理想汽車董事長兼CEO 李想
理想汽車智能空間AI負責人 陳偉
騰訊新聞科技主筆 張小珺
李想，這位公認的理想汽車產(chǎn)品“天花板”，怎么就覺得自己成了“瓶頸”？
決定“All in AI”的李想，期待實現(xiàn)AGI（通用人工智能）的“iPhone 4時刻”，讓普通人也能輕松使用。他強調(diào)簡潔的產(chǎn)品設計、長期的技術投入和堅定的用戶價值導向，還對汽車行業(yè)競爭、企業(yè)管理和個人成長有了新的認識。
全力以赴邁向“成為全球領先的人工智能企業(yè)”的目標，李想的欲望只有成長。騰訊新聞科技主筆張小珺深度對話理想汽車董事長兼CEO李想、空間AI負責人陳偉，以下為訪談節(jié)選。
01到Agent階段，才是真正的“iPhone 4時刻”。
張小珺：你第一次用ChatGPT是什么時候，當時是什么感受？
李想：發(fā)布的時候就用了，當時一個最大的感覺就是，人工智能應該有的樣子。
張小珺：如果讓你做OpenAl的CEO，你會比Sam做得更好嗎？
李想：不會，我覺得Sam Altman他們做得非常成功。
張小珺：如果現(xiàn)在讓你做OpenAI的CEO，你會做什么？
李想：今天還是OpenAl定義的AGI（通用人工智能）第一個階段：聊天機器人，我覺得OpenAl完全按照這個定義做了最好的產(chǎn)品體驗。第二個階段是推理者，到第三個階段Agent（智能體）的時候，才是真正的“iPhone 4時刻”，普通老百姓都能用了，它能獨立地、持續(xù)地、連續(xù)地完成任務，而不需要靠密集的提示詞。但這時候產(chǎn)品應該是個什么交互，對于所有的這些頭部企業(yè)，都是應該要認真去思考的。
02讓人和Al之間的交互，像人與人交互一樣自然。
張小珺：為什么一個車企要自研大模型？這個決策是怎么做出的？
陳偉：這個事情也是逐漸達成共識的，我們當時已經(jīng)把線上的關于自然語言處理的技術，切換到了預訓練的模式下，任務型對話能夠在車里面，做車控、媒體、導航這樣非常多垂域的覆蓋，上面用預訓練的模式能夠快速高效地、高質(zhì)量地完成這樣的能力。
2022年年底，ChatGPT發(fā)布了，我們看到了大模型帶來的認知智能和語言智能上突飛猛進的變化，這件事情對我們來說是有非常大震撼的。我們內(nèi)部也在想，為什么我們沒有快速地考慮把這個模型架做得那么高那么大。
后來想哥就提了一個話題，他說現(xiàn)在我們應該回歸用戶體驗，核心的問題在認知智能上面。那么認知智能這件事，我們就需要考慮怎么把技術做升維，能夠用更厲害、更先進的技術，把理想同學的認知快速拉上來，把天花板拉高。這件事對于我們后面去做基座模型，我覺得是指引性的狀態(tài)。
所以我們必須要從基座，從底層開始建設，這樣未來我們在做更多技術創(chuàng)新的時候，產(chǎn)品和研發(fā)才能有更快速的迭代，體驗才能持續(xù)地去做創(chuàng)新，而不是只做行業(yè)的一個平均水平。
張小珺：作為一個后來者，你們準備怎么追趕ChatGPT？
陳偉：我覺得OpenAl現(xiàn)在是整個行業(yè)的標桿，除了目前OpenAl宣稱進入L2（推理者）以外，絕大部分的團隊現(xiàn)在還停留在L1（聊天機器人）這個階段。在這樣的一個狀態(tài)下，技術處于早期，而我們在做一個無限游戲。探索邊界還不清晰的情況下，我們最重要的事情就是把握住目前的第一性原理Scaling Law（規(guī)模效應）。
我們的迭代也非常快，去年年底12月OTA 5.0之后一直到現(xiàn)在，Mind GPT 云端的大模型已經(jīng)迭代了30多次。
張小珺：Mind GPT 是怎么迭代的？
陳偉：Mind GPT 到現(xiàn)在為止一共經(jīng)歷了三代。
2023年4月，Mind GPT 1.0的第一版模型出來，到2023年年底的時候，我們車機的OTA 5.0發(fā)布了這個大模型的上車，是行業(yè)第一家把大模型推動上車的公司，也是（汽車行業(yè)）首家通過國家大模型備案的。2023年年底上車的時候，其實已經(jīng)經(jīng)歷了第六個版本。
