朱民：一个经济学家视角下的科技大变局

Writer： admin Time：2023-05-18 Browse：149

　　首先，要意识到ChatGPT、GPT或者大模型是科技和人类社会根本的颠覆和变局，这一点特别重要。之前，人工智能尚难以逾越的障碍就是图灵测试，机器暂时不能与人类完成自然对话；如今，我们普遍认定ChatGPT已经通过图灵测试，这是一个重要的里程碑。

　　与此同时，狭义人工智能正在走向广义人工智能。所谓“广义人工智能”类似于机器接近甚至超过人类智能，产生一种新的智能，这也是大模型和GPT对人们最大的震撼之一。

　　我们正在离开信息时代进入智能时代。在智能时代里出现的新机器，会产生和人一样的智能。一直以来，人类被视为最聪明且主宰世界的群体，如今机器有条件与人类智能共存，因此世界从根本上被改变和颠覆了。

　　举一个简单例子，我从北京来到广州想品尝粤菜，可以使用大众点评、美团、携程等一系列APP，最终还是需要我自己挑选。地点、口味、消费水平都不清楚，因此很难决策，因为我只能看到信息。

　　现在使用ChatGPT，可以让它推荐价格中等、环境理想、距离三公里以内优质的粤菜馆，马上就能得到答案。过去软件即服务，现在模型即服务，这是从信息服务时代到智能服务时代的飞跃。

　　今后，众多移动应用将会被彻底颠覆。试想，我们仍然习惯使用的APP还有存在的理由吗？大模型记忆如此之好，信息容量如此之大，能够轻松取代一切。

　　制造业同样如此。会有垂直类的GPT出现，统一完成研究、生产、管理、提效的全过程，人类可以通过控制GPT管理物理世界，我称之为人工智能的“脱虚向实”，从虚拟的服务走向物理世界，这将是一个长期变化的过程。

　　目前，距离大模型被广泛使用，还要面对两大难以逾越的关口：一是准确性，二是低成本。然而困难再多，都不意味着未来不会到来。因此我提议，只要关注未来、关注科技，从现在开始就要关注GPT和大模型。这不意味着马上投资大模型，形成良性的市场氛围需要时间，但提前关注非常重要。

　　2016年围棋对弈AlphaGo战胜韩国选手，随即震惊全世界，出现了一个小高潮。之后进入低潮期，让很多人误认为人工智能暂停发展。然而ChatGPT的横空出世，让大模型走到台前。

　　ChatGPT是语言大模型，能够记住大量历史信息和人类反馈，同时保持对话的一致性以及连续性，并拒绝对话者不合适的请求，还能持续多轮对话。这是通过图灵测试的关键环节，此前从未有过。

　　曾经人工智能只能“胡说”，ChatGPT发展新的逻辑和方式，将“胡说”微调变成说“有理”的话，能够涌现新的想法，类似人的灵感。基于此，人工智能2C的商业场景被打开：可以生成文本、图像、视频、音乐等信息提供服务。

　　除了对话，ChatGPT还能持续完成多项任务，例如编写故事、创作短剧，甚至编码。利用人工智能，“码农”的工作可以被替代，新闻工作者也可以编写复杂的消息，文本处理翻译可以形成优美的文字，所以各领域广泛应用ChatGPT是好事。

　　人们还在惊讶ChatGPT的强大，ChatGPT4已经发布。相比上一代平台基于语言输出生成图片和诗歌等内容，新一代平台可以引入视觉能力。

　　用户可以输入“这张照片是什么”，平台回复“这是一个人在一辆移动的出租上，一个熨板上在熨一件衣服”，表述相当精准。

　　这里有另外一个案例，美国会定期举行法律考试，考生通过将获得执照，法学院毕业生普遍报考。这是一项难度很高的考试，通过率并不算高，可是有了ChatGPT4，美国法考通过率大幅提升至90%，可见下一个被替代的职业，很可能是律师。机器存储知识的能力，人类无法比拟。

　　第一个是具备多模态涌现能力，ChatGPT能够融合视觉、语言等多种识别能力，从而产生新信息；

　　第二个是形成多模思维链（Chain of Thought），机器不再只能完成重复工作，而是能够涌现新思想，有“顿悟”了；

　　第三个是结合多模态提示工程(Prompt Engineering) ，根据特定的目标和语境设计出一系列问题或任务，使用大模型生成有关主题或主题领域的连贯和有意义的文本；

