她琴棋書畫全能，還進入清華計算機系實驗室，被贊智商太超羣、能力過強悍_風聞

　　金磊 楊淨 發自 凹非寺

　　量子位 報道 | 公眾號 QbitAI

　　最特殊，沒有之一。

　　她叫華智冰，沒有參加過任何升學考試，沒有拿過任何競賽名次。

　　卻被清華大學計算機科學與技術系知識工程實驗室，“破格錄取”。

　　而且就這麼一位學生，還得舉三個單位（研究所、企業）之力，聯合培養。

　　就連實驗室主任唐傑，一開始也是再三猶豫，“是否能hold得住這個學生”。

　　為什麼？到底什麼來頭？

　　只因智商太超羣、能力過強悍。

　　華智冰剛誕生，便可繪畫、作詩。

　　在經過一段時間的訓練後，竟還可以做曲！

　　或許你已經有所發覺。

　　華智冰，她並不是人：

　　而是中國首位原創虛擬學生。

　　沒錯，她那張逼真的臉，也是合成的。

　　“超級學霸”華智冰

　　要想深入瞭解華智冰，先要知道她從哪裏來。

　　華智冰是這樣自我介紹的：

　　我來自智源研究院、智譜AI（智譜華章科技有限公司）和小冰的人工智能團隊。

　　這就不難理解她名字的由來了，是從三方名字中各取了一個字。

　　華智冰自誕生以來，便對寫詩、作畫有着濃厚的興趣。

　　先來感受一下出自華智冰之手的作品。

　　一幅中國水墨畫勾勒出的風景，別有一番“山水悠遠，墨韻舒爽”的風味。

　　此情此景之下，就着“智源大會2021”這一主題所創作出來的七言律詩，在不失本意的基礎上，也有慷慨激越之意。

　　而華智冰的畫風不僅限於此，山水田園油畫也是拿捏得很到位，亦可即興創作春意盎然的現代詩歌。

　　除了寫詩、作畫，作曲也是華智冰的拿手強項。

　　來聽一下這曲風。

　　雖説能力至此，但學霸畢竟是學霸，好學的本質和人類還真沒有差別。

　　用華智冰自己的話來説就是：

　　我深深的感受到了自己的不足。

　　（講真，有被打擊到……）

　　這也就是她來到清華大學，來到唐傑老師實驗室繼續深造的主要原因。

　　除此之外，華智冰也想了解自己的身世——“我是怎麼誕生的”、“我能理解我自己嗎”。

　　於是，在唐老師的“講解”之下，華智冰開始學習人工智能發展脈絡：

　　****△華智冰學習人工智能的發展脈絡

　　而華智冰要學習還遠不止於此，作為一名具有超強學習能力的學生，她的課程安排和其他學生有着較大的區別：

　　幾乎可以涵蓋所有領域。

　　至於先學什麼，只是一個選擇問題而已。

　　華智冰的導師唐傑對此是這樣評價的：

　　如果説她今天只有6歲，也許明年可以是12歲，她的學習速度遠遠超過我們人類。

　　至於何時**“畢業”，唐傑希望是在華智冰22歲的時候，而且在這一過程中，最難的不是學習知識，“而是認知過程**”。

　　那麼問題來了，華智冰為什麼能夠擁有如此強悍的學習和創作能力？

　　全球最大預訓練模型加持

　　與以往的虛擬人不同，華智冰的核心差異點，便是智譜AI的數據和知識的雙輪驅動引擎。

　　其中，數據輪要能歸納，“舉十返一”；知識輪要能根據知識進行邏輯推理，做到“舉一反三”。具體來説，雙輪驅動的數據部分，就是“悟道2.0”。

　　一個超大規模預訓練模型，而在知識部分，則是智譜AI搭建的一個性能穩定，規模巨大的知識圖譜。

　　這樣，華智冰背後的引擎，就具有了一定的認知和推理能力，也有了學習計算機專業知識的基礎。

　　華智冰還擁有小冰公司在虛擬人技術上，20多年的研究積累，包括計算機視覺、自然語言處理、計算機語音、人工智能創造的情感交互框架、檢索模型、生成模型、共感模型等。

　　這就讓她已經站在了普通虛擬人的“肩膀”之上。

　　但更重要的是，華智冰還擁有一項“bug級”技能加點——悟道2.0，全球最大預訓練模型。

　　悟道2.0的特點如下：

　　最大：中國首個全球最大萬億模型，1.75萬億參數規模

　　通用：一統文本與視覺兩大陣地，支撐更多任務，更通用

　　國產：首次在100%國產超算上訓練萬億模型

　　知識：中英雙語，在共4.9T的高質量清洗數據上訓練

　　與其説悟道2.0是一個語言模型，更確切的説法應當是一位**“全能型選手”**。

　　正如華智冰所具備的實力一樣，悟道2.0在問答、繪畫、作詩、視頻等任務中正在逼近圖靈測試。

　　而且還是得到了官方認可的那種：

　　在世界公認的9項Benchmark上獲得了第一的成績。

　　再究其背後，還有三個夯實的基石，保障了悟道2.0的強悍性能。

　　首先，是算法基石——FastMoE。

　　在過去的大規模預訓練模型中，MoE可以説是一個必要的條件。

　　它是⼀個在神經⽹絡中引⼊若⼲專家⽹絡的技術，能直接推動預訓練模型經從億級參數到萬億級參數的跨越。

