对话港科大郭毅可提问型AI比复刻ChatGPT更具价值

今年四月，香港科技大学清水湾校区的一间会议室里，气氛有些不同寻常。十几位顶尖的科学家围坐一堂，既有以郭毅可教授为代表的香港本地学者，也有专程从北京赶来的何晓冬、王小川等AI领域的领军人物。讨论的焦点，正是席卷全球的大模型技术浪潮。

一个核心问题被抛了出来：在这轮创新中，香港能扮演什么角色？

香港的优势显而易见：高校林立，人才储备丰富。但要把大模型从概念落到实地，真正部署和应用起来，还缺一块关键的拼图——算力。海量的GPU资源，是大模型生存与发展的“硬通货”。

讨论最终指向一个共识：必须有一个实体机构作为支撑，先把香港自己的基础大模型做出来。

回望国内大模型创业潮的起点，“中国版OpenAI”曾是许多故事的开场白。2015年成立的OpenAI，其独立于商业的科研机构模式，常被视为ChatGPT成功的基石。但在郭毅可看来，值得学习的并非其商业模式，而是它走通的技术路径和长期的技术理想主义。

“OpenAI很好，但创新不在于思考如何在中国复制一个它。每个人都有自己的方法论，如果眼里只有‘复制’，那本身就偏离了创新的本意。”

他认为，从机构属性看，无论是海外的OpenAI、DeepMind，还是国内的智源研究院、百度、阿里达摩院，目标其实是一致的：聚集一批顶尖人才，去攻克最前沿、最具探索性的课题。模式本身并无本质差异。

理念最终要落实到行动。随后的四个月里，进展迅速：由香港政府资助、港科大牵头，联合五所本地高校成立了香港生成式人工智能研发中心（HKGAI）；港科大成为国内首个全面启用ChatGPT服务的高校；而香港基础大模型，也正在HKGAI紧锣密鼓地研发中，即将面世。

这个“香港大模型”的追求，并非在排行榜上争分数高低。它的关注点更为务实：有多少人愿意用？能在哪些具体场景中用起来？怎么用？出了问题如何解决？

人工智能的市场足够广阔，香港大模型的定位是成为一个开源的技术基座。在此基础上，本地的企业和市民都能便捷地使用大模型，并基于此开发各类生成式AI应用。用技术去解决那些过去难以解决的、实实在在的问题，这才是创新真正伟大的地方。

郭毅可笑称自己是个“工程师”，在他看来，“少说，踏实走好每一步”，便是对创新最好的诠释。

2022 年秋，郭毅可在伦敦

八月初，在港科大郭毅可教授的办公室，我们围绕香港生成式AI研究中心以及校园ChatGPT等话题，进行了一场深入对话。

GPT如何革新教育范式？

问：今年6月，港科大正式开放了校园版ChatGPT，成为国内首个全面启用该服务的高校。专门部署一个校园GPT，主要出于哪些考虑？

郭毅可：我们确实是第一个“吃螃蟹”的学校。这么做，核心目的是为了深入理解用户体验，并认真研究ChatGPT在大学教育中到底该怎么用。

我们希望师生都能用上这项技术，所以当时就想，不如直接订阅服务，把GPT部署在校园内网。这样一来，所有使用数据都归学校自己管理，既保护了数据安全，又能基于这些数据做更多分析和研究，从而更精准地评估ChatGPT在教育中的作用。

问：在学校内部部署这样一套系统，成本高吗？

郭毅可：可能没有大家想象的那么高，一年大约三百万港币左右。

问：使用校园GPT后，带来了哪些具体的变化？

郭毅可：变化是多方面的，但归根结底，它迫使我们重新思考传统的教育模式。

过去的教育很大程度上是“记忆式”的。ChatGPT出现后，情况变了——任何问题它都能给出答案，单纯靠记忆学习知识的方式，效用大打折扣。这就引出一个关键问题：它给出的答案，准确性和可信度究竟如何？反映到教育方法上，就是必须着重培养学生的批判性思维能力。

