【经观讲堂】系经济观察报社年度培训项目，邀请来自经济、传媒、科学、文化、法律、商业等领域知名人士讲授常识与新知，分享经典和创新，是助力提升经观内容品质和传播影响的开放型课堂。
窦德景是北电数智首席科学家，复旦大学特聘教授，清华大学电子工程系兼职教授，此前曾担任波士顿咨询公司（BCG）合伙人、副总裁、中国区首席数据科学家，百度研究院大数据实验室和商业智能实验室主任，美国俄勒冈大学计算机和信息科学系教授。他的研究领域包括人工智能、数据挖掘、数据整合、自然语言处理和健康信息学等。
非常高兴能够来到《经济观察报》做这样一个分享，我把讲的内容分成两部分，一部分是前大模型时代，绝大多数都是基于2022年之前的工作；一部分是大模型时代，也就是2022年之后发生的事情。在前大模型时代，大数据已经很火了，深度学习已经出来了，大模型也是深度学习技术发展的最新产物。当然我相信，除了大模型，以后还会有更强大、更先进的新的人工智能（AI）算法和模型出来。大模型就是现在最好的AI技术。
我给大家讲一点科普，也是给前大模型时代的AI正名。大模型出来了，前面的工作就毫无意义了吗？不是这样的，其实前面的AI现在也还在用。而且很多时候，作为一个企业也好，作为一个政府组织也好，你可能没那么多的成本直接上大模型。这些比较传统的、最简单的AI，其实也可以用。
大家一看就知道，这本书的封面是个国际象棋盘。如果你对AI的历史有了解的线年IBM的深蓝计算机在国际象棋上赢了加里卡斯帕罗夫（Garry Kasparov）。这个封面是这本书的第三版，那时还没有第四版。2019年，我最后一次在俄勒冈大学教AI的时候，跟学生开玩笑，说你们可以预测一下第四版应该是怎样的封面。有的学生就猜到了，说第四版的封面应该是一个围棋盘。第四版在2020年出来了，封面其实也还是一个国际象棋盘，但是它把封面上的一位科学家换成了围棋盘。但我觉得第四版的封面应该对围棋大书特书，好好讲讲围棋对AI的贡献。
在AI的概念上，我一定要给AI正名。因AI（Artificial Intelligence）这个英语单词的出现，是在1956年的达特茅斯会议上，由约翰麦卡锡（John McCarthy）和马文明斯基（Marvin Minsky）促成的。所以AI这个词是1956年出来的，它绝对比2022年出来的大模型要早得多，大家必须不要认为是因为有大模型才有AI的。
AI这个概念出现的时间，甚至比1956年还要早，因为1950年艾伦图灵（Alan Turing）在图灵测试中就提出了这样一个概念，而且他用的词叫做机器智能（Machine Intelligence）。到底AI和机器智能哪个词更合适呢？我觉得都行。从技术角度来说，我觉得机器智能更合适，图灵希望机器拥有人的智能，但是从推广的角度来说，普通老百姓可能不太可接受机器智能这个词，所以麦卡锡就创造了人工智能这个词。在英语里面，Artificial这个词既有人工的概念，又代表人造的东西。人工智能这个词，比图灵最早用的机器智能更受欢迎，所以后来大家都用AI了。
为什么说图灵是AI的鼻祖？因为他在1950年就提出了这个概念，他觉得50年以后，机器在5分钟内有30%的可能性可以骗过人类。比如说做一个测试，图中左边是一位人类测试官，他来判断图中右边哪个是人、哪台是机器。其实在50年以后的2000年，我们基本上认为是没有机器能通过图灵测试的。但是从2000年开始，特别到了2010年深度学习出现以后，2022年大模型出来以后，我觉得AI的发展快了很多。现在我们基本认为，假如用比较原始的图灵测试的条件做测试的线（美国AI公司OpenAI研发的大模型）应该就可以骗过人了。
