1.Google首席科学家Jeff Dean和现代大型语言模型主要架构发明者Noam Shazeer在对话中首次详细披露模型蒸馏技术的思考，揭示Mixture of Experts (MoE)架构在AI发展中的关键作用。
2.他们认为，AI的未来关键在于如何让这些技术进步惠及更多人，降低成本，提高效率。
3.除此之外，软硬件协同设计、模块化专业化和持续学习将成为未来趋势。
4.然而，AI发展面临计算资源需求爆炸性增长、安全性和控制性挑战等重大问题。
5.为此，AI行业需要采取适当的技术创新和管理策略，以应对这些挑战并实现可持续发展。
以上内容由腾讯混元大模型生成，仅供参考
（关注公众号设为🌟标，获取AI深度洞察）
【文章核心预览：】
Google两位AI领袖在最新对话中首次详细披露对模型蒸馏技术的思考，
首次揭示Mixture of Experts (MoE)架构在AI发展中的关键作用
深入探讨了AI大模型的成本控制、效率提升和普及化路径
Google内部对AI发展的最新战略思考，包括软硬件协同和算法创新方向
2030年产业预测：算力需求将暴增，AI将重塑全行业
"DeepSeek以其创新的蒸馏技术和低成本策略在全球AI领域引发的震动至今仍在持续，大洋彼岸的Google总部也在思考这个根本问题：AI的未来是否必须依赖巨额算力投入？
就2024年底的时候，著名科技主持人Dwarkesh Patel与两位Google的传奇人物展开了一场极具前瞻性的对话。对话的两位主角分别是Google首席科学家Jeff Dean和现代大型语言模型主要架构的发明者Noam Shazeer。这场对话刚刚被公开，内容就格外引人关注。
在对话中，两位专家详细讨论了模型蒸馏技术的未来前景。Jeff Dean特别强调："如果有人能发明更强大的蒸馏技术，能把一个庞大的blob立即压缩到你手机上，那就太棒了。"这一观点似乎印证了DeepSeek当前的技术路线具有先见之明。Noam Shazeer则更直接地表示："通过软硬件协同设计，我们必须让这些模型变得更便宜更高效，让更多人能用上。"
作为Google的首席科学家，Jeff Dean在其25年职业生涯中几乎参与了所有重要的技术革新，从MapReduce、BigTable、TensorFlow直到最新的Gemini。而Noam Shazeer作为Transformer架构的发明者之一，同时创造了Mixture of Experts、Mesh TensorFlow等核心技术。他们对AI未来的思考，特别是在模型压缩、成本控制和效率提升等方面的见解，为我们理解当前DeepSeek引发的技术变革提供了难得的参考框架。
这场对话不仅涉及了当下最热门的AI发展话题，更重要的是，两位专家的观点与当前AI企业探索的低成本、高效率发展路径高度契合。在中国本土AI企业正在全球舞台上崭露头角的关键时刻，这场对话的启示意义尤为重大。
一、Google：从搜索引擎到AI巨头
1. 早期Google的发展历程
在访谈中,Jeff Dean生动描述了Google从25人小公司成长为科技巨头的过程。他回忆道:"公司在扩张的时候确实会经历不同的阶段。我加入时,公司只有25、26人左右,所以你还能记住每个人的名字；即使公司在成长,你也能紧跟着知道是谁新加入了。
随着公司规模扩大,这种亲密感逐渐发生变化。Jeff描述了几个标志性的转折点:"等到某个阶段,你就会记不住每个人的名字,但至少还知道在做软件工程的那些人是谁；再后来,你也可能记不清所有软件工程师的名字,但你至少知道他们各自都在做什么项目。最终到达一个全新阶段,正如Jeff幽默地说:"再往后,等公司足够大了,你就会收到一封邮件说'Project Platypus将在周五上线',而你会想:'这什么鬼？我从没听说过这玩意儿。'通常那会是一个不错的惊喜。你会想:'哇,原来还有个鸭嘴兽项目！我完全不知道我们在做这个。'
Google的技术架构演进也经历了几个重要阶段。从最初的搜索引擎,到后来的分布式系统(如MapReduce、BigTable),再到现在的AI基础设施,每一步都反映了时代需求的变迁。
2. 关键人物的加入
