在2023年初，Chat GPT 似乎掀起了一股AI大模型风。从 2 月以来，国内多家公司也推出了自己的大模型。

我们熟悉的有百度的文心一言、阿里的通义千问、华为的盘古、腾讯的混元，等等。除此之外，很多的科技企业、学校机构都在制作自己的大模型。比如，北京智源研究院的悟道 2.0，中科院自动化所的紫东太初、复旦大学的 MOSS、清华大学的 ChatGLM。

这么多大模型的名字听着就让人觉得头晕。如果这些机构全部集中精力做一个模型，其实不是更容易成功？

这么想自然有一定道理。但纵观人工智能的发展史。多种技术、多条路线共同探索，也是让人工智能能够快速发展，能够一次又一次冲破“寒冬”的原因之一。

想了解技术多元化对人工智能发展的好处，首先要从符号主义与连接主义说起。

在 1956 年“达特茅斯会议”上，人工智能作为一门新兴的学科被确立下来。一代代科学家们投入到了让计算机“变聪明”的研究道路上。但“变聪明”这件事太过抽象，具体要如何实现呢？

其实早在达特茅斯会议之前，人们就已经开始探索了。而在这个过程中，出现了几条不同的路线，其中“符号主义”和“连接主义”是两种重要且有代表性的路线。

符号主义的想法是人的智能主要体现在高层的推理方面：“智能的基础是知识，智能的核心是知识的表示与推理”。而知识和逻辑推理可以转化成数学符号来表示，而它们的推理、运算过程，同样可以用数学公式符号来表达（正因如此，这一学派才被称为“符号主义”）。

符号主义最典型的技术是“专家系统”。专家系统背后的想法是，把某个领域的知识、逻辑以符号的形式表示出来，整理成知识库和推理机。根据输入的条件，专家系统能用知识库里面的知识和推理机里既定的逻辑推理方法，一步步推理得出知识库中没有但是又正确结果。

在 1955 年，一款名叫“逻辑理论家”的程序出现了，这款程序，能够推演《数学原理》里面 52 个定理中的 38 个，并且对一些定理还给出了更简洁的证明方法。

这个程序，甚至被一些人称为“第一个人工智能程序”。自人工智能出现很长一段时间里，符号主义都在人工智能领域占据重要地位，甚至“人工智能”这个词也是符号学派为主的科学家们起的新名字。

当然，在符号主义大大发展的同时，其他赋予计算机“智力”的探索也没有停止，比如连接主义也在同步发展。

连接主义有点类似于仿生学，是通过从底层到上层的方法来研究并且模仿人类大脑的结构，进而解释人类的智力行为。

连接主义认为，微观的神经节之间的活动最终涌现出了宏观认知智能。这个思路也比较符合其他科学领域的从下到上的方法论：比如用底层的物理知识来解释高层的化学反应原理一样。它的发展，催生出了今天人工智能领域最重要的技术之一——人工神经网络。

图源：unsplash.com 

1943 年，沃伦·麦克洛克和沃尔特·皮茨提出了一种类似于生物神经元的数学模型——MP神经元模型。这个模型其实就是模仿神经元细胞，对输入的信号进行处理，并给出特定的信息。

在 1949 年，神经心理学家赫布发现，人类大脑中的神经元之间传递的信号强度并不是一成不变的而是“可塑的”。这个理论，后来被人们称为“赫布规则”，在人工神经网络的发展上具有重要地位。

在MP神经元模型和赫布规则的基础上，1958 年，罗森布拉特建立了感知器模型，这个模型被称为最早的“具有学习能力”的人工神经网络。这个神经网络被美国海军寄予厚望，并持重金打造了硬件机器，希望它能成为新一代的神经计算机。这个项目是美国海军的重要项目。

但由于当时的算力和技术的限制，人们很快就发现，感知器的功能太有限了，只能解决非常简单的线性分类问题。

麻省理工大学的马文·闵斯基（Marvin Minsky）和西莫·帕波特 (Seymour Papert) （也是少儿编程最早的倡导者）写书公开声称“人工神经网络用处非常有限，甚至连简单的‘异或’问题都无法解决。”

在二十世纪六十年代末，人工神经网络的研究陷入了低谷。而几乎就在同一时期，投资者们也开始意识到，之前人们期待的“人工智能大爆发”并未到来。

比如 1958 年时候，就有科学家认为，10 年之内，我们就能让计算机成为国际象棋冠军（实际上这件事在 1997 年才实现比预计晚了将近 30 年）。在 1970 年，有科学家认为“ 3~8 年之内，就能有一台普通人智力的机器人。”但这显然是做不到的，直到今天我们都无法造出这样一台机器。

这些“美好的未来”并未实现，使得政府和投资者们也大大削减了研发经费，人工智能迎来了第一个寒冬。

但好在人工智能领域有多条技术路线。在寒冬之下，连接主义的人工神经网络发展艰难，符号主义的专家系统却悄然兴起。

在 1972 年，一款叫 MYCIN 的专家系统出现了，它能够基于病人的症状，推理出合适的治疗方案。

图源：unsplash.com

比如，MYCIN 里面记录了多种内科疾病的症状和病因，同时还有每种疾病适用什么样的药物，哪些药物之间会相互反应。如果一个人拉肚子了，只要输入对应的症状（比如体温、血常规数据、持续时间等等），MYCIN 就能推理出他所患的疾病，并且开具合适的药物。

