從人工智能大模型的湧現到中國產業的湧現 | 袁嵐峯_風聞

2023年12月24日，全國通用人工智能創新應用大賽總決賽在安徽省蕪湖市舉行。這是中國計算機學會和安徽省科技廳共同主辦的科創大賽，吸引了全國300多個項目團隊參賽，80支隊伍進入複賽，安徽省外團隊佔比超過80%，20支隊伍晉級總決賽。

最終的冠軍是合肥中聚源智能科技有限公司，他們研發了一套關於心理健康的軟硬件產品，通過普適化的感知，對人的心理健康進行全週期的實時監護。不久前的3月17日，我就和中聚源董事長孫曉教授以及若干位心理學界、人工智能界、產業界等領域的專家一起做了一場直播（https://weibo.com/3710258141/O5ruZ8QVl），引起了大家的廣泛興趣。

本屆大賽將給予獲獎項目團隊現金獎勵、融資支持、宣傳推廣以及中國計算機學會相關獎勵，在安徽落地的優秀獲獎項目團隊還將獲得最高達3000萬元的綜合支持，合肥、蕪湖、宿州都有項目簽約。

這些盛況反映出，人工智能大模型不僅是通過對話讓人們感到驚奇，而且已經開始有不少項目落地了。這一切的關鍵，是大模型出現了神奇的“湧現”現象。我的朋友、風雲學會會員陳經就是一位人工智能專家，他寫了一篇長文（人工智能大模型神奇的“湧現”到底是什麼？| 陳經）。下面，我就向大家來介紹一下。

一、人工智能再度爆火

2023年的人工智能，火得有些出人預料。本來人們以為，人工智能又該到寒冬了。

2016年初，AlphaGo下圍棋戰勝人類，引發了多年來最大一波人工智能熱潮，以至於各種懂的不懂的都到處談人工智能，好像不談你就out了。但是之後熱度就逐漸下降，正如許多業界人士揭示和預期的，深度學習有能力也有缺陷，不宜寄望太高。

例如自動駕駛成為研發大坑，許多公司投入巨大卻難於突破。人工智能創業公司估值下降，風投在找突破口。這一切看上去都很正常，符合技術發展規律，因為歷史上很多技術就這樣起起落落過很多次了，尤其是人工智能。

但2023年人工智能大模型、AIGC的橫空出世，打破了這個一般規律。例如周鴻禕11月30日分享了去硅谷的見聞，稱“投資者對於沒有AI概念、沒有AI功能、沒有AI成分的公司已不會考慮”，“美國在賭人工智能這件事，整個投資體系、創業體系、大公司體系、傳統公司體系都在全面擁抱AI。”

從產業和技術影響來看，2023年的人工智能熱潮力度，已經超過了2016年。這是為什麼呢？很多研究者相信，這是發生了幾十年未見的、科學原理級的重大突破，不能單憑經驗去評估。

這個大突破，就是人工智能大模型的能力“湧現”（emergence）。下面我們來解釋，什麼是“湧現”，它的意義有多大。

二、深度學習是一次科學突破“湧現”

科學突破中，最為人熟知的領域是物理。從文藝復興時期的伽利略實驗、牛頓三定律，到二十世紀上半葉的相對論、量子力學，新的物理現象、物理定律不斷被發現，有的還帶來產業革命。

從二十世紀下半葉開始，重大的物理發現明顯減少。有人認為，人類社會科技停滯了，在有些方面甚至還倒退，如登月。但是，如果從湧現的角度去分析，就會有不同的感受。

物理學新現象少了，人類科技也不會停滯。在生物、IT等領域，不斷有令人興奮的新發現。科學規律與現象不應該有等級高低的分別，只要能帶來認識世界、改造世界的新能力，都是原理級突破。

