1、人工智能通用大模型（ChatGPT）的进展、风险与应对发布单位：华东政法大学政治学研究院华东政法大学人工智能与大数据指数研究院01通用大模型的近期进展目录03通用大模型的治理风险评估04通用大模型的风险应对策略02各国通用大模型的能力比较通用大模型的近期进展011通用大模型的近期进展1 通用大模型的近期进展大模型的内涵与特征大模型的发展历程运行机制三大特征预训练模型的发展历程多模态预训练模型“大模型”和“小模型”协进平台化与简易化并进通用化与专用化并行大模型的发展趋势44544/55大模型的内涵与特征1.1大模型是指容量较大，用于深度学习任务的模型，通常具有海量的参数和复杂的架构。大模型具有更

2、好的通用性、精度和效率，可以通过预训练或其他方式在大型数据集上进行学习，再通过微调高效地处理计算机视觉、自然语言处理等复杂任务。预训练模型的运行机制1 通用大模型的近期进展Transformer（主要）、GAN、CNN 以 及 RNN等架构通过海量数据进行预训练（通才）微调以应用不同场景（专家）解决各种复杂任务55545/55大模型的内涵与特征1.11 通用大模型的近期进展涌现性扩展性复合性强化技术的融合解决传统AI的问题增强AI的能力有效集成自然语言处理等多个人工智能核心研究领域的多项技术，实现1+12的融合式涌现。大模型能够有效支撑智能终端、平台、系统等产品应用落地，解决壁垒多、部署难等问

3、题。在海量通用数据上预训练以具备多种基础能力，摆脱传统人工智能能力碎片化、作坊式开发的局限。66546/55大模型的发展历程1.21 通用大模型的近期进展单语言预训练模型多语言预训练模型多模态预训练模型能够处理自然语言，源于早期的词嵌入（wordembedding）的工作。具备多样化的基础语言能力，开始分别处理多种自然语言任务，如机器翻译、问答系统、情感分析等。以多语言训练模型为核心，进行文字、图片、视频的同步转化，实现处理多任务的目标。77547/55多模态预训练模型视觉文本语音理解式任务生成式任务1.2 大模型的发展历程1 通用大模型的近期进展多模态预训练模型：人工智能如何理解世界？处理多

4、任务应用领域进展医疗深度多任务学习能够应用于医学影像分析中金融同一海量数据的多任务处理工业Multi-Task经典模型结构；全空间多任务模型ESMM教育多模态与多任务预训练模型的结合应用8/551 通用大模型的近期进展发展趋势：“大模型”和“小模型”协进1.算力要求过高2.显存占用过大1.推理增速有限2.训练时长增加1.经济成本激增2.能源消耗剧增模型量化模型剪枝知识蒸馏减少信息泄露风险降低运行碳排放量参数共享低秩分解增强模型抗攻击性大模型的限度模型压缩技术小模型的好处1.39/551 通用大模型的近期进展发展趋势：“大模型”和“小模型”协进大模型小模型借助知识蒸馏等技术，大模型的能力可以传给

5、小模型改进知识蒸馏等技术，大模型一次可以产出多个小模型利用小模型作为 Teacher，可以帮助大模型快速收敛如何实现大模型和小模型的联动和互助作为样本价值判断模型，小模型可以帮助大模型快速学习1.310/551 通用大模型的近期进展发展趋势：通用化与专用化并行表征学习单模态多模态迁移学习多任务处理多模态编码统一模型框架1.从算法只能处理一种模态到可以处理多种模态2.从算法仅能基于一种模态学习并只能应用于该模态到可以学习并应用于多种模态1.311/551 通用大模型的近期进展发展趋势：通用化与专用化并行 统一架构：使用统一的模型架构，并采用相同的学习模式 统一模态：构建可以适用于多种模态的通用词

6、表 统一任务：将所有任务统一成序列到序列任务通用预训练专用领域预训练业务场景应用应用需求基础框架技术落地反哺技术1.312/551 通用大模型的近期进展发展趋势：平台化与简易化并进模型开发场景适配推理部署全能、简易开发服务平台开发工具微调工具部署工具大模型和小模型无缝联动能力自适应分布式推理能力自动化压缩能力加密部署能力便捷微调能力低参数调优能力数据增强和清洗能力并行计算能力存储优化能力自适应分布式训练能力弹性容错训练能力1.313/55各国通用大模型的能力比较022各国通用大模型的能力比较2 各国通用大模型的能力比较美国目前通用大模型的发展现状中国对大模型相关领域的布局情况其他国家大模型技术

