这几天，AI届的盛会——ICLR在维也纳举办。

OpenAI、Meta、谷歌、智谱AI等世界前沿AI科技企业齐聚一堂。

现场名流云集，星光耀眼，走几步就能偶遇一位发过颠覆性paper的大咖。

毫无意外地，ICLR 2024展厅也变成了追星现场。热闹的气氛，快把屋顶掀翻了。

现场追星图灵巨头

图灵三巨头中的著名「e人」LeCun，提前就在X上大方公布出自己的行程，满怀期待地等着和粉丝们相见了。

在评论区，不仅有粉丝激动打卡，甚至还有准备现场递简历的。

粉丝们果然不虚此行，在现场，LeCun口若悬河地讲解，热情的观众们在周围形成密实的包围圈。

言归正传，在整个ICLR活动上，Meta团队将分享25余篇论文和两个研讨会。这次，LeCun团队在ICLR上发表了以下两篇论文。

论文地址：https://arxiv.org/abs/2311.12983

另一位图灵巨头Yoshua Bengio，也显示了自己的超高人气。

现场观众总结道：「一个人真的需要在他的领域中做到独一无二，才能让他的会议室外排起如此长的队伍！」

此前LeCun和Hinton都对此发表过言辞激烈的意见，Bengio的态度似乎一直比较模糊，迫不及待想知道他对于AGI是什么看法了。在即将到来的5月11日，他就会在一场关于AGI的Workshop中发表演讲。

值得一提的是，Bengio团队也在今年的ICLR上获得了杰出论文荣誉提名。

谷歌Meta隔壁，智谱AI也在

现场，谷歌开源模型Gema、机器人智能体背后框架Robotics Transformers，以及其他开创性的研究一并呈现。

紧挨着Meta和谷歌，展厅中间有一家非常亮眼的公司——智谱AI。

现场的童鞋正为大家介绍GLM-4、ChatGLM等一系列研究成果。

这一系列展示，引起了众多国外学者的围观。

现场的近两千名与会嘉宾和学者，认真听了GLM大模型技术团队的介绍。

介绍内容包括了GLM系列大模型的多项前沿研究成果，涵盖数学、文生图、图像理解、视觉UI理解、Agent智能体等领域。

在现场，大家热烈讨论起了对Scaling Law的看法。而GLM团队，对此也有独到见解——

「相比模型大小或训练计算量，智能涌现和预训练损失有更加紧密的联系。」

比如，著名的OpenAI 996研究员Jason Wei，认真读过智谱AI这篇讲预训练损失的论文后，表示十分赞叹。

论文中，团队通过训练30+个不同参数和数据规模LLM，评估了其在12个中英文数据集上的表现。

论文地址：https://arxiv.org/abs/2403.15796

结果观察到，只有当预训练损失低于某个阈值时，LLM会出现涌现能力。

而且，从预训练损失的角度定义「涌现能力」，效果优于仅依赖模型参数或训练量。

智谱AI的此番表现，也让越来越多外国网友意识到——

19岁获得博士的Stability AI研究主任Tanishq表示，CogVLM这类最有竞争力、为开源生态做出重大贡献的开源基础模型，就是来自中国。

这位游戏工作室的前CEO，去年就开始用CogVLM和Stable Diffusion做完整的开源版本了。

是的，自CogVLM自发布之后，其强大的能力便引起了外国网友的惊呼。

在今年1月的LLM排行榜中，也有人发现——

当时Gemini和GPT-4V远远领先于任何开源LLM，唯一一个例外，就是CogVLM。

可见，这波国产大模型出海，智谱AI已经闷声不响地在国外建立了自己的巨大影响力。

特邀演讲

展厅精彩演示之外，今年的ICLR，共邀请了七位特邀演讲嘉宾，分享他们对AI的见解。

有来自谷歌DeepMind的研究科学家Raia Hadsell，佐治亚理工学院副教授&FAIR首席科学家Devi Parik，有来自马克斯·普朗克计算机科学研究所（MPI-SWS）的主任Moritz Hardt，唯一一家中国团队是智谱AI 的GLM 大模型技术团队。

