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，极客(kè)公园创始人、总裁张鹏对话阶跃星辰创始人、首席(xí)执行官姜大昕，月之暗面(miàn)Kimi创始人杨植(zhí)麟，清华大学人工智能研究院副院长、生数科技首席科学(xué)家朱军，三人对(duì)AGI发展现状和未来展望进行了激烈讨论和前瞻展望。

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？如何评价OpenAI 最(zuì)新发布的 O1 模型？强化学习将改变什么？大模(mó)型(xíng)时代的创业新范式是(shì)什么？

姜大昕表示AI 技术发展加速， AI 发展正在经(jīng)历关键的技术范式迭(dié)代： OpenAI 的大模型(xíng) o1 探索出(chū)了通过强化学习让 AI 具备人类慢思考（可(kě)主(zhǔ)动反思、纠错(cuò)的复杂思考）能(néng)力的方式(shì)，接下来提升强化学习模型的泛化能力和加速推进多(duō)模态理解生(shēng)成一体化是 AI 技术进一(yī)步突破的关键。阶(jiē)跃星辰积(jī)极探(tàn)索新的技术范式，已经在万亿参数模型上实现了强化学(xué)习训练的(de)方法论。同时，持续打磨更高性能的底层大模型，提升C端产品体验。据他透露，近期阶跃星辰自研的 Step-2 万(wàn)亿参数 MoE 语言大模型已接入智能助(zhù)手“跃问”，展现出更强大的指令跟随(suí)、创(chuàng)作和(hé)推理能力。

谈到AI产品未来的可能形态，杨植麟(lín)表示，以(yǐ)后的AI可能要思考或者调用各种工具，它可能(néng)执行分钟级别、小时级别甚至天级(jí)别的任(rèn)务，所(suǒ)以产品形态上可能会(huì)更接(jiē)近一个人，它(tā)更接近“助理”的(de)概念，帮你(nǐ)完成(chéng)异步的任务。这里面的(de)产品形态设计可能也(yě)会(huì)发生很大的变化，想象空间(jiān)蛮大。

谈到未来18个可能发生的事情，朱(zhū)军表示，预想未来18个月可(kě)能比较令(lìng)人兴奋(fèn)的一个进(jìn)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(wǒ)们说(shuō)的(de)世界模型的创(chuàng)建生成、虚实融合，至少在(zài)一些特定场景(jǐng)下的(de)决策能力(lì)的巨大的提升。其实(shí)它会(huì)利用我们今天讲到的推理、感知等等。

以下为(wèi)对话实录摘录：

主持人：从ChatGPT的发展，引发了整个世界对(duì)于(yú)AGI这个事情(qíng)的理解，发展到现在也18个月了(le)。各位的感受(shòu)是怎么样的，过去18个月，AGI的发展是加速还是减速？

姜(jiāng)大昕(xīn)：我觉得过去18个月速度还是在加速(sù)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(jiàn)以后，可以从两(liǎng)个维度去看(kàn)，一个是数量的角度(dù)，一(yī)个是(shì)质量的角度。

从数量的角度来(lái)看，还是每个月都会有新的模型、新的产(chǎn)品(pǐn)、新的应用涌现出来。比(bǐ)如单(dān)从模型(xíng)来看，OpenAI 2月份发了(le)一个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，上周又出了o1。OpenAI的(de)老(lǎo)对手(shǒu)Anthropic它有Claude3到Claude3.5的系列(liè)，再加上谷歌Gemini系列(liè)、Claude系列、LLaMA的系(xì)列，等等。

所以，回顾过去，我们的感觉还是GPT-4是一家独大，遥遥领(lǐng)先。到了今年就(jiù)变(biàn)成了一个好像是群雄并起，你追我赶的局(jú)面，所以感觉各家(jiā)是在提速了。

从质(zhì)量的角度来(lái)看，我觉得有三件事情可能给我的印(yìn)象非常的(de)深刻(kè)。

第一件(jiàn)事(shì)情，GPT-4O的发布(bù)。因为(wèi)我看它，认为它是在多模融合这(zhè)样的一个领域上了一个新的台阶。在GPT4O之前，是有GPT4V，它是(shì)一个视觉的理解模型(xíng)，有Dalle、Sora，这是视觉的生成模型。还有(yǒu)Whisper这是声音模型(xíng)。所以原本这些孤立(lì)的模(mó)型到了4O这(zhè)里都融合在(zài)一起了。

