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(xī)，在2024云栖大会上，极客公园创(chuàng)始人、总裁张鹏对话阶跃星辰创始人、首席执行官姜大昕，月之暗面Kimi创始人杨植麟，清华大学人工智能研究院副院长、生数科技首席科学家朱军(jūn)，三(sān)人对AGI发(fā)展现状和未来展望(wàng)进行了(le)激烈讨论和前瞻展(zhǎn)望。

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

姜大昕表示AI 技术发展(zhǎn)加速， AI 发展正在经历关键的技术范(fàn)式迭代： OpenAI 的大模型 o1 探(tàn)索出了通过(guò)强化学习(xí)让 AI 具备人类慢思考（可主动反思、纠错的复(fù)杂(zá)思考）能力(lì)的方式，接下来提升强(qiáng)化(huà)学习模型的泛化能力和加速推进(jìn)多模态理解生成一体化是 AI 技术进一(yī)步突(tū)破的关键。阶跃(yuè)星辰积极探索新的(de)技术范式，已经在(zài)万亿(yì)参数模型上(shàng)实现了强化(huà)学习(xí)训练的方法论。同时，持续打磨更高性能的底(dǐ)层大模型，提升C端产品体验。据他透露，近(jìn)期阶跃星辰自研(yán)的 Step-2 万亿参数 MoE 语言大模型已接入智能助手“跃问”，展现出更强大的指(zhǐ)令跟随、创(chuàng)作和推理(lǐ)能力。

谈到(dào)AI产品未来(lái)的可能形态，杨植麟表示，以后的 AI可(kě)能要思考或者调用(yòng)各种工(gōng)具，它可(kě)能执行分钟级别、小时级别甚至天级别的任务，所以产品形态上可能会更接近一个人，它更接近(jìn)“助理”的概念，帮你完成(chéng)异步(bù)的任(rèn)务。这里(lǐ)面的产(chǎn)品形态设计可能也会发生很大的变化，想象空间蛮大。

谈到未来18个可能发生的事情，朱军(jūn)表(biǎo)示，预想未来(lái)18个(gè)月可能(néng)比较令人兴奋(fèn)的一(yī)个进展，我希望看到AGI的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(de)创(chuàng)建生成、虚实融合(hé)，至少在一些特定场景下的决策能力的巨大的提升。其实它会利用我们今天讲到的(de)推理、感知等等。

以下为对话实录摘录：

主持人：从ChatGPT的发展，引发(fā)了(le)整(zhěng)个世界对于(yú)AGI这个事情的理解，发展到现在也18个(gè)月了。各位的(de)感受是怎(zěn)么(me)样的(de)，过(guò)去(qù)18个月，AGI的(de)发展是加(jiā)速还是减速？

姜大昕：我觉得过去18个月速度还是在加速的，速度还是非常快的。因为当我们回顾过去18个月发生的大大小小的AI事件以后(hòu)，可以(yǐ)从两个维度去看(kàn)，一(yī)个是数量的角度，一个是(shì)质(zhì)量的角(jiǎo)度。

从数量的(de)角度来看，还(hái)是(shì)每个月都(dōu)会有新的(de)模型、新的产品、新的应用涌现出来。比如单从模型(xíng)来看，OpenAI 2月份发了一个sora，我记(jì)得(dé)当时还是过年的时候，把大家轰炸了一下。然后5月份出了一个GPT-4o，上周又出了o1。OpenAI的(de)老(lǎo)对手Anthropic它有(yǒu)Claude3到Claude3.5的系列，再加上谷(gǔ)歌Gemini系列、Claude系列、LLaMA的系列，等等。

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”所以，回(huí)顾过去，我们的感觉还是GPT-4是一(yī)家独大，遥遥领先。到了今年就变成了一个好(hǎo)像是群雄并(bìng)起，你追我(wǒ)赶的局面，所以感觉各家是在提速了。

