创新创业者漆远首次透露其专注的领域：构建可信赖的大规模模型。他的企业无限光年已获得阿里巴巴的投资，详情不详。

编辑日期：2024年07月05日

深度融合连接主义与符号主义的理念，构成了复旦大学浩清特聘教授、上海科学智能研究院院长漆远对于实现人工智能通用性（AGI）的关键路径。值得注意的是，他的观点区别于传统的、侧重安全和隐私的可信AI定义。在辞去蚂蚁集团副总裁职务后，漆远选择回归学术界，并在复旦任教，同时创办了专注于大模型研发的无限光年公司，该公司已获得多轮投资，投资方包括阿里云和启明创投等知名机构。无限光年致力于打造的“可信大模型”是其核心目标。鉴于大模型生成内容的不可控性和解释难度可能无法满足专业领域对精确性、可靠性和逻辑严谨性的高标准，漆远的团队计划通过融合Transformer架构、知识图谱以及神经符号计算，提升大模型的“可信度”。然而，漆远强调，这不是将现有的“可信AI”与热门的“大模型”技术简单叠加，而是寻求一种创新的整合方式。

如何定义可信的大模型？简单概括，就是将大语言模型与符号推理相融合，以此消除幻觉现象，显著提升模型的可靠性。

据漆远所述，当前大模型面临的主要难题有三个方面，而他和他的无限光年团队专注于攻克第三个挑战，即解决大模型的幻觉错误和遗忘现象。

他们的解决方案是融合深度学习的基础——联结主义，与象征主义的方法。“如果时光倒流十几年，联结主义并不被看好。科学进步有时就像时尚潮流，轮回更迭。”漆远阐述道，“我们所追求的并非让符号主义完全替代，而是寻求两者的融合共存。”

漆远阐述的观点基于这样的见解：

一方面，Transformer具备处理概率问题的能力，但由于其基本原理是预测下一个词汇，故在逻辑推理方面显得力不从心。

另一方面，传统的神经符号方法虽然在应对复杂的推理任务时可能受限，但却擅长处理小规模的命题逻辑问题。

因此，他提出融合两者的理念，创建“神经网络+逻辑推理”的新模式。这样，既能高效解决具有大量规则和复杂性的逻辑推理挑战，又能适应输入的不确定性，妥善处理规则冲突。

至此，漆远提出的可信大模型浮出水面，其核心是一个结合了符号学派推理能力和连接学派学习能力的神经符号系统。在架构上，它超越了单纯预测的限制，增加了深思熟虑的逻辑推理功能，这一概念借鉴自丹尼尔·卡内曼的《思考，快与慢》。

这一创新提升了生成式AI的信任度和准确性，减少了错误，增强了稳定性。由此，可信大模型带来了两大优势：一是提升精确度和可解释性，二是降低了与计算相关的成本。

对于无限光年的"灰盒大模型"策略，漆远进一步指出：

我不敢断言可信大模型是通往AGI的唯一道路，但它无疑是一条极其重要且关键的途径。我相信在未来的两年内，这条路径将变得至关重要，成为众人热议的话题。

无限光年坚定地选择在两大领域率先实施其先进技术——医疗和金融。在金融行业，公司携手顶级证券机构推出了人工智能投资研究助手。而在医疗行业，无限光年与国内领先的三甲医院联手，运用可信技术革新构建医疗领域的大模型，显著提高了医生解读体检报告的速度和准确性。据内部消息，这两个专业领域的模型都是“精深大模型”，其参数量处于百亿至千亿之间。