AI技术发展路径不唯一

在清华美院博士、知名 AI 博主李一舟被质疑割韭菜，授课内容全网下架后，360创始人周鸿祎、猎豹创始人傅盛等专业人士，纷纷宣布开启免费 AI 授课。

2024年2月29日，周鸿祎首堂AI课于开启，这是一场全网多平台直播的AI系列第一讲“预见AGI”，吸引了千万网友观看。

周鸿祎在这堂课上分享了他对AI新发展趋势的洞察，以及企业如何拥抱AI的建议。同时，他还现场演示了两款 AI 新产品——360AI搜索和360AI浏览器。由于提前演示了开发中的能力，现场出了一点小差错，周鸿祎直言现在希望把场下观众赶出去。

大家都理解开发中的AI产品，确实会有点小问题，并没有人在意这一点。相反对演讲中的一张图，纷纷提出了专业性指正。

整体课程认知很全面

在讲课中，周鸿祎强调了AI知识普及的重要性，他表示：“我讲课不割韭菜，宗旨是免费、分享、科普、交流。AI时代技术发展迅速，AI知识普及尤为重要。”这一点对于当下很多人被AI震惊的环境中，确实很关键。

他认为，中国需要走出有特点的大模型发展道路，从超级通用大模型、企业级大模型、场景落地三方面着手，全面推动中国大模型产业发展。对于AI领域的创业者，他提出了“三不要、两应该”的建议，认为创业者应该进军企业级市场，以及做应用的深度改造。这一点也很接地气。

此外，周鸿祎还分享了自己对AI的最新洞察，他认为AI的指数级跃升给人“度日如年”之感，自己去年年底预测的2024年AI十大发展趋势已经验证了八条。在谈到Sora的创新本质时，他认为Sora生成的视频不在于好看，而在于逼真，背后是Sora通过观察理解了世界常识。他将多模态发展总结为五个层次，即识别辨认物体、逻辑推理能力、逻辑合理性、评价鉴别能力、拥有世界常识，并称Sora已经具备了第五层的能力。

在周鸿祎的AI课上，他还提出了“AI三大心法”，包括建立AI信仰，行动上All in AI，并用含“AI”量来衡量。他表示，360将全业务线拥抱AI，在互联网、安全、数字化、智慧生活等业务领域落实三大心法。

此外，周鸿祎还谈到了AI与PPT的关系，他表示PPT最能忽悠人，360内部都禁用PPT，只有对外才使用。正是这张PPT，传出了一点问题。

一张图引起专业性争议

这堂课本身关注度挺高，毕竟是大佬亲身讲AI课，况且还是免费的。但其中一张PPT图片流传出来后，很多人开始谈论专业性。

在这张图片中，有名为howie的网友表示：

周鸿祎这张 PPT 的逻辑是混乱的。 模拟人脑神经网络是深度学习一直在做的事情，与 transformer 无关。 scaling law 也不是 transformer 这个架构的特点，而是深度学习，尤其是语言模型的特性。

预训练不需要数据标注，这不是自监督算法的特点吗？处理文本序列的模型都有这个特点啊。 最后一个，transformer 确实神奇地展示出了文本、语音、视频供吃的特性（wisper、gpt和 sora... 目前没有科学原理解释。但是我觉得这反应了语言的特点：语言是思维本身，是一切认知的基础）。

从这一点看，transformer 架构确实有“大一统架构”的潜力。 我觉得，周鸿祎除了最后一句话是对的，其他就是瞎说，不顾逻辑。

但也有网友表示，专业性错误没那么大。有名为Talk的网友表示，大家对周鸿祎这张图过度解读，他认为：

我来当老实人。1、transformer 这个应该是对的吧，现在LLM 都这个路线。至于成功模拟人脑这个，目前只能说模拟了部分，但也不能说错。

2、scaling law 这个有论文支撑的，问题不大。

3、预训练无需标注应该是指 tokenizer？这个确实是无监督。4，统一化处理这个应该不对，图片视频用的是 diffusion 算法。

还有网友leader2000认为，这句话除了第一句，其他都没毛病：

除了transformer模拟人脑神经网络之外其他三句基本都是对的，第一句transformer 符合scaling law，这点在hestness et al 2017，kaplan et al 2020，以及最近的schaeffer et al 2023中都进行了有力证明，第二句预训练无需标注，现在的llm基本预训练任务基本都是自监督，所以这句话也没什么问题。

从大家发言看，技术解释不严谨是肯定的，专业性争议确实有一点，有没有错误就见仁见智。

初衷是好的，AI技术发展歧路多

周鸿祎在李一舟舆论风波后，不怕大家评论他蹭流量和割韭菜，敢于第一时间开课讲AI，普及AI知识。从行动上看初衷是好的，毕竟在AI大潮来临之际，很多人不知道去哪学到更靠谱的AI知识。周鸿祎和傅盛都是技术出身，理论上比李一舟清华美院的博士，更加专业和靠谱。

从AI技术角度来说，Transformer模型确实是AGI（通用人工智能）的核心技术。

最早，Transformer模型的核心模块包括自注意力模块（self-attention）和其他跳层链接以及逐位FFN等结构。这些模块为Transformer模型提供了强大的特征提取和上下文理解能力。

随着研究的迭代，优化模型的计算复杂度，特别是在处理长文本任务时，优化self-attention结构成为了关键。

进一步地，为了应对更大规模的数据和更复杂的任务，研究者们开始探索更大规模的Transformer模型，即大模型（Large Model）。大模型通过增加模型的参数数量和深度，提高了模型的表示能力和泛化性能。这使得模型能够更好地捕捉数据的潜在结构和模式，从而实现更准确的预测和推断。

这个过程，国内鲜有企业走完。很多采用了开源 LLM大模型，属于在毛配房做装修。所以很多技术发展的路径，并不是深刻明白。

当然，360智脑是国内较早发布产品，以及算法模型备案的企业。从争议的角度来说，周鸿祎作为360董事长，离开技术开发一线已经很久。很多技术描述不绝对准确，也情有可原。

从争议的另一方面看，AI发展路径也并不是绝对统一，尤其在AGI刚刚开始的第一年的当下，普通人学习AI知识更应该辩证看，有人形容，AGI的技术发展和迭代以周为单位，不断更新自己的学习系统才是关键。

文章来自于微信公众号“AI鲸选社”（ID:aijingxuanshe），作者 “到底ge”