关于自己加入Google的经历,Jeff简单提到:"其实是我先主动联系他们的。" 这个简短的回答背后,暗示了他对Google愿景的早期认同。
相比之下,Noam Shazeer加入Google的故事更加戏剧性。他在访谈中回忆:"我是1999年在一个招聘会上看到Google的,当时我还以为它已经是个很大的公司了,觉得没什么必要加入。因为我认识的每个人都在用Google；不过那是因为我那时候是伯克利的研究生。
他最初并没有立即加入,直到2000年才投递简历:"我只是心血来潮投了一份简历过去,因为那时Google是我最喜欢的搜索引擎。" 让他印象深刻的是Google办公室墙上"用蜡笔画的每天搜索请求量的曲线图,一直在做指数增长。" 这促使他做出决定:"这帮人肯定会很成功,而且看来他们有很多好问题可以解决。有趣的是,Noam最初的计划是:"好吧,也许我去那儿干一阵子,挣点钱,然后就可以随心所欲地去做我想做的AI研究了。"
3. 从搜索到AI的转型历程
Google的转型并非偶然。正如Jeff Dean在访谈中指出:"我喜欢谷歌的一点是,公司一直都有远大的目标,而这些目标其实需要相当先进的AI才能达成。因为'组织全球信息,并使其普遍可访问且有用'这一使命,真的是一个非常大的范围。"
这个宏大愿景也解释了为什么Google会在很早期就开始投入AI研究。例如,2007年他们就开发了一个包含两万亿词规模的语言模型,用于机器翻译项目。这些早期探索为后来的AI转型奠定了基础。
这种从搜索到AI的演进,反映了Google对技术趋势的准确把握。正如访谈中所展现的,公司始终保持着对创新的开放态度,并能及时抓住新技术带来的机遇。
二、AI技术发展的里程碑
1. 早期语言模型探索
在对话中,Jeff Dean回忆了2007年那个具有开创性的语言模型项目。这个项目最初是为了解决机器翻译问题,由Google的翻译团队领导人Franz Och发起。Jeff描述了一个有趣的转折点:"谷歌的团队提交了参赛作品,这种比赛流程是：周一给你500句源语言的句子,你必须在周五提交翻译结果。结果我们拿到第一名,而且评分方式（Bleu分）还超出第二名不少。然而,当Jeff兴奋地问Franz "太棒了,我们什么时候上线？"时,得到的回答却令人意外:"噢,我们没法上线,因为翻译一条句子要12个小时。" 这个问题促使Jeff投入了两三个月时间,构建了一个内存中的压缩形式N-gram数据结构。这个项目的规模令人印象深刻:"我们用的是五元模型（five-gram）,而且总共统计了大概2 trillion（两万亿）个词,大多数人那时只做二元或三元,我们做的是五元。" 通过技术创新,他们最终将翻译时间从12小时缩短到了100毫秒左右。
Noam Shazeer在访谈中提到了更早期的工作,他在2000或2001年就开发了一个极其出色的拼写纠正系统。Jeff对此印象深刻:"他发了一个演示的链接给公司所有人,我就试各种乱七八糟的拼写,像'scrumbled uggs Bundict'这种完全拼错的词组合,本来要表达的是'scrambled eggs benedict（炒蛋班尼迪克蛋）',结果它都能给正确纠正出来。
2. 硬件革新
TPU的发展历程反映了AI硬件需求的演变。Jeff解释道:"TPUv1的时候,我们甚至还不确定能不能用8位整数来量化模型做推理,但那时候有一些早期的证据表明可行,就决定把整个芯片都围绕这个方向来构建。最早的TPU主要面向推理,而不是训练。正如Jeff所说:"最早的TPU（TPUv1）其实就是为推理而生的,并没怎么考虑训练；后续版本才更多地面向训练,也兼顾推理。"
在量化技术方面,取得了显著进展。Jeff指出:"随着时间推移,你也能看到人们在训练时用的精度更低了,而推理的精度也更低。现在有人用INT4或者FP4。以前如果跟高性能计算领域的人说要用FP4,他们会觉得:'什么？这太疯狂了,我们要64位浮点数啊！'Noam补充道:"是啊,有些人甚至做一位量化,就只有0或1,然后可能再给一批数据加一个符号位之类的。
3. 算法突破
作为Transformer架构的发明者之一,Noam对这一突破的影响有深刻的理解。访谈中提到,这一架构已经成为现代所有大型语言模型的基础技术。大模型训练的技术演进
