觀點
關家亮：「壓縮即智能，語言即世界」：當代AI崛起的底層邏輯
【明報文章】近年AI（人工智能）發展一日千里。不過AI並非新鮮事物，10年前已有AlphaGo及成熟的人臉識別技術。為何近年的AI發展會突飛猛進，展現出遠超以往的智能水平？關鍵在於研究人員找到「壓縮即智能，語言即世界」這一突破口。
AI的突破：由專才到通才
欲理解AI的進步，須先釐清它與傳統程式的本質區別。在編程世界，工程師與機器的關係猶如將軍與士兵：工程師負責制訂詳盡、明確的規則，機器百分百遵從指令執行任務。這種模式雖然可靠，惟缺乏靈活性，一旦遇到未被規則覆蓋的場景，便會束手無策。
於AI領域，工程師的角色更像是教師——他們負責準備教材（數據）、設定學習目標與課程（訓練機制），然後讓機器自行從海量資料中發掘規律，並利用這些規律靈活應對新情况。這個過程稱為「機器學習」；機器學習訓練出的神經網絡，便是我們常說的AI。相較於傳統程式的僵化規則，AI最大優勢在於其處理未知場景的靈活。
在大型語言模型問世之前，最著名的神經網絡應用當屬2016年的AlphaGo。它通過學習頂尖人類棋手的棋譜，掌握了圍棋深層規律，最終擊敗世界冠軍，震驚全球。然而，儘管機器學習技術潛力巨大，但早期模型多偏向單一任務：訓練一個模型下圍棋，它便只懂圍棋；訓練它識別人臉，它也僅能處理圖像識別。每個模型只能執行單一任務，惟訓練成本卻極高昂，導致其經濟效益受限。
GPT模型的革命性突破，在於找到一種名為「next token prediction」的通用訓練機制，成功以單一訓練模式，構建出能夠處理多元任務的神經網絡。該訓練機制的原理其實相當直觀——首先蒐集海量文本，然後抽取資料，繼而要求AI預測該資料之後下一個字是什麼；預測正確會給予獎勵，錯誤則懲罰。例如若它錯誤預測「我吃了」下一個詞語為「飛機」，系統會給予負反饋，降低AI未來在類似語境下輸出「飛機」的概率。重複訓練無數次之後，最終訓練出一個極其擅長「文字接龍」的神經網絡。
發現資訊中的規律模式
一個看似只會文字接龍的系統，為何能夠處理如此多元的任務，甚至可編寫程式、分析數據？這涉及OpenAI團隊倡導的兩個核心觀念。第一個觀念是「壓縮即智能」——提升智能的關鍵，在於發現資訊中的規律與模式，並以更簡潔、高效的模型描述。
以電腦壓縮圖像的過程為例：一張未經壓縮的圖片，僅是逐一記錄每個像素的顏色數據。壓縮演算法（如JPEG）會主動尋找圖像規律：它看到大片藍天，便將「藍色、藍色、藍色……」的冗長紀錄，壓縮成「在此區域重複該藍色」的簡潔指令，檔案體積得以大減。
一個系統倘能夠將數據大幅壓縮，意味着它在一定程度上「理解」了數據背後的結構與模式，才得以用更精煉方式表達同等信息量。而智能的本質，正是學習世界的運行規律，並利用這些規律做預測。掌握的規律愈多、預測愈準確，智能水平就愈高。
從海量語言數據 理解現實世界
另一個關鍵洞見是「語言即世界」。該理論認為，人類使用語言描述世間萬物的規律；AI通過學習語言的結構與規律，便能學習世界的運作法則。例如，當模型學會了在「我吃了」之後絕不接「飛機」，它便某程度上理解了「人類不會吃飛機」這一常識。當一個語言模型能夠持續且準確預測下一個詞彙時，這表明它已成功壓縮了訓練文本中的知識，掌握了其中包含的世界規律。
通過next token prediction這一大道至簡的訓練方式，AI得以從海量語言數據中提煉出對現實世界的深刻理解，從而具備執行廣泛任務的通用能力。這裏所指的「語言」，不僅包括中英文等自然語言，也涵蓋程式語言、數學語言等，因此AI亦能夠做好編寫程式、分析數據等任務。這解決了過往AI模型能力單一的困境，也揭開了通用AI時代的序幕。
結語：迎接AI發展的「下半場」
「語言即世界」的成功，為通用AI奠定堅實基礎。然而下一步該往何處去？
OpenAI研究員姚順雨的觀點是：AI的發展正進入「下半場」——上半場的核心是「提升考試成績」，不斷優化模型，攻克各種AI基準測試，證明AI於各領域的智能水平，正如一個聰穎的學生在求學階段專注應付各類考試；下半場的關鍵，則已從單純提升模型能力，轉向「在現實社會創造更大價值」。這如同畢業生投身職場，真正的考驗不再是試卷分數，而是解決實際問題、創造實質貢獻的能力。
這意味着AI領域的焦點不再是如何令模型更聰明，而是應該訓練AI做什麼。未來的突破，關鍵未必是算法框架的再次革新，而是更多地來自能否為AI找到正確目標，發掘出能夠創造巨大社會或商業價值的應用場景。
如何將AI不斷提升的「智商」，轉化為令社會變得更好的影響力，將會決定下一階段科技浪潮走向，也是整個社會必須共同面對的挑戰。
作者是AI企業創辦人、大學AI課程導師
（本網發表的時事文章若提出批評，旨在指出相關制度、政策或措施存在錯誤或缺點，目的是促使矯正或消除這些錯誤或缺點，循合法途徑予以改善，絕無意圖煽動他人對政府或其他社群產生憎恨、不滿或敵意）