7、的发展情况发展差距为何中美之间会存在如此差距？制度环境技术配套原创能力引言：各国通用大模型的技术进展15/55 ChatGPT（GPT，Generative Pre-trained Transformer,生成预训练转换器）的出现反映出了人工智能发展的新趋势，即AI正在从感知智能向认知智能快速发展。美国作为人工智能发展领域的前沿国家，其拥有一系列具备充足技术和资金资源的公司和实验室，如谷歌、微软、OpenAI等。中国作为人工智能领域发展的重要参与者，中国正在加快其在通用大模型领域的投资与研究。例如，百度、腾讯、阿里、科大讯飞等大型科技公司正在加速开发该领域的技术。2引言：各国通用大模型的技术进

8、展2 各国通用大模型的能力比较16/55 美国目前的科技巨头公司，如谷歌、微软、亚马逊、Meta等都在通用大模型上进行了进一步的布局与投资。Stability AI等AI初创公司同样表示将积极布局AIGC、ChatGPT等相关技术和产业。2.1 美国目前通用大模型的发展现状2 各国通用大模型的能力比较模型名称开发公司技术支持参数量耗费算力主要特点应用范围局限性ChatGPTOpenAIGenerative Pre-trained Transformer 3.5千亿级3640 PetaFLOPs per day支持连续对话、可质疑、主动承认错误、加入RLHF训练范式文本编辑、编程、翻译、算术无法

9、进行网页搜索、黑箱问题Claude（封测）Anthropicconstitution-al AI520亿最大化积极影响、避免提供有害建议、自主选择、加入RLAIF训练范式较ChatGPT文本编辑更长且自然较ChatGPT代码推理更弱Bard（内测）谷歌LaMDA1370亿较ChatGPT算力需求更低可以根据最新事件进行对话、更负责任将加入ChromeOS为搜索引擎犯事实性错误17/55 在人工智能大模型领域，美国各巨头科技公司均有相关的技术资源。整体而言，目前ChatGPT的表现最为优异。即便是谷歌的Bard在实际表现上似乎也逊于ChatGPT。2.1 美国目前通用大模型的发展现状2 各国通用

10、大模型的能力比较模型名称开发公司技术支持参数量耗费算力主要特点应用范围局限性BlenderBot3MetaOpen Pre-trained Transformer1750 亿具备指令微调，可以改善其对未见任务的零样本和少样本泛化能力生成创意文本、解决基本数学问题、回答阅读理解问题全部访问权限受限制Megatron-Turing微软英伟达Transformer语言模型5300亿高质量的自然语言训练语料库阅读理解、常识推理、词义消歧被 ChatGPT反超18/55 继OpenAI发布ChatGPT大模型之后，中国的各科技公司纷纷加入了大模型开发和应用的队伍。例如、腾讯、阿里、百度、科大讯飞等科技巨

11、头公司均有跟进大模型的研发与应用。对目前国内大模型发展而言，我们与国外的差距重点不在模型，而在算力。2.2 中国对大模型相关领域的布局情况2 各国通用大模型的能力比较模型名称开发公司技术支持参数量耗费算力主要特点应用范围局限性文心一言（内测）百度基于百度知识增强大模型 ERNIE 3.0 2600亿较ChatGPT算力需求低生成式搜索、跨模态理解与交互文本生成、将加入百度搜索引擎生成文本较短通义M6阿里Transformer Encoder-Decoder，ResNet Blocks10万亿能耗低国内首个 AI 统一底座、借鉴人脑的模块化设计图像描述、视觉定位、文生图、视觉蕴含用户使用量较少混

12、元腾讯基于MoE模型的Transformer Block万亿能耗较低成本较低、多模态理解、跨模态理解计算机视觉、自然语言处理、多模态内容理解、文案生成用户使用量较少19/55 在人工智能大模型领域，中国公司的科技实力与国外公司存在一定差距。中国企业目前正在努力将之前的发展重点（单一模型对应单一任务的专用大模型）调整为通用大模型。例如，百度2023年3月即将推出“文心一言”通用大模型。华为、阿里和腾讯也表示将加快通用大模型的落地。2.2 中国对大模型相关领域的布局情况2 各国通用大模型的能力比较模型名称开发公司技术支持参数量耗费算力主要特点应用范围局限性紫东太初中国科学院自动化研究所基于昇思Mi

