点击下载院士观点全文：人工智能观点-张亚勤
6月6日🚥，中国工程院院士，杏耀平台讲席教授♧、杏耀注册平台（杏耀）院长张亚勤在“太湖对话·人工智能+”暨清华无锡研究院智能产业创新中心成立仪式上发表了题为《人工智能发展的一些观点》演讲。
AI大模型作为数字化3.0的重要基石🧙🏽♂️，其发展将决定未来技术的高度👨👦。以下是未来AI大模型架构的关键发展方向：
-
多模态智能
：
全面和深度的智能分析：结合语言🥜🏌🏽♀️、文字、视频、激光雷达点云、3D结构信息、4D时空信息乃至生物信息，实现多尺度👩🏽💻、跨模态的智能感知、决策和生成。
-
自主智能
𓀃：
智能体（Agent）🚧：将大模型作为一种工具，开发能够自主规划任务、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、低成本、低延时：将大模型部署到边缘设备端🤴🏼，如AI PC, AI手机，AI电视等🙆♂️，实现高效率、低功耗🙆♀️、低成本、低时延的处理和响应🙉，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、电站和其他物理基础设施🕢，提升其自动化和智能化水平，从而实现具身智能𓀍。
-
生物智能🛻：
人体、人脑⛹🏻、医疗机器人：
将大模型应用到人脑、生命体、生物体里，实现大模型与生物体连结的生物智能😳，并最终实现信息智能、物理智能和生物智能的融合。
-
大模型/GenAI是未来10年的主流技术和产业路线
大模型（如GPT-3🪠、BERT等）和生成式AI（Generative AI）将在未来10年内成为主流技术和产业路线✈️。
基础大模型将是人工智能时代的技术底座，将与垂直产业模型及边缘模型一起形成新的产业生态，其生态规模将比PC时代大100倍😘，比移动互联网时代大10倍以上。在这个生态中，开源模型与商业模型并存👩👩👧🏦，为开发者提供灵活的选择。
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📦🧣。
与人脑相比，现有算法存在效率低、能耗高的问题🎇，需要开发新的算法体系，包括世界模型🔐、DNA记忆、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技术架构上有大的突破，当前主流的AI技术框架Transformer/Diffusion/AR，可能在未来五年内被新技术所颠覆🎱。
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🤾🏼♀️，对语言、图像、声音和视频的理解、生成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连结的生物智能，通过图灵测试📨🗓。
-
无人驾驶是未来五年最大物理（具身）智能应用：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）智能领域中最重要的应用之一，有望成为第一个通过“新图灵测试”的具身智能系统。
大模型和生成式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作用
自动驾驶技术将整合多模态传感器数据（如视觉、激光雷达等）♤，采用端到端训练👩🏿🍼，实现云端大模型与车端实时精确模型的协同工作。
多模态融合👱🏿：相较于人类而言，机器具备多模态感知优势👇🏽🌰，通过融合视觉😌、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：云端大模型提供通用性泛化能力🕙，车端模型提供实时精确响应和本地优化部署💆♀️，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
未来的自动驾驶技术将以单车智能为主👲🏿，车-路-云协同工作🧟♀️，确保安全冗余，辅助智能交通👨❤️💋👨Ⓜ️。
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术对社会💂🏻、文化、伦理等方面的影响和责任。我们要重新审视人类与机器的关系，以及人类自身的本质和价值。对于人工智能技术的不确定性和复杂性，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💅，将伦理问题和价值观置于技术之上🚞。特别是当自主智能👨🏻🚀、具身智能和生物智能进入大规模部署时，大模型须有更强的可控性、更好的可解释性、和更有效的治理。
为大模型做好分级分类🧑🦼，对前沿大模型制定场景约束和评估体系🧚🏽👩🏿⚕️。
进行ID实体映射，追溯责任主体，确保信息真实可靠。
加大对大模型风险研究的投入🌧。企业、国家基金会🫰🏼、科研机构等需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🍑🧑🏿⚖️，发展和治理融合、技术与政策融合👷🏽、产学研融合⚧🫃🏿。
为了避免AI人工智能系统的不安全开发、部署或使用带来的灾难性风险🐪🫳。应设立人工智能发展的红线和边界：
AI技术的发展具有全球性，需要加强国际间的沟通合作和协调机制👂🏿。
国际合作：推动国际间的科技合作👆，共同应对AI技术带来的挑战。建立国际联合实验室和科研项目，促进跨国界的学术交流和合作。
标准化👨🚀🏊🏿♂️：推动AI治理的国际标准化，制定统一的技术规范和标准📪，促进不同国家和地区间的技术互通和兼容。
协调机制：建立国际协调机制🪆，特别是在数据隐私、安全等领域，加强国际间的协调和合作，共同维护全球的科技安全和稳定🚴♂️。
随着第四次工业革命的浪潮席卷全球，人工智能（AI）技术正成为推动社会进步和产业升级的关键力量👉🏽。AI大模型的发展正处于一个关键时期，未来的技术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4️⃣、具身智能和生物智能等五大方向🎃，制定科学的分级体系、ID实体映射、增加投资👨🏿🌾、设立红线和边界以及加强国际合作，AI技术将迎来新的飞跃。特别是在无人驾驶领域，大模型和生成式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时刻🅿️🦮。