　　第四个是机器通过人类反馈强化学习（Reinforcement Learning from Human Feedback），可以融入人类输入的价值观与行为规范，在不断反馈中强化学习能力。

　　机器可以自我学习，不断发展；人类还要睡觉，可是机器不会。基于此，可以做出如下三点判断：

　　最后，在不断反馈与训练中，人工智能变得更加强大，可以在2C的商业场景中得以应用。

　　人类经过长期积累进入信息时代，出现了信息爆炸、信息泛滥的情况。只是信息是机器生成的结果，是程序运行的结果，最终由人类主导，以人为主还是其主要特点。因此，信息时代程序和应用优先。进入智能时代，信息被机器和程序使用产生智能，数据让机器有了智能。

　　传统社会，人基于观察逐步形成学科。牛顿看到苹果掉落，最终万有引力定律通过数学方式得以表达。这是一个“科学技术产品”的转化过程。

　　智能时代，转化过程调整为“数据知识产品”的闭环，数据不断迭代更新，产品不断优化，世界就此改变。

　　全球比较大的争论，在于人工智能与人类智能是否为同一智能。目前，科学尚不能得出结论。如果它是新的智能，将会自主且不间断地学习成长，就像科幻电影走进现实。GPT发展如此之快，引发全世界上千名科学家的担忧，提议停止ChatGPT发展。

　　回到“变化”，之前的AI1.0时代软件是起点，码农成为核心资源；AI2.0时代数据中心是起点，成为新的财富。数据经过大模型处理后，同样可以输出动态的多模态信息。

　　我们以时间为横坐标，模型规模为纵坐标，ChatGPT形成的方程式已拥有1750亿个变量。随着时间的发展，模型变量已经积累到1万亿。不久前，阿里公开大模型参数，该数据已经提升到9万亿。

　　值得一提的是，大模型出现了“涌现”的新能力，类似于“灵光乍现”地产生莫名其妙的信息。比如对文本内容的新理解，或复杂的推理能力，或联系上下文的学习能力，过去这些逻辑能力并不存在，如今“涌现”出来。

　　“涌现”是非线性生成，而且参数规模越大，数字产生不同形式的组合，产生不同路径之后，交叉形成新的思路和逻辑，越能让机器变得聪明。在哲学上，可以理解为“量变到质变”。

　　最有代表性的就是生成式AI。发出指令“开发一个云上飞的狗”，就能描绘出不同形态的结果。当我们以时间为横坐标，内容复杂度为纵坐标，未来能完成图像、音频、代码等复杂形式的任务，甚至可以形成视频。将来ChatGPT和GPT4会逐步进入三维物理世界，引发更多的质变。

　　目前，生成式AI能够根据文字指令生成图像，比如“雪天，湖边的樱花正在开放”（Cherry Blossom Near a Lake，Snowing），三台机器给出三种描绘。

　　此外，神经AI已经出现，通过机器模仿人类的脑部神经，形成神经系统、神经网络和思维方式，具备了更强的灵活性。

　　还有，系统已经出现因果推理，这是人类思维关键环节之一。人类的思维方式基于因果逻辑和归纳逻辑存在，机器可以完成归纳，甚至比人类的表现更好，如今出现因果，有了长远的进步。

　　过去，我们在各种移动应用检索信息，文本、图像、翻译都是典型的应用，都是与机器互动；GPT4出现后，相关服务接入物理世界的生命科学、材料科学、技术开发、运营服务等众多领域。平台会自我学习和成长，具备更强的能力。

　　近100年来，学科研究的推进“既快又慢”。“快”是因为我们获得了众多成果，“慢”是因为很多的理论仍然难以用数学方程式完整表达。在学术研究领域，这被称为“维度的诅咒”。

　　爱因斯坦研究相对论基于四维的雷曼空间，以量子力学为代表的众多研究卡在四维领域已经很长时间。如今大模型出现，能够计算1240个维度空间、1万亿个变量的方程式，最终引发了科学研究方法的根本变化。

　　AlphaFold是蛋白质结构预测领域的专有大模型。目前，人类预测已知蛋白数量约为2亿个，人类已经将其中19万个蛋白质完成数字化，占总量的1。人类由蛋白质组成，科学界有信心完成全部蛋白质的数字化。

