通往AGI只有一条道路吗？

Scaling Law面临瓶颈，可能是近期大模型行业讨论度最高的话题，除了

以GPT为代表的通过next token prediction方式的大语言模型，还有其他通往AGI的可能性吗？

 

在安徽省人工智能产业先导区启动仪式中，加拿大工程院外籍院士、智象未来创始人兼CEO梅涛提出了另一种可能性——以Sora为代表的扩散模型（diffusion model），该模型致力于将复杂的视觉信息及物理交互过程纳入学习范畴，旨在构建能够理解并模拟人类与真实世界互动的多模态模型。

 

智象未来也坚定在这条曲线上攀登AGI的高峰，在活动上，梅涛宣布发布智象多模态生成大模型3.0与智象多模态理解大模型。同时，也分享了他作为技术老兵对于大模型行业的观察、思考和判断。

 

梅涛认为“虽然两条路径各有侧重，但随着研究的深入和技术的融合，一个统一的大模型架构出现也很有可能。”

 

以下为梅涛的四条思考：

 

思考一：多模态大模型一定是通往AGI的必经之路

 

多模态大模型是通往AGI路线中，商业化落地最快的一条通路，更是各大厂商的必争之地。

 

思考二：大模型研发正在从预训练过渡到推理优化的阶段

 

在GPT-o1之前，大模型企业多投入在预训练上，o1之后我们把推理优化赋能到大模型上面，使得我们自己的大模型能力能够提升一个台阶。

 

思考三：AI仍在探寻产品的市场契合点

 

在迈向市场化应用的过程中，我们需要跨域两个鸿沟。一个鸿沟是，实现从强大模型到专业用户有效应用的跃迁。另一个鸿沟是，如何将服务于专业用户的能力普及至普通用户群体，降低大模型的使用门槛。解决以上两个鸿沟的方案是，基础模型的研发与建设仍需大量投入，从而提升模型的准确性与可靠性，这是支撑大型AI企业持续发展的根基所在，并且通过不断产品与运营优化，提升用户体验，弥合AI产品的“最后一公里”问题，这样才能让每一位用户都能轻松享受到人工智能带来的便利。

 

思考四：高质量的版权数据资产，将成为人工智能企业核心竞争力之一

 

梅涛至2028年，大模型训练将消耗掉人类历史中积累的大量数据。“面对未来可能出现的数据匮乏状况，我们应当提前布局，思考应对策略。”因此构建和积累高质量的版权数据资产显得尤为重要。这不仅关乎于企业的竞争力，更是推动人工智能技术持续发展的重要基石。因此，如何有效利用现有数据、探索新的数据来源以及数据使用创新方式，将是摆在所有人工智能企业面前思考的首要问题。