13、ndSpore框架千亿全球首个视觉-文本-语音三模态预训练模型，同时具备跨模态理解与跨模态生成能力跨模态检测、视觉问答、语义描述、视频理解与生成项目落地难盘古（未上线）华为Encoder-Decoder架构千亿模型具备极佳泛化能力，效率高跨模态检索、跨模态生成、内容生成等模块化20/552.3 其他国家大模型技术的发展情况2 各国通用大模型的能力比较模型名称开发公司技术支持参数量耗费算力主要特点应用范围局限性YaLM俄罗斯YandexGenerative Pre-trained Transformer1000亿能耗较高采用Apache 2.0授权，同时允许研究及商业免费使用生成和处理文本处于行

14、业中下游Gopher英国DeepMindTransformer 语言模型2800亿能耗较低超大型的语言模型阅读理解、事实核查、有害语言识别应用范围较窄HyperCLOVA韩国Naver暂无公开820亿提升韩语模型性能在韩语领域的文本生成多模态任务滞后Jurassic-1 Jumbo以色列A21 LabsMRKL模块化推理、知识和语言系统1780亿能耗较高兼顾神经模型和符号推理能力转述、从文本中提取数字尚未对输出的潜在有害内容进行过滤21/55 通用大模型的研发已经成为各国新一轮技术竞争的核心领域。中国企业在原创能力、技术配套、制度环境三个方面，存在一系列亟待解决的问题。这些问题制约了中国通用大

15、模型的进一步发展，并导致中国与美国存在一定的技术差距。2.4 发展差距：为何中美之间会存在如此差距？发展环境技术实力原创能力2 各国通用大模型的能力比较22/552.4 发展差距：原创能力核心类型具体表现形成原因原创能力缺乏冒险精神在风险技术的投入上倾向于复制和追随缺少创新的社会文化学生缺乏独立思考和批判性思考试错空间小过快的竞争和成果产出节奏压缩企业的创新时间人才不足具有丰富经验的前沿人才不足2 各国通用大模型的能力比较23/552.4 发展差距：技术配套核心类型具体表现形成原因技术配套关键技术缺乏进一步突破在关键的人工智能算法上（算法透明度、鲁棒性等）存在痛点硬件基础设施不足外部制裁限制了

16、中国高性能芯片的研发和生产数据质量不足中文语言的学习难度较大；外部数据的获取难度大内容生成的多样性不足算法模型与中文语境之间的匹配有待调试和完善2 各国通用大模型的能力比较24/552.4 发展差距：制度环境核心类型具体表现形成原因制度环境知识产权保护不足对既有权利人和AI生成物的知识产权保护不完善国际合作不足不确定的地缘政治格局限制了中国科学家的对外合作内容审查能力不足对AI生成内容的审核缺乏统一标准研发商业化程度不足市场的不确定弱化了外界的投资信心2 各国通用大模型的能力比较25/55通用大模型的治理风险评估033通用大模型的治理风险评估3 通用大模型的治理风险评估技术风险社会风险经济风险

17、政治风险鲁棒性不足可解释性低算法偏见数字鸿沟侵犯个人隐私诱发犯罪寡头垄断世界分工重组传统岗位替代颠覆性变革政治决策国际关系动荡监管失能舆论引导27/55冲击教育体系3.1 技术风险：鲁棒性不足3 通用大模型的治理风险评估系统在面对黑天鹅事件和对抗性威胁时表现出的能力缺失在具体应用场景中考虑更细粒度的安全问题大模型具有涌现性对抗样本干扰解决方法鲁棒性不足原因产生错误预测引发社会风险助长算法偏见体现训练数据偏差缺乏针对语义的上下文理解错误推理语言多样性缺失影响28/553.1技术风险：可解释性低可信度降低安全问题可解释性的AI应用少方法多结果少 数据投毒 后门、木马攻击 常见词汇偏差 伪相关问题应

18、用领域仍有限解释效果不理想缺乏统一的标准现有问题可控性较弱的原因研究的局限人类难以理解模型的决策过程3 通用大模型的治理风险评估29/553.1 技术风险：算法偏见算法偏见 语料库缺乏代表性 机器学习习得人类偏见 数据来源不均原因表现 数据偏见 种族偏见 性别偏见 年龄偏见 语言偏见 职业偏见 地理偏见 人物形象偏见3 通用大模型的治理风险评估30/553.2 社会风险：数字鸿沟社会在信息层面所形成的不公平现象（技术拥有者和技术缺乏者之间的差距）不公正决策 减少少数族裔或弱势群体的参与 加剧社会不公平 损害信任 降低模型可靠性技术主体与使用者之间技术主体之间各阶段数据技术行为主体出于自身利益考