关于大模型训练,Jeff分享了一个关键洞察:"我们自己也做过一些实验,发现如果在推理时加大算力,答案确实比原先好；如果加10倍算力,就比加1倍算力有显著提升,这很有意义。他还特别强调了未来的发展方向:"当前这些模型通常让每个专家算量都差不多,batch大小也差不多。这么做是为了在推理时拿到大batch的并行效率。不过我觉得将来你可能会想让不同专家的计算量相差上百倍、上千倍。
这些技术里程碑不仅展示了AI领域的快速发展,也预示了未来可能的突破方向。正如Jeff所说:"我们需要很多有趣的算法近似,来实现我们真正想要的功能。"
三、未来AI系统的新范式
1. Mixture of Experts(MoE)模型
在访谈中，Jeff Dean详细阐述了MoE模型的优势："我们现在的Gemini 1.5 Pro模型和其他一些Mixture-of-Experts模型，就会让部分参数激活在某些token上，而另一些部分不激活。比如处理数学的部分就用到某个专家，而处理猫图像的部分就用另一个专家。这种设计带来了显著的效率提升，正如Jeff所说："这样就能得到一个容量很大的模型，但推理时仍然只激活其中小部分，所以效率不算太差。
然而，当前的MoE架构仍存在局限性。Jeff指出："现在还是很'规则化'的结构：所有专家都一样大，路径很快就合并回去了，并没有真正做到'这个分支专门对付数学，一直分下去；那个分支专门对付猫图像，一直分下去'的那种大规模分叉。Dwarkesh也提出了一个关键问题：在公开研究中，常见的困难之一是MoE模型中每个专家的功能往往不透明。对此，Noam Shazeer给出了他的观察："其实我个人感觉专家还是比较好理解的。我在第一篇Mixture of Experts的论文里就发现，你完全可以看看某个专家最常被激活在哪些单词上，然后发现它对应的概念——比如这个专家对应'圆柱形物体的单词'，那个专家特别擅长日期......"
2. 模块化AI系统
Jeff Dean提出了一个雄心勃勃的技术愿景："如果有办法让一小撮人负责改进某些语言的数据，训练一个独立的模块，然后把它接入一个更大的模型，这样模型在东南亚语言或者Haskell代码推理方面就变强了。我觉得那会非常好。"这种模块化方案不仅具有技术优势，还能带来管理上的便利。Jeff说："这也有软件工程的好处：问题被分解了，不像现在这么'大一统'。如果能实现这样，你就可以让谷歌里100支团队各自专注某个方面，每个人都在改进模型的某个片段。"
Noam补充了模块化系统的另一个重要优势："那就很爽了，可以把模型黏合在一起，或者把某些模型片段抽出来加进别的模型里，升级某个部分不用推翻所有东西......"
3. 持续学习与自我改进
关于持续学习的可能性，Jeff提出了一个有趣的设想："也许模型里的每个模块都会有几个版本：一个大的，一个小的，小的那个随时在吸收大模型学到的知识。一旦完成，就可以把大模型删掉，再加新的参数容量，让它学更多大模型没有的东西"
在实现路径上，两位专家都强调了渐进式改进的重要性。Jeff提到："如果在这个超大模块化模型里上千个地方都这么并行跑着，我觉得可能效果也不错。"Noam则补充说："也有可能把它当作一种推理扩展，比如路由决定我要用大模型还是小模型去处理某个问题。
对于未来AI系统的发展，Jeff总结道："我觉得我们要改变一下训练目标。只靠前面词预测后面词，跟人类的学习方式并不完全一样。人会先读一整章，再做习题。"这暗示了未来AI系统可能会采用更接近人类学习方式的训练范式。这些新范式的探索展现了AI领域正在经历的深刻变革，也预示着未来AI系统可能会变得更加灵活、高效和智能。
四、AI发展面临的重大挑战
1. 技术层面
关于上下文窗口的挑战，Jeff Dean在访谈中提供了深刻见解："目前我们有些模型可以处理数百万个token的上下文量，这非常可观了，可能相当于几百页PDF文档或者50篇学术论文，或者数小时的视频、十多个小时的音频等等，这都很酷。但如果能让模型直接'关注'万亿级别的token，那就更好了。然而，这面临着巨大的计算挑战。Jeff解释道："注意力机制在计算量上是二次方的，天真地把注意力扩展到万亿token几乎不可能，就算对数百万token都已经需要非常多的硬件支撑了，更别提万亿级别。
