Джерело зображення: створено інструментом Unbounded AI
Коли ChatGPT спровокував глобальне божевілля, модель штучного інтелекту, що стоїть за ним, раптово різко зросла. Кожен хоче знати, які розміри і стандарти оцінки рівня великої моделі?
Запуск ChatGPT дозволяє нам побачити розрив між Китаєм і Сполученими Штатами в AIGC. Отже, який поточний статус розвитку великої моделі Китаю? З якими можливостями та викликами зіткнеться розвиток широкомасштабної моделі Китаю в майбутньому?
Зараз ми перебуваємо в критичний період для розвитку загального штучного інтелекту. Зіткнувшись із тенденцією розвитку незалежних досліджень великих моделей різними установами, як підвищити ефективність обчислювальної потужності та ефективно уникнути низькорівневого дублювання?
Деякі люди в галузі хвилюються, що ШІ знищить людей. Чи це занепокоєння безпідставне? Як ми можемо запобігти проблемам до того, як вони виникнуть, і реалізувати передбачувані результати та керовану поведінку ШІ?
З різними запитаннями про AIGC **дослідницький інститут Tencent ексклюзивно опитав Ву Хецюань, академіка Китайської інженерної академії та авторитетного експерта в галузі комунікацій у моїй країні. **
【Інтерв'юер】
Niu Fulian Старший науковий співробітник Tencent Research Institute
Wu Chunling Старший науковий співробітник Tencent Research Institute
Ван Цян Старший експерт дослідницького інституту Tencent
(надалі Т)
Загальний масштаб існуючої обчислювальної потужності Китаю порівняно зі Сполученими Штатами: розрив є, але не великий
**T: Деякі люди кажуть, що розвиток великомасштабних моделей Китаю відстає від зарубіжних країн на 1-2 роки. Що ви думаєте про поточний розвиток великомасштабних моделей Китаю? **
**Ву Хецюань: **Китай почав розробку великомасштабних моделей пізніше, ніж Сполучені Штати. Після появи ChatGPT багато вітчизняних підрозділів заявили, що вони розробляють генеративні великомасштабні моделі. Наразі існує лише кілька такі компанії, як Microsoft і Google у Сполучених Штатах. Порівняно з великомасштабним дослідженням моделей, у моїй країні більше підрозділів, які розробляють великомасштабні моделі, ніж у Сполучених Штатах, але велика кількість об’єктів дослідження не означає, що Китай має високу рівень досліджень і розробок великомасштабних моделей. Кажуть, що кількість параметрів великої вітчизняної моделі досягає 1,75 трильйона, перевершуючи GPT-4, але про її застосування немає повідомлень. **Хоча деякі китайські компанії заявили про запуск чат-ботів, подібних до ChatGPT, наразі вони не такі хороші, як ChatGPT, з точки зору багатомовної підтримки, і все ще існує прогалина щодо швидкості відповіді з точки зору можливостей діалогу китайською мовою. **
**Зараз ми помічаємо лише ChatGPT, який націлений на генеративні завдання та в основному завершує створення мови, як-от спілкування в чаті та письмо. Модель Google BERT приділяє більше уваги судженню та прийняттю рішень, наголошуючи на розумінні мови, наприклад відповіді на запитання та вилученні семантичних зв’язків. технологія моделі BERT також заслуговує нашої уваги. **Оцінка рівня великомасштабних моделей повинна бути багатовимірною, комплексністю, раціональністю, простотою використання, швидкістю відгуку, вартістю, енергоефективністю тощо. **Загалом, розрив між розробкою великомасштабних моделей у моїй країні та за кордоном становить 1-2 роки. Основа все ще незрозуміла, і немає сенсу робити такий висновок зараз. **
Китайські компанії мають природні переваги перед іноземними компаніями в отриманні китайського корпусу та розумінні китайської культури **Китай має найповніші категорії виробництва та має сприятливі умови для навчання AIGC для реальних галузей. З точки зору обчислювальної потужності Китай вже має хорошу основу. **Згідно зі звітом OpenAI, обчислювальна потужність, необхідна для навчання моделі GPT3, становить 3,64 EFlops/день, що еквівалентно 3-4 Pengcheng Cloud Brain II (Pengcheng Cloud Brain II становить 1Eflops, тобто десятки мільярди обчислень із плаваючою комою за секунду). **Згідно з даними на кінець 2022 року, на США припадає 36% світової обчислювальної потужності, а на Китай – 31%. Серед них Китай значно перевищує США (згідно з даними на на кінець 2021 року масштаби інтелектуальних обчислень у Сполучених Штатах становлять 15% від загального масштабу глобальних інтелектуальних обчислень, а на Китай припадає 26%). Моя країна є не лише великою інтернет-компанією зі значною обчислювальною потужністю, але й національні лабораторії та лабораторії, підтримувані деякими міськими урядами, також мають великі ресурси обчислювальної потужності.Можна сказати, що Китай також може досягти підтримки обчислювальної потужності, необхідної для навчання великих моделей. **Відомо, що Pengcheng Lab розробляє Pengcheng Cloud Brain III, який має обчислювальну потужність 16 EFlops, що втричі перевищує потужність GPT-3. Очікується, що він коштуватиме 6 мільярдів юанів і продовжуватиме забезпечувати потужні обчислення. потужність для навчання штучному інтелекту.сильна підтримка.