有效运用ChatGPT，本身就需要创造性思维。举个例子，我们可以让ChatGPT尝试回答各类考卷，从而对试卷质量有个大致判断，进而设计出更有意义的考题。如果你出的题，ChatGPT能轻松拿满分，那这试卷的区分度可能就有问题；如果模型只能考70分，那这份试卷对学生才有挑战性。

你甚至可以把ChatGPT的得分设为一个基准线，要求学生必须比机器做得更好。现在有种普遍担忧，认为学生有了ChatGPT就会抄袭。这个看法其实比较片面。当年搜索引擎刚普及时，大家也担心抄袭。ChatGPT与搜索引擎的区别是什么？本质上，它更像一个强大的“思维链搜索引擎”，能够对信息进行归纳总结。所以，对它的能力不必过度恐惧。

事实上，ChatGPT对教师提出了更高要求。教师必须改变教学方法，引导学生在与机器的互动中形成自己的思考，提升自身能力。

问：在这个过程中，如何区分机器给出的信息，并将其转化为我们自己的知识？

郭毅可：关键在于学会批判性地看待它。ChatGPT提供的不是现成的知识，而是经过压缩和提炼的信息。将这些信息去粗取精、去伪存真，转化为真正的知识，正是人工智能时代教育的主要任务之一。这对教师而言，无疑是更高的要求。

我们的教育不能再满足于让学生回答书本上的定义、定理应用这类问题。那都是过去的做法了。

问：大模型的兴起，将对人才培养模式产生怎样的深远影响？

郭毅可：最直接的影响，是知识获取的途径发生了根本变化。重点变成了：人如何在与智能机器的交互中，更高效地学习。这种转变是必然的。

之前出现“提示工程师”这种岗位，其本质反映了当前人机交流的水平有待提高。这类岗位即便存在，可能也是阶段性的。

更重要的是，机器本身也在快速进化。大模型才刚刚起步，五年、十年后，它会发展成什么样子？现在的大模型主要擅长回答，或许不久的将来，我们会看到能够主动提问的大模型，那才意味着真正的交互式人工智能时代到来。

问：为什么说“学会提问”反而更难？

郭毅可：提问分两种。一种是“不懂装懂”式的提问，另一种是真正意识到自己“不懂”——这对计算机来说非常困难。

目前绝大多数大模型都属于前者，真正具备“自知之明”的模型几乎没有，这是其一。其二，模型需要能判断什么是对、什么是错，这意味着它需要拥有价值观。不是所有问题都值得提出，而是要能提出有价值的问题。反过来，对于人给出的回答，机器也需要能判断正误。因此，只有具备价值观的机器，才能与人进行有意义的交互。从这些角度看，我们距离真正的交互式人工智能还有很长的路要走。

讨论“AI取代人”为时尚早

问：您曾提出一个观点：“人创造更聪明的机器，更聪明的机器培养更聪明的人”。这与外界对生成式AI可能失控的担忧是否矛盾？

郭毅可：人理应比机器更聪明。当前我们对生成式AI应该做的，是努力研究它，合理使用它，让它为我们创造更多价值。在研究和使用过程中，管控的方法自然会浮现。但前提是，我们必须先去实践，不能纸上谈兵。

首先要使用它，这能消除很多误解。任何新技术诞生，总会伴随正反两面的声音。汽车、飞机出现时，人们担心事故风险；计算器普及后，又担心人类会丧失计算能力。但这些担忧并未成为现实。只有亲身使用后你才会发现，人类的生活和发展方式并非如此脆弱。

机器的确能替代一部分人力劳动。比如会议记录、翻译等工作，如果AI能做得更好，为什么不让机器去做？许多重复性、流程化的工作本就应该被机器取代。

但人总有人的价值，最大的价值就在于能够驾驭自己创造的机器。也许初期会有误用和负面效果，但这些都可以被管控。AI源于人类，由人研发，为人所用。至少在现阶段，无需过度悲观，认为它会带来毁灭性灾难。

问：但一些职业确实可能因此消失。

郭毅可：关键是如何调整和提升自己。

部分岗位的消失是必然的。例如传媒行业，ChatGPT强大的写作能力已经带来冲击，未来的新闻传播形式必然改变。四年后，我们获取新闻的方式还会和今天一样吗？职业本身也会演化，文字工作者可能转向视频内容创作等新形态。但这种改变有错吗？四百年前，连报纸杂志都没有。