MYCIN 给出的治疗方案“可接受性评分”跟人类专家的相差无几（MYCIN为65%，五位人类专家为 42.5%~62.5% ）。

除了 MYCIN，另一款名叫 XCON 的专家系统帮助 DEC 公司每年节省上千万美元的成本（ XCON 可以理解成一种专业的订单处理系统）。看到专家系统有实打实的经济效益，其他公司也在二十世纪八十年代开始效仿，纷纷建立自己的专家系统以节约成本。

但随着专家系统的普及，它的弊端也逐渐显现，比如，专家系统知识库里的知识也不会自动更新，专家系统的维护成本很高。

专家系统很快就陷入了僵局，而在此时，连接主义的人工神经网络迎来了自己的“文艺复兴。

在二十世纪七八十年代，陆续有科学家发现了“反向传播算法”的重要性。在 1982 年，保罗·韦布斯将反向传播算法应用到多层感知器中，这对人工神经网络的发展非常重要，我们今天的人工神经网络，几乎都离不开反向传播算法。

由此可以看出，无论在人工智能的寒冬还是复兴时期，符号主义和连接主义的研究都在继续，这给人工智能技术取得飞跃和突破提供了条件。如果没有这些多元化的研究为基础，人工智能的研究可能会深陷在某一条道路中难以前进。

当然了，除了人工智能技术本身，其他行业的突破，同样也会促进人工智能领域的发展。比如，在二十世纪九十年代以后，芯片技术飞速发展，计算机的算力得以迅速提升，这对人工智能的发展来说也至关重要。

比如二十世纪九十年代以前，即便有了反向传播算法，想训练层数非常多的（超过 5 层）的深度神经网络会非常困难，因此人工神经网络一度也被支持向量机所取代。而在 2000 年前后，GPU 的出现让人工神经网络（主要是深度神经网络）的训练速度大幅提升，再加上互联网的普及带来了大量可供AI学习的数据，深度学习技术开始崭露头角。

到了人工智能技术飞速发展的今天，多元化的研究依然能带来意想不到的突破。比如今天我们所熟悉的 ChatGPT，正是多种研究齐头并进的受益者。

在 2017 年，Google Brain 的科学家们发表了一篇名为《Attention Is All You Needed》的论文，提出了 Transformer 模型。

简单的说，Transformer 是一种能够让计算机更好地“读懂”人类语言的模型。它引入了“注意力”和“自注意力”机制，类似于我们看书时候，会把注意力集中在比较难理解的片段、词句上，并且综合上下文的意思，来理解这些片段、词句。

基于 Transformer 人们继续开发了多种大模型，在 2018 年 Google 推出了 BERT 模型。在同一年，Open AI 也推出了 GPT 模型，这两个模型有很多相似之处，但也有一些区别。

简单的说 BERT 更擅长于理解文本中的词义，而 GPT 更擅长于生成文本。

BERT 能够从一个单词的前后两侧来理解它的含义，有点像考试中的填空题。比如：“我的宠物是一只会叫的（），它爱啃骨”。BERT 非常擅长从空格的前后判断出，这里的词最可能是“狗”。

而GPT则是单向的，像我们阅读一样从左到右分析，并且预测出下一个单词。比如“我的宠物是一只会叫的狗，它爱（）”，GPT 能够根据前文信息补全后面的内容。

BERT 出现之后，因为它在语义理解方面有着非常优秀的表现，在自然语言处理方面大放异彩。而在 2018 年到 2020 年，GPT 模型并没有像今天这样受人关注，但它的研究没有因此停步。

在 2019 年、2020 年，Open A I相继推出了 GPT 2.0、GPT 3.0。在 GPT 3.0 的时候，GPT 的参数达到了 1750 亿，训练样本超过 40TB，GPT 3.0 涌现出了比之前的 GPT 模型更强的理解力和生成能力。

在 GPT3.5 又加入了人类标记的训练方法，性能又有了进一步的提升。而在 Chat GPT 出现之后，越来越多的人了解到了 GPT 这项技术，这也再次把人工智能推到了人类技术发展的舞台中央。

由此可以看出，在整个人工智能发展的过程中，多元化的研究和发展给人工智能技术带来了更多的可能性。比如在二十世纪六十年代到九十年代，专家系统、人工神经网络、支持向量机同步发展，一项技术陷入困境，会有其他技术兴起。

对于整个人工智能领域是如此，而如果聚焦于大模型这样的领域也是如此。在自然语言处理领域，科学家们也并没有因为 BERT 的效果突出，就冷落了 GPT。这才给了 Chat GPT 在 2023 年让人们人尽皆知的机会。

除了 GPT 和 BERT，在大模型领域还有很多模型在研究、发展中。这些模型中的某项技术、某些成果可能在未来会给自然语言处理甚至是这个 AI 行业带来颠覆性的改变。

因此，回到最开头的问题，如果所有的公司、机构集中精力和资源去训练一个模型，确实有机会造出一个超级大模型。但在这个过程中，可能会失去一部分宝贵的“技术多样性”。各个公司的商业化考量，可能也会在客观上促成 AI 的多元化发展。

点亮“在看”

了解人工智能！