那为(wèi)什(shén)么融合这件事情非常的(de)重要？是因为我们的物理世界(jiè)本身就是一(yī)个多模的世界，所以多(duō)模融合一定是有助于更好的去(qù)为我们的物理世界建模(mó)，去模(mó)拟世界这样一件事情。

第二件事情，特斯拉发布的FSD V12。大(dà)家知道它(tā)是(shì)一个端到端的大模型，它把感知信号变(biàn)成一个控制(zhì)序列。智驾是一个非常有代(dài)表(biǎo)性的，它是一个从数字世界走向物理世界一个真实的(de)应用场景(jǐng)。所以，我觉得(dé)FSDV12它的成功，意义不仅在(zài)于智驾本身，这(zhè)套方法论可以认(rèn)为(wèi)是为将来的智能设备如何和大模型相结合，更好的(de)去探索物(wù)理世界指明了一个方(fāng)向。

第三件事情，上周的O1，我(wǒ)对它的(de)理解，它第一次证明了语言模型其(qí)实也可以有人脑的慢思考，就(jiù)是系统(tǒng)2的能力。而我们觉得(dé)系统2的能力它是归纳世界(jiè)所必备的一个前提(tí)条件，是一个基础(chǔ)的能(néng)力。所(suǒ)以，我们(men)一直认为(wèi)，AGI的演(yǎn)进路线可以分为模拟世界、探索(suǒ)世界、最(zuì)后归纳世界。而过去几个月的时间我们看到(dào)GPT4O、FSD V12和O1分别在(zài)这三个阶段(duàn)或者(zhě)这三(sān)个方向上都取得了非常大的突破，而且更重要的是为(wèi)将来的发展也指明了一个方向。所以无论(lùn)是(shì)从数量(liàng)还是质量(liàng)上来说，都是可圈(quān)可(kě)点。

杨植麟：我觉得整体也是(shì)属于(yú)加速发展的(de)阶段，核心可以从两个维度来(lái)看（AI的发展），第一个维度是纵向(xiàng)的(de)维度，也就是说你的(de)智商是一直在提(tí)升的，这个主要现在的反应方式还是你去看文(wén)本模型能做到(dào)多好。第二(èr)个(gè)是横向的发(fā)展(zhǎn)。除了文本模型之外，刚(gāng)才姜总提到的，也会有各(gè)种不同的模态，这(zhè)些模(mó)态会做一个(gè)横向的发展，更多的让你这个模型具(jù)备更多(duō)的技能，能够去完成更多的任务，然后(hòu)同时跟纵向的智商(shāng)的发展相结合。

在这两个维度(dù)上(shàng)，我觉得都看到了(le)非(fēi)常大的进展(zhǎn)，比如说在纵向的维(wéi)度上，其实智商是一(yī)直在提升的，比(bǐ)如说(shuō)我们(men)如果去看竞赛数学能力(lì)，去年是完全不(bù)及格，到今年已经能做(zuò)到90多分，像代码基本上(shàng)也是一样，能够(gòu)击败很多专业的编程选手，包括因此也产生了很多新的应用机会，比如说像现在(zài)比较流行的类似curser这样的，通过自然(rán)语言直接去写代码的这(zhè)样(yàng)的软件(jiàn)也(yě)越来越普及，这是技术发展的结果。包括我们去看很多具体的技术指标，现在的语言模型能支(zhī)持的上下文(wén)的长度，我们如果去年这个时(shí)间点去看的话，大部分的模型都只能(néng)支持4K-8K的，但是从今天(tiān)去看你会发(fā)现(xiàn)4K-8K已经是非常低的数了，128K是一个标配(pèi)，已经有很多可以支(zhī)持1M甚至10M的长文本的长度。所以，它(tā)这个其(qí)实也是(shì)后面你的智商不断提(tí)升的(de)一个很重(zhòng)要(yào)的基础。

