图：从全球人工智能系统的布局来看，美国和中国远远领先于其他国家和地区。/AI制图
“DeepSeek风暴”持续震撼资本市场，带动科技板块股价表现惊艳。但我们也要清醒认识到，LLM（大语言模型）只是本轮AI革命的初步阶段，中国企业若想留在舞台中央，仍须在技术研发与人才储备方面持续投入。
DeepSeek最为人称道的地方，就是以落后的GPU芯片条件，追赶上了先进的闭源大模型性能。但这也从一个侧面反映出，LLM的发展进度正在遭遇瓶颈，即“ScalingLaw撞墻效应”。所谓ScalingLaw是指，在参数规模、训练数据集或用于训练的计算量增加时，LLM的性能会按照某种“幂律关系”提升。这也被看作是AI领域的摩尔定律。
产品迭代出现停滞
但现实情况是，外界最早预期2023年底就会推出的GPT-5，时至今日仍然“难产”，OpenAI也因此被嘲笑为“史上最伟大的期货公司”。据业内人士透露，OpenAI着手组建了10万卡集群，但模型训练效果未如理想，这也造成了产品迭代的停滞。也就是说，被DeepSeek追上身位的主因是，OpenAI自己跑得越来越慢了。
如果再深挖下去，LLM本身就存在明显的天花板，未来可能会被新的AI技术所替代。笔者去年3月2日撰文《Sora会让我们丢掉工作吗？》指出，LLM依靠高质量的数据标注与训练，强行“记住”了一定的文本规律，懂得根据上文来生成下文，但并非真的掌握了自然语言。
在AI学术圈也曾有过“中文房间”的假设，这是1980年美国科学家约翰．瑟尔提出的思想实验，如果一个只懂英语的人被关在屋里，手里拿着一本中英文词典，指导其根据接收到的中文信息选择合适的中文字符来做回答。从屋外的视角来看，这人好像懂中文，但其实一窍不通。
人才储备至关重要
LLM的局限性也正在于此，只能处理信息之间的相关性，而无法掌握物理的因果律，这极大地降低了大模型的可靠性及稳定性。更重要的是，由于计算机运算及存储的物理特性，现有的大模型只能处理离散型号（如自然语言），但无法应对视像及声音等连续信号。
这也就解释了，为什么LLM在聊天方面表现出色，但无法对物理世界进行建模，更不能像人类一样进行复杂的逻辑思考。根据Meta首席科学家杨立昆（Yann Le Cun）的说法，一个4岁孩子仅凭借视觉接收到的信息量，就已是目前最大规模LLM模型训练量的50倍以上。
目前AI领域的顶尖科学家，都在为下一阶段的技术突破在做积累。如“AI教母”李飞飞提出的空间智能，就是让AI能从处理二维信息为主转向三维空间信息处理，进一步提升智能水平和适应能力。
而从全球人工智能系统的布局来看，美国和中国远远领先于其他国家和地区，可以说行业呈现的是“双头格局”。（见配图）展望未来，如果中国想要继续紧跟技术前沿，人才的持续培养将成为重中之重。
去年麦克罗波洛智库（MacroPolo）公布了一项名为“全球人工智能人才追踪”的调查。数据显示，65%的顶级AI人才出自中美两国。在顶级（前20%）AI研究人员的原籍国中，中国有47%，远超美国（18%）。但在研究生阶段，大量人才流向美国，使得在最顶级（前2%）AI研究人员的就业国家中，中国位居第二（12%），落后于美国（57%）。
暂无评论内容