ReaderMX.
GenAI新世界

四位顶级 AI 企业 CEO 圆桌实录：关于中美竞争、价格战、内卷与未来

G大模型机动组约 14 分钟
Image
主持人：王仲远 智源研究院院长
对话嘉宾：
王小川：百川智能CEO
张鹏：智谱AI CEO
杨植麟：月之暗面CEO
李大海：面壁智能CEO
速记整理：
大模型是否是通往AGI的基石？
Image    
王仲远：我们现在进入巅峰对话环节，讨论通往AGI（通用人工智能）的道路。各位都是国内顶尖大模型公司的CEO。我想请教一下各位，是否认为大模型是通往AGI的基石，还是在实际训练大模型的过程中发现它依然只是数据的压缩？这对产业界非常有价值，但未必能通往AGI。我想听听各位的看法。植麟，请你先发表意见。
Image
杨植麟：我比较相信大模型的第一性原理，通过不断提升模型的规模，虽然本质上是数据压缩，但这种压缩能产生智能。随着模型规模的扩大，智能会不断增加。当然，这个过程中会有很多挑战，比如数据可能不足。假设我们需要一个比人类更好的AI，但现有数据都是人类产生的，所以可能存在数据稀缺的问题。不过，规模化定律或大模型本身并没有本质问题。   
Image
王小川：刚刚提到大模型是否是通向AGI的基石，我认为这个说法没有问题。今天我们已经看到大模型的进步，但光靠这点是不够的。我们需要范式的改变，除了规模化，还需要将语言变成数学，这在符号主义与连接主义之间产生了突破。我认为未来还需要更多范式的改变，比如从数据驱动的学习系统到像AlphaGo那样的自我思考系统。所以，我认为AGI的时代需要更多科学家和资源的投入，而不仅仅依赖现有的大模型技术。   
Image
张鹏：大模型是否是基石之一？我同意小川的观点。这个问题还涉及到如何定义AGI。现在我们看到大模型在推进人工智能的发展，非常有效。虽然我们不确定它是否能推到顶峰，但它在目前阶段是有效的。因此，我认为大模型是通往AGI的基石之一。
Image
李大海：作为数学专业毕业生，我认为大模型是当前技术中通往AGI最远的路径。但它能否直接到达AGI还有很多未知因素，包括定义问题。大模型主要在处理人的系统一工作，而系统二的推理和搜索能力可能需要通过外部技术实现或内化为大模型的能力，这也是行业需要探索的方向。    
Image
王仲远：谢谢大海。其实我们总在讨论AGI，但似乎连AGI的定义都没有广泛共识。各位怎么看待AGI的定义？植麟，请你先说。
杨植麟：我认为AGI的定义重要，但不一定需要现在非常精确的量化定义。AGI的定义可以帮助社会和个人更好地准备未来的发展。短期内可能需要一些量化指标来衡量AGI开发的进度，但这也是个挑战。
我们需要新的图灵测试吗？
王仲远：你认为我们需要新的图灵测试吗？因为传统的图灵测试已经被大模型攻克了。
杨植麟：传统的图灵测试可能已经不完全适用了。虽然大模型通过了图灵测试，但还有很多人类能做而AI不能做的事情。所以，我们可能需要对评估维度做更多拆分，比如知识能力、推理能力和创造能力，这些评估方式完全不同，这是当前关注的重要问题。    
我们该怎么理解 AGI？
王仲远：谢谢植麟。小川，上次在央视对话栏目中，你提到去年是智能机器人的元年。那么智能纪元是AGI的纪元吗？你怎么理解AGI？
王小川：上次提到是元年，是因为我们掌握了将语言变成数学的技术，这是一个重大起点。当机器掌握语言，这是一个翻天覆地的变化。以前讲图片识别和无人驾驶，但狗也会导航和看图片，而狗不会语言。语言代表了我们认知世界的范式。我特别喜欢你刚才的问题，什么是AGI的定义？全球很难有共识。我会用一个评测指标来看，即能否造出医生。医生在所有职业中智力密度最高，既需要多模态，也需要推理能力和查文献能力。如果我们认为医生比AGI低，造不了医生就别谈AGI。但如果医生比AGI高，我们还需考虑更多因素。从评价指标或学习范式来看，我们是在向人学习。
偶数是自然数的一个子集。每两个数中只有一个是偶数，但数学上我们知道它们是一样多的。因为每一个自然数乘以2就是一个偶数，它们是可映射的。所以我们可以把自然数映射到偶数上。今天我也是把大模型能力映射到医生的能力上，以此作为一个标准。如果能造出一个医生，就可以认为达到了AGI。   
王仲远：好，谢谢小川。大海，你作为数学家，你对AGI怎么理解？
