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(rì)消(xiāo)息，在2024云(yún)栖大(dà)会上，极客公园创始人、总裁张(zhāng)鹏对话阶跃星辰创始人、首席执行官姜(jiāng)大昕(xīn)，月之暗面Kimi创始人杨植麟，清华大学(xué)人工智能研究院副院长、生(shēng)数(shù)科技首(shǒu)席科学家朱(zhū)军，三人对AGI发展现状和未来展(zhǎn)望进行了激烈(liè)讨论和前瞻展望。

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

姜大昕(xīn)表示AI 技术发展加速， AI 发展正在经(jīng)历关键的技术范式迭代： OpenAI 的大模型 o1 探索出了通过强化学习让 AI 具备人类慢思考（可主动反思、纠错的复杂(zá)思考）能力的(de)方式，接(jiē)下来提升强化(huà)学(xué)习模型的泛化能力和加速推进多模态理解生成(chéng)一体化是 AI 技术进一(yī)步突破的关键。阶跃星(xīng)辰积极探索新的技术范式，已经在万亿参数模型(xíng)上实现了强化学(xué)习训练的方法论。同时，持续打(dǎ)磨更高性能的底层大模型，提升C端产(chǎn)品体验。据他透露，近期阶跃星辰自研的(de) Step-2 万(wàn)亿参数 MoE 语言大模型已接入(rù)智能助手(shǒu)“跃问”，展现出更强大的指令跟随、创作和推理能力。

谈到AI产品未来的可能形态，杨植麟表(biǎo)示，以后的(de)AI可能要思考或者调用各种工具，它可能执行分钟级别、小时级别甚至天级别(bié)的任(rèn)务，所以产品形态上可能会更接近一(yī)个人，它更(gèng)接(jiē)近“助理(lǐ)”的概念，帮你完成异步的任(rèn)务。这里面的产品形态设计可能也会发(fā)生很大的变化，想象空(kōng)间蛮大。

谈(tán)到未来18个可能发生的事(shì)情，朱军表示(shì)，预(yù)想(xiǎng)未来18个(gè)月可能比较令人兴奋的一个进展，我希望看到AGI的L3已经基本上(shàng)实现。至(zhì)少在智能(néng)体，比(bǐ)如我们说的世(shì)界模型的创建生成、虚实融合，至少在一(yī)些特定场景下的决(jué)策能力的巨大的提升。其实它(tā)会利用我们今天讲到(dào)的推理、感知等等。

以下为对话实(shí)录摘(zhāi)录：

主持(chí)人：从ChatGPT的发展，引发了整个世界对于AGI这个事情的理解，发展到现在也18个月了。各位的感受是怎么样的，过去18个(gè)月，AGI的(de)发展是加速还是(shì)减速？

姜(jiāng)大昕：我觉得(dé)过去(qù)18个月速度还(hái)是在加速的，速度还是非常快的。因为(wèi)当我们回顾过(guò)去18个月发生的大大小小的AI事件以(yǐ)后，可以从两个维度去看，一个(gè)是数量的角度(dù)，一个是质量的(de)角(jiǎo)度。

从数量的角度来看，还是(shì)每个月都会有新的模型(xíng)、新的(de)产品、新的(de)应用涌现出来。比如单从模型来看，OpenAI 2月份发了一个sora，我记得(dé)当时(shí)还是过(guò)年的(de)时(shí)候，把大家轰(hōng)炸了(le)一下。然(rán)后5月份(fèn)出了一个GPT-4o，上周又出了o1。OpenAI的老对手Anthropic它有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(děng)。

所(suǒ)以，回顾过去，我们(men)的感觉还是(shì)GPT-4是一家独大，遥遥领先。到了今年就变成了一个好(hǎo)像(xiàng)是群雄(xióng)并起，你追我赶(gǎn)的局面，所以(yǐ)感觉各家是(shì)在提速了。

