最近，開源中國 OSCHINA、Gitee 與 Gitee AI

全文如下：

大模型撞上 “算力墻”，超級應(yīng)用的探尋之路

文 / 傅聰

近日，大模型教父 Sam Altman 在 Reddit 上的評論透露出 GPT-5 難產(chǎn)的隱憂，直言有限的算力約束讓 OpenAI 面臨迭代優(yōu)先級的艱難抉擇，在通往 AGI 的道路上一路高歌猛進的領(lǐng)頭羊似乎撞上了“算力墻”。

除此之外，能耗、資金，難以根除的幻覺，有限的知識更新速率、有限的上下文寬度、高昂的運營成本等等，都讓外界對大模型的發(fā)展憂心忡忡。面對棘手的困境與難題，大模型的未來，又該何去何從呢？

下一代 “明星產(chǎn)品”

“算力墻”下，模型效果邊際收益遞減，訓(xùn)練和運營成本高昂，在這個時間節(jié)點，最好的 AI 產(chǎn)品會是什么？奧特曼、蓋茨、小扎、吳恩達、李彥宏等一眾大佬給出了一致的答案 —— 智能體（AI Agent）。

2025，將會是智能體元年。

什么是智能體？目前業(yè)界一致認可的公式是“智能體 = LLM + 記憶 + 規(guī)劃 + 工具”：

大模型充當智能體的“大腦”，負責(zé)對任務(wù)進行理解、拆解、規(guī)劃，并調(diào)用相應(yīng)工具以完成任務(wù)。同時，通過記憶模塊，它還能為用戶提供個性化的服務(wù)。

智能體為什么是“算力墻”前 AI 產(chǎn)品的最優(yōu)解決方案？這一問題的底層邏輯包含兩個方面。

1. LLM 是目前已知最好的智能體底層技術(shù)。

智能體作為學(xué)術(shù)術(shù)語由來已久，從上世紀的“符號、專家系統(tǒng)”【1】，到十年前風(fēng)頭無兩的強化學(xué)習(xí)（代表作 AlphaGo【3】），再到現(xiàn)在的 LLM，agent 底層技術(shù)經(jīng)歷了三個大的階段。

符號系統(tǒng)的缺點在于過于依賴人工定義的“符號”和“邏輯”，強化學(xué)習(xí)苦于訓(xùn)練數(shù)據(jù)的匱乏和“模態(tài)墻”，而 LLM 一次性解決這些問題。

人類語言就是一種高度抽象、跨模態(tài)、表達力充分的符號系統(tǒng)，同時它作為知識的載體，自然地存在大量數(shù)據(jù)可用于訓(xùn)練，還蘊含了人類的思維模式。

在此基礎(chǔ)上訓(xùn)練得到的 LLM，自然具備被誘導(dǎo)出類人思考的潛力。在 COT（思維鏈）【4】、TOT（思維樹）【5】等技術(shù)的加持下，大模型正在學(xué)習(xí)拆解自己的“思維”，OpenAI 的 o1 就是典型案例，強化了推理能力的同時，也大大緩解了幻覺問題。

2. 大模型做不到的，“現(xiàn)存工具”強勢補位。

無法持續(xù)更新的知識庫，可以通過 RAG（Retrieval Augmented Generation，檢索增強生成）來解決。

RAG 的出現(xiàn)，讓各界越來越深刻地認識到，大模型沒必要存儲那么多知識，只需要如何使用搜索引擎這個外部工具即可。大模型可以在搜索結(jié)果上做進一步的信息篩選和優(yōu)化，而搜索引擎彌補了大模型的知識缺陷，實現(xiàn)了 1+1>=2 的效果。

RAG 可以被理解為智能體的最簡單形式。未來的智能體可以實現(xiàn)多種工具的混合使用，甚至多智能體協(xié)作，這不是猜想，我們已經(jīng)在學(xué)術(shù)界看到了驚艷的早期方案【6，7】。

