“AGI正处在一个巨大的研发范式革命的起点。”
整理 | 周梦婕
编辑 | 小白
出品｜极新
2023年11月28日，极新AIGC行业峰会在北京东升国际科学院拉开帷幕，峰会上午的圆桌环节由凡卓资本合伙人王梦菲主持，深势科技战略副总裁何雯、Zilliz合伙人郭人通、格灵深瞳副总裁周瑞作为嘉宾出席，共同探索中国AGI的迭代之路。
在圆桌上，我们了解到三家创业落地企业的主营方向与卓越成就。三位嘉宾从他们的产业和实践出发，为我们解答了AGI企业如何实现产业落地？AGI的发展趋势是什么？全球化视野下，中国又AGI产业落地面对哪些瓶颈？怎样利用好中国的产业优势去完成 AGI 的迭代？
极新希望，从此次对话中与三个落地企业进行创新碰撞，为行业带来更多思考和方向。以下是嘉宾发言原文，极新整理，大致分为4个模块：
①“逐渐找到业务方向和落地场景，积极地探索新的领域和技术。”
②“AGI正处在一个巨大的研发范式革命的起点。”
③“整个生态圈还没有做好准备用一个新的范式完成场景的转换和开发。”
④“AGI实现迭代，需要创业者努力，需要产业推动，需要整个生态圈团结一心。”
01
缓缓落地，积极创新
“我们逐渐找到了自己的业务方向和落地场景，积极地想要在新的领域和技术方向上找到一些突破。”
王梦菲：在座的有人与我们业务合作过，可能也比较熟悉了，但也有一些新朋友。那我们先花一些时间，请三位嘉宾做一下简单的自我介绍，也帮我们介绍一下所在的公司。
何雯：深势科技致力于将人工智能技术应用于科学研究（AI for science），涉及制药、锂电池、化工、合金催化、气象等众多领域。
我们为科学研究和工业研发提供关键基础设施，打造了包括模型、算法、底层算力调度等一系列基础能力。深势团队也是全球最早提出“AI for science”概念的，目前我们在全球处于技术领先地位。
除了提供基础设施服务，我们也专注于特定行业的实际应用，系统性服务了制药、电池等几个领域，已经在这些领域为超过100个客户成功实施解决方案。我们的愿景是通过构建强大的AI基础设施，推动工业发展借助人工智能创造新的技术革命
周瑞：我们是一个已经成立了很长时间的人工智能公司。过去十年，我们一直在做计算机视觉相关的应用落地和算法研发。期间，我们逐渐找到了自己的业务方向和落地场景，去年上市之后，便积极地想要在新的领域和技术方向上找到一些突破。
如今我们的重点在金融以及人机交互的互动娱乐、体育健康等这些领域。我个人在公司主要也是在负责整个基础研发的工作，尤其是与算法落地和交付有关的事。
郭人通：Zilliz 主要是做向量数据库，做这个方向大概有五六年的时间了，算是全球最早探索这个领域的团队。早期向量数据库主要应用在搜广推、非结构化数据搜索这样的传统方向，今年 Agent 比较火，也带火了向量数据库。大模型方向的应用主要是通过向量数据库建立知识库，以 RAG 的方式增强 LLM 的能力。
我们团队最早是做开源的向量数据库项目 Milvus，到现在发展了有五年左右的时间，现在 Milvus 是全球最受欢迎的开源向量数据库项目，有超过 5000 个来自各个领域的业界用户和我们一起打磨，Github Stars 23000+。今年上半年，我们向量数据库开始实现商业化，目前服务在北美的AWS、GCP、Azure，以及国内的阿里云等都有覆盖。
接下来，我们期望能够加速国内的 AI 领域应用落地，和各位合作伙伴一起发力，共同实践推进探索。
02
我们站在起点
“在科学和工业领域，我们正处在一场巨大的研发范式革命的起点。”