从质(zhì)量(liàng)的角度来看，我觉得有(yǒu)三件事情(qíng)可(kě)能给我的(de)印象非常的深刻。

第一件(jiàn)事情，GPT-4O的发布。因(yīn)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(gè)新的台阶(jiē)。在GPT4O之前，是(shì)有GPT4V，它是一个视(shì)觉的理解(jiě)模型，有Dalle、Sora，这是视(shì)觉(jué)的生成模型。还有Whisper这是声音模型。所以原本这些孤立的(de)模型到了4O这里都融(róng)合在一起了。

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

第二件事情，特斯拉(lā)发布(bù)的(de)FSD V12。大家知道它是一个端到端的大模型，它把感知信(xìn)号变(biàn)成一个控(kòng)制(zhì)序列。智驾是一(yī)个(gè)非常有代表性的，它(tā)是(shì)一个从数(shù)字世界走向物理世界(jiè)一(yī)个真实的应用场景。所(suǒ)以，我觉得FSDV12它的成(chéng)功，意义不仅在于智驾本(běn)身，这套方法论可以认为是为将来的智能设备(bèi)如何和大模型相结合，更(gèng)好的去探索物理(lǐ)世界指明了(le)一个方向。

第(dì)三(sān)件事情(qíng)，上周的O1，我对它的理解，它第一(yī)次证明了语言模型其(qí)实也可以有人脑的(de)慢思考，就是系(xì)统(tǒng)2的(de)能力。而我们觉得(dé)系(xì)统2的能力它是归纳世界所(suǒ)必备的一个前提条件，是一个基(jī)础的能力。所(suǒ)以，我们一直认(rèn)为，AGI的演进(jìn)路线可以分为模拟世(shì)界、探索(suǒ)世界、最后归纳世(shì)界。而过去几个月的时间我们看到GPT4O、FSD V12和O1分别在这三(sān)个阶段或者这三个方向上都取(qǔ)得了(le)非常(cháng)大的突破，而且更(gèng)重要的是为将来的发展也指(zhǐ)明了一个方向。所以(yǐ)无论是从数量还是质量上来说，都是可圈可点。

杨(yáng)植(zhí)麟：我(wǒ)觉得整体也是属于加速(sù)发(fā)展的阶段，核心可以从两个维度来看（AI的发展(zhǎn)），第一个维度是纵向的(de)维度，也就是(shì)说你的智商是一直在(zài)提升的，这个主要现在的反应方式还是你去看文本模型能做到多好。第二个是横向的发展。除了文本模型之外，刚才姜(jiāng)总(zǒng)提到(dào)的，也会有各种不同的模态，这些模态会(huì)做一个横(héng)向的发展，更多的让你这个(gè)模(mó)型具备更多的技能，能够去完成更多的任务(wù)，然后(hòu)同(tóng)时跟纵向(xiàng)的智商的发展相结合。

在这两个维度上，我觉得都看到了非常大的(de)进展，比如说在纵向的维度上，其(qí)实智商是一直(zhí)在(zài)提升(shēng)的，比如说我们如果(guǒ)去看竞赛数学能力，去年是完全不及格(gé)，到今年已经能做到90多分，像代码基(jī)本上也是一样，能够击败很多专(zhuān)业的编程(chéng)选手，包括因此也产生了很多新(xīn)的(de)应用机(jī)会，比如说像(xiàng)现在比较流行的类似curser这样的，通过自然语言直接去写代码的这样的软件也越来(lái)越(yuè)普及，这是(shì)技术发展的结果。包括我们去看很多具(jù)体的技术指(zhǐ)标，现在的语言模型能支持(chí)的上下文的长度，我们如果去年这(zhè)个时间点去看的话(huà)，大部分的模(mó)型(xíng)都只能支持4K-8K的，但是从今天去(qù)看你会发现4K-8K已经是非常低(dī)的数了，128K是一个标配，已经有很多可以支持1M甚至10M的长(zhǎng)文(wén)本的长度。所以，它(tā)这个其实也是后面你的(de)智商(shāng)不断(duàn)提升的一个很重要的(de)基础。

包括最近的很多进展，它(tā)不光只是说Scaling，Scaling还是会持(chí)续。而(ér)且很多(duō)进展也来自于你(nǐ)的后(hòu)训练算法的优化，来自于你(nǐ)数据的优化，这些优(yōu)化它的周期是会更(gèng)短的。所(suǒ)以(yǐ)，这个周(zhōu)期(qī)更短导致你(nǐ)整体AI发展节奏也(yě)会进一步加快，包括我们最近在数(shù)学上看到的很多进展，其实也是得益于这些技术的发展。

