基礎(chǔ)大模型可能會走到人類天花板，從量變到質(zhì)變，迎來奇點時刻。

文｜《中國企業(yè)家》記者 陳浩

編輯｜張昊

圖片來源｜中企圖庫

4月18日～19日，由《中國企業(yè)家》雜志社主辦的2025（第十七屆）商界木蘭年會在北京舉行。在“AI大課”環(huán)節(jié)，清華大學(xué)計算機科學(xué)與技術(shù)系教授、清華大學(xué)人工智能研究院視覺智能研究中心主任鄧志東分享了關(guān)于人工智能的演進方向、研究前沿與未來發(fā)展趨勢的思考。

以下為演講的核心要點：

1.總體來看，人工智能操作系統(tǒng)（基礎(chǔ)大模型）性能的上限還在不斷提高。

2.一旦寬度達到人類最大平均水平，人工智能就到了一個所謂的“奇點”時刻，也就是說通用人工智能達到了強人工智能。

3.只有巨頭才有資源去做這個操作系統(tǒng)，沒有那么多人玩得起，大部分只能搞大模型的應(yīng)用。

4.原來的基礎(chǔ)大模型是一個通才模型，上知天文，下知地理，但它不是專才，我們希望把它后訓(xùn)練成各個垂直細分領(lǐng)域的專家，從通才模型到專才模型就要靠微調(diào)技術(shù)來實現(xiàn)。

5.DeepSeek的突破帶來中國AI大模型普惠化應(yīng)用的拐點機遇，國產(chǎn)大模型性能達到了國際一流水平，有更強的推理能力，還可以做本地化部署推斷應(yīng)用。

以下為現(xiàn)場分享內(nèi)容（有刪減）：

人工智能的迭代演進路徑

今天非常榮幸有機會與大家分享人工智能。人工智能現(xiàn)在已不是一個陌生的詞匯，它的過去、現(xiàn)在和演進方向都已成為大家關(guān)心的話題。我今天分享的主要是三個方面：人工智能迭代演進的路徑、人工智能的研究前沿與核心能力、通用人工智能的未來發(fā)展趨勢。

首先，從生成式人工智能的角度講，它的迭代演化路徑大致是遵從這個方向：

一是單模態(tài)文本的大型語言模型，輸入、輸出都是文本。因為我們?nèi)祟愂怯梦谋居涗浳拿?，這個稱之為基礎(chǔ)模型，形成了人工智能操作系統(tǒng)。它是通才模型，下面有成千上萬的下游任務(wù)，進行微調(diào)與性能增強后，變成各種特定任務(wù)的專才模型，最著名的就是ChatGPT。

二是多模態(tài)基礎(chǔ)大型語言模型，讓基礎(chǔ)模型長上眼睛、嘴巴、耳朵。文本的“懂”是一個方面，更重要的是視覺、聽覺和其他感官的“懂”。“懂”就是理解，這叫多模態(tài)理解，正在蓬勃發(fā)展中。

三是多模態(tài)具身智能，即所謂的通用AI智能體。增加了一個動作空間，讓這個智能體長上腳、手，就像人一樣，有了眼睛、耳朵、嘴巴以后，還要有手腳，才能真正作用到真實物理世界。

四是多模態(tài)交互式通用人工智能。這個智能體能夠到一個世界模擬器里面進行交互式學(xué)習(xí)，從而可以達到人類的最高水平，甚至在某些任務(wù)上超過人類的最高水平，可以“青出于藍勝于藍”。

總體來看，人工智能操作系統(tǒng)（基礎(chǔ)大模型）性能的上限還在不斷提高。它模擬了人類的語言智能，把全世界人類記錄下來的所有文明的語料庫都進行了壓縮與封裝。這個性能上限需要極大的資源，包括高質(zhì)量數(shù)據(jù)、AI硬件或算力卡等進行從頭或從零開始的預(yù)訓(xùn)練，它可能會走到我們?nèi)祟惏偃f億級別的天花板，完成從量變到質(zhì)變。

大家如果用過大模型，都不懷疑機器也能夠閱讀理解了。以前可能還懷疑，現(xiàn)在你給它任何一個文本任務(wù)，它都能夠很好地理解。進一步就是看得懂、聽得懂的多模態(tài)大模型，再進一步是讓它產(chǎn)生動作，這樣就全了。

由此發(fā)展到通用智能體，再到交互式智能體，到世界模擬器里跟其他智能體、人類、環(huán)境進行交互，實踐出真知。它可以做到24小時不吃飯、不睡覺、不知疲倦、等效率地在虛擬世界里面進行交互。比如說自動駕駛智能體從A點到B點，如果有足夠算力支撐的話，一天可以復(fù)盤幾十萬遍。