Raia Hadsell

谷歌DeepMind科学家Raia Hadsell的演讲题目是——「在人工智能发展的起伏过程中学习：通向AGI道路上的意外真理」。

经过数十年的稳定发展和偶尔的挫折后，AI正处在一个关键的拐点。

AI产品已经爆炸式地进入主流市场，我们还未触及到scaling红利的天花板，因此整个社区都在探讨下一步的方向。

在这次的演讲中，基于20多年在AI领域的经验，Raia探讨了我们对AGI发展之路的假设，如何随时间发展而变化。

与此同时，她还揭示了，在这个探索的过程中，我们得到的意外发现。

从强化学习到分布式架构，再到神经网络，已经在科学领域发挥着潜在的革命性作用。

Raia认为，通过汲取过去的经验教训，可以为AI未来的研究方向提供重要的洞见。

Devi Parikh

另一边，FAIR首席科学家Devi Parik给所有人讲述了，自己生活中的故事。

从演讲题目可见略知，Parik的分享内容，非比寻常。

在ICLR大会上，在解释为什么技术环境是现在这个样子时，大家会重点针对互联网、大数据和算力的发展，展开讨论。

然鹅，鲜有人关注那些微小，但重要的个人故事。

其实，每个人的故事，都可以汇聚成为推动技术进步的重要力量。

通过这种方式，我们可以彼此学习，相互激励。这让我们在追求目标时，更加坚韧和高效。

Moritz Hardt

德国MPI-SWS主任Moritz Hardt带来了「新兴的科学基准」的演讲。

显然，基准测试成为机器学习领域的「核心支柱」。

自20世纪80年代以来，虽然人类在这个研究范式下取得了诸多成就，但对其深层次的理解仍然有限。

在此次演讲中，Hardt通过一系列选定的实证研究和理论分析，探索基准测试作为一门新兴科学的基本原理。

他具体讨论了标注错误对数据质量的影响、模型排名的外部验证性，以及多任务基准测试的前景。

与此同时，Hard还展示了许多案例研究。

这些挑战了我们的传统看法，还突显了发展科学基准测试的重要性和益处。

GLM Team

中国这边，智谱AI的GLM大模型技术团队，也带来了「ChatGLM通往AGI之路」的精彩演讲。

值得一提的是，这也是国内「首次」在国际顶级会议上展示大模型相关的主题演讲。

这次演讲，首先从中国的角度，介绍AI在过去几十年的发展历程。

同时，他们以ChatGLM为例，阐述自身在实践过程中获得的理解和洞见。

2024 AGI前瞻：GLM 4.5、 GLM-OS、 GLM-zero

在ICLR上，GLM大模型团队介绍了面向AGI的GLM三大技术趋势。

通往AGI的必经之路在哪里？

业界对此意见不一。有人认为是智能体，有人认为是多模态，有人说，Scaling Law是通往AGI的必要非充分条件。

而LeCun坚持认为，LLM是通往AGI的一条歧路，靠LLM带不来AGI。

对此，团队也提出了自己的独特观点。

首先，他们讲到了GLM-4的后续升级版本，即GLM-4.5及其升级模型。

GLM-4的后续升级版，将基于超级认知（SuperIntelligence）和超级对齐（SuperAlignment）技术，同时在原生多模态领域和AI安全领域有长足进步。

GLM大模型团队认为，在通往AGI的路上，文本是最关键的基础。

而下一步，则应该把文本、图像、视频、音频等多种模态混合在一起训练，变成一个真正的「原生多模态模型」。

同时，为了解决更加复杂的问题，他们还引入了GLM-OS概念，即以大模型为中心的通用计算系统。

这一观点，与Karpathy此前提出的大模型操作系统的观点，不谋而合。

在ICLR现场，GLM大模型团队详细介绍了GLM-OS的实现方式：

基于已有的All-Tools能力，再加上内存记忆（memory）和自我反馈（self-reflection）能力，GLM-OS有望成功模仿人类的PDCA机制，即Plan-Do-Check-Act循环。