横向上当然也产生了(le)很多新的突破(pò)，当然(rán)Sora可能是影响(xiǎng)力最大的，在这里面完成了这个视频生成。包括最近有(yǒu)特别多新的产品和技术(shù)出来，现在你已经可以通过一个论文直接生成基本上你看不出来是真是假的双人的对话。类似这样的不同模(mó)态之间的转(zhuǎn)化、交互和生成，其(qí)实会变的越来越成熟。所以，我觉得整体是在(zài)加速的过程中。

朱军(jūn)：AGI这里面(miàn)大(dà)家最关注的还是(shì)大模型，刚才两位也讲了去年包括今年大(dà)模(mó)型也发生了很多重要的变化。整个的(de)进展我(wǒ)是非常同(tóng)意刚(gāng)才讲到的，在加快。

另外，我想(xiǎng)补充一(yī)点(diǎn)，大家在解新(xīn)的(de)问题，这个速度也(yě)在(zài)加快了，我们说它的Leaning corve在变(biàn)的更陡。原来(lái)如果你看语(yǔ)言模型，可能从(cóng)2018年最早去做(zuò)的，到去年以及到今年，大家走了五六年的路(lù)。但其实从去年开(kāi)始，上半年大家还是关注语言模型，下半年在(zài)讨论多模态，从多模态理解再到多模态生成(chéng)。我(wǒ)们再(zài)回过(guò)头看的话，比如说图像或者视(shì)频，其实视(shì)频(pín)最明显，从今年的2月份，当时很多人被震(zhèn)惊到了(le)，因为它很多没(méi)有(yǒu)公开，就说怎么去突(tū)破(pò)？有很多(duō)的讨论。但事(shì)实(shí)上我们现在看(kàn)到(dào)这个行业里(lǐ)面(miàn)，大概用了(le)半年的时间，已(yǐ)经做到了可以去用，而且达到了一个很好的一些效(xiào)果，在时空一致性(xìng)上。所(suǒ)以大概走了半年的路(lù)。

所以(yǐ)这里面加(jiā)速的一个最核心的原因，现在大家对这种路(lù)线的认知和(hé)准备上，达到(dào)了比较好的程度。当然我们(men)还有物理的条件，比如说像云(yún)的设(shè)施，计(jì)算的资源的准(zhǔn)备上(shàng)，不像ChatGPT当时出来的时候，大家当时更(gèng)多的是一种(zhǒng)不知所措，我觉得很(hěn)多人可能(néng)没准备好去接受这个，所以中间去花(huā)了很长时间(jiān)去(qù)学习、去(qù)掌握这个。当我们掌握了之后再(zài)发现这(zhè)个(gè)进展的话，再去(qù)做新的问题，其实它的速度是越(yuè)来越快的。

当然，这个可能不(bù)同的能力它(tā)再辐射到实际的用户的角度来说，有一(yī)些快慢之(zhī)分，当然也分行业。这个可能在广泛的角度来(lái)说，大(dà)家可(kě)能没感知到。但是从技术来说，其实这个进展我感觉是曲线越来越陡，而且(qiě)可能对后边我们要预测未来的话(huà)，包括向更高阶的AGI发展(zhǎn)，我是比(bǐ)较乐观的，可(kě)能会看到比之前更快的速度去实现了。

主持人(rén)：最(zuì)近(jìn)OpenAI刚刚出(chū)的 O1的新(xīn)的模型(xíng)，也是在专(zhuān)业人群(qún)里形成了非常多的影响，现在还在很丰富的讨论。怎么评价O1进展的意(yì)义(yì)？

姜大昕：确(què)实我(wǒ)看到一些非共识，有些人觉得意义很(hěn)大，有些人觉得也(yě)不过如此。我觉得大家如果去试用O1的话，可能第一印象是它的推理能力确实非常惊艳，我(wǒ)们(men)自己试了很多Query，觉得推理能力确实(shí)上了一个(gè)很大的台(tái)阶。

