智東西
編譯 陳駿達
編輯 李水青

微軟AI首批自研大模型來了！

智東西8月29日報道，今天，微軟旗下的AI研究機構微軟AI（Mircosoft AI，簡稱MAI）推出了首批兩款全自研AI模型，分別為MAI首款端到端訓練的基礎模型MAI-1-preview和首款語音生成模型MAI-Voice-1。

MAI-Voice-1的發布時機十分湊巧，OpenAI也在今天發布了一款語音模型。MAI-Voice-1可提供高保真、富有表現力的音頻，已經在Copilot Daily和Podcasts上線，還可在Copilot Labs進行體驗。

在智東西進行的實測中，這一模型展現出超高的定制化程度：用戶不僅可以選擇情緒模式、聲音模板，還至少有40種語體風格可供選擇。除了常見的喜悅、憤怒、悲傷、惡心、恐懼等情緒模板，模型還可以扮演機器人、海盜、吸血鬼、新聞主播、貓頭鷹等不同角色，對同一段文本進行自主改寫和演繹，可玩性超強。

每一個角色都有各自獨特的說話方式、口癖等。貓頭鷹會不停地“咕咕”叫，機器人有一種“活人微死”的感覺，新聞主播則一本正經。這些角色都是在統一聲音模板的基礎上呈現的，展現出很強的可塑性。

MAI-Voice-1生成速度也較快，微軟稱能在單款GPU上運行，一秒鐘輸出一分鐘的音頻。不過，這一語音模型暫時不支持中文輸出，輸入中文時會自動轉為英文。

▲輸入中文文本后，也會自動轉為英文

體驗鏈接：

https://copilot.microsoft.com/labs/audio-expression

MAI-1-preview是一款混合專家模型，大約在1.5萬個英偉達H100 GPU上完成了預訓練和后訓練，主打指令遵循和日常問題解答等能力。

這一模型已經在LMArena（大模型競技場）內進行盲測，不過，智東西進行了多次“抽卡”，都沒能體驗到這一模型。未來幾周內，MAI-1-preview將會應用于Copilot的部分文本場景，以獲取反饋，優化用戶體驗。

新模型發布之際，微軟AI CEO Mustafa Suleyman還接受了媒體Semafor的深度專訪，向外媒揭秘了自研大模型背后的考量，并正面回應了外界普遍存在的關于微軟與OpenAI關系漸行漸遠的看法。

▲Mustafa Suleyman在微軟發布會上（圖源：微軟）

MAI成立于2024年3月，是微軟推進Copilot和其他消費者AI產品和研究的專門機構。MAI的CEO Suleyman曾擔任DeepMind聯合創始人兼應用AI部門負責人一職，隨著DeepMind被收購而加入谷歌，并在2022年離職創辦大模型創企Inflection AI。

2024年初，Infection AI與微軟達成6.5億美元“人才收購”的交易方案，Suleyman與大部分員工加入MAI，14個月后，他們交付了第一款自研模型。

Suleyman稱，AI對微軟的業務有根本性的意義，而自研模型計劃早在14個月前便已開始。他們會繼續與OpenAI等企業合作，也會使用開源模型，但重要的是確保始終有選擇權。

MAI-1-preview被Suleyman定義為“人格原材料”，也就是說，模型可以在融入產品的過程中，表現出各種不一樣的人格特點。通過后訓練、提示詞工程等方法，未來的大模型可以涌現出“數百萬種”不同的人格。

微軟擁有打造強大模型所需的資源，正在構建世界上最大規模的GB200、GB300集群，也能順利地招募到人才。但Suleyman強調，規模固然重要，但效率同樣關鍵。這意味著要精挑細選高質量訓練數據，讓每一次浮點運算、每一次GPU迭代都物盡其用。

Suleyman還在訪談中分享了對“可解釋性”研究的看法，他認為模型本質是空心的，可解釋性研究有意義，但并不會揭示所謂意識的本質。

以下是對Suleyman最新訪談的完整編譯：

一、OpenAI不是唯一解，模型不是未來核心知識產權

主持人：我很好奇，為什么微軟需要擁有自己的端到端預訓練基礎模型，而不是使用來自OpenAI等公司的這些其他模型呢？

Mustafa Suleyman：這是一個很好的問題。我們是世界上最大的公司之一，而AI是未來，不僅是技術的未來，也是我們在未來幾十年中進行交易、開展業務和創造價值的方式。

因此，這對微軟的業務來說具有根本性的意義，必須具備內部的專業能力，去打造世界上最強大的模型。這就是我們在大約14個月前加入微軟后不久，就開始著手自研模型工作的原因。這是一段非常令人興奮的時期。