王梦菲：自从 ChatGPT 问世以来，AI 已经达到了全民关注的程度，尤其这段时候每几天就会有一个新的发布会，每几天就会有一个新的技术问世，请问 AGI 是否已经接近实现？还是说还在遥远的未来？我们想先听三位从自己的角度和产业出发，结合您的观察，分享一下AGI 的趋势。
何雯：在科学和工业领域，我认为更合适的定义是，我们正处在一个研发范式革命的起点。相对于GPT，AGI在science领域的发展会晚3年左右。AGI的关键进展发生在2020年，当时深势科技发布了DeePMD，该算法显著提升了分子模拟的体系，从仅能模拟200至300个原子的相互作用，扩展至过亿级别原子的分子模拟，为特定工业场景提供了支持。
这一进步为何被视为研究领域的一次重大变革？传统上，工业研发，如药物和材料研究，高度依赖于持续的实验和试错。例如在锂电池领域，过去在数十万次实验中仅筛选出十几种合适的配方。而现在，借助人工智能，我们能够在计算机中进行模拟和虚拟筛选，极大地加快了探索速度并提升研发效率。AI的介入无疑革新了传统研发模式，带来了巨大的价值。
然而，这仅仅是一个开始。目前AI的算力等技术限制让我们尚未能穷尽所有可能性。但如果AGI得以充分发展，理论上整个物理世界都将能够在计算机中得到完整模拟。目前，我们必须持续的进化算法和硬件，以拓展研究的广度和深度，前路漫长，仍需不懈努力。
周瑞：现在AGI 到底要做什么事，业界还是存在比较大的分歧的。一方面像OpenAI 这样的大模型供应商非常希望完成平台化。真正的 AGI 有没有能力去提供一个底座？我感觉尚存阻力。
另外一方面，像我们公司，使用更新的技术解决一些原来不太好解决的问题，这个方面的反馈整体是偏正向的，过去不太好解决的问题现在已经被解决或者正在被解决的路上。我们要一分为二的看问题，理想化的 AGI 或者 AI 究竟在追求什么，这是一个很大的命题。另一边就是如何使用现在的 AGI 技术去在行业和应用中落地，我们在实践上已经能够看到一些成果。
郭人通：我觉得现在离 AGI 还有一段距离，包括 GPT-4 以及最近的一些发布，在真正的落地上，我们观察到的效果并不是特别理想。重点落地的主要是这么几部分：与大模型内容生成能力直接相关的，比如图片内容生成、文本内容生成；通过向量数据库 + LLM 构建知识库替代传统搜索；还有软件工作领域也比较有前景，通过AI 大模型减少程序员的体力活，提高软件工程质量以及生产效率。但这些和 AGI 都离得比较远。学术界的工作也一直在关注，整体感觉还都比较偏原型探索阶段。
前些天看的一篇 MIT 和 Standford 发表的论文讲的不错，和 Yann LeCun 的观点比较接近。文章把 AGI 分成核心逻辑模型和语言能力两部分。核心逻辑模型包括对于世界的理解、分析推理。语言能力主要是核心逻辑模型的对外表达与信息交换。现在大模型主要解决了语言能力这个方面。
所以就算是现在这个阶段，领域模型这一块的价值非常关键。在很多探索场景中，除了 Fancy 之外，如果脱离一个具有高价值的领域模型，只是关注大模型这个壳，最终是很难产生业务价值的。
03
算力、人才与产业链
“整个生态圈还没有做好准备用一个新的范式完成场景的转换和开发。”
王梦菲：技术的迭代往往是一部分比大家想得要快，一部分比大家想得要慢，有一些天方夜谭已经成为了现实，但当大家插上了想象的翅膀，认为很多事情能在很短的时间内去实现，又往往就是一墙之隔，差之千里。所以接下来我们谈一个比较现实的话题，全球化视野下，AGI迭代之路的巨大的瓶颈摆到底是什么？
何雯：当前，计算能力的革新依然是科学研究领域的一大限制因素，科研所需的计算资源消耗巨大。我们在不断优化算法，以便使AI能更加精准的符合物理世界的规律。
