在人工智能发展史上，2023 已经成为非常值得纪念的一年。在这一年，OpenAI 引领的 AI 大模型浪潮席卷了整个科技领域，把实用的 AI 工具送到了每个人手里。但与此同时，人工智能的发展也引起了广泛的讨论和争议，尤其在其商业应用和未来发展前景方面。
著名 AI 专家 Rodney Brooks 在 2024 年初发文预言，认为 AI 可能即将进入一个新的寒冬，随着泡沫的破裂，行业可能面临严峻的挑战。他的这一言论引发了业界的广泛讨论：新的一年，AI 领域将会迎来更多的炒作，还是进入低谷？与此同时，还有不少人担心，AI 是不是会取代更多人的工作？
在前不久的国际消费类电子产品展览会（CES）上，两位著名 AI 科学家、斯坦福大学教授李飞飞和吴恩达以此为契机展开了讨论。此外，他们还讨论了：新的一年，哪些 AI 技术将迎来新的突破？AI 智能体的崛起意味着什么？对生成式 AI 准确性存在顾虑的企业要怎么用好这项技术？
以下是本次讨论的视频内容：
原视频链接：https://videos.ces.tech/detail/video/6344567556112/great-minds-bold-visions:-what% E2%80%99s-next-for-ai
为了方便大家收藏具体内容，机器之心还将视频整理成了文字版：
主持人：首先我们来讨论一下第一个问题，这个问题与人工智能的当前状态有关。去年无疑是人工智能炒作非常疯狂的一年。
我们的好朋友 Rodney Brooks 在 1 月 1 日发推说：「现在该穿厚衣服了，可能又一个人工智能寒冬即将来临，而且会非常寒冷。」那么，在新的一年，AI 领域会迎来更多的炒作，还是低谷呢？
吴恩达：我认为媒体会按照它们的方式去做事。但我们并不会进入寒冬，因为人工智能的商业基础比以往任何时候都要坚实，甚至在生成式 AI 浪潮来临之前就已经如此。去年，人工智能真正起飞了。它可能推动了数千亿，甚至数万亿美元的市场，这点我不确定。至少对像谷歌这样的公司来说是数千亿美元，因为展示更相关的广告可以带来大量的收入。所以 AI 的商业基础是存在的。
其实，关于人工智能，最难理解的一点是，它是一种通用技术。这意味着它不仅仅对一件事有用。它有点像电力这样的通用技术，如果我问你电力有什么用，你会觉得很难回答，因为它的用途太广了。人工智能也是如此。就我们今天所处的阶段来说，即使人工智能无法取得任何技术核心进展，当然它肯定会取得进展。即使没有，世界各地都有很多用例等待被发现和构建。所以我非常有信心，它的商业基础将继续壮大。
李飞飞：是的，我大体上同意 Andrew（吴恩达）的观点。我们看到的是人工智能的另一个拐点，这个拐点始于大型语言模型的发展，特别是 ChatGPT 的首次推出以及后续模型的推进。
我认同 Andrew 的看法，AI 是一种深化的横向技术。作为一种深化的横向技术，它正成为下一次数字革命或工业革命的重要推动力。公共媒体的报道，会呈现波动，但这不是最关键的。重要的是，这项技术已经根植于我们的生活。它正在深入到所有垂直行业和消费者体验中，逐渐改变我们的社会、经济和政治结构。这是不争的事实。而且这种改变正在变得越来越明显。
主持人：让我们跳到你们对 2024 年重大突破的预测。你们认为今年 AI 的最大突破会是什么？
李飞飞：预测未来总是非常危险的，因为我说错的话会被引用。从计算机视觉和所谓的以像素为中心的 AI 领域来说，我确实认为我们正处于非常激动人心的技术进步的边缘。我们一直在关注生成式 AI，我们一直在研究扩散模型，有人可能听说过 Gaussian splatting 或这方面的内容。我认为目前的技术浪潮中，有许多成果几乎就要实现突破了。我不确定它是否会像一年多以前的大型语言模型那样成熟，但我越来越多地看到这一点。我对此非常兴奋。
主持人：Andrew，你怎么看？
吴恩达：是的，我也有几个预测。首先，我们看到了大型语言模型的突破。我同意飞飞关于图像的看法。所以我看到的是，从大型语言模型到大型视觉模型的转变。很多进步不仅仅在于图像生成，图像分析也在进步，它能提高计算机的视觉能力，这对自动驾驶汽车等领域有很大的影响，比如任何带有摄像头的地方。这是第一点。
