黄仁勋：对于文本和图片方面的深度学习，如果我们想要人工智能智能去理解其背后的逻辑，甚至夸张的说，是理解这个世界的基本原理——比如我们人类日常一句话的表达方式，比如说有一个词其实有两种含义，声音的高低变化，其实都代表着两种不同的语气。在说话的语言和语调方面，会不会对AI去理解文本有一定帮助呢？

伊尔亚-苏茨克维：是的，你说的这类场景非常重要。对于语音和语调，包括声音的大小和语气，都非常重要的信息来源。

黄仁勋：GPT-4在哪些内容上比GPT-3做出了更多的进步，可以举个例子吗？

伊尔亚-苏茨克维：比如说在一些数学竞赛上（像高中数学竞赛），很多问题是需要图表来解答的。GPT-3.5对于图表的解读做得特别差，而GPT-4只需要文本就可以解读，准确率有很哒的提升。

黄仁勋：你之前提到，AI能够生成各种不同的文本来去训练另外一个AI。比如说，在所有的语言之中一共有20万亿不同的语言计数单位去培训语言模型，那么这个语言模型的培训到底是什么样的？AI是否可生成出只属于AI的数据来去自我培训？这样的形式看起来是一个闭环的模型，就像我们人类通过自己不断地去学习外部的世界、通过自我反思、通过解决问题来去训练我们自己的大脑。你怎么看这样一个合成生成过程，以及AI的自我学习和自我培训呢？

伊尔亚-苏茨克维：我不会低估这个部分已经存在的数据，甚至我认为这里面存在的数据要比我们意识到的数据更多。

黄仁勋：是的，这也是我们在不断展望的未来中去思考的事情，相信总有一天，AI能够自己去生成内容、进行自我学习，并且可以自我改善。你是否可以总结一下我们现在处于什么样的发展阶段？以及在不远的将来，我们的生成式AI能够达到什么样的情况？对于大语言模型，它的未来是什么？

伊尔亚-苏茨克维：对我来说，预测未来是很困难的。我们能做的就是把这件事，持续做下去，我们将会让大家看到更多令人感到惊艳版本的系统。我们希望能够去提高数据的可靠度，让系统真正能够获得人们的信任。如果让生成式的AI去总结某一些文本，然后得出一个结论。目前AI在解读这个文本过程中，还没有完全去验证文本的真实性以及文本所说的信息的来源，这一点是很重要的。接下来我们对于未来的展望，就是让神经网络必须要意识到所有数据来源的真实性，让神经网络意识到用户每一步的需求。

黄仁勋：这种技术希望能够展现给人们更多的可靠性。我还有最后一个问题，你觉得第一次使用ChatGPT-4的时候，有哪些性能让你觉得是很令人惊艳和震惊的？

伊尔亚-苏茨克维：对比之前的ChatGPT版本，神经网络只会回答问题，有的时候也会误解问题，回答上很不理想。但是GPT-4基本没有再误解问题，会以更快的方式去难题，能够去处理复杂的艰难的任务，这个对我来说特别有意义。举例子来看，很多人意识到ChatGPT能够写诗，比如说它可以写押头韵的诗，也能够写押尾韵的诗。并且它能够去解释笑话，能明白这个笑话背后到底是什么样的意义。其实简而言之，就是它的可靠性更好了。

我在这个行业从业差不多二十多年了，让我认为“惊艳”的特点，就是它本身存在的意义，是可以给人类带来帮助的。它从最开始毫不起眼的工作领域慢慢成长，变得越来越强。同样的一个神经网络，通过两种不同的方式来培训，能够变得越来越强大。我也经常会发出疑问和感叹：这些神经网络是如何去成长如此之迅速的？我们是不是需要更多的培训？它是不是会像人脑一样不断成长？这让我感觉到它的伟大，或者说让人感到特别惊讶的方面。

黄仁勋：回想过去我们也认识很长的时间了，你将整个职业生涯都奉献给了这个事业，看到你在GPT和AI方面有所建树。今天跟你交流让我更清楚地了解了ChatGPT工作的逻辑，这是对于ChatGPT和Open AI最为深入、最为艺术的一种解释。今天很高兴能够再次跟你交流，谢谢！