Дослідження та розробки AIGC Китаю: потрібно визнати прогалину, зосередитися на викликах і впроваджувати інновації
**T: Окрім нашої гарної бази обчислювальної потужності, які проблеми, на вашу думку, існують у створенні великомасштабної моделі в Китаї? **
Ву Хецюань: Однієї обчислювальної потужності недостатньо. Ми все ще стикаємося з багатьма проблемами в таких аспектах:
**Перш за все, основою великої моделі є фреймворк глибокого навчання. Tensorflow і PyTorch у Сполучених Штатах протягом багатьох років культивують екологію фреймворку глибокого навчання. Хоча вітчизняні компанії також самостійно розробили фреймворк глибокого навчання, ринкової перевірки недостатньо, а екологію ще потрібно будувати.
**По-друге, розширення AIGC для промислових застосувань може вимагати більше ніж однієї великої моделі.Як ефективно інтегрувати кілька великих моделей, виникає проблема стандартизації та об’єднання даних.
По-третє, великі моделі вимагають масового навчання даних. Китай має тисячі років цивілізації, але більшість багатих культурних родовищ не оцифровано. Китайська мова становить менше 0,1% корпусу, який використовується для навчання ChatGPT. Незважаючи на те, що інтернет-компанії моєї країни мають велику кількість мережевих даних, таких як електронна комерція, соціальні мережі та пошук, типи даних недостатньо вичерпні, а достовірність онлайнових знань не гарантована. Китайський корпус, який можна який використовується для навчання, все ще потребує багато гірничих робіт.
По-четверте, чіп графічного процесора, на якому покладається навчання великих моделей, представлений чіпом A100 від Nvidia, але Сполучені Штати заборонили експорт цього чіпа до Китаю, а продуктивність вітчизняних графічних процесорів потребує подальшого тестування. все ще є прогалина в ефективності.
По-п’яте, у Китаї чимало техніків займаються дослідженнями штучного інтелекту, але все ще бракує талантів із можливостями проектування архітектури та підказками для навчання даних AIGC. До появи ChatGPT деякі люди вважали, що кількість статей і патентів у Китаї щодо штучного інтелекту порівнянна з кількістю в Сполучених Штатах.**Запуск ChatGPT дозволив нам побачити розрив між Китаєм і Сполученими Штатами в AIGC. Зараз нам потрібно чітко розуміти виклики, з якими ми стикаємося, і звертати увагу на них, впроваджувати справжні інновації, перетворювати виклики на можливості та робити внесок Китаю в новий виток ШІ. **
Рекомендується відкрити національну обчислювальну потужну платформу для підтримки різноманітних широкомасштабних моделей навчання
**T: ChatGPT, безсумнівно, є величезною інновацією. Як Китаю слід заохочувати такі інновації в майбутньому та які аспекти роботи він має робити? **
**Ву Хецюань: **Розвиток штучного інтелекту від дискримінаційного до генеративного є важливою інновацією, і вона почала виходити на шлях загального штучного інтелекту. Від GPT-3 до GPT-4 він розвинувся від текстового введення до часткового графічного введення, тобто збільшив здатність розуміти графіку. На цій основі вже недалеко реалізувати архітектуру глибокого навчання та загальну модель для підтримки мультимодального введення даних. Так, але узагальнення завдань великих моделей і вдосконалення виклику великих моделей за вимогою все ще вимагають більших інвестицій та інновацій. Дані без міток і неконтрольоване навчання для графіки та відео набагато складніше, ніж мова і введення тексту.
