一、什么是通用人工智能(AGI)?

　　通用人工智能(Artificial General Intelligence，簡稱AGI)是指擁有與人類相當甚至超過人類智能的人工智能類型。通用人工智能不僅能像人類一樣進行感知、理解、學習和推理等基礎思維能力，還能在不同領域靈活應用、快速學習和創造性思考。

　　1 AGI發展綜述

　　1.1 AGI的概念

　　AGI通用人工智能，也稱強人工智能(Strong AI)，指的是具備與人類同等甚至超越人類的智能，能表現出正常人類所具有的所有智能行為。

　　ChatGPT是大模型發展量變到質變的結果，ChatGPT具備了一定的AGI能力。隨著ChatGPT的成功，AGI已經成為全球競爭的焦點。

　　與基于大模型發展的AGI對應的，傳統的基于中小模型的人工智能，也可以稱為弱人工智能。它聚焦某個相對具體的業務方面，采用相對中小參數規模的模型，中小規模的數據集，然后實現相對確定、相對簡單的人工智能場景應用。

　　1.2 AGI特征之一：涌現

　　“涌現”，并不是一個新概念。凱文·凱利在他的《失控》中就提到了“涌現”，這里的“涌現”，指的是眾多個體的集合會涌現出超越個體特征的某些更高級的特征。

　　在大模型領域，“涌現”指的是，當模型參數突破某個規模時，性能顯著提升，并且表現出讓人驚艷的、意想不到的能力，比如語言理解能力、生成能力、邏輯推理能力等等。

　　對外行(比如作者自己)來說，涌現能力，可以簡單的用“量變引起質變”來解釋：隨著模型參數的不斷增加，終于突破了某個臨界值，從而引起了質的變化，讓大模型產生了許多更加強大的、新的能力。

　　如果想詳細了解大模型“涌現”能力的詳細分析，可以參閱谷歌的論文《Emergent Abilities of Large Language Models》。

　　當然，目前，大模型發展還是非常新的領域，對“涌現”能力的看法，也有不同的聲音。例如斯坦福大學的研究者對大語言模型“涌現”能力的說法提出了質疑，認為其是人為選擇度量方式的結果。詳見論文《Are Emergent Abilities of Large Language Models a Mirage?》。

　　1.3 AGI特征之二：多模態

　　每一種信息的來源或者形式，都可以稱為一種模態。例如，人有觸覺、聽覺、視覺等;信息的媒介有文字、圖像、語音、視頻等;各種類型的傳感器，如攝像頭、雷達、激光雷達等。多模態，顧名思義，即從多個模態表達或感知事物。而多模態機器學習，指的是從多種模態的數據中學習并且提升自身的算法。

　　傳統的中小規模AI模型，基本都是單模態的。比如專門研究語言識別、視頻分析、圖形識別以及文本分析等單個模態的算法模型。

　　基于Transformer的chatGPT出現之后，之后的AI大模型基本上都逐漸實現了對多模態的支持：

　　首先，可以通過文本、圖像、語音、視頻等多模態的數據學習;

　　并且，基于其中一個模態學習到的能力，可以應用在另一個模態的推理;

　　此外，不同模態數據學習到的能力還會融合，形成一些超出單個模態學習能力的新的能力。

　　多模態的劃分是我們人為進行劃分的，多種模態的數據里包含的信息，都可以被AGI統一理解，并轉換成模型的能力。在中小模型中，我們人為割裂了很多信息，從而限制的AI算法的智能能力(此外，模型的參數規模和模型架構，也對智能能力有很大影響)。

　　1.4 AGI特征之三：通用性

　　從2012年深度學習走入我們的視野，用于各類特定應用場景的AI模型就如雨后春筍般的出現。比如車牌識別、人臉識別、語音識別等等，也包括一些綜合性的場景，比如自動駕駛、元宇宙場景等。每個場景都有不同的模型，并且同一個場景，還有很多公司開發的各種算法和架構各異的模型。可以說，這一時期的AI模型，是極度碎片化的。

　　而從GPT開始，讓大家看到了通用AI的曙光。最理想的AI模型：可以輸入任何形式、任何場景的訓練數據，可以學習到幾乎“所有”的能力，可以做任何需要做的決策。當然，最關鍵的，基于大模型的AGI的智能能力遠高于傳統的用于特定場合的AI中小模型。

　　完全通用的AI出現以后，一方面我們可以推而廣之，實現AGI+各種場景;另一方面，由于算法逐漸確定，也給了AI加速持續優化的空間，從而可以持續不斷的優化AI算力。算力持續提升，反過來又會推動模型向更大規模參數演進升級。

　　2 專用和通用的關系

　　牧本波動(Makimoto's Wave)是一個與摩爾定律類似的電子行業發展規律，它認為集成電路有規律的在“通用”和“專用”之間變化，循環周期大約為10年。也因此，芯片行業的很多人認為，“通用”和“專用”是對等的，是一個天平的兩邊。設計研發的產品，偏向通用或偏向專用，是基于客戶場景需求，對產品實現的權衡。

　　但從AGI的發展來看，基于大模型的AGI和傳統的基于中小模型的專用人工智能相比，并不是對等的兩端左右權衡的問題，而是從低級智能升級到高級智能的問題。我們再用這個觀點重新來審視一下計算芯片的發展歷史：

　　專用集成電路ASIC是貫穿集成電路發展的一直存在的一種芯片架構形態;

　　在CPU出現之前，幾乎所有的芯片都是ASIC;但在CPU出現之后，CPU迅速的取得了芯片的主導地位;CPU的ISA包含的是加減乘除等最基本的指令，也因此CPU是完全通用的處理器。

　　GPU最開始的定位是專用的圖形處理器;自從GPU改造成了定位并行計算平臺的GP-GPU之后，輔以幫助用戶開發的CUDA的加持，從而成就了GPU在異構時代的王者地位。

　　隨著系統復雜度的增加，不同客戶系統的差異性和客戶系統的快速迭代，ASIC架構的芯片，越來越不適合。行業逐漸興起了DSA的浪潮，DSA可以理解成ASIC向通用可編程能力的一個回調，DSA是具有一定編程能力的ASIC。ASIC面向具體場景和固化的業務邏輯，而DSA則面向一個領域的多種場景，其業務邏輯部分可編程。即便如此，在AI這種對性能極度敏感的場景，相比GPU，AI-DSA都不夠成功，本質原因就在于AI場景快速變化，但AI-DSA芯片迭代周期過長。

　　從長期發展的角度看，專用芯片的發展，是在給通用芯片探路。通用芯片，會從各類專用計算中析取出更加本質的足夠通用的計算指令或事務，然后把之融合到通用芯片的設計中去。比如：

　　CPU完全通用，但性能較弱，所以就通過向量和張量等協處理器的方式，實現硬件加速和性能提升。

　　CPU的加速能力有限，于是出現了GPU。GPU是通用并行加速平臺。GPU仍然不是性能最高的加速方式，也因此，出現了Tensor Core加速的方式。

　　Tensor Core的方式，仍然沒有完全釋放計算的性能。于是，完全獨立的DSA處理器出現。