機(jī)器之心原創(chuàng)

(相關(guān)資料圖)

今年年初，楊植麟手機(jī)里來(lái)自投資人的微信好友驗(yàn)證請(qǐng)求開(kāi)始爆發(fā)。急迫尋找人工智能標(biāo)的的眾多投資人聽(tīng)聞了一個(gè)消息——楊植麟，開(kāi)始大模型創(chuàng)業(yè)了。

在GPT創(chuàng)業(yè)群星中，擁有清華系背景以及廣泛學(xué)術(shù)影響力的楊植麟無(wú)疑是耀眼的一顆，擁有漂亮且合適的履歷：2015年從清華計(jì)算機(jī)系畢業(yè)后，楊植麟前往美國(guó)卡內(nèi)基梅隆大學(xué)攻讀博士，師從蘋果AI研究負(fù)責(zé)人Ruslan Salakhutdinov 和谷歌首席科學(xué)家 William Cohen，常規(guī)六年的博士之路被縮短至四年完成。

博士期間，先后以一作身份，發(fā)表 Transformer-XL 和 XLNet兩項(xiàng)工作，谷歌學(xué)術(shù)被引次數(shù)近兩萬(wàn)。Transformer-XL成為首個(gè)全面超越 RNN 的注意力語(yǔ)言模型，論文成為NeurIPS 2019與ACL 2019的最高引論文之一；XLNet則在20項(xiàng)任務(wù)上超越谷歌BERT模型，一鳴驚人。

楊植麟從2020年開(kāi)始確定“大模型是未來(lái)”這個(gè)觀點(diǎn)。當(dāng)時(shí)，OpenAI推出GPT3。這個(gè)擁有超過(guò)1750億個(gè)參數(shù)的模型，在當(dāng)時(shí)成為人類歷史上最大的神經(jīng)網(wǎng)絡(luò)模型。斯坦福大學(xué)的研究認(rèn)為它已經(jīng)擁有大約7歲兒童的心智水平。

而這更重要的意義在于，GPT3的出現(xiàn)，讓AI的第一性原理逐漸清晰——“足夠多的證據(jù)證明，只要下一個(gè)token預(yù)測(cè)越來(lái)越準(zhǔn)確，就會(huì)有更多的智能產(chǎn)生。”

“第一性原理”源自古希臘哲學(xué)家亞里士多德的觀點(diǎn)，指的是用來(lái)回歸事物基本條件，將其拆分成各要素解構(gòu)分析，最終得出實(shí)現(xiàn)目標(biāo)的最優(yōu)路徑。

在這一年之前，楊植麟的論文Transformer-XL曾一度被ICLR 2019拒絕，理由是評(píng)審不認(rèn)為大語(yǔ)言模型的提升在實(shí)際場(chǎng)景會(huì)有更多的價(jià)值。

共識(shí)的形成需要花費(fèi)大量的時(shí)間。

回到中國(guó)，2020年之后，堅(jiān)信自己已經(jīng)看到AI的第一性原理的楊植麟，開(kāi)始希望在做嘗試。但此地距離風(fēng)投機(jī)構(gòu)向大模型頻繁開(kāi)槍，高端人才向大模型公司聚集的場(chǎng)景，還有三年時(shí)間。

楊植麟選擇了一個(gè)折中的方案——尋找合作，自己團(tuán)隊(duì)提供技術(shù)，對(duì)方提供算力資源。但這條路可能要比想象地難走。在一個(gè)非共識(shí)的環(huán)境下，他發(fā)現(xiàn)需要重投入的大模型事業(yè)運(yùn)行效率很低，十分坎坷。這一點(diǎn)對(duì)大廠、對(duì)研究院、對(duì)創(chuàng)業(yè)公司都是一個(gè)很大的挑戰(zhàn)。

轉(zhuǎn)機(jī)直到去年年底ChatGPT的爆發(fā)才開(kāi)始出現(xiàn)，太平洋的兩岸在很短的時(shí)間里相繼被點(diǎn)燃。在內(nèi)心回答“此地此時(shí)究竟有沒(méi)有機(jī)會(huì)”這個(gè)問(wèn)題前，楊植麟去海外考察了兩個(gè)月，彼岸的“瘋狂”讓他堅(jiān)信：很快，在亞洲做一個(gè)大模型公司，有機(jī)會(huì)了。

楊植麟終于開(kāi)始單獨(dú)創(chuàng)業(yè)了，一切進(jìn)展地很快。機(jī)器之心得到的最新消息顯示，楊植麟成立的大模型公司Moonshot AI已經(jīng)組建了超過(guò)40人的團(tuán)隊(duì)，即將完成第二輪融資，累計(jì)融資金額有望超過(guò)2億美元。在機(jī)器之心的專訪中，楊植麟首次向外界披露了Moonshot AI的工作目標(biāo)和未來(lái)愿景。

時(shí)隔多年，道路上的冰山開(kāi)始瓦解，布道多年的“天才AI科學(xué)家”終于迎來(lái)了他的magic moment。

時(shí)機(jī)到來(lái)

機(jī)器之心：公司名為什么是“Moonshot”？

楊植麟：我們今年3月1日正式成立，正好是Pink Floyd專輯Dark Side of the Moon發(fā)行50周年。月之暗面意味著神秘，令人好奇和向往，但登月又是一件難度很大很有挑戰(zhàn)的事情，這是我們名字的來(lái)源。

同時(shí)我認(rèn)為搖滾精神也是我們公司一個(gè)很重要的底色。我一直覺(jué)得搞研究是歌劇，陽(yáng)春白雪，很高大上，很純粹，但不太好規(guī)模化，而技術(shù)創(chuàng)業(yè)是搖滾，從零到一，從最小的狀態(tài)開(kāi)始做起，不斷革新自我，不給自己設(shè)置邊界，最終做出很好的音樂(lè)改變世界，給一代人帶來(lái)能量。

機(jī)器之心：目前公司最新情況是怎樣的？

楊植麟：我從去年年底開(kāi)始基本明確要單獨(dú)做一個(gè)大模型公司。

目前Moonshot AI已經(jīng)完成首輪融資，公司技術(shù)團(tuán)隊(duì)已有數(shù)十人規(guī)模，擁有2位聯(lián)合創(chuàng)始人，公司在中國(guó)和海外各設(shè)立了一個(gè)辦公點(diǎn)。我們預(yù)期，Moonshot AI的團(tuán)隊(duì)將持續(xù)補(bǔ)充技術(shù)、產(chǎn)品、運(yùn)營(yíng)等方面的人才。

