“历史不会简单重复，它会押着同样的韵脚。”
几经跌宕，人工智能浪潮踏着生成式AI热度与大模型浪潮，再次攀上上升周期。13日，网信办等七部门正式发布《生成式人工智能服务管理暂行办法》（简称“《办法》”），行业人士认为，《办法》的迅速出台一方面证明了政策监管的敏捷高效，同时也佐证了当下大模型技术发展与行业影响的广泛。
为形容当下大模型现状，经纬创投创始管理合伙人张颖引用了一个调研数据——从今年3月到5月，召开业绩电话会议的标普500指数的公司中，有110家公司的高管提到了AI，这是过去十年的3倍。火热如斯，但周期恒在，在达到热度高点后，本次人工智能必然回归冷静波段，寻找商业化路径解决方案，落地商业本质。
对比国内人工智能AI1.0，如今的AI2.0较其有雷同之处，亦有升级迭代的进步。如在行业红利显露初期，大量资本与创业者涌入，百模大战。而在差异性方面，行业尤为关注凭借底层算法的升级、大模型泛化能力，以及2.0时代的人工智能能否解决1.0最为致命的商业化落地难题。
为什么此时火了？
人工智能行业已存在数十年，为什么大模型与生成式AI等到今天才火？
AI教父、图灵奖获得者杰弗里·辛顿早于1986年便在《自然》杂志发表自监督学习语言模型成果，可预测句子最后单词，可谓生成式大模型鼻祖，但当时的辛顿只能使用112个句子的数据，同时缺乏相应算力支持。
辛顿表示，AI领域有两种思路——一种是关于推理与逻辑的主流AI，一种是基于生物学的神经网络。“神经网络在20世纪80年代没有真正奏效的唯一原因是计算机运行速度不够快，数据集不够大。”辛顿称，主流AI派当时认为一个拥有大量神经元的大型神经网络，基于计算节点与它们之间的连接，仅通过改变连接强度便能实现从数据中学习，这个想法十分荒谬。
因此那个时候，计算机科学领域的人们对神经网络失去了兴趣。而现在，计算机速度快了数百万倍，如果用1986年的计算机去学习一些东西，辛顿称，过程只需要几秒钟。
2006年，辛顿团队开始进行所谓的深度学习训练，并找到预训练模式。在ChatGPT中，P代表预训练，T代表转换器，P代表生成。回忆过去，辛顿表示在2012年发生了两件大事——一是语音是被技术改进，并被推广至微软、IBM与谷歌等大型语音识别实验室；二是李飞飞与合作者创建了一个大型图像数据库，并对图像中的主要物体进行猜测。“那些曾坚定反对神经网络的人看到这些方法成功后，发现这种方法更有效，于是他们改变了立场。”辛顿称。
在第四范式联合创始人/首席架构师胡时伟看来，AI从1956年提出历经几次起伏，AI在业界或大众生活当中形成浪潮往往来自里程碑式的事件，如AlphaGO战胜人类，以及ChatGPT可以进行很好的对话等。这中间的沉寂期，来自大众预期无法满足，往往在沉寂期之内是真正数字化产业和AI产业带来价值产生沉淀的部分。
而从技术原理来讲，胡时伟表示，AI应用发展有一个规律——从小的模型到大的模型，整个AI使用从专用到通用。最早人类专家通过写规则让机器程序呈现某种智能特点，这时还是专用小模型。80年代以后，无论是统计学习还是神经网络，行业可以用这些技术让机器写少量的规则，但依然是专用某个小模型的阶段。2010年之后，搜索、推荐电商、人脸识别等场景，可以通过机器用海量数据撰写大量规则解决问题，对生产生活发生的作用。如今，海量规则加上千亿学习与强化学习基数，便出现了单一大模型解决多个问题的通用大模型技术。