在硬件层面，我们也取得了显著的进步，我们正在开发针对分子模拟的定制芯片，采用非冯诺伊曼架构提升计算效率，使得现有计算效率再提升两到三个数量级。这不仅使得我们能够处理更大规模的原子系统，还能模拟更长时间内的动态行为。
周瑞：所谓 iPhone 时刻迟迟没有到来，是因为整个生态圈还没有做好准备用一个新的范式完成场景的转换和开发，把模型训出来的人不太懂做应用，会做应用的人又不太懂模型。
所以下一步首先要解决的瓶颈是 AI 的可解释性和算力的性价比提升，能够让更多的人进到这个生态圈里来。一方面降低算法公司普及算法的门槛，另一方面提升开发者使用这些能力的基础设施水平。
郭人通：我们观察到一个主要的瓶颈是在业务模型构建，最早大模型出来的时候，大家觉得它无所不能，但是逐渐落地下来，大家觉得缺乏垂直领域真正有落地价值的场景，本质上来说就是大模型没有真正地和业务模型融合到一起发力。
国内很多做项目团队，可能更聚焦在模型本身能力的开发。但真要落地创造产业价值，还是要看业务模型是不是真的构建好了，业务创造多少的价值，和投入是否成正比。
04
期待弯道超车
“这一方面需要创业者努力，一方面需要产业推动，更需要整个生态圈大家团结一心。”
王梦菲：今天主题还是聚焦在整个中国的，谈到人工智能，在今天这样的宏观环境下，大家必须要认知到我们中国还是一个追赶者。在算力、技术上，我们还是被欧美卡脖子。作为中国的创新创业者来，您认为我们要怎么样解决技术上卡脖子的问题？
何雯：实际上在“AI for Science”领域，中国在全球处在相对领先的地位。国内的技术和科研实力一直在世界第一梯队，同时得益于国情，中国产业应用的步伐较国际同行更迅速。
就算法和基础设施而言，中国竞争力非常强。然而，在应用场景及人才储备方面，中国还是存在显著差距。例如我们所涉足的制药领域，中国的新药研发产业发展整体滞后。首先，国内真正做创新药物研发的企业数量有限，研发投入和能力不足；其次，整个行业急缺计算领域的专业人才，这使得即便拥有先进的算法和工具，产业实际落地的难度仍然较大。
总体来看，国内的工业研发领域尚有较长的路要走。但在更为先进的工具发展的支持下，我们非常有希望加速中国的工业研发进程，逐步缩小与国际水平的差距，实现弯道超车。
周瑞：我们长期秉持的一个策略就是尽可能地把自己的体系国产化。从研发的角度讲，尤其是在图像时代，我们中国不论是高校还是公司做的都很不错，有时候甚至不比美国差多少。
现在NLP取得巨大的进展，国内在过去的两年走了一些弯路，但我觉得往上追赶并不难。我个人对于人才和算法这两方面是比较有信心的。整个生态圈要抱团解决中国的算力和基础工业设施的发展问题，就是要大家一起去合作重建生态。如果英伟达生态仍然是主流的生态，其实所有事情都很难开展，中国需要一个自己的生态。
郭人通：我们也有很多的辛酸，我挺认同周总讲的技术工程问题都好解决。但我们自己做的话，国内外市场还是有很大的差距的，国内市场成熟度还是差一些。
国内的市场和北美最大的差异就是国内大量的项目落地基本上都是端到端的，但北美则讲究专业性，专业团队聚焦做专业的事儿这一块。国内做大模型的厂商，一边要去做大模型的核心技术追赶OpenAI，同时要有大量的人员去做落地的工程，但是OpenAI 没有这样的一些问题。这也是我们遇到的一些痛点。
王梦菲：期待产业更加成熟之后，大家能有更好的专业化分工，能让技术人专心去做底层技术，然后有其他人去做落地。当然这一方面需要创业者努力，一方面需要产业推动，更需要整个生态圈大家团结一心。期待中国AGI弯道超车！