我們的當(dāng)前的工作重點(diǎn)是研發(fā)下一代跨模態(tài)大模型。我們即將完成的第二輪融資將用于以保證有足夠的資金進(jìn)行GPT-4以及下一代模型的研發(fā)。

機(jī)器之心：能否詳細(xì)介紹一下你們目前的團(tuán)隊(duì)？

楊植麟：目前我們整個(gè)團(tuán)隊(duì)人數(shù)超過(guò)了四十人，絕大部分是擁有世界級(jí)影響力工作的大模型專家。

兩位聯(lián)合創(chuàng)始人，周昕宇和吳育昕，也都是清華背景，五位數(shù)的Google Scholar引用，在大模型方面有非常豐富的工程和算法經(jīng)驗(yàn)。

我們半數(shù)以上的成員擁有海外經(jīng)歷，從海外吸收了先進(jìn)的人才和認(rèn)知，團(tuán)隊(duì)核心成員也參與了Google Gemini、Bard、盤古、悟道等多個(gè)大模型的開(kāi)發(fā)。

整體團(tuán)隊(duì)包括了NLP, CV, RL, Infra方面新生代人才，有很多有世界影響力的工作都是我們團(tuán)隊(duì)成員主導(dǎo)的：

在大模型方向，我們的團(tuán)隊(duì)成員發(fā)明了RoPE相對(duì)位置編碼，是Meta LLaMa和Google PALM等大多數(shù)主流模型的重要組成部分；我們發(fā)明了group normalization，是Stable Diffusion等AI模型成功的關(guān)鍵組件；同時(shí)，我的工作Transformer-XL，是歷史上第一個(gè)在詞級(jí)別和字級(jí)別都全面超越RNN的注意力語(yǔ)言模型，解決了語(yǔ)言建模上下文長(zhǎng)度的關(guān)鍵問(wèn)題，定義了語(yǔ)言建模的新標(biāo)準(zhǔn)；我們?cè)cDeepMind和CMU合作研究，首次實(shí)現(xiàn)小樣本性能逼近全監(jiān)督學(xué)習(xí)的高效對(duì)齊方法。

在視覺(jué)領(lǐng)域，我們團(tuán)隊(duì)成員包括發(fā)明了MoCo，引爆了基于對(duì)比學(xué)習(xí)的視覺(jué)預(yù)訓(xùn)練范式，也是過(guò)去三年CVPR引用量最高的工作；發(fā)明了ShuffleNet，最高效的視覺(jué)網(wǎng)絡(luò)結(jié)構(gòu)之一；主導(dǎo)開(kāi)發(fā)了detectron2，一個(gè)被廣泛使用的視覺(jué)開(kāi)源項(xiàng)目并被集成到Meta全線VR/AR產(chǎn)品中。

在基礎(chǔ)設(shè)施方面，團(tuán)隊(duì)核心成員曾帶領(lǐng)數(shù)十人從零開(kāi)發(fā)世界領(lǐng)先的深度學(xué)習(xí)框架，也具備數(shù)千卡集群全自動(dòng)化硬件運(yùn)維告警、數(shù)百億特征檢索、大規(guī)模（數(shù)十PB數(shù)據(jù)、百萬(wàn)臺(tái)機(jī)器）分布式系統(tǒng)數(shù)量級(jí)性能優(yōu)化的經(jīng)驗(yàn)。

在強(qiáng)化學(xué)習(xí)方面，團(tuán)隊(duì)成員作為一作提出了基于關(guān)系學(xué)習(xí)的少樣本方法，得到斯坦福大學(xué)、Google、MIT、Amazon等團(tuán)隊(duì)的使用和擴(kuò)展，并獲得過(guò)OpenAI RL聯(lián)創(chuàng)及負(fù)責(zé)人John Schulman親自邀請(qǐng)加盟。

機(jī)器之心：下定決心創(chuàng)業(yè)的時(shí)機(jī)是什么？

楊植麟：本質(zhì)上我認(rèn)為，今年以前，亞洲可能并不存在做大模型公司的機(jī)會(huì)。

如果更早之前開(kāi)始做的話，在資本和人才方面很難說(shuō)有足夠的資源去支持。

不過(guò)，去年年底，我的判斷開(kāi)始發(fā)生很大變化。當(dāng)時(shí)，GPT已經(jīng)在美國(guó)市場(chǎng)引起了很大的關(guān)注，一般來(lái)說(shuō)美國(guó)以外的市場(chǎng)會(huì)有一點(diǎn)時(shí)間差，但是肯定會(huì)跟上。果不其然，到了第二年春節(jié)，美國(guó)以外的市場(chǎng)也開(kāi)始爆發(fā)，幾乎所有VC開(kāi)始關(guān)注（這個(gè)賽道）。所以我們發(fā)現(xiàn)，果然是有機(jī)會(huì)的。

機(jī)器之心：我們知道那個(gè)時(shí)候你去海外考察了兩個(gè)月，你給自己的任務(wù)是什么？

楊植麟：對(duì)，我是在去年12月份去的海外。當(dāng)時(shí)我給自己的任務(wù)是，一是盡可能多的提升認(rèn)知，二是為后續(xù)的招聘儲(chǔ)備一部分人才。

當(dāng)時(shí)在國(guó)外，我覺(jué)得情況可能比我想的還要瘋狂。除了在推特在討論，無(wú)論是不是技術(shù)人員，餐廳、咖啡館你處處都能聽(tīng)到人們?cè)谟懻揋PT。當(dāng)時(shí)可能是美國(guó)最狂熱的時(shí)候，有點(diǎn)類似處于Gartner Hype Cycle（技術(shù)成熟度曲線）的上升階段，公眾對(duì)這項(xiàng)技術(shù)的預(yù)期非常高，似乎一夜之間大家覺(jué)得通用人工智能已經(jīng)可以實(shí)現(xiàn)了的感覺(jué)。這是遠(yuǎn)遠(yuǎn)超出我預(yù)期的部分。