　　药物学研究，研究药物可以分为两大类：一类已经使用大模型，一类还没有。若归于后者，应该放弃研究项目了，因为两者效率根本不在相同档次。利用大模型，能将研发成本和生产周期压缩一半。

　　在物理学研究方面，美国正在推进超低温环境下的超导现象。如果能在常温条件下实现超导，《哈利波特》中乘坐扫把的魔法将会成为现实。长期以来，相关领域难有突破，现在材料学提出可以加入镥元素，正是通过人工智能设备计算出的结果。

　　如今，材料科学研究都是领域内科学家牵头，数学家、材料学家、计算机科学家共同参与，搭建大模型经过迭代、模拟和运算，印证假设方案。每位科学家工作12小时时间已经接近饱和，可是机器可以不休止运行，从此材料学进入数字材料学时代。

　　此外，还有核聚变的研究。最近核聚变能够形成新一代的核能源，没有任何污染，一旦成功将完成能源领域的彻底洗牌。实现突破的原因，在于应用大模型，计算核聚变期间等离子在核磁圈顺利移动不碰壁的轨迹，从而避免能量衰减。

　　只要人类有新的想法，搭建出相对理想的模型，就可以通过机器不断演算、检验以及迭代，最终得到理想的结果。

　　值得注意的是，大模型在广泛应用后，正在建立专属生态。以ChatGPT为例，平台在各个领域引入19个合作伙伴，这些伙伴通过GPT实现智能化改造，并以插件形式为客户提供服务。今后用户可以只下载一个生态入口应用，就能体验整体服务。

　　所以未来大模型还有无限的想象空间，大模型生态也在逐渐成熟，不断扩张能力范围。

　　我们开发了一个数据库，归纳中美人工智能发展。数据显示，发表论文总数，美国超过中国，不过期刊发布论文数量，中国超过美国。可见中国人工智能的发展仍然走在前列，中国的增速为24%，美国是11%，追赶速度很快，英国、法国、德国、日本普遍较为落后。

　　至于薄弱环节，中国缺少具有突破性和颠覆性的研究，被广泛引用的文章数量不多。2000年至2018年，美国有47篇被广泛引用的期刊，中国仅有5篇；2015年会议论文中被极高引用的论文数，美国32篇，中国7篇。

　　人工智能专利被引用总次数上，美国占比64.1%，中国占比7.1%，低于日本的7.4%。可见日本专利数量（占比10%）低于中国（占比25%），不过质量仍然处于领先位置。

　　研究领域上，中国偏重计算机视觉研究，相关技术较为领先，不过语言领域研究较少，这与美国情况相反。普遍认为大模型是语言模型，未来是语言模型世界，还需要继续努力。

　　获取专利环节，过去20年中美国专利占总量的37%，中国占25%，日本占10%，2000年至2021年中国专利总数正在逐步赶超美国。

　　再看开源框架星标数量，这项指标体现公开市场的使用和赞助情况。该指数美国是41万，中国只有4.8万，仅为前者的10%，可见中国整体框架能力仍然不足。

　　值得一提的是，发表专利主体上，中国普遍为高校，其中北京工业大学、西安电子科技大学、华南理工大学较为领先，90%的专利由高校持有，已经超过阿里和华为等大型企业；美国的专利持有者多为企业，包括苹果、微软、甲骨文等。

　　专利转化为成果需要过程，这也侧面解释了为何中国专利多，引用并不多的原因。

　　还有人才，从事科研的人员中国人居多，美国人并不多，很多介于顶级架构水平和基础开发能力之间的人才都是中国人，ChatGPT多个模块开发团队带头人都是中国人。

　　谈到中美合作，2021年贸易战爆发后两国摩擦不断，学术合作也在减少。为扼制中国发展人工智能技术，美国出台《芯片法案》制止芯片厂商到中国建厂，禁止光刻机等先进设备出口到中国，人工智能产业首当其冲。

　　因此2022年来，美国也在加速提升竞争力，拉拢韩国、日本等地企业到美国设厂，对中国产生了一定影响，倒逼中国走自主创新之路。

　　先来看美国人工智能的发展，一直是国家在推进AI成长，政府机构不断举行会议形成文件，最终在2020年出台报告形成美国人工智能体系，可见政府的推动起到重要作用。

　　因此要建立国家科技创新体系，强调自主创新，尤其是充分发挥数据优势，加快数据资产化。未来数据会越来越重要，必须增加储备。同时开发大模型重要性日渐提升，必须坚持高水平开放与世界合作。

