6月6日，中国工程院院士，清华大学讲席教授、智能家当研究院（AIR）院长张亚勤在“太湖对话·人工智能+”暨清华无锡研究院智能家当创新中央成立仪式上揭橥了题为《人工智能发展的一些不雅观点》演讲。

以下是张亚勤院士的不雅观点梳理：

AI大模型的五个发展方向

AI大模型作为数字化3.0的主要基石，其发展将决定未来技能的高度。
以下是未来AI大模型架构的关键发展方向：

多模态智能：全面和深度的智能剖析：结合措辞、笔墨、视频、激光雷达点云、3D构造信息、4D时空信息乃至生物信息，实现多尺度、跨模态的智能感知、决策和天生。
自主智能：智能体（Agent）：将大模型作为一种工具，开拓能够自主方案任务、编写代码、调动工具、优化路径的智能体，实现高度的自我迭代、升级和优化，实现自主智能。
边缘智能：高效率、低功耗、低本钱、低延时：将大模型支配到边缘设备端，如AI PC, AI手机，AI电视等，实现高效率、低功耗、低本钱、低时延的处理和相应，从而实现边缘智能。
物理（具身）智能：无人车、机器人等：大模型正在被用到无人车、机器人、无人机、工厂、交通、 通讯、电网、电站和其他物理根本举动步伐，提升其自动化和智能化水平，从而实现具身智能。
生物智能：人体、人脑、医疗机器人：将大模型运用到人脑、生命体、生物体里，实现大模型与生物体贯串衔接的生物智能，并终极实现信息智能、物理智能和生物智能的领悟。

AI发展的五个不雅观点

大模型/GenAI是未来10年的主流技能和家当路线

大模型（如GPT-3、BERT等）和天生式AI（Generative AI）将在未来10年内成为主流技能和家当路线。

根本大模型+垂直大模型+边缘模型（开源+商业）

根本大模型将是人工智能时期的技能底座，将与垂直家当模型及边缘模型一起形成新的家当生态，其生态规模将比PC时期大100倍，比移动互联网时期大10倍以上。
在这个生态中，开源模型与商业模型并存，为开拓者供应灵巧的选择。

Token-based（统一表征）+ Scaling Law（规模定律）

大模型最核心的要素是Token-based（统一表征）和Scaling Law（规模定律）。
Token-based方法通过将文本和其他类型的数据统一编码为Token，使得模型能够处理不同形式的输入。
Scaling Law则揭示了模型规模与性能之间的关系，表明随着模型参数和数据规模的增加，模型的表现会显著提升。

须要新算法体系（天下模型，DNA影象，Agent, RL，概率系统+决定系统，100X效率提升），Transformer/Diffusion/AR 在5年内会被颠覆

与人脑比较，现有算法存在效率低、能耗高的问题，须要开拓新的算法体系，包括天下模型、DNA影象、智能体（Agent）、强化学习（RL）、概率系统和决定系统，实现100倍的效率提升。
未来5年内会在AI技能架构上有大的打破，当前主流的AI技能框架Transformer/Diffusion/AR，可能在未来五年内被新技能所颠覆。

大模型 => 通用人工智能（AGI）

15-20年内实现通用人工智能（AGI），并通过“新图灵测试”。

0-5年：信息智能。
0至5年内，在信息智能领域，对措辞、图像、声音和视频的理解、天生等方面通过新图灵测试。
0-10年：物理智能（具身智能）。
0至10年内，在物理智能领域，实现大模型在物理环境中的理解与操作能力，通过新图灵测试。
0-20年：生物智能。
0至20年内，在生物智能领域，聚焦人体、脑机接口、生物体、制药和生命科学，实现大模型与生物体贯串衔接的生物智能，通过图灵测试。

无人驾驶的五个不雅观点

无人驾驶是未来五年最大物理（具身）智能运用：第一个通过“新图灵测试”的具身智能（安全10X + 人性化 == 好司机 + 老司机）

未来五年内，自动驾驶将成为物理（具身）智能领域中最主要的运用之一，有望成为第一个通过“新图灵测试”的具身智能系统。

安全性：完备无人的无人驾驶安全要比人类驾驶至少高10倍，达到了人类好司机的水平。
人性化体验：通过模拟学习和自主学习，自动驾驶系统将具备更自然的驾驶风格，结合搭客驾驶习气，供应更人性化的体验，达到人类老司机水平。
大模型/天生式AI加速L4泛化能力：安全和智能（数据，长尾，知识）

大模型和天生式AI将在提升L4级别自动驾驶系统的泛化能力方面发挥关键浸染

数据智能：无人驾驶Corner Case数据不敷，大模型天生式AI可结合真实数据天生高质量Corner Case数据。
长尾问题：天生式AI可补充Corner Case中场景仿真、仿照不敷的问题，办理感知领域的长尾问题。
知识推理：大模型的推理能力可以帮助自动驾驶系统理解并应对道路上的突发情形，从而提高自动驾驶的能力上限。
多模态（视觉+激光雷达等）、端到端、云端大模型、车端实时精确模型