19、虑，对其他行为主体产生戒备，数据交流共享难以畅通。大模型使用者，也即大模型技术的作用对象，是作为数据生产者的普通大众。他们面临的数字风险较高，而收益甚微。数字鸿沟技术鸿沟表现：危害：3 通用大模型的治理风险评估31/553.2 社会风险：侵犯个人隐私数据来源恶意滥用“长尾效应”监测与跟踪三角互证与多重验证过程推理能力模型设计数据方面大模型方面产生的原因3 通用大模型的治理风险评估32/553.2 社会风险：诱发犯罪语言模型辅助的内容生成技术以更加低廉的价格更加有效地生成虚假信息大模型拥有创建高度逼真的合成文本或语音的能力虚假信息识别难度提高信息欺诈产生原因网络诈骗仇恨言论侵犯知识产权诱发犯罪的

20、类型3 通用大模型的治理风险评估33/553.2 社会风险：冲击教育体系技术因素：高度逼真的合成文本能力 各类资料高度开源增加大模型应答准确性1.技术快速迭代与检测技术滞后之间的矛盾产生原因缺乏相关应对措施准备3 通用大模型的治理风险评估34/55社会因素：现有教育体系缺乏应对准备 学生缺乏数字素养 就业压力和学业竞争加剧2.限时开卷考试等传统测试手段已基本无解3.尚缺乏对大模型学术不端的准确界定标准4.监管责任主体缺失呃呃呃呃呃呃呃3.3 经济风险：寡头垄断但当我们思考实际落地的诸方面时才发现：通用大模型远非真正的“通用”工具，是只有巨头才可以拥有的独享“权杖”。为何大模型落地难？3 通用大

21、模型的治理风险评估35/55巨头垄断趋势明显高昂的训练和能源成本高不成低不就模型迭代需长期、大量人力投入所需数据量仅有巨头企业能满足存储数据模型的显卡至少价值200万元得体的交互应对背后是聚沙成塔式的细节更新能耗=126个丹麦家庭的年能耗之和二氧化碳排放=行驶70万公里训练消耗的总算力为3640PF-days，即每秒运算1千万亿次，需要运行3640天承担简单工作则入不敷出创造性岗位则难以胜任作为当前AI领域的前沿技术，在理论上，大模型拥有广阔的应用空间。3.3 经济风险：颠覆性变革产业重塑 用户可以通过打字或语音交互直接输入自己的需求。软硬件需要联合执行用户的指令，以自然语言协议为基础的物联网

22、通用协议将可能达成。影响构建通用协议 结合大模型的Bing搜索能实时抓取信息，对搜索涉及的事物进行自动关联，实现对制定旅行计划等开放性需求的回应。搜索引擎将整合搜素、浏览、甚至决策的功能。搜索功能整合变革优化变革颠覆3 通用大模型的治理风险评估36/553.3 经济风险：传统岗位替代 成熟的大模型计算能力更强，在文字处理和内容生成领域效率更高。技术密集型工作的本质是一套操作流程，经过训练的专用模型可以轻松掌握。目前在根据已有复杂数据做出判断和预测方面，大模型的能力不会比人类弱。为什么3 通用大模型的治理风险评估37/55经济风险：哪些岗位会被取代?内容生成型技术密集型数据预测型设计师广告制作律

23、师助理码农程序员稿件采编会计师市场分析师财务顾问数据分析师3.3 经济风险：世界分工重组世界分工重组 其他国家，尤其是广大发展中国家在通用模型的研发领域与美国差距甚大。综合实力最强的中国在模型迭代方面也有较大上升空间。基于自身先发优势，美国有能力构建一个新的、更固化的中心-外围结构。中心边缘结构固化 美国在算力、算法、芯片等关键领域都有较大优势，有能力创造出先进生产力的“精英+AI”模式。美国与中国、乃至全世界脱钩的成本大大降低，“小院高墙”足以自给自足。这将加剧技术保护主义思潮和逆全球化趋势。科技保护主义兴起3 通用大模型的治理风险评估38/553.41政治风险：政治决策政治决策风险 人工智

