机器之心：大家好，欧易交易所欢迎来到「智者访谈」，今天我们的主题是「技术发展中、巨头博弈下的AI开源」。开源一直以来都是AI社区所关注的主题之一。不过随着AI能力的增强，尤其是大模型出现以后，不把研究成果完全开源也成了一种主流的做法，当然这也引发了诸多的争议，在这样的背景下，AI开源将如何发展？今天我们非常高兴地请到了AI开源生态专家黄之鹏先生一起探讨。

黄之鹏：也非常高兴今天来这里。

机器之心：说到AI开源，现在业界最流行的一个梗就是OpenAI变成CloseAI。您觉得OpenAI从开源走向闭源，背后的深层原因是什么？

黄之鹏：对于OpenAI来说，我们如果考察它的历史，整个的变迁应该说是挺正常的一个转变。OpenAI最早设立的时候，确实是按照非营利机构在运作，所以GPT-1、GPT-2基本上都是开源的，美国对非营利机构也有客观的要求，所以它必须要开源。

转折点大概出现在2019年，微软开始注资，其前提是Sam Altman改了公司结构，搞了一个商业实体出来，让它可以接受注资。所以OpenAI转变成一个以商业结果为导向的机构，而其核心竞争力在当时基本上还是模型本身，那对于OpenAI来说，开源确实就不是首选项，因为它已经不是以研究或者说以共享研究成果为目的了，所以从GPT-3开始，就基本上是闭源的状态。

机器之心：不过当时他们官方的口径是出于安全考虑，不公开代码，担心会被滥用。

黄之鹏：我觉得部分应该是实话，以Ilya Sutskever为代表的，或者说最早的OpenAI的alignment team，对人类的安全，他们确实有这个担心。当然后面我觉得可能多多少少是一个说辞。

我觉得「对齐」某种程度上被夸张了。我一直以来的观点是，当你研发一个大模型出来之后，比如说要做到对当地的法律法规、习俗等的遵从，以这个为目的做相应的alignment，是非常合理的。

但是，现在北美对于alignment其实有一点过火，体现在有一种专家的自负在里面，尤其是这些对齐team的专家，他们会呈现出来一种倾向，就是我认为什么是对人类安全的，我认为什么是好的，那我希望模型要对齐到这个程度，这就有一点多余了。

另外，Anthropic也揭露过，对齐在训练模型上也是一个成本，他们专门有一个词叫alignment tax，就是你用知识压缩一个模型出来，除了该对齐的之外，非要让我这些话不能说，那些词不能用，可能涉及到很多政治正确的，这对训练本身来说也是一个成本，有可能会影响到模型很多其他的表现。所以每做完一次对齐后，还得测试它是不是对其他产生影响，万一产生了关联影响，还得看怎么去调整。所以客观成本上来说，其实是引入了额外的负担。

最近有一篇论文叫OR-Bench，OR指over refusal，这个bench就看很多所谓的正常问题，有可能会因为价值观对齐，大模型拒绝回答的概率，这张图显示出来一个很有趣的趋势，所有GPT现在能打的版本，refusal率其实都不是很高了，反而是大家印象里面，不怎么做对齐的，拒绝率很高。

最后更新于2024年6月的arXiv论文OR-Bench，对常见LLM拒绝生成文本的能力进行了研究，强调了模型安全性与其过度拒绝率之间的权衡。论文地址：arxiv.org/pdf/2405.20947

大家刻板偏见Llama应该是不怎么搞对齐的，因为Yann LeCun一直是旗手，说我们要开源，是吧？但是你看Llama的refusal rate其实还是很高的，这个研究可能揭示了表象后面现实世界真正在发生的事情，那就是所有在喊对齐的人其实都已经不再做了。

Anthropic我觉得基本上是打着对齐的旗号，在做可解释性的东西。反而是不太强调对齐的Llama，每一次发出来后可以看出，还是很严格认真地做了很多的alignment，所以这是很有趣的一个现象。所以我估计后面的一个大趋势是，基本的对齐大厂该做的肯定还是做，但是额外的那部分基本上没有人会特别认真地去做，反而是开源或者说开放权重的这些团队，因为他们怕这种不确定性。

