2023世界人工智能大会开幕机器人数量将超人类特斯拉

7月5日下午，2023年世界人工智能大会开幕前一天，华为轮值董事长胡厚昆来到展位，看看大家都在忙什么。 在7月6日的开幕式上，胡厚昆做了总结：一是大模型的研究，二是大模型在不同行业的应用。

这两起事件勾勒出人工智能蓬勃发展的半年期间行业发力的重点方向，也预示着人工智能行业的发展。 开幕式上，“黄金时代”成为关键词。 胡厚昆表示，“通用人工智能正在引领我们走向下一个黄金十年。” 微软CEO纳德拉也提到“人工智能的黄金时代已经到来”。

机器人数量将超过人类

特斯拉缺席上海车展，却亮相2023世界人工智能大会。 据悉，这是特斯拉首次受邀参加该展会。 特斯拉展台上除了“汽车元素”外，其人形机器人“擎天柱”也成为一大亮点。

特斯拉CEO埃隆·马斯克以视频形式“亮相”开幕式，并与机器人开启了“话匣子”。 马斯克表示，“目前，我们经历了数字计算能力的爆发式增长，机器与人类计算能力的差距进一步拉大。一段时间后，人类智能在所有智能中的比例将会越来越低” ……这可能是人类历史上最深刻的时期。”

特斯拉的人形机器人还处于开发初期，但马斯克预测，未来机器人会越来越多，“机器人与人类的比例可能会超过1:1，这意味着未来机器人的数量可能会超过1:1。 人类。 但它也造成了“双刃剑”的普遍问题。 机器人的生产力比人类高得多，因此我们希望确保它始终对人类有帮助。”

此外，马斯克透露，特斯拉的自动驾驶已经非常接近无人干预的状态，并且已经在美国道路上进行了测试。 “我们预测，可能在今年晚些时候，我们将能够实现完全自动驾驶。”

人工智能“深入现实”

“我们都坚信，在短时间内，人工智能尤其是通用人工智能将帮助我们改写身边的一切。当方向明确后，最关键的就是路径的设计。” 胡厚昆表示，华为目前考虑的核心问题是全力推动人工智能“走得更深、走得更实”。

为了实现这一目标，华为有两个关键举措或者两个出发点，即深化算力，打造强大算力基础，支撑中国人工智能产业发展； 大规模行业模型的研究和创新，让人工智能真正服务于千行百业和科学研究，这就是华为提出的AI for Industry和AI for Science。

胡厚昆表示，华为推出了全新的三层大模型架构。 最底层是对标通用大机型，华为称之为基础大机型。 这一层可以形象地理解为“读万卷书”，其主要作用是学习大量的基础知识。 在这个层面上，华为还创造了行业模型和场景模型，堪称“行万里路”。

“从‘读万卷书’到‘行万里路’，还有很多挑战需要克服。其中一个关键点就是将各行业的知识与大模型充分匹配、融合。华为正在与各方面合作。我们将与合作伙伴共同努力。”胡厚昆表示。

胡厚昆还提到，盘古大模型3.0将于7月7日发布。

未来应用将由人工智能驱动

开幕式上，微软全球高级副总裁、微软大中华区董事长兼首席执行官侯阳表示，微软坚信，未来任何企业都需要拥有掌控数字技术的能力。 人工智能不断展现出巨大的潜力，未来每个公司的每一个应用都将由人工智能驱动。”

侯阳提到，随着去年底ChatGPT的一夜爆红，大型模型和生成式人工智能似乎瞬间爆发，很多科技行业的从业者都对AIGC的出现感到惊讶。 但在微软看来，这种出现并非偶然。 无数优秀的科研人员几十年来一直进行基础研究，投入大量的计算资源，才创造出这样的创新成果。 据悉，OpenAI ChatGPT的突破依赖于微软智能云提供的基础设施和算力支持。

侯阳还结合近期的全球客户行业智能解决方案，总结了人工智能在六大重点行业应用的创新场景，包括优化制造业和能源行业的供应链弹性、创新零售电商的智能客服、打造栩栩如生的金融行业NPC人物马斯克：未来机器人数量将超人类，随时获取金融行业实时市场行情分析报告，更早发现和控制潜在的金融交易风险马斯克：未来机器人数量将超人类，提升生命科学领域的临床试验数据分析能力，为金融行业带来新的机遇。更多教育领域的启示、互动、定制学习方法等。

开源是确保安全的唯一途径

自ChatGPT诞生以来，监管的话题就一直伴随着。 但在发布会上，图灵奖获得者、Meta AI团队首席人工智能科学家杨立坤提出了完全不同的观点。 在他看来，从长远来看，让人工智能安全、良好的唯一途径就是开源。

“想象一下，未来我们每个人都需要通过人工智能助手与数字世界进行交互，我们所有的信息都将通过人工智能助手系统。如果当时技术仍然被少数公司控制的话，那就太糟糕了。”绝对不是什么好事。” 杨丽坤说道。

杨立坤认为，未来人工智能系统应该成为人类所有知识的宝库，而训练它们的方式也必须基于多来源，“所以我们也希望看到更多开源的AI系统。”

完美还有很长的路要走

当被问及大规模模型开发基础理论的突破时，图灵奖获得者、上海智造研究院院长姚启智列举了他们的一位年轻学者在算法方面的突破性贡献，那就是能力强化目前主流学习加速数百倍。

姚启智表示，ChatGPT之后，下一个非常重要的目标是让智能机器人具备视觉、听觉等多种感知能力，能够在不同环境下独立学习各种新技能。 如今一般的强化学习方法速度太慢，学习一项新技术通常需要几个月的时间，但上述突破可以让强化学习在几个小时内完成这项工作。

“这不仅是一个实际问题，也是一个理论贡献。” 姚芝芝提到，过去六七年，AI思想家一直对路线存在争议，就是依靠强化学习的道路是否正确。 上述突破只是将天平向另一边倾斜，即我们应该坚持当前的道路，距离通用人工智能的完善还有很长的路要走。

人工智能并不总是聪明的

人工智能并不总是智能的，也可能会出现“幻觉”等挑战。 面对如何应对大语言模型实际应用中的困难和挑战，清华大学交叉信息研究院助理教授、大型AI初创公司Moonshot AI创始人杨志林规模示范企业给出了他的答案。

杨志林认为，目前的大模型确实还有很多未解决的问题，比如安全性如何把控，如何避免“假象”，不去编造一些不存在的内容等。 其中最重要的一点是，我们在思考这些问题时，不能采取“头痛医头”的方法。 相反，我们需要更系统地抽象出这些问题的底层，有哪些共性问题，然后回到更基础的层面去解决。

“毕竟是通用模型，我们希望它能在这些方面有所借鉴。” 杨志林表示，最本质的解决方案是做更大规模、更高效的压缩，比如采用更好、更适合分布式的训练框架、更好的分布算力等方法，可以解决目前人工智能的局限性。