中国工程院院士陈晓红
未来，多模态大模型将和搜索引擎、知识图谱、博弈对抗、脑认知等技术进一步融合互促，朝着更智能、更通用的方向发展，应对更加复杂丰富的环境、场景和任务
大模型基于深度神经网络，为黑盒模型，在语言大模型的涌现能力、规模定律，多模态大模型的知识表示、逻辑推理能力、泛化能力、情景学习能力等方面，还存在一些盲区和薄弱环节，相关技术有待持续突破
积极推进云计算平台建设，打造以算力网络为核心的新型基础设施，以网强算，提供强大算力资源和相应服务
当前，众多科技企业都在围绕人工智能（AI）大模型扩张商业版图。
“大模型正产生着史无前例的影响力。从趋势看，大模型的发展能够催生通用人工智能，将引领千行百业数智化创新发展。”中国工程院院士、湘江实验室主任、湖南工商大学党委书记陈晓红表示。
大模型经过大规模数据训练后，能够适应一系列任务，具有参数规模大、训练数据规模大和算力消耗需求大等特点。尽管技术发展突飞猛进，但仍受到可靠性差、训练数据依赖、因果推理能力弱、搭建成本高等的制约，并面临寻找合适落地场景的挑战。
近年来，陈晓红率领团队在先进计算与人工智能领域取得了一批原创性、系统性成果，并在大模型技术上积极探索。“我们将以强基础、促应用、保安全的思路推动发展，以体系化工程思路进行科技攻关。”陈晓红说。
把握AI大模型发展生态和趋势
AI大模型经历了怎样的发展历程？
陈晓红：就发展速度而言，超级智能的到来比我们想象的更快。当前，AI技术已步入了大模型时代，并成为了全球创新的焦点。
自2006年神经网络有效学习获得重要的优化途径至今，基于深度学习的AI技术研究范式，经历了从小数据到大数据，从小模型到大模型，从专用到通用的发展历程。2022年底，依托“大模型+大数据+大算力”加持的语言大模型ChatGPT，具备了多场景、多用途、跨学科的任务处理能力。这类大模型技术能广泛应用于经济、法律等众多领域，在全球范围掀起了大模型发展热潮。
大模型技术本身的发展也经历了架构演进统一、训练方式转变、模型高效适配等过程，且正由单一模态的语言大模型，向融合语言、视觉、听觉等多模态的大模型发展。数据显示，过去5年，参数量超过百亿的大模型全球已有45个左右。
我国在大模型领域拥有良好基础，具有强烈需求，具备广阔市场。近年来，国产大模型加速发展，“文心一言”在半年时间内迭代到了4.0版本，其理解、生成、逻辑、记忆四大能力都有显著提升。数据显示，我国有至少130家公司研究大模型产品，其中通用大模型78家，100亿级参数规模以上的大模型超过10个，10亿级参数规模以上的大模型已近80个，大模型数量位居世界第一梯队。
湘江实验室作为聚焦先进计算与人工智能领域的高能级科创平台，正集中力量在大模型领域积极攻关，力争早日推出面向行业领域的“轩辕”大模型，赋能智慧交通、智能制造、智慧医疗和元宇宙等行业产业高质量发展。
怎样评价大模型在技术创新和落地应用方面的发展趋势？
陈晓红：当前，大模型“基础设施—底层技术—基础通用—垂直应用”的发展路线逐渐清晰。大模型技术生态正蓬勃发展，其主流趋势是开源服务与开放生态。得益于国内外大模型开放平台、开源模型、框架、工具与公开数据集等，大模型技术正加速演进。
大模型服务平台方面，向个人开放及商业落地应用延伸是主要趋势。如用户可以通过OpenAI API这一服务平台，访问不同的深度学习模型，进而完成下游任务。
在大模型开源生态方面，得益于开源框架的有效支撑，大规模模型的训练日趋成熟。例如飞桨作为国产的深度学习平台，集深度学习核心框架、基础模型库、端到端开发套件、工具组件于一体，可在自然语言处理、计算机视觉等多个领域模型的分布式训练中发挥重要作用。
大模型技术与实体经济加速融合，应用场景十分广泛。例如大模型+教育可以让教育方式更智能、更个性化；大模型+医疗能够赋能医疗机构的诊疗全过程；大模型+娱乐能够通过增强人机互动提升趣味性和娱乐性等等。正是在与教育、医疗、传媒艺术等千行百业的深度融合中，通用大模型的能力边界不断拓广，改变着人类社会的生产生活方式。
总之，大模型+软硬件+数据资源的上游发展生态势头强劲，大模型+应用场景的下游应用生态层出不穷，大模型正加速在全产业智能升级中形成关键支撑。未来，多模态大模型将和搜索引擎、知识图谱、博弈对抗、脑认知等技术进一步融合互促，朝着更智能、更通用的方向发展，应对更加复杂丰富的环境、场景和任务。我们要抢抓重要机遇，加快大模型更好赋能千行百业的步伐。
认清AI大模型发展的风险与挑战
当前AI大模型发展还面临哪些挑战？
陈晓红：随着大模型日趋广泛的部署应用，带来的风险与挑战不容忽视，需引起高度关注。