从质量的角度来看，我觉得有(yǒu)三件(jiàn)事(shì)情(qíng)可能给我的印象非常的深(shēn)刻。

第一件事情，GPT-4O的发(fā)布(bù)。因(yīn)为我看它(tā)，认(rèn)为它是在(zài)多模融(róng)合这样的一个领域上了一个新的台阶。在(zài)GPT4O之(zhī)前(qián)，是有GPT4V，它是(shì)一个视觉(jué)的理(lǐ)解模型，有Dalle、Sora，这是视(shì)觉(jué)的生成模型。还(hái)有Whisper这是声音模型。所(suǒ)以原本这些孤立的模型到了4O这里都融合在一起了。

那为什(shén)么融合这件事情非常的重(zhòng)要？是因为(wèi)我们的(de)物理世界本身就是一个多模的(de)世界，所以多模融合一定是有助于更好的去为我(wǒ)们的物理世界建(jiàn)模，去模拟世界这样一件事情。

第二件事情(qíng)，特斯拉发布(bù)的(de)FSD V12。大家知道它是(shì)一个端到端的大(dà)模型，它(tā)把感知信号变成(chéng)一个控制序列。智驾是一个非常有代表性的，它是一个从数字世(shì)界走向(xiàng)物理世界一个真实的应用场景。所(suǒ)以，我觉得FSDV12它的成功，意义不仅在于智(zhì)驾本身，这套方法论可以认为是(shì)为将来的智能设备如(rú)何和(hé)大模(mó)型相结合，更好的去探索物理世界指明了一(yī)个方向。

第三件事情，上周的O1，我对它(tā)的理解，它第一次证明了语(yǔ)言(yán)模型其实也(yě)可以有人脑(nǎo)的慢思考，就是系统2的能力。而我们觉得系统2的(de)能力它是归纳世界所必备的一个前提条(tiáo)件，是(shì)一个基础的能力。所以，我们(men)一直认(rèn)为，AGI的(de)演进路线可以(yǐ)分(fēn)为模拟世界、探(tàn)索世(shì)界、最后归纳(nà)世界。而(ér)过去几个月的时间我们看(kàn)到GPT4O、FSD V12和O1分别在这三个阶段或者这三(sān)个(gè)方向上都取得(dé)了非常大(dà)的突破，而且更重要的是(shì)为将来的发展也指明了一个方向。所以无论是从数量还是质(zhì)量上(shàng)来说，都是可圈可点。

杨植麟：我觉得整体也(yě)是属于加速发展的(de)阶段，核心可(kě)以从(cóng)两个(gè)维度来看（AI的发展），第一个维度是纵向的维度，也就是说你的智(zhì)商是一直(zhí)在提升的，这个(gè)主要(yào)现在的反应方式(shì)还是你去看(kàn)文本(běn)模型能做到多好。第二个是横向的发展。除(chú)了文本模型之外，刚(gāng)才姜总提到的，也会(huì)有各种不同的模态，这些模态会做一个横向(xiàng)的发展，更多的让你这个(gè)模型具备更多的技能，能够去完成(chéng)更多的任务，然后同时跟纵向的智商的发展相(xiāng)结合。

在这两个维度(dù)上，我(wǒ)觉得都看到了非常大的进展，比如说(shuō)在纵向的维度上(shàng)，其实智商是一直在提升(shēng)的，比如说我们如果去看(kàn)竞赛数学(xué)能力，去年是完全不(bù)及格，到今年已经能做到90多(duō)分，像代码基本(běn)上也是一样，能够击(jī)败很多(duō)专业的编程(chéng)选(xuǎn)手，包括因此也产生了很多新(xīn)的应用机(jī)会(huì)，比如说像现在比较流行的(de)类似(shì)curser这样的，通(tōng)过自然语(yǔ)言直接去写代码的这(zhè)样的软件也越来(lái)越普及，这是技术发展的结果。包括我们(men)去看很多具体(tǐ)的技(jì)术指标，现在的语言模(mó)型能支持的上下(xià)文的(de)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(néng)支持4K-8K的，但是从今(jīn)天去看你会发现4K-8K已经是非常低的数了，128K是一个标配，已经有(yǒu)很多可以支(zhī)持1M甚至(zhì)10M的长文本(běn)的长(zhǎng)度。所以，它这个其实也是后面(miàn)你的智商不断提(tí)升的一个很重要的(de)基础。