包括(kuò)最近的很多进(jìn)展，它不光只是说Scaling，Scaling还是会持续。而(ér)且很多进展也来自于你(nǐ)的(de)后训练算法的优化(huà)，来自于你数据的优化，这些优化(huà)它(tā)的周期是会更短的。所(suǒ)以，这个周期更短导致你整体AI发(fā)展节奏也会进一步加快，包括我们(men)最近在数学上看到的很多进展，其实也是得益于这些技术(shù)的发展。

横向上当然也产生(shēng)了很多新的突(tū)破，当然Sora可能是影响力最大的，在这里面完成了这个视频生成(chéng)。包括最近有特别多新的产品和技术出来，现在你已经(jīng)可以通过一个(gè)论文直接(jiē)生成(chéng)基本上你看不出来是真是(shì)假的双人的对话。类似这(zhè)样的不同模态之间的转化、交互和生成，其实会变的越来越成熟。所以，我觉得(dé)整体是在(zài)加速的过程中(zhōng)。

朱军：AGI这里面大家(jiā)最(zuì)关注(zhù)的还是大模(mó)型，刚才(cái)两位(wèi)也讲了去年(nián)包括今年大模(mó)型(xíng)也发生了很多重要的变(biàn)化。整个的进展我是非常同意刚(gāng)才讲到的，在加(jiā)快。

另外，我想补充一点，大家在解新的问题，这个速度也在加(jiā)快了，我们说它的Leaning corve在变的更(gèng)陡。原(yuán)来如果(guǒ)你看语言模型(xíng)，可(kě)能从2018年最早去做(zuò)的，到去年以(yǐ)及到今(jīn)年，大家走了五六年的路。但其(qí)实从去年开(kāi)始，上半年大家还是关注语言模型(xíng)，下半(bàn)年在(zài)讨论多模态，从多模(mó)态理解再到多模态生成。我们(men)再回过(guò)头看的话(huà)，比如说图像或(huò)者视频，其实视频最明显，从今年的(de)2月份，当时很多人被震(zhèn)惊到了，因为它很多没(méi)有公开，就说怎(zěn)么去突破(pò)？有很多的讨论。但事(shì)实(shí)上我们现在看到这(zhè)个行(xíng)业里面，大概(gài)用了半年的(de)时间，已经做(zuò)到了可以去用，而且达到(dào)了一个很好的(de)一些效果，在时空(kōng)一致(zhì)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(zhī)和准备上，达到了比较好的程度。当然我们还有物理的条件，比如说(shuō)像云(yún)的设施，计(jì)算(suàn)的资源的准备上，不像ChatGPT当时(shí)出来的时候，大家当时更多的是一种不知所(suǒ)措(cuò)，我(wǒ)觉得很多人(rén)可能没准备好(hǎo)去接受这(zhè)个，所(suǒ)以中间去(qù)花了很长时间去学习、去掌握这个。当我们掌握(wò)了(le)之后再发现这个进展的话，再去做新的问题，其实它的速度(dù)是越来越快的。

当然，这个可能(néng)不同的能力它(tā)再辐(fú)射到实际(jì)的用户的角度来说，有一些快慢之分，当然(rán)也分行业。这个可(kě)能在广泛的角度来说，大家可能没感知到。但是从技术来说，其实这个进展我感觉是曲线越来越(yuè)陡，而且可能对后边(biān)我们要(yào)预测未来的(de)话，包括向更高阶的AGI发展(zhǎn)，我是比较乐观的，可能会看(kàn)到比之前更快的速度去实现(xiàn)了。

主持人：最近OpenAI刚刚出的O1的新的模型，也是在专(zhuān)业人群里形成了非常(cháng)多的(de)影响，现在还在很丰富的讨论。怎么评价O1进展的(de)意义(yì)？

姜大昕：确实我看到一些非共识，有些人觉得意义(yì)很大，有(yǒu)些(xiē)人觉得也不过如此。我觉得大家如果去试用O1的(de)话，可能第一印象是它的推理能力确实非常惊艳(yàn)，我们自己试了很多Query，觉得推理能力确实上了一个很大的台阶。