整體上這趟行程是比較順利的，這一趟應(yīng)該說(shuō)堅(jiān)定了我們認(rèn)為現(xiàn)在是個(gè)合適時(shí)機(jī)的信念。

所以我們加速了融資和招人的節(jié)奏。我們?cè)谝粋€(gè)月之內(nèi)敲定了首輪融資，拿到了來(lái)自紅杉等頭部機(jī)構(gòu)6000萬(wàn)美元的啟動(dòng)資金。并且在三個(gè)月內(nèi)組建起了大約四十人的極高人才密度的技術(shù)研發(fā)團(tuán)隊(duì)，雖然在海外招聘的難度比較大，也成功招募到了一些核心研發(fā)人才，在海外設(shè)立了一個(gè)辦公點(diǎn)。目前我們也即將完成第二輪融資。

機(jī)器之心：在這之前的幾年，你怎么做大模型的工作？

楊植麟：我們選擇了一種折中的方式去做這件事，找一些合作方，我們提供技術(shù)，他們提供算力。我認(rèn)為這種形式可能是當(dāng)時(shí)的最佳選擇。因?yàn)樵谀莻€(gè)時(shí)期，單獨(dú)成立一家公司來(lái)做這個(gè)事情并不能獲得足夠的資金支持。

2020年下半年，我們開(kāi)始與華為合作，為其中一個(gè)版本的盤古大模型做了核心的技術(shù)研發(fā)。2021年，我?guī)ьI(lǐng)團(tuán)隊(duì)一起參與了智源研究院的悟道大模型研發(fā)。

這兩段經(jīng)歷，讓我了解了大模型研發(fā)過(guò)程中各種可能的問(wèn)題，并且積累了經(jīng)驗(yàn)。但是這種合作方式也讓我意識(shí)到，你可能只有自己創(chuàng)建一家公司才能真正意義上去實(shí)現(xiàn)這個(gè)目標(biāo)。

機(jī)器之心：為什么說(shuō)自己?jiǎn)为?dú)做一家公司才能真正去實(shí)現(xiàn)這個(gè)目標(biāo)？

楊植麟：在大組織當(dāng)中，如果公司對(duì)這個(gè)項(xiàng)目的投入不夠，那么你項(xiàng)目的優(yōu)先級(jí)會(huì)被放低，而且組織中的多方合作如果在KPI上沒(méi)有足夠?qū)R，就無(wú)法取得合力，效率很低。

我們意識(shí)到，在大模型的研發(fā)中，只有正確的組織才能完成這項(xiàng)工作。也就是說(shuō)，這所有人都高度集中，人才密度很高，工作效率非常高，并且目標(biāo)完全一致。

在之前的合作中，實(shí)現(xiàn)這些非常困難，所以在很大程度上阻礙了我們的創(chuàng)新。因此，我認(rèn)為創(chuàng)新需要找到正確的人并找到正確的組織方式，這是可能成功的唯一方法。這也是為什么我認(rèn)為必須創(chuàng)立一家公司的原因。

大模型公司最重要的是人才與組織

機(jī)器之心：今年年初開(kāi)始很多VC找你，你都沒(méi)有見(jiàn)。為什么？

楊植麟：實(shí)質(zhì)上我們認(rèn)為，直到6月前，我們最核心的任務(wù)是招人，組建團(tuán)隊(duì)。

今年以來(lái)，我們看到市場(chǎng)上大模型相關(guān)的人才非常稀缺，真正有相關(guān)經(jīng)驗(yàn)、有計(jì)劃有認(rèn)知、愿意創(chuàng)業(yè)且在合適的年齡的人其實(shí)并沒(méi)有那么多。

至少在這個(gè)階段，我認(rèn)為人才的稀缺性比資本稀缺性更高。因?yàn)橐粋€(gè)這個(gè)團(tuán)隊(duì)到底能不能達(dá)到GPT 4這個(gè)里程碑以及做出來(lái)下一代模型，可能關(guān)鍵的指標(biāo)就是你的團(tuán)隊(duì)是不是一個(gè)對(duì)的團(tuán)隊(duì)。

我們了解到，其他一些公司，其實(shí)過(guò)去幾個(gè)月并沒(méi)有怎么進(jìn)人，公司的人才結(jié)構(gòu)并沒(méi)有變化，我認(rèn)為這本身是有問(wèn)題的，因?yàn)槿瞬攀袌?chǎng)已經(jīng)產(chǎn)生了很大的流動(dòng)性，我認(rèn)為我們是應(yīng)該抓住這個(gè)機(jī)會(huì)的。

這里需要規(guī)避兩種情況，一是低效的團(tuán)隊(duì)結(jié)構(gòu)，比如說(shuō)設(shè)置了十個(gè)合伙人又缺少能夠真正拍板的人，因此合作的效率會(huì)很低。另一種情況，是你完全不補(bǔ)人，可能你仍然完全按照傳統(tǒng)AI公司的組織結(jié)構(gòu)，沒(méi)有抓住人才市場(chǎng)這一波流動(dòng)性，那么你可能后面的發(fā)展也會(huì)有很多問(wèn)題。

所以我們是想盡量避免這兩種，在一個(gè)合理的組織結(jié)構(gòu)下，然后去把人才密度去做到很高，去抓住這一波的紅利。

機(jī)器之心：人才流動(dòng)性指的是什么？

楊植麟：人才從從細(xì)分的AI技術(shù)領(lǐng)域NLP、CV、RL等開(kāi)始向大模型公司集中。

機(jī)器之心：你說(shuō)大模型人才目前很稀缺，算法以及工程兩個(gè)方面的人才稀缺程度是否有所不同？

楊植麟：整體上來(lái)講，行業(yè)人才確實(shí)非常稀缺。全世界范圍內(nèi)，有大模型訓(xùn)練經(jīng)驗(yàn)的人才很少。這意味著，在工程實(shí)現(xiàn)方面，比如能夠在開(kāi)源框架上去做優(yōu)化和提升的人并不多，能應(yīng)對(duì)超大規(guī)模集群的人才也很稀缺。

