加快发展新一代人工智能
理解提问，快速给出回答；训练声音，翻唱经典歌曲；根据描述，绘出趣味画作……近期，基于大模型研发的生成式人工智能，展示了在语言理解和内容生成等方面的出色能力，引发社会关注。
大模型赋能，生成式人工智能正在引发新一轮智能化浪潮。得益于拥有庞大的数据、参数以及较好的学习能力，大模型增强了人工智能的通用性。从与人顺畅聊天到写合同、剧本，从检测程序安全漏洞到辅助创作游戏甚至电影……生成式人工智能本领加速进化。随着技术迭代，更高效、更“聪明”的大模型将渗透到越来越多的领域，有望成为人工智能技术及应用的新基座，变成人们生产生活的基础性工具，进而带来经济社会发展和产业的深刻变革。人工智能大模型强大的创新潜能，使其成为全球竞争的焦点之一。
经过多方努力，我国人工智能大模型已具有一定基础。在2023中关村论坛上发布的《中国人工智能大模型地图研究报告》显示，中国人工智能大模型正呈现蓬勃发展态势。据不完全统计，截至目前，10亿级参数规模以上的大模型全国已发布了79个。我国在大模型方面已建立起涵盖理论方法和软硬件技术的体系化研发能力。也应看到，人工智能大模型离不开多项技术的融合创新。在前沿基础理论和算法上，我国与国际先进水平还存在差距。筑牢智能时代的根基，需要瞄准短板，着力推动大模型领域生成式算法、框架等原创性技术突破。同时，还应发挥我国应用场景优势，进一步深耕垂直领域，以行业专有训练数据集为基础，打造金融、医疗、电力等领域的专业大模型。要以高质量应用和数据反馈技术优化，帮助大模型迭代升级。
数据质量影响大模型“智商”。国际上一些大模型之所以领先，与大量公开高质量数据的训练息息相关。我国有海量数据和丰富应用场景，应逐步开放共享优质数据，通过制定共享目录和共享规则等方式，推动数据分级分类有序开放，让流动数据激发创新活力。例如，前不久印发的《深圳市加快推动人工智能高质量发展高水平应用行动方案（2023—2024年）》提出，“建立多模态公共数据集，打造高质量中文语料数据”。期待各地各行业从实际出发，加强高质量数据供给，为大模型成长提供充足“养料”。
人工智能大模型研发周期长、投入大、风险高。经过数年持续研发，国际领先的大模型聚集了较好的资源和人才。当前，我国不少高校院所、企业正在做研发工作，在大模型、大数据、大算力等方面各有侧重，研发力量较为分散。作为追赶者，有必要进一步强化企业科技创新主体地位，整合优势创新资源，推动形成大模型产学研攻坚合力。
人工智能大模型带来的治理挑战也不容忽视。营造良好创新生态，需做好前瞻研究，建立健全保障人工智能健康发展的法律法规、制度体系、伦理道德。为促进生成式人工智能技术健康发展和规范应用，今年4月，国家互联网信息办公室发布《生成式人工智能服务管理办法（征求意见稿）》。新技术应用往往先于规范。着眼未来，在重视防范风险的同时，也应同步建立容错、纠错机制，努力实现规范与发展的动态平衡。
人工智能是新一轮科技革命和产业变革的重要驱动力量，加快发展新一代人工智能是事关我国能否抓住新一轮科技革命和产业变革机遇的战略问题。从战略高度着手，凝聚合力、攻坚克难、勇于创新，努力拓展理论和技术应用空间，必能更好培育壮大新动能，构筑发展新优势。（喻思南）
华南理工大学人工智能公有链（下）
在人工智能公有链（中）篇中，我介绍了人工智能公有链的核心概念、特点、组成以及基本框架，阐述了它的技术要点和整体技术路线。在人工智能公有链（上）篇中，我提到公有链的技术路线可以分三步走：第一，选择区块链系统并研发双链结构；第二，定义数据结构和算法；第三，实现客户端和交易所客户端开发。在本篇中，我将介绍人工智能公有链客户端和交易所开发所需的技术及其存在的风险，然后介绍人工智能公有链的产品与生态，最后对人工智能公有链做简单的总结。
一、人工智能公有链客户端和交易所的开发技术与风险
既然智能合约是通过以太坊实现的，那么在开发客户端和交易所时，我们需要考虑以下几点内容：
对于客户端，需要封装各种验证算法来验证AI服务和交易的有效性；
需要定义AI服务和用户交易的描述语言，类似于在前端运行的脚本，用于实现整个客户端程序中用户服务和底层AI服务之间的交互；
对于交易所，可以借鉴目前经典的区块链交易产品，这类产品较为成熟。
然而，在人工智能公有链的实现过程中也存在一些技术风险：
AI服务的验证是向外进行的。这个验证容易受到人为干扰，需要通过交易评价系统来降低技术风险；
双链数据规模的快速增长给系统的扩展性带来压力与挑战。为了解决这一问题，可以考虑借用哈希的方式使用主链和子链，将交易数量较少的AI服务存储在子链中，而主链则主要采用引用的方式。这种哈希的方式与区块链的核心思想一致；
