中国的大语言人工智能如何实现弯道超车，超越GPT-4。

斯坦福大学 – 羊驼

中国的大语言人工智能如何实现弯道超车？上周发布的斯坦福大学的羊驼（）模型给出了方法, 羊驼可以更细致地理解和分析文本，生成完整的符合预期的内容，在测评中甚至比 3.5更准确和可靠，还可以在本地运行，不需要云计算资源。

值得指出的两点是：一是这篇论文的团队中有不少华人。比如下面的这几位年轻有为的学生和教师；

Zhang

Li

Percy Liang

二是斯坦福羊驼模型只花了600美元就训练出来了，这是怎么做到的呢？

人工智能训练成本

斯坦福羊驼模型是基于小扎的Meta开源的AI模型中，最轻量、性能也最弱鸡的一款，llama 7B，7B就是英文7 的缩写，代表只有70亿个参数。

通常情况下，训练大语言模型，不仅需要大量的优质内容，还需要人工反馈，雇佣的肯尼亚的便宜劳动力来标识优质内容，筛选劣质内容，并给出内容质量评分，从而成就了今日的惊艳表现。

的办公系列软件使用了GPT-4，极大的提高白领的工作效率，同时也将收获海量的真实应用数据，可以用来进一步提高GPT。大语言模型本质是一个token的概率分布的矩阵。 谁家投喂的优质内容数量更多，计算出的概率就越准确，最后的人工智能生成的结果就质量更高。先进入大规模实际应用的GPT，有了极大的先发优势，收获更多高质量数据的反馈，很有可能一步先，步步先！

人类训练人工智能

斯坦福羊驼模型是如何用区区500美元，短短几周时间就多快好省的达到GPT3.5的水平呢？

斯坦福的学生用了平替了肯尼亚和印度的廉价劳动力，让AI去训练AI。

就像金庸武学中的小无相神功和斗转星移，仅仅喂招五万两千次，就把对方的武学绝技学了过来。

自训练流程

因此，中国的大语言模型，只要用更好的开源AI基础模型，然后用小无相神功，博采众家之长，再投喂更多优质中文内容进一步训练，针对中文进行优化，来超越其他大语言模型。

基础模型测试表现比较

基础模型参数量比较

650亿参数的LLama开源模型，就是很好的起点，再学习170万亿个参数的GPT4生成的内容，最后投喂海量的优质中文内容，从而实现青出于蓝而胜于蓝。

GPT4 参数

因为投喂GPT4学习的主要是英文材料，很多小语种的表现就相对不佳,比如印巴语系的语言，精确度就比英语低25%。额外投喂中文内容的大语言模型获得竞争优势是大有可为的。

不同语言的表现

显卡算力是训练大型模型所必需的，GPT5用了25000张A100显卡训练了这么久，不知道会有多强。

GPT进化时间线

中国发展类似的大语言模型，面临难点之一就是不仅显卡算力很烧钱，美国还卡脖子不卖H100，甚至A100也不让卖了，有钱也买不到高性能大显存的计算卡；

支持的硬件，微软数据中心有成千上万张H100

小无相神功就是突破美国封锁的一个好办法。

我个人认为,中国攀科技树不能中美国的计，美国当年就是通过鼓吹“星球大战”诱导苏联攀太空科技，点偏了科技树。中国制造2025，表明要攀科技树争上游之时，感到危机的美国就通过卡芯片拖缓中国向价值链上层进发的速度，诱导中国去点美国自己都造不出的光刻机。国家扶持科技的钱是有限的，花在国产光刻机上人工智能 训练模型，效率和性价比未必高。

成功的最高境界是借别人的力打出去。优步没有自己的车。爱彼迎没有自己的房。美团没有自己的饭菜。金拱门也不自己养牛种麦。

美国国务院还出钱给智库做调研，专门研究中国可能领先的关键科技行业，从而想办法遏制打压。

关键科技

不能光芯片这样的硬件，软件才是灵魂人工智能 训练模型，AI的软件层面不能落后太多。不然将来即便能国产芯片，AI和AI控制无人机无人艇蜂群天上海里拼刺刀的时候，被敌方高几代的AI完爆就输定了。

无人机蜂群

无人机蜂群

中国需要有人牵头做一个众包项目，把可以用于最终人工智能产品的运算的token，给提供的算力和人力作为报酬。算力、人力、内容三个难点迎刃而解。

一张英伟达特斯拉A100的深度学习的算力，差不多等于两张英伟达RTX 4090。现在正在迭代的最新的GPT-5,大约用了2.5万张英伟达A100，也就是不到五万张RTX 4090。

中国有丰富的未利用的富余算力。随便凑凑游戏玩家显卡闲置时间的算力都绰绰有余。网吧高端区，玩QQ游戏时,显卡风扇都不转，显卡完全无压力，这些玩家可以把空闲算力用于训练AI，并在需要使用AI时获得算力作为报酬。 类似于献血，现在给血库献血，将来自己和家人需要用血时会获得优先。没有富余算力的用户，也可以通过提供优质内容，标识内容优劣，来参与这个取之于民，用之于民的众包项目。

我认为，通过博采众长，人无我有，取之于民，用之于民，必然能让中国人工智能实现弯道超车。

本文到此结束，希望对大家有所帮助。