而在算法創(chuàng)新方面的人才稀缺程度則比之更甚。比如在強(qiáng)化學(xué)習(xí)方面，能夠做強(qiáng)化學(xué)習(xí)的人非常少，但是對(duì)于一個(gè)大模型公司來(lái)說(shuō)，強(qiáng)化學(xué)習(xí)能夠讓AI自主去探索，沒(méi)有強(qiáng)化學(xué)習(xí)就無(wú)法實(shí)現(xiàn)更高水平的技術(shù)躍升。我們除了有在短期內(nèi)要去超過(guò)GPT4這個(gè)目標(biāo)，還需要去思考更前沿的技術(shù)方向，比如GPT5可能是怎樣的，我們的機(jī)會(huì)在哪里，這些都需要算法創(chuàng)新。

這兩方面的人對(duì)我們都非常重要，我們都有所儲(chǔ)備。我們認(rèn)為，工程實(shí)現(xiàn)能力決定了你技術(shù)能力的下限，而算法創(chuàng)新能力決定了技術(shù)上限。

機(jī)器之心：在招聘過(guò)程里，你用什么來(lái)吸引前面提到的這些人才？

楊植麟：核心包括三點(diǎn)，極大的上升空間、長(zhǎng)遠(yuǎn)的愿景以及人才密度。

我們希望早期團(tuán)隊(duì)中的人認(rèn)可我們長(zhǎng)期的Vision，不論是具體的技術(shù)路線，還是AI帶來(lái)的社會(huì)價(jià)值。另外，頂尖的技術(shù)人才會(huì)帶來(lái)“滾雪球”效應(yīng)。很多人是知道了我們團(tuán)隊(duì)中的一些很強(qiáng)的人，他會(huì)覺(jué)得“哎？這幾個(gè)人竟然都在那！我確實(shí)也蠻想跟他們一起工作的”，這是一種很大的激勵(lì)。在早期加入創(chuàng)業(yè)公司，他們的主動(dòng)性和實(shí)際上升空間都很大。

機(jī)器之心：創(chuàng)造一個(gè)大模型公司，組織上你認(rèn)為最重要的是什么？

楊植麟：我認(rèn)為最重要的是人才密度和文化。你需要有優(yōu)秀的人才，然后給他們一個(gè)好的文化環(huán)境，讓他們?cè)谝粋€(gè)既定的目標(biāo)和方向下能夠自由創(chuàng)新。

大模型有點(diǎn)類似登月計(jì)劃，本身需要自頂向下的規(guī)劃和統(tǒng)籌，但同時(shí)，我們需要鼓勵(lì)自下而上的創(chuàng)新，保持一定程度的開(kāi)放性和組織的扁平化，這樣創(chuàng)新就更容易發(fā)生。

所以我覺(jué)得，本質(zhì)上就是要招最好的人，然后給他們提供一個(gè)好的系統(tǒng)，讓他們?cè)谶@個(gè)系統(tǒng)里面能夠去創(chuàng)新，并且他們的很多創(chuàng)新能夠成為系統(tǒng)的一部分，這樣你的系統(tǒng)就能繼續(xù)前進(jìn)，我覺(jué)得這可能是我們現(xiàn)在想做的事情。

機(jī)器之心：所以你們的Vision是什么？

楊植麟：我認(rèn)為每項(xiàng)技術(shù)基本都會(huì)歷經(jīng)原理探索期、技術(shù)創(chuàng)新期以及純產(chǎn)品應(yīng)用階段三個(gè)階段。

第一階段意味著公眾對(duì)于技術(shù)的第一性原理還不清晰，一切剛剛開(kāi)始萌芽；第二階段則指的是第一性原理已經(jīng)清晰，但是仍然存在技術(shù)創(chuàng)新的空間，領(lǐng)先的公司會(huì)有顯著的技術(shù)優(yōu)勢(shì)；最后一個(gè)階段，當(dāng)技術(shù)已經(jīng)足夠成熟了，可獲得性很高了，就是純產(chǎn)品的機(jī)會(huì)，網(wǎng)絡(luò)效應(yīng)建立。

兩三年前，NLP、CV這些技術(shù)都處于第一階段。如今，我們已經(jīng)來(lái)到第二階段，AI的第一性原理已經(jīng)被大量證據(jù)所證明——從GPT1到GPT4，我們會(huì)發(fā)現(xiàn)，人類文明的總和，數(shù)字化之后都可以變成硬盤上的數(shù)據(jù)，無(wú)論是文字、語(yǔ)音還是視頻，只要我們有合適的辦法，去對(duì)這些數(shù)據(jù)做最大限度的規(guī)模化無(wú)損壓縮，就能實(shí)現(xiàn)非常高程度的“智能”。

我最喜歡的例子是等差數(shù)列。假設(shè)說(shuō)目前我有1萬(wàn)個(gè)數(shù)字要去壓縮，在我一無(wú)所知的情況下，我所能做的僅僅只是把這1萬(wàn)個(gè)數(shù)字存下來(lái)。但是，如果我能夠知道這些數(shù)的底層運(yùn)行規(guī)律，我知道等差數(shù)列，那我就只需要存兩個(gè)數(shù)字，其他9998個(gè)數(shù)字就能被還原出來(lái)。

這就是AI的第一性原理。在第二階段，第一性原理已經(jīng)清晰的情況下，理論上我們只需要一條道走到黑，去想更好的辦法盡可能地去對(duì)整個(gè)人類文明進(jìn)行壓縮，然后就能在技術(shù)上實(shí)現(xiàn)較高程度的智能化。

而“更好的辦法”也是第二階段與第三階段的分野。在這個(gè)方向上，我們看到大約5年的窗口期之中，我們需要去解決目前看到的問(wèn)題，不斷技術(shù)創(chuàng)新，讓技術(shù)變得更加通用和低門檻，最終推動(dòng)大規(guī)模的產(chǎn)品化。

在這個(gè)階段，更好的模型質(zhì)量通常會(huì)直接帶來(lái)更好的用戶體驗(yàn)，通過(guò)技術(shù)驅(qū)動(dòng)的公司會(huì)擁有更大的產(chǎn)品優(yōu)勢(shì)。如果我們?nèi)タ疵绹?guó)市場(chǎng)，目前領(lǐng)先的公司例如OpenAI, Anthropic, Inflection, Character AI, Midjourney，無(wú)一不是通過(guò)Model as an application的方式，通過(guò)技術(shù)優(yōu)勢(shì)來(lái)形成產(chǎn)品上的體驗(yàn)優(yōu)勢(shì)。

