对话IJCAI大会主席张成奇 大模型克服幻觉后为何不够靓丽

作者丨王悦 张进

编辑丨陈彩娴

八月的济州岛，海风温热，而第33届国际人工智能联合会议（IJCAI）的现场，气氛比天气还要火热。为期一周的大会，吸引了全球近3000名研究者与从业者齐聚一堂，论文提交量较去年增长了23.8%。不出所料，计算机视觉、机器学习与大模型，依然是讨论最集中的焦点。

本届大会有一个值得关注的里程碑：张成奇教授作为IJCAI首位华人大会主席，主持了这场学术盛宴。他也是继杨强教授、周志华教授之后，第三位进入IJCAI理事会的华人学者。

说起与IJCAI的渊源，张成奇的故事要追溯到2011年。当时，正是凭借他的积极推动，澳大利亚墨尔本才成功获得了IJCAI 2017的主办权。而本届大会的赞助金额也创下历史新高，超过70万美元，这背后同样离不开他的努力。

当然，张成奇本人的学术履历，在人工智能领域也堪称重量级。1982年，他在中国人工智能研究的摇篮之一——吉林大学攻读硕士，投身专家系统研究。1992年，他历时九年的研究成果，发表于国际顶级期刊《Artificial Intelligence Journal》，成为大陆华人在该刊发表的首篇论文。深耕AI与数据挖掘四十余年，他发表了300多篇学术论文，谷歌学术引用超过33000次，H指数达70，并曾荣获新南威尔士州科学与工程奖等荣誉。

在济州岛的大会现场，我们与这位新任大会主席进行了一场对话。他分享了首次担此重任的体会，解读了本届IJCAI的新变化，并坦诚地聊了聊对当前AI热潮，尤其是大模型发展的观察与思考。

一、IJCAI更严格了，但被接收的大部分都是好文章

问：今年各国参会者的比例大致如何？

张成奇：中国参会者大约占了总人数的三分之一。东道主效应非常明显，这次韩国本地参会人数，比在其它地方举办时多了起码20倍，能占到五分之一左右。回想2017年在澳大利亚举办时，有500多位当地学者参与（约四分之一），这次澳洲来的就只有70人左右了。会议选址，确实能极大地促进本地AI社区的交流与发展。

问：我们注意到，今年IJCAI的很多赞助商都来自中国。

张成奇：是的。从2017年开始，主要的赞助商就多来自国内。今年参展的企业包括信也科技、百度、滴滴、华&为、美图、OPPO、vivo、京东、贝式计算等。IJCAI从2017年起专门设立了“赞助事务官”一职，最初由我负责，去年起由于涵接手，我从旁协助。企业赞助的资金，每年能资助大量学生，金额达数十万美元。这形成了一个良性循环：受资助的学生更愿意向会议投稿，会议的影响力也随之增长。

问：组织如此大规模的国际顶会，遇到过很大的挑战吗？

张成奇：整体推进还算顺利。过去三十年来，我先后在澳大利亚人工智能年会、亚太人工智能年会、亚太数据挖掘大会、国际数据挖掘大会（KDD, ICDM）等会议中多次担任大会主席，积累了不少经验，处理起来算是驾轻就熟。

问：您担任过这么多国际顶会的主席，尤其是作为华人主席，有什么特别的感受？

张成奇：能够担任顶级会议主席的人本就很少，其中的华人更是凤毛麟角。这一系列经历下来，最大的收获是让组织工作更有条理了。另外，IJCAI作为一个综合性会议，与CVPR、ICML这类专注单一领域的垂直会议不同。它的特点是涵盖的AI子领域更广、更丰富，文章接收的范围也相对宽一些，但要想办出极高的专精名气，挑战也更大。

张成奇与学者在IJCAI现场交流

二、应用大模型要注意“领域的错误敏感度”

问：您如何看待当前的大模型热潮？

张成奇：大模型本质是生成式模型。它的最大优点，是生成效果“靓丽”，思维发散，显得很聪明，近似于人。但最大的缺点，就是存在“幻觉”，而且这个问题几乎无法根除。某种意义上，如果彻底克服了幻觉，它可能就不再是现在这样“聪明”的生成式模型了。人的聪明在于解决问题，但计算38的平方，人肯定算不过计算机。在传统有标准答案的领域，计算机不会出错，大模型反而会。这就是它鲜明的优缺点。

问：那么，我们应该如何理性地利用大模型？

张成奇：关键在于区分不同领域对错误的“敏感度”。我举三个例子：

第一，核电站维修。这里容不得丝毫差错，哪怕是0.01%的错误概率也不行，属于错误敏感度极低的领域。

第二，写诗作画。这里可以天马行空，没有绝对的对错，属于错误敏感度极高的领域。

第三，股票交易。这里没有100%的胜率，只要长期赚钱概率超过50%即可接受，属于错误敏感度中性的领域。

所以，大模型聪明、发散，但不保证全对。我们不能因为它有幻觉就全盘否定。对于中性或高敏感度的领域，比如创意、金融分析，它完全可以用。99.9%的人都是使用者，无法决定模型是否有幻觉，但我们可以判断自己所在领域对错误的容忍度，思考如何扬长避短，让技术与场景更好地适配。

问：在您看来，目前哪些领域最适合大范围应用大模型？

张成奇：导游行业是个好例子。规划路线时，多绕几分钟通常问题不大，只要安全有保障即可，容忍度很高。从这个切入点开发垂直模型值得尝试。

再比如智能养老，这里有两个刚需：健康与饮食。健康管理需要精准控制用药；饮食管理则需要为糖尿病患者、体寒者等提供个性化食谱。大模型在实现这种千人千面的智能服务上大有可为。

此外，情感陪伴、社交匹配（基于兴趣圈层）、运动管理（为老人定制步行方案）等场景，生成式模型都能提供丝滑的体验。开发通用大模型可以暂时不过多考虑领域问题，但如果要做垂直领域模型，选对赛道至关重要。

问：大模型下一步的发展趋势会是什么？

张成奇：一方面，是减少算力消耗、提升效率；另一方面，是应用领域不断拓宽。这些都是渐进式的改进。未来能否有突破性进展，还要看底层架构有没有像GPT那样的革命性变革出现。目前，在通用领域，大模型可能比99%的人都“聪明”，但在专业深度上，它仍难以超越真正的专家。

除了技术专家在研究如何解决幻觉、提升效率，还有一个视角同样重要：站在普通用户的角度，思考如何将现有模型的能力发挥到极致，让技术更普惠。这需要更多“从上往下”的思维，从现象中抽象出本质，再落地到具体应用中。

问：具身智能今年也很热，您认为这是泡沫吗？

张成奇：人的智能大致可分为感知、认知、行为三层。深度学习解决了感知，GPT在很大程度上推进了认知，而行为智能（如机器人控制）的突破一直较小。现在要做的，正是将这三层智能融合起来。早期AI不好用，就是因为感知不过关。现在感知、认知都有了长足进步，虽然还没到终点，但已经能实现很多工作了。家庭机器人还需时日，正是因为其行为执行仍面临挑战。有了GPT的加持，具身智能的能力会上一个大台阶，这个台阶够我们消化五年、十年了。所以，这个方向一定会得到长足发展，因为单一的感知或认知智能，拿出来都很难直接应用。

问：您如何看待智能体（Agent）的复兴？

张成奇：Agent本身就是一个研究方向，曾经火过，也沉寂过，现在热度又回来了。根本原因在于，过去它对环境的感知和判断能力太弱，而现在这部分能力已经大幅提升。剩下的，就是如何更好地进行协调与决策了。