因為人工智能交互得多，有更多的實踐，所以它就有可能比我們強。今后可能發(fā)展出來的結(jié)果就是在很多任務(wù)上，它的智商強于人類，但是有些地方趕不上人類的狀態(tài)。

通用與泛化：向全寬度人類水平演進

通用人工智能，我們稱之為AGI。AGI的評價標準一個是通用，一個是泛化。

我們現(xiàn)在看到人工智能正在模擬我們?nèi)祟悾某砷L過程跟我們?nèi)祟惖某砷L過程很相同。孩子們學(xué)習(xí)家長、學(xué)習(xí)老師，我們稱之為模仿學(xué)習(xí)，模仿完了離開學(xué)校以后會走向社會，在真實的世界里面去通過交互式學(xué)習(xí)，尤其是通過強化學(xué)習(xí)來進行迭代。

什么叫強化學(xué)習(xí)呢？就是我們每天在干的事情，離開學(xué)校到社會上會做各種自主的決策。最后總會有個結(jié)局，要不就是成功了，要不就是失敗了，要不就是平局了。如果成功了就進入了自我獎勵，獎勵自己的決策序列，失敗了則會懲罰自己，平局的話就不反饋信息，這個過程就是強化學(xué)習(xí)。

所以人工智能會經(jīng)歷從模仿學(xué)習(xí)到強化學(xué)習(xí)的階段，它的評價標準包括通用性和泛化能力。

通用性是說AGI會逼近人的通用能力。比如人類學(xué)會的開門的能力，意味著全世界所有的門都可以有辦法打開，無論門把手是旋轉(zhuǎn)的、隱藏的、半隱藏的，任何一個正常人都可以打開全世界的門。但現(xiàn)在機器人要打開一個特定具體的門必須進行反復(fù)訓(xùn)練，它可以打開特定的門，但是打不開全世界所有的門，所以我們需要發(fā)展它的通用能力。

泛化能力是指AGI在一個地方學(xué)會的能力，可以復(fù)用在另外一個領(lǐng)域、場景，就是人類的舉一反三、觸類旁通的能力。

一個人工智能模型如果只能完成一個任務(wù)，我們稱之為弱人工智能。早期深度學(xué)習(xí)發(fā)展的十年，也就是2012年～2022年，就是弱人工智能時代。一個模型完成一個任務(wù)，這個模型后面還可以完成2個、4個、100個、無窮的任務(wù)，這樣的模型就稱之為通用人工智能。

它完成的任務(wù)個數(shù)稱之為寬度。一旦寬度達到人類最大平均水平，人工智能就到了一個所謂的“奇點”時刻，也就是說通用人工智能達到了強人工智能。之后它的智商會指數(shù)增長，會發(fā)展成所謂的超級人工智能。

人工智能：研究前沿與核心能力

人工智能的研究前沿正在蓬勃發(fā)展，取得了很多關(guān)鍵性的突破。

一是基礎(chǔ)大語言模型正在成為人工智能時代的操作系統(tǒng)。這個操作系統(tǒng)需要喂養(yǎng)全世界的語料數(shù)據(jù)，相應(yīng)的算力需求達到萬卡、十萬卡，甚至百萬卡。只有巨頭才有資源去做這個操作系統(tǒng)，沒有那么多人玩得起，大部分只能搞大模型的應(yīng)用。

二是MoE大模型成為基礎(chǔ)大語言模型與具身智能體的基本構(gòu)型。MoE是混合專家模型的意思，就是把基礎(chǔ)大模型搞成一個個功能模塊構(gòu)成，特別像人類的大腦皮層，有些功能模塊是管語言的，有些是管非語言的，如視覺的。一個外部輸入會激活串起來形成所謂的神經(jīng)回路或稱通路，即每次只有一部分功能模塊響應(yīng)。比如聽到聲音就是聽覺通路響應(yīng)，其他通路并不響應(yīng)。大腦看起來很復(fù)雜，實際上每次響應(yīng)的就是一個部分的通路響應(yīng)。

GPT-4最早擁有這個架構(gòu)。MoE可以包括語音、視覺、代碼生成等各種各樣的功能模塊，有幾千萬、十億、上百億的已預(yù)訓(xùn)練好的功能模塊，有的可以進行參數(shù)微調(diào)，然后把它們串聯(lián)起來進行響應(yīng)，形成通路。

第三，連續(xù)空間的語義對齊，成為實現(xiàn)高性能多模態(tài)感知與理解的關(guān)鍵。多模態(tài)本質(zhì)上是語義的對齊，語義是語言的本質(zhì)。語言靠什么溝通？靠意思來溝通，學(xué)術(shù)上叫語義。我們懂彼此的意思，就是語言溝通。至于怎么告訴，是用文本，還是用圖像、視頻都無所謂，它就是個意思的載體而已。所有的多模態(tài)都具有同一個意思就叫語義對齊，這個對齊發(fā)生在一個非常神奇的深度神經(jīng)網(wǎng)絡(luò)之內(nèi)，它是一個連續(xù)的向量空間，在這個空間里面可以進行語義的對齊。