我們本身是一個(gè)技術(shù)很強(qiáng)的團(tuán)隊(duì)，也擁有很強(qiáng)的創(chuàng)新文化。對(duì)于我們來(lái)講，我們看清楚了當(dāng)下AI所處的技術(shù)階段。在這個(gè)階段當(dāng)中，我們可以用一個(gè)技術(shù)驅(qū)動(dòng)方式，實(shí)現(xiàn)產(chǎn)品上的優(yōu)勢(shì)，最終實(shí)現(xiàn)網(wǎng)絡(luò)效應(yīng)。所以這對(duì)于我們來(lái)說(shuō)，就是一個(gè)合適的時(shí)機(jī)。

機(jī)器之心：想要去解決的“目前看到的問(wèn)題”指的是什么？

楊植麟：我們看到，即使對(duì)于OpenAI本身來(lái)說(shuō)，現(xiàn)在GPT需要解決的問(wèn)題仍有很多。比如怎么訓(xùn)練出一個(gè)好的視頻模型，能夠讓文本和視頻實(shí)現(xiàn)真正意義上的跨模態(tài)交互。當(dāng)下的跨模態(tài)模型更像是一個(gè)單任務(wù)模型，它只知道怎么去生成這個(gè)圖像，但是大腦部分非常薄弱。

基于Diffusion Model的技術(shù)路徑，一個(gè)重大問(wèn)題是你沒(méi)有辦法去做真正的跨模態(tài)建模，只能基于很簡(jiǎn)單的文本向量去做decoding。本質(zhì)上，它并沒(méi)有對(duì)不同模態(tài)的聯(lián)合概率去做一個(gè)可規(guī)模化的建模，這制約著這些模型去發(fā)揮更大的價(jià)值。從可規(guī)模化這個(gè)點(diǎn)上，我個(gè)人認(rèn)為，長(zhǎng)期來(lái)看，可能Autoregressive model（自回歸模型）能夠更通用得對(duì)不同模態(tài)去建模，長(zhǎng)期會(huì)有更大的上升空間。

除了跨模態(tài)問(wèn)題，另一個(gè)很關(guān)鍵的問(wèn)題是，未來(lái)的大模型肯定不會(huì)停留在壓縮現(xiàn)有的數(shù)據(jù)，而是會(huì)自主進(jìn)行探索、在探索過(guò)程中生成和篩選數(shù)據(jù)、并進(jìn)行壓縮。一個(gè)很典型的例子是圍棋，如果AI通過(guò)壓縮已有的棋譜，很難在圍棋水平上超越最頂尖的人類棋手。

相同地，如果是我們想訓(xùn)練一個(gè)能達(dá)到IOI金牌水平的編程AI，那么僅僅通過(guò)壓縮現(xiàn)有的題解也是很難做到的。我們需要讓編程AI自己去搜索不同的解法，在搜索的過(guò)程中評(píng)判解法的可行性，從而對(duì)解空間進(jìn)行更全面的探索。

在科學(xué)領(lǐng)域也是一樣，如果AI可以自主探索解空間，那么就可以發(fā)現(xiàn)人類還未發(fā)現(xiàn)的新知識(shí)。長(zhǎng)期來(lái)說(shuō)，通用地解決這個(gè)問(wèn)題會(huì)產(chǎn)生超級(jí)智能（super intelligence）。

機(jī)器之心：如果說(shuō)是AI技術(shù)的發(fā)展要經(jīng)歷上述三個(gè)階段。我們看到ChatGPT的成功應(yīng)該是技術(shù)和產(chǎn)品并行的一次嘗試。

楊植麟：對(duì)于ChatGPT而言，確實(shí)是在技術(shù)的創(chuàng)新和產(chǎn)生網(wǎng)絡(luò)效應(yīng)兩個(gè)階段是一個(gè)并行的過(guò)程。在技術(shù)創(chuàng)新階段，它占據(jù)了優(yōu)勢(shì)并形成了壁壘，然后在盡可能早的時(shí)候，將技術(shù)轉(zhuǎn)變?yōu)榫哂芯W(wǎng)絡(luò)效應(yīng)的產(chǎn)品。

所以我剛剛雖然提到會(huì)有三個(gè)階段，但是并不是說(shuō)這一定是線性的。如果能夠利用好自己技術(shù)優(yōu)勢(shì)，那么越早將它變成一個(gè)具有網(wǎng)絡(luò)效應(yīng)的產(chǎn)品越好。這之后，因?yàn)橛脩舴答伜蜕鷳B(tài)系統(tǒng)建設(shè)等方面會(huì)給你帶來(lái)巨大的提升。因此，并不是要等待技術(shù)完全普適化才去產(chǎn)品化，而是要盡早地放出有用的產(chǎn)品讓用戶去投票。

最終目標(biāo)不是超越OpenAI

機(jī)器之心：你們目前的初始目標(biāo)是實(shí)現(xiàn)GPT4的開(kāi)發(fā)，現(xiàn)在進(jìn)展如何？

楊植麟:我們首先要做的是預(yù)測(cè)，然后才能做規(guī)模化。在投入大量的資金去規(guī)模化前，我們需要知道規(guī)模化后會(huì)發(fā)生什么。通過(guò)很多預(yù)測(cè)工作，總結(jié)規(guī)律，然后預(yù)測(cè)規(guī)模化后的情況。這樣可以涵蓋大概主要的影響因素，剩下的少部分可以通過(guò)一些經(jīng)驗(yàn)和試錯(cuò)來(lái)推斷。

目前我們前期已經(jīng)驗(yàn)證完，開(kāi)始去用更大的數(shù)據(jù)集去訓(xùn)練，以使訓(xùn)練更穩(wěn)定，保證代碼的正確性，以及優(yōu)化損失函數(shù)，訓(xùn)練大模型。

機(jī)器之心：很多大模型創(chuàng)業(yè)公司的初期目標(biāo)都是超過(guò)GPT4，“達(dá)到或者超越”的標(biāo)準(zhǔn)會(huì)是什么？