具体来说就是，首先做出计划，然后试一试形成反馈，调整规划然后再行动以期达到更好的效果。

依靠PDCA循环机制，LLM便可以自我反馈和自主进化——恰如人类自己所做的一样。

此外，GLM大模型团队还透露，自2019年以来，团队就一直在研究名为GLM-zero的技术，旨在研究人类的「无意识」学习机制。

「当人在睡觉的时候，大脑依然在无意识地学习。」

GLM大模型团队表示，「无意识」学习机制是人类认知能力的重要组成部分，包括自我学习、自我反思和自我批评。

人脑中存在着「反馈」和「决策」两个系统，分别对应着LLM大模型和内存记忆两部分。

因此，GLM-zero的相关研究将进一步拓展人类对意识、知识、学习行为的理解。

尽管还处于非常早期的研究阶段，但GLM-zero可以视为通向AGI的必经之路。

而这，也是GLM大模型团队首次向外界公开这一技术趋势。

国内顶流技术团队

2020年底，GLM大模型技术团队研发了GLM预训练架构。

2021年训练完成百亿参数模型GLM-10B，同年利用MoE架构成功训练出收敛的万亿稀疏模型。

2022年还合作研发了中英双语千亿级超大规模预训练模型GLM-130B并开源。

而过去一年里，团队几乎每3-4个月，就完成一次基座大模型的升级，目前已经更新到了GLM-4版本。

不仅如此，作为国内最早入局LLM公司，智谱AI曾在2023年就设立了一个雄心勃勃的目标——全线对标OpenAI。

GLM大模型技术团队构建了基于AGI愿景的完整大模型产品矩阵。

在GLM系列之外，还有CogView文生图模型、CodeGeeX代码模型，多模态理解模型CogVLM，再到GLM-4V多模态大模型和All-Tools功能以及AI助手智谱清言。

CogVLM

团队开发的开源视觉语言模型CogVLM，一经发布就引发了业界关注。

3月Stability AI公布的一篇论文就显示，因性能太出色，CogVLM直接被Stable Diffufion 3拿来做图像标注了。

CogAgent

在此基础之上，基于CogVLM改进的开源视觉语言模型CogAgent，主要针对的是用户图形界面GUI的理解。

而CogAgent的相关论文，已经被国际计算机视觉领域级别最高的学术会议CVPR 2024收录。

ChatGLM-Math

针对LLM解决数学问题，GLM大模型团队提出了「Self-Critique」的迭代训练方法。

即通过自我反馈机制，帮助LLM同时提升语言和数学的能力。

要知道，CVPR以录取严格著称，今年论文录取率只有约2.8%。

这一方法，包含了两个关键步骤：

首先训练一个从LLM本身生成「Math-Critique」模型，以评估模型生成数学问题答案，并提供反馈信号。

其次，通过拒绝采样微调和DPO，利用新模型对LLM自身的生成进行监督。

GLM大模型团队还设计了MATHUSEREVAL基准测试集，以评估新模型数学能力，结果如下：

显而易见，新方法显著提升了LLM的数学问题解决能力，同时仍能提升其语言能力。重要的是，它在某些情况下优于参数量增加两倍的大模型。

GLM-4跻身全球第一梯队

在OpenCompass 2.0基准测试中，智谱AI新一代基座大模型的实力不容小觑。

在总榜排名中，GLM-4位列第三，位居国内榜首。

在不久前SuperBench团队发布的《SuperBench大模型综合能力评测报告》中，GLM-4也跻身全球第一梯队。

特别是在最关键的语义理解，智能体能力上，GLM-4更是国内第一，力压一众竞争对手。

刚刚过去的大模型元年，热闹非凡的百模大战打了一年。

2024年，若想化身为AGI元年，全世界大模型团队还有很长的路要走。

本文来自微信公众号“新智元”