包括最(zuì)近的很多进展，它不光只是说Scaling，Scaling还是会持续。而且很(hěn)多进展(zhǎn)也来自于你的后(hòu)训练算法的优化，来自(zì)于你数据的优化，这些优化它的周期是会更短的。所以(yǐ)，这个周期更(gèng)短导致你整体(tǐ)AI发(fā)展节奏也会进一(yī)步加快，包括(kuò)我们最近(jìn)在数学上看(kàn)到的很多进(jìn)展，其实也是得(dé)益于这(zhè)些技术的(de)发(fā)展。

横向上当然也产生了很多新的突破，当然(rán)Sora可能是影响力最大的，在(zài)这(zhè)里面完成了这个视频生成。包括最近有特别多新的产品和技术出来(lái)，现在你已经可以通过一个(gè)论文直接生成基本上你看不出来是真是假(jiǎ)的双人(rén)的对话。类似这样的不同模态之间的转化、交互和(hé)生(shēng)成，其实会变的越来越成(chéng)熟。所以，我觉得整(zhěng)体是(shì)在加(jiā)速的过程中。

朱军：AGI这里面(miàn)大家最关注的还(hái)是大模型(xíng)，刚才两位也(yě)讲了去年包括今年大模型也发生了很多重(zhòng)要的变化。整个的进(jìn)展我是非常同意刚才讲(jiǎng)到的，在加快。

另(lìng)外，我想补充一点，大家在(zài)解新的问题，这个速(sù)度也在加快了，我们(men)说它的(de)Leaning corve在变(biàn)的更陡。原来如果你看语言(yán)模型，可能从2018年最(zuì)早去做的，到去年以(yǐ)及到今年，大家走了五六年的(de)路。但其实从去年(nián)开始，上半年大家还(hái)是(shì)关注语言模型，下半年在讨(tǎo)论(lùn)多模(mó)态，从(cóng)多模(mó)态理解再到(dào)多模态生成。我们再回(huí)过头看的话，比如说图像或者视频，其(qí)实视频最明显，从(cóng)今年的(de)2月份，当(dāng)时很(hěn)多(duō)人被震惊到(dào)了，因为它很多没有公开(kāi)，就说怎么(me)去突(tū)破？有(yǒu)很多的(de)讨论。但事实上(shàng)我们现在看到这个行业(yè)里面(miàn)，大概用(yòng)了半(bàn)年的时间，已经做到了可以去用，而且(qiě)达到了一(yī)个很好的一些效(xiào)果，在时(shí)空一致性上。所以(yǐ)大概(gài)走了半年的路。

所以这里面加速的一个(gè)最(zuì)核心的(de)原因，现在大家对这种路(lù)线的认知和准备上，达到了比较(jiào)好的(de)程度。当然我(wǒ)们还有物理的条件，比如说像云的设施，计算的资源的准备上，不(bù)像ChatGPT当时出来的时候，大(dà)家当时更多(duō)的是(shì)一种不知所措，我觉得(dé)很多人可能没准备好去接受这个，所以中间(jiān)去花了很(hěn)长(zhǎng)时间去学习、去掌握这个。当(dāng)我们掌(zhǎng)握了之后再发(fā)现这(zhè)个(gè)进展的话，再去做新的问题，其实它的速度是越来越快的。

当然(rán)，这个可能不同的能力它再辐射到实(shí)际的用户的角度来说，有一(yī)些快(kuài)慢之分，当然也分行业。这个可能在广泛的角度来(lái)说，大家可能没感知到。但是从(cóng)技术来说，其实这个进展(zhǎn)我感觉是(shì)曲线越来越陡，而且可能对后边我(wǒ)们要预测未来的话，包(bāo)括向更高(gāo)阶的AGI发(fā)展，我是比较乐观的，可能会看(kàn)到比之前更快的速度去实现了。

主持人：最近OpenAI刚刚出的O1的新(xīn)的模型(xíng)，也是在专业人群里形成(chéng)了非常多的影(yǐng)响，现在还(hái)在很丰富的讨论。怎(zěn)么评价(jià)O1进展的(de)意义？