楊植麟：我認(rèn)為最重要的標(biāo)準(zhǔn)其實(shí)是模型的壓縮比。

如果基于第一性原則來(lái)思考，智能的首要任務(wù)就是優(yōu)化壓縮，那么提升壓縮比就意味著智能的增強(qiáng)。在一個(gè)足夠大的數(shù)據(jù)集上，模型的壓縮比有多大就能衡量出模型的優(yōu)劣。例如，OpenAI的GPT-4可能在某些領(lǐng)域已經(jīng)達(dá)到了30多的壓縮比，而一些開(kāi)源的模型的壓縮比可能只有10出頭，所以空間還是非常大的。

至于用戶眼中的模型在應(yīng)用里的表現(xiàn)，實(shí)際上也是由你的模型壓縮比所決定的。模型的壓縮比如果非常好，剩下的問(wèn)題就是工作量問(wèn)題，時(shí)間允許你肯定能把它調(diào)地很好。

所以我覺(jué)得壓縮比是最關(guān)鍵的指標(biāo)。例如，我們現(xiàn)在去監(jiān)測(cè)我們的模型的進(jìn)展，我最主要看的指標(biāo)也是壓縮比，我可以通過(guò)算出來(lái)的壓縮比去預(yù)測(cè)它的趨勢(shì)，什么時(shí)候能達(dá)到GPT-4的壓縮比，這是可以被預(yù)測(cè)出來(lái)的。

機(jī)器之心：和如今在創(chuàng)業(yè)的公司一樣，OpenAI也在往前走、快速迭代自己的模型。如果說(shuō)目標(biāo)是追趕GPT4的話，你認(rèn)為超越OpenAI的可能性大嗎？

楊植麟：有可能，但這個(gè)過(guò)程需要時(shí)間和技術(shù)創(chuàng)新。

對(duì)于我們來(lái)說(shuō)，一方面，后發(fā)優(yōu)勢(shì)可以節(jié)省時(shí)間，即利用OpenAI等先行者已經(jīng)做出的工作和探索成果。比如我們不用再像他們之前一樣，花幾年的時(shí)間去確認(rèn)AI的第一性原理，而是可以直接沿著這條路往前走。

但客觀上，確實(shí)目前的差距很大。短期來(lái)看，我們要看到這個(gè)差距，而不是說(shuō)現(xiàn)在就說(shuō)要馬上“趕英超美”。我認(rèn)為如果真的能夠?qū)崿F(xiàn)“超越”這個(gè)目標(biāo)的，應(yīng)該需要依靠接下來(lái)還沒(méi)有出現(xiàn)的模型，要去思考下一代模型怎么做。

長(zhǎng)期來(lái)看，我是比較樂(lè)觀的。因?yàn)楹碗娏Σ灰粯樱珹I是異質(zhì)化的。全世界各國(guó)的電力都是一樣的，都可以用來(lái)給手機(jī)充電。但是對(duì)于一個(gè)記者、一個(gè)程序員以及一個(gè)畫家，這三者所面向的人工智能的智能維度完全不一樣。

因此，最后可能人工智能模型不會(huì)存在一個(gè)超越與不超越的問(wèn)題。比如雖然OpenAI在某些智能領(lǐng)域做得很好，但可能在某些特定場(chǎng)景中，比如生成圖片的美學(xué)價(jià)值上，它暫時(shí)還無(wú)法超過(guò)Midjourney。即使OpenAI在某些領(lǐng)域超過(guò)了，可能還會(huì)有其他領(lǐng)域存在差距。因此，有很多維度可以用來(lái)定義智能水平。

由于人工智能的異質(zhì)化，每個(gè)公司可能都有自己擅長(zhǎng)的部分。通用能力上做得很好是一個(gè)前提，但在每個(gè)細(xì)分領(lǐng)域里，還是存在專業(yè)化的差異。例如，character.ai在角色扮演這個(gè)場(chǎng)景中，可能會(huì)做得比GPT-4更好，這就是專業(yè)化的體現(xiàn)。雖然它們的訓(xùn)練路徑和OpenAI很接近，但產(chǎn)品的出發(fā)點(diǎn)可能會(huì)決定了它在這個(gè)領(lǐng)域里專業(yè)化的位置。

通用人工智能會(huì)存在技術(shù)門檻，這個(gè)世界上只會(huì)有少數(shù)的通用人工智能公司，但每個(gè)跨過(guò)一定技術(shù)門檻的公司可以在某些具體的場(chǎng)景或類型的智能上有專業(yè)化優(yōu)勢(shì)，并在這些領(lǐng)域做得比其他公司更好，最終形成一些網(wǎng)絡(luò)效應(yīng)。因此，未來(lái)并不會(huì)只有一家AI公司能包辦所有的智能。

機(jī)器之心: 你有沒(méi)有想過(guò)，可能我們永遠(yuǎn)無(wú)法追趕上

楊植麟：就像上面所說(shuō)的，追趕可能并不是我們的最終目標(biāo)，總體上這個(gè)領(lǐng)域有很多維度需要探索，需要很多公司一起。

爬樓梯，而不是看風(fēng)景

機(jī)器之心：大模型是個(gè)非常新的技術(shù)方向，從你接觸的情況看，投資人對(duì)這件事的理解程度怎樣？

楊植麟：我覺(jué)得一個(gè)關(guān)鍵需要理解的點(diǎn)是AI-native產(chǎn)品跟傳統(tǒng)產(chǎn)品的區(qū)別。

在大模型時(shí)代，以往基于移動(dòng)互聯(lián)網(wǎng)的產(chǎn)品邏輯和交互方式已經(jīng)在發(fā)生巨大改變。以往，用戶使用移動(dòng)互聯(lián)網(wǎng)產(chǎn)品的使用路徑非常確定和清晰。但對(duì)于Chat-based UX來(lái)說(shuō)，所有交互都基于對(duì)話，是完全開(kāi)放性的，用戶可能看到的結(jié)果出現(xiàn)了指數(shù)級(jí)的增長(zhǎng)。這對(duì)產(chǎn)品經(jīng)理的能力提出了新的要求，需要在無(wú)限的可能性中去通過(guò)有限的評(píng)測(cè)來(lái)定義產(chǎn)品。UX有兩個(gè)重要的維度，一個(gè)是靈活度，一個(gè)是直觀度，chat-based UX相比于傳統(tǒng)的GUI顯得非常靈活，但直觀度相對(duì)下降，所以怎么在保持靈活度的前提下提升直觀度，也是一個(gè)重要命題。

