在近日瑞士舉行的2024年人工智能向善全球峰會（AI for Good Global Summit）上，OpenAI CEO山姆·奧爾特曼（Sam Altman）與《大西洋月刊》CEO尼古拉斯·湯普森（Nicholas Thompson）進行了連線交流，提及AI的全球化、安全性、合成數(shù)據訓練以及下一代大模型等相關問題。
奧爾特曼在對話中預測，中國將會擁有自己獨特的大語言模型，與世界其他地區(qū)的模型不同。當被問到三年后會有多少基礎的大語言模型存在時，奧爾特曼表示，當下有許多模型正在訓練，這種趨勢將會持續(xù)，“將有成千上萬的大語言模型被開發(fā)出來，但其中只有少數(shù)，如10個、20個或類似的數(shù)量，會獲得大量的使用和最密集的資源投入�！�
奧爾特曼認為，我們仍處在AGI的初級階段，還有許多未知等待去探索，還有許多科學上的突破即將到來，因此在這一點上做出任何自信的預測都是非常困難的。
另一點是關于人工智能的全球化和公平問題，有人認為，GPT-4和其他大語言模型在英語、西班牙語和法語上的表現(xiàn)要優(yōu)于斯瓦希里語（一種在非洲廣泛使用的語言）等語言。奧爾特曼則回復，GPT-4o在更多種類的語言上都表現(xiàn)出色，OpenAI此前公布的統(tǒng)計數(shù)據顯示，GPT-4o已經能夠覆蓋97%人群的母語。
關于OpenAI，近段時間備受關注的仍然是其安全性問題，在GPT-4o模型發(fā)布不久后，負責安全事務的聯(lián)合創(chuàng)始人、首席科學家伊爾亞·蘇茨克維（Ilya Sutskever）就官宣離職，而另一位在安全領域作出重大貢獻的超級對齊團隊聯(lián)合負責人楊·萊克（Jan Leike）也離開OpenAI轉投Anthropic，并在社交媒體X上稱“（OpenAI）安全文化和安全流程已經讓位給閃亮的產品”。
奧爾特曼在對話中表示，在確保安全性方面，模型的可解釋性是一個值得探究的領域，目前盡管尚未解決可解釋性問題，但他“對正在發(fā)生的許多事情感到非常興奮”。在他看來，對模型內部運作的理解越深入，就越能做出更好的決策，“這可以成為我們構建和驗證安全性聲明的綜合性方案的一部分�！�
此外，人道科技中心聯(lián)合創(chuàng)始人兼執(zhí)行主管特里斯坦·哈里斯（Tristan Harris）曾提出一個建議是，大語言模型公司每投入100萬美元用于增強模型的能力，也應同等投入100萬美元用于安全性研究。奧爾特曼認為，人們往往傾向于把世界簡單地劃分為性能與安全兩個部分，并制定一些聽起來很有道理的政策，而要界定許多工作的性質是非常困難的。
如果在生產中使用一個模型，用戶確實會希望它能夠完成既定任務，同時不會產生任何負面影響。不過，讓模型在既定的界限內，按照用戶的期望去運行，是一個綜合性的問題。奧爾特曼將這個過程比喻為搭乘飛機，用戶期望它能安全地將自己送達目的地，同時也希望在整個飛行過程中不會出現(xiàn)任何故障。
“在飛機設計中，有些部分可以明確區(qū)分為能力提升或安全措施，但總體而言，我們是在努力設計一個綜合系統(tǒng)，旨在安全、迅速地將您帶到目的地，并確保飛行中不會出現(xiàn)任何部件脫落的問題�！眾W爾特曼的觀點是，有關產品能力提升和安全措施的這種界限，實際上并沒有表面上看起來那么清晰。
不過，在有關安全的關鍵人才離開之后，OpenAI “飛機的機翼”依然穩(wěn)固嗎？針對公眾的質疑，奧爾特曼認為，這種評價應基于公司行動，包括發(fā)布的模型、所開展的工作、進行的科學研究，實際上公司已經進行了對齊研究、建立了安全系統(tǒng)、實施了監(jiān)控措施。
在對話中，談及下一代模型是否會迎來指數(shù)增長的顯著飛躍，奧爾特曼表示，“我們并不認為我們正處于任何指數(shù)增長的臨界點�！彼J為大模型仍然有很大的發(fā)展空間，并預期在某些領域將實現(xiàn)巨大的進步，但在其他一些領域可能提升并不如預期顯著，這與之前每次模型更新時的情況相似。
訓練大模型最關鍵的部分之一是數(shù)據，在對話中奧爾特曼提到，為了訓練下一代模型，OpenAI在大量生成合成數(shù)據用以訓練方面進行了各種實驗。但如果訓練模型的最佳途徑僅僅是創(chuàng)造數(shù)以萬億計的合成數(shù)據并將其重新輸入系統(tǒng)，這種方法在某種程度上顯得效率不高，“應該存在一種機制，讓模型在訓練過程中能夠更有效地從數(shù)據中學習，我認為我們還有許多問題需要解決�！�
合成數(shù)據是否會引發(fā)數(shù)據出錯問題？奧爾特曼認為，無論是合成數(shù)據還是人類生成的數(shù)據，都存在質量良莠不齊的問題，關鍵在于獲取高質量的數(shù)據。只要能夠收集到足夠高質量的數(shù)據來訓練模型，或者能夠開發(fā)出提高數(shù)據效率的方法，從較少的數(shù)據量中學習更多，出錯的問題是可以解決的。
