从人工智能大模型的涌现到中国产业的涌现 | 袁岚峰_风闻

2023年12月24日，全国通用人工智能创新应用大赛总决赛在安徽省芜湖市举行。这是中国计算机学会和安徽省科技厅共同主办的科创大赛，吸引了全国300多个项目团队参赛，80支队伍进入复赛，安徽省外团队占比超过80%，20支队伍晋级总决赛。

最终的冠军是合肥中聚源智能科技有限公司，他们研发了一套关于心理健康的软硬件产品，通过普适化的感知，对人的心理健康进行全周期的实时监护。不久前的3月17日，我就和中聚源董事长孙晓教授以及若干位心理学界、人工智能界、产业界等领域的专家一起做了一场直播（https://weibo.com/3710258141/O5ruZ8QVl），引起了大家的广泛兴趣。

本届大赛将给予获奖项目团队现金奖励、融资支持、宣传推广以及中国计算机学会相关奖励，在安徽落地的优秀获奖项目团队还将获得最高达3000万元的综合支持，合肥、芜湖、宿州都有项目签约。

这些盛况反映出，人工智能大模型不仅是通过对话让人们感到惊奇，而且已经开始有不少项目落地了。这一切的关键，是大模型出现了神奇的“涌现”现象。我的朋友、风云学会会员陈经就是一位人工智能专家，他写了一篇长文（人工智能大模型神奇的“涌现”到底是什么？| 陈经）。下面，我就向大家来介绍一下。

一、人工智能再度爆火

2023年的人工智能，火得有些出人预料。本来人们以为，人工智能又该到寒冬了。

2016年初，AlphaGo下围棋战胜人类，引发了多年来最大一波人工智能热潮，以至于各种懂的不懂的都到处谈人工智能，好像不谈你就out了。但是之后热度就逐渐下降，正如许多业界人士揭示和预期的，深度学习有能力也有缺陷，不宜寄望太高。

例如自动驾驶成为研发大坑，许多公司投入巨大却难于突破。人工智能创业公司估值下降，风投在找突破口。这一切看上去都很正常，符合技术发展规律，因为历史上很多技术就这样起起落落过很多次了，尤其是人工智能。

但2023年人工智能大模型、AIGC的横空出世，打破了这个一般规律。例如周鸿祎11月30日分享了去硅谷的见闻，称“投资者对于没有AI概念、没有AI功能、没有AI成分的公司已不会考虑”，“美国在赌人工智能这件事，整个投资体系、创业体系、大公司体系、传统公司体系都在全面拥抱AI。”

从产业和技术影响来看，2023年的人工智能热潮力度，已经超过了2016年。这是为什么呢？很多研究者相信，这是发生了几十年未见的、科学原理级的重大突破，不能单凭经验去评估。

这个大突破，就是人工智能大模型的能力“涌现”（emergence）。下面我们来解释，什么是“涌现”，它的意义有多大。

二、深度学习是一次科学突破“涌现”

科学突破中，最为人熟知的领域是物理。从文艺复兴时期的伽利略实验、牛顿三定律，到二十世纪上半叶的相对论、量子力学，新的物理现象、物理定律不断被发现，有的还带来产业革命。

从二十世纪下半叶开始，重大的物理发现明显减少。有人认为，人类社会科技停滞了，在有些方面甚至还倒退，如登月。但是，如果从涌现的角度去分析，就会有不同的感受。

物理学新现象少了，人类科技也不会停滞。在生物、IT等领域，不断有令人兴奋的新发现。科学规律与现象不应该有等级高低的分别，只要能带来认识世界、改造世界的新能力，都是原理级突破。

人工智能大模型表现出来的能力涌现，可以类比于人类发现了电力，出现了让人激动的全新现象。业界人士正以几十年没见过的科学激情，探索新世界。

在上世纪五六十年代，感知机等简单结构、人工编写算法程序下棋，已经让学者们意识到，人工智能是一个新的科学领域了。但由于神经网络结构过于简单，人工代码编写AI程序困难，算法复杂度指数上升，人工智能遭遇了低谷。日本八十年代选择人工智能作为“第五代计算机”的突破方向，最后彻底失败，技术资料变得一钱不值。