因为各种各样的限制条件，最早图灵提出图灵测试的时候，通讯只是靠两根线连着。但是如果你想把中间的隔板去掉，造一台能够真的骗过人的机器，你得希望这台机器长得就像真人，这还是很困难的，我觉得可能还要再过几十年才可以做到这个要求。但是图灵测试基本上比较早地就给大家指明了一个方向，我们要做一个AI，应该要做到什么样？GPT大模型可以产生文字、声音、视频，我觉得它已经比较完整了。但是你真要和它对话，聊久了，GPT也会露馅。因为当时图灵也说了，给5分钟的时间，看看机器能不能骗过人类。我觉得真要做这种测试，应该双盲的。它不能假定，像图中的图灵测试一样，隔板右边一定是一台机器和一个人。它不应该告诉你有几台机器、几个人，让人类测试官自己判断就好了。我觉得这是图灵测试后面能再改进的地方。
那么为什么第四版教科书的封面上出现了围棋？1997年深蓝赢了卡斯帕罗夫之后，《》想找一位做AI的专家，来评论一下这个成果怎么样。我的导师德鲁麦狄蒙（Drew McDermott）当时是耶鲁大学计算机系主任，他告诉《》的第一句话就是，这样的一个东西不是AI。因为深蓝下国际象棋，基本上是通过并行计算做一个遍历搜索。因为国际象棋才32个位置，只要你算力足够的话，很容易把所有的步子都算一遍，至少IBM当时就做到了，机器基本上输不了。
但是用这个办法为什么下不了围棋呢？因为围棋从第一步开始，理论上是361个点，你都可以选。然后第二步、第三步，你可以在360个点、359个点里面选。这样对一个程序来说，宇宙里面所有分子的数量，都不够用来表示所有的可能性，所以没法用遍历搜索的方法下围棋，机器在下围棋方面一直是不行的。直到2016年出现了突破，它不是靠遍历搜索来决定到底应该走哪一步。我们正真看到围棋的复杂度，如果你把它做成一个树状结构来搜索的话，那棵树太大了，又大又深，你没法全部把它遍历。
所以Deepmind（谷歌旗下的AI公司）当时就用到了卷积神经网络（Convolutional Neural Network），它把国际象棋上每个点的可能的赢率都算一下，如果你走这一个地区，你赢的可能性有多大，这叫估值网络（Value Network）。围棋盘上有360个空的点，你还是能算出来哪个点赢的可能性最大，但是你选的这个点赢率最大，并不等于这个点是最后走下来最合适的点。所以它有另外一个网络，叫策略网络（Policy Network），就是我一步一步走，它也可以算三十几步，就跟国际象棋的三十几步差不多，基本上就用三十几步的路径来算一下哪个路径最合适。这两个网络都是神经网络（Neural Network），把两个网络算的内容加在一起，一个是棋盘上某一个单独的点的最大赢率，另外一个是走十几步、二十几步或者三十几步，哪一条路径最好。在人类的围棋九段高手的脑袋里面，是可以看十几步的，但是三十几步，他们看不到。所以后来机器就完全比人类强了，这是当时的一个突破。
但是它有个特点，2016年的AlphaGo（Deepmind研发的AI程序）是用人类高手的100万盘棋谱训练出来的，所以它就通过100万盘棋谱计算，大家下围棋时一般走哪一步，这个概率可以算出来。为什么李世石还赢了AlphaGo一盘棋？李世石当时输掉了前两盘棋，已无心理负担了。在下第三盘棋的时候，他走了一个不常见的走法。AlphaGo根据高手的传统走法计算怎么下棋，碰到李世石的这个走法，它就蒙了，不知道该如何应对，所以说李世石还赢了一盘棋。
AlphaGo登上了《自然》（Nature）杂志封面，但是在我看来这并不是最大的成功，最大的成功反而是Deepmind后面一年的工作，就是研发出了AlphaGo Zero。AlphaGo Zero不用人类下过的棋谱做训练，它就设计两个最简单的、只知道规则的机器棋手Alpha和Beta。围棋规则很简单，所以很容易在计算机里面把它们的规则定好。机器棋手是不用休息的，让它们24小时不停地互相下，这两个机器棋手就能不断地提高水平。到AlphaGo Zero出来以后，它的胜率大概是AlphaGo最初版本的100倍。所以在李世石跟AlphaGo下围棋的时候，人类有可能赢。到了AlphaGo Zero这样的技术水平，它跟当时世界围棋排名第一的柯洁下时，柯洁就一点机会都没有了。
