在经历寒冬、雾霾，甚至大家纷纷看不到希望之际，ChatGPT 犹如一场春雨，给做 AI 甚至 NLP 等研究的人带来了新的希望。
3 月 11 日，由中国人工智能学会主办，中国人工智能学会 NLP 专委会、真格基金、达观数据共同承办，中国信通院云大所支持的「ChatGPT 及大模型专题研讨会」正式举行。在圆桌对话环节，来自学术界、产业界及投资界的知名专家学者，就 ChatGPT 引发的新 AI 浪潮、大模型“基础模型”论、“国产类 ChatGPT ”所存在的差距与挑战展开高端对话。这些专家有：
中国人工智能学会副监事长、清华大学教授马少平
澜舟科技创始人兼 CEO、CCF 中国计算机协会副理事长周明
中科院自动化所研究员、IEEE/ACL Fellow 宗成庆
真格基金管理合伙人戴雨森
华为人工智能科学家、北京邮电大学博士杨浩
中国信通院云计算与大数据研究所人工智能部副主任曹峰(担任主持人)
ChatGPT 的火爆给 AI 带来了新希望
主持人(曹峰)：ChatGPT 引发火爆关注的原因是什么?引发继 AlphaGo 以后又一轮人工智能的浪潮，究竟有着什么样的价值和意义?
马少平：ChatGPT 能取得成功，个人觉得与这三方面有关系：
第一是意图理解能力，简言之就是对问题理解的突破;
第二是语言生成能力;
第三是多轮对话的管理能力;
从 AlphaGo 可以看到 AI 在专用任务上能做得很好，而现在大模型在相对通用的任务，也表现出色，这可能是引起大家特别关注的原因。
周明：在过去几年，AI 越来越走向寒冬，去年，国内在 AI 领域的投资基本约等于 0，就在大家觉得满眼雾霾时，ChatGPT 给人们带来了希望的光芒，照亮了前进的道路。ChatGPT 的爆火给做 NLP 的人带来了不少信心，说明沿着这条路是肯定有机会能走出来的。
在一次哈工大的鉴定会上，我曾表示：“自然语言是人工智能皇冠上的一颗明珠”。彼时，在场的专家学者觉得这句话对 NLP 在 AI 领域的地位总结的非常精准。所以说，这句话并非出自比尔·盖茨，但比尔·盖茨说完后，我们再出去讲的时候，就起点作用了。
宗成庆：我认为 ChatGPT 引人关注的原因有两方面，一是生活角度，如今人手一部或多部手机，大家都喜欢从网上看一些新鲜的东西;其次是从自然语言处理的角度来看，人们在体验 ChatGPT 的过程中，发现该对话系统生成的句子非常像人话，对比以往的对话系统，ChatGPT 生成的内容的确非常好，效果甚至惊人，而且应用领域也非常广，不管从什么样的领域，包括教育界、法律界、学术界，真正需要的信息咨询都会受到影响，影响的社会面非常大。另外，ChatGPT 对用户的意图理解非常准确，几乎能够准确地把握用户想问的绝大多数问题。
戴雨森：我觉得主要分为三点：
第一，体验门槛特别低，普适性强。以前自动驾驶、AlphaGo，如果不下围棋、不做自动驾驶，人们很难体会到那种神奇。但 ChatGPT，只要是你能说话，就能亲身体会，而且可以应用在很多领域，不只是文本续写或者吟诗作对，具有很强的普适性;
第二，传播性。可以通过简单的聊天截图传播，大量的截图满天飞，让大家发现它有很多神奇的能力;
第三，它给人的想象空间特别大。因为语言是人类思维的一个载体，甚至是思维本身的体现。大家看到 ChatGPT 后会思考，它对自己行业、工作的影响以及如何提效，这种想象力的空间是非常大的。但每个人看到 ChatGPT 都会产生脑洞，这种脑洞会传播、会交流，所以带来更多关注。
杨浩：我这里补充说明一点，ChatGPT 把 AI 对 toB 的链接转换成了 toC 端，人人皆可体验，并且给大家带来很多信心;第二点是很多人工反馈的数据进入系统，会使这个系统更好的演进，所以这个应用场景是更有意义的。比如我们最近在一些 ICT 的场景，网络设备运维日志时，以前假如这个问题不在我的答案里，回答得看上去傻傻地完全不沾边;但是现在发现它的整体意图没什么问题，就可能要补一些领域数据，这提升了普通用户对人工智能的连接，AI 天花板直接拔高了一大截。
多种工作或被 ChatGPT 替代
但也无需神话它
主持人(曹峰)：我们看到 ChatGPT 没有太多行业特色或者行业应用趋势，大家能否为我们看看未来在 ChatGPT 以及大模型的驱动下，哪些行业是最有可能得到广泛使用或者可能被颠覆的?