很多人比較在意公司的商業(yè)模式，我認(rèn)為商業(yè)模式不會(huì)成為特別大的問(wèn)題。目前有很多可以借鑒成熟經(jīng)驗(yàn)的地方，比如可以做訂閱，或者通過(guò)聊天方式推薦商品或廣告，以一種更自然且精準(zhǔn)的方式來(lái)實(shí)現(xiàn)。又比如，類似游戲的商業(yè)模式也可以借鑒，比如抽卡等等。

相比于商業(yè)模式，我認(rèn)為現(xiàn)階段的核心議題還是產(chǎn)品創(chuàng)新，重要性遠(yuǎn)大于商業(yè)模式。

我們需要通過(guò)技術(shù)創(chuàng)新來(lái)實(shí)現(xiàn)出色的產(chǎn)品，而一旦我們擁有產(chǎn)品，就能將流量和用戶關(guān)聯(lián)起來(lái)，產(chǎn)生良好的數(shù)據(jù)去驅(qū)動(dòng)模型更加智能。

因此，理解這個(gè)事情需要大量的學(xué)習(xí)。在這個(gè)時(shí)代變化非常快的情況下，我認(rèn)為每個(gè)人都需要快速學(xué)習(xí)，吸收新知識(shí)，持續(xù)更新自己的認(rèn)知是非常重要的。

機(jī)器之心：整體來(lái)看，在大語(yǔ)言模型的研究中，比較難的是什么？

楊植麟：整體上都很難。你可以看到美國(guó)不少大廠投入了很多資金，但還沒(méi)有做出能看的東西，因?yàn)檫@里面本身難度確實(shí)非常大。如果我們仔細(xì)去拆分，或許包括三個(gè)方面：

首先，算法創(chuàng)新是必需的，這需要大量的投入與研發(fā)；其次，很大一部分情況是算法并不是新的，但是你要怎么調(diào)，讓它更有效地工作，這是一個(gè)很具體的問(wèn)題。

第三，工程實(shí)現(xiàn)是不是正確的，這個(gè)難度也很大。很多時(shí)候你搞了很多bug，非常容易你的loss就炸了。

所有這些挑戰(zhàn)最后都反映到一個(gè)核心指標(biāo)——人才密度。

人才密度決定了以上提到的各個(gè)問(wèn)題的解決程度，能做到多好。這里的人才密度可能又分為幾個(gè)方面：

第一，團(tuán)隊(duì)有沒(méi)有訓(xùn)練過(guò)這些東西的經(jīng)驗(yàn)。因?yàn)榻?jīng)驗(yàn)本身就是一個(gè)踩坑的過(guò)程，你可以從你以前的經(jīng)驗(yàn)里面去學(xué)習(xí)。

其次，團(tuán)隊(duì)有沒(méi)有信息，比如說(shuō)你跟這個(gè)圈子離得比較近一點(diǎn)，可以更及時(shí)地獲得一些有價(jià)值的信息。

第三，團(tuán)隊(duì)有沒(méi)有面對(duì)未知的問(wèn)題的創(chuàng)新能力。因?yàn)槟悴豢赡苷f(shuō)所有東西都是已知的，所有東西都被你的經(jīng)驗(yàn)或者信息覆蓋，這個(gè)基本不可能。那么面對(duì)新的情況的時(shí)候，你這個(gè)團(tuán)隊(duì)有沒(méi)有能力去針對(duì)這些新的情況去做很多調(diào)整？比如說(shuō)，你發(fā)現(xiàn)你可能把模型的batch size加大之后，它的loss就特別差，那么你的團(tuán)隊(duì)有沒(méi)有辦法去解決這個(gè)問(wèn)題？

對(duì)于一個(gè)公司來(lái)說(shuō)，最難的是在爬樓梯和看風(fēng)景之間做出取舍。可能有的人爬了一兩層樓之后就快速選擇看風(fēng)景，用能力比較基礎(chǔ)的模型去做大肆宣傳，去做商業(yè)化，對(duì)于我們來(lái)說(shuō)，更重要的是以終為始，堅(jiān)持爬樓梯，攀登高峰。即便中間也會(huì)看看風(fēng)景，最終也是為了爬樓梯服務(wù)的。

機(jī)器之心: 你在學(xué)術(shù)界最廣為人知的成就是Transformer-XL與XLnet這兩篇論文，產(chǎn)生了很大的影響。不過(guò)，2019年你提到一個(gè)故事——XLnet這篇論文曾經(jīng)被ICLR 2019大會(huì)拒絕，理由是評(píng)委不認(rèn)為大語(yǔ)言模型的效果提升在應(yīng)用上會(huì)有很大的影響。現(xiàn)在從大模型行業(yè)整個(gè)發(fā)展階段來(lái)看，這件事可能代表了什么？

楊植麟：現(xiàn)在看這個(gè)觀察挺有意思。

當(dāng)時(shí)，我覺(jué)得就是大模型的第一性原理還沒(méi)有清晰，或者說(shuō)第一性原理還沒(méi)有真正成為共識(shí)。因?yàn)楝F(xiàn)在的第一性原理就是，只要你有更好的壓縮比，你就會(huì)有更好的智能，這個(gè)其實(shí)對(duì)應(yīng)的就是大語(yǔ)言模型的目標(biāo)函數(shù)。所以當(dāng)時(shí)（提出Transformer-XL），我們其實(shí)是在原模型的基礎(chǔ)上取得了一個(gè)比較大的提升，讓它的智能程度提升了很多。但當(dāng)時(shí)，對(duì)于這件事情是有用的，顯然還沒(méi)有出現(xiàn)一個(gè)共識(shí)。

