2024一开年，中美AI行业发生了两件大事，进一步把1993年启动的第三次人工智能浪潮推向高潮：OpenAI上线了GPT商店，AI的商业化进程更进一步；1月16日，中国智谱AI推出了比肩GPT-4的GLM-4大模型，为中国在全球AI领域的竞争增加了一份筹码。

人工智能风云70余载，几起几落，沉沉浮浮，拼人才、拼算力、拼资金、拼算法，哪些故事需要铭记，哪些教训又值得审视？

跨越七十年的华丽篇章

只为把“智能”装进机器

阿兰·图灵是一位传奇人物，他不仅仅是每一位当代程序员的“祖师爷”，图灵还是一位世界级长跑运动员，马拉松成绩2小时46分03秒，只比1948年奥运会金牌成绩慢11分钟。二战期间，他领导“Hut 8”小组破译德军密码，成为盟军在大西洋战役中击败轴心国海军的关键因素。

图灵也是个马拉松运动员｜midjourney

当然，我们今天要说的还是“人工智能”。

图灵被誉为计算机科学与人工智能之父，1950年，图灵第一次提出“机器智能（Machine Intelligence）”的概念，“人类利用可用信息和推理来解决问题并做出决策，那么为什么机器不能做同样的事情呢？”

自那时开始，无数科学家、科技企业为之奋斗——赋予机器以“智能”的革命悄然拉开了序幕。70多年过去，“三次浪潮，两次低谷”， 人工智能终究是冲破层层阻隔，进入了大众的日常生活。

纵观三次人工智能浪潮，我们会发现一个有意思的现象：理论总是比现实更超前。不是科学家设计不出更好的人工智能，而是囿于当时的计算机技术，无法做到。

人工智能发展大事年表｜哈佛大学官网

图灵在1950年的论文《计算机器与智能》中已经提出了机器思维的概念和著名的图灵测试，是什么阻止了图灵开始工作？有两个原因。首先，在那个年代，计算机缺乏智能的一个关键先决条件：它们无法存储命令，只能执行命令。这意味着，计算机只能被告知要做什么，但是不记得自己做了什么。第二，计算成本在上世纪50年代太昂贵了，租赁一台电脑每个月需要20万美元，笔者根据通货膨胀率做了换算，这相当于现在每月租金254万美元，名副其实的**“有钱人的游戏”**。

名副其实的“有钱人的游戏”｜midjourney

科学家之所以称之为科学家，是因为他们的研究总是着眼于未来，即使当下缺乏变成现实的条件。

图灵发表那篇著名的论文后仅两年，计算机科学家阿瑟·萨缪尔（Arthur Lee Samuel）开发出一款跳棋程序，并提出了**“机器学习”**这个概念。1956年的达特茅斯会议上，约翰·麦卡锡（John McCarthy）正式提出了“人工智能”这个词语，1956年，也就成为了实际意义上的人工智能元年。

至此，“人工智能”跨越了混沌初开的早期阶段，进入了一个高速发展时期。多年后，当大众回看那个时代，称之为人工智能的**“第一次浪潮”**。

计算机科学与人工智能之父——阿兰·图灵

我们先来看看“第一次浪潮”给我们今天的生活留下了哪些遗产吧。说出来可能有些惊讶，我们今天使用的大多数软件追根溯源都是“第一次浪潮”的产物，或者说，基于一种叫“手动编码知识（Handcrafted Knowledge）”的人工智能。比如我们的Windows系统，智能手机应用程序，人行道上按下按钮等待红灯变绿的交通灯。这些都是人工智能（此处采用第一次浪潮中对人工智能的定义）。

这真算“人工智能”？

算。

人们对人工智能的理解一直在变化。30年前，如果你问路人，谷歌地图算不算人工智能，得到的答案是肯定的。这个软件能帮你规划最佳路线，还能用清晰的语言告诉你如何行驶，为什么不算？（谷歌地图应用确实是第一波人工智能的典型案例）

