欧阳良宜 | 外行视角看AI的发展从工具到未来

摘要：人工智能（AI）近年来取得了令人瞩目的进展，尤其是大语言模型（LLM，Large Language Model）的崛起，使其成为科技竞赛的核心领域。然而，对于外行而言，理解AI的发展往往伴随着误解与夸大。本文将从外行的视角分析大语言模型的本质、应用前景、技术瓶

人工智能（AI）近年来取得了令人瞩目的进展，尤其是大语言模型（LLM，Large Language Model）的崛起，使其成为科技竞赛的核心领域。然而，对于外行而言，理解AI的发展往往伴随着误解与夸大。本文将从外行的视角分析大语言模型的本质、应用前景、技术瓶颈及未来方向。

欧阳良宜北京大学金融学副教授、北京大学汇丰商学院副院长

01、大语言模型的本质：基于概率预测的数字序列

大语言模型的核心原理是将人类文献转换为数字序列，并通过概率计算预测下一个最可能出现的数字。在训练过程中，模型通过大量语料库学习语言的统计规律，并通过参数权重调整优化预测能力。然而，这种方法的局限性在于，它并不真正“理解”语言，而是基于统计规律进行预测。

这种基于概率的预测方式导致了“幻觉”（hallucination）现象，即模型可能在看似合理的情况下生成错误或荒谬的内容。例如，GPT-4在回答复杂问题时，可能因训练数据的局限性或随机性而犯低级错误。这表明，无论如何优化，大语言模型的本质决定了其永远无法完全避免幻觉。

02、大语言模型的知识掌握能力与应用价值

尽管存在幻觉问题，大语言模型在知识掌握方面已经超越了绝大多数普通人。其预训练参数中包含了大量来自互联网、书籍、论文等的结构化知识，使其在多种领域表现优异。例如：

•写作应用：企业公函、市场营销文案、法律合同初稿等，都可以通过大语言模型快速生成，提高效率。

•编程助手：GitHub Copilot 已经能帮助程序员自动补全代码，提高开发速度。

•教育与咨询：LLM 可以充当私人导师，提供数学、历史、经济等多方面的解答。

根据OpenAI的数据显示，使用GPT-4.0的用户在撰写商务邮件时，效率提升了30%以上，部分企业通过AI客服系统减少了超过40%的人工成本。这表明，尽管AI尚未达到真正的智能，但在实际应用中，它已经成为高效的生产力工具。

03、强化学习的发展：尚未迎来“AlphaGo 第37手”时刻

目前，大语言模型的核心技术仍然以自回归生成（Autoregressive Generation）为主，而强化学习（Reinforcement Learning, RL）则处于相对早期的发展阶段。强化学习的代表性突破是AlphaGo在2016年对战李世石时的第37手，这标志着AI在围棋领域超越人类的关键时刻。然而，在大语言模型的领域，这种突破尚未发生。

当前，强化学习主要用于微调LLM，如OpenAI 采用“强化学习奖励模型”（RLHF）优化ChatGPT，使其更符合人类偏好。然而，在更广泛的非规则场景中，如开放式问题解答、跨学科推理，RL仍面临巨大挑战。例如：

•强化学习依赖高质量的反馈数据，但人类标注数据成本高昂，规模有限。

•语言模型的行为空间远大于围棋、国际象棋等固定规则游戏，导致优化难度更高。

•当前的强化学习模型在通用认知推理方面仍未展现超越人类的能力。

因此，我们仍在等待AI的“AlphaGo 第37手”时刻，即AI在复杂开放环境中做出真正超越人类直觉的创新决策。

04、多模态模型的挑战：数据与计算的双重限制

目前主流大语言模型的训练数据仍然主要依赖结构化的文本数据，而对图片、视频等非结构化数据的整合仍在早期探索阶段。多模态模型（Multimodal Model）如GPT-4-Vision和Gemini 1.5 尝试将文本与图像结合，但仍面临巨大挑战：

•数据需求指数级增长：相比于文本数据，图像和视频的token化需要更高的存储和计算资源。例如，训练一个多模态模型所需的token数量可能比文本模型高出几个数量级。

•计算成本高昂：目前GPT-4级别的模型训练需要数千张A100/H100 GPU，而如果扩展到大规模视频数据，算力需求将呈几何级数增长。

•能源消耗问题：据估算，训练GPT-4的碳排放可能相当于10万辆汽车行驶一年的排放量，而更大规模的多模态模型将进一步加剧能源问题。

如果没有方法论上的创新，比如更高效的架构、更优的训练策略，那么大规模多模态模型的成本将会达到难以承受的地步。