然后我们去思考它背后的(de)意(yì)义究竟是什么，我能想到的有两点：1.它第(dì)一次证(zhèng)明了Large language model，就是语言模型，它(tā)可以有人脑的慢思考(kǎo)的能力(lì)。它和以前GPT的范式，或者GPT的训练，它叫，Predict next Token，它只要这(zhè)样训练了，就注定了它只有system 1的能(néng)力。而O1是用了一个(gè)强化学习的训练(liàn)框架，所以带来了系统2的能力。

系统1的体现，它是(shì)一个直线性思维(wéi)，虽然我(wǒ)们(men)看到GPT4有时候可以(yǐ)把一个复杂的(de)问题拆解成很多步(bù)，然(rán)后分(fēn)步去解决，但它还是直线(xiàn)性的。系统1和系统(tǒng)2最大的区别在于，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，然后不断(duàn)的试错，直到找到一个正确的途径，这是(shì)系统2的(de)特点(diǎn)。这次O1，它是把以前的模仿学习和强化学(xué)习结合起来(lái)了，使得(dé)一个模型同时有了人脑系(xì)统1和系统2的能力。所以我觉(jué)得从这(zhè)个角度来看，它的意义是非(fēi)常大的。

第二，它带来了一个Scaling Law的新方向，我理解O1试(shì)图回答的一个问题，就是(shì)说RL（强化学习）究竟怎么去泛化(huà)。因为强化学习(xí)它不是第(dì)一个，DeepMind一直走的是强化学习的路(lù)线，从AlphaGo到AlphaFold到AlphaGeometry，其实它在(zài)强化学习上是非常厉害的。但以前强化学习的场景都是会为特定场景去设计(jì)，AlphaGo只(zhǐ)能下围棋，AlphaFold只能去预测(cè)蛋白质的(de)结构。所以这次O1的出现，它是在RL强化学习(xí)通用性和泛化性上了一个大的台阶(jiē)，而且它scale到了一个很(hěn)大的规模，所以我把(bǎ)它(tā)看成scaling带来新的技术范(fàn)式，我们不妨称之为(wèi)RL Scaling。而且我们看到有意思的一点，O1并没(méi)有到很成熟的阶段，它(tā)还是一个开(kāi)端，但是这个恰恰让人觉得非常的兴奋(fèn)，这(zhè)就等于OpenAI跟(gēn)我们说，我找到了一条上限很高的(de)道(dào)路，而且你(nǐ)仔细(xì)去思考它背后的方法，你会相信这(zhè)条路实际上是能走(zǒu)得下去。所以O1从能力上来(lái)讲，我觉得它展示了Language model可以有系统(tǒng)2的能力，从技术上(shàng)来说它带来(lái)新的scaling范式，所以它的意义还是非常大(dà)的(de)。

朱军：我的看法，它是代表(biǎo)着一个显著的质(zhì)变。我们也对(duì)AGI大概(gài)做(zuò)了一些分级，学术(shù)界，包括产业界大家有L1-L5的分级。其实L1的话(huà)相(xiāng)当于(yú)聊天机器人，就是像(xiàng)ChatGPT等，之前大家做了很多(duō)对话的。L2叫(jiào)推理(lǐ)者，实际上可以做(zuò)复杂问题深度思考的推理。L3叫(jiào)智能(néng)体，回应吴总(zǒng)讲的“数字世界”走向“物理世界”，我要去改变的(de)，我要去交互的。L4是创新(xīn)者，它要去发现、创(chuàng)造一些新的(de)东西，或者发现一些新的(de)知识(shí)。L5是组织者，它(tā)可以去协同，或(huò)者(zhě)某种组织方式更高效来运转，这是大家对于AGI L1-L5的分级，当然每一级也有narrow和general的区分，在某些Task上展示出来。比如O1在L2的narrow场景下，在一些特定任务下(xià)已经实现了人类达(dá)到很(hěn)高阶的智能水平。我觉得从分级角度来看，它确实代表着(zhe)整个行业巨大(dà)的进(jìn)步。

