研究院|专访张宏江：撑开深度学习瓶颈，中国也有做出国际顶尖研究的环境( 三 ) 研究院

「我一直相信大模型本身会成为一个平台，这也是我们要围绕它建立生态系统的一个核心原因。」张宏江语气笃定。
如果将 AI 比作电力，那么大模型则相当于「发电机」，能将智能在更大的规模和范围普及。研发发电机乃至构建发电厂，需要团队协作，而且最好是由跨领域的小团队组成的大团队来完成。事实也证明，与小型研究团队相比，大型研究团队更擅长完善创新。
但「完善创新」并不等同于简单的打补丁。智源研究院学术副院长、悟道项目负责人清华大学教授唐杰告诉机器之心，悟道巨模型正在从应用层面拉动从底层硬件到操作系统，再到智能软件一整个生态的变革和演进：底层硬件方面，包括训练使用什么类型的芯片、探索新的体系结构，甚至如何构建未来的智算中心；在模型层面，不断增大的规模也带来了全新的发现。「我们在大模型的尺度上观察到了在以往小模型上看不到的现象，」唐杰说：「比如悟道 2.0 可以从零开始，从大量的数据中自动学习出一些知识。」

文章插图
在悟道2.0的发布会上，所有参与者的名字都被列了出来。来源：智源研究院
科学 ≠ 技术，量化容易导致短期行为，让研究人员无心聚焦真正有价值的问题
目前，悟道团队正在努力构建一个平台供外界使用，并根据反馈再做改进。而这引出了科研管理的另一个关键问题——如何在赋予研究人员足够多自由的同时，确保他们的研究能够产出切实可用的成果？
智源的方法依然是小同行自治。各研究小组内会有频繁的不定期会议，虽然是非正式的讨论，但这样的交流对学者而言却更具紧迫感和约束力。就好比跟导师说月底交论文初稿是一回事，但月底在一众小同行面前公开分享论文完全是另一码事。
至于研究人员的考核，身为科研管理者的张宏江「最不喜欢『量化』」，他认为科研是创造性的工作，对创造性工作进行量化评估，容易导致短视、走偏等一系列问题。
「不仅如此，频繁的量化还会分散科研人员的心力，而这或许更加致命。试想，当你每年必须要发 10 篇论文，你首先去想的，或者说占据你大部分心思的，就成了哪 10 篇论文更容易发表，而不是去思考真正有价值、有意义的问题。」
将 99% 的精度提升为 99.1%，有没有意义？有，但意义大不大？这就难说了。在他看来，太多聪明的人之所以没有成功，就是因为他们将心力花在了不断去完善一个已经被解决的问题。
真正优秀的工作需要时间，也需要时间去证明。如今大热的深度学习，理论突破发生在上个世纪，很多研究的影响需要十年甚至二十年才开始显现。
「投钱给科学是做公益，不能功利。」张宏江说。
科学 ≠ 技术，那些真正善于研究的人，根本不关心产品，也不关心市场，他们甚至不在乎任何意义，只是单纯的好奇。「一旦设定了考核指标，就有了功利，而一旦追求功利，有了『心魔』，反而难出成果。」
所以他讨厌「量化」。一年发 10 篇论文的人一定比不发论文的人强吗？完全可能是后者对于发论文的自我要求更高而已。一篇被引用了 100 次的论文一定比只有两三个引用的论文更有真知灼见吗？首先要看这些引用来自哪里。
在评估智源团队的研究工作时，张宏江看重的是同行的认可，尤其是领域公认的牛人的认可，以及其他人对研究成果或想法（idea）的关注和应用。例如，悟道 1.0 公布时，无论是学术界还是产业界，大家更多都处于观望状态，而悟道 2.0 甫一发布，就有不少公司主动问询并表示想要参与，甚至愿意投钱，这就是其影响力和价值的一个很好证明。