第二点我想说，你向 ChatGPT 提问，它会立即作出回应。但我更感兴趣的是自动化智能体的崛起。当你给 AI 系统一个指令，比如说「亲爱的 AI 系统，帮我做市场调研，对这个公司进行竞争分析。」智能体不会立即给出回应，而是规划一系列动作，比如进行网络搜索、下载网页、总结信息。它会去做半小时、一小时或一天的工作，然后带着答案回来。自动化智能体能够规划和执行一系列动作。它们现在刚刚起步，但在研究和商业化方面有很多进展。我期待在接下来的几个月里，会有新的突破。
最后一点，可能也适用于 CS 领域，我对边缘 AI 非常感兴趣。我经常在我的笔记本电脑上，运行大型语言模型。我经常用 GPT-4，也经常用 Bard。但很多人不知道的是，在你的笔记本电脑上运行大型语言模型实际上已经相当可行。虽然这些模型不像 GPT-4 那么大，但也够用了。我认为这件事意义深远。所有的 PC 制造商，难道不会想要销售给消费者一个更强大的 PC，让他们使用最新的 AI 技术吗？显卡通常是人们升级电脑的一个动因。我认为在你的笔记本电脑、PC 或你的工业 PC 上运行的边缘 AI，它的能力实际上比大多数人认为的要好得多。对 CS 领域来说，我认为这将推动很多设备的销售。
李飞飞：我有一点点不同的意见。你提到了「自主智能体」，但我更倾向于将其称作「辅助智能体」。我们在当前的大型语言模型和这些庞大的基础模型中观察到，处理长尾问题依然是个挑战，无论是在幻觉现象还是其他方面。在很多工作环境中，为了提供高品质的服务和产品，关注长尾分布非常重要。因此，我认为更可能出现的是人机交互式协作。在这种模式下，辅助智能体既包含了自主工作的部分，也包含了与人类的协作部分。这比完全自动化更有可能成为现实。
吴恩达：确实如此（击掌）。我其实在一定程度上同意你的看法。我想分享我的经历。「自主智能体」这个词可能有些问题，但我在商业领域看到的是，大多数人更愿意让 AI 辅助人类，而不是替代人类，尤其是考虑到失业的问题，这是一个现实挑战。我不想忽视那些失业者的苦难。
我观察到的是，决定是否使用 AI 来自动化或取代人力，通常更多是基于商业经济来考虑，而不是基于伦理。或许这应该是一个伦理决策，但诚实地说，当我与企业合作建立聊天机器人时，我看到大多数企业都会进行非常理性的经济评估。人类能够带来这些价值，人工智能能够带来那些价值，他们关心的是怎么做是最佳的经济决策，毕竟竞争者也在做相同的事情。我希望我们能说「不要取代人类的工作」，但不幸的是……
主持人：关于这种类型的 AI 智能体，我想引用 Mira Murati 的一句话。她说，「AI 智能体的概念并不新鲜，但现在我们正在向未来迭代，发展出具有智能和常识的智能体，它们理解我们为什么要做某些事情。」
李飞飞：好的，我想补充一点，也对那个观点发表评论。我认为我们需要谨慎区分取代「工作」和取代「任务」。我相信，你我都看过相同的报告。报告表明，人类的每项工作实际上都是由多个任务组成的。我花了很多时间研究医疗保健。一名护士在值班的 8 小时里要完成数百项任务。AI 智能体确实在许多任务中发挥辅助和增强的作用，但我们需要慎用「工作」这个词。我确实认为，经济商业决策与伦理社会决策并不是互斥的。这是一个更深入的讨论，我知道你和我意见是一致的。
回到你关于这些智能体有理解能力的问题。我认为这是一个非常微妙的术语，仅关注商业方面。什么是理解？有对数据中存在的模式的理解，有对你所做决策的理解，还有对任何人类任务意图的理解。所以，实际上，我不会简单地用一个笼统的「理解」这个词来描述今天的 AI 智能体。
主持人：你认为 AI 智能体会在何时达到什么程度？
李飞飞：我认为我们目前做得最好的是理解数据中的模式，尤其是当我们有大量的训练数据时，我们做得非常好。我指的是大型语言模型，使用基于序列到序列的基于 transformer 的算法，我们真的做得很好，从数据中提取模式，以创造强大的预测模型。所以我认为，这可能是最前沿的。再次强调，我认为「理解」要微妙得多。你们都来自商业领域，知道其中的细微差别，我认为还有更多工作要做。至于意图理解，我认为我们只是触及了表面。
