西安交大丁宁：大模型是“智能基建”，资本与技术融合重塑AI版图

来源：21世纪经济报道

导读：大模型的快速发展离不开资本的投入与产业协同。如果用一句话总结这种关系：资本是技术的放大器，技术是资本的倍增器。

“我们现在处于第四次工业的革命——一场以人工智能大数据为代表的智能化革命。”西安交通大学人工智能学院教授丁宁在“科学家遇见投资人”闭门研讨会西安交通大学专场活动上表示，“借鉴前三次工业革命，相关技术都成为了人们工作和生活的必需品。可以预见，第四次工业革命后，人工智能也极有可能成为未来世界不可或缺的核心技术。”

丁宁本科与硕士毕业于西安交大，博士毕业于日本庆应大学，曾在阿里巴巴工作数年，于2023年回到高校从事大模型、人机交互、自然语言处理、语音处理等方向的研究。

AI正在进入“多模态融合”阶段

理解大语言模型（LLM），可以按着“模型”“语言模型”“大语言模型”逐次递进。这是一个函数式的映射系统，通过参数学习输入与输出间的关系。模型的“规模”代表参数量级，但“大”并不只是数字意义的扩张。

“在相同结构下，模型的参数量越大，它的性能越好。但并不代表，参数量大的模型一定比参数量小的模型好。”丁宁教授在演讲中指出，早期大家追求的是更大的参数量，而近两年行业开始回归理性。

他进一步解释道，大模型性能的提升并非线性依赖于参数，结构设计、训练方法和数据质量同样决定上限。当前业界普遍遵循“规模法则（scaling law）”：在相同架构下，随着参数量、算力和数据规模的增加，模型性能提升呈幂律关系。但当成本、能耗、数据清洗等因素叠加后，模型优化开始从盲目扩张走向结构创新和精细训练。

2022年底ChatGPT的出现标志着人工智能发展的转折点，也开启了大模型的产业化竞争。过去单模态（仅文本）的模型，如今正在向图像、语音、代码等多模态融合演进。

多模态能力意味着AI不再只是理解文字，而是能感知和生成来自不同世界的信息。丁宁教授认为，基于高质量的预训练模型和参数高效微调，形成的微调大模型可以广泛嵌入科研、制造、教育、医疗、金融等领域。

目前主流大模型仍以Transformer架构为基础，但在训练方式上，正在从“预训练+监督微调”向持续学习和参数高效微调演化——即用更少算力实现更快适配。这一趋势带来一个重要变化：AI从技术突破走向可负担的产业落地。

技术与资本的“双向驱动”

大模型的快速发展离不开资本的投入与产业协同。如果用一句话总结这种关系：资本是技术的放大器，技术是资本的倍增器。

具体来说，大模型训练的前期成本极高，包括算力、数据、算法和人才。没有资本介入，很难形成高质量基础模型；但如果没有技术洞见和研发积累，资本也难以真正驱动产业升级。

再从国际对比看，美国在头部企业、算力中心和生态层面仍领先，中国则在论文和专利授权方面跃居全球前列。丁宁教授在现场披露的数据显示：到2023年，人工智能领域的论文数量占全球的41%；我国在人工智能领域的专利飞速增长，截至2023年在全球的专利数占比已达到69%。

另一方面，算力依然是制约我国AI发展的关键瓶颈，模型“幻觉”、表达精度不足、产业链协同难等问题仍待突破——如，芯片、GPU、系统与模型生态需要配套发展，单靠某一环难以实现突围。

展望未来，丁宁教授认为，AI的发展将呈现多个趋势：第一，多模态融合，即文字、图像、语音、传感数据全面打通；第二，大规模与轻量化并行，即在追求能力极限的同时推动端侧部署；第三，具身智能，即AI与物理世界交互，催生机器人新生态；第四，通用人工智能（AGI）探索，即具备通用认知和自学习能力，将成为长期目标。

此外，他指出，超级智能则是一个更前瞻的概念，指具有“超过最聪明、最有天赋人类”的系统，同时可能涉及哲学层面的议题，如自主性与自我意识。这一阶段仍停留在理论探讨与未来设想之中，是人工智能发展可能的方向之一。

（作者：赵娜 编辑：林坤）