Зараз ми перебуваємо в критичному періоді розвитку загального штучного інтелекту. Для нашої країни це рідкісна можливість для розвитку стрибком, а також серйозний виклик. Обчислювальна потужність, моделі та дані є необхідними умовами для успіху ChatGPT і також будуть важливими факторами успіху загального штучного інтелекту.Крім того, найінноваційніша екологія, механізми та таланти є ключовими. За загальним масштабом обчислювальної потужності Китай можна порівняти зі Сполученими Штатами, але координація обчислювальної потужності між центрами обробки даних все ще стикається з інституційними проблемами, а рівень використання та ефективність обчислювальної потужності в багатьох інтелектуальних обчислювальних центрах невисокі. **Багато підрозділів самостійно досліджують великі моделі, і дублювання на низькому рівні є неминучим Рекомендується сформувати спільну силу з розумним розподілом праці під координацією національних науково-технічних і промислових планів. Рекомендовано відкрити платформу обчислювальної потужності національної лабораторії для підтримки різноманітних широкомасштабних моделей навчання. Наприклад, обчислювальна потужність Pengcheng Cloud Brain досягла 3/4 загальної потужності, що може підтримувати масштаб 200 мільярдів параметрів, які можна порівняти з GPT-3. Велика модель попередньо навченої китайської мови з відкритим кодом. **У той же час рекомендується сформувати альянс обчислювальної потужності, щоб зосередити ресурси обчислювальної потужності існуючих графічних процесорів високого класу та забезпечити обчислювальну потужність, необхідну для навчання даних великомасштабної моделі. **На даний момент «China Computing Power Network (C2NET)», в основному побудована лабораторією Pengcheng, підключена до понад 20 великомасштабних інтелектуальних обчислень, суперкомп’ютерів і центрів обробки даних, а сукупна неоднорідна обчислювальна потужність досягла 3 EFlops. для них обчислювальна потужність штучного інтелекту власної розробки перевищує 1,8 EFlops. Крім того, застосування чат-ботів є лише інтуїтивно зрозумілим способом навчання та тестування AIGC, але спілкування в чаті не просто необхідно. Необхідно розробляти різні моделі для галузевих додатків на основі великих моделей, щоб зробити великі моделі ефективними в галузі. якомога швидше Розвивайте більше талантів у застосуванні в усіх сферах життя. **
Великі промислові прикладні моделі вимагають всебічних талантів, які розуміють галузеві технології та навчання ШІ
**T: Наразі ми бачили застосування ChatGPT у деяких сферах, таких як чат-боти, створення тексту та розпізнавання мовлення. Чи з’являться в майбутньому певні можливості застосування у фізичній промисловості та сфері? З якими перешкодами досі стикаються при застосуванні великих моделей у фізичній промисловості? **
**Ву Хецюань: **На основі існуючих чат-ботів ChatGPT, після доповнення відповідного навчання галузевим і корпоративним знанням, вони можуть виконувати інтелектуальну роботу з обслуговування клієнтів на підприємствах, замінюючи працівників для надання клієнтам передпродажних і післяпродажних послуг. У процесі проектування та виробництва, який вимагає програмування програмного забезпечення, ChatGPT може замінити програмістів для виконання завдань програмування та перевірки програмних помилок. Може взяти на себе збір, переклад і упорядкування документів і матеріалів, необхідних у процесі проектування та виробництва. Після професійного навчання великі моделі, подібні до AIGC, можна використовувати для розробки програмного забезпечення EDA, наприклад інструментального програмного забезпечення для проектування IC. У анімаційних та ігрових компаніях роботи, навчені на основі великих моделей, подібних до AIGC, можуть писати сценарії, створювати сценарії ігор і програмувати їх відповідно до підказок, а також завершувати рендеринг 3D-анімації.
Однак ChatGPT не є загальною моделлю, і її важко безпосередньо застосувати до виробничого процесу реальної галузі.Однак вона може базуватися на принципі навчання ChatGPT і використовувати граф знань галузей і підприємств для ін- поглиблене навчання. Щоб завершити це, можна розробити велику модель, призначену для підприємств. Завдання першої роботи полягає в тому, щоб потрібні таланти, які не лише знайомі з процесом корпоративного завантаження та технологією ключових зв’язків, але й володіють навчанням штучного інтелекту великим даним технології.
