由于大模型的成功经验，整个 AI 领域纷纷转向，要么是将模型架构换为 Transformer，要么是将小模型换为大模型，要么是将建模方式换为自监督、自回归范式等等。
GPT-4 推出后，各种 demo 充斥网络空间，写代码、做游戏、画图、写文案等新奇功能令人印象深刻。基于大模型的办公应用产品在近日已成为产业最热点。
然而，GPT-4 有一些非常明显的缺陷，甚至对简单的数学运算不擅长，即使是加法。如果让其展开推导过程，准确率则会大幅提升。而这两点又是与其序列生成的推理方式极其相关的。
GPT-4 采用了自回归建模方式，自回归是一种序列生成范式，从已输入的 token 序列推理下一个可能出现的 token。微软的学者通过系统的实验后指出，由于序列生成的方式使得 GPT-4 的工作记忆非常短，所以只能解决有成熟方案的问题。即便它能做复杂的微积分推理，面对简单小学数学问题的新颖变化，它也会反应不过来。通过展开解题过程提高准确率的现象，只是序列生成的自然特点。因此，GPT-4 的训练范式有天然的局限性。数学家陶哲轩也认为，GPT-4 是很好用的工具，但也仅限于工具，解决不了新的数学问题。
GPT-4 的训练数据源于互联网，但互联网的数据是否能够完整表达现实世界？我们可以把 GPT-4 生成的文案、作业、小游戏拿去交付，但可以拿它生成的建筑工程方案落地实施吗？归根结底，GPT-4 也处于一个更庞大的信息茧房里。对于现实世界的复杂性，互联网还没有足够的承载空间。
即便大模型已成为行业趋势，人工智能从业者仍然需要扎根经典技术和现实场景来构建准确、高效的人工智能应用，这是数据智能时代的基本实践之道，也是 DataFun 一直不忘的使命。
为此，DataFun 将在 DataFunCon 2023 中带来算法创新篇，包含因果推断、大模型、图机器学习、知识图谱四个主题论坛，带你一起见证人工智能实践最前沿。
欢迎大家，点击下方链接，查看更多议题详情👇
DataFunCon2023（北京站）：数据智能创新与实践大会