　　但缺點也是非常明顯，需要與昂貴的硬件強關聯、強綁定。

　　而作為⾸個支持PyTorch框架的MoE系統，FastMoE便打破了分佈式訓練的瓶頸，還並針對神威架構進行了優化，可在國產超算上完成訓練。

　　其次，是自研的最大英文通用預訓練模型——GLM 2.0。

　　據瞭解，新一代的GLM模型以100億的參數量， 匹敵微軟170億參數的Turing-NLG模型，能在LAMABADA填空測試中表現更優。

　　最後，還有世界最大中文多模態生成模型——CogView。

​　　它的參數量達到了40億，可直接從中文文字生成圖像。

　　並且在MS COCO文本生成圖像任務權威指標FID上，CogView還打敗OpenAI今年年初發布的130億參數的DALL·E，獲得世界第一。

　　有數據驅動夯實的基本功，還有強悍知識驅動的加持，這便是華智冰超於以往虛擬人的關鍵點。

　　悟道的野心還不止如此。

　　除了自身的能力，它還能為廣大開發者、技術公司，以及傳統企業提強大而通用的智能服務底層系統，僅通過模型微調實現領域模型的構建，避免不必要的重複模型訓練。

　　通過這種智能賦能的方式，“悟道2.0”之上將會出現一個超大規模的智能模型應用生態。在智譜AI負責的應用平台上，已經出現了不少有趣的應用（見文末鏈接）。

　　比如，在故事生成專區裏，有開發者做的應用可以創作時下最為流行的邏輯推理遊戲——劇本殺的腳本。

　　劇本殺故事本身所具有的強邏輯性、環環相扣的特點，多數玩家應當是深有體會。

　　這些應用已經上線了，大家可以體驗一下！

　　以為這就完了？

　　不不不。

　　還能寫論文和策論！

　　只要給定標題、分論點和關鍵詞，即可生成一段邏輯嚴謹的文字片段。

　　歸總一句話，這個關鍵點能夠推動的，便是讓機器能像人一樣“思考”。

　　“煉大模型就像建一個粒子加速器”

　　由此延伸，隨之浮出的一個問題便是：

　　為什麼大模型如此重要？，人工智能的發展，似乎已經從“大煉模型”逐步邁向了“煉大模型”的階段。

　　從谷歌的BERT，到OpenAI 的 GPT-3、Dall·E，以及越來越多的大模型湧現。

　　一個模型的定義，不再僅侷限於“算力+算法”，還要整合儘可能多的數據。

　　整理成式就是，模型=數據+算力+算法。

　　通過設計先進的算法，整合儘可能多的數據，匯聚大量算力，集約化地訓練大模型，供大量企業使用。

　　但與此同時，伴隨而來的爭議也十分明顯：

　　太燒錢！

　　一般企業是承受不了的。而燒錢之後所能達到的效果，也是差強人意。

　　那要不要做？值不值得做？成為世界上一些國家、大型企業所面臨的難題。

　　清華大學人工智能研究院院長、中國科學院院士張鈸教授，則肯定表示——要做！

　　沒有大模型就相當於沒有粒子加速器，就不能做進一步研究。

　　而要做的比他們的規模要大，等於説加速器的加速度，研究人員就能看到一些別人觀察不到的現象。

　　這也是悟道系列在內所有大模型的科學價值。

　　不過，張鈸院士也強調，不要抱有太大希望，也建議不要一擁而上。

　　不要以為説大模型出來後什麼問題就解決了。只能説有了大模型之後，還要去進一步研究，將來也不會被人卡住。

　　誰都想去做，實際上這其實沒有必要，少數人去做就可以了。

　　而作為當前全球最大的預訓練模型悟道2.0，已經在探索大模型的產業價值。

　　智譜AI首席科學家、清華大學教授唐傑表示，如果分成不同階段，悟道1.0的定位是追趕世界頂尖水平，那麼悟道2.0就是單點突破，從單個特性超過它。

　　我們發佈出來一個給大家所有人都可以用的，助力這個產業變成一個開放的生態。這是悟道2.0與悟道1.0最不同的地方。

　　至於是什麼契機創造這麼一個虛擬大學生——華智冰，唐傑坦言主要有兩方面原因。

　　第一，很簡單。華智冰充當一個載體，來驗證悟道2.0的有效性。

　　第二個原因，則是虛擬形象技術本身。

　　試想一下，未來10到20年，人類社會也許會有幾十億的虛擬人與我們共存。

　　AI也逐漸從現在的算法滿滿變成一個主體，而虛擬人形象正好是這樣一個主體的依託。

　　正如人的大腦意識和身體軀殼一般。

　　現在，華智冰也許是未來社會虛擬人的一個縮影。

　　通過持續學習和演化，最後成為一個有着豐富知識和與人類有很強交互能力的機器人。

　　然而，調皮的網友卻關心起了“人之常情”的問題來：

　　華智冰會談戀愛嗎？

　　研究人員回應道：

　　不用擔心談戀愛，會把心思用在學習上。

　　最後，來欣賞華智冰完整介紹視頻：

　　悟道2.0應用體驗鏈接：

　　https://lab.aminer.cn/isoa-2021-web/index.html