其实有一个概念需要澄清，或者说很多人不太了解，就是大家现在看到的最好用的这些所谓的开源模型，严格意义上来说并不是开源了，只是开放了权重，权重只是一个可执行文件，完全的开源模型，是指包括数据集，对数据集的各种处理的方法、处理工具，整个训练过程用到的工具、脚本，以及对齐，不管是RLHF还是DPO、PPO，所用到的那个小的reward模型，例如做DPO端到端的pair数据集，如果都能开放出来，那才算完全开源。

像Allen Institute for AI发布的OLMo，以及LLM360的K2-65B，这些是符合的，但一是比较少，另一个就是这一类模型一般也都不太能打，因为你想它用的都是开源数据集。大家平常用的就是开放权重的模型。

对于Meta来说，虽然Llama的开放权重模型带给他们巨大的声誉和开发者的生态，但是确实也是一种负担，就是一旦有问题，你的一个没对齐，你一发布出来上万个fine tuning已经出来了，你要怎么回收？所以对于他们来说反而对齐的压力要更大。

机器之心：与OpenAI形成回应，欧意交易所app官方下载Google和Meta在开源上面的策略和应对，包括您刚才提到的Llama开源，其实也是一大看点。

黄之鹏：对，不管是Google还是Meta，开源对于这些大的商业企业来说，一定是服务其商业目的的一个手段。比如Google，一直以来的梦魇就是它的搜索入口被别人给掐掉，所以Google最开始的Gemini模型基本上是保持封闭的。但是后来我们发现它推出了一系列的开放权重模型，比如Gemma，今年Google I/O上更是推出了更多大家比较关注的模型，包括文生图的PaliGemma，我看网上大家实测效果也都很不错。

我跟Google之前Gemma的产品经理面对面聊过，他也很坦诚，其实Google的思路很简单，就是对于Google最要命的几条线——Web网页端、Mobile移动端，以及它自己的Search搜索和云，它的大模型生态一定要把这几点占住。

Google发现可能光靠一个不太开放的Gemini，主要靠云上的服务可能还不够，那就增加手段，开放一系列同源的、小一些的模型，这样就可以把它关心的全场景逐渐占起来。

对于硅谷的公司来说，通过开源或开放做短期生态建设以及长期的人才培育，基本上大家都认为是比较重要的，所以Google是这么一个发展。我觉得Meta想的也很清楚，Llama是第一个性能很好的开放权重模型，然后一直到现在Llama 3（编注：截止北京时间2024年7月24日，Meta已发布Llama 3.1 405B，官方称其性能媲美最好的闭源模型）。

机器之心：其实大家最开始也在看，谁会最先开源出这样的一个模型，背后推动者是Meta，业界对此还是有一些惊讶的。

黄之鹏：是，大家其实原来会猜要么是Google，要么是亚马逊，毕竟Azure对于AWS来说还是很大的一个竞争对手，你不能让它这么占风头，结果发现这两者都不是。

我觉得从扎克伯格访谈里面的信息来看，其开源Llama的选择跟Meta自身的商业路径还是比较匹配的，因为对于Meta来说，大模型只是一个基础件，扎克伯格反复强调这一点，我基于大模型能够构建很多的生成能力、Agent能力，最后要服务到我的元宇宙、我的社交，这些才是我最关心的。所以你看在Meta的核心业务层面，它不会搞任何开源的项目。

Meta把Llama开放出来，可以达到几个目的。第一，肯定能打破OpenAI的垄断，给广大开发者另外一个比较好的选择。第二，一以贯之的硅谷做人才培养，有越来越多的人习惯Llama这个架构的LLM开发，那对Meta来说是一种人才储备。

微软和OpenAI，是双方因为联盟达成了一个战略默契。所以你看微软在疯狂推的是很轻量的、能够在端侧跑的大模型。

Sam Altman自己在访谈里面说过，他觉得如果通过开源的项目能够不让Google、苹果把这一块占住，那他的目的就达到了，因为他最不希望看到的是出来一个集群式的对GPT而言有很强竞争力的模型。所以微软的开源对于他来说是策略上的互补，那对于微软来说，反正多留些手牌也高兴了。