然后我(wǒ)们去思考(kǎo)它背后的意义究竟是(shì)什么，我能想到的有两(liǎng)点：1.它第(dì)一次证明了Large language model，就是语言模型，它可以有人(rén)脑的慢思考的能力。它和以前GPT的范式，或(huò)者(zhě)GPT的训练，它叫，Predict next Token，它只要这样训练了，就注定了它只有system 1的能(néng)力。而O1是用了一个强化学习(xí)的训练框架(jià)，所以带来了系统2的能力。

系统1的体现(xiàn)，它是一个(gè)直线性思维，虽然我们看到GPT4有时候可以把一个复杂的问题拆解成很多步，然(rán)后分步去解决，但(dàn)它(tā)还是直线性的。系统1和系统(tǒng)2最大(dà)的区别(bié)在于(yú)，系统2能够去探索不同的路径，它(tā)能够自我去反思、自我去纠(jiū)错，然后(hòu)不断的试错，直到找到一个正确的途径(jìng)，这是系(xì)统(tǒng)2的特点。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1和系统2的能(néng)力。所以我觉得从这个角度来看，它的意义(yì)是非(fēi)常大的。

第二，它带来了一个Scaling Law的新方(fāng)向，我(wǒ)理解O1试图回答的一个问题，就(jiù)是(shì)说RL（强化学习）究竟(jìng)怎么去泛化。因为强(qiáng)化学习它不是第一个，DeepMind一直(zhí)走的是强化(huà)学习的路线(xiàn)，从AlphaGo到AlphaFold到(dào)AlphaGeometry，其实它在强化学习上是非常厉(lì)害的。但以前强化学(xué)习的(de)场景都是会为特定场景去设计，AlphaGo只能下围棋，AlphaFold只能去预测蛋白质的结构。所以(yǐ)这(zhè)次O1的出现，它是在RL强化学习通用性和泛(fàn)化性上了一个大的(de)台阶(jiē)，而且它scale到了(le)一个(gè)很大的规模，所以(yǐ)我把它看成scaling带来新的技术范式，我(wǒ)们不妨称之(zhī)为RL Scaling。而且我们(men)看到有意(yì)思的一点，O1并没有到(dào)很成熟的阶段，它还是一个开端，但是这个恰恰让人觉得非(fēi)常(cháng)的兴奋，这就等于OpenAI跟我们说，我找到了一条(tiáo)上限很高的道路，而且你仔细去(qù)思考它背后(hòu)的方法，你(nǐ)会相信这条(tiáo)路实际(jì)上是能走得下去。所以O1从能力上来讲，我觉得它展示了Language model可以有系统2的能力，从技术上(shàng)来说它带来新的(de)scaling范式，所以它的意(yì)义还是非常大的。

朱军：我的(de)看法，它是(shì)代表着一(yī)个显著的质变。我们也(yě)对AGI大概做(zuò)了一(yī)些分级，学(xué)术界，包(bāo)括产(chǎn)业界大家(jiā)有L1-L5的分级。其实L1的话相当于(yú)聊天机(jī)器人，就是(shì)像ChatGPT等，之前大家做(zuò)了(le)很多对话的。L2叫推理者，实际上可以做复(fù)杂问题深度思考的推理。L3叫智能体，回应吴总讲的(de)“数字世界”走向“物理世界”，我要去(qù)改(gǎi)变的，我要去交互的。L4是(shì)创新者，它要去发现、创造一些新的东西，或者发现一(yī)些新的知识。L5是组织者，它可(kě)以去(qù)协同，或者某(mǒu)种组(zǔ)织(zhī)方式更高效来(lái)运转，这是大家对于AGI L1-L5的分级，当然每一级也有narrow和general的区(qū)分，在某些Task上展示出来。比如O1在(zài)L2的narrow场(chǎng)景下，在一些特定任务下已经实现了人类达到很高阶的(de)智能(néng)水平。我觉得从(cóng)分级角度来看，它确实代表着整个行业巨大的(de)进步。