Від зосередження на результатах до зосередження на процесі, інтеграція технології та правової системи домінує в процесі міркування AIGC
**T:ChatGPT також припускатиметься різноманітних помилок, а також спричинить певні проблеми етики, безпеки та конфіденційності. Як ми можемо створити інклюзивне та безпечне середовище розробки, застосовуючи великі моделі в майбутньому? **
**Ву Хецюань:**Поява генеративного штучного інтелекту привернула увагу суспільства до штучного інтелекту до безпрецедентної висоти.Провокуючи сплеск досліджень штучного інтелекту в наукових і промислових колах, багато експертів стурбовані тим, що штучний інтелект знищить людей і призупинити дослідження GPT-5. Занепокоєння деяких експертів не безпідставні, оскільки процес мислення роботів ChatGPT наразі непрозорий. Люди створили ChatGPT, але наразі люди не повністю розуміють його процес міркування. Непізнаване стане неконтрольованим, і існують ризики аномалії роботів , етична аномія та поведінка, що вийшла з-під контролю.
**Рішення полягає не в тому, щоб припинити дослідження штучного інтелекту, а в тому, щоб зосередитися на дослідженнях AIGC замість того, щоб зосереджуватися на результатах, розробити та керувати процесом міркування, щоб можна було очікувати результатів і контролювати поведінку. **Просування та застосування великої моделі в майбутньому вимагає безпечної та надійної оцінки кваліфікованою установою, а процес міркування великої моделі можна відстежити після перевірки. У той же час необхідно встановити відповідні закони та правила управління штучним інтелектом, щоб запобігти оманливому навчанню AIGC, притягнути до відповідальності суб’єктів навчання AIGC і суворо покарати підбурювання та сприяння злочинам. Завдяки взаємодоповнюваності технологій і правової системи штучний інтелект став справді вірним помічником людей.
Переглянути оригінал
Ця сторінка може містити контент третіх осіб, який надається виключно в інформаційних цілях (не в якості запевнень/гарантій) і не повинен розглядатися як схвалення його поглядів компанією Gate, а також як фінансова або професійна консультація. Див. Застереження для отримання детальної інформації.
Інтерв'ю Tengyan | Академік У Хецюань: Переваги, виклики та інноваційні шляхи розвитку великомасштабної моделі Китаю
Коли ChatGPT спровокував глобальне божевілля, модель штучного інтелекту, що стоїть за ним, раптово різко зросла. Кожен хоче знати, які розміри і стандарти оцінки рівня великої моделі?
Запуск ChatGPT дозволяє нам побачити розрив між Китаєм і Сполученими Штатами в AIGC. Отже, який поточний статус розвитку великої моделі Китаю? З якими можливостями та викликами зіткнеться розвиток широкомасштабної моделі Китаю в майбутньому?
Зараз ми перебуваємо в критичний період для розвитку загального штучного інтелекту. Зіткнувшись із тенденцією розвитку незалежних досліджень великих моделей різними установами, як підвищити ефективність обчислювальної потужності та ефективно уникнути низькорівневого дублювання?
Деякі люди в галузі хвилюються, що ШІ знищить людей. Чи це занепокоєння безпідставне? Як ми можемо запобігти проблемам до того, як вони виникнуть, і реалізувати передбачувані результати та керовану поведінку ШІ?