在推理效率方面，Noam Shazeer指出了一个关键问题："一般情况下，Transformer在训练时可以把序列长度当作batch，但在推理时就难，因为我们是一个token一个token地生成。
Jeff补充了一个创新性的解决方案："所谓的'drafter模型'。具体做法是：你用一个很小的语言模型来一次生成四个token，然后把它们交给大模型审查，大模型要么同意其中的前三个，那么就可以一次性'跳过'那三个token的生成步骤。关于分布式训练，Noam提到："我们现在就已经在做跨数据中心训练了。...我记得我们在Gemini 1.5的技术报告里说过，我们把训练任务分布到了多个城市，然后用高带宽但延迟稍高的网络把这些数据中心连接起来，结果也不错。
2. 工程实践
Jeff Dean强调了系统复杂度管理的挑战："在做集成时，还有取舍的问题。你想让你的系统保持尽可能'干净'，因为过度的复杂度会带来风险，也让研发更慢。但你也想让它功能尽可能强，每个研究员都希望自己的发明能进系统。
Noam分享了Google内部的资源分配经验："谷歌大脑（Google Brain）早期就做得不错，大家可以自由地分配GPU/TPU资源，大多数情况是'UBI式'的公平机制，你有一个芯片配额，可以选择跟别人合并用。
3. 安全考量
关于模型可控性，Jeff表达了谨慎乐观的态度："有两种极端观点：一种是'天啊，这些系统会比人类强太多，我们根本招架不住'，另一种是'这些系统会很棒，我们完全不用担心它们'。我自己大概处在中间。他进一步解释道："我认为我们其实是可以塑造和引导AI在世界上的使用方式，最大化它对教育、医疗等领域的正面效益，同时通过政策或技术措施来尽量避免'计算机掌控一切'这种情况。
对于风险防范，Noam提出了一个有趣的观点："好在分析文本其实比生成文本更简单，所以我相信语言模型可以用来审查语言模型的输出，找出危险或有害内容，这对控制问题也许是很好的解决方案之一。Jeff也补充道："我觉得你可以在这种流程里设置保障，既能利用系统给我们带来的好处，也避免让系统彻底自我改进而没人去看它干了什么。这就是我说的工程保障，你要去评估你将要部署的系统的特性，不部署那些在某些指标上有害的。
这些挑战虽然严峻，但两位专家都表示，通过适当的技术创新和管理策略，这些问题是可以解决的。正如Jeff所说："我觉得这是个工程问题：要怎么设计安全的系统。
五、Google的AI战略与实践
1. 研发理念
在对话中，Jeff Dean明确强调了Google对负责任AI发展的重视："我觉得谷歌整体对这个问题有很成熟的看法。我们的负责任AI原则（Responsible AI Principles）是一个很好的框架，帮助我们在不同语境中思考如何平衡'让AI越来越强'与'确保它们安全、不散布有害内容'这些问题。他还特别指出了AI应用的积极方面："我很兴奋它们能给教育、医疗、信息普惠这些领域带来好处。但我们也要意识到它们可能被用来制造虚假信息、自动攻击计算机系统，所以我们要尽可能在模型中设置防护和缓解措施，理解它们的能力边界。
关于开放研究与商业竞争的平衡，Noam Shazeer分享了一个深刻的观点："我觉得当时我们确实需要看到更大的机会，让更多人参与进来。这个领域也不是'零和博弈'。当前的状况几乎是最不零和的——我预期会带来GDP、健康、财富等各方面几个数量级的增长。
同时，他也承认现在的策略有所调整："如今谷歌也发展得不错。当然，我们现在会比以前稍微保守一些，不见得把所有研究都第一时间公开。我们也会权衡：'要不要先用在产品里，再发论文？要不要只大致讲一下，不给全部细节？'
2. 技术路线
Jeff Dean强调了软硬件协同设计的重要性："必须得把整件事看作一个整体，然后认识到'哦，等等，如果我们量化了，性能/成本比会提升不少。'那即使量化确实麻烦，但能让模型快好几倍，你也就得忍了。Noam补充道："通过软硬件协同设计，我们可以让这些东西比现在高效得多。
在算法创新方面，Jeff分享了一个重要观点："我觉得一个总体趋势是，我们在用更低的精度来做训练或推理，量化越来越成熟。TPUv1的时候，我们甚至还不确定能不能用8位整数来量化模型做推理，但那时候有一些早期的证据表明可行，就决定把整个芯片都围绕这个方向来构建。