人工智能大模型表現出來的能力湧現，可以類比於人類發現了電力，出現了讓人激動的全新現象。業界人士正以幾十年沒見過的科學激情，探索新世界。

在上世紀五六十年代，感知機等簡單結構、人工編寫算法程序下棋，已經讓學者們意識到，人工智能是一個新的科學領域了。但由於神經網絡結構過於簡單，人工代碼編寫AI程序困難，算法複雜度指數上升，人工智能遭遇了低谷。日本八十年代選擇人工智能作為“第五代計算機”的突破方向，最後徹底失敗，技術資料變得一錢不值。

另一個著名的失敗，是“異或問題”。明斯基等人指出，單層的感知機通過調整神經網絡係數，可以對兩個輸入值的與、或、非成功輸出；但不管如何調整係數，也無法輸出異或的結果。為什麼呢？看這個圖就明白了。感知機是要劃一條線把0和1分開，但現在0和1在四個角交叉放置，所以不可能有一條直線把0和1各放一邊。推廣來説，如果兩種模式通過一個超平面“線性可分”，感知機就能訓練收斂，但實際應用中絕大部分模式識別問題是非線性的。

線性可分的問題能用神經網絡訓練成功，其實是個新現象。上萬億個係數的大模型，其基本特性在最初的感知機中都可以找到，調整係數、加減乘除簡單運算、數值結果解釋輸出。但這只是馬後炮，由於當時的認識侷限性，學界普遍把神經網絡看成意思不大的玩具，對應1974 - 1980年的第一次人工智能寒冬。

八十年代以來，楊立昆、辛頓、本吉奧等人引入多層神經網絡和反向傳播算法（Back Propagation，簡稱BP），成功實現了手寫數字識別等成果，有了郵政編碼識別、支票識別等實際應用。由於計算機性能上升，人工代碼精心編寫的下棋程序大有進步，IBM的深藍戰勝了國際象棋世界冠軍卡斯帕羅夫。

這段時間的人工智能可以算是小有成就，但在當時的IT大潮中，顯得不太突出。這對應1987 - 2016年的第二次人工智能寒冬。從投資角度看，人們熱衷於軟件開發、通信、互聯網、手機APP等，人工智能不算熱門。

深藍的開發代價很大，戰勝卡斯帕羅夫之後封存，後續發展和技術影響不大。人們認識到，靠人工代碼編寫人工智能算法，會被博弈問題的指數複雜度卡住，專家系統邏輯能力有限，難以應對複雜問題。這種“符號主義”的發展路徑，是當時人工智能的主流，有些頂尖成果代表業界，但前進方向迷茫。

後來大放光彩的深度學習、大模型，在這個階段已經有了基本結構和訓練框架。多層神經網絡前後連接，對應人工智能的“連接主義”。前向傳導計算出最終節點的結果，與樣本對比產生“誤差”，一層層反向傳播回去，用“梯度下降”等方法反覆修改係數，讓誤差降低，優化整體的“損失函數”。這些並不複雜的基本技術，通過反覆訓練將損失函數降到極低，就能產生驚人的模式識別效果，將手寫數字等簡單模式識別出來。但是這個階段的多層神經網絡，能力還是有限，稍複雜的圖像模式識別問題就表現不佳，限制了技術應用。

2016年人工智能熱潮忽然興起，是因為AlphaGo在符號主義無能為力的圍棋問題上戰勝了人類頂尖棋手，大大出乎預料。其實對業界人士來説，技術上算是水到渠成，是各種技術因素的組合成果，有傳統的MCTS（蒙特卡洛樹搜索）博弈搜索算法，也有深度神經網絡、強化學習、對抗生成網絡（GAN）等新技術。結果很好，但技術並不算太有突破性，不少個人開發者都開發出了實力強大的圍棋AI。

對業界來説，2012年的圖像識別神經網絡AlexNet的基礎意義更大。AlexNet三人開發團隊包括導師辛頓，還有兩個學生，其中一人就是ChatGPT的技術核心Ilya Sutskever，他也參加過AlphaGo的開發。AlexNet依靠深層卷積神經網絡，在ImageNet圖像識別大賽中，錯誤率一舉降到15%，相比其它技術的30%有了巨大突破。這是真正讓業界興奮的進展：深度學習展示了它的神奇。