刚才技术上姜总也讲了，它(tā)将过去强化学习(xí)或者其他一些技术，其实(shí)在(zài)研究(jiū)里已经做了(le)很多东西，但实际上它在大规模基座模型上能够做出来的效果，这还是从(cóng)工程上，或者从实(shí)现上来说(shuō)对(duì)行业很大(dà)的触动。当(dāng)然它也会错发(fā)或者激发出来很多未来的探索，或者实际的(de)研发，可(kě)能会走向从narrow到general的跃迁。刚(gāng)才讲到速度，我相信它会很快，因(yīn)为大家已经有很(hěn)多(duō)准备了，我也期待这个(gè)领域里更多将L2做得更好(hǎo)，甚至更高阶的能实现。

杨植麟：我觉得它的意义(yì)确实是很大，主要意义在于它提升了AI的上(shàng)限。AI的(de)上限(xiàn)是说，你现在去提升5%、10%的(de)生产力，还是说10倍的GDP，我觉得这里最(zuì)重要的问题就是(shì)你能不能通过强化学习进一步scaling，这(zhè)是完全提(tí)升了AI上限(xiàn)的东西。我们如果看(kàn)AI历(lì)史上七八十年的发展，唯一有效的就是scaling，唯一有(yǒu)效的就是加更多的算力。但在O1提出之前，可能也有很多人在研究强化学习，但都没有一个非常(cháng)确(què)切的答案，强化学习如果(guǒ)和大语言模型，或者和training processin这(zhè)些东西整合在一起(qǐ)，它能否持续(xù)提(tí)升。比(bǐ)如(rú)GPT4这一代模型的提升，更多是确定性的提升，我在一样范式下(xià)把规模变(biàn)得更大，它肯定是确定性的提升。但是(shì)我觉得O1的提(tí)升并不是一个完全(quán)确定性的，这样的提升。

所以在(zài)之(zhī)前大家(jiā)可能(néng)会担心现在互联网上大部分优质数据都已经被使用完了，然后你可能继续使用(yòng)这个(gè)数据也没有更多数(shù)据可以挖掘，所以你原来的范式可能会遇到问(wèn)题。但AI有效了，你又需要(yào)进一步scaling，那你这个scaling从哪里来，我觉得(dé)很大程度上解(jiě)决了这个(gè)问题，或者说至少证明了它初步可行。初步可行的情况下，可能我们会(huì)有越(yuè)来越多人投入(rù)去做这个事情，最终你要做到10倍GDP的(de)最终效果，它完(wán)全有可能，我(wǒ)觉得是(shì)一个很重要的开端。

我觉得对很多产业格(gé)局上，或者对(duì)于创业公司新机会来说也会发生一些(xiē)变化。比如我觉得这里很关键的一个点，你的训练和推理算(suàn)力占比是会发生(shēng)很大的变化，这个变化我不是说训练的算力会(huì)下降，训练的算力还会持续提升。与此同时，推理的算力提(tí)升会(huì)更(gèng)快，那这个比例的变化本质上会产生很多新(xīn)的机(jī)会，可能(néng)这里很多新的创业(yè)公司的机会。一方面(miàn)，如果你达到一定的算力门槛，它可以在这里做很(hěn)多(duō)算法的基础创新，那你(nǐ)可以在基础的模型上甚至(zhì)取得突破，所(suǒ)以我觉得(dé)这(zhè)个很重要。

对于算力相对小一点的公司(sī)，它也可以通过后训练(liàn)的方式，在一些领域上做(zuò)到一些(xiē)效果，这里也会产(chǎn)生更多的(de)产品和技术机会，所以我觉得(dé)整体也是(shì)打开了(le)创业相关的想象空间。

主持人：这一波AI新的变化，接(jiē)下(xià)来会对AI相关的产品带来什么样的连锁反(fǎn)应(yīng)，这个变化如何发生？

杨植麟：这是很好的问题，我们(men)现在还是处于产业发展的早期。产业发展的(de)早期有一个特点，还是技术(shù)驱动产品会更多(duō)，所以很多时候你的(de)产品(pǐn)会去看当前的技术是怎么发展，然后把它最大化的价值提取出(chū)来，所以这个问题首先非常好，可能(néng)我(wǒ)们根(gēn)据这个新的技(jì)术进展，再返过来推一下现在产品应该做什么变(biàn)化。