姜大昕：确实我看到一些非共识，有些人觉得(dé)意义很大，有些人觉得也不过(guò)如此。我觉得大家如果去试用O1的(de)话，可能(néng)第一印象是它的推理能力确实非常(cháng)惊(jīng)艳，我们自己试(shì)了(le)很多(duō)Query，觉得推理能力确实上了一个很大的台阶。

然后我们去(qù)思考它背后的意义究竟是什么，我(wǒ)能想到的有两点：1.它第(dì)一(yī)次证明了Large language model，就是语言模型，它可以有人脑的(de)慢思考的能力。它(tā)和以前GPT的范式(shì)，或者GPT的训练，它叫，Predict next Token，它只要这样训(xùn)练(liàn)了，就(jiù)注定了它只有system 1的能(néng)力(lì)。而O1是用了一个强化(huà)学习的训练框架(jià)，所以带来了系统2的(de)能力。

系(xì)统1的体现，它是一个直线性(xìng)思维，虽然我们看到GPT4有时候可以把一个复杂(zá)的问题拆解成很多步，然后分步去解决，但它还是(shì)直(zhí)线性的。系统1和系统2最大的区别在于，系统2能够(gòu)去探索不(bù)同的路径，它(tā)能够(gòu)自我去反思、自我(wǒ)去纠错，然后不断的试错，直到找到一(yī)个正确的途径，这是系统2的特(tè)点。这次O1，它是把以前的模仿学习和强化学习结合起来了，使得一个模型同时有了人脑系统(tǒng)1和系统2的能力。所以我觉得从这(zhè)个角度(dù)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O1试图回答的一(yī)个(gè)问题，就是说RL（强(qiáng)化(huà)学(xué)习）究(jiū)竟怎么(me)去(qù)泛化(huà)。因为强化学习它不是第一个，DeepMind一直走的是强化学(xué)习的路线，从AlphaGo到AlphaFold到AlphaGeometry，其实它在强化学习上是非常厉害的。但以前强(qiáng)化学习的场(chǎng)景都是会为特定场景去设计，AlphaGo只能下围棋，AlphaFold只(zhǐ)能去预测蛋白质的结构。所(suǒ)以这(zhè)次O1的出现，它是在RL强化学习通(tōng)用性和泛化(huà)性上了一个大的台(tái)阶，而且它scale到(dào)了一个很大的(de)规模，所以我把它看成scaling带来(lái)新的技术(shù)范(fàn)式，我(wǒ)们不妨称之为RL Scaling。而且我们看到有意思的一点，O1并没有到很成熟(shú)的阶段，它还是一个开(kāi)端，但是这(zhè)个恰恰让人(rén)觉得非常的兴(xīng)奋，这就等于OpenAI跟我们说，我找到了一条上限很高的道路，而且你仔(zǎi)细去思(sī)考它背后的方法，你会相信这条路实际上是能走得下(xià)去。所以(yǐ)O1从(cóng)能力上来讲(jiǎng)，我觉得它展示了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(fàn)式，所以它的意义还是非常大的。

朱(zhū)军：我的看法，它是代表着一个显著的质变。我们也对AGI大概做了一些(xiē)分级，学术界，包括(kuò)产业界大家(jiā)有L1-L5的分级。其实(shí)L1的话相当于聊天(tiān)机器人(rén)，就是像(xiàng)ChatGPT等，之前大家做了很(hěn)多对话的(de)。L2叫推理者(zhě)，实际上可以做复杂问题深度(dù)思考的推理。L3叫智能体，回应吴(wú)总讲的“数字(zì)世界”走向“物理世界”，我要去改(gǎi)变的，我要去交互的。L4是创新者，它要去发现、创造一些新的东西，或者发现一些新的知识。L5是组织者，它可以去协同，或者某种组织方式更高效来运转(zhuǎn)，这是大家(jiā)对于(yú)AGI L1-L5的分级，当然每(měi)一级也有narrow和general的区分(fēn)，在某些Task上展示出来。比如O1在L2的narrow场景下(xià)，在一些特定(dìng)任务下阶跃星辰姜大昕、月之暗面杨植麟、生数科技朱阶跃星辰姜大昕、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”军，云栖大会激辩“通往AGI的大模型发展之路”已经实现了(le)人类达到很(hěn)高阶的智能水(shuǐ)平。我觉得从分级角度来看，它确实代表着整个行业巨大(dà)的进步。