一般来说，图灵奖不像菲尔兹奖，要求40岁以下的人选才能获奖。图灵奖和诺贝尔奖绝大多数都是一种终身成就奖。所以图灵奖一般会在研究者做出研究成果的很多年之后授予，作为对他的成就的承认。但是深度学习出来以后，特别是AlphaGo、AlphaGo Zero出来以后，图灵奖很快就授予了三巨头约书亚本吉奥（Yoshua Bengio）、杰弗里辛顿（Geoffrey Hinton）和雅恩乐昆（Yann LeCun）。人们有一个误区，认为这三个人是AI之父，这绝对是错误的，说他们是深度学习之父是对的，深度学习只是AI比较新的或者比较成功的分支。
其实，围棋是比较小众的棋类游戏，特别是在西方世界。一般来说，就是中国、日本、韩国三个国家的人很喜欢下围棋。我觉得后面的这项工作更有意义，2020年AlphaFold2（Deepmind研发的AI程序）出来了，上个星期AlphaFold3出来了。它们基本上可以开展对原来技术水平来说很复杂的科学工作，比如蛋白质结构预测。因为一个氨基酸的序列，你可以折叠成各种各样的蛋白结构，AlphaFold可以算出来哪几个结构的可能性更大。当然它也不能根据一个序列（sequence）推断出，一定就是这样一个结构，它给出的是概率，但是它的预测准确度当时已超越80%了。对人类来说，工作就变得很简单，你可以先用机器帮你算一下，然后针对比较可能的那几个结构，再去做湿实验，这非常大地节省了时间和财力、物力。
另外，从机器人的角度来说，波士顿动力应该是全球做得最好的，因为AI的发展必然会带动机器人的进步。现在假如你把大模型或者深度学习的东西，加到机器人里面，它的整个动作都会比原来的更精确。
大数据是在大模型之前比较火的一个概念。大家可能都理解，因为特别是在我们这个时代，经历了互联网、iPhone，应该说数据的产生和处理比原来多得多。
大数据基本上有3个特征，叫做3个V。一个是规模性（volume），就是数据量非常大。从数据的上涨的速度来看，大模型的参数都是这样的，不是线性的增长，而是指数级的增长。另一个是速度性（Velocity），处理数据时要快速地解决。我举个例子，你如果要尽快地完成促销，捕捉到用户的信息后，要赶快行动起来，不然用户的兴趣会发生明显的变化。你要是隔上一星期、两星期，才知道用户对这样的一个东西感兴趣，这时用户可能已不感兴趣了。像医疗健康这类行业，你发现一些异常，要赶快处理。还有一个是多样性（Variety），一定要把不一样的种类的数据放在一起处理，这样才有意义，才能更好地做决定。数据种类是各种各样的，不仅有文本、序列，还有图片、表格，它们都在一起，这也就是所谓的多模态，跟大模型其实也相关。
原来大数据的特征肯定是这3个V，现在我对第四个V真实性（Veracity）特别感兴趣。尤其是在大模型出现以后，数据越来越不可信了。所以数据的准确度、一致性、真实性都成了问题。在这种情况下再说大数据，一定要强调真实性。
接下来我介绍大模型时代。大家都知道，特别是在2022年底，大模型的关注度增长非常快。因为你用搜索引擎的时候，能够准确的看出一个词的关注度。另外一点，ChatGPT（OpenAI研发的聊天机器人程序）的用户数5天达到100万，更夸张的是，不到两个月，它的用户数达到1亿。所以它是历史上用户数最快到达1亿的App。我可以说这肯定是前无古人的，但一定不是后无来者，我相信下一个爆款App的用户数应该会比ChatGPT更快地达到1亿。因为ChatGPT出现以后，大家对AI的接受速度快了很多，我相信下一个爆款App出来了，更多人会很快地去用。
我刚才给大家做了一点科普，AI这个词在1956年就有了，后来出现专家系统（Expert Systems）等词。如果从参数这个方面来说，专家系统的参数基本是零或者比较少。深度学习的参数就比较多了。到了大模型最初的产品GPT-1，它的参数大概是1000万。到了GPT-3，它的参数达到1750亿，模型参数（Model Parameters）的增长曲线在这里出现了拐点。GPT-4的参数大概是1.8万亿，不到10万亿。而且模型参数的增长跟大数据一样，它一定不是线性增长，而是指数级的增长。