周明：我们公司目前正在做大模型，叫“孟子大模型”，然后我们两条腿走路，左腿是自己真要训练出大模型，右腿是我不管从哪儿拿个大模型，网上扒下来的，或者买的 API 也行，怎么把大模型用好。当然，最后是希望用自己的大模型，自己的大模型用起来之前，最好两条腿分离一点，不要互相绊住了。
训练大模型需要智慧，用大模型也需要智慧，而这两个智慧不一定完全一样。用大模型的人是站在用户角度、行业角度，反过来对大模型提出要求。有时候，大模型的人不停地吹捧大模型必须要大才有效果，但那样是有代价的，大模型也意味着需要太多的服务器。而用户的需求可能并不需要这样的大模型，可能会需要小一点或者弱一点的模型。
首先，如何做好垂直领域的模型，把模型的体积降下来，无需追捧 ChatGPT 这样全智能的能力，在各行各业都有很好的应用。比如金融，金融是非常讲究降本增效的行业，从客服、营销、文案合同审核、智能投研、智能投顾、搜索图谱，所有的东西会认为都要用到大模型，那么一个金融机构最好有一个适合于自己各个业务场景的大模型，这个大模型不一定是 175B 的，有可能是 10B 的甚至 1B 的，但是要针对人家的数据和业务场景，用很容易的接入方式，各个业务部门容易接入到这个大模型中，然后快速提供答案和反馈，再不停地迭代，可能3、5天或1、2个月新的数据来了，再迭代。
第二，ChatGPT 讲究数据自我封闭，2021 年以后的数据就没有了，而这也不适用于金融行业，金融行业需要实时，需要一个可以动态访问金融数据库的接口，动态访问各种营销活动，然后给用户进行快速推荐等。在落地时，需要把大模型跟所有的业务场景全部打开，及时、快速、安全，如果这件事情能够做好的话，金融行业有很多客户可以展开使用。
其它行业也同样的道理，因为它都要对很多的认知智能、自然语言处理理解、问题求解、数据库访问、动态跟踪、客户推荐，其实都有很多同样的内容要求的。所以可以把同样的技术推广开来，来形成对整个业界的影响力。
宗成庆：哪个行业会首先受到冲击，其实这个问题不太好具体回答，因为它可以用到任何一个领域、任何一个行业，都可能会受到冲击。其实最容易被冲击的，是 NLP 研究的人，ChatGPT 一出来，有很多人问我：ChatGPT 做得这么好，你们做 NLP 研究还有什么用?我自己当然不担心失业，一方面 ChatGPT 还没有好到没有问题可研究的地步;另一方面，任何中低端的重复性强的工作被 AI 技术替代，这是不可逆转的趋势。
戴雨森：我有一些小总结：
第一，它是“超级缝合怪”。我们所从事的工作中，有 95% 以上可能都是在做“缝合怪”的事情，比如设计师干的很多事情是把已有的东西缝合在一起，程序员是把已经写过的代码组件缝合在一起，作家是把已经有的很多语料缝合在一起。当生成式模型变得很强大时，未来大家更在意原创东西的价值，要真正原创出 AI 里没有的东西，因为语言模型、扩散模型可以瞬间把全人类已经有的东西缝合在一起，所以第一个问题是“超级缝合怪”的出现导致原创思维特别重要。
第二个，它是超级界面。以前人要适应机器，我们去操作电脑、PC、手机，人类要服从计算机的范式，键盘、鼠标或者触摸屏。但是人最核心的交互其实是语言，每个人都会用语言交流，但是之前跟 Siri 等无法实现真正的自然语言交流，因为卡在语义理解、多轮对话等很多地方，但 ChatGPT 出现后，让我们看到人和机器能够真正交流，不用人更多服从于机器的范式，而是机器更多服从于人的范式。
第三个，超级陪伴。我们在生活中对别人的价值很多时候体现在语言上，现在有陪玩、陪聊，甚至我们从没见过的一个人。最近两年，“元宇宙”的概念很火，但后来发现元宇宙没有意思，因为元宇宙里面没有人，元宇宙是荒芜的。之前大家觉得 Meta human 可能是长得像人，但是实际上最重要的是它要能够像人一样去沟通。所以有人看到 ChatGPT 的聊天记录以后被震惊了，因为在这个过程中看到机器越来越像人，或者越来越难以被区分，这是图灵测试的意义。
在游戏、社交或者针对老年人和小孩的陪护里，人所起到的陪伴性价值演的陪护是能够被替代或者部分被替代，这是之前技术没有实现的目标，现在我们看到了可能的趋势。当然，可能这个脑洞比较大，但是从投资机构的角度来讲，至少 ChatGPT 让我们从以前的不可能，到现在的可能。
杨浩：我觉得接下来被替代的一个肯定是干重复工作的。但是从正面角度来看，只要不停学新的东西，并且尝试做“dirty work”，我们都是看到好的，你找到几个 ChatGPT 不好的 case 了吗?你发现它的不好了吗?它不好在哪个地方?可能的原因是什么?你真的去尝试一下。
现在国内确实有个瓶颈，ChatGPT 带来的算力的瓶颈非常高，真正有能力复现这个模型的人、真正去看问题的人，其实难度很大。那么如何找周围的资源，产学研一起合作，去搭建环境，去分析里面的不好案例是一个很大的突破点。而不是别人说好，你也说好，那你就被淘汰了。别人说好，你找到不好，然后分析这个不好，那就取得更大的突破了。
马少平：对于这个问题，因为我一直在学校，所以相对来说对应用了解得比较少。我想从一个原则来说，就是人工智能的应用原则，我想这个应该是一样的原则：
第一，它万一出现什么大的错误，对我这个系统不会带来什么伤害，刚开始 ChatGPT 出来的时候，人家问我有什么应用，我第一个想到的就是陪老人聊天，聊错了也没关系，哪个电影的主演说错了也关系不大，或者跟游戏有关的，错了也没什么事。
第二个，它作为辅助可以提供一些决策或者几个方案，最终的决策者还是靠使用者自己。我当时举的例子是就像输入法，输入法输入一串拼音，它给你若干个选择，最终是哪个字，由你自己选择，这样的输入法才能用。如果输入法把这句话自动输入进去，没有给你选择权，这个输入法用不了。所以它只是辅助，然后最终决策是靠人在决策。
第三个，具体应用中允许一定的误差，但是这个误差的多少由你自己定，是千分之一还是万分之一，只要在你的原则之内就可以。比如过去出版业精品的水平也就万分之一的错误，包括生产线上产品检测，只要能满足错误率就可以。
具体应用时，第一，满足不满足这些原则，第二，不满足的话，是否有办法或者利用其他知识使其满足。