回到刚才说的，其实我们看到大厂的大模型是不是开放权重，或者是不是自己再做一个，都有其独特的策略设计，但基本上都是符合自身商业策略的。

机器之心：苹果跟OpenAI的合作也比较有意思，包括调用OpenAI的大模型，以及苹果自己的端侧大模型，还有它提出的隐私计算云的概念。

黄之鹏：对，这些都挺吸引我们注意的。调用OpenAI的大模型，对于现阶段的苹果来说，至少是一个比较合理的商业合作。它的隐私计算云就比较有趣了，因为它第一次比较明确地提出在正式的商用环境中提供隐私计算，或者叫私密计算，或者叫confidential computing。

长期以来，我们都认为confidential computing非常重要，但是它对性能的影响比较大。比如，我希望我的数据不被中心化的模型训练方所知，就要通过加密和隐私计算的方式，但这样做成本和开销都很高，特定场景下可以，但很难大规模使用。

苹果这次宣布的隐私计算云，如果我没理解错的话，更多强调的是用户数据所处的环境安全，要提供一个基于confidential computing的环境。包括每一次密钥都要重新分配，密钥的存储基本上都会用到confidential computing，用可信执行环境（TEE）去存储这些关键的数据信息，包括用户的数据。但它可能没有刻意强调要把这个技术应用到模型训练上。

因为对用户来说，最需要的是推理的结果。比如，我在苹果手机上有一个日历，你有我的日历信息，你的模型能够根据我的日历，推荐我一个行程安排，这是一个很常见的场景。对苹果来说，其实不是特别需要把用户数据拿来做fine-tuning，还要保证数据安全，它只要保证用户触发推理时的数据安全就足够了。

在我们看来，苹果的隐私计算云是在商用场景中使用confidential computing最合理的描述，它可能还用到了区块链技术，只不过没做具体说明，只是说用户的所有的日志都是publicly verifiable（公开可验证的）。很多做区块链的人一看就会明白，这相当于是在说我们还用了一个Blockchain，因为我们不想存储数据，只要用户自己能够对自己的日志做到可信就可以了。所以不管它背后实际做了什么，至少苹果的发布看起来还是很有趣，挺有启发的。

机器之心：聊了这么多，往后退一步来看，现在整个AI的技术栈和基础设施都发生了一些变化，在您看来有哪些值得关注的趋势？

黄之鹏：我主要从开源的角度谈谈我的看法。在框架层面，我认为未来比较关键的是要支持动态图，能够同时支持动态图、静态图、生成式模型以及像AI for Science（AI4S）这类模型的框架，估计才能生存下来。那些比较偏单一目标的框架，可能慢慢地就很少有人用了。

机器之心：但是AI4S和生成式AI之间，不是有一些相悖的地方吗？

黄之鹏：对于框架来说，数字货币交易平台比较难处理的主要是计算方式上的差异。对AI4S来说，函数式编程是比较好的实现方法，所以你看JAX、MindSpore有一大部分特性就是要用函数式编程，去描述、去仿真科学计算的公式或其他建模，这样表达是最好的，计算也是最方便的。

但所有的LLM，也就是生成式模型，更在乎的是对大量并行计算的支持，以及对动态图调试、静态图推理的支持。所以主要是这个矛盾，作为一个框架要能把它们协调好。这一块还没有看到很好的解决方案，哪怕是现在占有绝对优势的PyTorch，也不是能把这两大块都兼顾得很好。

机器之心：这两块能兼顾好吗？从技术角度上说。

黄之鹏：（笑）感觉应该可以，如果不可以的话，我们的生活就太无趣了。

在框架之上，或者说基于框架，基本上就是写模型了。模型层面，现在有一个新的趋势，就是微调变得越来越难了。

开源开发者经常会做的一件事，就是把开放出来的几十B的大模型量化到8比特、4比特，这样自己电脑就能跑。之前之所以好微调、好量化，是因为模型对知识的压缩做得不是那么好，你可以把它想成是已经尽力压缩了，但里面还是有很多空隙，有很多泡泡，所以还能做量化，再给它挤一点。