今年年中，我們完成了 Mind GPT 2.0的變化，對于我們算法團隊來說，除了關注模型效果的提升以外，還要關注整個訓練效率和推理效率。Mind GPT 未來的模型架構(gòu)，肯定會是一個MoE（混合專家模型）加Transformer的結(jié)構(gòu)，會持續(xù)往前迭代，我們在MoE模型上線的時候，相較于 Mind GPT 1.0大概翻了一倍，但是推理成本跟 Mind GPT 1.0基本保持一致。這樣在效果和效率上，就達到了一個我認為是雙贏的局面。Mind GPT 2.0的重點在語言的理解和知識上，另外一塊是在長上下文上有了比較大的突破，也就是在邏輯推理能力上做了進一步的強化。
今年年底，我們會上線 Mind GPT 3.0，這是我們的第三代的 Mind GPT 的能力。Mind GPT 3.0相較于前面兩代的核心不同在于，以前我們的重點放在了語言模型上，但是我們認為未來的在人機交互的過程中，它應該是一個多模態(tài)的端到端的大模型，應該融合了整個人機交互的體系里，像語音、視覺、語言這樣的模態(tài)進去，能夠理解不同的模態(tài)，然后能夠在一個模型內(nèi)完成從感知到認知再到表達的完整能力。這樣的好處就是它能夠讓人機交互的延遲，從以前的比如說幾秒鐘變成可能500毫秒以內(nèi)，這樣人和機器、人和Al之間的交互，就能像人與人交互一樣這么自然。
張小珺：這是多大規(guī)模的數(shù)據(jù)量？
陳偉：我們現(xiàn)在的預訓練數(shù)據(jù)規(guī)模量已經(jīng)到10萬億Token的規(guī)模了，有了高質(zhì)量的課本知識以外，我們還需要給大模型提供一個由簡單到復雜、由粗到精的一個過程，讓它逐漸地一步一步去學習。所以我們在預訓練后訓練階段，也要構(gòu)建一套分段學習的邏輯，同時在數(shù)據(jù)的構(gòu)建上，我們要考慮怎么能給它建立一套好的學習邏輯，所以現(xiàn)在重要的就是要盡快地把強化學習后訓練的事情做好。
張小珺：你們有一些特色化的數(shù)據(jù)嗎？
陳偉：第一個是多模態(tài)的數(shù)據(jù)，有自動駕駛的，也有理想同學的對話模態(tài)，這些數(shù)據(jù)是獨有的。第二個是用戶在產(chǎn)品里自己使用的數(shù)據(jù)，代表了你的場景或產(chǎn)品本身場景的一些特性，這也是自己獨有的，所以我們也在構(gòu)建自己的數(shù)據(jù)飛輪，爭取能夠把這些數(shù)據(jù)的能力進一步發(fā)揮出來。
03不做人工智能，我們就什么都不是。
張小珺：理想同學跨越到L3（智能體）的點會是什么？
陳偉：對于邏輯推理來說，更重要的是做好子任務分解以后，還要讓它針對自己的思考方式去做更多的發(fā)散性思考，在每一個思考路徑上做出自己的反思，做到自我糾錯。甚至忽然間碰到死胡同的時候還能回溯回來，所以我覺得這是一個非常強的思考能力。
我們的重心是希望能夠?qū)崿F(xiàn)從L1 ChatBot（聊天機器人）到L2（推理者）的變化。我們定義L1有兩個核心的特點，第一個是能夠?qū)崿F(xiàn)多模態(tài)，因為人就是能聽會看的，所以我們認為語音和視覺加入到大模型是非常關鍵的。第二個是指令遵循的能力，能夠聽得懂人在跟它講什么，再復雜的命令也能聽得懂，并且能夠比較準確地執(zhí)行。
所以支撐理想同學的技術，就是 Mind GPT 的多模態(tài)智能體的技術，理想同學走到L3的時候，Mind GPT 應該長成的樣子，就是一個多模態(tài)智能體。
張小珺：現(xiàn)在大家都覺得預訓練的Scaling Law（規(guī)模效應）達到了天花板，這對于中國團隊的影響是什么？
陳偉：如果我們想做好后訓練，我們依然需要有個好的基座模型，因此我們依然需要去具有自己的預訓練的Scaling Law（規(guī)模效應）。
這件事情短期內(nèi)會出現(xiàn)，會傳出來有些公司在模型做得更大以后，效果可能沒有想象中的明顯，但我認為這個可能還是一個從AI的算法到Al的infra之間，目前的有些要待攻克的問題。
第二個點我覺得Scaling Law（規(guī)模效應）本身在解決的問題是模型的效果和數(shù)據(jù)和模型規(guī)模之問的關系。我們越來越覺得數(shù)據(jù)不只是規(guī)模的，需要有高質(zhì)量的數(shù)據(jù)才能把規(guī)模做上去，才真正有價值。
所以這個過程中可能大家對于Scaling Law（規(guī)模效應）的看法也會有一個粗到精的過程，理解才能更深刻，但是我認為這個肯定會是大模型時代的第一性原理