以下文章來源于母基金研究中心 ，作者戴瓊海

圖為清華大學信息科學技術學院院長、中國工程院院士 戴瓊海

清華大學信息科學技術學院院長、中國工程院院士戴瓊海認為，通用人工智能技術面臨廣闊的發展前景。目前，AI大模型雖然備受矚目，但存在過度依賴大數據、不可解釋和安全性較差的問題。而搭建出低功耗、小模型、可解釋的腦模型，是下一步實現整體人工智能通用的前提和關鍵。

(資料圖片僅供參考)

如今，AI大模型備受矚目。大家一定要明白大模型的核心是什么，其關鍵是依賴于大規模數據和強大的算力。首先，大規模數據是模型運行的基礎，沒有足夠的數據，模型將無法進行有效的訓練和交互。語言數據和圖像數據是目前數據交互的主要類型。同時，在應用大模型時，我們必須考慮數據的充足性，因為只有在某一特定場景下擁有足夠的數據，才能實現廣泛的應用。

然而，大模型也存在一些問題。首先，由于大模型是基于深度神經網絡構建的，其可解釋性較差，我們難以理解模型是如何做出決策的，這也影響了安全性。另外，大模型對數據的依賴性很高，沒有充足的數據支持，模型將無法運行。此外，它對于環境的變化邏輯處理能力較弱，當環境發生變化時，模型的構建可能不足，導致容易出現錯誤。決策問題也是大模型的短板，它可以提供建議，但無法進行實際決策。

目前，通用人工智能的發展有幾條路徑。一是不斷挖掘深度大模型的潛力，解決其不可解釋性和數據依賴性的問題，以實現通用人工智能。另一條路徑是借鑒生物智能，通過精準的方法，無需大量算力，構建模型訓練，例如美國的阿波羅項目就想做生物智能。大模型性能的快速發展將帶來某些應用領域的變革， 但通用人工智能的關鍵仍在于認知智能 。

大模型能解決什么問題？已知場景和規則的問題，大模型可以解決；但已知場景未知規則的、已知規則未知場景的、規則和場景都未知的，大模型則無法處理。事實上，只有人腦智能能夠在復雜的、未知的情境下進行判斷和決策，其適應性和創造性是當前大模型所無法比擬的。這也是我們需要深入研究的一個重要方向。

關于人工智能接下來的發展，我們需要關注應用方面。如何通過算力與功耗的瓶頸突破，如何應對倫理與法律挑戰，如何對待發展與公平的問題，這都是需要解決的問題。同時，我們需要探索如何使我國的大模型發展在國際上保持領先地位。這需要從應用場景上考慮：已知規則和場景、已知規則和未知場景這些是可以用大模型做的，但其他的要考慮腦模型。實現腦模型需要感知與計算等方面的顛覆技術，主要包括以下三項。

第一種顛覆性技術是波動光場視覺雷達 。 我們是否可以通過波動光場形式來改善對所謂場景的感知？在過去，某些地方的可視性有限，但通過自適應技術，我們現在可以在一些區域獲得更清晰的信息。這種場景定位技術在無人駕駛、機器人等領域具有廣泛的應用潛力。

第二，人工智能光場元顯示原理的發展也值得關注 。 我們都知道，現在的AR眼鏡在大場景使用時可能引起眩暈，不過在這方面相關技術已經有了突破，我們能夠實現從靜態顯示到動態顯示、光遷移顯示甚至多視點顯示的轉變，從而解決AR/VR領域的問題，也能夠實現更清晰的裸眼顯示。這些技術在端側顯示、混合現實和大屏幕展示方面引發了立體的革命性變化，因此也是值得密切關注的顛覆性技術。

第三種顛覆性技術，正如前面所提到的，涉及到腦智能 。 大家知道，人腦可以在不到30瓦的功耗下做出決策和判斷，進行感知。腦智能低功耗，小模型，可解釋。相比之下，大數據、大算力和大模型不可解釋。因此，為進一步實現工業制造、醫療健康、智能輔助駕駛等領域的技術突破，我們需要進一步研究小型、低功耗、可解釋的腦模型，這將為整體人工智能通用提供重要支持。算法和通用的前提應該在腦模型與腦智能這一領域，不管美國還是中國，都有團隊在做相關的基礎研究，希望大家能夠更多關注這方面的發展。

有這樣三個關鍵性顛覆性技術出現， 大家可以看到人工智能未來場景就是從真實的腦到虛擬的腦構建，這是現在目前正在研究的最重要的方向 。

我們清華大學的成像與智能實驗室，目前已經形成了“兩芯一器”的研發成果：“一器”是顯微儀器RUSH，“兩芯”的第一芯，指的是人工智能光電芯片；第二芯，指的是光場智能成像芯片。“為中國成為世界科學中心和創新高地作出自己的貢獻”，而打造科學中心和創新高地的過程，顯然離不開資本界朋友的參與。

標簽：