24、能无法完全理解和回应政治决策对象的情感诉求。大模型依据统计做出的政策建议或决策很可能回应性不足。大模型类人化程度极高，决策者和决策对象之间以此为媒介的沟通很难确认真实性。政治决策者与诉求表达者之间出现双向信任危机。政策决策忽视偏好问题政治决策信任度危机 大模型将可能替代部分人力进行政策建议甚至政治决策。政治决策者依赖大模型，导致政治治理能力下降及政策创新力匮乏。政治决策机制重塑危险3 通用大模型的治理风险评估39/553.41政治风险：舆论引导舆论引导风险 大模型的高度拟人化和使用便利性将强化公众对它的依赖，同时增强它对重大概念和事件的解释权。和国家的阐释权形成竞争，侵蚀国家权威性。技术霸权国

25、针对他国公众心理弱点，利用大模型输出意识形态偏好。针对目标国进行潜移默化的意识形态渗透和制度破坏，干涉他国内政。国家阐释权的趋弱意识形态武器化趋向 大模型的算法和数据的鲁棒性、透明度和可解释性弱。真实性存疑的输出结果持续影响公众政治判断和选择，隐蔽塑造公众舆论和观念。潜移默化引导公众舆论3 通用大模型的治理风险评估40/553.4 政治风险：监管失能 大模型出现的虚假和错误难以识别和监管。智能水军等造成巨大的监管压力。监管需求能力差距监管失能风险 大模型必须的高投入导致科技巨头寡头化趋势。巨头垄断将侵蚀国家治理能力。垄断侵蚀国家能力优化监管垄断3 通用大模型的治理风险评估41/553.4 政治

26、风险：国际关系动荡 大模型的高昂投入和先发优势导致少数优势大国的垄断趋势。围绕大模型的激烈竞争加剧优势国家的技术保护主义，弱势国家被迫选边站队，科技政治极化对抗风险激增。强化科技政治对抗国际关系动荡风险 大模型加剧广大弱势国家对少数优势国家的技术依赖。大模型强化了西方价值观隐蔽的支配地位，大模型成为推动价值观联盟形成的工具。助推价值观联盟优化极化联盟3 通用大模型的治理风险评估42/55通用大模型的风险应对策略044通用大模型的风险应对策略4 通用大模型的风险应对策略构建法律之治增强竞争能力加强市场应用防范失业风险推动教育改革消除政治风险44/554.11构建法律之治：基本原则 坚持以法治原则

27、应对大模型技术的潜在风险。引导大模型技术的应用与发展尊重和依循人类社会的良善伦理与价值。风险法治原则 充分考虑到保障社会创新活力的价值向度，切合技术发展实际和社会现实作出可执行的规制决定。合理限度的责任豁免规则和试验主义的监管方式或许是可探索的方向。创新激励原则 大模型服务提供者采取积极的、与技术水平相适应的风险控制措施。在迭代中不断优化大模型系统的价值敏感设计。积极责任原则 在现实个案、具体风险源或法益损害场景中寻求公正与平衡的解决方案。充分利用既有制度展开法律推理，避免形式主义和超越性的立法。场景公正原则基本原则4 通用大模型的应对策略45/554.1 构建法律之治：制度建构建设大模型服务

28、备案制度 经营者向公众提供大模型服务时，需向主管部门进行备案。对于备案的经营者，政府可提供有限的责任豁免、监管沙箱、避风港规则等政策予以激励。明确大模型服务提供者的积极责任 明确大模型服务提供者需承担积极采取与技术发展水平相适应的风险预防与控制措施的责任。及时响应和处理监管要求和权利主体提出的正式侵权通知。探索大模型服务避风港规则 对于大模型系统中可能存在的对个体权益侵权（如知识产权、人格权、数据权），探索适用通知-移除规则；设计大模型风险控制基金、保险等工具进行转移和补偿个体权益的损害。在场景公正中作出法律推理 追究大模型恶意利用者的责任；追究大模型服务商怠于履责的责任；做好大模型相关的专项

