涌現，這個當前用于區分AI大模型和非大模型能力的標準之一。它似乎在告訴我們，人類通往AGI，即通用人工智能時代的隧道已經設計完成，僅需靜待有限的施工建設時間，人類便可踏入人機共存時代。
那究竟什么是涌現？涌現現象的經典含義是指，在一個復雜系統中，組成該系統基本元素之間相互作用，產生了全新的、宏觀的性質或行為。這個定義非常抽象，我們舉個例子來理解。單只螞蟻在自然環境中行動，它只會尋找食物和避開危險，但是當大量螞蟻一起行動時，它們能夠建造出非常復雜的蟻穴。這些蟻穴甚至有特定的通風和溫度控制系統，但每只螞蟻并不知道整個蟻穴的設計，他們沒有預先規劃好的圖紙，卻能完成這樣的大型工程，這就是典型的涌現現象。
人工智能模型中，涌現現象也并非剛剛出現。如今最先進的人工智能模型被稱為神經網絡，因為它和人腦非常像，都是海量神經元相互連接而成。
無論神經網絡還是人腦，它們內部的神經元大多都非常相似，甚至于一模一樣。但是，哪怕一樣的神經元，一旦處在不同的位置，就會自動承擔不同的功能，發揮不同的作用。
所以，神經網絡中簡單神經元的大量重復，就可以實現如今AI各種各樣的復雜的應用，這就是一個典型的涌現現象。
雖然我們早就在神經網絡中理解到了涌現現象，但隨著超大規模AI模型GPT4的問世，我們所有人還是迎來了當頭一棒，就像是看見了傳統物理學的兩朵烏云散開一樣。GPT4中智能的涌現開始顯現出一種顛覆所有規則的理解難度，這種涌現遠遠超過了從局部到整體能力轉化這個意義，而是表現為各方面綜合能力的爆發式增長。雖然涌現現象的本質早就被諾別爾物理學獎得主、凝聚態物理泰斗P.W. Anderson精辟地總結為'More Is Different'，但GPT4給我們帶來的震撼過于龐大，以至于我們在大模型中，對涌現現象的具體定義修改為：在小模型中沒有的能力，卻在大模型中突然出現的現象。
這個定義中所謂的“小模型”，已經是大模型出現前人類世界AI發展的皇冠，代表了有史以來最先進的硅基智能能力。
注意我們剛剛所說的”突然出現“，這意味著涌現現象的第二層含義：我們無法確定涌現的發生點！我們可以很明確地觀測到，一旦模型大小超過某一個閾值，模型就像修煉突破了一樣，展現出前所未有的能力。但同時，這個閾值卻無法預測！我們無法確定模型什么時候能完成下一境界的突破。
這個特性也給大模型蒙上了一層神秘的面紗，并且給了我們無限的遐想空間。是否大模型有朝一日可以突然突破，一步躍進成為AGI。所以盡管GPT4仍有許多缺陷，比如技術報告中提到的不完全可靠(胡編亂造，也被稱為幻覺hallucinations)、有文本長度限制以及不能從經驗里學習，但許多人開始相信，GPT4中的涌現現象已經為通往AGI指明了確切的道路。微軟的研究報告中甚至認為，GPT4已經可以被視為AGI的早期版本。
同時許多人也開始擔心AI安全問題，比如大模型突然獲得不受控的意識和想法，這在AI自我進化之路開啟之后是非常有可能的。那隨著我們不斷地利用大模型來解決問題，將他們部署到世界各處，就像是在全世界都埋上了不定時炸彈一樣。所以，當前已有兩萬七千多人在暫停巨型AI實驗的公開信上簽字，其中不乏馬斯克、Bengio等著名大佬，公開信中對當前AI的安全性發出了一連串的質問。
不管是對AI的美好暢想還是合理擔憂，就在大多數人都沉浸于想象未來時，一篇論文企圖將大家從烏托邦拉回現實：大模型中的涌現現象或許并不存在！
斯坦福的研究小組認為，當前大模型任務的評價標準本身就是非線性的，由此才會導致所謂的涌現現象！
比如在Google提出的大模型評測基準BIG-Bench (Beyond the Imitation Game)中，超過92%的評測標準都包含下面兩條定義之一，第一條意味著我們對選項進行概率輸出，如果最大概率的選項就是正確選項，則記1分，否則其余情況都記0分。第二條和第一條類似，我們對比模型輸出的一句話，如果和目標完全符合，才記1分，否則也都記0分。
為了幫助大家直觀理解，我這里舉一個例子。想象一下一個水滴和一場洪水。一滴水在地上幾乎沒有影響，但是當這些水滴匯聚成洪水時，它們可以沖毀房屋，破壞土地，甚至威脅到人的生命。如果我們以檢測洪水為最終目的，顯然就是非線性的評測標準。
為了驗證猜想，研究小組將評測標準進行了拆解細化，也就是水量大一點就加一點分數，而不是洪水泛濫才記1分，此時模型的能力和所需運算力呈現出了近乎線性的正相關關系！
這無疑打破了許多人對于涌現能力的設想，期望著涌現能力能夠帶給我們意料之外的智能，似乎也成為了天方夜譚。但當我們回頭評估這篇論文的實際意義時，可以自然地提出一個問題：人類對于智能的定義也是非線性的嗎？
顯然是的！首先，智能的定義本身就不是一個客觀概念，現有的概念往往都是針對某一特殊領域的研究得到。
智能的定義：
其次，在現代研究中，我們發現動物的社會智能與人類的相似，例如猴子會進行欺騙，海豚會照顧受傷的群體成員（展示出同情心），甚至魚也表現出微妙的社交技能。這些研究促使我們重新考慮智能的定義，并擴大我們對智能的理解。
綜上所述，我們目前對于大模型涌現能力的認知，確實可能有一定的偏差，這個偏差會隨著科學的探索不斷糾正。但是，一個概念的定義，會影響人類對于AI的發展道路嗎？我想是不會的。大模型的涌現能力不管如何去定義，都不會改變大模型本身的能力，也不會減緩我們將大模型應用落地的步伐。工程應用往往都有一個非常顯著的特點，叫模塊化與解耦合。
上層從不會去在意下層是怎么實現的，不管下層變得是什么戲法，上層都是將下層視為功能模塊，而工程師的工作，就是不斷地去組合這些功能模塊，去逼近這些功能模塊的極限能力，想盡辦法利用現有的技術，解決現實中的問題。
如今大模型對理解、應用我們的世界規則有了質的提升，那相對應，隨之而來的應用升級也一定會有質的飛躍！
或許，我們離想象中的AGI還有一定的距離，我們賦予了AGI太多的擬人化形象。
然而，想象一下，當我們站在AI的巨人肩膀上，讓它協助我們的日常工作生活，讓它賦予我們解決困難挑戰的力量。再或者說，當它開始預見我們的需求，當它的存在變得像空氣一樣普遍。那么所謂的AGI，不過也就演變成一個概念的定義罷了。