第四，VLM與VLA加速了通用AI智能體的發(fā)展。前面說了通用智能體有了視覺文本（語言）感知與理解，以及推理能力之后，這樣的模型叫VLM。若它增加了動作空間，從感知空間增加了一個動作空間，則叫VLA。從感知空間到動作空間的關(guān)系稱之為推理，大家看到DeepSeek就是一個推理型的大模型，推理也叫決策或策略。

第五，高效的微調(diào)技術(shù)是AI+的核心能力。我們有了這些微調(diào)技術(shù)以后，各種下游的任務(wù)就靠微小的變化、部分進行調(diào)整。原來的基礎(chǔ)大模型是一個通才模型，上知天文，下知地理，但它不是專才，我們希望把它后訓(xùn)練成各個垂直細分領(lǐng)域的專家，從通才模型到專才模型就要靠微調(diào)技術(shù)來實現(xiàn)。

DeepSeek很成功的一點就是使用了大規(guī)模的強化學(xué)習(xí)微調(diào)。微調(diào)可以劃分為提示微調(diào)、參數(shù)微調(diào)，再可以劃分為全參數(shù)微調(diào)、部分參數(shù)微調(diào)。這里面非常專業(yè)，有大量的方法可以學(xué)習(xí)與研究。

六是把人工智能變成一個專才模型，還需要性能增強。提示增強，即可以改變提問的方式，如提問的角色不同，DeepSeek給出的回答肯定不同。你給它一個準確的、有技巧性的提問，它也會回答得更專業(yè)、更準確。檢索增強（RAG），意味著大模型還可以像人類一樣利用外部的工具，把搜索引擎結(jié)合起來，先在互聯(lián)網(wǎng)上進行搜索，排完序之后再加上提示詞，從而去補充細節(jié)，組合起來再去調(diào)用這個大語言模型，最終使得大語言模型能夠具有時效性。知識增強，允許它有自己私有的本地專門的知識庫。可以將各種各樣的技巧總結(jié)成知識庫，進行垂域知識的增強。而邏輯增強，也就是不斷提高復(fù)雜的邏輯推理能力。

DeepSeek現(xiàn)在非?；?。大家首先關(guān)心DeepSeek的V3版本。這個基礎(chǔ)大模型需要用特別大的資源進行從零開始的預(yù)訓(xùn)練，但是DeepSeek只用了2048塊H800算力卡，而H800只有H100的70%的能力。2000多塊“閹割版”的H800，居然預(yù)訓(xùn)練出來一個國際一流性能的DeepSeek-V3版本的基礎(chǔ)大模型。

有了這個基礎(chǔ)大模型以后，還進行了進一步的創(chuàng)新，發(fā)展了大規(guī)模的強化學(xué)習(xí)方法。通過大規(guī)模強化學(xué)習(xí)進行后訓(xùn)練得到的R1模型，推理能力得到顯著提升。微調(diào)或后訓(xùn)練R1過程中積累的80萬條微調(diào)監(jiān)督數(shù)據(jù)，進一步做知識蒸餾，相應(yīng)發(fā)展出很多蒸餾模型，這就是后面的6個開源密集模型，也稱“小模型”。

“小模型”可以通過一些輕量化的技術(shù)，甚至可裝載到手機里面，做本地部署。如此可賦能千行百業(yè)。大模型最終走向各種各樣的AI終端設(shè)備上面，這是非常了不起的?？傊?，DeepSeek顯著地推進了推理模型的發(fā)展方向和大模型普惠化落地應(yīng)用的進程。

其他的核心能力還包括空間的感知、空間的理解、時間的感知、時間的理解這些基礎(chǔ)技術(shù)的發(fā)展。還需要發(fā)展通用人形機器人所需要的具身大腦+小腦+本體聯(lián)合體。還有就是發(fā)展復(fù)雜的邏輯推演能力，模仿人的快思維、慢思維。

DeepSeek的成功就是會自動在理解任務(wù)之后將之分解成子任務(wù)，對每個子任務(wù)進行求解。任務(wù)分解之后一環(huán)一環(huán)地求解起來，最終得到一個結(jié)果，這就叫思維鏈，英語叫CoT。

如果思維鏈條分解得更長一點，或思維時間更慢一點，那它就很有可能具有更強的推理能力。大模型需要模仿人類的快慢思維。人類大部分任務(wù)是技能型的任務(wù)，比如騎自行車、開汽車都是技能型的，是快思維，不需要過多地思考。

