“未来通用人工智能有两个方向要走”

相比于ChatGPT问世时的火爆，大模型“聊天”的魅力似乎正在悄然消退。

在本月最新文章中，网络分析公司Similarweb表示，随着新鲜感的消失，ChatGPT的流量正在下降。据初步估计，今年6月ChatGPT网站的全球访问量下降了9.7%，这是该网站访问量首次录得环比下降。在美国市场上，该网站访问量环比降幅录得10.3%。

很明显，“Chat”并不是大模型的全部，只靠写诗、作画也无法重构人类社会。

图源英伟达网站

在新一轮全球人工智能竞赛中，大模型本身确实是必啃的“硬仗”。但中国其实有一个出“奇兵”的机会。

数据、算力和“钞能力”对大模型而言缺一不可，但大模型的发展同样离不开“场景”。本质上，大模型改变的是人类获取信息和服务的方式。它不仅需要满足信息匹配的需求，更要让AI精准地理解人类的用途，精准地完成人类交付的任务。“精准”，就基于对场景的理解。

在WAIC大会上，京东探索研究院院长、京东科技智能服务与产品部总裁何晓冬表示，伴随着大模型的出现，世界未来必然会走向智能交互时代，让机器更好地帮助我们完成专业域、更广泛的任务。何晓冬表示，训练好大模型就需要场景，“场景和数据是这个时代训练大模型的抓手。”

或许这会是中国的机遇所在。

拿工业来说，中国拥有41个工业大类、207个工业中类、666个工业小类，是全世界唯一拥有联合国产业分类中所列全部工业门类的国家；在互联网方面，中国有大量电商、社交、搜索领域的企业，拥有成熟经验和庞大数据，大模型和这些行业、场景的结合，或许会带来大量机遇。

生产车间一景 图源新华社

例如电商。网经社此前发布的《2022年度中国电子商务市场数据报告》显示，2022年国内网络零售市场交易规模达137853亿元；中国网络零售用户规模达8.45亿人，占网民整体的79.2%。这个“大场景”下涌现了直播、社交、美妆、母婴等“子场景”，电商、物流、客服……它们都可能成为大模型应用落地的入口。

理解场景之后，AI的下一站是多模态能力？

围绕行业场景，一些“解决方案”已经出炉。

据何晓冬介绍，通过5分钟的形象和数据采集，基于大模型能力，京东可以重构整个数字人形象，并推向应用场景。比如在电商这个场景中。言犀虚拟主播已经在京东上线了4000+品牌直播间，累计带动8亿GMV（商品交易总额）。

不过重视场景应用，或许只是大模型全球竞赛的现在，而非将来。

何晓冬表示，人们不要只关注到ChatGPT带来的语言大模型。实际上，大模型技术在很多其他模态上也在迅速应用起来，比如语音识别和语音合成，比如视觉领域的图像识别和视频合成——当然也包括数字人。“数字人既有形象，又有语音，还有手势，还有语义，还有各种情绪在里面。”

何晓冬表示，多模态是必经之路，无论是发明神经网络或者是注意力机制，其实都是基于对人本身学习机制的理解和灵感的激发，从而去引领我们发明一系列模型。有趣的是，今年不少参会企业，似乎都对“数字人”情有独钟，由此可见各界对多模态能力的重视。

今年WAIC大会上，腾讯云MaaS（Model-as-a-Service）一站式服务迎来升级。腾讯云行业大模型能力将被应用到金融风控、交互翻译、数智人客服等场景中。通过平台提供的AI生成算法、生成式动作驱动，再结合行业大模型能力，企业可以获得个性化、专业、逼真的数字员工。数字人，其实就涉及到多模态能力。

《人机共生——大模型时代的十大AI趋势观察》报告指出，多模态技术的发展正在助力AI解决更为复杂的问题。拥有图像和语音的感知、输入，大模型未来可以基于动作、表情、情感等信息进行分析，提升自己的交互能力和表现能力。目前基于文本的交互，也将走向基于语义的交互，强化对人类情绪的感知和表达。

现场图

需要承认的是，在多模态等通往未来的赛道上，挑战依然存在。

ChatGPT-4早已开始接受图像作为输入介质，它已经能简练地指出图片的违和之处。如下图所示，当用户提问，“这张图片有什么不寻常之处”时，GPT-4简练地回答出“一名男子正在行驶中的出租车车顶上，使用熨衣板熨烫衣服。”

在今年的WAIC大会上，谈及国内外在大模型方面的差距，旷视科技联合创始人、CTO唐文斌对《科创板日报》表示，不管是基础语言模型还是多模态模型，国内外都存在一定的距离。“不过，这是可以迎头赶上的。在应用的探索上，也处于相对初期的状态。但未来会是繁荣的生态。”

方兴未艾，眼下正是国内企业积极作为之时。

在接受观察者网采访时，何晓冬表示，未来通用人工智能有两个方向要走，一个方向是多模态，大模型必须具有视觉能力，未来甚至可以更进一步延伸向嗅觉、触觉；另外一个方向是走向具身智能，包括机器人、机械臂、无人车等，让通用人工智能走向物理世界。