模型参数不是指有多少个神经元，而是指有多少个神经元之间的连接。因为一个神经元可以连很多个神经元，所以它自然对应着多个连接。今年年底就要出来的GPT-5，它的参数至少是5万亿至10万亿。人脑中大概有100万亿个连接。其实人脑的神经元数量大概也就是100亿个，但是假如人脑中的连接，是任何一个神经元连接任何一个神经元，那么连接的数量就是100亿个乘以100亿个，这个数量太大了，所以人脑中的神经元只是和附近的一些神经元连接，而不是和所有的连接。
从这个角度来说，我觉得大模型发展到了GPT-5，成为10万亿参数的模型，它的能力基本上跟人脑差不多了。人脑虽然有100万亿个连接，但是人类平常使用的面积大概只有十分之一，人脑很多时候都是闲的。当然阿尔伯特爱因斯坦（Albert Einstein）大脑的使用面积可能大一点，普通人使用不了那么多。所以根据我的估计，这条路如果走通了，这是一个模拟人或者逼近人的智力的最佳方式。10万亿参数的模型就足够了，我们就拭目以待吧。因为山姆奥特曼（Sam Altman）已经在不同场合放线强太多。
生成式AI不仅是最早的文本对话机器人，其实在图片、视频领域，现在也能看出来它有一个很清楚的多模态联系。为什么它能把这些模态的联系建立起来？它用的算法，不仅只是文本之间相互的token（文本中的最小语义单元）的联系，还可以把文本和图像、文本和视频、文本和声音都联系起来。2017年，其实就出现了现在大家都在谈的生成式AI这个概念，但是2022年的ChatGPT真正让大家认识到大模型、生成式AI有这么强大的功能。
其实OpenAI选了一个大家都不看好的方向来突破。人们从2018年10月开始做大模型，始终没找到突破点，让大家知道这个东西有用。结果OpenAI选择做了对话机器人（Chatbot），其实这个东西最早从20世纪50年代60年代就开始做了。只要做AI，你就会想到去跟它对话，做智能客服什么的，但是原来做得都不太好。到了2017年，谷歌发明了一种叫Transformer的算法。我认为发表关于Transformer论文的这些人里面，未来肯定有人拿图灵奖，关键是这篇文章的作者名单很长，到底把奖给谁是个问题。因为图灵奖最多就给三个人，所以怎么把这几个人挑出来，我觉得是评委会发愁的问题。
我讲讲Transformer的原理，我可以用它算我输入的所有token之间的关系。我经常举这样一个例子，姚明有没有拿过奥运奖牌？姚明没有拿过。如果我现在问GPT-3.5这个问题，它的回答还是错的，GPT-4和文心一言的回答是对的。GPT-3.5一直认为姚明拿过奥运奖牌，这是因为我们在做模型预训练的时候，其实是在做完形填空。比如我把姚明、奥运等几个词列出来，把中间的奖牌这个词给抠掉，让大模型去猜，姚明到底有没有拿过。GPT-3.5在做这个完形填空的时候，就去把姚明、篮球这些词，跟奥运会的金牌、银牌、铜牌联系起来，相当于它算了一个概率。它用大量的语料去训练，就能够把这些词的关系给算出来。当时我对GPT-3.5的回答也好奇，就去网络上搜索姚明、奥运、奖牌这些词，没有任何一个网络上的公开信息说，姚明拿过奥运奖牌。
那么GPT-3.5为什么这样回答？当它接收你的问题的时候，它先算一下哪些词跟姚明、奥运、奖牌这几个词相关。跟姚明相关的词，是篮球、NBA、选秀状元、世界第一中锋、国家队主力。跟奥运相关的词，与姚明联系在一起的是悉尼、雅典、北京三届奥运会。跟奖牌相关的词，那就是金、银、铜三种奥运奖牌。所以这是第一轮，在它算了相关性以后，就把这些词给找出来了。再想想这些词之外的词，就不一定跟姚明相关了。比如它看到伟大的篮球运动员、MBA选秀状元、第一中锋这些词，就会想到科比布莱恩特（Kobe Bryant）、勒布朗詹姆斯（LeBron James）、保罗加索尔（Pau Gasol）。GPT-3.5想到这几个人的话，再去联想他们参加的奥运会、他们是否拿过奥运奖牌。他们拿过奥运奖牌的。所以，它从合理性角度计算，姚明那么伟大，伟大到和这几个人相提并论，姚明就应该拿过奥运奖牌。所以GPT-3.5的问题就出在这里。但是GPT-4或者文心一言就不会出现这种情况。这种问题是问事实、历史的问题，不是让它来写一首诗、一部小说，它不需要生成内容。它直接去搜，一搜的话就会发现，姚明确实没有拿过奥运奖牌。