深度學習讓業界從迷茫中找到了方向。計算機硬件速度不斷提升，還有GPU並行加速，訓練數據量也在迅猛增加。突破了瓶頸之後，深層神經網絡的能力就一下“湧現”了。短期內，深度學習成果就席捲了幾乎所有科學領域，人們的經驗被構建、被訓練，來到各種神經網絡結構中。機器翻譯質量突飛猛進，人臉識別能力驚人，繪畫以假亂真。這些進展其實在AlphaGo出現之前就發生了，社會知道“深度學習很厲害”，但沒想太遠。

這是一次真正科學意義上的“湧現”。計算機之前是作為工具幫助各科學領域的研究，主導的還是領域專業知識。但是忽然一下，各學科發現，連研究範式都變了。

這次深度學習的“湧現”，有兩層意思。一層是説，隨着神經網絡規模、訓練機器速度、樣本數量不斷增加，到了一定規模以後，忽然從量變到質變，神經網絡能力躍升“湧現”，把圖像識別效果大幅提升。另一層是説，深度學習在圖像識別領域表現極好，這個能力還迅速推廣到了其它計算機領域，甚至改變了其它學科，能力的應用範圍也湧現了。

有意思的是，人們對AlphaGo關注極大，是因為終極意味的“智能”。許多人想象中，一個人形機器思考着擊敗了人類棋手，人類的最後堡壘“智慧”被證明不如機器，工作將被機器取代，引發了很多哲學與社會思考。但AlphaGo代表的人工智能技術，與智能本質並無太大關係，是“人工”造出來的假象，它只是巧妙地模擬了一個複雜的計算任務。社會慢慢習慣了之後，人工智能的能力邊界清楚了，2018年後關於機器智能的討論迅速降温，似乎又要回到寒冬了，投資熱度下降。

其實對業界來説，2016年人工智能爆火之後並沒有寒冬。開發者積極在各種領域應用深度學習，研究者探索新的神經網絡架構、訓練方法，不斷有成果出來，領域非常活躍。只是外界認為“沒那麼神奇”，感覺平淡了。

按照明斯基式的數學理解，這次深度學習的突破，就是用極多的係數（幾百萬至上億個），構建了規模很大的數學公式，去擬合逼近了圍棋、圖像識別等複雜問題的解空間。從能力最簡單的“直線分割平面”發展成，用規模極大形狀複雜的超空間曲面去分割空間。而構建方法，是統計擬合，通過海量樣本對比統計誤差，反向傳播修改係數減小誤差，多次學習後誤差降到極小，數值模擬成功。樣本可以是人工標註的，也可以是自動生成的，硬件基礎是GPU加速並行計算（幾千個計算核心）。

陳經與人文學者交流時，把統計模擬的數學意義解釋清楚，對人工智能就“祛魅”了，神奇的“智能”感覺消失了。而且這個統計模擬顯然會有缺陷，因為它沒有堅實的邏輯基礎。它的成功是統計性的，什麼時候出現bug難以預料。

例如AlphaGo，你認為它徹底戰勝了人類嗎？其實並沒有！2023年2月日本芝野龍之介二段執黑對圍棋AI絕藝，人類就戰勝了AI。黑棋誘導白棋走出一塊轉圈連上的棋，內部包圍了黑棋一塊活棋。白棋以為自己是活棋，但人類棋手很容易就看出它其實造不出兩個眼，是死棋！這就是因為AI在訓練中極少出現這樣的棋形，所以它對死活產生了錯覺，最後大塊走死認輸。業界認為，所有圍棋AI都會有這個bug。

這種例子在各領域都有。以深度神經網絡為基礎的模式識別，會有難以消除的缺陷，應用於自動駕駛等安全領域會有很大的麻煩。某種程度上，這也是“第三次人工智能寒冬”説法的技術根源，達不到預期，一些研究者感到迷茫。