微调的意思是，用自己的数据集，再稍微补一点东西进去，让模型对这一块任务的能力稍微强一点。但是从Llama 2开始，对知识的压缩已经做得越来越好，大家会发现留给模型本身的微调和压缩的空间就越来越小。

所以现在开源开发者圈子里面也在争论这个问题，还没有定论。已经有一部分人认为，可能微调的意义也不大了，因为空间越来越小，费了半天劲，还不如直接用那些有几百万上下文窗口的模型，自己喂数据进去，连RAG都不用，这样不是更香吗？

当然了，支持微调或者持续做一些量化的人，还是希望能够自己去调一些东西，要不然一个模型开放权重出来干嘛呢？所以这是现在新的一个状况。如果今年下半年和明年新出来的预训练大模型，确实是对知识的压缩越来越好的话，可能微调真的又要被杀死了，然后就会有新的技术出来，去调这些越来越好的预训练大模型。

模型层再往上，就是现在提到的很多Agent，还有做Prompt Engineering的工具，比如LangChain，大家都很熟悉了。另外有两个项目我觉得可能后面会越来越重要，都是从斯坦福出来的，一个叫DSPy，它是为Prompt提供一种编程化的方法。另一个项目叫SGLang，可以搭配DSPy使用，它实际上是一个编译器，能够让你把prompt的语言编译成可以对接到各个大模型的代码。

可能这一层更贴近应用，所以项目非常多，我刚才只是挑出来说了几个。还有一个层面要说的是AI系统，对吧？

机器之心：是的，就是关于大模型本身的争论，基于大模型能不能够实现AGI，或者更准确地说——光靠LLM够不够？

黄之鹏：对，当然我们如果就这么一想的话，肯定都会觉得不够，但是缺什么呢？我最近在看一本书，是Thomas Parr等人写的，叫《Active Inference》，这本书可以给我们提供一些启发。

《Active Inference》一书由Thomas Parr、Giovanni Pezzulo和Karl J.Friston合著，全面概述了Active Inference假说，这是一种将自由能原理（Free Energy Principle）应用于理解心智、大脑和行为的理论。来源：MIT Press

有一派科学家认为，LLM本身不具备推理能力（reasoning）。比如说Keras的作者François Chollet，他觉得大模型主要就是靠记忆（memorization），就是记得多。所以他们这一派有一个观点：所有LLM的推理（inference）都是所谓的inactive inference，因为模型已经训练好了，模型的推理，用François Chollet的话说，就跟数据库查询没有任何区别。模型本身是不动的，只是把一堆东西压缩到一起，你问它什么，它就告诉你什么，而且不会告诉你超纲的东西。

他们认为未来的方向应该是Active Inference。如何定义Active Inference？他们认为，所有感官生物（sensory animal）的神经系统无时无刻不在做的一件事，就是要减少它实际遇到的情况和它预设情况之间的差异，他们称之为「surprise」，所谓的Active Inference就是要减少这个surprise。

机器之心：这种对智能的定义很有趣。

黄之鹏：他们认为所有感官动物，包括人，90%的时间其实都是在做active inference，可能剩下10%是利用记忆来做的事情。比如说我们今天做这个播客，这是我第一次在这个地方，跟你做这个节目，我的大脑需要处理全新的场景，虽然我有很多之前的知识储备，有一定的记忆，但我还是要针对这个新的场景去做active inference。

为什么说Active Inference会对AI系统提供一个新的角度？因为它核心的观点，做企业的人可能也会比较感兴趣，就是感知动物的行为一直在追求一个熵减的过程。

就像刚才说的要minimize surprise，书里举了一些例子，比如说人们会盖房子，新建一个东西肯定是增加复杂度的，但如果从长时间尺度去看，它其实是让人们能够住进去，让整个文明从游牧的骑着马四处乱跑，变成在一个地方定居下来。所以他们这一派会认为，大模型代表的能力，只是AI系统中的一环，它可以做很多记忆、生成很多东西，但真正去做熵减，现在应该还没有触碰到。