　　建议国家推进顶层设计，成立国家基金和国家级人工智能发展委员会。眼下发展委员会已经成立，国家基金也在酝酿中。

　　此外，还要坚持人工智能为科学研究服务。大模型的应用正在推动材料、生物、制造等众多领域的颠覆式变革，导致学科研究也在发生变化，必须顺应趋势进行调整。

　　值得一提的是，人工智能的发展还要与中国特色相结合。中国突出的特点是市场规模庞大，优秀人才集中。市场大能够降低整体成本，人才多能够集中力量科研攻关，这样中国能走在发展第一梯队。因此推进AI和产业发展，需要落实去中心化的学术研究和商业合作。

　　在构建商业生态方面，这不是一件容易的事，既不能忽视，也不能着急。大模型需要算力，背后的支撑力来自云平台，平台上还要有基础模型和开放模型，提供海量应用，这是一个复杂的工程项目。对众多投资者与企业家而言，他们很难独立构建完整的产业链，同时并不清楚自己的生态位，可是每向前一步都需要巨大的投入，少有企业可以承担。

　　算力是重要环节，必须尽快提高。之前与一家芯片公司负责人沟通，即使面对《芯片法案》的压力，他的生意进展仍非常顺利。我们预计未来5到10年内芯片市场增速将维持在50%至100%，国家会建立算力网，将分散的算力集中起来。

　　还有未来的商业形态，需要借鉴ChatGPT。以大模型作为能力基础，以插件形式对外输出智能化能力，将成为未来商业运行的主要模式。生态企业必须考虑自身定位，如何实现智能化的底层改造。

　　在C端市场，可以通过订阅形式向用户提供服务。百度的模型就是放在云端，提供营销推广等各类服务。

　　眼下，中国已经出现“百模大战”的格局，各家企业都在搭建专有大模型。有能力建模的企业并不多，更多人需要考虑接入哪个平台，扮演怎样的角色。

　　部分大模型已经开始向应用渗透，包括知乎、淘宝、小红书等平台已经开始应用；通用搜索引擎也在开始探索转型，通过对话式AI建立全新的应用场景。

　　大企业已经开始在销售、客服、营销等环节应用相关产品，不过最重要的还是探索如何借助人工智能管理供应链。供应链不能高效运行，意味着大脑未能想清楚解决问题的思路，因此通过“超级大脑”管理供应链非常重要。

　　面对未来的发展，我认为有两点值得强调。一个是与国外通用大模型遍地开花的情况不同，预计未来中国会出现众多垂直领域应用型大模型。它们提供专有领域的服务，为客户提供智能化解决方案。目前，这些应用在金融、医疗、电商等领域出现。

　　金融领域Bloomberg已开发BloombergGPT，执行市场解读、投资决策、年报分析等日常工作。此外，资管、营销、风控等领域也开始接入相关服务，可见大模型在垂直领域拥有了施展才华的平台，这样的场景也会在中国出现。

　　另外一点，是中国必须重视数据资产化。我们认为，2025年中国或将成为世界最大的数据资产国，数据总量将超过美国。数据是最宝贵的资产，要把它变成真正的财富，这需要面对数据产权的定位、安全、估值和平台搭建等众多挑战。

　　确立所有权可以参考农业承包制所有权、使用权、管理权三权分开的成功经验，定价可参考拍卖、未来收益分配等模式计算实际价值，平台可选择搭建“数据公社”，让全社会共享数据收益。

　　在此过程中，政府的角色同等重要。数据成为个体资产，就需要立法保护。主管部门已制定众多政策，积累数据资产化的发展经验。

　　总结来看，人工智能从AI1.0进入AI2.0时代，从编程为主进入数据为主，从以人为主进入机器自主学习为主，都将为人工智能逐渐“脱虚向实”，服务物理世界提供巨大的推力。发挥制度优势，完善顶层设计，加快自主AI研发，借助市场规模优势，构建打磨型生态，成为我们必须肩负的使命。

　　或许我们不能急于投身其中，但必须关注大模型的发展，思考生态走向成熟时如何改变业务和规划未来。

　　【内容节选自“开新局，智未来”2023恒昌高端财富论坛，演讲者：中国国际经济交流中心副理事长、国际货币基金组织前副总裁朱民】