29、反垄断研判并细化取证流程。制度建构4 通用大模型的应对策略46/55 应对科技竞争风险的关键在于整体性创新机制的构设。整体性创新机制包括企业创新、制度配套和联盟学习。4.24 通用大模型的应对策略企业创新头部企业发挥冒险精神，承担社会责任，以技术变革的魄力引领产业整体水平的提升。制度配套联盟学习政府提供相关配套措施的大力支持，包括硬件基础设施建设、知识产权保护、专业投资预算和产业政策引导。政府、企业和科研机构都应该建设学习交流机制，通过吸收先进地区的经验来降低试错成本、加快技术研发。增强竞争能力：构设整体性创新机制47/55 应对科技竞争风险必须要在持续性创新基础之上推进。中国在创新基础上的独

30、特优势：不仅具备庞大的人口基数和海量数据，而且拥有强大的社会动员能力。4.2重点在于构建原创性的奠基式架构，而非在现有底层模型的基础上一味扩大模型规模。由政府牵头设立的“算力池”能够为大模型开发提供公共算力。公共算力基础算法原始创新数据是训练通用大模型所需的重要资源，中国需要在数据量和数据多样性上发挥独有优势。高质量数据库4 通用大模型的应对策略增强竞争能力：培育持续性创新基础48/554.3 加强市场应用：两个面向4 通用大模型的应对策略市场应用 1.链接技术与应用，拓展多重应用场景，降低市场准入门槛。2.实现产业纵向与横向的精准突破，满足开发工具建设、产品化升级与社区建设的全流程需求。通用

31、大模型作为前沿技术，在提升产业流程效率、引领产业智能化等领域都具有创造性作用。在实际应用环节，大模型依然面临重重阻碍。为应对大模型应用落地难的问题，我们提出了“一个核心、两个面向”的有效解决策略。核心产业需求 1.发挥社会主义市场经济的积极优势，以政府为主导，加强协作机制。2.积极推动中国企业以联盟或合作的方式开发开源大模型平台。资源优化面向面向49/554.3 加强市场应用：从生态到参与4 通用大模型的应对策略正高博士学位科技部门牵头头部企业群建立公共联盟搭建公共大模型平台工信部门牵头建立低代码开发工具促进上、中、下游企业全流程参与从生态到参与技术应用50/55 需要对通用大模型的“创新性破

32、坏”作用予以谨慎观察。密切关注通用大模型发展可能导致的三类失业现象，并需要提前准备综合性应对措施。4.4 防范失业风险4 通用大模型的应对策略综合施策连锁反应三类失业措施（一）结构性失业（二）技术性失业（三）非对称性失业经济发展受阻失业者增加社会不稳定增加综合施策（一）培训升级；税收优惠；兜底性失业保障政策（二）形成大模型“创造性效应”；建立失业预警制度；重建失业人群“动力系统”（三）组建“通用大模型技术共享联合体”；就业促进倾斜51/554.5 推动教育改革4 通用大模型的应对策略1.提高大模型学术应用的门槛2.利用智能技术克服学术不端3.与时俱进修改学术伦理规则强化学术伦理监管机制改革学校

33、教学考核制度以大模型助力教育创新1.各教学单位设立人工智能组织2.推动大模型技术助力教学工作3.鼓励大模型工具成为智能学伴1.推动教育方式和内容改变2.更改课程作业的考核方式3.增设数字素养课为必修课培养批判性思维增加口试和手写评估将AI教育设为必修课年龄门槛与局域网限制AI论文检测、水印处理制定AI生成式内容的学术规范52/554.61消除政治风险4 通用大模型的应对策略政治安全策略 形成合力，促进社会各方技术合作；加强监管，防范潜在舆论引导风险；有限应用，避免过度依赖技术决策；制定规划，合理引导行业健康发展。搭建合作平台，促进各国相关技术协作；制定国际规范，防范算法世界政治霸权；形成对话机

34、制，避免科技政治极化对抗；消弭数字鸿沟，合理引导后发国家进步。国内国际前提：保持战略清醒 警惕科技背后的社会割裂风险 警惕通用大模型成为舆论战场 警惕对通用大模型的盲目崇拜53/551报告团队 总负责人：高奇琦第一部分：王金良 朱剑 王佳璐 叶文杰第二部分：游腾飞 杜欢 杨宇霄 梁子晗 房虹宇第三部分：严行健 吉磊 寇菩菩 谢睿朋 李大琨 潘翌昕王诗羽第四部分：曾森 隋晓周 田月 梁兴洲 严文锋 仲新宇版面设计：李阳王佳璐54/55邮箱：电话：地址：上海市松江区龙源路555号华东政法大学明实楼230室发布日期：2023年2月25日华东政法大学政治学研究院华东政法大学人工智能与大数据指数研究院