时更多的是一种(zhǒng)不知所措，我觉得很多人可(kě)能(néng)没(méi)准备好去接受这(zhè)个，所以中间(jiān)去花(huā)了很长(zhǎng)时间去学习(xí)、去掌握这(zhè)个。当我(wǒ)们掌握了(le)之(zhī)后再发现这个进展的话，再去做新(xīn)的问题，其实它的速度(dù)是越来越快的。

当然，这个可能不同的能力它再辐射到(dào)实际的用户的角度来说，有一些快慢之(zhī)分，当然也分行业。这个可能在广泛的角度(dù)来说，大家(jiā)可能没感(gǎn)知到。但是从技术(shù)来说，其实这个进展我感觉是曲线越来越陡，而且可能对(duì)后(hòu)边我们要预测未来(lái)的话(huà)，包括(kuò)向更高(gāo)阶的AGI发展，我(wǒ)是比(bǐ)较乐观的，可能会看到比之前更快的速度去实现了。

主持人(rén)：最近(jìn)OpenAI刚刚出的O1的新的模型，也是在专业人群(qún)里(lǐ)形成了非常(cháng)多的(de)影响，现在(zài)还在很丰(fēng)富的讨论。怎么评价O1进展的意义？

姜大昕：确实我看到一些非(fēi)共识(shí)，有些人觉得意(yì)义很大(dà)，有些人觉得也(yě)不过(guò)如此。我觉得大家如果去(qù)试用O1的话，可能第一(yī)印象是它的(de)推理能力确实(shí)非(fēi)常惊艳，我们自己试了很多(duō)Query，觉得推(tuī)理能力确实上了一(yī)个很(hěn)大的台阶。

然后我们去思考它背(bèi)后的(de)意义究(jiū)竟是(shì)什么，我(wǒ)能想到的(de)有两点(diǎn)：1.它第一(yī)次(cì)证明了Large language model，就(jiù)是语言模型(xíng)，它可以有人脑的慢思考的能力。它和以(yǐ)前GPT的(de)范式，或者GPT的训(xùn)练，它叫，Predict next Token，它(tā)只要这样训练了，就注定了它只有system 1的能力。而(ér)O1是用了一个强化学习的训练(liàn)框架，所以带来(lái)了(le)系统2的(de)能力。

系统1的体现，它是(shì)一个直线性思维，虽(suī)然(rán)我们看到GPT4有时(shí)候可以把一个复杂(zá)的问题拆解成很多步，然后分(fēn)步去解决，但它还是(shì)直线(xiàn)性的(de)。系统1和系统2最(zuì)大的区(qū)别在于，系统2能够去探索不同的路径，它(tā)能够自我(wǒ)去反思、自我去纠错，然后不断的试错，直(zhí)到找到一个正确的途径，这是系统2的(de)特点。这次O1，它是把以前(qián)的模仿学习和强化学习结(jié)合起来了，使得一个模(mó)型同时有了人脑系统(tǒng)1和系统(tǒng)2的能力。所以我觉得(dé)从这个(gè)角度来看，它的意义是非常大的。

第二，它带来了一个Scaling Law的新方向，我理解(jiě)O1试图回答的一个(gè)问题，就(jiù)是说RL（强(qiáng)化学习）究竟怎么去泛化。因为强化学(xué)习它不是(shì)第一个，DeepMind一直(zhí)走的是强化学(xué)习的路线，从AlphaGo到AlphaFold到AlphaGeometry，其实它(tā)在强化学习上是(shì)非(fēi)常厉害的。但以前强化学习的场景都是会为特定场景去设(shè)计，AlphaGo只能下围棋，AlphaFold只能去预测(cè)蛋(dàn)白质的结构。所以这次O1的出现，它是在RL强化学习(xí)通用性和(hé)泛化性上了一个(gè)大的台阶，而且(qiě)它(tā)scale到了一个很大的规(guī)模，所以我把它看成scaling带来新的(de)技术(shù)范式，我们不妨称之为RL Scaling。而且我们看到有意思的一点，O1并没有(yǒu)到很成熟的阶段，它(tā)还是一(yī)个开端，但是(shì)这个恰恰让人觉得非常的兴奋，这就等于OpenAI跟我们说，我找(zhǎo)到了一条上限很高的道(dào)路，而且(qiě)你仔细去(qù)思考它背后的方法，你会相信这(zhè)条路实际上是能走得下去(qù)。所以O1从能(néng)力上来讲，我觉(jué)得它展示了Language model可以有系统(tǒng)2的能力，从技术上来说它带来新的scaling范式，所以它的意义还是非常大的。