另一个著名的失败，是“异或问题”。明斯基等人指出，单层的感知机通过调整神经网络系数，可以对两个输入值的与、或、非成功输出；但不管如何调整系数，也无法输出异或的结果。为什么呢？看这个图就明白了。感知机是要划一条线把0和1分开，但现在0和1在四个角交叉放置，所以不可能有一条直线把0和1各放一边。推广来说，如果两种模式通过一个超平面“线性可分”，感知机就能训练收敛，但实际应用中绝大部分模式识别问题是非线性的。

线性可分的问题能用神经网络训练成功，其实是个新现象。上万亿个系数的大模型，其基本特性在最初的感知机中都可以找到，调整系数、加减乘除简单运算、数值结果解释输出。但这只是马后炮，由于当时的认识局限性，学界普遍把神经网络看成意思不大的玩具，对应1974 - 1980年的第一次人工智能寒冬。

八十年代以来，杨立昆、辛顿、本吉奥等人引入多层神经网络和反向传播算法（Back Propagation，简称BP），成功实现了手写数字识别等成果，有了邮政编码识别、支票识别等实际应用。由于计算机性能上升，人工代码精心编写的下棋程序大有进步，IBM的深蓝战胜了国际象棋世界冠军卡斯帕罗夫。

这段时间的人工智能可以算是小有成就，但在当时的IT大潮中，显得不太突出。这对应1987 - 2016年的第二次人工智能寒冬。从投资角度看，人们热衷于软件开发、通信、互联网、手机APP等，人工智能不算热门。

深蓝的开发代价很大，战胜卡斯帕罗夫之后封存，后续发展和技术影响不大。人们认识到，靠人工代码编写人工智能算法，会被博弈问题的指数复杂度卡住，专家系统逻辑能力有限，难以应对复杂问题。这种“符号主义”的发展路径，是当时人工智能的主流，有些顶尖成果代表业界，但前进方向迷茫。

后来大放光彩的深度学习、大模型，在这个阶段已经有了基本结构和训练框架。多层神经网络前后连接，对应人工智能的“连接主义”。前向传导计算出最终节点的结果，与样本对比产生“误差”，一层层反向传播回去，用“梯度下降”等方法反复修改系数，让误差降低，优化整体的“损失函数”。这些并不复杂的基本技术，通过反复训练将损失函数降到极低，就能产生惊人的模式识别效果，将手写数字等简单模式识别出来。但是这个阶段的多层神经网络，能力还是有限，稍复杂的图像模式识别问题就表现不佳，限制了技术应用。

2016年人工智能热潮忽然兴起，是因为AlphaGo在符号主义无能为力的围棋问题上战胜了人类顶尖棋手，大大出乎预料。其实对业界人士来说，技术上算是水到渠成，是各种技术因素的组合成果，有传统的MCTS（蒙特卡洛树搜索）博弈搜索算法，也有深度神经网络、强化学习、对抗生成网络（GAN）等新技术。结果很好，但技术并不算太有突破性，不少个人开发者都开发出了实力强大的围棋AI。

对业界来说，2012年的图像识别神经网络AlexNet的基础意义更大。AlexNet三人开发团队包括导师辛顿，还有两个学生，其中一人就是ChatGPT的技术核心Ilya Sutskever，他也参加过AlphaGo的开发。AlexNet依靠深层卷积神经网络，在ImageNet图像识别大赛中，错误率一举降到15%，相比其它技术的30%有了巨大突破。这是真正让业界兴奋的进展：深度学习展示了它的神奇。

深度学习让业界从迷茫中找到了方向。计算机硬件速度不断提升，还有GPU并行加速，训练数据量也在迅猛增加。突破了瓶颈之后，深层神经网络的能力就一下“涌现”了。短期内，深度学习成果就席卷了几乎所有科学领域，人们的经验被构建、被训练，来到各种神经网络结构中。机器翻译质量突飞猛进，人脸识别能力惊人，绘画以假乱真。这些进展其实在AlphaGo出现之前就发生了，社会知道“深度学习很厉害”，但没想太远。

这是一次真正科学意义上的“涌现”。计算机之前是作为工具帮助各科学领域的研究，主导的还是领域专业知识。但是忽然一下，各学科发现，连研究范式都变了。

这次深度学习的“涌现”，有两层意思。一层是说，随着神经网络规模、训练机器速度、样本数量不断增加，到了一定规模以后，忽然从量变到质变，神经网络能力跃升“涌现”，把图像识别效果大幅提升。另一层是说，深度学习在图像识别领域表现极好，这个能力还迅速推广到了其它计算机领域，甚至改变了其它学科，能力的应用范围也涌现了。

