在AI大模型中，“Scaling Laws”（规模效应）意味着当参数和数据规模大到一定程度时，大模型的智能表现将涌现跃升，也便是“智能呈现”。漆远比拟人类大脑和AI模型指出，人脑里的链接是百万亿到千万亿级别，而GPT-4等大模型的参数规模才到万亿级。在他看来，仍旧可以通过扩大AI模型的参数规模，以求提高模型的智能表现，“但这仍面临着诸多寻衅”。
第一个寻衅便是AI的能耗问题。漆远提到，一个GPU（图形处理器，现常用于AI打算）的能耗在几百瓦（W）到数千瓦之间，目前用于演习AI模型的打算矩阵，已经达到了“万卡”（即上万个GPU）。如果连续扩大AI模型的参数规模，达到百万亿、千万亿参数级别的AI模型将面临着巨大的能源寻衅，“这对一个城市或一个地区的能量都可能是非常大的花费”。
此外，从“有用的玩具”到“有用的工具”，AI模型还有很长的路要走。漆远指出，目前的AI模型更善于快思考，它可以很快地回答，是一个很好的谈天工具，“但真正作为生产力工具，须要慢思考，须要严谨的逻辑推理”。
他认为，要实现这一目标，须要将以深度学习为根本的快思考“黑盒”模型，与慢思考、可以阐明逻辑推理过程的“白盒”模型相结合，打造“灰盒”可信大模型，“这可能是将AI模型，从一个非常故意思的谈天工具，变成一个可信、可控、可阐明的有用工具的可行路径。”
7月19日，“2024中国联通互助伙伴大会”在上海开幕，上海科学智能研究院院长、复旦大学特聘教授漆远在主峰会上揭橥专家演讲。中青报·中青网见习 贾骥业/摄
来源：中国青年报客户端