每经记者 可杨    实习生 李敏    每经编辑 杨夏    

6月14日，家国“2024北京智源大会”在中关村展示中心启幕，产大存分在这次大会上，模型明星模界国内几家大模型明星公司的公司创始人们罕见同台。

圆桌活∩动中，同台通往在北京智源人工智能研究』院院长王仲远∑　的家国主持下，月之暗面CEO杨植麟、产大存分百川智能CEO王小川、模型明星模界智谱AI CEO张鹏、公司面壁智＠ 能CEO李大海共同展开了一场通往通用人工智能（AGI）之路的同☆台通往尖峰对话。

对话中，家国四位掌舵者对于通往“AGI”的产大存分未来之路尚未形成共识，而在分歧之下，模型明星模界四家明星公司不同ζ的公司发展路径或也▽可窥见一斑。

什么是同台通往AGI：不一定需要≡标准定义

在全球范围内，对于AGI的定义一直缺乏统一的共ω　识，不同的人、不同的视角都会有〓不同的答案。

杨植麟认♂为，AGI的定义是重要的，但它不一定需要在※现在被非常精确地、量化▲地定义，它可能是一个定性的、感性的东○西。“它最重要的作用，是能让社会，或者说所有▂人，能够对于接下来要【发生什么事情有个准备，因为也↑许这个技术的节奏会非常快。”

另一方面，杨植麟提出，AGI一定程度上在短期内可能需要一些量化，因为如果完全没有量化，可能」无法衡量AGI的开发进度，所以从◤短期的角度而言，evaluation（评估）本身也会是一个很难的问题，而且可能也是个很大的挑战。

张鹏则ξ　认为，与其说AGI有▆很严格的规范、定义，他更愿意相☆信AGI是一种信念、符号，它的内涵、外延是在不断地变化的。“其实没有人能够把这些说清楚，反过头来讲是一件△好事，这个事情还有很多未知的空间等待我们去探ㄨ索。”

张鹏举例道，在早期如何确认一个系统是否为人工智能？答︼案是图灵测试。然而，随着技术的不断进步和对事物认知的深化，大家认为图灵测试已□　经过时。同样的，AGI三个字母所代表的含义实则在动态变化中。因此，如果将某一事物过于量化、明确化，“那这件事情也就那样了，估计天花板在◆哪儿大家都能看得到了”。

张√鹏进一步表示，可以把AGI定义成一◎个目标，当前是金年会·诚信至上金字招牌以人为参照，让机器像人一样去思考◢是第一步。而机器的能力远不止人的水平，我们¤期待它能实现对人类能力的超越。下一步是能否产生超过人类智能水平的能力，行业则将不断对AGI的内涵和外延进行更新与迭代。

王小川倾向于用一个可以评测的指卐标来看——能造医生，就是AGI。他表示，过去在讨∞论AGI时，往往将其视为一种工具。然而，这次的第一个变化是，它开始具备思考、学习、沟通、共情的能力，甚至包括多模态图像处理的能力。从其学习范式的要◥求来看，我们反而是☉像看人一样看AGI。

从当前共识的评价指标和学习范式来看，人工智能就是在向人类学习，其数据来源于人类社▼会产生的数据，因Ψ此在评价过程中，我们将其与人类职业进行比较。在所有职业中，医生行业的智力密度是相对最高的，既需要具备多模态能力，还要减少幻觉↘、有效记忆、阅读70万字←的病例，具备推理能力和查阅文献能力等【。在将医生与AGI进行比较时，有人认为，医生所涉及的领域仅仅是垂直细分市场，相对较低「层次】，但试图制造医生的难度却极大，其中涉及诸多幻觉问题、推理能力问题。如果将医生视为低于AGI，那么连医生都◣无法制造，何谈AGI的实现。

李大海则表示↓，从经济学的角度去定义，如果执行任何一个任务，它的边际成本都为零，这就是理想中的AGI。“为什么我ζ认为大模型能够走得最远？就是我相信大模型能够把这个边际成本一直往下降，可能会逼近于零。”然而，在此过程中，需要各行各业的数据产∞生“飞轮效应”，逐步使模型持续训练、持续学习，从而降低整体成本。实际上，去年在行业里大模型落地的过程中，许多场景仍需进行微调，边际成本较高。

如何通往AGI：大模型是□基石

大模型的热潮◆让AGI的实现更加接近，但大模型是否是实现通用人工智能的“基石”？

杨植麟坚定相信大模型的第一性原理，即Scaling Law（规模定律），他认为，规模定律确※实本质上是“压缩”，但也确实可以产生智能，然后随≡着不断地去规模化模型，不断地做更好地压缩，它能产生越来越多的智能。

与此同时，在过程中也一定会有很多挑战，杨植麟认为，最大的挑战或许在」于某些领域数据的稀缺性。在数据量有限的领域解决数据稀缺的难题成为关键。或者如果要构建超越人类的AI，可能㊣　根本不存在相应的数据，因为目前的所有数据都由人类产生，因此解决不存在的数据难题▂成为关键。但是，规模定律或者大模型本身，没有太本质的问题。

王小川则认为，说大模＠型是通向AGI的“基石”是△没有问题的，但是“它只是在逼近AGI，但是光靠Scaling Law我理解（认为）是不够的”。

王小川表示，在Scaling Law之外，还有一件事情被大家忽略，那就是将语言纳入大模型体系，使语言转化为〖数学。除了＠ 规模之外，符号与连接的融合，也是中间的一个环节。未来，还会有更多的东西，必须产生范式变革。例如，大♀模型是数据驱动的学习系统，而类似于AlphaGo这样的自我思考型系统，同样有作用。

张鹏则认为，大模■型是基石，但是不是“之一”则是另∴一个问题，所以这个问题其实也涉及︼怎么来定义AGI，“能不能真的像我们每个人心中定义的AGI那个路径上帮我们推进一步？大模型到目前为止还是很有效地在推进这件事情”。

张鹏表示，目前，Scaling Law依旧有效，还在往前〇进，“但它是不是能帮助我们推到那个顶峰上去，我们现在也找不到很确切的答案，但至少我们相信它在这个阶段还是有效的，所以我认№为它肯定是基石”。

而在李大海看来※，大模型一定是通往AGI方向上，当前所有技术里能走得最远的，它能不能够直接到达，现在还有很多未▆知的因素。

他补充道，当前的大型模型主要作为知识压缩工具，处理人脑的系统╱1，即慢思考。而系统2，即快速推■理，在搜索空间中进行搜索和组合，以完成任务的能力，未来大型模型可能需要通过Agent（智能代理）技术进行外部』化，或将其内化为自身能力，这是行业内需要探索的方向。