有意思的是，人们对AlphaGo关注极大，是因为终极意味的“智能”。许多人想象中，一个人形机器思考着击败了人类棋手，人类的最后堡垒“智慧”被证明不如机器，工作将被机器取代，引发了很多哲学与社会思考。但AlphaGo代表的人工智能技术，与智能本质并无太大关系，是“人工”造出来的假象，它只是巧妙地模拟了一个复杂的计算任务。社会慢慢习惯了之后，人工智能的能力边界清楚了，2018年后关于机器智能的讨论迅速降温，似乎又要回到寒冬了，投资热度下降。

其实对业界来说，2016年人工智能爆火之后并没有寒冬。开发者积极在各种领域应用深度学习，研究者探索新的神经网络架构、训练方法，不断有成果出来，领域非常活跃。只是外界认为“没那么神奇”，感觉平淡了。

按照明斯基式的数学理解，这次深度学习的突破，就是用极多的系数（几百万至上亿个），构建了规模很大的数学公式，去拟合逼近了围棋、图像识别等复杂问题的解空间。从能力最简单的“直线分割平面”发展成，用规模极大形状复杂的超空间曲面去分割空间。而构建方法，是统计拟合，通过海量样本对比统计误差，反向传播修改系数减小误差，多次学习后误差降到极小，数值模拟成功。样本可以是人工标注的，也可以是自动生成的，硬件基础是GPU加速并行计算（几千个计算核心）。

陈经与人文学者交流时，把统计模拟的数学意义解释清楚，对人工智能就“祛魅”了，神奇的“智能”感觉消失了。而且这个统计模拟显然会有缺陷，因为它没有坚实的逻辑基础。它的成功是统计性的，什么时候出现bug难以预料。

例如AlphaGo，你认为它彻底战胜了人类吗？其实并没有！2023年2月日本芝野龙之介二段执黑对围棋AI绝艺，人类就战胜了AI。黑棋诱导白棋走出一块转圈连上的棋，内部包围了黑棋一块活棋。白棋以为自己是活棋，但人类棋手很容易就看出它其实造不出两个眼，是死棋！这就是因为AI在训练中极少出现这样的棋形，所以它对死活产生了错觉，最后大块走死认输。业界认为，所有围棋AI都会有这个bug。

这种例子在各领域都有。以深度神经网络为基础的模式识别，会有难以消除的缺陷，应用于自动驾驶等安全领域会有很大的麻烦。某种程度上，这也是“第三次人工智能寒冬”说法的技术根源，达不到预期，一些研究者感到迷茫。

三、第二次人工智能“涌现”：大模型

正当业界普遍认为人工智能短期不会再有更大突破时，更大突破却来了！

人工智能的突破，往往是从一些看似简单的任务开始。这次的大模型，就是从一个“简单”的任务开始：预测下一个词说啥。“语言大模型”的基本操作，就是一个接一个地往外吐词，形式上就是这么简单。过去的聊天机器人、作诗机，人们也见识过，并没有太特殊，没想到在这个领域发生了巨大突破，可能会产生真正的“智能”。

GPT是Generative Pre-Trained Transformer，其中Transformer就是一种神经网络结构，2017年发明后，在机器翻译这个任务中证明了能力。它并不复杂，只是数量特别多，用来存放几千亿个系数。Generative是生成式，GPT会生成对话文字等内容，近期爆火的图片、视频软件也都是生成式应用。Pre-Trained是“预训练”，一个理解就是把整个互联网那么大规模的语料文本，交给Transformer去学习，后来又增加了语音、视频材料，多模态。语料甚至不用人工标注（选择去除有害内容是另一回事），预训练就是让GPT预测文本语料中的下一个词，不准就反向传播调整系数。

这个任务听上去很简单，但是想想看，GPT会从中学到什么？这就不简单了。要注意，研究者将机器的存储与训练算力狠狠扩张，足以处理整个互联网这么多的语料。

一个传统观察是，学习语料，能让机器学到“语法”和“语义”。在NLP（自然语言理解）领域的机器翻译任务，人们就深有体会，研究者用人工代码去实现语法、对单词建立对应关联，是死路一条，翻得很丑陋。而机器对着训练文本自动学习，就能把一门语言的语法、单词间的语义关联建立起来，翻译得像模像样。它知道一些单词经常一起出现，出现时有什么条件，这些关系都记在神经网络系数中。Transformer数据结构就是能对一句话中的单词，方便地建立关联。