朱(zhū)军：我的看阶跃星辰姜大昕、月之暗面杨植麟、生数科技朱军，云栖大会激辩“通往AGI的大模型发展之路”法，它是代(dài)表(biǎo)着一个(gè)显(xiǎn)著的质变。我们也对AGI大概(gài)做了一些分级，学术界，包括产业界大家有L1-L5的分级。其实L1的话相当(dāng)于聊天机器人(rén)，就是像ChatGPT等，之前(qián)大家做(zuò)了很多对话的(de)。L2叫(jiào)推理者，实际上可以做复杂问题深度思(sī)考的推理。L3叫智能体，回应(yīng)吴总(zǒng)讲的(de)“数字世界”走向“物理世界”，我要去改变的，我要去交互的(de)。L4是创(chuàng)新者，它要去发现(xiàn)、创造一些新的东西，或者发现一些新的知识。L5是(shì)组织者，它可以去协同，或者某种组织方式更高效来运转，这是(shì)大家对于(yú)AGI L1-L5的分级(jí)，当然每一级也(yě)有narrow和general的区分，在某些Task上(shàng)展示出来。比如O1在L2的narrow场景下，在一些(xiē)特定(dìng)任务下已经实现了人(rén)类达到很高阶(jiē)的智能(néng)水平。我觉得从分级角度来看，它确实代表(biǎo)着整个(gè)行业巨大的进(jìn)步。

刚才(cái)技术上姜总也讲(jiǎng)了，它将过去强化学习(xí)或者其他一(yī)些技术，其实在研究里已经做了很(hěn)多东西(xī)，但实际上(shàng)它在大规模基(jī)座模型(xíng)上能够做出来的效果，这(zhè)还是从工程上，或者(zhě)从实现上来说对行业很大的触动。当然它也会错(cuò)发或者激发出来很多未来的探索，或(huò)者实际的研(yán)发，可能会走向从narrow到general的(de)跃迁。刚才讲到速度，我相(xiāng)信它会很快，因为大(dà)家已经有很(hěn)多准备了(le)，我也期待这个领域(yù)里更多将L2做得更好，甚至更高阶的能实现。

杨(yáng)植(zhí)麟：我觉(jué)得它的意义确实是很大，主要意义在于它提升了AI的上限。AI的上限是说，你现在去提升5%、10%的生产力，还是说10倍的GDP，我觉得这里(lǐ)最(zuì)重要的问题就是你能不能通过强化学(xué)习进一步scaling，这是完全提升了AI上限的东西。我们如果看AI历史上七八(bā)十年的发展，唯(wéi)一有效的就是scaling，唯一有效的(de)就是加更多的算力。但在O1提出之前，可能也有(yǒu)很(hěn)多人在研究强化学习，但(dàn)都没有一(yī)个非常确(què)切的答案，强化学(xué)习如果和大语言模(mó)型(xíng)，或者和(hé)training pro阶跃星辰姜大昕、月之暗面杨植麟、生数科技朱军，云栖大会激辩“通往AGI的大模型发展之路”cessin这些东西整合在一起，它能否持续提升。比如GPT4这一代模型的提升，更多是确定性的提(tí)升，我在一样范式下把规模变(biàn)得更大，它肯定是确定性的提升。但是我觉得O1的提升阶跃星辰姜大昕、月之暗面杨植麟、生数科技朱军，云栖大会激辩“通往AGI的大模型发展之路”并(bìng)不是(shì)一个完全确定性的，这样的提升。

所(suǒ)以在之前大家可能会担心现在互联网上大(dà)部分优质数据都(dōu)已经被使用完了，然后你可能继续使用这个数据(jù)也没有更(gèng)多数(shù)据可以挖掘，所以你原来的范式可能会遇到(dào)问题。但AI有效了，你又需要进一步scaling，那你这个scaling从哪里来，我觉得很大程度上解(jiě)决了这个问题，或者说(shuō)至少证明了(le)它初步可行。初步可行的情况下，可(kě)能我们会有越来越多人投入去做这个事情，最终(zhōng)你要做到10倍GDP的最终效果，它完全有可能，我觉得是一个很重要(yào)的开端。

我觉(jué)得对很多产业格(gé)局上，或(huò)者对于创业公司新机会来说也会发(fā)生一些变化。比如我(wǒ)觉得这里很关(guān)键的一(yī)个点(diǎn)，你的训练和推理算力占比是会发生很大的变化(huà)，这个变化我不是说训练的算力会下降，训练的算力还会持续提升。与此同时(shí)，推理的算力提升会更快，那这个(gè)比例的变化本质上会产生很多新(xīn)的机会，可能这(zhè)里很多新的创业公司的机会。一方面，如果你达到一定的算力门槛，它可以在这里做很多算法的基(jī)础创(chuàng)新，那你可以在基础的模型(xíng)上甚至取(qǔ)得突破，所以我觉得这个很重(zhòng)要。