李大海：我会尝试从经济学的角度来定义AGI。如果执行任何任务的边际成本为零，那就是理想中的AGI。这也是为什么我认为大模型能够走得最远，因为我相信它能不断降低边际成本，逼近零。但这过程中需要各行各业的数据产生飞轮效应，让模型持续训练和学习，降低成本。我们看到去年很多场景下的大模型应用还需要微调，成本很高。随着模型能力的提升，逐渐只需做提示工程（prompt engineering），甚至不需要提示工程，只需直接询问需求。当成本接近于零时，我认为AGI就到来了。
另外，我想补充一点，我们现在都在讨论怎么把模型做大。但大模型的智能密度也很重要。当我们达到AGI时，还需要考虑大模型的小型化。比如，如果一个10万亿参数的模型能达到AGI，能不能把参数减少到1万亿甚至1000亿，这也是我们需要持续突破的方向。
王仲远：对，其实面壁智能以及智谱与智源有很深的渊源。面壁的刘知远老师和智谱的唐杰老师都曾与智源合作开发悟道系列大模型。我想请教一下张鹏，当初在做悟道系列大模型时，你们是否考虑到实现AGI？你对AGI是如何理解的？
张鹏：在我们看来，AGI可能更像是一种信念，是一个符号，其内涵和外延在不断变化。早期我们用图灵测试来检测AI系统，但现在这个方法已经过时了。随着技术不断演进，我们对AGI的定义也在变化。所以AGI是一个动态的过程。如果我们能把一件事情量化得非常清晰，那这件事的天花板也就显而易见了。但现在没有人能把AGI说清楚，这反而是好事，说明还有很多未知的空间等待我们去探索。AGI对我们来说是一个目标，让机器像人一样思考是第一步。未来我们期待机器能够超越人的能力，所以AGI的内涵和外延会不断更新迭代。
Scaling Law在未来会继续起作用吗？
王仲远：我们今天反复提到scaling law，你对scaling law依然坚信吗？你认为它会在未来继续起作用吗？
杨植麟：对，我认为scaling law没有本质问题。我觉得未来3到4个数量级的提升是非常确定的。关键是如何高效地扩大规模，以及应该扩展什么。如果只是继续使用当前的方法和数据，可能无法解决推理能力等问题。所以我们需要重新定义scaling law。只要有更多的算力和数据，模型参数变大，智能会持续增加，但这不一定局限于当前的方法。比如，模型可以有不同的模态、数据和loss function。所以scaling law会持续演进，只是扩展的方法会发生变化。
王小川：我认为scaling law目前没有看到边界，它会持续发挥作用。比如，Elon Musk计划购买30万片B200芯片，这表明美国在这方面的投入和认真程度远高于中国。因此，我们在scaling law之外还需要寻找新的范式转化，不仅是简单的预测token和压缩模式。只有走出这样的体系，才能有机会走向AGI，并与最前沿的技术较量。
张鹏：在讨论AGI定义时，我已经表达了我的观点。目前为止，人类认识的所有规律都有可能被推翻。只是看它的有效期有多长。到目前为止，我们还没有看到scaling law失效的预兆，所以在未来相当一段时间内，它仍然会有效。    
当然，这所谓的有效性也是一个动态的概念。它所涵盖的内容会不断演进。就像刚才小川提到的那样，早期我们关注的仅仅是模型的参数规模，对吧？现在大家逐渐意识到，参数量很重要，数据量也很重要，数据质量同样重要。计算量也在不断增加，变得越来越重要。所以你会看到，它的内涵其实也在不断变化。随着我们对规律的认知越来越深入，这些规律的本质也越来越清晰。掌握这些本质，就能掌握通往未来的钥匙。基于当前我们对这些本质的认识，我认为它仍然是未来我们主要推动的方向。
Image
王仲远：我想追问一个问题，我们现在看到像GPT-5，多次传出要发布，但一直在推迟。张鹏总，您觉得这个进度，包括我们自己训练大模型的进度，从追逐GPT-4到突破GPT-4，再到GPT-5的发展方向，现在的扩展法则（Scaling Law）是否出现了边界效应？您怎么看这个问题？
张鹏：我觉得这里面有很多因素，包括传闻中的所谓4.5版本以及5版本何时发布。传了几次却没有发布，我认为其中因素非常多。拿我们自己来说，我们也在选择一条道路，遵循扩展法则（Scaling Law）不断前进。举个例子，我们最开始讨论过是否要做一个稠密的单体模型，还是一个稀疏的多体模型。这就是我们当时认为如何满足进度或者追寻扩展法则的不同路径。