即使机器翻译得很好了，人们也知道，机器并不理解这些话是什么意思。按数学理解，机器是把一段话用encoder编码了，然后再用decoder解码成另一种语言，它是一种编码、解码的算法。实际上，在翻译机器看来，它面对的只有一些“token”（记号），这些token互相有关联，实际是什么它不用知道。就象有确定答案的围棋一样（完全信息博弈），翻译的输出也是相对确定的，是较为“容易”的任务（人类总是这样，解决了就认为容易了）。

但是GPT预训练的任务不是翻译，而是预测下一个token，这比翻译难得多。想让接下来的文本序列合理，它需要了解“事实”，甚至学会“推理”！这时，在人工智能领域，就“涌现”了真正让人震惊的科学新现象。

以科大讯飞星火大模型为例，我们来问它：从西安开车30分钟为什么没到北京？它的回答是：从西安开车30分钟不可能到达北京，因为两地之间的距离非常远。

这个回答就很有水平。理解“开车没到”，就会引入“时间”与“距离”，然后再根据距离，去关联西安与北京，还要引入“速度”，最后组合出答案。这个过程直觉上就不简单，形式上真的像是在推理。

有很多这样的案例，让人们相信机器真的有了强大的推理能力。OpenAI的人说，有时不知道GPT4是怎么推出来的，里面的机制真的很神奇。

当然GPT也有很多逻辑缺陷，人们诱导出机器离谱的回答不难。但是从科学发现的角度看，只要新现象可以重复，即使应用需要条件、有缺陷，也是很不错的突破。以前，研究者认为聊天机器人只是形式上的语言模仿者，从未发现机器有如此强大的推理能力。看多了GPT的对话就能感觉到，机器的数据结构中真的蕴含了推理能力，不可能靠模仿出来。

对新现象兴奋，而非更关注离谱的缺陷，正是研究者区别于普通人的特质。物理学家对可能的“新物理”极为关注，有点蛛丝马迹都扑上去一堆分析，往往以失望告终。人工智能研究者当然也会关注“机器推理能力是如何产生的”，所以大公司都扑上去了。研究大模型需要的算力、存储、资金等硬条件很高，比深度学习高得多，否则研究者会更多。但中美两国的大模型数量已经非常多了，这种“大发现在前方”的集体兴奋是从未有过的。

短短10年内，人工智能领域就出现了两次科学原理级别的“涌现”，深度学习一次，大语言模型一次。也许外界不清楚意义，但业内人士真的产生了前所未有的热情。

大模型是如何学会推理的？这是可以描述的。一个类似的例子，是围棋AI学会“征子”。AI的训练是不断进步的，一套“权重”对应一个版本。像围棋这种有胜负的游戏，可以让AI从什么也不会开始，让各版本“自对弈”对战，并根据对战结果改进权重，表现好的权重成为胜利者继续发展。这个训练可以是分布式的，LeelaZero就是由众多爱好者贡献机器自对弈更新权重的。

在训练中，爱好者们明显发现，常规的围棋战术，如打吃、提子、逃跑，AI各版本能很快学会，但是征子很难学会。因为它涉及相隔很远的棋子之间的斜向关系，能不能扭来扭去吃掉，对AI很难。但时间长了，就会有某个幸运的权重版本，学会了判断征子，而且会利用这个能力，对其它不会征子的版本大杀四方。学会征子，围棋AI的神经网络结构要足够大，如20层可以，10层不够，要训练很多盘自对弈。

GPT的预训练实现推理能力，也是这样的。首先网络结构的规模要大，OpenAI从GPT2到GPT3、GPT4，不断扩大规模，几千亿个系数，规模够了。然后训练语料要多，训练时间要长。剩下的，就是看GPT的能力怎么逐渐冒出来，和围棋AI的自对弈训练一样，简单的能力先学会，复杂的后学会。

让人震惊的科学发现是：GPT3在预训练中学会了很复杂的推理！这就如同AlexNet对于深度学习的意义，让业界认识到了大语言模型的极大潜力。

可以这样理解，有一些GPT预测文本的任务，如果不会推理，肯定是做不好的。做不好，“损失”数值会比较大。GPT反复训练，不断用各种办法修改权重，试图降低“损失”，终于在某个时刻，把“损失”降下去了。而这就等价于，GPT具备了推理能力，输出像模像样了。

