从周鸿祎的言论说开去
匿名
周认为高端芯片被卡，算力受限制，因而阻碍了 中国公司开发像sora那样水准的产品。
错！算力受限， 会影响AI的应用， 比如实时监控，确定大街上每个人的身份等等。这类应用，计算量庞大，如果 算力不足， 会卡， 不流畅。但算力不足不是中国公司AI大模型研发落后的原因， 更不是理由。研发是围绕主机进行的， 不连接应用终端，不需要超强算力。
算力不是问题，也可以从另一个角度看。同为美国公司的Meta,  Google 等等财力算力都不在openai 之下，但它们的产品也不如openai的。
究竟是什么原因使得openai 公司遥遥领先于它的同行，不仅中国同行， 也包括美国同行？是因为他们的supervised 训练设计的好。
通俗的讲， supervised 训练就是教AI大模型学习，就像老师讲课引导学生学习一样。老师教的好， 学生学得会； 教不好， 学生一脸懵蔽。openai 出类拔萃的秘密在于，它教的好。
许多人没有意识到这一点，包括中国tech公司的高管， 像周鸿祎这样的也不清楚。因为到目前为止，中国公司做的AI， 主要是基于图像识别和自然语言处理。而supervised 训练机器识别图像，简单易行。无非是输入很多图像，然后告诉机器： 这是人脸， 这是狗脸， 这是猫脸，等等。 再深入一些，告诉它， 这是张三的不同照片； 这是李四的不同照片，等等。 这些图像识别的任务，5岁的人类都会，教机器学会也不难。
但是openAI Sora公布的几个 视频显示， 他们已经远远超过这个阶段， 正大踏步走在通往AGI的大路上。它们的AI大模型能够理解物理现象后面的原理。比如光的反射，倒影的形成；水的波动， 等等。 那个咖啡杯里两只船互博的视频， 波浪汹涌相当逼真，没有基于对流体力学和波浪理论的相当理解是生成不了的。
可以断定， openAI教了它们AI大模型光学和流体力学等等比较高层次的人类知识。
教这些知识比教图像识别要复杂困难的多。想想看，之前教的东西5岁小朋友都会， 现在要教大学生学起来都有困难的东西，难度大大增加。简单粗暴地把整本光学或者流体力学的教科书输入，肯定不行。 需要设计一套行之有效supervised训练 方案。这对开发者的专业背景有很高的要求。开发者必须同时是人工智能和光学／流体力学／量子力学等领域的专家。  问题是，同时精通这两个领域或以上的专业人士很少。
有人会说， 干嘛要一个人同时精通两个以上专业， 找几个不同专业的专家，组成一个团队不也可以？未必， 他们可能会有沟通不畅的问题， 无法深入探讨。
不同的专业知识放在一个脑袋里 和放在几个不同的脑袋里， 是不一样的。 这是系统论原理。 openai 的Tim brooks ，同时是人工智能专家， 演员， 摄影师。稍微仔细看那几个视频，就可以看出他的影响。视频的光， 色， 视角， 构图， 大块色彩／黑白的对比， 具有专业的舞美和影视效果。他的存在不是一个由人工智能专家， 演员， 摄影师 三人组成的团队可以取代。用最近时髦的话说就是， 三个专业集于一个脑袋， 可能会产生"涌现"，即灵感。 而三人团队， 不会。因为有些专业上微妙却是关键的东西， 无法沟通分享。
所以， 中国的人工智能业现在急需高层次多专业的人才，参与领导AGI 的研发。笔者前文建议中国几个tech公司前去邀请哈佛博士陈琳加盟，就是这个理由。如果你当时对笔者的建议感到惶惑， 现在应该清楚些。
openai 的ceo 奥特曼最近说，他们的目的是要ai 发现科学。 要想让AI发现科学，就要先教AI 人类已知的科学，包括光学，流体力学， 量子力学等。  怎么教？ 问陈博士！
有的人会说， 不对啊，chatGPT现在也可以讨论光学流体力学量子力学等等。那是输入用语言描述的科普介绍后，由 自然语言处理的机制生成的文字，是对科学的初步的肤浅的了解。这种程度的理解离发现科学很远，离AGI很远。
我感觉， 在我写这几段文字的时候， 2024年2月26日， 中国没有一个AI研发团队试图教大模型流体力学，量子力学等硬核科学。 中国tech公司的高层， 比如马云和他的伙伴可能以为天下学问都是文字表述， 从来不知道世上还有量子力学和广义相对论等艰深学术。那些达摩院的工程师科学家和码农很多可能只见树木不见森林， 低头拉车不抬头看路。这里 有没有在阿里百度腾讯的员工，去问问你们的AI研发主管, 我们什么时候教大模型流体力学量子力学啊？