Transformer产生了预训练语言模型。语言预训练能够把关联关系建立起来，可以完成完形填空。但是如果你要用它真正来做一些事，要用新的强化学习算法RLHF（Reinforcement Learning with Human Feedback，即从人类反馈中强化学习），用人类的反馈指导模型做具体的工作。因为预训练只是把一些基础的知识、基本的概念给建立起来了，但它应该做什么事，由你来告诉它。所以GPT-3.5这个模型，是基于GPT-3来训练它的对话的，给它一些对话的标准答案，看它答得怎么样。它答得好，我给高分，答得差，我给低分。要不停地给它一些反馈，不断地提高它。
生成式AI的技术突破有4点原因。第一是模型规模，GPT-3的参数规模是1750亿，GPT-4的参数规模是1.8万亿。清华的开源模型ChatGLM，参数规模也能达到1300亿。现在看来，基本上参数规模在千亿以上的模型，性能是比较突出的。第二是训练数据，因为做完形填空，是不需要做标注的。我们把所有数据扔进去，万亿的token也好，各种类型的数据语料也好，扔进去让它不停地去填空。这是一个好处，它不需要人来做标注。第三是训练方法，可以把人类的反馈加进来。第四是算力，英伟达A100显卡和高性能并行计算平台，提供了超强算力支持。其实英伟达这个公司一开始不温不火，它就是做电脑游戏需要用到的显卡。后来，人们发现它的显卡可以给深度学习模型用。特别是到了大模型时代，更是需要它的显卡。所以英伟达是现在最火的公司，它的市值涨上去了。黄仁勋也成了美国工程院院士，他也在做建议，要引导AI的发展方向。生成式AI成就了黄仁勋。
从生成式AI的整个架构来看，在硬件设施也就是算力层面，英伟达的市场份额可能占了95%，其他厂商包括谷歌、英特尔、华为、百度昆仑芯等，最近好像AMD也准备做AI芯片。硬件设施层面之上是云平台，因为这些算力最后要放在云上面来计算。云平台层面之上是模型，模型又分为闭源模型和开源模型。模型层面之上是应用，千万不要认为ChatGPT或者文心一言是大模型，它们是基于大模型的应用。另外，也有一些做生态的公司，做端到端的解决方案。
我再讲讲生成式AI的应用场景。生成式AI现在已经能够生成对话的文本，也可以写代码，生成图像和视频。可以确定的是，GPT-5是一个多模态的模型，多模态已经不是什么新鲜事了，但GPT-5可能是多模态里面做得最好的。因为OpenAI已经提前把Sora（OpenAI研发的文生视频大模型）给放出来了，大家一下子就惊呆了。包括我也惊呆了，我不认为那么早能做出这么好的文生视频，结果它今年初就做出来了，非常惊人，所以我们跟他们是有代差的。从行业应用来说，生成式AI可以用来开发小程序，节省效率，也可以应用于消费品、制药、金融、娱乐、保险等行业。从应用场景来说，它可能涉及营销、销售、物流、客户支持、法务、财务、人力资源等多个方面。在任何行业、任何企业的不同职能部门里面，我们都可以用到生成式AI。
问：您刚才讲到，属于前大模型时代的早期AI技术，现在还有一些应用，比如说大模型的成本比较高，现在有些地方没法部署。这部分传统的AI技术在大模型时代还能存在吗？还是说目前应用这些技术的场景，以后都需要慢慢转型，去使用大模型？
窦德景：我在咨询公司时也经常听到类似的问题，值不值得花成本去训练大模型？我想对大多数企业来说，应该不需要自己训练模型。比如千亿参数的模型，大概需要至少几百张显卡甚至上千张显卡，训练几个月，才能训练出来，算力和时间成本很高。你就算不训练上亿参数模型的话，你使用模型，也需要投入几百万元。
总结一下，如果一定要追求大模型的效果，你的投入可能暂时也低不到哪去。我们一般会给用户算投资回报率（ROI），你投入了多少，最后产出了多少。我当时参与过一个医药公司使用大模型培训医药代表的项目，他如果每年都推出新药，这笔账肯定是划算的。但如果几年就培训这么一次的话，真不见得要使用大模型。