其实人类学习推理也是这样，你会了，考试就能过，不然就过不了，蒙不过去。至于人类怎么学会的，每个人有自己的方法，考试和应用才是评判标准。哲学上，有人说机器不是在推理，是在计算模仿，不是智能，但这说不清。公平的评判是，机器完成了需要推理的任务，就是有了推理能力，并且掌握了很多推理需要的“事实”。

OpenAI没有发论文公布GPT3、GPT4的技术细节，有些训练技术人们只能猜测。但业界总会有交流，员工也会被挖走，技术不可能一直是独家的，因此一些认知逐渐成为业界共识。GPT的成功在于搞出了“涌现”，这就是业界的共识。

这次GPT的涌现，还特别有哲学意味，比深度学习那次的涌现，有更多可以说的。

1. 类似于深度学习，网络规模、语料、机器速度、训练时间不断增长，最终新的能力就涌现了，量变引发质变。这是常规的预期，人们之前只是不确定基于Transformer的GPT能否成功，不想极大投入。这一关已经过了，无数公司愿意砸大钱了。

2. 不同于AlexNet的单一任务，GPT有很多任务的文本输出表现要提升。它可能对某些场景表现得不错，而对另一些考验复杂推理甚至数学能力的场景，就表现糟糕。所以GPT的涌现并不是一次性的，而是各种类型的任务能力，从易到难，逐渐提升。也就是说，GPT的涌现本身就很有多样性，有很多值得探索的细节。

3. GPT的涌现，还没有到终点。当人们发现“量变引发质变”的好事发生时，已经很激动了。也许只是几个小任务的成功，就能让人们确信这一点。但继续训练，就发现好事越来越多，人类文本蕴含的任务种类是无穷无尽的，难度会越来越大，考验非常多种能力。GPT框架到底有多强大，人们还不清楚，这种未知感更让人兴奋。就像在山洞里寻宝，知道有宝贝，但不知道是什么类型的宝贝，这会招来更多寻宝者。而深度学习的涌现就容易判断，它再训练也不会更好了，因为整个过程都熟悉了。

4. GPT的规模，还应该继续扩大，从千亿参数扩展到万亿参数，乃至更高。一般的深度学习任务，网络规模够了就行，再扩大也意义不大，反而可能“过拟合”。但是GPT要记忆人类社会的“事实”信息，几千亿个系数规模显然不够。虽然它可以进行“信息压缩”，但这会损失信息。另一个直觉是，网络规模扩大后，GPT的“潜能”也会增加，在复杂的启发式知识海洋中游荡，发现深层的相关性。

了解了以上的GPT涌现特性就能明白，研究者的兴奋是超过深度学习那一波的。一些激进的学者认为，GPT架构就蕴含了真正的智能，真的开始思考人类被机器毁灭的事。一个有些奇怪的事情是，OpenAI花了相当多的精力去进行AI安全的研究，甚至导致公司内部“政变”式动荡。GPT的涌现，确实很有人类的智慧特性，多样、复杂、难以预测、潜力无限。因此，这肯定是目前最接近“通用人工智能”（AGI）的一次。

外界对于GPT的涌现不够了解，容易低估它的科学发现意义。很多人只是关注聊天表现，对AI表现的强大推理能力赞叹，或者对AI一本正经地胡说八道感到震惊。外行容易认为，对GPT的研究主要就是让它聊得更好，更没有破绽。

实际上，对于GPT的研究核心，应该是探索更多的“涌现”细节。微软、谷歌等大公司在试更大的模型，直接目的并非是想让AI聊得更好，而是探索令人着迷的“涌现”。也许通过不断催生GPT的涌现，最终通向了AGI，也许如杨立昆预测的，这条路不通。但无论如何，现在不是关注缺陷、完善产品的时候。也许等GPT的能力边界探索清楚了，开发者就可以回过头来，用能力去开发，想办法避免缺陷。

值得注意的是，2022年初GPT3已经出现了很成功的“涌现”，甚至GPT4在2022年8月就已经预训练出来了，但只有少数专业人士惊叹，没有爆火。直到ChatGPT通过RLHF（人工反馈的强化学习），将输出语言调试得让人类感觉舒服，才在2022年底引爆了全球关注。

这说明人类很容易受“表象”的影响，即使是专业研究者也未能免俗。深度学习是真的“涌现”突破，但是在新闻界远不如AlphaGo与人类对战轰动。GPT3、GPT4的预训练是让“涌现”不断出现的研发框架，潜力无限，但是RLHF的效果更引起外界的关注。

