本文分享自华为云社区《华为大咖说 | 企业应用AI大模型的“道、法、术” ——道：认知篇》，作者：华为云PaaS服务小智。
本期核心观点
PS.我虽然尽可能把得到多方佐证的信息和观点拿出来分享，但也不能保证完全准确，欢迎留言讨论，兼听则明。
在大变局面前，常见几种态度是 “看不见、看不懂、看不起、来不及”。
“看不见”目前可能性不大，“来不及”也还言之过早，可能更多是中间两者，夹杂着一些焦虑或是抵触，其实这很正常，谁不是呢。
关于AGI定义很多，问题就因为这个词儿太通用，不够具体，我觉得就以“AI智商超过人，能干好聪明人能干的事儿”为佳。
我最近观看了好多国内外大佬的采访，基本上对于AI的智商超过人这事儿是没有分歧的，只是如何实现、多久实现有些争议，至少可以说明一点，这个事儿靠谱，没必要再怀疑其真实性。至于是3～5年，还是5～10年，我觉得已经不再重要。哪怕短期高估一点也无所谓，长期不能低估就对了。
以后会发生啥，没有人能说清楚。只是基于每个人的风险偏好不同，给出不同的处置方式。但是，这就是现实，滚滚而来，认清和接纳现实也是一种态度。
讲个真实的段子：前阵子，Hinton老爷子(加拿大计算机学家和心理学家)在演讲上，建议安排人在关键时刻负责“数据中心断电”，认为低级智能掌握高级智能在自然界从未有过。（大刘诚不欺我，这不就是《三体》里的“执剑人”？）
不管怎么样，最近5年，对我们最重要的，就是积极拥抱AI大模型，理解AI大模型，并在生命中应用AI大模型。
从去年开始，我对自己的职业发展做了重新定位，就是专攻AI大模型2B应用，我认为这是我未来十年唯一值得做的事儿。从读书开始，前前后后小20年的技术积累，在这一刻有了新的意义。
我甚至给我家五岁的孩子搞了个数字人，设定成五年后的她，希望能够在日常生活中给她一些帮助和指导。
所以，这里我建议“就近上车”，也就是说，不管你的生活、工作是什么样的，都应该积极设想，我该怎么在我的日常生活中加入AI大模型？能用哪些AI工具来辅助和加持？未来还有哪些场景AI可以帮助到我？
当下哪怕是ChatGPT，也都只是AGI的过程稿，这个很关键：
此外，值得关注的是，这并不意味着当前的AI过程稿“微不足道”，实际上其已经开始颠覆一些具体场景，比如Sora与短视频，Suno与音乐，MJ与插画，微软Copliot（New Bing）与搜索，Devin与编程，ChatGPT与很多很多琐事，等等，就在当下以肉眼可见的程度占据一席之地。（我自己也是AI工具的高频用户，也确实变懒了，今天数了下，手机装了不下十款各式AI软件，最近常用的是ChatGPT、文心一言、微软Copilot、Kimi Chat。）
AI大模型演进非常快，说是“日新月异”一点也不夸张。但这对于我们这些用AI大模型的人来说，除了一惊一乍地看热闹，可能更重要的是从变化中，找到其中的不变性。
因此需要对AI大模型的演进方向，有个大致的预判，这样可以避免我们在大模型前进的车轮下“绣花”。不然好不容易搞点小突破、小创新，绣了个花，基模型一升级，就啥也不是了。
我有几个基本的逻辑判断 ——“五更”：
这一切从GPT、Claude、Gemini等TOP选手的演进上就看得出来。
这里我不敢说自己完全理解，我只能把我听到、学到的分享出来：
1、scaling law，大力出奇迹： 我想这基本上就是搞AGI的公司唯一信奉的真理了，简单说就是“大力出奇迹”，scale发生在几个方面——数据、算力、参数，在算力恒定的情况下，目前最优先增加的是数据。就在这周，Databricks开源的DBRX模型，参数比Grok小3倍，数据量出奇的大，效果超过GPT3.5。（Scaling Law是指模型的性能与计算量、模型参数量和数据大小三者之间存在的关系。具体来说，当不受其他因素制约时，模型的性能与这三者呈现幂律关系。这意味着，增加计算量、模型参数量或数据大小都可能会提升模型的性能，但是提升的效果会随着这些因素的增加而递减。）
2、Next Token Prediction，生成式： 当然这里不仅是生成文字和图像token，还是生成视频patch。这里用illya（OpenAI 首席科学家）的话说，就是如果大模型能很好地预测下一个字，就意味着能对世界建模。说人话，就是如果我能猜到你打算说啥，我肯定也就很了解你。目前大模型因为学到了很多通用知识，所以对我们这个世界确实有一定的了解。（Next Token Prediction（NTP）是一种文本补全能力，或者说是文字接龙。它是自然语言处理（NLP）中的一个概念，具体指的是给定一段文本的前几个词（或称为tokens），预测并生成下一个词或tokens的过程。）
3、数据第一、算力第二：这句话我忘记具体出处，但是这句话一直在被证明。虽然AGI的路还不清晰，但是怎么搞出GPT3.5甚至GPT4这样的模型，我感觉顶级玩家之间已经没有太多护城河了。不然不可能一个个地都开始揭榜了。当然算力背后，除了卡，还有能源，所以微软的核能超算中心是极有可能的。
4、人才密度：与传统IT产品的外包方式不同，这波AI大模型初创公司主打的就是团队人才密度。如下是Sora的团队画像：小于10人、95后主导、北美计算机名校、AI Native。如果打算搞搞AI大模型、要组建团队，用好招新的机会，非常重要，最近几年的应届生质量也是非常高的。反观我们自己，这些技术老兵，就更要紧跟技术发展了，好在事物很新，有一些后发优势。
5、未来：一个更好的架构、一个自学习的AI：现在无论GPT背后的Transformer也好，Sora背后的DiT也罢，都没办法很好地把整个世界的各种模态统一起来，这可能需要一个更好的架构。然后就是一个不需要人类数据，通过跟世界互动就可以学习的AI，这样AI就不会局限于人类训练的数据量限制。
当然，除了这些，还有很多我没搞明白的，也有很多工程上的问题，但是我认为底层逻辑大致如此。我自己的认知迭代方式是，把每一个新事件套在这些逻辑上，如果能套进去，说明还没有超出认知，如果不能，那就再重新认识、迭代。
我认为AI大模型带来的应用侧改变，一切才刚刚开始，甚至还不能说已经到来。理由很简单，因为基建还没稳定（无论是大模型，还是底层算力资源）。
所以我认为，当下是非常好的时机，来赋能用户、组建团队、培养人才、赋能业务、开始做知识管理和治理、开始积累AI大模型应用的经验和教训，持续迭代，一个场景成熟了就推广一个能力，不能指望短期内能建功立业。
《道德经》有云：“道可道，非常道”。关于AI的本质认知，其实还远未到清晰的程度，但是人认识世界不就是这样嘛，人们到现在也没有完全理解大脑是怎么玩儿的。
这轮AI大模型之所以称之为颠覆性创新，是因为桌子掀得太快。每个人在这轮变化中，都是迷茫和无助的，唯有刷新认知、重新定位，方能在5~10年后留下更多选择权。以上皆为个人观点，与君共勉~~