З різними запитаннями про AIGC **дослідницький інститут Tencent ексклюзивно опитав Ву Хецюань, академіка Китайської інженерної академії та авторитетного експерта в галузі комунікацій у моїй країні. **
【Інтерв'юер】
Niu Fulian Старший науковий співробітник Tencent Research Institute
Wu Chunling Старший науковий співробітник Tencent Research Institute
Ван Цян Старший експерт дослідницького інституту Tencent
(надалі Т)
Загальний масштаб існуючої обчислювальної потужності Китаю порівняно зі Сполученими Штатами: розрив є, але не великий
**T: Деякі люди кажуть, що розвиток великомасштабних моделей Китаю відстає від зарубіжних країн на 1-2 роки. Що ви думаєте про поточний розвиток великомасштабних моделей Китаю? **
**Ву Хецюань: **Китай почав розробку великомасштабних моделей пізніше, ніж Сполучені Штати. Після появи ChatGPT багато вітчизняних підрозділів заявили, що вони розробляють генеративні великомасштабні моделі. Наразі існує лише кілька такі компанії, як Microsoft і Google у Сполучених Штатах. Порівняно з великомасштабним дослідженням моделей, у моїй країні більше підрозділів, які розробляють великомасштабні моделі, ніж у Сполучених Штатах, але велика кількість об’єктів дослідження не означає, що Китай має високу рівень досліджень і розробок великомасштабних моделей. Кажуть, що кількість параметрів великої вітчизняної моделі досягає 1,75 трильйона, перевершуючи GPT-4, але про її застосування немає повідомлень. **Хоча деякі китайські компанії заявили про запуск чат-ботів, подібних до ChatGPT, наразі вони не такі хороші, як ChatGPT, з точки зору багатомовної підтримки, і все ще існує прогалина щодо швидкості відповіді з точки зору можливостей діалогу китайською мовою. **
**Зараз ми помічаємо лише ChatGPT, який націлений на генеративні завдання та в основному завершує створення мови, як-от спілкування в чаті та письмо. Модель Google BERT приділяє більше уваги судженню та прийняттю рішень, наголошуючи на розумінні мови, наприклад відповіді на запитання та вилученні семантичних зв’язків. технологія моделі BERT також заслуговує нашої уваги. **Оцінка рівня великомасштабних моделей повинна бути багатовимірною, комплексністю, раціональністю, простотою використання, швидкістю відгуку, вартістю, енергоефективністю тощо. **Загалом, розрив між розробкою великомасштабних моделей у моїй країні та за кордоном становить 1-2 роки. Основа все ще незрозуміла, і немає сенсу робити такий висновок зараз. **
Китайські компанії мають природні переваги перед іноземними компаніями в отриманні китайського корпусу та розумінні китайської культури **Китай має найповніші категорії виробництва та має сприятливі умови для навчання AIGC для реальних галузей. З точки зору обчислювальної потужності Китай вже має хорошу основу. **Згідно зі звітом OpenAI, обчислювальна потужність, необхідна для навчання моделі GPT3, становить 3,64 EFlops/день, що еквівалентно 3-4 Pengcheng Cloud Brain II (Pengcheng Cloud Brain II становить 1Eflops, тобто десятки мільярди обчислень із плаваючою комою за секунду). **Згідно з даними на кінець 2022 року, на США припадає 36% світової обчислювальної потужності, а на Китай – 31%. Серед них Китай значно перевищує США (згідно з даними на на кінець 2021 року масштаби інтелектуальних обчислень у Сполучених Штатах становлять 15% від загального масштабу глобальних інтелектуальних обчислень, а на Китай припадає 26%). Моя країна є не лише великою інтернет-компанією зі значною обчислювальною потужністю, але й національні лабораторії та лабораторії, підтримувані деякими міськими урядами, також мають великі ресурси обчислювальної потужності.Можна сказати, що Китай також може досягти підтримки обчислювальної потужності, необхідної для навчання великих моделей. **Відомо, що Pengcheng Lab розробляє Pengcheng Cloud Brain III, який має обчислювальну потужність 16 EFlops, що втричі перевищує потужність GPT-3. Очікується, що він коштуватиме 6 мільярдів юанів і продовжуватиме забезпечувати потужні обчислення. потужність для навчання штучному інтелекту.сильна підтримка.
Дослідження та розробки AIGC Китаю: потрібно визнати прогалину, зосередитися на викликах і впроваджувати інновації
**T: Окрім нашої гарної бази обчислювальної потужності, які проблеми, на вашу думку, існують у створенні великомасштабної моделі в Китаї? **
Ву Хецюань: Однієї обчислювальної потужності недостатньо. Ми все ще стикаємося з багатьма проблемами в таких аспектах:
**Перш за все, основою великої моделі є фреймворк глибокого навчання. Tensorflow і PyTorch у Сполучених Штатах протягом багатьох років культивують екологію фреймворку глибокого навчання. Хоча вітчизняні компанії також самостійно розробили фреймворк глибокого навчання, ринкової перевірки недостатньо, а екологію ще потрібно будувати.
**По-друге, розширення AIGC для промислових застосувань може вимагати більше ніж однієї великої моделі.Як ефективно інтегрувати кілька великих моделей, виникає проблема стандартизації та об’єднання даних.