对于国产大模型也是如此。上百家在开发，即使一些国产大模型规模不是很大，对模型特性的探索也是有益的，能够发现GPT涌现的特性，也许能加快涌现的发生。不用太在意国产大模型的缺陷，这不可避免，原因可能有多种，语料准备不够、训练时间不够、算法细节问题等等。但重要的是，搭起了大模型研发框架，探索涌现的细节，总会有收获。

对于大模型的应用生态，不应该把大模型只当成聊天机器人，这限制了想象力。GPT涌现出的推理、数学、信息压缩、多模态、内容生成等多种能力，打开了全新的研发架构。就像深度学习，它既是探索框架，也是应用架构。

美国大公司正试图用GPT改造整个软件体系。大公司会像军备竞赛一样，继续扩大GPT的规模。更为普遍的行为，是开发工具链，将GPT应用做起来，让开发者加入进来，在各行各业应用GPT涌现出的能力。后者才是中国更应该学习、也更有优势的领域。

对于国产大模型的基础能力，我们并不担心。例如科大讯飞的星火大模型3.0，评测认为接近ChatGPT的水平，准备在2024年5月推出接近GPT4的星火4.0。大模型评测是一个重要研究领域，标准还不是很统一，但显然国产大模型能力在快速进步，与美国的差距最多也就两年。

对于某个问题，如果国产大模型的回答不如ChatGPT，舆论就会很关注，但其实应该更关注涌现。如果中国公司的研发架构，能让各类涌现不断发生，那么本质上中美就在同一个赛道竞争。也许美国大模型已经实现了4级涌现，中国还只有3级，美国公司还消除了更多的bug，但随着中国公司对涌现的研究越来越深入，这些差距都会补上。

真正影响大的，是大模型的应用生态。没有生态，公司的大模型研发会难以为继，就连OpenAI都觉得大模型开发运维太花钱了。如果中国公司做起大模型应用生态了，就能迭代开发，针对性地改进行业应用中的缺陷，这是中国公司的拿手好戏。有些应用能成功，即使基础技术不那么强，但抓住了行业痛点，应用推广了，生态做起来了，反过来又带动基础技术提升。

安徽的通用人工智能发展规划（https://kjt.ah.gov.cn/kjzx/tzgg/121837851.html）对此就表现出了深入的理解，“力争到2025年，充裕智能算力建成、高质量数据应开尽开、通用大模型和行业大模型全国领先、场景应用走在国内前列、大批通用人工智能企业在皖集聚、一流产业生态形成，推动我省率先进入通用人工智能时代”。

中国的产业发展历史，本身就是一个不断“涌现”的过程。2000年以来，中国的众多产业奇迹般地不断崛起。陈经从2013年起就一直在鼓吹合肥市，写过很多文章。合肥确实是全球城市中增长最快的，2022年GDP相比2000年增长了37倍，涌现出了多个千亿产业集群，如新型显示、集成电路、新能源汽车。

即使已经鼓吹多年，仍然会不断被安徽与合肥的发展震惊。如安徽2023年汽车产量249.1万辆，成为全国第二，仅次于广东。这次通用人工智能大赛总决赛在芜湖举办，当地的奇瑞2023年生产了188万辆汽车，出口爆发增长，2024年要冲击400万辆。合肥2022年新能源汽车产量25.5万辆，同比增133%，2023年74.6万辆，再增140%。合肥把比亚迪、大众、蔚来都吸引来了，目标是2025年新能源汽车产量200万辆，2027年340万辆！

用GPT来类比，中国的发展机制在改革之后，换成了Transformer（这个词本身就有变革的意思），就发生了不可思议的产业“涌现”。

了解了GPT的“涌现”，再看美国政府打压中国人工智能，连4090显卡都不让卖了，就能明白，美国政府这是在赌，认为通用人工智能会有大突破。美国商务部长雷蒙多赤裸裸地说，要拖慢中国人工智能的发展。

但中国也是有备而来，华为、科大讯飞等成为人工智能行业与美国斗争的排头兵。科大讯飞因为被美国放入实体名单，花了小半年的努力去适配国产GPU，这在全国是领先的。华为云建设了三大AI算力中心，其中一个就在芜湖。

产业发展是有历史记忆的，已经实现产业“涌现”的地区，在新兴产业政策的规划、实施上就有优势。通用人工智能的发展，我们同样祝福安徽，看好安徽。