刚才技术上姜总也讲了，它(tā)将过去强化学(xué)习或(huò)者其他一些技术，其实在(zài)研究里已经做了很(hěn)多东西，但实(shí)际(jì)上它在大规模基座模型上能够(gòu)做(zuò)出来的(de)效(xiào)果，这(zhè)还是从工(gōng)程(chéng)上，或者从实(shí)现上来说对行业很大的触动。当然它也会错(cuò)发或者(zhě)激发出来很多未来的探索，或者(zhě)实际的研发，可能会走向从narrow到(dào)general的跃迁。刚才讲到(dào)速度，我相信它(tā)会很快，因为大(dà)家已经有很多准备了，我也期待这(zhè)个(gè)领(lǐng)域里更多将L2做得更(gèng)好，甚至更高阶(jiē)的能实现。

杨植麟：我觉得它的(de)意义确实是很大，主要意义在于它(tā)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(hái)是说10倍的(de)GDP，我觉(jué)得这里最重要的问题就是你能不能通过强化学习进一步scaling，这是完全提升了AI上限的东西。我们如(rú)果看AI历史上七八十年(nián)的发展，唯一(yī)有效的就是scaling，唯一有效(xiào)的(de)就是加(jiā)更多的算力(lì)。但在O1提(tí)出之前(qián)，可能也(yě)有很多人在研究(jiū)强化(huà)学习，但都没有一(yī)个非常确切(qiè)的答案(àn)，强化学习如果和(hé)大语言模型(xíng)，或者和training processin这些东西(xī)整合在一起，它能否(fǒu)持续提升(shēng)。比如GPT4这一(yī)代模型的提升，更多是确定性的(de)提升(shēng)，我在一样范(fàn)式下(xià)把规模变得更大，它肯(kěn)定是确定性的提升。但是我觉得O1的提升(shēng)并不是一个完全确定性的，这样的提升。

所以在之前(qián)大家(jiā)可(kě)能会(huì)担心现在互联网上大部分优质(zhì)数(shù)据都已经被使用完了，然后你可(kě)能继续使(shǐ)用(yòng)这个数据也没有更(gèng)多数(shù)据可以挖掘(jué)，所以(yǐ)你原来的范式可能会(huì)遇到问题。但AI有效了，你又需(xū)要进一步scaling，那你这个scaling从哪里来，我(wǒ)觉(jué)得很大(dà)程度上解决(jué)了这个问题，或(huò)者说至少证明了它初步(bù)可行。初步(bù)可行的情况(kuàng)下，可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(gè)很(hěn)重要的开端。

我(wǒ)觉得对很多产业格局上，或者对于创(chuàng)业(yè)公司(sī)新机(jī)会来(lái)说也会发生一些变化。比(bǐ)如我觉得这里很关键的(de)一个点，你的训练和推理算力占比是会发生很大的变化，这个变化我不是(shì)说训练的算力会下降，训(xùn)练的算力还会持续提升。与此同时，推理的算力提升会更快，那这个比例的变化本质上会产生很多新的机会(huì)，可(kě)能这里很(hěn)多新的创业公司的机会。一方面，如果你达到一定的(de)算力门(mén)槛，它可以在这里做很多算法的基础创新，那你可以在基础的模型上甚至取得突(tū)破(pò)，所以我觉得这个很重要。

对于算力相对小一点的公司，它也可以通过后训练的方式，在一些(xiē)领域上做到(dào)一些效果，这里也会产生更多(duō)的产品和技术机会，所(suǒ)以我(wǒ)觉(jué)得整体也是打开了创业相(xiāng)关的想象空间。