3. Google未来
Jeff描述了一个宏大的产品整合愿景："我能想象将来，也许不会在40秒内就给出答案，而是可能跑个10分钟，然后在第5分钟打断你：'我已经做了很多事，但有些需要你来决定：你是只想支持图像处理，还是也要支持视频？'他还提到了更远大的目标："要'组织信息'，就意味着世界上任何信息都应该对任何人可用，而不管他/她说什么语言。这方面我们确实做了一些努力，但还远没有实现'只要地球上有某种内容，就能让不同语言的人也能获取并使用它；任何视频都能被任何语言的人看懂。'
关于未来的技术突破方向，Jeff特别强调了模型架构的演进："我一直觉得现在的神经网络还没充分借鉴生物大脑的做法。当初我们借鉴了生物神经元的概念，才有了深度学习的兴起，但大脑里还有很多其他特征值得参考。他设想了一种新的架构方向："我更希望看到一种'有机的'专家生长模式：当某个任务需求增加时，就在那里再加更多容量，让模型'变得更擅长那个方面'。
六、AI行业的未来展望
1. 计算资源需求预测
当被问及2030年的算力需求预测时，Jeff Dean提供了一个深入的分析："对这些'能力强大的模型'来说，推理需求会非常大，因为其中一个让它们更好用的做法就是加大推理时的算力投入。这样一来，同样要生成一段文本，原先只需一次计算，现在可能要50、100甚至1000倍的计算，就为了得到更好的质量。他还预测了使用量的爆发性增长："现在也许只有10%或20%的电脑用户知道并使用这种聊天式界面，等将来100%的人都发现了它的各种功能，这个使用量还要再涨一到两个数量级。
关于基础设施的挑战，Jeff提出了一个引人深思的观点："如果你从头分析，会发现人们会愿意在这方面投入相当一部分GDP，而世界GDP本身也会因为有这些'人工工程师'而显著增长，也许还会有无限能源、解决碳排放之类的。我们能拥有大量能源，也能让成千上万的机器人来建数据中心。太阳发出的功率是10^26瓦，我们可以干很多事。
Noam补充道："我不一定完全同意Jeff的每个细节，但就算只实现其中一部分，规模也会非常大。这也是为什么我们一定要让硬件平台尽可能便宜高效，把这些模型的能力给更多人用。
2. 技术发展趋势
Jeff Dean对模型架构演进提出了独特见解："我觉得现在的趋势是：每一代模型都比上一代强很多，而且我看不出在接下来的几代里这种进步会放缓。他特别强调了一个可能的突破点："原本只能把一个简单任务拆分成10个子任务，并且80%的概率能正确完成；将来或许能把一个非常高层次的任务拆成100或1000个子任务，而且在90%的情况下都能搞定，这可是一个巨大的飞跃。
在应用场景方面，Jeff描绘了一幅生动的场景："想象一下，如果你是Joe Biden，你有个耳塞随时让AI给你建议，让你能实时了解所有事情并提供解决方案或提示。或者你跟它对话的时候，它会分析周围环境，找对你有用的点子。
3. 潜在的范式转变
关于AI能力的提升，Noam提出了一个有趣的见解："我认为谦虚也很重要——就是说，要意识到'我现在做的成果还远远不是极限，别人或者我自己还有更牛的点子。'还要能在发现更好点子时，放弃已有想法。Jeff补充道："我们需要很多有趣的算法近似，来实现我们真正想要的功能：给模型一个方法，让它在概念层面上可以关注海量token（比如万亿规模），而不是简单地用那种开销巨大的注意力做法。
关于产业变革的影响，Jeff提出了一个深刻的观点："那么就会出现一个问题：每增加2倍计算投入，你的助手就能再'聪明5、10个IQ点'。你要花10美元一天，还是20美元一天？如果它能让你从'10倍工程师'变成'100倍工程师'甚至'1000万倍工程师'，你为什么不多花点钱？Noam则强调了技术民主化的重要性："通过软硬件协同设计，我们可以让这些东西比现在高效得多...这是为什么我们要让硬件平台尽可能便宜高效，把这些模型的能力给更多人用。
AI行业正在经历深刻的变革，不仅将改变技术本身，还将对整个社会经济体系产生深远影响。正如两位专家所强调的，关键在于如何让这些技术进步惠及更多人。
七、领军者的经验之谈
1. 职业发展建议