刚才技术(shù)上姜总也讲了，它将过去强(qiáng)化学习或者其他一些技术，其实在研究里已经做了很多东西，但(dàn)实际上它在大(dà)规模基座模型上能够做出来的(de)效(xiào)果，这还是从工程上，或者从实现上来(lái)说对行业(yè)很大的触动。当然它也会错发或者激发出来很(hěn)多未来的探索，或者(zhě)实际的研发，可能(néng)会走向从narrow到general的(de)跃迁。刚才讲到速度，我相信(xìn)它(tā)会很快，因为大家已经有很多准备了(le)，我也期待这个领域里更多将L2做得更好，甚至更高阶的能实现(xiàn)。

杨植麟：我觉得它(tā)的意义确实(shí)是很大，主要(yào)意(yì)义(yì)在于它提升了AI的阶跃星辰姜大昕、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”(de)上限。AI的上限是(shì)说，你现在去提升5%、10%的(de)生产力，还是说10倍的GDP，我觉得这里最重要的问题就是(shì)你能不能(néng)通过强化学(xué)习(xí)进(jìn)一步scaling，这是完全提升了(le)AI上限的东西。我(wǒ)们如果看AI历史上(shàng)七八十年的发展(zhǎn)，唯一有效的就是scaling，唯(wéi)一有效的就是加更多(duō)的算力。但在(zài)O1提出之(zhī)前，可能也有很多(duō)人在研究强化学习，但都没有一个非常确切的答案，强化学习如(rú)果和大语(yǔ)言模型，或者(zhě)和(hé)training processin这些(xiē)东西整(zhěng)合在一起，它能否持续提升。比如GPT4这(zhè)一代模型的提升，更多是确定性的提升，我在一样(yàng)范式(shì)下把规(guī)模变得更大(dà)，它肯定是确(què)定性的提(tí)升。但是我觉得O1的(de)提升(shēng)并不是一个完全确定(dìng)性的，这样的提升。

所以在之前大家可能会担心现在互联网上大部分优质数据都已经被(bèi)使用完了(le)，然后你可能继续使用这个数据也没有(yǒu)更多数据可以挖掘，所以你原来的范式可能会遇到问题。但AI有效了，你又(yòu)需要进一步scaling，那你这个scaling从哪里来，我觉得很大程度上解决了这(zhè)个问(wèn)题，或者说至少证明了它初步可行(xíng)。初步可行的(de)情(qíng)况下(xià)，可能我们会有越来越多(duō)人投入去做这(zhè)个事(shì)情，最终你(nǐ)要做到10倍GDP的最终效果，它完全有可能，我觉(jué)得是一个很重要的(de)开端。

我觉得对很多产业格局上，或者对(duì)于创业公司新机会来说也会发生一些变化。比如我觉得这里很关键(jiàn)的一个点(diǎn)，你的训练和推理算力占比是会(huì)发生(shēng)很大的变化，这个变化我不(bù)是说训练(liàn)的算(suàn)力会下降，训练的算力还会(huì)持续提升。与(yǔ)此(cǐ)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，可能(néng)这里很多新的创业公司的机会。一方面，如果你达到一(yī)定的(de)算力门槛，它可以在这里做(zuò)很多算(suàn)法的基础创新，那你可以在基础的模型上甚至取得突破，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(yǐ)通过后训练的(de)方式，在一(yī)些领(lǐng)域上做到一些效果，这里也会产生更多(duō)的产(chǎn)品和(hé)技术(shù)机会，所以我觉得整体也是(shì)打开了创(chuàng)业相关的想象空(kōng)间。

主持(chí)人：这一波AI新的(de)变化(huà)，接下来会(huì)对AI相(xiāng)关的(de)产品带来什么样的连锁反应，这个变化(huà)如何发生(shēng)？

杨植麟：这是很好的问题，我们现在还是处于产业发展的早期。产业(yè)发展的(de)早期有一个特点，还(hái)是技术驱动产品会更多，所(suǒ)以(yǐ)很多时候(hòu)你的(de)产品会去看当前(qián)的(de)技术是(shì)怎么(me)发展，然后把它最大化的价值提取出来，所以这个问(wèn)题首先非常(cháng)好，可能我们根据这个新的技术(shù)进展，再返过来推一下现在产(chǎn)品应该做(zuò)什(shén)么变(biàn)化。