“四把鑰匙”解鎖潛力

1. 領(lǐng)域模型小型化、平臺化會成為新趨勢。

“算力墻”是一方面因素，但基座模型的趨同化和運營成本是源動力。GPT、Claude、Gemini 雖然各有所長，但實際體驗越來越讓大家分不出差異，基座模型作為智能體核心，決定了智能體效果下限，人人訓(xùn)練基座的可能性越來越低，“基座服務(wù)化”很可能是最合理的商業(yè)模式。

甚至，在錯誤不敏感的應(yīng)用領(lǐng)域，出現(xiàn)一個開源、無商業(yè)限制的基座的可能性也很高。小應(yīng)用開發(fā)商很可能很容易獲得一個低成本 serving 的“量化小基座”。

“7B” 是一個 magic number！無論是 RAG 里的向量表征模型，還是文生圖、文本識別（OCR）、語音合成（TTS）、人臉識別等等垂直領(lǐng)域，一個 1B~7B 的小模型已經(jīng)可以滿足很多生產(chǎn)、應(yīng)用需要，并且效果也在逐步推高【8，9，10】。這些模型，作為智能體的“三頭六臂”，不需要太“大”。

同時，從學(xué)術(shù)角度來講，各種領(lǐng)域?qū)Ｓ媚Ｐ偷募夹g(shù)最優(yōu)解也在逐漸趨同。應(yīng)用開發(fā)者越來越不需要了解模型的底層技術(shù)，只需要懂得如何設(shè)計自己應(yīng)用的任務(wù)流，懂一點點 COT 系列的 prompt engineering 的技巧，就可以利用 Maas（Model as a service）、Aaas（Agent as a service）這樣的平臺，如玩樂高一般搭建自己的 AI 云原生應(yīng)用。

2. 算力層深挖定制化、低能耗的可能性，但固化 transformer 可能不是最優(yōu)解

雖說智能體不需要太大的模型，但其運營成本（模型推理計算成本）仍然較高。在短時間內(nèi)，算力、能源仍然會是大模型領(lǐng)域令人頭疼的高墻。

根據(jù)報告【1】，能源消耗將會是 2030 模型 scaling 最卡脖子的因素。也就是說，在算力到達瓶頸之前，首先可能會出現(xiàn)電能供應(yīng)不足甚至交不起電費的問題。因此，算力層可以根據(jù)大模型底層技術(shù)的特性，產(chǎn)出針對性的芯片，尤其是加速運算和降低能耗。這是未來 AI 芯片領(lǐng)域的最優(yōu)競爭力。

那么，把 transformer “焊死”到板子上就是最佳方案嗎？我知道你很急，但你先別急。大模型底層框架還存在底層路線之爭。

我們知道，Transformer 架構(gòu)呈現(xiàn)了 O (n2) 的理論計算復(fù)雜度，這里的 n 指的是大模型輸入序列的 token 數(shù)量，但其前任語言模型擔(dān)當 RNN 只有 O (n) 的理論計算復(fù)雜度。

最近，以 Mamba、RWKV 為代表的類 RNN 結(jié)構(gòu)死灰復(fù)燃，公開挑戰(zhàn) transformer 地位。更有最新研究【13】從理論上表明，RNN 對比 Transformer 的表達力，只差一個 in-context-retrieval。在這個方向的持續(xù)投入下，我們很可能會迎接一個介于 RNN 和 Transformer 之間的“新王”。

因此，算力層短時間內(nèi)的主題仍然是“半通用化”“高算力”“低能耗”。

3. 合成數(shù)據(jù)驅(qū)動新產(chǎn)業(yè)鏈

早有機構(gòu)預(yù)測，人類社會可利用訓(xùn)練數(shù)據(jù)會在 2026 年耗盡。這可能還是一個樂觀估計。光頭哥 Tibor Blaho 還曾爆料，OpenAI 用于訓(xùn)練“獵戶座“的數(shù)據(jù)中，已經(jīng)包含了由 GPT-4 和 O1 產(chǎn)出的合成數(shù)據(jù)。

這不僅是因為自然存在的高質(zhì)量文本的匱乏，還因為智能體所需的數(shù)據(jù)很可能需要顯式地蘊含任務(wù)思考和規(guī)劃的拆解信息。然而，針對合成數(shù)據(jù)的問題，學(xué)術(shù)界早有預(yù)警，模型可能會在合成數(shù)據(jù)上的持續(xù)訓(xùn)練中崩壞【14】。