主持人：这一波AI新的变化，接下来会对AI相关的产品带来(lái)什(shén)么样的连锁反应(yīng)，这(zhè)个(gè)变化如何发生？

杨植麟：这(zhè)是很好的问题，我们现在还(hái)是处于产业发展的早期。产业发展的早期有一个特点(diǎn)，还是技术驱动产品会更多，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(dà)化的价值提取出来，所以这个问题首(shǒu)先非常好，可能我们根据这个新的技术进展(zhǎn)，再返过来推一下现在(zài)产品(pǐn)应该做什么变化。

现在的技术发展有几个点：

一(yī)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：一方面是由于你需要做这种系统2的思考，导致你的延时增加。对用户来说，延时增加是一(yī)个负向的体验，因为所有(yǒu)用户都(dōu)希(xī)望我尽快能拿到结(jié)果；第二个点，它确实能提供更好的输出，能拿(ná)到更好的结果，甚至(zhì)能完成一些(xiē)跟更复杂的任务。等于说新的PMF产生的过(guò)程或者探索的过程，其实是要在在延时增长的用户体验下降和最后结果产生质量更高的用户价值的上升之间找到一个(gè)平衡点。所以你要让这个增量(liàng)的价值是大于体验的损失，我觉得这(zhè)个很重要(yào)。所以在这里面更高价值的场景，特别(bié)是生产力的场景，我(wǒ)觉得(dé)会率先有一些东西出来。因为如果你是一个娱乐(lè)场景，大概率你(nǐ)可能很难忍(rěn)受这种延(yán)时上的增加。所以，我觉(jué)得这是比(bǐ)较重要的一点

产品(pǐn)形态上，我觉得也会(huì)发生一些变化。因为你引入这种思考的范式，所以现在同步及时的类似聊天的产品(pǐn)形态一定会发生(shēng)变化。因为以(yǐ)后的AI，可能它不光是现在思考(kǎo)个20秒、40秒，它已经可能(néng)要思考或者调用各种工具，它可能执行(xíng)分钟级别、小时级别甚至(zhì)天级(jí)别的任(rèn)务，所以你的产品形态上可能会更接近一(yī)个人，它更接近“助理”的(de)概(gài)念，帮你完成(chéng)异步的(de)任务。这里面(miàn)的(de)产品形(xíng)态设计，我觉得(dé)可能也会发(fā)生(shēng)很(hěn)大(dà)的变(biàn)化。所(suǒ)以这里面，我(wǒ)觉得新的想象(xiàng)空间蛮大的。

朱军：我觉得大模型或(huò)者大规模预训练的(de)技术代表着整个范式的变化(huà)，前面也聊到很多，不光是语言，到多(duō)模态，到具身、空间智能，中(zhōng)间(jiān)还是(shì)想我怎么(me)去让智能体能够有交互，能够(gòu)在这个过程中来学习。从智能的角度(dù)来看，包括从(cóng)AGI发展上，它是(shì)一个(gè)必然，因为决(jué)策、交互实际上(shàng)是我们说的智能里面非(fēi)常核心的能力的体现。我们每时每刻其实都在做决策，我们面对的(de)是一个未(wèi)知(zhī)的开放环境，所以对于智能(néng)来(lái)说(shuō)，它的(de)发(fā)展路径上，在整个规(guī)划里面(miàn)大(dà)家也是朝着这个方向走。

现在所有这些进展，包括刚刚讨(tǎo)论很多的O1，包(bāo)括做视频生成，或者3D，这些东西大(dà)家最后要(yào)指向的有(yǒu)两个方向：

一个是给消费(fèi)者看到的这些数(shù)字内容(róng)，就是说看上(shàng)去很好看、很自然，能够讲故事(shì)，能够让大(dà)家参与讲故(gù)事、能够交互。这(zhè)肯(kěn)定是一个很重要的(de)方(fāng)向，在数字(zì)内容上(shàng)。