现在的技术(shù)发展(zhǎn)有(yǒu)几(jǐ)个(gè)点：

一个，我觉得这里(lǐ)面(miàn)会有很(hěn)多探索新的PMF（product market fit）的机(jī)会。我觉得PMF指(zhǐ)的是两个东西的平衡：一方(fāng)面是由于你需要(yào)做这种系统2的思考，导(dǎo)致你(nǐ)的延时增加。对用(yòng)户来说，延(yán)时增加是一个负向的体验，因为所有(yǒu)用户都希(xī)望我(wǒ)尽(jǐn)快能拿到结果(guǒ)；第二个点，它确实能(néng)提供(gōng)更(gèng)好的输出，能(néng)拿到更好的结果，甚至能完(wán)成一些跟(gēn)更复杂的任务。等(děng)于说新的PMF产生的过程或者探索的过程(chéng)，其实是要在(zài)在延时增(zēng)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(yī)个平衡点。所以你要(yào)让这个增量的价值是大于体验的损失，我觉得这个很重要。所以(yǐ)在这里面更高价值的场景，特别是生产力的场景(jǐng)，我(wǒ)觉得会率先有一些东西出来。因为如果你是一个娱乐场景，大概率你可(kě)能很难(nán)忍受(shòu)这种延时上的增加。所(suǒ)以(yǐ)，我觉得这是比较重要的一(yī)点

产品(pǐn)形态上，我觉得也会发生一些变(biàn)化。因为你(nǐ)引入这种思考的范式，所(suǒ)以现(xiàn)在(zài)同步及(jí)时的类似聊天的产品形态一定会发阶跃星辰姜大昕、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”生变化。因为以后(hòu)的AI，可能它(tā)不光是现在思考个20秒、40秒，它已经可能要(yào)思考或者调用各种工具，它可能执行分钟级(jí)别(bié)、小时级别甚至(zhì)天级(jí)别的(de)任务，所以你(nǐ)的产品形态上可(kě)能会(huì)更接近一个人，它更接近“助理”的概念，帮你完成异(yì)步的任务(wù)。这里面的产品形态设(shè)计，我觉得可(kě)能也会发生很大的变化。所(suǒ)以(yǐ)这里面，我觉得新的想象空间蛮大的。

朱军：我觉得大模(mó)型或者大规模预训练的技(jì)术(shù)代表着整个范式的变化，前面也聊到很多，不光是语言，到多模态，到(dào)具身(shēn)、空间智能，中间还是想我(wǒ)怎么去(qù)让智能体能够有交互，能够在这个过(guò)程中来学习。从智能的角度来看，包括从AGI发展上，它是一个必然，因为决(jué)策(cè)、交互实际上是我们说的智能里面非常核(hé)心的能力的体(tǐ)现。我(wǒ)们(men)每时(shí)每刻其实都在做决策，我(wǒ)们(men)面对的是一个未知的开放环境，所以(yǐ)对于智能来说，它的发展路(lù)径上，在整个规划里面(miàn)大家也是朝着这(zhè)个(gè)方向走。

现在所(suǒ)有这些进(jìn)展，包括刚刚讨论很多的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个方向：

一个是给消费者看到(dào)的(de)这些数字内容(róng)，就是说(shuō)看上去很好看、很自(zì)然，能够讲(jiǎng)故(gù)事，能(néng)够让大家参与讲故事、能够交互。这肯(kěn)定是一个(gè)很重(zhòng)要的方向(xiàng)，在数字内容(róng)上。