По-третє, великі моделі вимагають масового навчання даних. Китай має тисячі років цивілізації, але більшість багатих культурних родовищ не оцифровано. Китайська мова становить менше 0,1% корпусу, який використовується для навчання ChatGPT. Незважаючи на те, що інтернет-компанії моєї країни мають велику кількість мережевих даних, таких як електронна комерція, соціальні мережі та пошук, типи даних недостатньо вичерпні, а достовірність онлайнових знань не гарантована. Китайський корпус, який можна який використовується для навчання, все ще потребує багато гірничих робіт.
По-четверте, чіп графічного процесора, на якому покладається навчання великих моделей, представлений чіпом A100 від Nvidia, але Сполучені Штати заборонили експорт цього чіпа до Китаю, а продуктивність вітчизняних графічних процесорів потребує подальшого тестування. все ще є прогалина в ефективності.
По-п’яте, у Китаї чимало техніків займаються дослідженнями штучного інтелекту, але все ще бракує талантів із можливостями проектування архітектури та підказками для навчання даних AIGC. До появи ChatGPT деякі люди вважали, що кількість статей і патентів у Китаї щодо штучного інтелекту порівнянна з кількістю в Сполучених Штатах.**Запуск ChatGPT дозволив нам побачити розрив між Китаєм і Сполученими Штатами в AIGC. Зараз нам потрібно чітко розуміти виклики, з якими ми стикаємося, і звертати увагу на них, впроваджувати справжні інновації, перетворювати виклики на можливості та робити внесок Китаю в новий виток ШІ. **
Рекомендується відкрити національну обчислювальну потужну платформу для підтримки різноманітних широкомасштабних моделей навчання
**T: ChatGPT, безсумнівно, є величезною інновацією. Як Китаю слід заохочувати такі інновації в майбутньому та які аспекти роботи він має робити? **
**Ву Хецюань: **Розвиток штучного інтелекту від дискримінаційного до генеративного є важливою інновацією, і вона почала виходити на шлях загального штучного інтелекту. Від GPT-3 до GPT-4 він розвинувся від текстового введення до часткового графічного введення, тобто збільшив здатність розуміти графіку. На цій основі вже недалеко реалізувати архітектуру глибокого навчання та загальну модель для підтримки мультимодального введення даних. Так, але узагальнення завдань великих моделей і вдосконалення виклику великих моделей за вимогою все ще вимагають більших інвестицій та інновацій. Дані без міток і неконтрольоване навчання для графіки та відео набагато складніше, ніж мова і введення тексту.
Зараз ми перебуваємо в критичному періоді розвитку загального штучного інтелекту. Для нашої країни це рідкісна можливість для розвитку стрибком, а також серйозний виклик. Обчислювальна потужність, моделі та дані є необхідними умовами для успіху ChatGPT і також будуть важливими факторами успіху загального штучного інтелекту.Крім того, найінноваційніша екологія, механізми та таланти є ключовими. За загальним масштабом обчислювальної потужності Китай можна порівняти зі Сполученими Штатами, але координація обчислювальної потужності між центрами обробки даних все ще стикається з інституційними проблемами, а рівень використання та ефективність обчислювальної потужності в багатьох інтелектуальних обчислювальних центрах невисокі. **Багато підрозділів самостійно досліджують великі моделі, і дублювання на низькому рівні є неминучим Рекомендується сформувати спільну силу з розумним розподілом праці під координацією національних науково-технічних і промислових планів. Рекомендовано відкрити платформу обчислювальної потужності національної лабораторії для підтримки різноманітних широкомасштабних моделей навчання. Наприклад, обчислювальна потужність Pengcheng Cloud Brain досягла 3/4 загальної потужності, що може підтримувати масштаб 200 мільярдів параметрів, які можна порівняти з GPT-3. Велика модель попередньо навченої китайської мови з відкритим кодом. **У той же час рекомендується сформувати альянс обчислювальної потужності, щоб зосередити ресурси обчислювальної потужності існуючих графічних процесорів високого класу та забезпечити обчислювальну потужність, необхідну для навчання даних великомасштабної моделі. **На даний момент «China Computing Power Network (C2NET)», в основному побудована лабораторією Pengcheng, підключена до понад 20 великомасштабних інтелектуальних обчислень, суперкомп’ютерів і центрів обробки даних, а сукупна неоднорідна обчислювальна потужність досягла 3 EFlops. для них обчислювальна потужність штучного інтелекту власної розробки перевищує 1,8 EFlops. Крім того, застосування чат-ботів є лише інтуїтивно зрозумілим способом навчання та тестування AIGC, але спілкування в чаті не просто необхідно. Необхідно розробляти різні моделі для галузевих додатків на основі великих моделей, щоб зробити великі моделі ефективними в галузі. якомога швидше Розвивайте більше талантів у застосуванні в усіх сферах життя. **