那其實(shí)，本質(zhì)上，我們可以看到一般共識(shí)是要落后于非共識(shí)的思維的。正因?yàn)檫@樣，非共識(shí)可以產(chǎn)生很大的價(jià)值。比如我們現(xiàn)在正在做的事情，雖然是非共識(shí)，但是我一點(diǎn)都不care。我直接做工業(yè)化，把這個(gè)東西做出來(lái)效果之后，那么很多人就會(huì)來(lái)跟進(jìn)和關(guān)注。

OpenAI通過(guò)工業(yè)化的方式，而不是一個(gè)純研究的方式去證明了第一性原則是對(duì)的。我覺(jué)得這見(jiàn)證了時(shí)代的變遷，一共有三個(gè)階段。第一階段是2018年之前，所有人不知道大語(yǔ)言模型有什么用，到第二個(gè)階段是18到19年，BERT時(shí)代，大語(yǔ)言模型可以提升各種任務(wù)，到第三個(gè)階段，20年往后，只剩下一個(gè)任務(wù)就是語(yǔ)言模型。

GPT3的發(fā)布為第一性原理提供了足夠多的證據(jù)，雖然距離真正形成共識(shí)還需要一段時(shí)間，但是它給出了一個(gè)底層依據(jù)，明確了優(yōu)化的目標(biāo)。因?yàn)榉较蚝芮宄运m合做工業(yè)化，而不僅僅是學(xué)術(shù)研究。這也標(biāo)志著從學(xué)術(shù)研究階段向工業(yè)化階段的過(guò)渡。在工業(yè)化階段，目前還處于一個(gè)需要?jiǎng)?chuàng)新的階段，因?yàn)槿绾巫岊A(yù)測(cè)越來(lái)越準(zhǔn)確，現(xiàn)在還有一些問(wèn)題沒(méi)有完全解決。

機(jī)器之心：在我們看來(lái)，最近幾年在基礎(chǔ)模型的架構(gòu)上的研究似乎并不多。你認(rèn)為Transformer架構(gòu)將來(lái)會(huì)不會(huì)被替代？

楊植麟：我認(rèn)為如果時(shí)間足夠長(zhǎng)，Transformer肯定會(huì)被替代。

但在短期三到五年內(nèi)，更大的可能性是在Transformer的核心思想上進(jìn)行優(yōu)化。比如，如果你想處理10萬(wàn)的context，你肯定不能使用原始的Transformer。如果你想處理分鐘級(jí)別的長(zhǎng)視頻，使用原始的Transformer可能不是最優(yōu)方案。

所以，我認(rèn)為在接下來(lái)的三到五年內(nèi)，我們可能更傾向于針對(duì)特定問(wèn)題對(duì)Transformer結(jié)構(gòu)進(jìn)行優(yōu)化，但核心的思想我認(rèn)為應(yīng)該還是比較通用的。

在這個(gè)過(guò)程中，量變產(chǎn)生質(zhì)變，比transformer更好的模型會(huì)自然通過(guò)組合演進(jìn)的方式產(chǎn)生。

機(jī)器之心：

現(xiàn)在許多公司在做行業(yè)大模型的研發(fā)，你的看法是什么？

楊植麟：我覺(jué)得行業(yè)大模型在短期內(nèi)有其存在的道理，利用專有數(shù)據(jù)的優(yōu)勢(shì)，可能在某些非常封閉的行業(yè)有所作為。

但從長(zhǎng)期看，當(dāng)一個(gè)賽道開(kāi)始接入更多來(lái)自B端和C端的參與方，再封閉的行業(yè)，都很難阻止數(shù)據(jù)的擴(kuò)散，超級(jí)入口會(huì)變成數(shù)據(jù)黑洞把各種數(shù)據(jù)吸納進(jìn)來(lái)，行業(yè)模型的優(yōu)勢(shì)會(huì)消失。

另一個(gè)方面看，行業(yè)大模型的計(jì)算量本質(zhì)上是一個(gè)能源轉(zhuǎn)化成智能的過(guò)程。如果我投入了更多的能源，我就會(huì)有更多的智能，中間轉(zhuǎn)化率取決于我的算法的有效性。如果我假設(shè)你算法是一樣的，那么你有多少智能就完全取決于你有多少能源。

而客觀上，這種行業(yè)大模型消耗的能源是要比通用的模型要少好幾個(gè)數(shù)量級(jí)，長(zhǎng)期來(lái)說(shuō)這個(gè)差距還會(huì)擴(kuò)大。這樣的話它產(chǎn)生的智能最終提供的增量?jī)r(jià)值會(huì)趨近于0。

在一些超級(jí)封閉的行業(yè)，如果通用模型還沒(méi)有觸及，或者數(shù)據(jù)吸納的效應(yīng)還沒(méi)有出現(xiàn)，這種情況下短期可能存在一些機(jī)會(huì)，但長(zhǎng)期來(lái)看我覺(jué)得會(huì)回歸到通用模型。

行業(yè)大模型的唯一優(yōu)勢(shì)也就是專有數(shù)據(jù)壁壘最終會(huì)被打破，因此我認(rèn)為不是一個(gè)可持續(xù)性的東西，最終肯定不是靠專有數(shù)據(jù)壁壘，而是靠銷售渠道或者提供更好的定制服務(wù)。

但不同的通用大模型之間的分化是有可能的。這由你的產(chǎn)品的起點(diǎn)決定，通過(guò)對(duì)不同類型的用戶的吸引，吸收他們所供應(yīng)的數(shù)據(jù)，讓模型在哪些方面更強(qiáng)。

機(jī)器之心：作為一個(gè)在業(yè)內(nèi)評(píng)價(jià)較高的人，大家對(duì)你寄托的期望是否給你帶來(lái)了壓力？

楊植麟：我更多的是感到興奮，因?yàn)槲矣X(jué)得能有機(jī)會(huì)做這個(gè)事情本身就很幸運(yùn)，我對(duì)這個(gè)機(jī)會(huì)充滿了感激。

并不是所有人都有機(jī)會(huì)去做這個(gè)我非常想做的事情，我會(huì)抓住這個(gè)機(jī)會(huì)并把它做好。所以，我覺(jué)得從心態(tài)上說(shuō)，我并不感到過(guò)多的壓力，更多的是珍惜這個(gè)機(jī)會(huì)。

Moonshot AI公司招聘郵箱：hr@moonshot.ai題圖來(lái)源：The Dark Side of the Moon Cover