第一次人工智能浪潮主要基于清晰且逻辑的规则。系统会检查需要解决的每种情况下最重要的参数，并就每种情况下采取的最适当的行动得出结论。每种情况的参数均由人类专家提前确定。因此，这种系统很难应对新的情况。他们也很难进行抽象——从某些情况中获取知识和见解，并将其应用于新问题。

总而言之，第一波人工智能系统能够为明确定义的问题实现简单的逻辑规则，但无法学习，并且很难处理不确定性。

1957年，罗森布拉特发明感知机，这是机器学习人工神经网络理论中神经元的最早模型，这一模型也使得人工神经网络理论得到了巨大的突破。乐观的情绪在科学界蔓延，第一次人工智能浪潮逐渐被推向了高潮——挫败要来了。

感知器原理图｜加利福尼亚州立大学

1966年，人们发现好像人工智能的路走歪了。逻辑证明器、感知器、强化学习等等只能做很简单、非常专门且很窄的任务，稍微超出范围就无法应对。为了更好的理解，我们建议读者脑补使用Windows系统的体验：一切功能都是提前设计好的，你无法教会这个系统做什么事，它也无法自己学习额外的知识。

另一方面，当时的计算机面临内存有限和处理速度不足的挑战，解决实际的人工智能问题变得十分困难。研究者们迅速认识到，要求程序具备儿童般的世界认知水平是一个过高的期望。在那个时候，没有人能够构建出满足人工智能需求的庞大数据库，也没有人知道如何让程序获取如此丰富的信息。与此同时，许多计算任务的复杂度呈指数级增加，使得完成这些任务变得几乎不可能。

科学家进入了死胡同，人工智能发展也进入了“蛰伏期”。

这一等，就是十多年。

当时间来到了20世纪80年代，两个关键突破重新点燃了“第二次人工智能浪潮”：深度学习和专家系统。

约翰·霍普菲尔德 (John Hopfield) 和大卫·鲁梅尔哈特 (David Rumelhart) 推广了“深度学习”技术，使计算机能够利用经验进行学习。这意味着人工智能可以处理那些“没有提前设定”的问题，它具备了学习能力。另一方面，爱德华·费根鲍姆（Edward Feigenbaum）引入了专家系统，它模仿了人类专家的决策过程。

总的来说，第二次人工智能浪潮改变了人工智能的发展方向。科学家放弃了符号学派思路，改用统计学的思路来研究人工智能。深度学习和专家系统的引入让机器能够根据领域内的专业知识，推理出专业问题的答案。

因此，第二次人工智能浪潮也叫**“统计学习（Statistical Learning）”时代**。

关于这一次浪潮，笔者想要强调两点，第一，为何它如此重要？第二，它无法克服的弊端是什么？

第二次浪潮时间很短，但通过引入“统计学习系统”，工程师和程序员不会费心去教授系统要遵循的精确规则（第一次浪潮的理念）。相反，他们为某些类型的问题开发统计模型，然后在许多不同的样本上“训练”这些模型，使它们更加精确和高效。

此外，第二波系统还引入了人工神经网络的概念。在人工神经网络中，数据经过计算层，每个计算层以不同的方式处理数据并将其传输到下一个级别。通过训练每一层以及整个网络，它们可以产生最准确的结果。

神经网络示意图｜Pixabay

这些都为第三次人工智能浪潮奠定了基础，而且留下了庞大的遗产，我们今天依然在使用。比如人脸识别、语音转录、图片识别，以及自主汽车和无人机的部分功能，都来自于这次浪潮的成果。

但是，这套系统有一个巨大的弊端。根据美国国防高级研究计划局（DARPA）指出，我们尚不清楚人工神经网络背后的实际运行规则，也就是说，这套系统运行良好，但是我们不知道为什么运行的这么好。这就好比人可以把球抛到空中，并且能大概判断球会落在哪里，如果你问他，你是如何做出判断的，是根据牛顿力学定律计算的吗？他无法回答，但他就是知道。