问：传统的AI技术供应商要么去做大模型的微调，保持自己服务客户的能力，要么就会被市场淘汰了？
窦德景：传统供应商不能寄希望于一些出不起钱的公司，来继续做他们的客户，他一定要有这个能力。但有一点好处是，大模型其实还是比较好用的。如果他原来就是搞AI的公司，要转型去做生成式AI，就是换块牌子，这个能力其实还是很容易掌握的。训练或者微调、提示、加训，我觉得都能做。我这一年多也接触了一些小公司，他们转型还是很快的。
问：想请您预判一下，GPT-5出来之后，会对现在的AI能力有多大程度的提升？现在的大模型有各种幻觉，有人觉得不好用，GPT-5会变得好用吗？
窦德景：GPT-5的幻觉会减少，因为GPT-4的幻觉已经比GPT-3.5减少了，我前面说的姚明的例子就很明显。但它绝对不是100%的准确，这是第一点。第二点，GPT-5肯定是多模态。第三点，既然Sora现在放出的视频都大概有一分钟，GPT-5生成的视频肯定会更长、更逼真。现在Sora画的几个样本里面，可能挑选出的是比较好的，但是里面还有一些瑕疵，你可以找出它们不符合所谓的物理世界的地方。GPT-5真正出来以后，Sora视频中出现的人的左右腿在行走中互换的问题，肯定会被解决。
问：想问下您个人选择的问题，现在很多做AI的人都在国外，因为跟国外比，国内技术代差蛮大的，您为什么坚持在国内做？另外，您为什么选择去北电数智这样一家算力公司，是看到什么机会吗？
窦德景：第一个问题其实比较简单。我2019年回国时，想的是不一定会留在中国。因为当时美国大学每六年有一个学术休假，在学术休假的时候，我应该去哪都可以。我当时计划在百度待个半年一年就回学校了，结果因为家庭等各方面的原因，就待下来了。到这一次再选择的时候，其实我今年3月去美国出差，还回了趟学校。他们肯定还是欢迎我回去的，但是如果我现在去美国的话，我在国内三四年时间积累的一些合作伙伴和关系，基本上用不了。所以我的选择更多还是基于现实考量。
第二个问题，北电数智有算力，我们可以用这些算力服务国内的模型公司。他大概会有1000P2000P（P指10的15次方）的算力。用英伟达的显卡来比较，一张A100的显卡，算力大概是零点一几P，一台有8张显卡的服务器，大概是1P。所以1000P的算力是很大的，相当于8000张A100显卡。
而且我们做的另外一件事情，是把国内的芯片拿来做适配，因为很明显现在国内已经买不到英伟达的显卡了。所以我们一定要想办法，帮助国内还能用的芯片被使用起来。这些芯片来自华为、百度昆仑芯、摩尔线程、寒武纪等公司，我们拿它们和英伟达芯片一起工作。
以后我在复旦大学里面花的精力会更多一点，做比较前沿的研究。在大数据时代，我其实还不是最看重第四个V（Veracity）。大模型出来以后，数据的准确性、真实性是很大的一个问题，现在的大模型在我看来是不安全的。第一点，大模型产生的一些信息，你要是完全不考虑真实性的话，会出问题。第二点，我觉得大模型本身并不坏，大模型不会自己主动地想去作恶，但总会有些坏人想利用大模型作恶。就像人类最早研究质能方程，是希望用核能的办法来产生更多的能量，产生核电。但是核武器出来以后，一旦拿到核武器，会是很大的一个问题。同样，我觉得大模型以后的发展需要监管，需要安全的控制措施。所以在回到学校以后，我会更关注大模型安全方面的问题。
问：不考虑伦理的问题，人类能不能造出超强大脑？您预测多长时间可以造出超强大脑？
窦德景：先定义一下超强，我理解你想表达的意思是比人还聪明。应该说，目前大模型技术绝对是在往这个方向走。我觉得没有任何理由说，以人的智力画一条线，限制AI一定不能超过人。而且AI现在在很多方面已经超过人，GPT-5可能也会在很多方面超过人。如果按照这个定义，人类已经造出超强大脑了。
其实伦理方面的问题是什么？我们现在一定要想办法，建立一套从上到下的机制或者是比较民间的机制，来限制AI作恶。我刚才已经提到这个问题，我不认为现在的AI会主动作恶，AI还没有自我意识。如果AI没有自我意识，它不会真的为自己谋霸权、谋利益。人类为什么会自私？人的自我意识是天生的。即使某一个人生下来了，他的基因里面没有自我意识，这种基因也很快就会失传，因为他活不下去的。所以反过来说，现在的AI还没有自我意识，它不可能为自己谋利益、谋霸权，但是怎样防止有些坏人想通过AI来统治其他人或者统治世界，这个是我们要关心的事情。