对于算力相对小一点的(de)公司，它也可以通(tōng)过后训练的方式(shì)，在一(yī)些领域上(shàng)做到一(yī)些(xiē)效果，这里也会产生更(gèng)多的产品和技术机会，所(suǒ)以我觉得(dé)整体也(yě)是打开了(le)创(chuàng)业相关的想象空(kōng)间。

主持人：这一波(bō)AI新的变化，接下来(lái)会对(duì)AI相关的产(chǎn)品带来什么样的连锁反(fǎn)应，这个变化如何发生？

杨植麟：这是很(hěn)好的问题，我们(men)现在还是处于产(chǎn)业发展的早期。产业发展的早期有一个特(tè)点，还是技术驱(qū)动产品会更(gèng)多，所以很多时候你的产品会去看当前的技术是怎么发展，然后把它最大化(huà)的价值提取出来，所以这个问题首(shǒu)先非常好，可能(néng)我(wǒ)们根据这个新的(de)技术进展，再返(fǎn)过来(lái)推一下现在产品应该做什么变化(huà)。

现在(zài)的技术发展有几个(gè)点：

一个，我觉得这里面会有很多探索新的PMF（product market fit）的机会。我觉得PMF指的是两个东西的平衡(héng)：一方面(miàn)是(shì)由于你需要做这种系统(tǒng)2的思考，导致你的延时增加。对用(yòng)户来说，延时增加是一个负向的体验，因为所有用户都希望(wàng)我(wǒ)尽快能拿到结果；第二个点，它确实能(néng)提供更(gèng)好的输出(chū)，能拿到更好的结果，甚至能完成一(yī)些跟更复杂的任(rèn)务。等于说新的PMF产生的过程或者探索的过(guò)程，其实是(shì)要(yào)在在延时(shí)增(zēng)长的用户体验下降和最后(hòu)结果产生质量更高的用户价值的上升之间找到一个平(píng)衡点。所以你要让这个增量的价(jià)值是大(dà)于体验的损失(shī)，我觉得这个很重要。所以在这里面更高价值(zhí)的场景，特别是生产力的场景，我觉得会率先有(yǒu)一些东(dōng)西出来。因为如果你是一个娱乐场景，大概率你可能很难忍受这种延时(shí)上的增加。所以(yǐ)，我觉得这(zhè)是比较重(zhòng)要的一点

产品形态上，我(wǒ)觉得也会发(fā)生一(yī)些变化。因为你引入这种思考的范式，所以现(xiàn)在同步及时的类似聊天的产品形态(tài)一定会(huì)发生变化。因为以后的AI，可能它(tā)不(bù)光是现在思考个(gè)20秒(miǎo)、40秒，它已经可(kě)能要思考或者调用(yòng)各种工具，它可能执行分钟级别、小时级别甚至天级别的任(rèn)务，所以你的产品形态上可能会(huì)更接近一个人，它更接近“助理”的概念，帮(bāng)你完成(chéng)异步的任务。这里面的产品形态设计，我觉得可能也会发生很(hěn)大的变化(huà)。所以这(zhè)里面，我觉得新(xīn)的想象空间蛮大的。

朱军：我觉得大模(mó)型或者大规模预训练的技(jì)术代表(biǎo)着整个范(fàn)式的变化，前面也聊到很多，不光是语言，到多模态，到具身、空间(jiān)智能，中间还(hái)是想我怎么去让智能体(tǐ)能够有交互，能够在这个过程中来学习。从智(zhì)能的(de)角度来看，包括从AGI发展上(shàng)，它是一(yī)个必然，因为(wèi)决策、交互(hù)实际上是我(wǒ)们(men)说的智能里面非常核心(xīn)的(de)能力的体现。我们每时每刻其(qí)实(shí)都在做决策，我们面对的是一个(gè)未知的开(kāi)放(fàng)环境，所以对于智能来(lái)说，它的(de)发展路径上，在整个规划里面(miàn)大家也是朝着这个方向走。

现在所有这些进(jìn)展，包(bāo)括刚刚讨论很多的O1，包括做视频生成，或者3D，这些东西大家最后要指向的有两(liǎng)个(gè)方(fāng)向：

一个是(shì)给消费者看到的这(zhè)些数字内容，就是说看上去很好看、很自然(rán)，能够讲故事，能够(gòu)让大(dà)家参与讲故事(shì)、能够交互(hù)。这肯(kěn)定(dìng)是一个(gè)很重要的方向，在数字内容上。