现(xiàn)在(zài)的技术发展(zhǎn)有几个点：

一个，我(wǒ)觉得这里面会有很多(duō)探索新(xīn)的PMF（product market fit）的机会。我觉得PMF指的是两个东西的(de)平衡：一方面(miàn)是由(yóu)于你需要做这种(zhǒng)系统2的思考，导致(zhì)你的延时增加。对用户来说，延时增(zēng)加是一个负向的体验，因为所有用户(hù)都希望我尽快(kuài)能拿到结果；第二个点(diǎn)，它确(què)实(shí)能提供(gōng)更好的输出，能拿到更好(hǎo)的结果(guǒ)，甚至能完成一些(xiē)跟更复杂的任务。等于说新的PMF产生的过程或(huò)者探(tàn)索的过程，其实是要在在延时增长的(de)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(zhǎo)到一个平衡点。所以你要让这个增量的(de)价值(zhí)是大(dà)于体验的损失，我觉得这个很重要。所以在这里面更高价值的场景，特(tè)别是生产力的场(chǎng)景，我觉得会率先有一些(xiē)东西出来。因(yīn)为如果你是一个娱乐场景(jǐng)，大(dà)概率(lǜ)你可能很难忍受(shòu)这种(zhǒng)延时上的增加。所以，我(wǒ)觉得这是比较重要的一点(diǎn)

产(chǎn)品形态上，我觉得也会发生一些变化。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(de)产品形态一定会发生变(biàn)化(huà)。因为以后的AI，可能它(tā)不光是(shì)现在思(sī)考个20秒、40秒，它已经可能要思考或者调用(yòng)各(gè)种工具，它可能执行分钟级别、小时级别甚至(zhì)天级别的任务，所(suǒ)以你(nǐ)的产品形态(tài)上可能会更接近一个人，它更接近“助理”的(de)概念(niàn)，帮(bāng)你完成异步的任务。这里面的产品形态设计，我觉得可能也会发(fā)生很大的变(biàn)化。所以这里(lǐ)面，我觉(jué)得新的(de)想象空间蛮大的。

朱军：我(wǒ)觉得大模型或者大规模预训练的技(jì)术代表着整个范(fàn)式的变化，前面也聊到很多(duō)，不光是(shì)语言，到多模态，到具身、空间智能，中间(jiān)还是想我怎么去让智能体能够有交互，能够在这个过程中来学习。从智能的角度来看，包括(kuò)从(cóng)AGI发展上，它是一(yī)个必然，因为决策、交互实际上是我们说的智能里面非(fēi)常核心的能力的(de)体(tǐ)现。我(wǒ)们(men)每时每(měi)刻其实都在做(zuò)决策，我(wǒ)们(men)面对的是一个未知的开放(fàng)环境，所以对于智(zhì)能来(lái)说，它的发展路径上，在整个规划(huà)里面大家也是朝着(zhe)这个方向走。

现(xiàn)在所有这些进展，包括刚刚讨论很多的O1，包括做(zuò)视频生成，或者3D，这(zhè)些东西大家最后要指(zhǐ)向的有两个方向：

一个是给消费者看到的这些数字内容，就是说看(kàn)上去很好(hǎo)看、很(hěn)自然(rán)，能够讲故事(shì)，能够让大家参与讲(jiǎng)故事、能够交互。这肯定是一个很重要的方向，在数字内容上。

