大语言模型只是AGI的开始并不是终点

在科技飞速发展的当下，大语言模型以其强大的语言处理能力和广泛的应用场景，成为了人工智能领域的焦点。

从OpenAI的GPT系列到百度的文心一言，从谷歌的BERT到智谱的ChatGLM，这些大语言模型在自然语言处理任务中表现出色，如文本生成、问答系统、机器翻译等，极大地改变了人们与机器交互的方式。

然而，当我们沉浸于大语言模型带来的惊喜时，也需要清醒地认识到，它仅仅是通用人工智能（AGI）漫长征程的起点，而非终点。

简单说说
大语言模型是一种基于深度学习的人工智能模型，通过在大规模文本数据上进行无监督学习，学习语言的统计规律和语义表示，从而具备了强大的语言理解和生成能力。

自2017年Transformer架构提出以来，大语言模型取得了突破性进展，参数量从最初的数亿级迅速增长到如今的数千亿级。2018年，Google提出的BERT开启了预训练语言模型时代，随后OpenAI的GPT系列更是将大语言模型的发展推向了高潮。
以GPT-4为例，它在多种基准测试中表现优异，能够理解和生成自然流畅的文本，在回答复杂问题、撰写专业文档、进行创意写作等方面展现出了令人惊叹的能力。

它可以帮助学生完成论文写作，为科研人员提供文献综述，甚至能够与人类进行富有深度的对话。在医疗领域，大语言模型可以辅助医生进行疾病诊断和病历分析；在金融领域，能够进行风险评估和投资建议；在教育领域，还能实现个性化学习辅导。

这些应用不仅提高了工作效率，还为许多行业带来了新的发展机遇。
但是大语言模型也有它的局限性
尽管大语言模型取得了显著成就，但它离真正的AGI仍有很大差距。

从技术层面来看，大语言模型的训练依赖于大规模的数据和强大的算力，能耗过高，且存在数据偏见和隐私问题。在理解和处理复杂的语义和逻辑关系时，大语言模型也常常表现出不足。

例如，在一些需要深度推理和常识理解的任务中，它可能会给出错误的答案。在数学推理方面，大语言模型虽然能够解决一些简单的数学问题，但对于复杂的数学证明和逻辑推理，其能力仍然有限。
大语言模型缺乏对世界的真实感知和理解能力。

它只是基于文本数据进行学习，无法像人类一样通过感官直接体验世界，因此在处理涉及真实世界的问题时，容易出现偏差。当被问到“苹果从树上掉下来的原因是什么”时，大语言模型可以给出基于物理学知识的标准答案，但它并不能真正理解重力、物体运动等概念的实际意义。

它没有情感、意识和创造力，生成的内容往往是基于已有的数据模式，缺乏真正的创新性和独特性。
除了中国，日本也曾发展过AI，只不过与美国的AI市场比非常差。
日本在AI领域的探索起步较早，在1955年达特茅斯夏季研讨会后，AI成为一门独立学科时，日本就已入局。

在1960 - 1970年AI的早期探索阶段，日本取得了不少重要成就，如在人形机器人方面实现了对话系统、视觉系统和肢体控制系统的集成，还在神经网络理论方面提出了神经认知机雏形，即现在卷积神经网络的模型。

然而，在1980 - 1990年，日本举全国之力研发新型计算机，由于当时社会算力以及神经网络调查参数等问题无法解决，只能选择符号主义路线，最终导致彻底失败。

再加上日本当时遭遇经济危机，AI研究陷入低迷，国家削减AI赛道资金支持，优秀人才流失，使得日本在21世纪的AI发展中逐渐落后。如今，日本在AI领域虽然仍在努力追赶，如在机器人技术等方面有一定的优势，但在大语言模型等前沿领域的影响力相对较弱。
但是美国却在AI领域具有深厚的技术积累，长期重视AI的发展，在2013年发布智慧城市、城市大脑等AI计划后，2016年将发展AI上升为国家战略，并出台了一系列政策及倡议。

美国在基础研究、核心技术、人才培养等方面深耕已久，目前处于领先地位。

在产业协同和创新环境方面，美国拥有良好的基础，能够充分利用雄厚的企业实力和市场调节机制，快速展开AI布局，打造深厚且完整的AI创新生态。以OpenAI、谷歌等为代表的科技巨头在大语言模型研发方面投入巨大，取得了一系列领先成果。

风险投资也为AI大模型训练计算量增加产生的庞大资金缺口提供了有效支持，推动了AI初创企业的发展。

美国的AI产业路径侧重于最大化集中优势，争取在基础研究等领域不断实现突破，大型科技企业将算力及数据中心集中布局在技术和市场条件优越的地区，强化了产业集群效应。

但要说AGI，还有很多路径可以探索
要实现AGI，不能仅仅依赖大语言模型，还需要从多个方面进行探索和突破。

在技术创新方面，需要研发新的算法和架构，提高模型的效率和性能，降低能耗。增加模型单元的内生复杂性，使其更接近人脑神经元的丰富动力学结构，可能是提升AI性能的重要方向。注重多模态融合技术的发展，让AI能够融合视觉、听觉、触觉等多种感官信息，像人类一样更全面地感知和理解世界。

通过视觉、声音、触觉的多种模态智能模型的合作，让机械臂完成往杯子里注水的动作，就是多模态融合技术的一次成功应用。
加强AI与真实世界的交互和反馈机制也至关重要。

让AI通过与环境的互动来学习和适应，自主生成新任务，不断完善自身的世界模型。可以让AI机器人在实际场景中进行操作和探索，通过试错来学习和改进，而不是仅仅依赖于预先设定的规则和数据。

培养AI的价值系统和伦理判断能力也不容忽视，确保AI的行为符合人类的价值观和道德标准，避免潜在的风险和危害。
最后

大语言模型作为AI发展的重要里程碑，为我们打开了通往AGI的大门，但它只是一个起点。

日本和美国在AI发展过程中的不同经历和现状，也从侧面反映出AI发展的复杂性和多样性。实现AGI需要我们在技术创新、与真实世界交互、伦理考量等多个方面持续努力，不断探索新的路径和方法。

我们应清醒地认识到大语言模型的局限性，以更加理性和务实的态度推动AI技术的发展，让AI更好地服务于人类社会，创造更加美好的未来。