首先，可解释性仍然存在不足。大模型基于深度神经网络，为黑盒模型，在语言大模型的涌现能力、规模定律，多模态大模型的知识表示、逻辑推理能力、泛化能力、情景学习能力等方面，还存在一些盲区和薄弱环节，相关技术有待持续突破。
其次，可靠性保障有待提升。基于海量数据训练的语言大模型，其合成内容在事实性、时效性等方面存在较多的问题，尚无法对所合成内容做出可靠评估。同时，大模型可能吸收和反映数据中存在的不当、偏见或歧视性等内容，从而产生仇恨辱骂、偏见歧视以及误导性的输出。
第三，部署代价高、迁移能力不足亟需解决。大模型的参数规模和数据规模非常巨大，训练和推理的算力需求量大、功耗高、应用成本高，而且端侧推理存在延迟等问题，这些限制了它的落地应用。同时，大模型作用的发挥依赖训练数据所覆盖的场景，依赖数据规模、广度、质量和精度。由于复杂场景数据不足、精度不够，大模型存在特定场景适用性不足的问题，面临泛化性等挑战。
第四，安全与隐私保护待加强。数据投毒攻击、模型窃取攻击、对抗样本攻击、指令攻击、后门攻击等多种攻击方式，对大模型相关应用部署造成隐患。同时，在大模型训练过程中，各类敏感隐私数据可能被编码进大模型参数中，存在通过提示信息诱发隐私数据泄露的可能。
第五，伴生技术风险需警惕。语言大模型与语音合成、图像视频生成等技术结合，可以产生人类难以辨别的音视频等逼真多媒体内容，可能会被滥用于制造虚假信息、恶意引导行为，诱发舆论攻击，危害国家安全。
推动AI大模型更好赋能千行百业
如何推动大模型服务经济社会高质量发展？
陈晓红：应抓紧推动大模型技术研发，强化垂直行业数据基础优势，同时加强对大模型的风险监督，彰显AI的技术属性和社会属性。具体有以下建议：
一是推动大模型技术栈自主可控。首先，加强宏观规划和顶层设计，制定大模型发展纲要。加强在大模型核心环节和相关技术上的知识产权布局。积极组建包括由芯片、云计算、互联网、应用等上下游企业组成的产业发展联盟，支持产学研三方协同的大模型研发模式，鼓励相关企业基于大模型进行数字化转型升级。其次，加强大模型原始技术创新和大模型软硬件生态建设，提升大模型构建所需基础软件的自主可控性，鼓励企事业单位在开展大模型训练和推理时，更多使用国产深度学习框架；引导国产芯片厂商基于国产框架开展与大模型的适配和融合优化。
二是破解大模型训练过程中算力紧缺问题。首先，支持推动分布式计算技术的研究创新，提高算力的可扩展性和效率，促进产生计算集群，从而形成更大规模的计算能力。其次，积极推进云计算平台建设，打造以算力网络为核心的新型基础设施，以网强算，提供强大算力资源和相应服务；通过实施资金支持、税收优惠、知识产权保护等激励措施，鼓励企业和研究机构投资和研发与大模型算力相关的技术和设施，形成支撑大模型发展的强大基础。
三是技术驱动提升大模型的安全性。首先，设计系统的分类法，研究集成大模型应用中的潜在漏洞，有针对性地应对信息搜集、入侵、内容操纵、欺诈、恶意软件、服务可用性降低等攻击，研发大模型安全对齐、安全评估技术，发展大模型安全增强技术，提升训练数据的安全性，优化安全对齐训练算法，提高AI的鲁棒性和抗干扰性，不断提升透明性、可解释性、可靠性、可控性，逐步实现可审核、可监督、可追溯、可信赖。其次，加强对AI大模型发展的潜在风险研判和防范，对生成式AI服务实行包容审慎和分类分级监管，强化大模型安全监管措施；将伦理道德融入AI全生命周期，构建AI伦理治理标准体系，使模型的设计和训练严格遵循伦理准则。
四是构建大模型合规标准和评测平台。首先，制定AI的合规标准和开发指南，全面覆盖大模型的研发、训练和部署过程中的安全要求，制定相应的安全标准、准则，重点开展AI安全术语、AI安全参考框架、AI基本安全原则和要求等标准的研制；构建对大模型能力水平进行评估的方法体系，包括数据采集和使用的透明度和合法性，隐私保护措施，以及对敏感主题和内容的处理原则，确保大模型的研发应用符合道德和法律要求。其次，搭建科学有效的评测平台，制定一套针对中文背景下大模型评测的规范和方法论，明确评测过程中的数据准备、评估指标、测试方法等，并提供统一标准，依托平台开展针对不同领域和应用的多样化评测任务，从而准确研判不同模型的性能和效果。
五是构建协同推动大模型发展的机制。首先，探索加强学术界和企业界间常态化合作机制，鼓励高校和企业设立联合研究中心、实验室或合作项目，推动两者之间的数据共享和协同研究，以增进对大模型训练数据的理解和分析，帮助学术界更好地理解大模型的特性和潜在风险，帮助企业界进一步改进算法和模型的安全性。其次，促进优秀人才的培养和交流，通过建立博士生联合培养计划、研究人员赴企实地驻点访问等方式，促进校企之间拔尖人才的培养和交流。
来源：新华社 文 |《瞭望》新闻周刊记者 张玉洁
评论前必须登录！
注册