机器之心：您之前还提到了一个更深刻的影响，就是「数据代替逻辑」。

黄之鹏：对，数据代替逻辑，这是Google做Robot基础大模型的，也即RT-2项目的一位作者，她之前发表的一个观点，对我挺有触动的。

我觉得有很大几率，以后对于我们工程师来说，可能代码越来越不那么重要了，诸如代码逻辑这些，大模型一定都会帮你搞得好好的，但是你要能知道你需要的这个代码是怎样的数据做出来的，这是全新的一个skill set，大家要逐渐培养这个能力。

要知道如何收集数据、处理数据，然后能够根据数据，不管是微调还是其他方法——之前说可能以后没有微调的空间了，是吧？——做出最适用于自己的模型，然后让模型替你写代码。这是一个全新的未来，让我们拭目以待。

机器之心：AI Stack和Infra有了这些关键的趋势，其本质还是AI的技术在不断演变和发展，而这深刻地影响整个AI开源生态。现在AI开源生态比较活跃的技术方向，您能分享一下吗？

黄之鹏：可以先聊聊大模型本身。第一个是多模态，而且是能够做到原生的多模态进、多模态出的统一架构，这肯定是未来的一个发展方向。Meta混合模态大模型Chameleon团队负责人，他在社交网络上透露的信息是，Meta不满足于token这个层面，而是要做到byte层面的统一，就是无论输入的是图像、视频还是其他，最后都归结到byte。当然，从直觉上来说，越基本越有助于统一，但是这样做难度也很大，因为你需要从一个byte就判断出它是某个图像或视频的一部分。

其实已经有很多人尝试过这个方向了，有篇论文叫《Bytes are All You Need》。这部分工作确实难，但如果做成了，比如我们一直期待的400B规模的Llama 3在今年下半年出来的话，我们预计它很有可能是一个多模态的版本，如果真的可以实现byte级统一，那将会是一个很大的发展。

第二个是Meta在持续推进的，或者说大家关注的schedule的概念，指的是训练里面对learning rate的调度。Meta一直在推一个叫「scheduleless」的方法，他们发现不管是SGD还是Adam，对于优化器来说，可能并不需要很复杂的cosine annealing，可以不用schedule，这可能也是一个新方向，包括很多新的优化器的探索，像Sophia。

另外一个技术发展方向是尝试替代现有Transformer架构的，最火的就是State Space Model（SSM），以Mamba为代表。另外一类是LSTM的作者，他们做的xLSTM。不过看最新的一些研究，我觉得现在路径有些归一了。Transformer毕竟是在生产环境已经验证过的，它的可扩展性、应用性都很好。

机器之心：而且当一个模型已经应用到这种范围和程度之后，要有一个新的东西取代它，也需要巨大的成本，你提供的价值得超越取代它的这些成本。

黄之鹏：对，其实针对Transformer做的优化现在也很多，所以未来如果两个架构在互补的点能够形成一个混合架构，现在看是可能是一个方向，可能不会存在完全的替代。

机器之心：在完全替代之前技术都是这样发展的。在原有的基础上，然后迭代一部分，直到把原先的彻底迭代完。

黄之鹏：另外一个趋势就是SAE或者说Sparse AutoEncoder，这可能也是一个方向。这其实是OpenAI和Anthropic的alignment team都在做的一件事，当然他们的技术点还是朝着可解释性方向努力，Anthropic给它起了一个名字叫「Mono-Semanticity」，单语义。为什么要追寻这个单语义呢？就是他们发现，基于现在的Transformer虽然很好用，但是大家都觉得它是个黑盒子，把很多维度的东西superposition到一起，你不知道哪个神经元对应哪个请求、哪个输出。

他们现在在做的SAE的尝试，就是把原来MLP那块改成一个尽可能稀疏的AutoEncoder，这样在不影响性能的情况下，大概能够类似于生物学里，能看到哪个神经元被激活，这个神经元的激活路径大概是怎样的。

