以下文章来源于母基金研究中心 ，作者戴琼海

图为清华大学信息科学技术学院院长、中国工程院院士 戴琼海

清华大学信息科学技术学院院长、中国工程院院士戴琼海认为，通用人工智能技术面临广阔的发展前景。目前，AI大模型虽然备受瞩目，但存在过度依赖大数据、不可解释和安全性较差的问题。而搭建出低功耗、小模型、可解释的脑模型，是下一步实现整体人工智能通用的前提和关键。

(资料图片仅供参考)

如今，AI大模型备受瞩目。大家一定要明白大模型的核心是什么，其关键是依赖于大规模数据和强大的算力。首先，大规模数据是模型运行的基础，没有足够的数据，模型将无法进行有效的训练和交互。语言数据和图像数据是目前数据交互的主要类型。同时，在应用大模型时，我们必须考虑数据的充足性，因为只有在某一特定场景下拥有足够的数据，才能实现广泛的应用。

然而，大模型也存在一些问题。首先，由于大模型是基于深度神经网络构建的，其可解释性较差，我们难以理解模型是如何做出决策的，这也影响了安全性。另外，大模型对数据的依赖性很高，没有充足的数据支持，模型将无法运行。此外，它对于环境的变化逻辑处理能力较弱，当环境发生变化时，模型的构建可能不足，导致容易出现错误。决策问题也是大模型的短板，它可以提供建议，但无法进行实际决策。

目前，通用人工智能的发展有几条路径。一是不断挖掘深度大模型的潜力，解决其不可解释性和数据依赖性的问题，以实现通用人工智能。另一条路径是借鉴生物智能，通过精准的方法，无需大量算力，构建模型训练，例如美国的阿波罗项目就想做生物智能。大模型性能的快速发展将带来某些应用领域的变革， 但通用人工智能的关键仍在于认知智能 。

大模型能解决什么问题？已知场景和规则的问题，大模型可以解决；但已知场景未知规则的、已知规则未知场景的、规则和场景都未知的，大模型则无法处理。事实上，只有人脑智能能够在复杂的、未知的情境下进行判断和决策，其适应性和创造性是当前大模型所无法比拟的。这也是我们需要深入研究的一个重要方向。

关于人工智能接下来的发展，我们需要关注应用方面。如何通过算力与功耗的瓶颈突破，如何应对伦理与法律挑战，如何对待发展与公平的问题，这都是需要解决的问题。同时，我们需要探索如何使我国的大模型发展在国际上保持领先地位。这需要从应用场景上考虑：已知规则和场景、已知规则和未知场景这些是可以用大模型做的，但其他的要考虑脑模型。实现脑模型需要感知与计算等方面的颠覆技术，主要包括以下三项。

第一种颠覆性技术是波动光场视觉雷达 。 我们是否可以通过波动光场形式来改善对所谓场景的感知？在过去，某些地方的可视性有限，但通过自适应技术，我们现在可以在一些区域获得更清晰的信息。这种场景定位技术在无人驾驶、机器人等领域具有广泛的应用潜力。

第二，人工智能光场元显示原理的发展也值得关注 。 我们都知道，现在的AR眼镜在大场景使用时可能引起眩晕，不过在这方面相关技术已经有了突破，我们能够实现从静态显示到动态显示、光迁移显示甚至多视点显示的转变，从而解决AR/VR领域的问题，也能够实现更清晰的裸眼显示。这些技术在端侧显示、混合现实和大屏幕展示方面引发了立体的革命性变化，因此也是值得密切关注的颠覆性技术。

第三种颠覆性技术，正如前面所提到的，涉及到脑智能 。 大家知道，人脑可以在不到30瓦的功耗下做出决策和判断，进行感知。脑智能低功耗，小模型，可解释。相比之下，大数据、大算力和大模型不可解释。因此，为进一步实现工业制造、医疗健康、智能辅助驾驶等领域的技术突破，我们需要进一步研究小型、低功耗、可解释的脑模型，这将为整体人工智能通用提供重要支持。算法和通用的前提应该在脑模型与脑智能这一领域，不管美国还是中国，都有团队在做相关的基础研究，希望大家能够更多关注这方面的发展。

有这样三个关键性颠覆性技术出现， 大家可以看到人工智能未来场景就是从真实的脑到虚拟的脑构建，这是现在目前正在研究的最重要的方向 。

我们清华大学的成像与智能实验室，目前已经形成了“两芯一器”的研发成果：“一器”是显微仪器RUSH，“两芯”的第一芯，指的是人工智能光电芯片；第二芯，指的是光场智能成像芯片。“为中国成为世界科学中心和创新高地作出自己的贡献”，而打造科学中心和创新高地的过程，显然离不开资本界朋友的参与。