Великі промислові прикладні моделі вимагають всебічних талантів, які розуміють галузеві технології та навчання ШІ
**T: Наразі ми бачили застосування ChatGPT у деяких сферах, таких як чат-боти, створення тексту та розпізнавання мовлення. Чи з’являться в майбутньому певні можливості застосування у фізичній промисловості та сфері? З якими перешкодами досі стикаються при застосуванні великих моделей у фізичній промисловості? **
**Ву Хецюань: **На основі існуючих чат-ботів ChatGPT, після доповнення відповідного навчання галузевим і корпоративним знанням, вони можуть виконувати інтелектуальну роботу з обслуговування клієнтів на підприємствах, замінюючи працівників для надання клієнтам передпродажних і післяпродажних послуг. У процесі проектування та виробництва, який вимагає програмування програмного забезпечення, ChatGPT може замінити програмістів для виконання завдань програмування та перевірки програмних помилок. Може взяти на себе збір, переклад і упорядкування документів і матеріалів, необхідних у процесі проектування та виробництва. Після професійного навчання великі моделі, подібні до AIGC, можна використовувати для розробки програмного забезпечення EDA, наприклад інструментального програмного забезпечення для проектування IC. У анімаційних та ігрових компаніях роботи, навчені на основі великих моделей, подібних до AIGC, можуть писати сценарії, створювати сценарії ігор і програмувати їх відповідно до підказок, а також завершувати рендеринг 3D-анімації.
Однак ChatGPT не є загальною моделлю, і її важко безпосередньо застосувати до виробничого процесу реальної галузі.Однак вона може базуватися на принципі навчання ChatGPT і використовувати граф знань галузей і підприємств для ін- поглиблене навчання. Щоб завершити це, можна розробити велику модель, призначену для підприємств. Завдання першої роботи полягає в тому, щоб потрібні таланти, які не лише знайомі з процесом корпоративного завантаження та технологією ключових зв’язків, але й володіють навчанням штучного інтелекту великим даним технології.
Від зосередження на результатах до зосередження на процесі, інтеграція технології та правової системи домінує в процесі міркування AIGC
**T:ChatGPT також припускатиметься різноманітних помилок, а також спричинить певні проблеми етики, безпеки та конфіденційності. Як ми можемо створити інклюзивне та безпечне середовище розробки, застосовуючи великі моделі в майбутньому? **
**Ву Хецюань:**Поява генеративного штучного інтелекту привернула увагу суспільства до штучного інтелекту до безпрецедентної висоти.Провокуючи сплеск досліджень штучного інтелекту в наукових і промислових колах, багато експертів стурбовані тим, що штучний інтелект знищить людей і призупинити дослідження GPT-5. Занепокоєння деяких експертів не безпідставні, оскільки процес мислення роботів ChatGPT наразі непрозорий. Люди створили ChatGPT, але наразі люди не повністю розуміють його процес міркування. Непізнаване стане неконтрольованим, і існують ризики аномалії роботів , етична аномія та поведінка, що вийшла з-під контролю.
**Рішення полягає не в тому, щоб припинити дослідження штучного інтелекту, а в тому, щоб зосередитися на дослідженнях AIGC замість того, щоб зосереджуватися на результатах, розробити та керувати процесом міркування, щоб можна було очікувати результатів і контролювати поведінку. **Просування та застосування великої моделі в майбутньому вимагає безпечної та надійної оцінки кваліфікованою установою, а процес міркування великої моделі можна відстежити після перевірки. У той же час необхідно встановити відповідні закони та правила управління штучним інтелектом, щоб запобігти оманливому навчанню AIGC, притягнути до відповідальності суб’єктів навчання AIGC і суворо покарати підбурювання та сприяння злочинам. Завдяки взаємодоповнюваності технологій і правової системи штучний інтелект став справді вірним помічником людей.