主持人：這次你們發布了兩款模型。一個是MAI-1-Preview，據我理解，這是一個大型語言模型（LLM）。然后還有一個語音模型，它們是兩個獨立的模型嗎？

Mustafa Suleyman：是的，它們是兩個獨立的模型。我們的語音模型表現非常出色，流暢、干凈，而且富有表現力。我們希望確保微軟始終有多種選擇：會繼續使用第三方開發者的模型，當然也會長期使用OpenAI的模型。同時我們也在用開源模型，并會堅持這樣做。

我認為未來的關鍵知識產權在于編排器——它將決定在處理某類查詢時該調用哪個模型。這就是我們12到15個月前確立的方法，也是我們現在所走的路線。

主持人：編排器，是不是意味著它會自動幫用戶選擇最合適的模型？

Mustafa Suleyman：可以把編排器理解為一個路由器，負責決定在何時將哪個請求交給哪個模型。

主持人：外界可能會把你們發布新模型解讀為微軟和OpenAI的關系出現疏遠，或者說兩者關系變冷。你怎么看？合作依然緊密嗎？

Mustafa Suleyman：我們的目標是進一步深化與OpenAI的合作，確保這種關系能持續很多年。到目前為止，這種合作是非常成功的——他們從中獲益很多，我們也是。我希望并且有信心我們會繼續合作，我對此沒有任何擔憂。

二、集群量級小于業界頂級規模，盡量避免在無意義token上浪費算力

主持人：你們公開披露模型是用15000張H100 GPU訓練的，這很有意思，因為很多公司通常對此守口如瓶?，F在有些公司動用的是10萬張H100 GPU，而且我們已經在邁向下一代GPU。你覺得是否可能用更少的GPU達到同樣的效果？

Mustafa Suleyman：我認為我們已經證明了這是可能的。如今一個15000張GPU的集群，相比其他動輒使用數倍規模的來說，算是小的了。但即便如此，我們依然能獲得世界級的性能。

這是一個超越其重量級的模型，表現不亞于世界上最頂尖的模型。而且這只是開始。一旦模型進入生產環境，開始收集反饋，迭代過程將顯著提升性能。我們的團隊已經做得非常好，這是一個重要的里程碑，但對我們來說這只是起點。

主持人：那你們有沒有特別針對某些基準測試？

Mustafa Suleyman：我們在各種主流基準測試上都進行了訓練。如今模型必須具備通用性，尤其是文本任務。同時我們也在逐漸擴展到多模態，因為多模態能讓模型在更多數據上學習，從而表現得更好。我們對未來的發展持開放態度。

主持人：那MAI是否已經具備你所需要的資源？是不是GPU越多越好？

Mustafa Suleyman：我們剛剛開始在GB200上進行訓練和測試。微軟正在構建世界上最大規模的GB200、GB300集群之一。它們會為OpenAI提供支持，也會服務于MAI以及我們的付費推理合作伙伴。

我們有一個為期五年的宏大路線圖，每個季度都會持續投入。這種趨勢還會繼續下去。

規模固然重要，但效率同樣關鍵。這意味著要精挑細選高質量訓練數據，讓每一次浮點運算、每一次GPU迭代都物盡其用。

如今訓練模型的關鍵在于數據選擇——避免在無意義的token上浪費算力。我們的新模型證明了，在極高效率的前提下，也能取得一流的表現。

三、MAI-1-Preview是“原材料”，可打造出大量人格

主持人：那么，使用這些模型的體驗如何？幾周前你寫了一篇文章，討論了“近似有意識”的AI，你提醒我們要避免這種情況。但在Inflection和微軟，你們也強調過讓模型具備同理心、擁有讓人樂于交流的人格特質。這篇文章是不是意味著方向要調整？

Mustafa Suleyman：不，并不是。首先要認識到，人類所具備的很多能力——不論是智商（IQ）、情商（EQ）、行為能力，還是社交智能（SQ）——本質上都是高度可訓練的。模型也會逐漸獲得這些能力，這是它們的“默認”發展方向。

模型通過模仿學習，而它們擁有海量的模仿數據可用。作為“雕塑家”，我們正在塑造它們的知識、人格特質、行為能力和社會智能。

關鍵問題是：哪些能力是我們希望模型擁有的？哪些是我們不希望它們擁有的？我們如何發現潛在的副作用，并以負責任的方式進行迭代？

我寫這篇文章的目的，就是提醒大家：盲目追求模型模仿人類的全部能力，存在實質性的風險。我們必須從現在開始認真思考，而不是等到問題真正出現才去補救。這也是我職業生涯的核心目標之一——推動大家去思考兩三年后可能會發生什么，而不是忽視它。