交易需求和匹配算法的精度可能不匹配，从而导致交易不成功。比如交易需要达到95%的准确率，而匹配算法最多只能达到80%的准确率。因此，我们需要引入多匹配的算法机制，使交易能够随机选用匹配的算法，为用户提供多次尝试机会以验证所需服务。
即使人工智能公有链设计得再好，在其运营过程中也会出现许多问题。但每个新生事物都需要时间来发展和完善，如互联网、移动互联网和人工智能应用都是经历了很长时间的发展才达到今天的通用程度。因此，对于人工智能公有链，我们应该保持乐观态度，相信经过时间的打磨，它的技术和服务将会更加成熟。
二、人工智能公有链产品
过去几年中，全球范围内出现了一些人工智能公有链的原型，包括AlgorandNetworks、图灵计划、Cortex等。但总体而言，运营情况并不理想。
Algorand是一个去中心化的全球算力市场，它主要结合开发工具来帮助开发者发布软件，从而改变算力任务的执行方式，实现中心微服务和异步任务的执行。它的定位是一个互联网的基石产品，通过P2P的方式将个体用户的算力共享给任务所有者，从而降低算力的价格。Algorand通过使用一个基于以太的支付系统来实现租用算力的过程，从而实现了算力的买家（请求方）跟卖家（供应商）以及软件开发者之间的直接支付，也就是说在区块链上完成了交易。所以，Algorand其实是一种基于平台即服务的中心算力市场，它的特点是使用内置代币GNT（一种数字货币）进行平台交易。Algorand是在2018年4月提出的，但目前该软件很难下载且没有维护。
第二个是由一些欧洲学者提出的图灵计划。它是一种全新的双链结构，可以保证人工智能任务与处理器的无缝链接，从而实现任务的智能化分解。这个去中心化的人工智能计算方案要保证任务能够无损分解，但无损分解是一个很强的假设，这导致后续运营未能顺利展开。此外，该方案还面临后续全新多目标决策、算力保证等方面的困难。我认为图灵计划是一个学术团体的尝试，该计划后面也提到了深度学习、演化计算等领域任务的部署，可能这些学者是从事这些领域研究的，但目前不太清楚该计划的后续发展情况。
第三个是Cortex，它将人工智能集成到智能合约中，形成了一种推断机制，通过节点之间达成一致的推断结果来实现区块链的自治。在Cortex中，经过训练的模型被放置在公链上，社区成员可以通过支付代币的方式来使用。该开发团队很可能获得了强大的投资支持，但开发一直未有实质性进展，可能是由于缺乏有效的运营模式。
综上所述，区块链和人工智能算法在公有链生态构建方面仍有许多技术需要完善。就技术成熟度而言，我认为以太坊是一个专注于智能合约的数字货币和区块链平台，其去中心化技术摆脱了停机和审查的问题，解决了传统合约纠纷、欺诈、第三方干扰等问题。但目前来看，以太坊在大型、资源密集型的人工智能供应链业务方面还存在许多需要改进的地方。当然，目前已经有很多基于以太坊和Hyperlact区块链的应用被提出。从交易角度来看，我认为这些应用是成熟的。但是像Algorand这样的公有链，由于技术风险较高，因此难以真正实现落地推行。
三、人工智能公有链的生态
人工智能资源的分布主要有三种类型。一种是高校的资源，它们需要产业化和运营支持，这对教授、学生团队和创业者来说都是挑战。第二种是互联网巨头的AI服务，它们因商业化包装和技术垄断而存在成本和价格高昂的问题。第三种是个人创业者和中小规模公司提供的技术服务。在这三类人工智能资源分布之中，后两类的商业模式都比较成熟，而高校的商业模式在国内推行却较为困难。这是因为与欧美国家相比，我国校企合作推行的时间较短。
在这种情况下，我认为需要有一个相对开放的生态。虽然生态是去中心化的，但并不意味着不需要监管。如果你在国内经营这个生态，那么你必须严格遵守国家法律，生态中技术的提供方和使用方也必须按照中国法律操作。因此，监管是存在的，去中心化只是在交易模式下或者整个人工智能技术生态发展中不需要一个中心来管理。我们不需要一个中心化的智能大数据中心来提供智能服务，比如某某大脑、某某中心，因为这类数据中心会有管理人员，管理人员会有自身的立场。
四、总结与展望
我认为未来人工智能技术的生态一定是利用与区块链结合的方式来发展的，这种方式有利于对人工智能技术的应用和发展。供应商可以通过这种平台获得许多订单，消费者也能迅速获得所需资源，整个过程中没有中间商赚取差价。当然，在整个技术与平台的发展过程中，技术和运营仍然存在不少风险，这需要一段时间来逐步完善。
此外，除了人工智能，也许未来智能也可以作为一种财富。当下，书籍、资料、论文或代码都是智能的载体。如果我们找到一种新的载体，可以直接对人类的智能进行存储和传输，那么人类大脑中的智能就有了更好的表达和存储方式，这将进一步促进交易的智能化。区块链技术所营造的智能交易生态也将成为未来智能供应和服务的常见方式。