三、第二次人工智能“湧現”：大模型

正當業界普遍認為人工智能短期不會再有更大突破時，更大突破卻來了！

人工智能的突破，往往是從一些看似簡單的任務開始。這次的大模型，就是從一個“簡單”的任務開始：預測下一個詞説啥。“語言大模型”的基本操作，就是一個接一個地往外吐詞，形式上就是這麼簡單。過去的聊天機器人、作詩機，人們也見識過，並沒有太特殊，沒想到在這個領域發生了巨大突破，可能會產生真正的“智能”。

GPT是Generative Pre-Trained Transformer，其中Transformer就是一種神經網絡結構，2017年發明後，在機器翻譯這個任務中證明了能力。它並不複雜，只是數量特別多，用來存放幾千億個係數。Generative是生成式，GPT會生成對話文字等內容，近期爆火的圖片、視頻軟件也都是生成式應用。Pre-Trained是“預訓練”，一個理解就是把整個互聯網那麼大規模的語料文本，交給Transformer去學習，後來又增加了語音、視頻材料，多模態。語料甚至不用人工標註（選擇去除有害內容是另一回事），預訓練就是讓GPT預測文本語料中的下一個詞，不準就反向傳播調整係數。

這個任務聽上去很簡單，但是想想看，GPT會從中學到什麼？這就不簡單了。要注意，研究者將機器的存儲與訓練算力狠狠擴張，足以處理整個互聯網這麼多的語料。

一個傳統觀察是，學習語料，能讓機器學到“語法”和“語義”。在NLP（自然語言理解）領域的機器翻譯任務，人們就深有體會，研究者用人工代碼去實現語法、對單詞建立對應關聯，是死路一條，翻得很醜陋。而機器對着訓練文本自動學習，就能把一門語言的語法、單詞間的語義關聯建立起來，翻譯得像模像樣。它知道一些單詞經常一起出現，出現時有什麼條件，這些關係都記在神經網絡係數中。Transformer數據結構就是能對一句話中的單詞，方便地建立關聯。

即使機器翻譯得很好了，人們也知道，機器並不理解這些話是什麼意思。按數學理解，機器是把一段話用encoder編碼了，然後再用decoder解碼成另一種語言，它是一種編碼、解碼的算法。實際上，在翻譯機器看來，它面對的只有一些“token”（記號），這些token互相有關聯，實際是什麼它不用知道。就象有確定答案的圍棋一樣（完全信息博弈），翻譯的輸出也是相對確定的，是較為“容易”的任務（人類總是這樣，解決了就認為容易了）。

但是GPT預訓練的任務不是翻譯，而是預測下一個token，這比翻譯難得多。想讓接下來的文本序列合理，它需要了解“事實”，甚至學會“推理”！這時，在人工智能領域，就“湧現”了真正讓人震驚的科學新現象。

以科大訊飛星火大模型為例，我們來問它：從西安開車30分鐘為什麼沒到北京？它的回答是：從西安開車30分鐘不可能到達北京，因為兩地之間的距離非常遠。

這個回答就很有水平。理解“開車沒到”，就會引入“時間”與“距離”，然後再根據距離，去關聯西安與北京，還要引入“速度”，最後組合出答案。這個過程直覺上就不簡單，形式上真的像是在推理。

有很多這樣的案例，讓人們相信機器真的有了強大的推理能力。OpenAI的人説，有時不知道GPT4是怎麼推出來的，裏面的機制真的很神奇。

當然GPT也有很多邏輯缺陷，人們誘導出機器離譜的回答不難。但是從科學發現的角度看，只要新現象可以重複，即使應用需要條件、有缺陷，也是很不錯的突破。以前，研究者認為聊天機器人只是形式上的語言模仿者，從未發現機器有如此強大的推理能力。看多了GPT的對話就能感覺到，機器的數據結構中真的藴含了推理能力，不可能靠模仿出來。