吴恩达：我想回到任务的话题，因为我认为这很重要。我的团队为很多企业工作，偶尔我会接到首席执行官的电话。他们说：「嘿，Andrew，我读了关于 AI 智能体的文章，我该怎么做？」结果表明，有一种方法，它能帮助企业确定哪些任务应尝试用 AI 增强或自动化。正如飞飞所说，大多数工作由许多不同的任务组成。以放射科医师为例，放射科医师阅读 X 射线影像，他们需要获取病人的病史，操作机器、维护机器、指导年轻医生等等。所以放射科是一个例子，涉及许多不同的任务。我所见过的企业做法是观察你的团队，了解你所有员工实际上在做什么任务，并且不是在职位层面，而是在任务层面分析。这项任务在多大程度上适合用 AI 去增强或自动化以及业务投资回报率如何。每次我和企业一起做这个工作时，我们总是能想出很多点子，但我们没有时间去实施。所以 AI 的增强或自动化有很多机会
我学到的第二点是投资回报率最高的任务，往往不是人们最初所想到的那个。以放射科医师为例，人们通常会想到，哦，放射科医师就是看 X 光片的。这是你的脑海中关于这个职业的定位画面。但当我们去分解这项工作时，我们会发现有很多其他任务，比如收集病人病史之类的。这些任务可能更容易实现，而且投资回报率更高。所以我发现，系统地进行这个练习，通常有助于企业识别有价值的机会，然后进行构建与购买的决策，执行 AI 项目。
主持人这正是我想谈的下一个话题。让我们讨论一些更加实际的问题，在与财富 500 强公司的合作中，你有没有发现，那些有着清晰的、可证明的、可实现的投资回报率的应用都有哪些共性？比如，你觉得这个房间里的大多数人应该专注于哪些应用？
吴恩达：如果我们广泛观察财富 500 强公司，我认为常见的应用是客户运营或客户支持。有很多公司试图增强或自动化客户支持。我认为软件工程也在转变。我们对软件工程师的支持远远超出了 Github Copilot。Github Copilot 是一个不错的工具，但我们能做的远不止这些。我认为销售运营也受到了很大影响。但对于特定企业而言，几乎每家公司都在做客户运营，所以你也应该认真考虑这个方面。但更激动人心的事情是，我和一家非常大的农业公司谈过，我们确定了一些任务。这不是你想到的那种收割任务，而是一些奇怪的任务。我们认为或许可以使用 AI，来大大节省他们的时间。所以，适合你的业务和行业特色的小众领域，我认为通常更引人入胜。它们不仅有趣，还能创造出特定于行业的防御性飞轮效应。因为每个人最终可能都会购买一些通用的销售运营工具等，但那些特定于你业务的东西，你应该在内部构建，我觉得这些事情非常令人兴奋。
李飞飞：现在确实有各种各样的客户支持或运营解决方案。但我想补充的一点是，我们还可以在当前技术中寻找共同的机会。我认为有个结论今天依然成立，那就是，在数据最丰富的地方，你可以从中识别出可重复或有效的模式，无论是人类语言模式、结构化数据模式还是图像数据模式。数据所在的地方，以及数据模式被证明在你的业务中有价值且可操作的地方，就是你应该关注的地方。
主持人：让我们谈谈财富 500 强 CEO 可能面临的障碍。我们上周日举行了医疗保健峰会，会上有几位医疗保健 CEO 出席。我们问其中一位，你对数字创新最感兴趣的是什么？他说人工智能。然后我问他，作为 CEO，你最担心什么？他说，不准确性。
李飞飞：这是最难的行业之一。
主持人：你想对那些将不准确性上升为 CEO 级别关切的 CEO 说些什么？在你看来，还有哪些问题可以上升到这个级别？
李飞飞：就像我之前所说的，这取决于你的产品、你的服务以及结果的利害程度。在医疗保健、金融预测等许多行业中，长尾精确性非常重要。你不能承受人命损失或人身伤害，你不能承受银行出错。所以你需要了解你的行业，了解你的解决方案和服务，看看 AI 可以在哪里发挥真正的作用。这就关系到你说的炒作。当我与商业高管交谈时，我们应该摒弃炒作，理解这项技术能做什么，避免投资于那些 AI 还不擅长的方向。