這是因為合成數(shù)據(jù)往往攜帶“錯誤”和“幻覺”，在一些冷門的知識上尤甚。因此，合成數(shù)據(jù)的實用秘訣是“去粗取精”，需要一定程度的“人機協(xié)同”。在如何構(gòu)造大批量、高質(zhì)量的合成數(shù)據(jù)，讓智能體能夠在持續(xù)地與用戶的交互中自我優(yōu)化而不是劣化，將會成為眾多無機器學(xué)習(xí)技術(shù)背景的開發(fā)者的頭號難題。

因此，面向數(shù)據(jù)進行定制化合成、評估、測試、標注、人機協(xié)同的“純數(shù)據(jù)”產(chǎn)業(yè)，有可能會走上越來越重要的位置，不僅僅是服務(wù)于基座模型廠商。

4. 多模態(tài)對齊很可能給基座模型帶來質(zhì)的提升

最新研究發(fā)現(xiàn)，在沒有預(yù)先約束和約定下，不同模態(tài)領(lǐng)域的最強模型正在向著某個世界模型認知領(lǐng)域收縮【15】，AI 模型對不同概念的數(shù)字化表達（向量表征）會逐步趨同，構(gòu)建對這個世界的統(tǒng)一認知。這也符合我們?nèi)祟悓κ澜绲恼J知：人類通過語言文字這種符號，將不同模態(tài)的信號統(tǒng)一地表達，并在腦中構(gòu)建了某種受限于當前科技水平的統(tǒng)一模型，這是人類意識、社會溝通的前提。

從這個角度理解，多模態(tài)大模型很可能是通向真正 AGI 的必經(jīng)之路。將多模態(tài)信號統(tǒng)一對齊，是智能體與這個世界“無障礙”交互的前提，換個新潮的詞匯，就是我們期待的“具身智能”。

誰不想擁有一臺自己專屬的“Javis” 呢？而多模態(tài)大模型的突破，也同樣依賴前文所述的算力和數(shù)據(jù)上的沉淀。

參考文獻 【1】https://epoch.ai/blog/can-ai-scaling-continue-through-2030 【2】Newell, A., & Simon, H. A. (1956). The Logic Theory Machine – A Complex Information Processing System. IRE Transactions on Information Theory, 2(3), 61-79. 【3】Silver, David, et al. "Mastering the game of Go with deep neural networks and tree search." nature 529.7587 (2016): 484-489. 【4】 Wei, Jason, et al. "Chain-of-thought prompting elicits reasoning in large language models." Advances in neural information processing systems 35 (2022): 24824-24837. 【5】Yao, Shunyu, et al. "Tree of thoughts: Deliberate problem solving with large language models." Advances in Neural Information Processing Systems 36 (2024). 【6】Karpas, Ehud, et al. "MRKL Systems: A modular, neuro-symbolic architecture that combines large language models, external knowledge sources and discrete reasoning." arXiv preprint arXiv:2205.00445 (2022). 【7】Schick, Timo, et al. "Toolformer: Language models can teach themselves to use tools." Advances in Neural Information Processing Systems 36 (2024). 【8】https://huggingface.co/spaces/mteb/leaderboard 【9】https://github.com/deep-floyd/IF 【10】https://developer.nvidia.com/blog/pushing-the-boundaries-of-speech-recognition-with-nemo-parakeet-asr-models/ 【11】Mamba:?Linear-time sequence modeling?with?selective state spaces 【12】Peng, Bo, et al. "Rwkv: Reinventing rnns for the transformer era." arXiv preprint arXiv:2305.13048 (2023). 【13】Wen, Kaiyue, Xingyu Dang, and Kaifeng Lyu. "Rnns are not transformers (yet): The key bottleneck on in-context retrieval." arXiv preprint arXiv:2402.18510 (2024). 【14】AI Models Collapse When Trained on Recursively Generated Data’ 【15】The Platonic Representation Hypothesis