對新現象興奮，而非更關注離譜的缺陷，正是研究者區別於普通人的特質。物理學家對可能的“新物理”極為關注，有點蛛絲馬跡都撲上去一堆分析，往往以失望告終。人工智能研究者當然也會關注“機器推理能力是如何產生的”，所以大公司都撲上去了。研究大模型需要的算力、存儲、資金等硬條件很高，比深度學習高得多，否則研究者會更多。但中美兩國的大模型數量已經非常多了，這種“大發現在前方”的集體興奮是從未有過的。

短短10年內，人工智能領域就出現了兩次科學原理級別的“湧現”，深度學習一次，大語言模型一次。也許外界不清楚意義，但業內人士真的產生了前所未有的熱情。

大模型是如何學會推理的？這是可以描述的。一個類似的例子，是圍棋AI學會“徵子”。AI的訓練是不斷進步的，一套“權重”對應一個版本。像圍棋這種有勝負的遊戲，可以讓AI從什麼也不會開始，讓各版本“自對弈”對戰，並根據對戰結果改進權重，表現好的權重成為勝利者繼續發展。這個訓練可以是分佈式的，LeelaZero就是由眾多愛好者貢獻機器自對弈更新權重的。

在訓練中，愛好者們明顯發現，常規的圍棋戰術，如打吃、提子、逃跑，AI各版本能很快學會，但是徵子很難學會。因為它涉及相隔很遠的棋子之間的斜向關係，能不能扭來扭去吃掉，對AI很難。但時間長了，就會有某個幸運的權重版本，學會了判斷徵子，而且會利用這個能力，對其它不會徵子的版本大殺四方。學會徵子，圍棋AI的神經網絡結構要足夠大，如20層可以，10層不夠，要訓練很多盤自對弈。

GPT的預訓練實現推理能力，也是這樣的。首先網絡結構的規模要大，OpenAI從GPT2到GPT3、GPT4，不斷擴大規模，幾千億個係數，規模夠了。然後訓練語料要多，訓練時間要長。剩下的，就是看GPT的能力怎麼逐漸冒出來，和圍棋AI的自對弈訓練一樣，簡單的能力先學會，複雜的後學會。

讓人震驚的科學發現是：GPT3在預訓練中學會了很複雜的推理！這就如同AlexNet對於深度學習的意義，讓業界認識到了大語言模型的極大潛力。

可以這樣理解，有一些GPT預測文本的任務，如果不會推理，肯定是做不好的。做不好，“損失”數值會比較大。GPT反覆訓練，不斷用各種辦法修改權重，試圖降低“損失”，終於在某個時刻，把“損失”降下去了。而這就等價於，GPT具備了推理能力，輸出像模像樣了。

其實人類學習推理也是這樣，你會了，考試就能過，不然就過不了，蒙不過去。至於人類怎麼學會的，每個人有自己的方法，考試和應用才是評判標準。哲學上，有人説機器不是在推理，是在計算模仿，不是智能，但這説不清。公平的評判是，機器完成了需要推理的任務，就是有了推理能力，並且掌握了很多推理需要的“事實”。

OpenAI沒有發論文公佈GPT3、GPT4的技術細節，有些訓練技術人們只能猜測。但業界總會有交流，員工也會被挖走，技術不可能一直是獨家的，因此一些認知逐漸成為業界共識。GPT的成功在於搞出了“湧現”，這就是業界的共識。

這次GPT的湧現，還特別有哲學意味，比深度學習那次的湧現，有更多可以説的。

1. 類似於深度學習，網絡規模、語料、機器速度、訓練時間不斷增長，最終新的能力就湧現了，量變引發質變。這是常規的預期，人們之前只是不確定基於Transformer的GPT能否成功，不想極大投入。這一關已經過了，無數公司願意砸大錢了。

2. 不同於AlexNet的單一任務，GPT有很多任務的文本輸出表現要提升。它可能對某些場景表現得不錯，而對另一些考驗複雜推理甚至數學能力的場景，就表現糟糕。所以GPT的湧現並不是一次性的，而是各種類型的任務能力，從易到難，逐漸提升。也就是説，GPT的湧現本身就很有多樣性，有很多值得探索的細節。