七是世界模型與世界模擬器。人類生活在一個三維空間加上一個時間維的四維時空世界里面，我們可以通過數(shù)據(jù)驅(qū)動的方式（神經(jīng)網(wǎng)絡(luò)的方式）重構(gòu)它，這個數(shù)據(jù)來源于我們真實的物理世界，這叫數(shù)字孿生系統(tǒng)，也叫世界模擬器。AI智能體可以進入世界模擬器，如果有足夠的AI算力卡，就可以在里面進行最高效能的交互式學(xué)習(xí)。實踐出真知，通過模仿學(xué)習(xí)+強化學(xué)習(xí)的路徑，它就可以有更高的真知和智能，從而青出于藍而勝于藍。

通用人工智能：未來發(fā)展趨勢

最后人工智能會走向通用人工智能（AGI），就是模仿學(xué)習(xí)、交互學(xué)習(xí)之后的通用人工智能。在這方面我們將看到幾個特點：

一是DeepSeek的突破，帶來中國AI大模型普惠化應(yīng)用的拐點機遇。DeepSeek、Qwen2.5-MAX等中國大模型，性能達到了國際一流水平，而且具有更強的推理能力，不僅可以在本地安裝部署，還可以做本地化產(chǎn)業(yè)推斷應(yīng)用。

第二，Manus是一個AI通用智能體，它能夠通過自主的協(xié)調(diào)去完成更加復(fù)雜的任務(wù)。這個智能體可以通過任務(wù)理解、任務(wù)分解、子任務(wù)的求解進行全過程的協(xié)同協(xié)調(diào)，最終直接給你一個交付結(jié)果。我們今后會產(chǎn)生大量通用AI智能體助手。

第三，更高的智能特征是組織能力。組織能力是最強的，是智能的最高形態(tài)。智能的定義在學(xué)術(shù)界也有爭議，但是至少有三個特征：學(xué)習(xí)能力、協(xié)調(diào)能力和組織能力。組織能力是最高的智能特征，通用智能體也會有組織能力，去自主地完成給定的任務(wù)，甚至可以做意圖的形成，獎勵模型的學(xué)習(xí)等。

四是從互聯(lián)網(wǎng)空間走向真實的物理世界。我們也關(guān)注一些新的發(fā)展范式，像自動駕駛、通用人形機器人正在協(xié)同發(fā)展，它們出現(xiàn)了一些新的范式、新的導(dǎo)向。比如說發(fā)展一體化的一段式端到端的模型，提升L4自動駕駛與通用人形機器人的泛化能力、通用能力。未來會不會出現(xiàn)L4、L5的自動駕駛汽車呢？通用人形機器人會不會走向生產(chǎn)線，進而走向千家萬戶呢？這些都會給人類帶來顛覆性的改變。

五是我們會邁向一個通用人工智能的世界。通用AI智能體或通用人工智能是個數(shù)據(jù)智能新物種。人類是生物細胞組成的，是碳基的。這個新的智能物種是數(shù)據(jù)喂養(yǎng)的、預(yù)訓(xùn)練的，是硅基的。這個硅基物種會不會改變世界，給我們帶來顛覆性改變？雖然人類利用了鳥的飛行原理啟發(fā)發(fā)明了飛機，但飛機比鳥要強大得多，可以飛得更遠，更高，載重更大。

從這個角度講，AGI會不會最終發(fā)展得比我們?nèi)祟愡@樣進化了幾百萬年的生物系統(tǒng)還要更厲害？Scaling Law會不會推動AGI的持續(xù)發(fā)展？Scaling Law也叫規(guī)?；?，它是OpenAI的信仰，其內(nèi)涵是大模型基于Transformer的架構(gòu)，若模型參數(shù)規(guī)模越大，其性能也會線性或者接近線性地增長。

這樣不斷地擴展模型規(guī)模，性能是不是還會繼續(xù)往上走，甚至走到了人工智能的奇點時刻，會不會一直都有效？Scaling Law也會帶來另外一個效應(yīng)叫做智能涌現(xiàn)。簡單說就是規(guī)模到了一定程度以后，會有一個閾值，就會出現(xiàn)智能涌現(xiàn)。就跟人類大腦一樣，大腦規(guī)模化以后產(chǎn)生了這么多神奇的智能或智慧，包括人類舉一反三，觸類旁通的強大泛化能力。

但人工智能的發(fā)展如何不威脅到人類文明？生成式大模型和通用智能體會產(chǎn)生意識嗎？這個意識應(yīng)該被探究與發(fā)展嗎？人工智能國際治理中的紅線與底線是什么？所有這些問題都需要我們進行深入思考。