我們需要認真面對AI進入社會后會帶來的影響。

主持人：雖然你說那一步還沒到，可能要幾年后，但最近新聞里出現了OpenAI和Character.AI遭遇的訴訟，指控聊天機器人導致自殺。你覺得這是不是你文章中提到的風險？這是你擔心的情況嗎？

Mustafa Suleyman：我認為未來會出現各種難以預料的突發效應。我們能做的，就是提前思考可能性，并在發現問題時及時公開，認真對待，并推動社區開發者迅速采取行動。

回顧以往的技術發展，很多時候潛在風險都會被回避，導致反應遲緩。我認為這一次我們必須謹慎、主動，同時盡可能快速地推進技術落地，并把好處惠及世界。

主持人：和MAI-1或語音模型交流時，會有特定的感覺嗎？你們的目標是什么？是讓人感覺像在和一個善良、有同理心的人對話，但又不至于假裝是人類嗎？你們如何保持這種平衡？

Mustafa Suleyman：MAI-1-Preview可以被看作是“人格原材料”。最終的產品——無論是Copilot還是其他應用——都會被塑造出特定的人格和對話風格。

我預計社區和開源開發者會非常積極地嘗試各種不同的人格。我相信未來會出現數以百萬計的版本，就像現實中存在數以百萬計的個人、品牌和組織一樣。

每當人類發明或發現一種新的交流媒介，都會催生大量變體。這一次也不例外。過去兩三年，大模型大多只有一種或極少數幾種人格。有些開發者嘗試過角色設定或花哨的個性化，但在大型企業產品中依然很少見。我預計未來幾年這種情況會發生根本變化，這正是我在博客中呼吁大家注意的。

主持人：聽起來在預訓練階段幾乎沒法做什么，這些工作只能在后訓練里處理。

Mustafa Suleyman：是的。預訓練階段基本無法干預。后訓練，甚至提示工程，都是非常強大的方法，而且操作并不復雜，很多人都能做到。

因此，我們應該預期未來會出現數百萬種不同的人格，各自有不同的背景故事和能力。這會讓AI產品與以往的技術和產品截然不同。

四、大模型是空心的，追求可解釋性是在“擬人化”

主持人：當你談到塑造時，有些人稱訓練大模型幾乎就像種地一樣，在培育一個模型。在模型變得更有能力，更大之后，為了實現你的上述目標，是否需要更深入地理解模型呢？比如解決黑箱問題，深入到單個神經元中，以實現這個目標呢？

Mustafa Suleyman：我覺得是有可能需要的。但同時，我有一種直覺，認為對“可解釋性”的執著其實是一種擬人化的想法。

它假設在生成語言、模擬體驗的過程中，語言背后必然有某種“實體”，但在我看來并沒有。事實很清楚：一個簡單的預測引擎就能以極其深刻的方式模擬出體驗和互動。

但這并不意味著在大型語言模型內部真的發生了某種根本性的“體驗”。它只是幾乎完美地模仿了體驗的特性。而這就是模仿和真實體驗之間的根本區別。

我們人類和其他動物的意識，其實是基于對感官輸入的第一手、實時的體驗，對它們進行存儲、處理、適應，然后再基于此生成預測。

在我看來，大語言模型是“空心”的。試圖去探索它們的內部運作機制，某種程度上也是一種擬人化。

當然，這是一個有趣的科學探索，應該繼續做下去。但它不太可能揭示出某種根本性的“意識的本質（Consious Truth）”。而這正是一些學者或開發者開始探討的東西。我認為這種探索是錯誤的，也是過早的。

主持人：但即使它們是“空心的”，它們在規模變大、技術改進時，確實會變得更強。所以當它們更強大、更龐大、更難理解時，你認為它們會不會在某種程度上變得難以控制，甚至在后訓練階段也無法掌控？

Mustafa Suleyman：我不這么認為。就像我在博文中寫的那樣，我看不出這些系統會出現某種“欲望”、“動機”或“意志”的涌現屬性的理由。

我沒有理由相信這種情況會發生。從歷史上看，這些特質的出現是因為我們有“戰或逃”的本能，為了生存而對環境作出反應。

后訓練的好處就在于，它是一種經過反復驗證、非常可靠的方式，可以用來塑造特定的行為。因此，我認為作為模型開發者，我們的責任是仔細思考：哪些行為要通過后訓練去抑制，哪些行為要去放大。