Anthropic在Claude上面做了一个实验叫「Golden Bridge」，他们专门上线了一个版本的Claude，你无论问它什么，它回答里面都是「我跟你说一下金门大桥……」，这很有意思，因为他们通过实验发现金门大桥是一个触发点。

机器之心：类似于祖母细胞那样？

黄之鹏：对，你只要一触发这个，模型就停不下来，就要反复说金门大桥，还挺有意思的，他们后来把这个版本下线了。所以我觉得SAE也是一个很有潜力的方向，让网络的可解释性更强一些。可解释性强有什么好处呢？正好就可以牵出来MoE这个话题。

我今年年初正好去法国，有机会跟Mistral AI的CTO Timothée Lacroix聊了聊。巴黎现在有一个像初创孵化器的地方叫Station F，我们正好赶上那边搞活动，就过去跟他聊了半天。因为我觉得MoE一直有一个很大的误区，当然部分是因为我自己也贡献过的一个项目叫mergekit，这是一个合并MoE模型的工具。但是mergekit的脚本里面明确要求不同的专家要写明不同的用处，我曾经写过几个用处一样的专家，编译是不给过的，是报错的。

然后我就问Timothée，因为现在Stable Diffusion 2之后，很显然diffusion model在往Transformer迁，比如DiT或者SiT。我说，那是不是以后所有生成图片或生成视频的模型，也可以做MoE，然后这些MoE可以是不同角色或功能的，比如说有做动画的专家，有做不同风格的专家……他回答我说，首先diffusion的MoE肯定是可以做的，但不是像我想的这样。

确实，Mistral自己发的MoE的论文里面，它明确写了expert是没有角色分工的。MoE最早是Google发的论文，主要是对这个架构的一个描述，确实是有分成不同的expert，但是在训练的时候，所有的expert其实都是在一个叫latent space的很高维的空间里。你不知道哪个专家在干什么。

所以跟Timothée聊完之后，对于我来说也算是一个澄清，或者说之前我也有误区，你如果误以为只是Mistral定义的MoE不做区分，然后你也认为mergekit的那个脚本是正确的，你很容易就以为每个expert都有不同的角色。

Anthropic的可解释性专家也表示，这其实是一个常见的难题，包括OpenAI、Anthropic、Mistral，MoE本身的可解释性目前来说还是很差的，你真的不知道哪个专家在干什么，你也没法按照角色给它们安排。但是，如果刚才说的sparse autoencoder未来真能做起来的话，是有可能按照角色去区分MoE的，或者说MoE未来的一个方向可能是与可解释性连在一起的。

还有一个与MoE相关的话题，那就是量化（quantization）。例如，现在最火的GGUF格式的量化模型，很多人，包括我自己，在试用许多大模型时，包括跑测试，基本都是在笔记本上进行的。

现在一个大的方向叫三元运算（Ternary）。最近还有一篇论文叫《MatMul Free LLMs》，它实际上把矩阵乘法全部转换成了加法和阿达马矩阵（Hadamard matrix），因为量化到三元后，复杂度会降低很多，这可能是量化未来的一个方向。但量化后面临的最大问题刚才已经提到了，就是如果预训练大模型对数据的压缩做得越来越好，那么留给量化的空间就越来越少，所以未来量化如何发展也值得关注。

该论文发现，随着模型规模的扩大，无矩阵乘法模型与传统Transformer模型性能之间的差距越来越小，并有可能在超大规模模型上超越后者。来源：Rui-Jie Zhuet.al，Scalable MatMul-free Language Modeling，arxiv.org/pdf/2406.02528

还忘了一点，就是MoE本身的一个趋势，从DeepSeek和千问这两个我们国内比较优秀的开源项目的技术报告可以看出，他们的MoE都是fine-grained的。

Fine-grained的意思是，尽可能地做很多很多专家，然后只选取激活其中的一部分，这是现在的一个趋势。之前在社交网络上也有人问过，有没有可能给MoE做一些剪枝。后来大家讨论说，因为可解释性的问题，现在可以做这种fine-grained的叠加，但是不知道该剪哪里，因为不知道谁是谁。所以如果未来可解释性能有所突破，比如我们有一个fine-grained的MoE，将会是对网络效率的一个提升。