另外一个方向，指向实体、指向物理世界。

现在可能最好的一个结合点就是和机器人来结合在一起。其(qí)实现在已经有好多例子(zi)在展示出(chū)来(lái)，我们也(yě)看到很好的一些进展，比如用(yòng)了预训练的范式(shì)，如何让(ràng)机器人的能力具有通用性；比如我们自(zì)己实验室做多的例子，像四足(zú)机器人，过去(qù)大家在不同场地上，你要让(ràng)它跑起来都需要用很多的人工调参。但现在你在一(yī)个仿真环境里面，或者(zhě)用一(yī)些(xiē)AI的(de)方式来生成(chéng)一些合成(chéng)数据，让(ràng)它在里面大规模地(dì)训练，训练出来(lái)的策略可以灌到(dào)机器人上，它相当于换了一副大脑，可以(yǐ)让它的四肢更好地协同起来，同样一套策略可以(yǐ)做(zuò)各种场地的适应(yīng)。其实这(zhè)还是一个初步的例子，现在大家也在关注(zhù)更复杂的控制(zhì)决策，就像空(kōng)间智能、具身智能。

就(jiù)像(xiàng)刚才讲到智(zhì)能(néng)体是(shì)AGI的(de)L3，所以现在用到L1、L2的进展之后，后面肯定会提升(shēng)到L3，让机器人(rén)更好地做它的推理规划，然(rán)后更好更高效(xiào)地(dì)和(hé)环境做交互，更好地完成我们的复杂任(rèn)务(wù)。因为现(xiàn)在(zài)很(hěn)多时候任务相对来说分散，给它定义成一个简化的。未来，我们(men)很快可以(yǐ)看到它(tā)可以接受复杂(zá)的指令、完成复杂的任务，通过它内嵌的思维链或者过程的学习方式，能够完成复杂任务。所以到那个时(shí)候，智能的能力又有一个很巨大的提升(shēng)。

主持人(rén)：虽然意料未来都很难(nán)，至少心里会有一(yī)个期(qī)待，比如(rú)在下一个(gè)18个月里，我们希望看(kàn)到什(shén)么样(yàng)的进展，在AGI的领域里？

朱军：因为(wèi)现在整个是(shì)一个加速，其(qí)实很多时候我们预测通常(cháng)会过于保守。如(rú)果回到你(nǐ)的问题，我预想未来18个月可能比(bǐ)较令人兴奋的一个进展，我希望看(kàn)到AGI的L3已经(jīng)基本上实现(xiàn)。至少在智能体，比如我们说的世界(jiè)模型的创建生成、虚实融合，至少在一些(xiē)特(tè)定场景下的决策能力的巨大的提升。其实它会利用我们今天讲到的推理、感知等等。

因(yīn)为我前一段时间领了一(yī)个(gè)任(rèn)务(wù)，就是对(duì)L4做专门的分析，就是到底我们缺什么(me)？做了L4的。其实最后调研或者是分析下来，你会发现如果我们(men)要(yào)做科学发现(xiàn)或者(zhě)做创新，它需要的那些能力，可(kě)能目前是散落在各个角落里面，当(dāng)然现在可能(néng)还缺一个系统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(rán)这里面我讲的是严肃的科(kē)学发现，其实L4还有一些创意的表达上，目前我们在某种(zhǒng)意义上已经达到了，比(bǐ)如说艺术创造、图生视频，一定程度上(shàng)它已经帮大家放大(dà)你的想象，或者让你的想象可以具象化。所以，我对(duì)整个于(yú)是还是比较乐观(guān)的，我觉得(dé)至少L3或者未来L4有一些苗子了。

到今年(nián)年底，希望将(jiāng)我们本来做的视频(pín)模型能够以更加高(gāo)效、更(gèng)可控的方式提(tí)供给大家。

我解释一下高效和(hé)可控。可控，比如你想表达一个故事，不(bù)是简单地将一(yī)段话或者一个图片给它动起来，我们是希望你(nǐ)可(kě)以(yǐ)连续地讲，而且它不光是人的一致性，还(hái)包括物体等各(gè)种主题的一致性，还包括交互性；高效(xiào)，它一方面解决对算力成本的考量，因为你(nǐ)如果想要服务很多人，让大家用的话，首先(xiān)你成本要降下来，不然这个本身(shēn)就是烧钱，一直赔钱。另外一个更重(zhòng)要的，还是从体(tǐ)验上。就(jiù)使用(yòng)者来说(shuō)，因为他想表达(dá)自己的(de)创意，他可能需要多次和系统来交互，一方面是验(yàn)证，另外一方面是启发，所以这(zhè)个(gè)过程(chéng)也需要你的模型系统能够比较(jiào)高效(xiào)，比如说终极目标达到实时，能够让大家快速尝试。等到这个阶段，我相(xiāng)信大家(jiā)的用户体(tǐ)验，包(bāo)括用户量都会有一个巨大的(de)提升，这是我们今年想重点(diǎn)突破的。当然长远的话，可能明年18个月会走向(xiàng)实体的虚实融(róng)合的场景了。