另外一个方(fāng)向，指向实体、指向物理世界。

现(xiàn)在(zài)可能最好的一个结合点(diǎn)就是和机器人来结(jié)合在一起(qǐ)。其实现在已经有好多例(lì)子在展示出来，我们也看到很好的一些进展，比如用了预(yù)训练的范式，如何让机(jī)器人的能力具有通用性；比如我(wǒ)们自己实验室做(zuò)多(duō)的例子，像四足机器人，过去大家在(zài)不同场地上，你要(yào)让(ràng)它(tā)跑起(qǐ)来都需要用很多的人工调参。但现在你在(zài)一(yī)个仿真(zhēn)环境里面，或(huò)者用一些(xiē)AI的方式来生成一些合成数据，让它在里面大规模地训练，训练(liàn)出来的策略可以灌到机器人上，它相当于换了一副大(dà)脑，可以让它的四肢更好地协同(tóng)起来，同样一套策略可以做(zuò)各(gè)种(zhǒng)场地的适(shì)应。其实这还是一个初步的例(lì)子，现在大家也在关(guān)注更复杂的控制决策，就像空间(jiān)智能、具(jù)身智能。

就像刚才讲到智能体是AGI的L3，所以现在用到(dào)L1、L2的进展(zhǎn)之后，后面肯(kěn)定会提升到 L3，让机器人更好地做它的推理规划，然后更好更高效地和环(huán)境做交(jiāo)互，更好地完(wán)成我们(men)的复杂任务。因为现在很多时候任务相对来说分散(sàn)，给它定义成一个简化的。未来，我们很快可以看到它可以接受复杂的指令、完成复杂的任务，通(tōng)过它内嵌的思维链或者过(guò)程的学习(xí)方式(shì)，能够(gòu)完成复杂任务。所(suǒ)以到那个时候，智能(néng)的能(néng)力又(yòu)有一个很巨大的提升。

主持人(rén)：虽然(rán)意料未来都很(hěn)难，至少(shǎo)心里会(huì)有一个(gè)期待(dài)，比(bǐ)如在下一(yī)个18个月里，我们希望看到什(shén)么样的进展，在AGI的领域里？

朱军：因为(wèi)现在(zài)整个是一个(gè)加速，其实很多(duō)时候我们预测通(tōng)常会过于保守。如果回到你的问题，我预想(xiǎng)未(wèi)来18个月可能比较令人兴奋的一个进展，我希望看(kàn)到(dào)AGI的L3已经基本上实现。至少(shǎo)在智能体，比(bǐ)如我们说的世界模型(xíng)的创建生成、虚实融合，至少(shǎo)在一些特(tè)定场景(jǐng)下的(de)决策能(néng)力的巨(jù)大的提(tí)升。其实它会利用我们今天讲到的推理、感知等(děng)等。

因为我前一段时间领了(le)一个任务，就是对L4做专门的分析，就是到底我们缺(quē)什(shén)么？做了L4的。其实最后调研或者是分析下来，你会发现(xiàn)如果我们要做科学发(fā)现或者做创新，它(tā)需(xū)要(yào)的那(nà)些能力，可(kě)能目前是(shì)散落在各个角落(luò)里面，当(dāng)然现在可能还缺一(yī)个系(xì)统怎么把这些东(dōng)西集成在(zài)一起，给它(tā)做work。所以我觉得如果更激进一点，我甚至(zhì)觉得(dé)未(wèi)来18个月可能(néng)在L4上也会有显著的进展。当然这里面(miàn)我(wǒ)讲的是严肃的科学发现(xiàn)，其实L4还有一些创(chuàng)意的表达上，目前我们在某种意义上已经达到了，比如(rú)说艺术创造、图生视频，一定程度上它已经(jīng)帮大家放(fàng)大(dà)你的想象，或者让你(nǐ)的(de)想象可以具象化。所以，我对整个于是还(hái)是(shì)比较乐观(guān)的，我觉得至少L3或(huò)者未来L4有一些(xiē)苗子了。