这暴露了一种因果关系挑战，因为“看不到因果”。第二套系统依赖数据输入，数据输出做决策，缺乏因果会导致严重后果：这个系统容易学坏。

微软曾经设计了一个机器人叫“Tai”，他可以顺畅的和人聊天，但如果有越来越多的人告诉他“希特勒是个好人”，它就会逐渐接受这个结论。

这些难题，留给了第三次人工智能浪潮来解决。

这次浪潮也是目前我们所正在经历的，也称之为**“情景适应（Contextual Adaptation）”**。如果非要确定一个时间节点，应该是1993年之后。摩尔定律让计算机算力急速提升，大数据的发展让海量数据存储和分析成为可能。

来源：开源图库Pixabay

为了更好的说明和上一次人工智能浪潮的区别，我们可以用一张图片举例。如果用第二次的系统来回答“图片里的动物是什么？”你会得到“图片里是一头牛的可能性为87%”。如果同样的问题给到第三次系统，它不仅告诉你这是一头牛，还会给出符合逻辑的理由，比如四只脚、有蹄子，身上有斑点等等。

换句话说，第三次的系统更讲逻辑。

笔者认为，第三次人工智能浪潮有3个重要节点（通常认为是前两个）。2006年，杰弗里·辛顿（Geoffrey Hinton）发表了《一种深度置信网络的快速学习算法》，在基层理论上取得若干重大突破。2016年，谷歌DeepMind研发的AlphaGo在围棋人机大战中击败韩国职业九段棋手李世乭，这标志着“人工智能”从科研领域开始迈向公众领域，从学术主导走向商业主导。

此后便是2022年11月30日，OpenAI发布ChatGPT，让AI成为了一款消费级产品。**“生成式AI”和“大语言模型”**一时成为大众热议的焦点。

生成式AI的竞赛，

我们要拼的是什么？

“生成式AI”是人工智能的一个分支，通过利用大型语言模型、神经网络和机器学习的强大功能，能够模仿人类创造力生成新颖的文字、图片和音、视频等内容。

大众看到的OpenAI有多辉煌，那成立之初就有多落寞。那时候的OpenAI面临两个困境：一是缺乏资金，二是其技术路线不被主流所认可。

根据机构测算，直到2019年OpenAI共接受的捐助总额仅为1.3亿美元，也就10亿人民币，马斯克个人捐助最多。当然，这点钱和国内创业公司动辄上百亿的融资比不值一提。由于缺乏资金，OpenAI不得不依靠捐赠，2016年，英伟达赠送给OpenAI一台DGX-1超级计算机，帮助其缩短了训练更复杂模型的时间（从6天到2小时）。

2018年，就连之前的最大捐赠来源马斯克也离开了OpenAI。他曾经提议接管OpenAI，但遭到董事会拒绝，于是离开，并且此后没有再进行捐赠。

另外一方面，OpenAI选择了一条不好走的路——先研发预训练模型。2018年，OpenAI推出了具有1.17亿个参数的GPT-1（Generative Pre-training Transformers, 生成式预训练变换器）模型，这一年也叫预训练模型元年。

为何这个于预训练模型的发布如此重要？这标志着AI进化路线的转变，在此之前，的神经网络模型是有监督学习的模型，存在两个缺点：

首先，需要大量的标注数据，高质量的标注数据往往很难获得，因为在很多任务中，图像的标签并不是唯一的或者实例标签并不存在明确的边界；第二，根据一个任务训练的模型很难泛化到其它任务中，这个模型只能叫做“领域专家”而不是真正的理解了NLP（自然语言处理）。

预训练模型则很好的解决了上述问题。

2020年，OpenAI发布了第三代生成式预训练 Transformer，即GPT-3。这一事件同样成为了大洋彼岸另一家中国AI初创企业的转折点——智谱AI。

GPT-3 的发布给了大家非常明确的信号，即大型模型真正具备了实际可用性。在反复纠结和讨论后，智谱 AI 终于决定全面投身大模型，成为了国内较早介入大模型研发的企业之一。

同样，智谱AI投入了大量的研发资源在预训练模型上。2022年，GLM-130B发布，斯坦福大学大模型中心对全球30个主流大模型进行了全方位的评测，GLM-130B 是亚洲唯一入选的大模型。评测报告显示GLM-130B在准确性和公平性指标上与GPT-3 175B (davinci) 接近或持平，鲁棒性、校准误差和无偏性优于GPT-3 175B。

