新京报贝壳财经讯（记者白金蕾韦英姿）“人工智能科学化、计算系统智能化、领域应用广谱化是大模型未来的三大主战场。”7月3日至7月10日，2024新京报贝壳财经年会在北京、深圳两地举行，面壁智能联合创始人、首席科学家，清华大学计算机系长聘副教授刘知远出席“‘通’往未来向新有AI”主题论坛，并以“大模型未来发展的三大主战场”为题发表主旨演讲。

　　刘知远在演讲中回溯了人工智能七十年的发展史，标定了大模型在其中的地位，并创造性地指出了“随着算力算法的发展，模型的知识密度将按照每八个月增长一倍的速度发展”。

　　刘知远以面壁智能在WAIC（世界人工智能大会）2024上最新发布的MiniCPM-S为例。“该模型目前有1.2B 版本，已经能够达到约88%的稀疏度，让全链接层能耗降低至84%。同时它带来更加极致快速推理的能力，对比相对应的稠密模型，推理速度提高接近3倍，能够在性能不变的情况下，变得稀疏激活，从而让它的知识密度持续增强下去。”刘知远说。

面壁智能联合创始人、首席科学家，清华大学计算机系长聘副教授刘知远

　　如何定位大模型在人工智能史上的地位？

　　应该如何准确地把握大模型在整个人工智能发展历史上的地位？在刘知远看来，人工智能七十年的发展，经历了高潮和低谷，但核心命题一直没有变，就是要让计算机掌握完成各种各样复杂任务的能力。

　　具体而言，上世纪五十年代的符号智能，是各领域专家用符号的形式总结各行业、各任务的知识，并用知识库等符号系统存储这些知识；跨越到上世纪九十年代，人类开始通过搜集相关任务的大量标注数据，通过有监督学习（自动） 的方式，将任务知识储存在任务专用小模型里，这是专用智能；现在以大模型为代表的技术，实际上是更加通用的智能，从2018年开始探索出的（大模型）技术是一种比符号智能和专用智能更加通用的知识学习。基于此，他表示，大模型技术其实是实现了用序列化数据提取相关知识的通用方法。

　　“所以我们会清晰地看到，在通用框架的支持下，在序列预测学习方法的支持下，不管是文本数据、图象数据还是生命科学的DNA数据，还是人类使用各种各样工具的行为数据，都可以作为大模型学习的知识来源。”刘知远表示。可以理解为大模型的技术就是基于大数据和算力，去支持知识的持续积累，这也进一步证明了OpenAI提出的“规模法则（Scaling Law）”，即模型参数规模越大，学到的知识越多，就会越涌现出更强大的智能。

　　回顾过去，刘知远判断，“我们经历了符号智能、专用智能，今天所在的位置是大模型的序幕，从OpenAI提出ChatGPT的第一个版本开始，到现在不过五六年时间。目前，我们正在加速迈向更加通用的人工智能，而大模型技术就是非常重要的技术基础。”

　　摩尔定律和大模型的发展规律

　　对于大模型发展规律，刘知远认为可以对标半导体领域的摩尔定律来进行理解。“我们看到半导体领域过去八十年，都在不断提高自己的芯片制程，以至于现在我们的手机、小型设备都拥有非常强大的算力芯片。”

　　摩尔定律最初是由英特尔公司的创始人之一戈登·摩尔在1965年提出的观察和预测。具体是指集成电路上可容纳的晶体管数量每隔一段时间就会翻倍，就是在相同的芯片上每段时间让它的算力提高一倍。这一发现成为了计算机行业的基础法则之一，也支持着计算设备快速完成小型化。

　　基于此，他猜测，有个类似于“摩尔定律”的规律来指引着大模型的发展。“我们发现过去的四年时间里，随着算力算法的发展，模型的知识密度按照每八个月增长一倍的速度在发展，知识密度的持续增强不仅发生在语言文本模型层面，在多模态大模型上也得到了验证。”刘知远说。

　　刘知远判断，类比于半导体行业，“我们更加需要注意未来大模型的‘制程’——我们需要不断提升模型的‘制程’，从而把更强的智能或者能力放到更少参数的模型里，让大模型真正地飞入千家万户。”

　　为实现让大模型知识密度持续增强的愿景，刘知远提出了大模型未来的三大主战场，即人工智能科学化、计算系统智能化、领域应用广谱化。

　　具体而言，人工智能科学化将为能力涌现等关键机制建立科学理论，科学解释人工智能形成的原理。计算系统智能化则指大模型将与底层芯片、操作系统、数据管理、编程开发、网络通信深度融合；领域应用广谱化指将大模型应用于高精尖制造、科学发现等高度专业化场景中，让模型更好地适应各行各业智能化应用的需求，成为更好的助手。

　　面向未来，刘知远表示，“我们要在上述三大主战场进行布局，要持续推进人工智能的科学化，让模型知识密度不断增强，更好地、更广谱地赋能百业千行，所以我们也需要进行长时序建模，验证模型在高风险条件的可靠性，不断提升模型的响应速度。”