3. GPT的湧現，還沒有到終點。當人們發現“量變引發質變”的好事發生時，已經很激動了。也許只是幾個小任務的成功，就能讓人們確信這一點。但繼續訓練，就發現好事越來越多，人類文本藴含的任務種類是無窮無盡的，難度會越來越大，考驗非常多種能力。GPT框架到底有多強大，人們還不清楚，這種未知感更讓人興奮。就像在山洞裏尋寶，知道有寶貝，但不知道是什麼類型的寶貝，這會招來更多尋寶者。而深度學習的湧現就容易判斷，它再訓練也不會更好了，因為整個過程都熟悉了。

4. GPT的規模，還應該繼續擴大，從千億參數擴展到萬億參數，乃至更高。一般的深度學習任務，網絡規模夠了就行，再擴大也意義不大，反而可能“過擬合”。但是GPT要記憶人類社會的“事實”信息，幾千億個係數規模顯然不夠。雖然它可以進行“信息壓縮”，但這會損失信息。另一個直覺是，網絡規模擴大後，GPT的“潛能”也會增加，在複雜的啓發式知識海洋中游蕩，發現深層的相關性。

瞭解了以上的GPT湧現特性就能明白，研究者的興奮是超過深度學習那一波的。一些激進的學者認為，GPT架構就藴含了真正的智能，真的開始思考人類被機器毀滅的事。一個有些奇怪的事情是，OpenAI花了相當多的精力去進行AI安全的研究，甚至導致公司內部“政變”式動盪。GPT的湧現，確實很有人類的智慧特性，多樣、複雜、難以預測、潛力無限。因此，這肯定是目前最接近“通用人工智能”（AGI）的一次。

外界對於GPT的湧現不夠了解，容易低估它的科學發現意義。很多人只是關注聊天表現，對AI表現的強大推理能力讚歎，或者對AI一本正經地胡説八道感到震驚。外行容易認為，對GPT的研究主要就是讓它聊得更好，更沒有破綻。

實際上，對於GPT的研究核心，應該是探索更多的“湧現”細節。微軟、谷歌等大公司在試更大的模型，直接目的並非是想讓AI聊得更好，而是探索令人着迷的“湧現”。也許通過不斷催生GPT的湧現，最終通向了AGI，也許如楊立昆預測的，這條路不通。但無論如何，現在不是關注缺陷、完善產品的時候。也許等GPT的能力邊界探索清楚了，開發者就可以回過頭來，用能力去開發，想辦法避免缺陷。

值得注意的是，2022年初GPT3已經出現了很成功的“湧現”，甚至GPT4在2022年8月就已經預訓練出來了，但只有少數專業人士驚歎，沒有爆火。直到ChatGPT通過RLHF（人工反饋的強化學習），將輸出語言調試得讓人類感覺舒服，才在2022年底引爆了全球關注。

這説明人類很容易受“表象”的影響，即使是專業研究者也未能免俗。深度學習是真的“湧現”突破，但是在新聞界遠不如AlphaGo與人類對戰轟動。GPT3、GPT4的預訓練是讓“湧現”不斷出現的研發框架，潛力無限，但是RLHF的效果更引起外界的關注。

對於國產大模型也是如此。上百家在開發，即使一些國產大模型規模不是很大，對模型特性的探索也是有益的，能夠發現GPT湧現的特性，也許能加快湧現的發生。不用太在意國產大模型的缺陷，這不可避免，原因可能有多種，語料準備不夠、訓練時間不夠、算法細節問題等等。但重要的是，搭起了大模型研發框架，探索湧現的細節，總會有收穫。

對於大模型的應用生態，不應該把大模型只當成聊天機器人，這限制了想象力。GPT湧現出的推理、數學、信息壓縮、多模態、內容生成等多種能力，打開了全新的研發架構。就像深度學習，它既是探索框架，也是應用架構。