另外一个(gè)方向，指向实(shí)体、指向物理世界。

现在可能最(zuì)好的一个结合点就(jiù)是和机器人来结(jié)合在一起。其实现在已经有(yǒu)好(hǎo)多(duō)例子在展示出来，我们也看(kàn)到很(hěn)好的一(yī)些进展，比如用了预训练的范式，如何(hé)让机器人的能力具有通用性；比(bǐ)如我们自己实(shí)验室做多的例子，像四(sì)足机器(qì)人，过去大家在不(bù)同场地(dì)上(shàng)，你要让它跑(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”pǎo)起来都需要用很多(duō)的人工调参。但现在你在(zài)一个仿(fǎng)真环境里面(miàn)，或者用一(yī)些AI的方式(shì)来生成一些合成(chéng)数据，让它在里面大规模地训练(liàn)，训练出(chū)来(lái)的策略可以灌到机器人上(shàng)，它相当于换了一副大脑，可(kě)以让它的四肢更好地协同起来，同样一(yī)套策略可以(yǐ)做各种场地的(de)适(shì)应。其实这还是一个初步的例(lì)子，现在大家也(yě)在关注更复杂(zá)的控制决(jué)策，就像空间智能、具身智能。

就像刚才讲到智能体是AGI的(de)L3，所以(yǐ)现在用到L1、L2的(de)进展之后，后面肯定会提(tí)升到(dào)L3，让机器人更好地做(zuò)它的推理规划，然后更好更高效地和环境做交互，更好地完成我们的复杂任务。因(yīn)为(wèi)现在很多时候任务相对(duì)来说分(fēn)散，给它定(dìng)义成一个简化的。未来，我们很快可以(yǐ)看到它可以接(jiē)受复杂的指令、完成复(fù)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。所以到那个时候，智能的能力又有一个(gè)很巨大的提升。

主持人：虽然意料未来都很难，至少心里会(huì)有一个期待，比如在下一个18个月里，我们希望(wàng)看到什么样的进展，在AGI的(de)领域里(lǐ)？

朱(zhū)军：因为现(xiàn)在整个是一(yī)个(gè)加速，其实很多时候我们预测通常会过于保守。如果(guǒ)回到你的问题，我预想未来18个月可能比较令人兴奋的一个进(jìn)展，我希望看到AGI的L3已经(jīng)基本上实现。至少(shǎo)在智(zhì)能(néng)体，比如我们说的(de)世界模型的创建生成、虚实融合，至少在一些特定(dìng)场(chǎng)景下的(de)决策(cè)能力的巨大的提升。其实它会利用我们今(jīn)天讲到的推理、感知等等。

因为(wèi)我前一段时间(jiān)领了一个任务，就(jiù)是对L4做专门的分析(xī)，就(jiù)是到底我们缺什么？做了L4的(de)。其实最后调研或者是(shì)分析下来，你会发现如(rú)果我(wǒ)们要做科学发现或者做创新，它需要的那些能力，可能(néng)目前是(shì)散落在各个角落里面，当然现在可能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(wǒ)觉得如(rú)果更激(jī)进(jìn)一点，我(wǒ)甚至觉得未来18个月(yuè)可能在L4上也会有显著的进展。当然这(zhè)里面我讲的是严肃的科学发现，其实L4还有(yǒu)一些创(chuàng)意的表达上，目(mù)前我们在某种意义上已经达到了，比如说艺术创(chuàng)造、图生视频，一定程度上它已经帮大家放大你(nǐ)的想象，或者让你的想象可以具象(xiàng)化。所以，我对整个于是还是比较乐观的，我觉得(dé)至少L3或者未(wèi)来L4有一些苗子了。

到今年年底，希望将我们本来做的视频模型能够以更加(jiā)高效、更可控的方式(shì)提(tí)供给大家。

我解释一下(xià)高效和可(kě)控(kòng)。可控，比如你(nǐ)想表(biǎo)达(dá)一个故事，不是简单(dān)地将一段(duàn)话或者一个图片给它(tā)动起来，我们是希望你可以连续地讲，而且它不光是人的一致(zhì)性，还包括物体等各种主题的一致性，还(hái)包括(kuò)交互性；高效，它一方面解决对算力成本(běn)的考量，因为你如果想要服务很多人，让大家用的话，首先你成本要降下来，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”不然这个本身就是烧钱，一直赔(péi)钱。另(lìng)外(wài)一个更重要的(de)，还是从体(tǐ)验上。就使用者来说，因为他想表达自己的创意，他可能需要多次和系统来交互(hù)，一方面是验证，另外一方面是启发，所以这个过程也需要你的模型系统能够比较高(gāo)效，比如说终极(jí)目标达到实时，能(néng)够让大家快速尝试。等到这个阶段，我相信(xìn)大家的用户体验，包括用户量都会有一个巨大的提升，这是(shì)我们今年想重点突破的(de)。当然长远的话，可能明年18个月(yuè)会(huì)走向实体的虚实(shí)融(róng)合的场景了。