自动驾驶技能将整合多模态传感器数据（如视觉、激光雷达等），采取端到端演习，实现云端大模型与车端实时精确模型的协同事情。

多模态领悟：相较于人类而言，机器具备多模态感知上风，通过领悟视觉、激光雷达和其他传感器数据，自动驾驶系统能够更加全面地感知周围环境。
端到端：无人驾驶算法形成了大量为某一任务特质化的碎片化小模型，未来可统一为端到端大模型。
云端与车端协同：云端大模型供应通用性泛化能力，车端模型供应实时精确相应和本地优化支配，云端与车端协同可确保驾驶决策兼具泛化性、及时性和准确性。
单车智能为主，车-路-云协同，安全冗余+智能交通

未来的自动驾驶技能将以单车智能为主，车-路-云协同事情，确保安全冗余，赞助智能交通。

自动驾驶车辆需具备单车智能能力：每辆自动驾驶汽车都必须具备独立的智能驾驶能力车-路-云一体化带来安全冗余，提升驾驶安全：通过车-路-云一体化，为自动驾驶供应多重冗余，提升驾驶安全。
车-路-云一体化提升交通效率，赞助智能交通：车-路-云一体化决策掌握优化交通流量、提升交通效率。
2025年是无人驾驶的“ChatGPT时候”，2030年无人驾驶成为主流（10%新车具备L4能力）2025年，在一个具备繁芜交通环境的大城市，无人驾驶将达到人类老司机水平，实现无人驾驶的“ChatGPT时候”。
2030年，无人驾驶汽车将成为市场主流，估量有10%的新车具备L4级别的自动驾驶能力。

AI发展管理的五个建议

沿大模型能力在飞速发展，巨大的能力也带来潜在的风险。
这迫使我们思考人工智能技能对社会、文化、伦理等方面的影响和任务。
我们要重新核阅人类与机器的关系，以及人类自身的实质和代价。
对付人工智能技能的不愿定性和繁芜性，我们必须做好充分准备和应对。
我们应充分重视人工智能可能带来的风险，将伦理问题和代价不雅观置于技能之上。
特殊是当自主智能、具身智能和生物智能进入大规模支配时，大模型须有更强的可控性、更好的可阐明性、和更有效的管理。

建立分级体系

为大模型做好分级分类，对前沿大模型制订场景约束和评估体系。

场景约束：根据不同的运用处景，设立明确的约束条件，确保大模型在特定环境中的有效性和安全性。
例如，在医疗、自动驾驶等高风险场景中，制订严格的安全标准和合规哀求。
评估体系：建立科学、全面的评估体系，对大模型的性能、安全性、可靠性等进行评估。
包括模型的准确性、相应速率、资源花费、隐私保护等多方面指标，确保其在实际运用中的可行性、有效性和合规性。
ID 实体映射

进行ID实体映射，追溯任务主体，确保信息真实可靠。

AI内容标识：像标识广告一样，对人工智能生产的数字人等智能体进行标识，有助于用户区分AI天生的内容，掩护信息的真实性和可靠性。
物理+生物从属智能体：明确机器人作为从属体，必须映射到主体，这个主体可以是人或公司等法定实体，如果机器人涌现问题，就可以追溯主体任务。
10%+ 投资

加大对大模型风险研究的投入。
企业、国家基金会、科研机构等须要将对大模型投资的10%以上用于AI风险研究，有效应对其带来的潜在风险，发展和管理领悟、技能与政策领悟、产学研领悟。

政策研究：研究制订符合伦理和法律标准的AI监管政策，促进各国在AI管理方面的国际互助，避免因政策差异引发的技能和伦理问题。
技能研究：在系统设计之初就考虑AI风险成分，研究具备可阐明性的AI模型，提高系统透明度，确保AI系统的安全性。
设立红线和边界

为了避免AI人工智能系统的不屈安开拓、支配或利用带来的灾害性风险。
应设立人工智能发展的红线和边界：

不可自主复制或改进：任何人工智能系统都不应能够在人类没有明确批准和帮忙的情形下复制或改进自身。
这包括制作自身的精确副本以及创造具有相似或更高能力的新人工智能系统。
不可权力寻求：任何人工智能系统都不能采纳不当地增加其权力和影响力的行动。
…国际沟通互助和折衷机制

AI技能的发展具有环球性，须要加强国际间的沟通互助和折衷机制。

国际互助：推动国际间的科技互助，共同应对AI技能带来的寻衅。
建立国际联合实验室和科研项目，促进跨国界的学术互换和互助。
标准化：推动AI管理的国际标准化，制订统一的技能规范和标准，促进不同国家和地区间的技能互通和兼容。
折衷机制：建立国际折衷机制，特殊是在数据隐私、安全等领域，加强国际间的折衷和互助，共同掩护环球的科技安全和稳定。

总　结

随着第四次工业革命的浪潮席卷环球，人工智能（AI）技能正成为推动社会进步和家当升级的关键力量。
AI大模型的发展正处于一个关键期间，未来的技能进步将极大地影响各行业的智能化水平。
通过明确多模态智能、自主智能、边缘智能、具身智能和生物智能等五大方向，制订科学的分级体系、ID实体映射、增加投资、设立红线和边界以及加强国际互助，AI技能将迎来新的飞跃。
特殊是在无人驾驶领域，大模型和天生式AI，结合车-路-云一体化协同，提升驾驶安全和交通效率，助力实现无人驾驶的ChatGPT时候。