大陆高教为何难出大模型？下一代AI仍依赖基础科研突破

大陆高教为何难出大模型？下一代AI仍依赖基础科研突破。（澎湃新闻）

大陆《第一财经》报导，ChatGPT诞生已9个多月，大模型在大陆产学界最新进展如何？谈到大模型为何难以首先诞生在高等院校，24日举行的2023世界人工智慧大会（WAIC）青年优秀论文奖颁奖仪式暨青年科学家论坛上，同济大学电脑系教授兼副主任何良华认为，学界很难出现ChatGPT这样的模型，主要是算力和数据的问题。

大模型是指具有大量参数和计算资源的机器学习模型。 这些模型通常在训练过程中需要大量的数据和计算能力，并且具有数百万到数十亿个参数。

何良华说，大模型非常吃算力，大学也难以去购买大量的算力。而有了算力之后，要把参数训练得比较成熟，需要海量的数据，但是学界是拿不到这么多数据的。除了这两个问题，还和学界自身的需求有关。「我们都期望在理论上做一些创新。比如我的学生如果跟我说现在需要几千张卡（算力）来做一个事情，我所有的经费给他也不够，课题也难以立项。因为它既不是应用，又不是理论，找不到这样一笔经费，研究只能中断。」

和团队率先在中国大陆发布了具备 ChatGPT 能力语言模型MOSS的复旦大学电脑学院教授邱锡鹏表示，大模型更顶尖的研究机构在业界，这是一个不可回避的事实。从DeepMind再到OpenAI，都是如此。美国的很多著名大学，从研究实力上看，已经落后于这些顶级的研究院了。

邱锡鹏解释，学校和研究院的差异还是在于自由的探索。对于很多研究院来讲，长期的目标还是奔着营利，包括大陆很多企业之前也建了很多研究院，过不了几年就发现可能面临着营利、变现的压力，导致做的研究不是特别纯粹。在他看来，OpenAI的团队是一个以前没有出现过的形态，这种制度设计非常好，能使团队既能坚持本心做研究，同时也没有那么大的压力。

「在学校的话还是要发挥学校的长处，做的研究没有太多的营利要求或面临短期变现的压力，也可以思考得更长远。特别在如今高算力要求的情况下，在学术界和产业界的研究院之间，还是可以发挥学术界的优势。」他说。

上海科技大学生物医学工程学院常任助理教授钱学骏则认为，大陆工业界做出的很多有影响力的工作，可能不是学界追求的主要目标。「学界可能更想（发明）一种思路上的创新（新想法、新应用），而不是通过大算力、大数据，各方面的优势集中做出来了，对学界来说这些也不够有优势，无法获得大量数据。」

华为诺亚方舟实验室AI研究员谢恩泽说，怎么构建高品质的数据集，可能是对于大模型能力一个很重要的补充。训练大模型本身来说，用多大参数的模型、配多大的数据量，以及用多长时间，这些协同也是很重要的。而这些只有在少数几个大厂才有机会接触到这些资源。

今年以来，生成式人工智慧的发展成为地方政府和科技大厂瞄准的关键字。大陆科技部人工智慧发展研究中心5月底发布的《中国人工智慧大模型地图研究报告》显示，当前大陆10亿参数规模以上的大模型已发布79个。

《第一财经》报导，不久前浦江基础科学发展论坛上，北京清华大学人工智慧研究院常务副院长孙茂松教授表示，中国乃至全球发展大模型最终的突破关键，是基础科学的突破。

他说，对于大模型，当前的问题在于并不清楚OpenAI的机理是如何运作的，就连推出ChatGPT的OpenAI公司执行长萨姆·奥特曼也表示，虽然做出了GPT但也不清楚发生的原理，「实际上就是对这个机理还不清楚」。他认为，现有的人工智慧模型已经能做到说话通顺，但这个问题的内在实现逻辑仍然十分复杂。如果弄清楚了大模型里的规律、ChatGPT背后的机理，就有可能克服现有人工智慧大模型的局限性，建立下一代人工智慧的理论和模型。