当“期待感”消失，AI还有哪些“核爆点” 首届浦江AI学术年会开幕，聚焦不同AI专业领域数十个关键问题 四年前，当图灵奖得主姚期智在上海创立专注于AI研究的期智研究院时，目标就是汇聚顶尖人才，做突破性基础研究。昨天，在与期智研究院一条马路之隔的首届浦江AI学术年会开幕式现场，姚期智分享了一则他最近观察到的“好消息”：在本土AI人才培养上，从本科生到博士生展现出来的面貌均已达到世界一流水平，国内博士与海归博士的水平不相上下，未来中国有希望迎来AI人才的爆发阶段。这一观察也与国际主流调研将中美列入AI第一梯队相互佐证。 “引进人才只是第一步，更重要的是他们能够在这儿扎根、成长，真正有抱负的青年科学家关注的不只是短期薪水和资源，而是要有一个长期发展的机会。”姚期智强调，要始终将人才培养的重要性放在第一位。 浦江AI学术年会也许正是一个吸引汇聚AI科学家的平台。年会完全以问题为导向，过去几个月，组委会从各方征集来的问题中凝练出不同AI专业领域数十个关键问题作为研讨主题，许多专家一下飞机就加入到讨论中。未来，这一年会有望常驻浦江之畔。 “堆数据”很可能做不成AGI 这一年，市场对AI的“期待感”正在消失，这无疑是当下AI行业的最大痛点。从ChatGPT到GPT-4到GPT-o1，如同打怪升级一般逐步实现AGI（通用人工智能），这是以OpenAI为代表的AI厂商试图描绘的未来图景。但近日有消息显示，OpenAI下一代旗舰模型“猎户座”（Orion）的进步速度大幅放缓，合成数据越训练越像旧模型，编码性能甚至还在退步。 不仅是OpenAI，谷歌的Gemini 2.0、Anthropic的Claude 3.5 Opus等领先AI模型也被传出遇到瓶颈。相较摩尔定律，过去两年AI大模型赛道风起云涌的基础——尺度定律（Scaling Law）的失效速度似乎快得多。 “现在的大模型有点像造飞机，通过数据升级和工程优化确实能让大模型性能变得更好，但从学术角度看并没有创新。”香港大学计算与数据科学学院院长马毅道出了当下AI期待值逐渐被拉低的原因。甚至在具体训练中，还发生了当数据达到一定规模时，大模型推理能力反而停止增长甚至出现的情况。 “这是因为新的、未开发的高质量人类生成训练数据正在成为稀缺资源。”上海人工智能实验室领军科学家欧阳万里表示，过去几年里，大模型的迭代升级过程几乎已把各种公开可用的数据集、网站、书籍，以及其他来源的数据耗尽，而合成数据的广泛使用，则会导致新模型在训练中变得与旧模型贴近。 目前，OpenAI给出的解决方案是切换赛道。美国科技网站The Verge日前发文称，OpenAI计划于2025年1月推出名为“Operator”的AI智能体。 欧阳万里则提出，应该拓展尺度定律除数据和计算以外的维度。他列举了三种拓展维度的思路：一是增加测试时间，也就是让大模型在给出答案前更多地思考；二是寻找更经济的数据获取方式；三是寻找更好的通专模型融合促进之路。 颠覆式创新永远来自“少数派” 尽管尺度定律正在遭遇“数据墙”，但AI for science（人工智能驱动的科学创新）领域正一派如火如荼：一个需要以周计设计的飞机翼型，当AI学习了专家数据库后，一分钟就能生成好几十个方案供专家挑选；帮助化学家了解到底发生了什么化学反应的读谱工作，一个经过训练的大模型可在数秒内完成解读。 上海人工智能实验室主任、首席科学家周伯文表示，未来能够使用AI去做科学研究的人获得诺贝尔奖的可能性，会比不会使用AI的人高得多。 但是，想要获得计算机领域最负盛名的图灵奖，那可能就要绕开大语言模型了。近期，学术界对AI的思考能力和语言本质展开了深入讨论。图灵奖得主杨立昆（Yann LeCun）提出了“语言是否真的是思考的必要条件”的质疑，因为即使在严重的语言障碍情况下，人类仍然能保持思考的能力。 众所周知，当前这一轮AI浪潮的底层研究是神经网络——一个黑箱，近四十年来，只有寥寥无几的科学家在坚持研究它。“原来被认为一无是处的神经网络，现在变成能解决所有问题，只要稍微有点常识，是不是都会觉得有问题？”马毅反问。他提醒那些想要获得原创性成果的科研人员，应更多关注那些不同于当前主流的领域。 近年来，马毅团队花了很大功夫研究白盒大模型，其不仅能在几乎所有任务上与黑盒Transformer相媲美，而且还具备出色的可解释性。他透露，他的一位研究白盒的博士生最近入职了OpenAI。 期待开启新的“知识爆炸”时代 那些做AI的年轻人正在关注哪些问题？其中是否有可能出现颠覆式创新？在汇聚了150多名顶尖专家与青年学者的年会会场，“知识爆炸”成了他们口中的关键词。不管是做数据前沿、科学智能还是因果推理的年轻学者，都在阐述如何用AI帮助人们发现他们未曾发现的知识，甚至找到新的科学定律。 上海人工智能实验室青年科学家白磊认为，科学的核心是从观测数据中发现新的规律，2024年之前，AI for science是非常碎片化的，具体表现为每个领域都在建立自己的大小模型。他和团队希望能从数据、计算和创新出发，为AI for science提供一套核心方，从而让AI具备更强的理解能力，能够提出更多科学上的好问题。 在上海人工智能实验室青年科学家陆超超看来，机器学习的核心任务是从数据中自动发现相关性信息以便预测未来，但数据的并非来自相关性，而是来自因果性。过去，关于因果推理的研究停留在理论层面，难以和真实世界的问题对应上。他们团队正在把大模型和因果推理方法联系起来，让大模型去寻找纷繁复杂世界中的因果关系，从而开启新的“知识爆炸”时代。