另外一个(gè)方向，指(zhǐ)向实体、指向物理(lǐ)世(shì)界。

现在可能最(zuì)好的(de)一个结合点就是和机器人来结合在(zài)一起。其实现在已经有好多例子在展示出来，我们也(yě)看到很好的一(yī)些进展，比如用了预(yù)训练的(de)范式，如何让机器人的能力具有通用性；比如我们自己实验室做(zuò)多的例子(zi)，像四足机器人，过去大家(jiā)在不同场地上，你要让它跑起来都需(xū)要用很多(duō)的人工调参。但现在你在一个仿真环境里面(miàn)，或者用一(yī)些(xiē)AI的方(fāng)式来生成(chéng)一些(xiē)合成数据，让它(tā)在里面大规(guī)模(mó)地训练，训练出来的策略(lüè)可以灌到机器人上，它相当于换了一副大(dà)脑，可以让它的(de)四(sì)肢更好地协同起来，同样一(yī)套策略可以做(zuò)各(gè)种场(chǎng)地的适应。其实这还是一个初(chū)步的例(lì)子(zi)，现在大家也(yě)在(zài)关(guān)注更复杂的控制决策，就像空(kōng)间智能、具身智能。

就像刚(gāng)才讲(jiǎng)到智能体是AGI的L3，所(suǒ)以现在用到L1、L2的进展之后，后面肯定(dìng)会提升到L3，让机器(qì)人更好地做它的推理规划，然后(hòu)更好更高效地和环境做(zuò)交互，更好地完(wán)成我们的复杂任务(wù)。因为现在很多时候任务(wù)相对来(lái)说(shuō)分散，给它定义成一个简化的。未来，我(wǒ)们很快可以(yǐ)看到它可以接受复(fù)杂的指令、完成复杂的任务，通过它内嵌的(de)思维链或者过程的学习(xí)方(fāng)式，能够完成复杂任务(wù)。所以(yǐ)到那个(gè)时候，智能的能(néng)力(lì)又(yòu)有一个很巨大(dà)的提升。

主持人：虽然意料未来都很难，至少(shǎo)心里会有一个期待，比如在(zài)下一个18个月里，我们希(xī)望看到什么样的(de)进展，在AGI的领域里？

朱军：因为现在整个(gè)是一个加速，其(qí)实很(hěn)多时(shí)候我们预(yù)测通常(cháng)会过于保守。如果回到你的问题，我(wǒ)预想未来18个月可能比较令人兴奋的一(yī)个进(jìn)展(zhǎn)，我希望看到AGI的L3已经基本上实现。至少(shǎo)在智能体，比如我(wǒ)们说的世界模型的创建生成、虚实融合，至少在一些(xiē)特定场景下的决策能力的巨大的提升。其(qí)实它会利用我们今天讲到(dào)的推理、感知等等。

因为我前一段时间领了(le)一(yī)个任务，就是对L4做专(zhuān)门的分析，就是到底我(wǒ)们缺什么？做了L4的。其(qí)实最后调研或者是分析下来，你会发现如果我(wǒ)们要做科学(xué)发现或者做创新(xīn)，它需要的那(nà)些能力，可能目前是散(sàn)落(luò)在各个(gè)角落里面，当(dāng)然现在可能(néng)还缺一个系统(tǒng)怎么把这些东西集成在一起，给它做work。所以我觉得如果更激进一点，我(wǒ)甚至觉得(dé)未来18个月可能在L4上也会有显著的进展。当然这里(lǐ)面我(wǒ)讲的是严肃的科学发现，其实L4还有一些创意的表达上，目前我们在(zài)某种意义上已(yǐ)经达到了，比如说(shuō)艺术创造、图(tú)生视频，一定程度上它已经帮大家放大你的想象，或者让你的想象可以具象(xiàng)化。所以，我对整个于是还(hái)是比(bǐ)较乐观的(de)，我(wǒ)觉(jué)得(dé)至少L3或者未来(lái)L4有一些苗子了。