杨植鳞：我觉得接下来(lái)最重要的，可能是开放性的强化(huà)学习(xí)，比如说你在产品(pǐn)上跟(gēn)用户交互，在一个真实的环境里面完成(chéng)任务，然后(hòu)自己去进化。当然，我觉得O1一定程(chéng)度上说明这(zhè)个方向有比之前更强的确定性，我觉得(dé)这个会是一个重要的里程碑，也是(shì)AGI路上现在仅甚唯一的一个重要问题了(le)。所以，我觉得这(zhè)个会很关键。

张鹏：对，18个月已经是(shì)很长了，如果(guǒ)看看看过去18个月走的路。你未来3个月，有什(shén)么可以(yǐ)透露的吗？

杨植鳞(lín)：我们还是希望能够在产品(pǐn)和技术上持(chí)续地创新，至少可能在(zài)一两个重要领(lǐng)域能够做到世界最(zuì)好，但是有(yǒu)新的进展会尽快跟(gēn)大家分享(xiǎng)。

姜大昕：第一，我也很期待(dài)强(qiáng)化学(xué)习能(néng)够进(jìn)一步泛化。另外一个方向其实我(wǒ)也很期待，应该说期待了很久就是在视觉(jué)领域(yù)的理解和生(shēng)成一体化的事情。因为(wèi)在文字(zì)领域，GPT已经做到了理解生成(chéng)一体(tǐ)化，但遗憾的(de)是在视觉(jué)领域，这个问题当然不是遗憾，它非常(cháng)难。所以在目(mù)前为止，我(wǒ)们看(kàn)到的视觉的理解和生(shēng)成，这两个模(mó)型是分开的。即使像刚才(cái)说的多模融合，如果大家仔细看GPT4，它其他模态都解(jiě)决了，它唯(wéi)独(dú)不能生成视频，所以(yǐ)这是一个悬而未决的事情。

它为什么很重要呢(ne)？如果我们解决了视频理解(jiě)生成一体化，我(wǒ)们(men)就可以彻底建(jiàn)立(lì)一个(gè)多模的世(shì)界模型，有一个(gè)多模(mó)的世界模型以后(hòu)，可以帮助我们真正产生非常长的视频，也(yě)就是说解决(jué)Sora（音译）目前的技(jì)术缺陷(xiàn)。还有一个，它可以(yǐ)和(hé)具身智能相结合，它可以作(zuò)为机器人的(de)大(dà)脑去帮助智(zhì)能体(tǐ)更好地探(tàn)索物(wù)理世界，所以我也是非常期待的。

张鹏：你(nǐ)未来年(nián)底之(zhī)前(qián)，有什么我(wǒ)们值得期待的(de)你(nǐ)的进展(zhǎn)？

姜大昕：我(wǒ)也(yě)是期待一方面模型和技术的进(jìn)步，另外一方面产品(pǐn)能带(dài)给用(yòng)户(hù)更(gèng)多更(gèng)好的体验(yàn)，其实阶跃有一款产品叫“跃问”，在(zài)上面，用户可(kě)以体验我们最(zuì)新的万亿参数的模型，它不光是理(lǐ)科很强，而且它的文学创(chuàng)作能力(lì)也很强，经常给大家带来一些惊喜。同(tóng)时，跃问上(shàng)还(hái)有一个新的功能叫“拍照问”，我(wǒ)们看到用户经常拍张照片去问食物的卡路里(lǐ)，去问宠物的心情，问一个文物的前世今(jīn)生，包(bāo)括 Mata眼镜的发布，还(hái)有Apple Intelligence，它今年(nián)都(dōu)突出(chū)了视(shì)觉(jué)交互的功能(néng)。所以(yǐ)我(wǒ)们在跃问上也有体现，而且我们会努力一步步把这个功能(néng)做得越来越好。

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”