所以无需过度担忧。职业变迁是技术发展的必然结果，技术推动社会进步和人类能力提升是永恒的主题。

每次技术革命，总有人欢呼，也有人反对。但这改变不了趋势。我们应该做的，是在规则范围内，以科学的态度去探索。而不是等到技术成熟后，才发现自己已经落后。

问：当前大模型领域，顶尖人才是争夺的焦点。从OpenAI、微软出来的人尤其受追捧。

郭毅可：“挖人”这个词，在我看来有些可悲。OpenAI最初的核心成员又是从哪里来的呢？

当然，我们需要有经验的领军人物和工程师来带领团队完成迭代。但放眼全球，有多少创造是真正前所未有的？

一个人在OpenAI工作过，本身带有一定的偶然性，他对大模型的贡献也存在不确定性。况且，一个人在一件事上成功，并不保证他未来还能持续创新。甚至，有时一次巨大的成功反而可能桎梏未来的创新能力。认为“挖人”是创新的捷径，这种想法未免过于幼稚。

我在选人时更看重的是：我们要做什么事，需要什么能力；候选人是否具备通过学习和领悟获得这些能力的灵气；是否有脚踏实地做好一件事的耐心；是否能独立思考，坦诚沟通。

问：如何理解您提到的“人在创造中的偶然性”？

郭毅可：OpenAI今天的成就绝非偶然，它在创新上做得非常出色。但仔细看它的团队，有多少成员来自谷歌？其实并不多。所以，某个人恰好在某个时间点身处OpenAI，这件事本身有偶然性，并不等同于他一定是天才。

因此，如果我们的思路是“因为他参与过大模型，知道怎么做，所以我们复制起来更容易”，那么这种想法本身就否定了创新，也不尊重知识产权。

Transformer架构2017年提出，2020年GPT-3发布，三年时间，该学的技术大家基本都掌握了。如果今天有OpenAI的成员因为认可我们的工作而想加入，我们欢迎。但我并不希望他只是把OpenAI的那套方法论照搬过来，没必要。每个地方、每个人的路径都可以不同。

很多风险投资机构评估初创公司，过分关注团队里是否有OpenAI背景的人，有就投，没有就不投。按这种思路能成就一家伟大的公司吗？未必。Midjourney只有12个人，依然做出了惊艳的产品，他们挖了谁吗？并没有。所以，一味盯着“挖人”，境界不高，格局也不够。

不做OpenAI“第二”

问：您之前提到过打造“香港版OpenAI”的构想，目前进展如何？

郭毅可：正在推进中。

香港既没有OpenAI，也没有类似智源研究院这样的机构。我们需要一个这样的实体。事实上，我们已经行动了，成立了香港生成式人工智能研发中心。可以说，它正在扮演类似智源的角色，但我们的组织机制、创新文化和技术路径，与智源不会相同。

由于香港有大量的主体和应用场景，我们至少需要有一个自己的基础模型，才能进一步思考如何将大模型与金融、法律、艺术等具体领域结合落地。

问：对这个中心有哪些具体的设想？

郭毅可：中心由港科大牵头，联合港中文、港大、港理工和港城大，五所高校共同打造。目标是集中力量，为香港政府和市民服务。最终成果也会以开源方式发布。

从工业界的角度看，企业有自己的任务和目标，环境更商业化。架构不同，但我认为目前的学术联合体架构更适合我们。

中心主要做两件事：第一，打造一个香港的基础大模型；第二，基于这个基础模型开发应用系统。它既要达到国际水准，也要具备香港特色。这两项工作都在同步推进。

问：一个客观情况是，OpenAI有微软的强力支持，而国内非营利性研究多依靠高校科研立项和国家经费。这种模式差异会带来哪些影响？

郭毅可：在我看来，本质上没有太大差异，只是平台不同。

香港缺乏像微软这样能提供强力支持的私营产业巨头。但在内地，百度、阿里、腾讯等企业都设有庞大的研发部门，由企业提供研发支持。而从高校做科研的角度出发，可能更侧重于对创新性和探索性的要求。

