每經記(ji)者｜可楊    每經編輯｜魏官紅(hong)     

3月31日，在“2025中(zhong)關(guan)村論壇年會”期間，在由智譜舉辦(ban)的智譜OpenDay上，中(zhong)國科學院(yuan)(yuan)院(yuan)(yuan)士張鈸(ba)發表演講(jiang)。

張鈸在(zai)演講中指(zhi)出，當前，我們進入了一(yi)個(ge)歷史(shi)大變(bian)革時代(dai)，這個(ge)時代(dai)之所以(yi)會來臨(lin)，就(jiu)是因為大模型的(de)(de)作用。一(yi)方面，大模型的(de)(de)出現使得(de)人工智能的(de)(de)技術范式(shi)發生了根本性變(bian)化(hua)；同時，人工智能日新月(yue)異的(de)(de)發展也正在(zai)重塑(su)各行各業的(de)(de)面貌。

張(zhang)鈸表示，大(da)(da)模型(xing)使得機(ji)器(qi)(qi)具備了(le)(le)像人類一樣思考的(de)(de)能力，這一突破主要(yao)依賴于GPT，即生成(cheng)式預訓練變換(huan)器(qi)(qi)。通過(guo)巨大(da)(da)的(de)(de)人工(gong)神(shen)經網絡和龐大(da)(da)數據量的(de)(de)學(xue)習，催(cui)生了(le)(le)強(qiang)大(da)(da)的(de)(de)大(da)(da)語言(yan)(yan)(yan)模型(xing)。張(zhang)鈸院(yuan)士強(qiang)調，語言(yan)(yan)(yan)的(de)(de)掌握為人工(gong)智能打開了(le)(le)無限(xian)可能性(xing)。“維特(te)根斯坦(tan)曾(ceng)說(shuo)，‘語言(yan)(yan)(yan)界(jie)(jie)限(xian)就是我的(de)(de)世界(jie)(jie)界(jie)(jie)限(xian)’。換(huan)句話講，機(ji)器(qi)(qi)一旦理解和掌握了(le)(le)人類語言(yan)(yan)(yan)，必然(ran)會給機(ji)器(qi)(qi)開辟一條充滿一切可能性(xing)的(de)(de)道(dao)路。”

當前的大(da)模型發展主要(yao)依賴于(yu)“規模定律(lv)”——即神經網絡規模和數(shu)據規模的擴大(da)。但如何超(chao)越這一定律(lv)？

張鈸指(zhi)出，首先(xian)要(yao)進(jin)一步提(ti)升(sheng)(sheng)大(da)模型的(de)性(xing)能，同時(shi)降低成本。如(ru)何提(ti)升(sheng)(sheng)大(da)模型的(de)性(xing)價比？他認為，需要(yao)提(ti)升(sheng)(sheng)大(da)模型的(de)自主(zhu)思考和推理能力，利(li)用其本身的(de)能力，來提(ti)高其性(xing)能。當前，這方面的(de)探索(suo)包括(kuo)“思維鏈”（Chain of Thought,CoT）、深度思考（Deliberate Thinking）以及AI反(fan)饋(kui)強化學習（RLAI,RLHF）。

同(tong)時，張(zhang)鈸表示(shi)，當前人工智能正從語(yu)言(yan)(yan)模型邁入“智能體(ti)化”時代，也就是(shi)說，應該把語(yu)言(yan)(yan)模型擴展到變(bian)成(cheng)智能體(ti)。而構成(cheng)智能體(ti)需要(yao)(yao)符合三(san)個條件：思考能力(li)(li)(li)、執行能力(li)(li)(li)和感(gan)知能力(li)(li)(li)。目前，大模型在數(shu)字世界(jie)中(zhong)的(de)表現已相對成(cheng)熟(shu)，但若要(yao)(yao)應用于物理世界(jie)，執行能力(li)(li)(li)和感(gan)知能力(li)(li)(li)的(de)提升將(jiang)成(cheng)為(wei)關鍵挑(tiao)戰。

盡管大模型帶來了巨(ju)大變(bian)革，但在(zai)推理(li)能力方面仍(reng)存在(zai)重(zhong)大挑戰。張鈸(ba)院士總結了當(dang)前AI（人工智能）面臨的三大難題(ti)。

首先是(shi)多層(ceng)次空(kong)間(jian)的(de)缺(que)失。張(zhang)鈸認為，目前的(de)語言模型(xing)采用token構(gou)建(jian)空(kong)間(jian)，雖然數學(xue)性質良好，但缺(que)乏(fa)層(ceng)次性，而沒有層(ceng)次的(de)空(kong)間(jian)難以進行復雜推(tui)(tui)理(li)。當前圖像領域(yu)已通過擴(kuo)(kuo)散模型(xing)（Diffusion Model）解決了這一(yi)問(wen)題，而語言領域(yu)尚在探索如何引入(ru)類似的(de)多層(ceng)次結構(gou)，“我(wo)認為一(yi)旦把(ba)擴(kuo)(kuo)散模型(xing)擴(kuo)(kuo)充到語言上(shang)去，那(nei)語言上(shang)的(de)推(tui)(tui)理(li)就(jiu)非常(chang)準(zhun)”。

其次是(shi)過(guo)程與(yu)結(jie)(jie)果的(de)(de)(de)(de)偏差。張(zhang)鈸表(biao)示(shi)(shi)，“我們所有的(de)(de)(de)(de)推(tui)理(li)都(dou)是(shi)以結(jie)(jie)果作為目標，有的(de)(de)(de)(de)人(ren)說(shuo)這(zhe)不叫(jiao)推(tui)理(li)，叫(jiao)推(tui)斷”，他表(biao)示(shi)(shi)，當前推(tui)理(li)主(zhu)(zhu)要(yao)依(yi)賴優化結(jie)(jie)果，而非推(tui)理(li)過(guo)程，這(zhe)導致有可能出現結(jie)(jie)果是(shi)對的(de)(de)(de)(de)，但(dan)推(tui)理(li)過(guo)程錯誤的(de)(de)(de)(de)現象。因(yin)此，需要(yao)強(qiang)化AI推(tui)理(li)的(de)(de)(de)(de)過(guo)程優化，使其更加符合人(ren)類的(de)(de)(de)(de)邏輯，這(zhe)主(zhu)(zhu)要(yao)需要(yao)依(yi)托強(qiang)化學習（Reinforcement Learning）的(de)(de)(de)(de)投(tou)入研(yan)究來解決。

此外(wai)，AI的(de)可解釋性(xing)一(yi)直是業界關注的(de)核心挑(tiao)戰(zhan)。張鈸院(yuan)士認為(wei)，這(zhe)一(yi)問題不能僅靠企業解決，更需要學術界和產業界的(de)協同合作(zuo)，尋找(zhao)理論層面的(de)突破(po)。