“连我这种做人工智能的人，看到ChatGPT这样的表现，都大为震撼。”发出这种感慨的，是清华大学高等研究院双聘教授沈向洋。

　　作为计算机视觉和图形学专家，沈向洋常年从事人机交互、统计学习、模式识别和机器人等方向的研究工作。最近这几年，他也经常和同行一起辩论，通用人工智能到底能不能做得出来、什么时候可以做得出来，讨论到底人工智能达到什么样的标准算是“智能”。

　　让他感慨的是，在大家“还没有吵清楚的时候，ChatGPT已经横空出世”。

　　7月23日，在国家科技传播中心举办的基础科学与人工智能论坛上，诸多人工智能领域著名学者围坐在一起，共同探讨大模型及通用人工智能将会面临哪些问题与挑战，围绕AI大模型的可能性边界、数据集和训练集、计算机视觉、知识图谱等问题展开了讨论。

　　“不要说我们这些人没有反应过来，比尔·盖茨也没有反应过来。去年6月，盖茨都不相信这件事能做出来，直到8月给他（看了）模型——60道题做对59道，他才相信这件事真正实现了。”沈向洋说。

　　即便是世界级水准的科学家，从业几十年的计算机行业专家，对于从去年年底到今年年初，由ChatGPT等人工智能产品带来的种种变化，也难免会心生感慨。

　　“数学、物理等对于信息科学十分重要，同时基础学科也需要有效运用人工智能等新一代技术，以促进自身的发展。”在会上播放的致辞视频中，菲尔兹奖得主、国际基础科学大会主席丘成桐说。

　　在他看来，信息科学能够产生一些重要且有意义的数学问题。这些问题，“数学家正在很起劲地研究”，人工智能正在影响数学本身的发展。他希望，年轻科学家能够从根本上了解人工智能，并在人工智能的广泛应用过程中，发挥重要作用。

　　AI大模型需要用大量的数据和计算资源来打造，中国计算机学会CCF副理事长周明思考的，则是AI大模型在未来的社会生活中，如何具体“落地”。

　　在大模型的训练过程中，智能到底是在哪一步真正出现的？智能涌现的机制又是什么？在讨论的过程中，沈向洋抛出了一个又一个问题。最终他抛出一个观点——最关键的问题是缺少正确的数学工具。

　　“也就是我们今天讨论的，基础科学和人工智能的关系。”他说。

　　用沈向洋的话说，很多科学技术发展的背后，都有非常强大的数学工具和数学原理在发挥作用，人工智能领域当然也不例外。

　　对这个话题，德国汉堡大学教授、多模态智能系统研究所所长张建伟的补充是：“我们不只需要数学模型，还有物理模型、生物模型、脑科学模型。”

　　张建伟的主要研究方向，包括智能系统的感知学习和规划、多传感信息处理与融合、智能机器人、人机交互等等。他提到，虽然现在机器人的发展，在处理单模态信息上已经取得很大进展，但是多模态信息处理方面，跟人类相比，尤其是在动态环境下，“还差得非常远”。

　　“我相信，基于物理、生理、模型和大数据联合驱动AI的方法，是未来实现智能机器人的必由之路。”张建伟说。

　　张建伟注意到，目前国内对机器人的热情很高，产业基础和环境氛围很好。如何在科技伦理的框架下推进机器人研发，不刻意地规划人工智能的创造性，给人类留出一些创意空间，是他认为“非常值得关注、值得探索的问题”。

　　关于模型训练，埃隆·马斯克成立的人工智能公司xAI创始成员杨格认为，伴随着模型规模增长，需要更加丰富、质量更好的数据集，需要由偏重网络舆论的数据集，转向偏重数学科学、更具逻辑性和推理性的训练集。

　　在杨格看来，AI的思维结构和人类的思维结构完全不一样，唯一相同点是，AI大模型是用人类的数据训练出来的，在某种程度上，“会感觉很像我们自己跟自己对话”。但人工智能跟人类仍然是不一样的，AI到底能不能像人类一样融入社会，目前“还不好说”。

　　“ChatGPT不是人，我们也不会把它当成人来对待。AI用自己的模式跟人类交流。”杨格说。