当然，我们中心的不同之处在于，我们使用的是纳税人的资金，是为政府和市民在做这件事。因此，在模型开发上，我们更关注如何让香港大模型真正“用起来”，而不是一味追求某些人为设定的指标，比如在某个评测中比另一个模型精确度高零点几个百分点。我们追求的目标是，让人们觉得这个模型对他们的生活和工作有帮助，这一点至关重要。

问：您的思路非常务实。

郭毅可：我始终把自己定位为一个工程师。总结起来就是：少说，多做。

问：过去一段时间，很多人都在问：为什么大模型首先诞生在美国，而不是中国？

郭毅可：如果将自己定位成跟随者，总指望别人引路，那就只能永远慢半拍，充当创造者的解说员和模仿者。

中国从不缺乏创造者。从港科大走出的大疆，当初谁想过无人机能这样改变世界？它做成了。内容领域的抖音、快手，也走出了独特的模式。也许创新的类型和级别不同，但这绝不意味着中国没有创新。我并不认为中国的企业就一定比美国公司落后多少。但在做事情的心态上，或许需要一些调整和改变。

问：OpenAI的模式带来了哪些冲击和影响？

郭毅可：首先，我并不完全认同“OpenAI带来了新模式”这种说法。全身心投入技术创新研究，无论是谷歌的DeepMind，还是国内阿里的达摩院、百度的研究院，长期以来一直都在这么做。从这个意义上说，不存在根本的模式差异。差异可能在于，中国的经济发展阶段和生态有所不同。

一个成熟的经济体，必须有一批人专注于最尖端、最具探索性的工作。企业有钱就企业投入，企业投入不足，国家就投入支持。如今中国建立了许多国家实验室，我们相信它们能做出创新性的成果。

但重要的是要明白，科学研究是长期事业，不是两三年就能速成的。科学研究从失败中走来，需要不断试错，所以必须给予时间。

问：三月份的创业潮中，很多企业宣称要做“中国版OpenAI”，但近来这种声音似乎变少了。以您的观察，原因是什么？

郭毅可：事物的发展总有它的两面性。

我觉得王小川做得就不错，我也相信他能做出成绩。他有梦想，也获得了资金支持，过去的经历为他积累了深厚的知识和行业经验。他具备做成这件事的能力。事实上，中国在大模型研究和应用上的进展是值得自豪的，我们不必妄自菲薄。

有的人目光长远，有情怀，想打造出代表中国的拳头产品；有的人则更关注其背后的商业价值。目的和方向不同，最终的结果自然有成功也有失败，这很正常。

问：那么，如果今天真要打造一个“中国版OpenAI”，它需要具备哪些条件或特质？

郭毅可：首先，这个说法本身可能就错了。我们不应该去做“中国的OpenAI”，因为OpenAI已经存在，没必要再去复制一个。按照这个思路，如果明天美国或其他国家又出现了新的模式，我们是不是又要去做一个“中国版”的某某？这就完全失去了创新的意义。

我们要做的，应该是中国自己的生成式人工智能，做出自己的AI特色，而不是盲目崇拜OpenAI。有了OpenAI，谷歌就失去价值了吗？显然不是。

甚至，更值得佩服的或许是微软，而非OpenAI。微软率先以Copilot的模式，将技术深度集成到其全线产品中，真正把OpenAI的能力转化为了“嵌入式智能”。这才是技术真正伟大之处——它不仅仅是技术本身，更是聚焦于解决人类实际问题的能力。就像DeepMind用AI攻克蛋白质结构预测、经济学等难题一样。

OpenAI真正值得我们学习的，是它对科研的初心——在早期尚未成功时，就敢于将许多成果公开、开源，以及它对大模型技术路线的长期坚持。它存在的特殊性和这些精神是我们要学习的，而不是去照搬它的公司架构或商业模式。

问：也就是说，实现目标的过程和方法，比单纯达成相同的结果更重要。

郭毅可：是的。并不是说ChatGPT效果惊人，我们就要去追求一个一模一样的ChatGPT。坚持自己的方向和路线同样重要。正如前面提到的，一个能够主动提问、与人辩论、理解语言深层含义、具备价值观的机器，远比单纯复刻一个ChatGPT意义重大得多。