实际上，GLM-130B是中国科技公司智谱AI发布的一个**“预训练模型”**。“预训练模型”是训练“大预言模型”的模型。它的位置比大众接触到的“生成式AI”更加前置，是埋藏在海平面之下的基础设施。现在市面上可供使用的预训练模型不多，比较主流的是来自OpenAI的GPT，以及来自谷歌的Bert。GLM-130B正是结合了以上两个框架优点的国产自主研发预训练模型。

智谱AI则是奋起直追，对标OpenAI，成为了阿国内唯一一个对标OpenAI全模型产品线的公司。

2020年，OpenAI推出GPT-3

2021年，OpenAI推出DALL-E

2022年12月，OpenAI推出了轰动一时的ChatGPT

2023年3月，OpenAI推出GPT-4

对比智谱AI和OpenAI的产品线，我们可以看到：

GPT vs GLM

- ChatGPT vs. ChatGLM（对话）

- DALL.E vs. CogView（文生图）

- Codex vs. CodeGeeX （代码）

- WebGPT vs. WebGLM （搜索增强）

- GPT-4V vs. GLM4 (CogVLM, AgentTuning) （图文理解）

为何抢占生成式AI的高地如此关键？

2023年的一句论断可以回答这个问题，“所有产品都值得用AI重做一遍”。AI对各个行业的的效率提升是革命性的，这种提升发生在服务业、新药研发、网络安全、制造业升级各个方面。

根据中国信通院的数据，2023年中国的人工智能专利申请量和论文发表量都位居世界第一，中国的人工智能市场规模也在不断扩大，预计到2023年将达到5132亿美元，占全球的近四分之一。

“工欲善其事必先利其器”。在“利器”GLM-130B训练下，智谱在2023年10月推出了自研第三代对话大模型 ChatGLM3，此时距离发布上一代产品ChatGLM2仅过去4个月。

2024年1月16日，距离ChatGLM3发布不到3个月，公司又推出了GLM-4，GLM-4 相比 GLM-3 性能全面提升 60%。其各项参数已经达到了比肩GPT-4的程度。在基础能力指标MMLU 81.5、GSM8K 87.6、MATH 47.9和BBH 82.25等项目上，GLM-4已经达到GPT-4 90% 以上水平。HumanEval 72 达到 GPT-4 100%水平。

对齐能力上，基于AlignBench数据集，GLM-4超过了GPT-4在6月13日发布的版本，逼近GPT-4最新效果，在专业能力、中文理解、角色扮演方面超过GPT-4精度。

GLM-4 还带来了 128K 上的长文本能力，单次提示词可处理文本达到 300 页。在 needle test 大海捞针测试中，128K 文本长度内 GLM-4 模型均可做到几乎百分之百精度召回。

同时，GLM-4大大增强了多模态能力以及Agent能力，GLM-4 可以实现自主根据用户意图，自动理解、规划复杂指令，自由调用WebGLM搜索增强、Code Interpreter代码解释器和多模态生成能力以完成复杂任务。GLMs个性化智能体定制能力也同步上线。不需要代码基础，用户用简单的提示词指令就能创建属于自己的GLM智能体。

其实智谱AI的发展路径也符合AI行业的内在规律。“人工智能不是一个简单的从1到100进步的过程，它往往趋向于两个极端：要么90分以上，其它的都是10分以下。”换言之，要么“快速突破”，要么“原地打转”，不奋力前进就只能滑入另一个极端。

回到历史时间线里，我们目前正处在第三次人工智能浪潮当中，既然有浪潮，就有高潮与低谷。第三次浪潮会结束，什么才是推动它的关键？

有一种观点认为“深度学习算法”带来的技术红利，将会支撑我们前进5-10年，随后瓶颈就会到来。在瓶颈到来之前，我们急切需要一个“技术奇点”拿过接力棒，把这次浪潮推到更高的高度。

“技术奇点”在哪里尚不可知。但有一点可以确定，它的出现有赖于企业的长期投资、深度研发和对科技的信念。

来源: 果壳