美國大公司正試圖用GPT改造整個軟件體系。大公司會像軍備競賽一樣，繼續擴大GPT的規模。更為普遍的行為，是開發工具鏈，將GPT應用做起來，讓開發者加入進來，在各行各業應用GPT湧現出的能力。後者才是中國更應該學習、也更有優勢的領域。

對於國產大模型的基礎能力，我們並不擔心。例如科大訊飛的星火大模型3.0，評測認為接近ChatGPT的水平，準備在2024年5月推出接近GPT4的星火4.0。大模型評測是一個重要研究領域，標準還不是很統一，但顯然國產大模型能力在快速進步，與美國的差距最多也就兩年。

對於某個問題，如果國產大模型的回答不如ChatGPT，輿論就會很關注，但其實應該更關注湧現。如果中國公司的研發架構，能讓各類湧現不斷髮生，那麼本質上中美就在同一個賽道競爭。也許美國大模型已經實現了4級湧現，中國還只有3級，美國公司還消除了更多的bug，但隨着中國公司對湧現的研究越來越深入，這些差距都會補上。

真正影響大的，是大模型的應用生態。沒有生態，公司的大模型研發會難以為繼，就連OpenAI都覺得大模型開發運維太花錢了。如果中國公司做起大模型應用生態了，就能迭代開發，針對性地改進行業應用中的缺陷，這是中國公司的拿手好戲。有些應用能成功，即使基礎技術不那麼強，但抓住了行業痛點，應用推廣了，生態做起來了，反過來又帶動基礎技術提升。

安徽的通用人工智能發展規劃（https://kjt.ah.gov.cn/kjzx/tzgg/121837851.html）對此就表現出了深入的理解，“力爭到2025年，充裕智能算力建成、高質量數據應開盡開、通用大模型和行業大模型全國領先、場景應用走在國內前列、大批通用人工智能企業在皖集聚、一流產業生態形成，推動我省率先進入通用人工智能時代”。

中國的產業發展歷史，本身就是一個不斷“湧現”的過程。2000年以來，中國的眾多產業奇蹟般地不斷崛起。陳經從2013年起就一直在鼓吹合肥市，寫過很多文章。合肥確實是全球城市中增長最快的，2022年GDP相比2000年增長了37倍，湧現出了多個千億產業集羣，如新型顯示、集成電路、新能源汽車。

即使已經鼓吹多年，仍然會不斷被安徽與合肥的發展震驚。如安徽2023年汽車產量249.1萬輛，成為全國第二，僅次於廣東。這次通用人工智能大賽總決賽在蕪湖舉辦，當地的奇瑞2023年生產了188萬輛汽車，出口爆發增長，2024年要衝擊400萬輛。合肥2022年新能源汽車產量25.5萬輛，同比增133%，2023年74.6萬輛，再增140%。合肥把比亞迪、大眾、蔚來都吸引來了，目標是2025年新能源汽車產量200萬輛，2027年340萬輛！

用GPT來類比，中國的發展機制在改革之後，換成了Transformer（這個詞本身就有變革的意思），就發生了不可思議的產業“湧現”。

瞭解了GPT的“湧現”，再看美國政府打壓中國人工智能，連4090顯卡都不讓賣了，就能明白，美國政府這是在賭，認為通用人工智能會有大突破。美國商務部長雷蒙多赤裸裸地説，要拖慢中國人工智能的發展。

但中國也是有備而來，華為、科大訊飛等成為人工智能行業與美國鬥爭的排頭兵。科大訊飛因為被美國放入實體名單，花了小半年的努力去適配國產GPU，這在全國是領先的。華為雲建設了三大AI算力中心，其中一個就在蕪湖。

產業發展是有歷史記憶的，已經實現產業“湧現”的地區，在新興產業政策的規劃、實施上就有優勢。通用人工智能的發展，我們同樣祝福安徽，看好安徽。