到今(jīn)年年底，希望(wàng)将我们本来做(zuò)的视频模型能够以更加(jiā)高效、更可控的方式提供给大家。

我解释一下高效和可(kě)控。可控，比如你想表达一个故事，不是简单地将一(yī)段话或者(zhě)一个图片(piàn)给它动起(qǐ)来，我们是希望你可以连续地讲，而且它不(bù)光是(shì)人的(de)一(yī)致性，还包括物(wù)体等各(gè)种主题的(de)一致(zhì)性，还(hái)包(bāo)括交(jiāo)互(hù)性；高效，它一方面解决对算力成本的考量，因(yīn)为你如(rú)果想要服务很多人(rén)，让大家(jiā)用的(de)话，首先(xiān)你成本要降下来，不然这(zhè)个本身就(jiù)是烧(shāo)钱(qián)，一(yī)直赔钱。另外一(yī)个更(gèng)重要的，还是从体验上。就使用者来说，因为他想(xiǎng)表达自己的(de)创意，他可能需要多次和系统来交互，一方面是(shì)验证，另外一方面(miàn)是启发，所(suǒ)以这个过程也需要你的模(mó)型系统能够(gòu)比较高效，比如(rú)说(shuō)终极目标达到实时，能够让大(dà)家快速尝(cháng)试。等到这个阶段，我相信大家的用户(hù)体(tǐ)验，包括用户量都会有一个巨大的提升，这(zhè)是我们(men)今年想重点(diǎn)突破的。当然长(zhǎng)远的(de)话，可能明年18个月会走向(xiàng)实体的(de)虚实融合的场景了(le)。

杨植鳞：我觉得接下来最重要的，可能是开放性的强(qiáng)化学习，比如(rú)说你在产品上跟(gēn)用户交互，在一个真实的环境里面(miàn)完成任务(wù)，然后(hòu)自己去进化。当然(rán)，我觉得O1一定(dìng)程(chéng)度上说明(míng)这个方向有比(bǐ)之前更强的确定性，我觉得这个会是一个重(zhòng)要的里程(chéng)碑，也是AGI路上现在仅甚(shèn)唯一的一个重要问题了。所以，我觉得这个会很关键。

张鹏：对(duì)，18个月已经是很长了，如(rú)果看看看过去18个月走的路。你未来(lái)3个月，有(yǒu)什(shén)么可以透(tòu)露的吗？

杨植鳞：我们还是希望能够在产品和技(jì)术上持续地创新，至少可能在(zài)一两个重要领域能够做(zuò)到世界最好，但是有新的进(jìn)展会(huì)尽快跟大家分享。

姜大昕：第一，我也很期待强化学习(xí)能(néng)够进一步泛(fàn)化。另外一个方向其实我也很期(qī)待，应该说期待(dài)了(le)很久就是在视觉领域的理解和生(shēng)成一体化的事(shì)情。因为在文字领域，GPT已经做到了理解生成一体化(huà)，但(dàn)遗憾的(de)是在视觉领域，这个问题当然不(bù)是遗憾，它非常难。所以在目前为止，我们看到的视觉的(de)理解和生成，这两个模型(xíng)是(shì)分开的。即使像(xiàng)刚(gāng)才说(shuō)的多模(mó)融合，如果大家仔细看GPT4，它其他模态都解决了，它唯独不能生成视频，所以这是一个悬而未决的事情。

它为什么很(hěn)重要呢？如果我(wǒ)们(men)解决(jué)了视频理解(jiě)生成一体(tǐ)化，我们(men)就可以彻底建立一个多模的世界模型，有一个多模的世界模(mó)型以(yǐ)后，可以帮助(zhù)我们真正产生非常长的视频，也就是说解决Sora（音译）目前的技术缺陷。还有(yǒu)一个(gè)，它可以和具身智能(néng)相结合(hé)，它可以作为(wèi)机器人的(de)大脑去(qù)帮助智(zhì)能体更好地探索物理世界(jiè)，所以我也是非常期待的。

张鹏：你未来年底之前，有什么我们值得期待的你(nǐ)的进展(zhǎn)？

姜大昕：我也是期待一方面模型和技术的进步，另外一方面产品能带给用户更多更好的体(tǐ)验，其实阶跃有一款产品叫“跃问”，在上面，用户可(kě)以体验我们最新的万亿参(cān)数的模型，它不(bù)光是理科很(hěn)强，而且它的文学创作能力也很强，经常(cháng)给大家带来一些惊喜。同时，跃问上还有(yǒu)一个新(xīn)的功能叫(jiào)“拍(pāi)照问”，我们看到用户经常拍(pāi)张照片去问食(shí)物的卡路(lù)里，去问宠物的心情，问一个文物的前世今生，包括Mata眼镜的发布，还有Apple Intelligence，它今年都突出了视觉交(jiāo)互的(de)功能。所以我们在跃问上也有体现，而且我们会努(nǔ)力一步(bù)步(bù)把这个功能做得越来越好。

未经允许不得转载：中央空调,电梯,空气能热水器-中央空调,电梯,空气能热水器阶跃星辰姜大昕、月之暗面杨植麟、生数科技朱军，云栖大会激辩“通往AGI的大模型发展之路”