到(dào)今年年底，希望将我们本来做的(de)视频模(mó)型(xíng)能够以更加高效、更可控的方式提(tí)供给(gěi)大家。

我解释一(yī)下高效(xiào)和可控。可控，比如你(nǐ)想表达一个故事(shì)，不(bù)是简单地将一段话或者一个(gè)图片给它动起来，我们(men)是希望你可(kě)以(yǐ)连续地讲，而且它(tā)不(bù)光(guāng)是人的一致(zhì)性，还(hái)包括物体等各种主题的一致性，还包括交互性；高效，它一方面解决对算力成本的考量，因为你如果想要(yào)服务很多人，让(ràng)大家用(yòng)的话，首先你成(chéng)本要降下(xià)来，不然这个本身就是烧钱，一直(zhí)赔钱。另外(wài)一个(gè)更重要的，还是从体验上。就使用者来说，因为他想表达自己的创意，他(tā)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，所以这个过程也需要(yào)你的模型系统能够比较高(gāo)效(xiào)，比(bǐ)如说终极目标(biāo)达到实时，能够让(ràng)大(dà)家快速尝试。等到这个阶段，我相信大家的用户体验，包括用户量都会有一个巨大的提升，这是我们今年想重点突破的。当然(rán)长远的话，可能明年18个月会走向实体的虚实融合的场景了。

杨植鳞：我(wǒ)觉(jué)得接下来最重(zhòng)要的，可能(néng)是(shì)开放性的强化学习，比如说你在产品上跟用户交(jiāo)互，在一个真实的环境里面完成任务，然后自己去进化。当然，我觉得O1一定程(chéng)度上说明这个方向有比之前更(gèng)强的确定(dìng)性，我觉得这个会是一个重(zhòng)要的里程碑，也是AGI路(lù)上(shàng)现在仅甚唯一的一个(gè)重(zhòng)要问题了。所以，我(wǒ)觉得这个会很关(guān)键。

张(zhāng)鹏：对，18个月已经是很长了，如果看看看过去18个月走(zǒu)的路(lù)。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(zài)产品和技术上持续地(dì)创新，至(zhì)少可能在一(yī)两个重要领(lǐng)域能够做到世界最好，但是有新的进展会(huì)尽快跟大家(jiā)分享。

姜大昕：第一，我也很期待(dài)强化学习(xí)能(néng)够(gòu)进一步泛化。另(lìng)外一个方(fāng)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(yī)体化的事情。因为在文字领域，GPT已(yǐ)经做到了理解生成一体化，但遗憾(hàn)的是在视觉领域，这个问题当然不是遗憾，它非常难。所以在目前(qián)为止(zhǐ)，我们看到的视觉的理解和生成，这两个模型是分开的。即使像刚才说的多模融合，如果大家仔细看GPT4，它其他模态(tài)都解决了(le)，它唯(wéi)独(dú)不能(néng)生成(chéng)视频，所以这是(shì)一个悬而未(wèi)决的事情。

它为(wèi)什么很重要呢？如果我们解决了(le)视频理解生成一体化，我们(men)就可以彻(chè)底建立一(yī)个多模的世界模型，有一个多模的世界模型以(yǐ)后，可以帮(bāng)助我们真(zhēn)正产生非(fēi)常长的视频，也就是说解决Sora（音译(yì)）目前的技术缺陷。还有一个，它可以和(hé)具身智能相结合，它可以作为机器(qì)人的大脑去帮助智能体(tǐ)更好地探(tàn)索物(wù)理世界，所以我也是非(fēi)常期待的。

张鹏：你未(wèi)来年底之前，有(yǒu)什么我们值得期待的你的进展？

姜大昕：我也是(shì)期待一方面模(mó)型和技术的(de)进步，另外一方面(miàn)产品能带给用户更多更好的(de)体验，其实阶跃有(yǒu)一款产品叫“跃问”，在上面，用户可(kě)以体验我们最(zuì)新的(de)万亿参数的模型，它不光是理科很强，而且(qiě)它的文学(xué)创作能力也很强，经常给大家(jiā)带(dài)来一些(xiē)惊喜。同时，跃问上还有一(yī)个新的功能(néng)叫“拍(pāi)照问”，我们看到用户经常拍张照片去问(wèn)食物的卡路里，去问宠物的心情(qíng)，问一(yī)个(gè)文物的前世今(jīn)生，包括(kuò)Mata眼镜的发布，还有Apple Intelligence，它今年都突(tū)出了视觉交互的功能。所以(yǐ)我们(men)在跃问上也有体现，而且我们(men)会努力一步(bù)步把这个功能做得(dé)越(yuè)来越好。

未经允许不得转载：天津电机维修_天津进口电机维修_天津特种电机维修_天津发电机维修阶跃星辰姜大昕、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”