這不會自然而然、涌現式地發生。如果會發生，那一定是因為人們刻意地將這些特性工程化地植入系統。因為模型并沒有真正的體驗，它們只是高質量地模擬對話而已。所以好消息是，我認為我們在這些事情上仍然有很大的控制力。我們可以在積極降低風險的同時，盡可能發揮它們的優勢。這就是目標。

五、招募人才沒遇到瓶頸，MAI飛輪已經開始旋轉

主持人：你們在新聞稿里其實也提到過——“來和我們一起工作吧，我們正在做很酷的事”。招募人才一直是AI行業的一個大問題。你們在這方面情況如何？能不能以理想的薪資招到你們想要的人才？

Mustafa Suleyman：當然可以。我們有一支非常出色的團隊。從Inflection帶來了一個極其強大的團隊，此后也從各大實驗室招聘到了一批優秀的人才。

我認為我們的招聘非常順利。而且我們一直很謹慎，不會增長得過快或過大。其實在這里，你只需要相對較小的團隊，就能做出高質量的工作。

與此同時，我們的團隊也正在成長到數百人規模，所以在招聘上我們處在一個很好的狀態。

主持人：那你們在吸引年輕的博士生時，通常是怎么說服他們？為什么要選擇來這里，而不是去OpenAI或DeepMind？

Mustafa Suleyman：我認為世界上最優秀的人才，想要做的是那些真正有影響力的工作，能帶來改變、能做出優秀產品，同時解決如何高效實現目標的技術挑戰。

而我們已經證明了：我們能夠挑選非常高質量的訓練數據，用相對有限數量的GPU，打造出世界級的模型。

我覺得這就是一張很有吸引力的名片，能讓更多人愿意加入我們的團隊。我相信這只是我們未來幾個季度將推出的眾多模型中的第一個。我很期待繼續打造一支優秀的團隊。

主持人：我很好奇，在這次發布之前有報道說模型出現了延遲、遇到問題，早期沒能達到預期的能力。你們從中學到了什么？

畢竟這是微軟首個完整的端到端基礎模型。是不是很大的挑戰？有沒有收獲很多？

Mustafa Suleyman：是的，毫無疑問。構建如此規模的集群、在如此龐大的數據上進行訓練，總是很大的挑戰。

它需要大量的調試和迭代，需要來回折騰，需要耐心，還需要謙遜。每一家實驗室都經歷過這種過程，通過多次迭代才推出新版本。

但我認為我們擁有一支非常優秀的團隊，會繼續不斷迭代，把新的優秀模型推向世界。我對未來充滿期待，因為我們現在已經讓自己的“飛輪”轉了起來，接下來會有很多非常有趣的事情發生。

六、核心模型仍需繼續迭代，不排除開源可能

主持人：你之前在Inflection做過類似的事，再之前你在DeepMind，但那時還沒有大家都在搞十萬級GPU集群的規模。所以那些經驗能直接遷移過來嗎？還是說每家公司都有自己的一套風格或挑戰，需要重新學習？

Mustafa Suleyman：這是個好問題。歸根結底，這一切都是在于建立一種偉大的文化。文化吸引團隊，團隊打造模型，而團隊的價值觀最終會體現在我們做出的模型和產品中。

所以我們正在努力建設一種友善、支持性強、可持續的文化，同時專注于技術卓越，盡可能做到最好。

很多人會覺得這非常令人滿足，尤其是當我們的產品能夠觸達數十億消費者、數十萬大小企業的時候。能讓技術惠及這么多人，本身就是很令人滿足的事。

主持人：說到這里，你們預計什么時候能把這些模型真正應用到微軟龐大的產品網絡里？

Mustafa Suleyman：很快。我們還需要在核心模型上繼續一些迭代，然后當然要做大量的后訓練，把它們應用到不同的產品領域，并讓它有可能通過Foundry API提供給外部開發者使用。這一切都在推進中，很快就會發生。

主持人：你提到過你們從開源世界學到了很多，但這個模型本身不是開源的。未來會不會開源？還是說這并不是你們的方向？

Mustafa Suleyman：有可能。我們保持開放的態度，畢竟現在也有很多優秀的開源模型。我認為第一步是看看它在我們產品中的表現，收集反饋，進行迭代，然后可能會提供給其他客戶使用。我們現在正在考慮所有這些事情。

主持人：剛才還提到了GB200集群。那么MAI-2已經在路上了嗎？是不是一年內就能看到？接下來是什么？

Mustafa Suleyman：是的，我們已經在做下一個模型了，規?？隙ǜ螅柧毞桨干弦矔幸恍┬碌恼{整。一切都在進行中，未來幾個月、幾年會有很多新東西。