杨植鳞(lín)：我觉得接下来(lái)最重要的，可能是开放(fàng)性的强化学习，比如说你在产品上跟用(yòng)户交互，在一个真实的环境里面完成任(rèn)务，然后自己去(qù)进化。当然，我觉得O1一定程(chéng)度上说(shuō)明这个方向有比之前更强的确定(dìng)性，我觉得(dé)这个会是一个重(zhòng)要的里程碑，也是AGI路上现在仅甚唯一的一个重要问题了。所以(yǐ)，我觉得这个会很关键。

张鹏：对，18个月已经是很长了，如果看看看过去18个月走的路。你未来3个月，有什么可以透露的吗？

杨植鳞：我们还是希望能够在产(chǎn)品和技术上持续地创新，至少可能在一两个重要领域能够做到世界最好，但是有(yǒu)新(xīn)的进(jìn)展会尽快(kuài)跟大家分享。

姜大(dà)昕：第一，我也(yě)很期待强化(huà)学习能够进一步泛化。另外一个(gè)方向其实我也很期待，应该说期待了很久就是在视觉领域的理解和生成一体化的事情。因为在文(wén)字领域(yù)，GPT已(yǐ)经做到(dào)了理解生(shēng)成一体(tǐ)化，但(dàn)遗憾的(de)是在视觉领域，这个(gè)问题当然不是遗憾，它非常难(nán)。所以在目前为(wèi)止，我们看到的视(shì)觉的理(lǐ)解和生成，这两个(gè)模型是分开(kāi)的。即使像刚才说的多模融合(hé)，如果大家(jiā)仔细看GPT4，它(tā)其他模态都解决了，它唯独(dú)不能(néng)生成视频，所以这是一个(gè)悬而未决的事情。

它为什么很重要呢？如果我们解决了视频理解生成一体(tǐ)化，我们就可以彻底建立一个多模的世界模型，有(yǒu)一个多模的世界模型以后，可以帮助我们真(zhēn)正产生非(fēi)常长的视频，也就(jiù)是说(shuō)解决Sora（音译）目前的技术(shù)缺陷。还(hái)有一个，它可(kě)以和(hé)具身(shēn)智能相结合，它(tā)可以作为(wèi)机(jī)器人的大脑去帮助智能体更好地探索物理世(shì)界，所以我也是非常期待的。

张鹏：你未来年底(dǐ)之前，有什(shén)么我们(men)值得期待的(de)你的进展？

姜(jiāng)大昕：我(wǒ)也是期待一方面模型和技(jì)术(shù)的进(jìn)步，另外一方面产品能带给用户更多更好的体验，其(qí)实阶(jiē)跃有一(yī)款产品叫“跃问(wèn)”，在上面，用户可以体验我们最新的万亿参数的模型，它不(bù)光是理科(kē)很强，而且它的文学创作能力也很强，经常给大家带来一些惊喜。同时(shí)，跃问上还有一个新的功能叫“拍照问”，我们看到用(yòng)户经常拍张照片去(qù)问(wèn)食物的卡路(lù)里，去问宠物(wù)的心情，问一个(gè)文物的前世今(jīn)生(shēng)，包括Mata眼(yǎn)镜的发布，还有Apple Intelligence，它今年都(dōu)突出了视觉(jué)交互的功能。所以我们(men)在跃问上也有(yǒu)体(tǐ)现，而(ér)且(qiě)我们会努力一步步把这个功能做(zuò)得越来越好。

未经允许不得转载：橘子百科-橘子都知道阶跃星辰姜大昕、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”