发展到今天，你会发现维度已经非常多了。你可以在很多方面进行尝试，但难度和复杂度也增加了。实现GPT-5或下一代模型的技术可能性，需要探索的领域非常多。
王仲远：谢谢。大海，我们主要关注端侧大模型。您认为在轻量级大模型上，扩展法则（Scaling Law）也是有效的吗？
李大海：我认为扩展法则（Scaling Law）非常重要。我同意张鹏的观点。扩展法则是一种经验公式，是行业对大模型这个复杂系统的观察和总结。随着实验的增多，我们对模型训练过程的认知越来越清晰，细节也会越来越多。训练方法本身对扩展法则的影响也很显著。一旦我们固定了参数规模，数据质量和训练方法的重要性就会显现出来。
怎么看待斯坦福团队涉嫌抄袭MiniCPM事件？
王仲远：最近有一个热门新闻，关于开源社区，斯坦福的团队涉嫌抄袭我们的mini CPM。您怎么看这个事件？
李大海：最近这个事件在国内引起了很大反响。我们没想到会以这种方式出圈。这是海外个别学生组成的小团队的个人行为，不代表斯坦福这样的学校。事件发生后，斯坦福的系主任和同行也表达了正面的观点。我们更加坚定了对开源力量的信心。事件的发现是靠热心的开源参与者，而不是我们自己。
我们5月20日开源模型，29日几个本科生做了一些简单的工作，在我们的模型上叠加高斯噪声，宣称是自己的模型。这个模型宣称的多模态能力与GPT-4V和Gemini Pro对标，但只需要500美元训练是不真实的。事件发生后，开源社区的热心参与者迅速发现并曝光了这个事实，让我们能够及时纠正。因此，开源的力量非常强大，不仅有原创工作者，还有许多贡献需求和反馈的参与者。
王仲远：百川也将自己的大模型对外开源。当时是什么考量？    
王小川：当时开源的需求是市场需求。在去年9月开源第二版，6月开源第一版。中国当时对大模型的热情很高，快速入场。在美国既有大公司生态，也有开源生态。中国需要快速入场，开源对市场产生了良好影响，得到很多认可，也给公司带来正面的声誉。
王小川：我们认为模型会快速进步，所以开源不会降低我们的竞争力。模型生态中，今天最好的模型明天可能就不够好。因此，我们决定开源，既有贡献又不降低竞争力，符合市场预期，带来了声誉和正面影响。越来越多公司在开源，使中国在追赶美国的过程中，大家共同做出贡献。
怎么看待AI安全问题？
王仲远：随着大模型的发展，AI安全问题也被不断讨论。各位作为企业家，怎么看待AI安全问题？
杨植麟：我觉得AI安全非常重要，虽然不一定是当前最紧迫的问题，但我们需要提前做好准备。随着模型的进展，schedule的发展表明，算力的提升会逐步提升智能水平。它不是当前最大的矛盾或最紧急的事情，但肯定是长期的储备。最重要的有两个方面：一是模型本身可能因为用户的恶意意图而进行不该做的事情，比如prompt injection研究，注入不当意图；二是模型是否会有自己的动机，这与训练方式有关，是否能在底层注入AI宪法，规定其行为，不管用户指令如何，模型都不应违背这些规范。我认为这非常重要。
王小川：我认为安全有不同的内涵和外延，提三个方面的安全问题。首先是意识形态安全，作为中国主权的大模型，要与国家发展和国家意识保持一致，这是基本功。每个模型有自己的价值观，我们必须对民族和社会负责，确保这个安全底线。
其次是关于AGI的讨论，即模型是否能毁灭人类，类似核弹的威胁。我们不希望人类文明被毁灭，技术不能让我们回到石器时代。我们应该关注技术如何推动人类文明的延续，而不是取代人类，延续我们的文明和生命。去年的公开信中，我强调了AGI对人类文明的帮助和繁荣，这是我们的目标，让文明延续，而不是让机器取代人类作为工具。    
第三是现实的安全问题。我们讨论AGI的评测和能力，医疗领域的应用仍然困难重重，模型能力弱，无法颠覆人类文明。目前，我们还未触及人类文明安全的边界。
张鹏：我们一直关注AI安全，特别是在责任AI方面。前段时间，我们签署了AI安全的承诺书，来自全球15家企业。这不仅仅是安全问题，更多是负责任的AI。如何保证技术真正帮助人类、社会和地球，而不是为恶，是一个复杂的问题。防守比破坏更难，需要大家共同努力。
增强大家对这些问题的了解和统一认识，正面面对问题，把它们摆到桌面上，集思广益，共同解决问题。我们不仅要有技术手段，还要增强社会对AI安全的认知和合作。
李大海：我同意前面各位的观点。目前，安全主要集中在基础安全和内容安全两个方向。未来，大模型的本质是只读的，权重固定，推理不会影响权重。等模型部署到机器人和终端，能够动态更新权重时，安全问题将变得非常重要。