主持人：那么飞飞，类似医疗保健这种涉及生死和高度监管的行业，他们想用生成式 AI，但又担心准确性问题，你想对他们说些什么？
李飞飞：Andrew 和我都在医疗保健领域工作了很久。实际上，医疗保健中有大量的 AI 应用，从非常上游的药物发现开始，我们可以做很多事情。
主持人：我想说的是生成式 AI
李飞飞：这是一个信息过载的词。今天，每种 AI 都被称为生成式 AI。在 Andrew 和我的早期研究中，我们有非常具体的数学定义来定义生成式 AI。但现在，我们……
吴恩达：我们之前管它叫机器学习，但机器学习……
李飞飞：我们还曾经区分生成式 AI 和判别式 AI。如今，这种数学严谨性已经消失了。
吴恩达：是的，我觉得大众媒体已经接管了技术术语。技术界也只是跟着适应。
李飞飞：确实如此。所以，当你说生成式 AI 时，我假设你指的是那种大数据驱动的有预训练阶段的模型。有些人可能会将 transformer 和预测模型纳入其中，但我不确定是不是总是这样。但无论如何，我认为如果真的存在准确性问题，我们应该检查几个方面，比如这是模型的问题，还是数据质量的问题？是因为把 AI 引入流程才有了这个问题吗？导致结果不准确的商业问题有很多。你要弄清楚这些问题，并尝试解决它们。有时候，例如在某些医疗诊断和治疗层面，你确实需要认识到限制的存在，如果风险太高，我们不能过度推进。
吴恩达：我补充一点，虽然我们使用 “生成式” 这个术语。但 AI 往往用于分析。我的团队已经做了很多项目，比如使用这些大型语言模型来阅读电子健康记录，试图得出结论，而不是撰写文本。即使你在写文本，如果你小心使用总结软件，也能得到不错的结果。它可能还会有一些错误，我认为在医疗保健环境中，如果某个场景风险不那么高，还是有很多部署这些技术的机会的。
就诊断来说，如果你弄错了一些东西，那结果是很糟的。但我们部署了一个系统，目前仍在一家医院运行。该系统用于筛选患者、阅读电子健康记录，判断谁的死亡风险更高，并推荐他们考虑接受临终关怀。但我们无法信任系统做出的决定。所以我们把它送给医生，让医生复查我们展示的病例，并做出最终决定。
实际上，我新加坡的一个朋友正在使用新加坡国立大学的一个系统，查看病人的电子健康记录，尝试估计病人将在医院待多久。有时医生会认为这是个简单的病例，三天内就会出院，但 AI 说不，需要 5 天。这就引发了进一步的讨论。这就是新加坡正在发生的事情。医生说，「哦，也许我需要再仔细看看这个病人。也许我漏掉了 AI 发现的东西」所以，这些东西实际上正在部署。但根据系统的能力，我们通常可以设计安全措施，确保以负责任的方式部署 AI。
在医疗保健运营中，如果你使用 AI 来安排核磁共振机的试用，即使你犯了错误，导致核磁共振机使用效率降低，这虽然很糟，但也许并不像弄错关键诊断那么糟糕。所以实际上，AI 在医疗保健领域有很多部署机会，我认为几乎所有行业都是如此。
主持人：那么，我们接下来讨论基础模型。这个问题的灵感来自我在科技网站上读到的一篇文章。如果说 2023 年是 OpenAI 高光之年。那么，在基础模型的领导者中，2024 年的主角将是哪个公司？苹果会推出 Ajax 大模型吗？我们对 Gemini 的关注会多于 GPT 吗？
吴恩达：事实证明，每当出现一波技术创新时，媒体都喜欢谈论技术层面。所以媒体会关注 OpenAI、谷歌、AWS、微软、Meta、英伟达、AMD 等公司。这没什么问题。但事实证明，要让技术基础设施层成功，我们还需要成就另一个领域，那就是建立在这些技术提供商之上的应用层。坦白说，我们需要基于这些工具构建的应用来产生更多收入，以便它们能够为这些工具构建者买单。一篇很好的文章显示了 GPU 的资本投资。作为一个群体，我们需要创造一些应用，来填补这数百亿美元的空白，这是我们现在已经进行的资本投资，特别是在 GPU 方面。
所以，我不知道媒体会做什么，他们有自己的炒作周期。但我认为大量的实际工作，不仅仅存在于基础模型那里，而是在医疗保健、金融服务、教育、电子商务等所有这些领域，去识别和执行项目。