以上就是我们通过开源社区看到的跟LLM相关的几个发展方向，都是比较细节的，肯定还有很多我没有说到。

如果把时间线拉得再长一点，我觉得有几个还没有成为显学的趋势可以关注一下，一个是Neuro+AI。如果我们还是认为像人脑这种低能耗、高运算效率的方式是值得追求的，那么Neuroscience领域还有很多值得研究的地方，而且这些研究成果反过来也会促进人工智能的发展。

另外一个比较偏门的领域叫做范畴学（Category Theory），包括DeepMind也有专门的团队在研究范畴学与AI的结合，主要还是对Al4S帮助比较大。因为范畴学主要研究的是结构，无论是分子结构还是药物结构，如果想更好地描述和发现这些结构，可能确实需要一套比较好的神经网络系统。

所以，Neuro+AI和Category Theory是两个现在比较小众，但我认为未来可能会成为显学，并带来颠覆性发展的方向。

机器之心：探讨了AI技术的发展，AI Infra在各层不同的趋势、值得关注的点，回到本次访谈的主题——技术演变和巨头博弈下的AI开源生态，我们需要更加深入地探讨一个问题：开源与封闭之争的本质究竟是什么？

黄之鹏：对，其实我们最开头聊的就是，对于商业公司来说，要不要开放权重，其实都是为了服务自身的商业目的，这是很清楚的。现在争论的其实更多是，至少你看北美或者欧洲，更偏向于一种意识形态，或者说意识上的一个争论。我自己把它归结为AI悲观主义或者说AI Doomers和AI加速主义之间的分歧。

我们习惯于开源生态的，可能更偏向于所谓的加速主义，或者说实干主义也行，就是人类还是要推动技术发展，要向前走。

要以发展的眼光看问题，这句话我觉得很有道理，因为你会发现这些悲观主义者，大多数是以静态的观点来看待问题。我举一个具体的例子，有一些悲观主义者会觉得，现在大模型算力消耗太大了，以后无以为继，这就是一种静态的观点。

如果是以动态发展的眼光去看，那你的思路就是未来一定会有新型的能源出现，有可能是更绿色，或者说更高效的，我们一定会发展出新的办法去解决新的问题，而不是说问题层出不穷，我们的能力就定格在现在这个节点了，然后一筹莫展，充满悲观。我们还是希望办法总比问题多。

有在座的各位，尤其在开源领域，大家都一起合作，三个诸葛亮难道——不，是三个臭皮匠——等等，万一我们三个都是诸葛亮呢，那不更厉害了，还干不过一个司马懿吗？哈哈。所以我觉得所谓开放封闭的讨论，背后最核心的其实是这种发展观和静止观的PK。我是更偏向于发展观的，我们还是希望技术要往前走，办法总比困难多，人类一定会发展出更新的技术去解决这些新的困难，当然新的技术又会产生新的问题，那就再用新的技术再去解决。

这两个路线的共存，我觉得还是比较正常的。当然它会影响到很多，包括政策制定者，尤其是美国政策制定者的相关法案的出台。

加州正在审议中的法案SB 1047，该法案旨在规范前沿人工智能模型的开发和使用，例如要求开发者在训练前满足特定安全要求，并进行合规性审计等。来源：leginfo.legislature.ca.gov

加州最近出了一个Senate Bill，包括欧盟的法案，这些法案的特点是什么呢？就是非要人为地设置一个门槛，这个门槛要么是训练模型所用的算力，要么是训练模型用的预算（budget），它非要设一个门槛，高于这个门槛就必须要接受管制，必须要汇报，或者是不能再开放，等等。这背后就是我们刚才说的AI悲观主义者，很多都是他们在驱动的，他们会觉得大模型如果超过了他们现在设的这个门槛，就会变得太危险了。