对近期大模型的价格战怎么看？
王仲远：我们讨论了AI和AI安全。作为企业家，大家更关注ROI。最近记者问我对大模型价格战的看法，我表示，智源研究院支持开源，免费为社区和产业服务。我也想请教各位，对近期大模型的价格战怎么看？它是有利于大模型普及，还是会妨碍企业发展？大模型需要持续投入和研发，企业需要合理利润，才能持续健康发展。
杨植麟：这个问题很好。最终，时间会回归价值本身。我有三个判断：第一，算力投入，推理算力在某个时间点会超过训练算力，标志着价值的释放。训练成本能被覆盖。第二，从C端来看，推理成本可能低于获客成本，商业模式可能不会与以往相同。第三，AI在工作流程中占比很低，可能只有1%。人类工作远多于AI。AI的价值在某个时间点可能超过人类，带来新的商业模式，普惠AI和价值分层，改变商业模式和ROI问题。    
王小川：结论是，价格战对中国大模型发展非常有利。价格战是市场行为，带来两个好处。第一，更多公司和个人能用上大模型，推广普及，很多企业可以免费或低价尝试POC，迅速普及大模型。第二，市场竞争带来了更多创新和进步，促进整个市场的发展。这对中国大模型市场非常有利。
第二个方面，其实之前有很多浪费。因为在初期，大家对大模型了解不多。我观察到很多企业，只要有点技术能力，都声称自己有大模型能力，甚至自己购置硬件，跑去找我们合作训练。但实际上他们应是大模型的用户和消费者，而不是供给方，很多企业想转型成大模型的供给方，结果导致人才、资金和社会资源的浪费。
有了价格战后，很多企业开始清醒，意识到不必做大模型，回归自身优势，成为大模型的用户。这减少了很多浪费，也减少了社会资源的消耗。更多企业能明确自身定位，不需要成千上万的大模型。价格战带来市场的分层，每家公司都能受益，增强竞争力。
张鹏：有人说我们是价格战的发起方，但这是子虚乌有。我们一直秉持的理念是给用户带来最大的价值，用技术和创新降低使用成本，普及技术，让更多人享受收益。我们的价格一直很低，因为技术能做到，释放成本空间，为用户带来收益，确保ROI大于1。从宏观角度看，这对中国的大模型产业有利，让更多人使用，把大模型变成基础设施，就像水电一样便宜随时可用。这为企业提供了更好的发展空间。
我们最近推出的新模型，把成本压到极低。以前大家报价都是一千多克，现在是几分钱，甚至几厘，难以计算。我们改成100万token多少钱，到了这样的地步。这对整体大模型产业是有好处的。但需要注意不要过多宣扬，商业上牺牲企业短期成本不是正常逻辑，必须回归用户价值和生产力价值。
王仲远：谢谢。大海，端侧大模型会面临价格战困扰吗？
李大海：我们选择端侧，因为看到落地更早的可能性。最近有机构调研，全国10亿用户手机的端侧算力相当于100万片H100。如果这些算力被充分利用，很多应用可以落地。端侧模型和云侧模型需协同，端侧隐私性好、更可靠，云侧模型能力更强。如何协同是未来的关键。
我同意前面大家的观点，当前价格战有一定营销成分，但未来一定会更便宜，并且大家都有利润，这才是健康的方式，让千行百业的应用落地。
各位CEO对智源大会的一些寄语
王仲远：谢谢，大海。还有很多问题想问，但因时间关系，只能请各位CEO对智源大会给予一些寄语。
杨植麟：智源是亚洲地区最早投入大模型的机构，非常难得，领先的想法和宽广的视野，不仅是大语言模型，还有多模态和聚生智能。智源是一个很好的交流平台，我们受益匪浅，希望智源继续成为全球领先的平台。
王小川：智源是中国大模型的黄埔军校，推动了大模型技术和思潮的发展。我上一家公司搜狗早期就与智源合作，提供数据支持。今天中国大模型发展迅速，智源有很好的定位，作为中立和技术高地，得到政府信任，扮演技术和智库角色，帮助我们快速健康发展。
张鹏：我们与智源合作多年，从NGO型研究机构发展到今天，成为国际人工智能领域的一面旗帜。智源在人工智能浪潮中有宏伟布局，希望与智源在学术研究、落地应用和公共政策等方面继续深入合作，祝智源大会越办越好。
李大海：大模型领域变化快，有些事情商业公司无法独立完成。希望在智源的撮合和带领下，搭建更好的平台，共同协作，解决行业问题。也祝智源大会像AI界的春晚一样，越办越好。
欢迎关注硅星人Pro 公众号
Image
加入我们硅星社群
Image

KEEP THE THREAD GOING

更多来源文章