尽管人工智能正在迅速发展，但离一个可以高度信任的AI系统仍有距离。黄仁勋强调，在未来数年内，持续提升计算能力和探索新的方法将是关键任务。同时，行业正重新思考如何在有限数据和资源下更有效地训练模型，以实现更可靠、更强大的人工智能应用。

英伟达(NVDA.O)首席执行官黄仁勋近日表示，目前的人工智能并不能提供最优解答，我们距离一个可以“高度信任”的AI系统仍有“数年之遥”。

“目前我们得到的答案还远非最佳答案，”黄仁勋在香港科技大学的采访中说道。他指出，人们应该不需要对AI的回答心存疑虑，比如它是否“幻觉化”或是否“合理”。

“我们必须达到这样一个阶段——你大体上可以信任AI的回答……而要实现这一点，我认为我们还有数年的路要走。在此期间，我们需要不断提升计算能力。”

大语言模型的局限性：幻觉和数据瓶颈

像ChatGPT这样的语言模型在过去几年中取得了指数级的进步，能够回答复杂问题，但依然存在诸多限制。其中，“幻觉”，即生成虚假或不存在的答案，是AI聊天机器人的持续问题。

例如，去年一位广播主持人就因ChatGPT编造了一份虚假的法律指控文件而起诉OpenAI，而后者未对此作出回应。

此外，一些AI公司正面临如何在有限数据资源下推进大语言模型（LLM）发展的困境。黄仁勋表示，仅依靠预训练，即在大规模、多样化的数据集上对模型进行训练，并不足以开发出功能强大的AI。

“预训练——自动从世界上的所有数据中发现知识——是不够的……就像大学毕业是一个重要的里程碑，但它并不是终点。”

过去几年，科技公司如OpenAI、Meta和谷歌专注于收集海量数据，假设更多的训练数据会造就更智能、更强大的模型。然而，这种传统方法如今正受到质疑。

转变思路：超越“盲目扩展”

研究表明，基于Transformer的神经网络（LLM的核心技术）在数据量和计算能力增加时性能呈线性增长。然而，业界领导者开始担忧这一策略的局限性，并尝试探索替代方法。

Scale AI首席执行官Alexandr Wang表示，AI投资主要基于这种“扩展定律”的假设，但现在它已成为“整个行业的最大问题”。

Cohere公司首席执行官Aidan Gomez认为，虽然增加计算能力和模型规模确实能提升性能，但这种方法有些“机械化”。“这种方法虽可靠，却显得有些愚蠢，”他在播客中说道。Gomez提倡开发更小、更高效的模型，这种方法因其成本效益受到支持。