但是真正从业者，大家都会吐槽，AI是有Scaling Law的，法案今天写的这个门槛，过三个月可能就成为一个家家户户都能实现的技术，因为通过法案是需要时间的，一般要辩论好长时间，等真正落地了，最后变成大家谁都不能做了。然后看中国这边，热火朝天地出来一堆东西。所以我觉得这确实是我们的优势，或者说是他们的一个短板。

英国、美国、欧盟和美国（包括前述加州法案SB 1047）针对前沿人工智能模型的监管措施对照，用勾号、星号和N/A表示是否强制要求、鼓励或暗示采取相应的监管措施，包括对模型权重和计算能力（FLOP）的要求。来源：Stability AI公共政策专家Ben Brooks@opensauceAI，他曾在GoogleX、Uber和Coinbase等公司工作。

机器之心：正好也谈到这里了，您认为中美AI开源生态之间最主要的差异是什么？

黄之鹏：我觉得美国或者说北美，一个确实比我们做得好的地方，是它的产业生态协作非常成熟。我之前就一直在讲一个例子，叫Nous Research，是一个特别有趣的团体。其实是一帮草根，很多人之前根本没有接触过AI，都是从零学的。但就是这样意气相投的一帮人，他们最早是想做同人文的生成。

那时候哪有大厂干这件事？于是他们首先自己整理了数据集，整理了很多二次元的角色，后来加入了更多对话的结果，现在这个数据集迭代了很多轮，成为开源圈里非常重要的一个数据集，叫Nous-Hermes。

草根没有算力，但至少在北美，能够获取免费算力的渠道非常多，比如可以去找Together Networks，可以去找很多公有云，总有一些免费的算力可以使用。因为产业分工比较成熟，所以每一个新产业刚形成的时候，它骨子里这种协作的意识就会出来。哪怕在英伟达的卡刚开始紧俏的时候，也有很多人在提供免费算力。他们的想法是，我既然有，就可以共享出来。

所以，Nous Research这帮人有做数据集的，有免费算力协同的，有很多在算法上愿意跟他们合作的，还有的完全就是因为开源而加入其中。最后形成了一个，他们给自己起名字叫Nous Research，一开始都不是一个实体，后来变成了一家初创公司，然后拿到了投资。

我觉得他们这个个案是一个特别好的例子，就是你可以在这样一种产业环境中，从零自己长起来，因为有很多人都在帮你。但不是说刻意在帮你，是因为大家知道，我在这个产业里面，我能做这些，我是予取予求的，我能贡献这些，我自己也是有收益的。

你免费用我的算力，你一旦用多了，很多人都会知道这里的算力基础设施很不错，是Nous Research一直在用的，这就是一个长效的价值，人家看得很清楚。包括帮着做算法创新的，短期的热情一定是有长期回报的，那么长期的回报是什么？就是我这个产业逐渐成熟之后，所有在这个产业里的人都有长期的回报。

我觉得这一点确实是北美更成熟，相比之下，国内还可以再做得更好一些，整个产业层内的协作，比如说学校之间能不能有更好的学术的，比如基于开源的协作，我们确实有提升空间的。

机器之心：最后一个问题，接下来中国的AI开源生态有哪些值得关注的趋势？

黄之鹏：我觉得先不说AI，中国整个的开源生态，这20年发展还是挺大的，包括核心从业者对开源的理解，开源本身该怎么做，进步真的很大。回到人工智能，美国那些持封闭论的人没有看清楚的一个问题是，如今AI的本质就是数据。

我们国家数据太丰富了，所以首先可供我们研究的基础，模型的输入是绝对有保证的，而这会带来一个必然的结果，就是我们研发出的模型肯定是有保证的，而且多样性一定非常好。这个基本盘决定后，我们现在看到一个还算是相当热闹，或者说繁荣的中国AI开源生态。

如果说缺的，就是刚才分析中美AI开源生态的对比，我们的产业协同如果能做得更好一些，不管是国家牵头还是产业自发的，多做一些跨烟囱的协同性工作，我觉得以后会发展得更好，因为这意味着产业生态的土壤会越来越厚，大有可为。