窦德景：我现在看不出有办法让它有自我意识。我在几个公众场合都讲过，这是我自己的一个理论，可以说是我首创的。我认为，人为什么会有自我意识，是因为人生活在地球上，或者说我们这些碳基生物生活在地球上，资源是有限的，如果你不去争资源，你就活不下去，所以你天生就会有自我意识。或者说一开始有些人类、猿人是没有自我意识的，有些有自我意识，结果没有自我意识的在过程中就被自然淘汰了。毕竟，碳基生物生活在一个资源有限的世界。
对硅基生物来说假如我们认为大模型已经具备了生命或者生物的一个基本形态的话，至少我们没有看到电能已经少到让一些机器人活着、另外的一些机器人就要死掉的状态。但是，地球的资源还是有限制的。地球可能可以承载100亿人，如果地球上的生物全变成硅基生物，地球肯定能承载200亿个、300亿个。假如地球上有1000亿个硅基生命，我觉得不管水电、风电、火电可能都不够用了，那时候硅基生命就会打起来，就必须有自我意识了。
问：其实大模型出来的时候，有很多细分领域也在蹭这个热点。比如在医药领域，当时就有一些制药公司说自己在做AI制药，但也有观点说其实他们用的技术不能叫大模型。我想知道这种垂直细分领域的模型，和大模型到底有什么不一样？
窦德景：很简单，就看它有没有用大模型。因为就算你用最小的大模型，比如清华的开源模型或者Llama开源模型（美国科技公司Meta研发的大模型），模型参数至少是60亿到70亿。理论上，英文单词里面只有大语言模型（Large Language Model），没有大模型。大模型这个概念，在英语单词里面对应的是基础模型（Foundation Model）。但是我们还观察到，如果模型参数小于几十亿，它的性能也不明显。
特别是医药行业的公司，它不是简单使用大模型的。因为现在这种公开的、要训练的基础模型，它们拿到的这些跟医药相关的信息，都是从网络上公开抓取的，相对来说都不专业。这些信息对特定的医药应用基本上没有用，你必须用你自己的专业数据来做微调或者二次训练，这个成本就上去了。所以，你就看他是不是真正用自己的数据训练，他不把这个过程走完的话，不应该说自己用的是大模型。
问：之前几波AI浪潮，都是经历了高潮，又退潮了。这一波浪潮会是怎么样的？因为从2022年底OpenAI推出ChatGPT开始到现在，好像始终没找到一个明星级的应用，能够给人类的物理社会带来巨大改变。我看到现在有经济学家说，它可能对全要素生产率没有显著提升。从您的观察来看，这会是一个可能的情况吗？如果始终找不到明星级的应用，它会不会退潮？
窦德景：这是可能的，前两波高潮也是这样的。比如第一波，20世纪50年代60年代，逻辑推理出来了，后来发现逻辑推理只能把一些确定的信息给推理出来。第二波，贝叶斯、专家系统、浅层神经网络都出来了，最终都没有找到杀手级应用程序（Killer App）。
但是这一波浪潮，应该是在三波AI浪潮里面最有可能成功。我妈妈79岁了，虽然她也是重点大学毕业的，但是她以前一直做仪表那块的东西，能够说是AI的“门外汉”。她对我原来做什么都不是很关心的，结果她有一次问我，你知不知道ChatGPT？她都知道ChatGPT了，你说影响力有多大？这波AI浪潮造成的冲击力，已经扩散到了计算机行业之外，它至少可以跟互联网、iPhone相提并论，在我看来这波浪潮绝大多数都是成功了。
只不过问题是，哪一个App可以先盈利？因为大模型成本比较高，能不能赚到钱，其实是一个ROI的问题。但总会有一个特定的应用出现，因为开源模型本身就不收费，闭源模型也会慢慢的便宜，我觉得最后闭源模型都可以不要钱给你用，通过这种手段来拉客户，就像当年的互联网一样。现在基本上大模型公司都在烧投资人的钱，有点跑马圈地的感觉。但是总会剩下几家拥有几亿用户的公司，那他们总是能想办法赚到钱的。