在对话最后，Jeff Dean分享了他保持持续创新的秘诀："我个人的做法是：发现一个有趣的新领域，跟人聊、看新的研究论文、跟同事交流，关注研究领域的新动向。他特别强调了跟进新技术的重要性："然后抱着'也许能结合新的ML技术来解决问题'的心态去探索，比如'我们能不能用强化学习做某些芯片设计的部分？'或者'在医疗领域，能不能给临床医生带来帮助？'
Jeff还分享了他是如何实现跨领域创新的："通常我会找个团队，大家都有不同专长，结合在一起就能做出任何个人都做不到的成果。接着，我从他们那里学到一些新东西，他们也从我这儿学到一些经验。如此一来，我就丰富了自己的工具箱，可以去下一个领域闯闯。
2. 研究方法论
Noam Shazeer强调了保持开放心态的重要性："我认为谦虚也很重要（笑）——就是说，要意识到'我现在做的成果还远远不是极限，别人或者我自己还有更牛的点子。'还要能在发现更好点子时，放弃已有想法。Jeff也分享了他的创新方法："我内部有一个名为'Go, Jeff, Wacky Ideas（加油，Jeff的疯狂点子）'的幻灯片，提了一堆我认为有潜力的产品创意，比如'现在我们有了某些能力，就能做这17件事'。
关于团队协作，Jeff强调了一种非强制性的领导方式："这样有时人们会看到后觉得感兴趣，跑来一起合作。我觉得这是一种在不强制命令的情况下，引导团队往某个方向走的好方法。Noam则分享了他对研究团队管理的见解："谷歌大脑（Google Brain）早期就做得不错，大家可以自由地分配GPU/TPU资源，大多数情况是'UBI式'的公平机制，你有一个芯片配额，可以选择跟别人合并用......
他还特别提到了平衡自上而下和自下而上方法的重要性："不过Gemini项目就更多是自上而下，集体合作确实更容易，但同时会有些人更倾向于说'我的方向没问题，快给我加资源'，不一定有人来告诉你'这条路行不通'。所以未来我们可能需要混合策略：既要自上而下地协作，也要保留自下而上的探索。这样才能激发更多创新。这些经验之谈展现了两位领军者如何在长期职业生涯中保持创新活力，以及他们对团队管理和研究方法的深刻见解。他们强调了持续学习、开放心态、跨领域合作的重要性，这些经验对整个AI领域的研究者都具有重要的参考价值。
对他们来说，创新不仅仅是技术突破，更是一个持续学习和团队协作的过程。正如Jeff所说："对我来说，这是一种在工作中持续学习、享受乐趣的方式。"
八、结论与思考
1. AI技术发展的关键洞察
从Jeff Dean和Noam Shazeer这场深度对话中，我们可以提炼出几个关键洞察：
首先，AI发展正在经历加速。正如Jeff在访谈中指出："每一代模型都比上一代强很多，而且我看不出在接下来的几代里这种进步会放缓。"这种加速不仅体现在模型性能上，还体现在应用范围的扩展上。
其次，软硬件协同设计至关重要。正如Noam所强调："通过软硬件协同设计，我们可以让这些东西比现在高效得多。"这种协同不仅能提升性能，还能降低成本，让AI技术更容易普及。
第三，模块化和专业化将成为未来趋势。Jeff描绘的愿景是："如果有办法让一小撮人负责改进某些语言的数据，训练一个独立的模块，然后把它接入一个更大的模型，这样模型在东南亚语言或者Haskell代码推理方面就变强了。"
2. 未来挑战与机遇
在挑战方面，两位专家都认识到了几个关键问题：
计算资源需求的爆炸性增长。Jeff预测："现在也许只有10%或20%的电脑用户知道并使用这种聊天式界面，等将来100%的人都发现了它的各种功能，这个使用量还要再涨一到两个数量级。"
安全性和控制性的挑战。如Jeff所说："我们要意识到它们可能被用来制造虚假信息、自动攻击计算机系统，所以我们要尽可能在模型中设置防护和缓解措施。"
但同时，机遇也是巨大的。Noam指出："这个领域也不是'零和博弈'。当前的状况几乎是最不零和的——我预期会带来GDP、健康、财富等各方面几个数量级的增长。"
最后，对于整个产业来说，Jeff提出的这个思考很有启发性："那么就会出现一个问题：每增加2倍计算投入，你的助手就能再'聪明5、10个IQ点'。如果它能让你从'10倍工程师'变成'100倍工程师'甚至'1000万倍工程师'，你为什么不多花点钱？"这提示我们，AI可能会带来生产力的质的飞跃。
【往期回顾】
来源：官方媒体/网络新闻
编辑：深思
主编：图灵