李開復(fù)、張亞勤對(duì)談：大模型產(chǎn)業(yè)化，To B、To C哪個(gè)賽道更有機(jī)會(huì)？

6月15日消息，在第六屆“北京智源大會(huì)”上，零一萬物CEO、創(chuàng)新工場董事長李開復(fù)博士，中國工程院院士、清華大學(xué)智能產(chǎn)業(yè)研究院（AIR）院長張亞勤院士、智源研究院理事長黃鐵軍教授，三位行業(yè)領(lǐng)袖就大模型的成功因素、面臨的挑戰(zhàn)、產(chǎn)業(yè)化場景等多個(gè)熱點(diǎn)話題展開了深入的討論。

以下為討論內(nèi)容部分摘錄：

一、什么原因使得大模型如此成功？

黃鐵軍：近期關(guān)于大模型的討論特別熱門，從剛才的報(bào)告大家也感受到了大模型的能量以及其在各領(lǐng)域的應(yīng)用潛力，可以說大模型是至今為止人工智能發(fā)展最成功的一個(gè)技術(shù)方向。想請(qǐng)問兩位，是什么原因使得大模型如此成功？還有哪些欠缺的地方需要進(jìn)一步發(fā)展？

李開復(fù)：AI 2.0是有史以來最偉大的科技革命和平臺(tái)革命，大模型Scaling Law 的重要性在這個(gè)時(shí)代得以凸顯——人類能夠用更多計(jì)算和數(shù)據(jù)不斷增加大模型的智慧，這條被多方驗(yàn)證的路徑還在推進(jìn)中，還遠(yuǎn)沒有觸達(dá)天花板，這點(diǎn)也讓大家非常振奮。

第二，大模型的智慧來自于接近無損的壓縮，這點(diǎn)也非常重要。上世代的人工智能從業(yè)者很難想到今天會(huì)把壓縮和智能連接在一起。因?yàn)镾caling Law過程中不能盲目堆更多的GPU，所以需要有一個(gè)方法評(píng)估我們有沒有越做越好或者哪個(gè)方法做得更好。零一萬物內(nèi)部有嚴(yán)謹(jǐn)?shù)姆椒ㄕ?，用壓縮的理念去評(píng)估，讓以往漫無目的“煉丹”訓(xùn)模過程變得更系統(tǒng)也更有科學(xué)和數(shù)學(xué)根據(jù)。

大模型正面臨著一些挑戰(zhàn)。比方說，如果“僅僅用更多算力就能把它往前推動(dòng)”是主要方向的話，就會(huì)導(dǎo)致只有那些GPU資源豐富的公司和國家能夠在這方面勝出。但話說回來，我們已經(jīng)驗(yàn)證了，很多國內(nèi)大模型在部分案例里接近或者打平、或者偶爾超過美國的大模型。所以我認(rèn)為需要專注的是算法和工程創(chuàng)新一體化的推進(jìn)，以及怎么以這種能力避免進(jìn)入“盲目堆算力推動(dòng)模型性能提升”的狀態(tài)。

當(dāng)然，目前大模型還直面許多挑戰(zhàn)。就像每個(gè)技術(shù)剛誕生都會(huì)有問題，起初大模型也不知道最近一年發(fā)生了什么。還有記憶的問題、窗口構(gòu)成的問題、幻覺問題等等，但我們可以看到的是，當(dāng)全球如此多聰明的大腦涌入這個(gè)領(lǐng)域后，大部分問題不能說被完美地解決，但是都在逐步被攻克的過程中，所以我對(duì)大模型的未來相當(dāng)樂觀。

張亞勤：我講“三個(gè)做對(duì)了”的和“三個(gè)需要改進(jìn)”的 。

“三個(gè)做對(duì)了”的點(diǎn)是，首先，規(guī)模定律Scaling Law。規(guī)模定律的實(shí)現(xiàn)，主要得益于對(duì)海量數(shù)據(jù)的利用以及算力的顯著提升。再加上現(xiàn)在的Diffusion和Transformer架構(gòu)能夠高效地利用算力和數(shù)據(jù)，使得“飛輪效應(yīng)”得以正循環(huán)。盡管有人質(zhì)疑Scaling Law在2到3年后是否仍然有效，但我個(gè)人認(rèn)為至少在未來5年里，它仍將是產(chǎn)業(yè)發(fā)展的主要方向。

其次是“Token-Based”統(tǒng)一表述方式。在大模型中，“Token”是一個(gè)基本元素。無論是文本、語音、圖像、視頻，還是自動(dòng)駕駛中的激光雷達(dá)信號(hào)，甚至是生物領(lǐng)域的蛋白質(zhì)和細(xì)胞，最終都可以抽象為一個(gè)Token。Token之間的訓(xùn)練、學(xué)習(xí)和生成是核心環(huán)節(jié)，這與我們大腦中的神經(jīng)元工作原理相似，無論執(zhí)行何種任務(wù)，其基礎(chǔ)機(jī)制都是相同的。

最后是通用性。這與Token緊密相關(guān)?，F(xiàn)在的通用性不僅體現(xiàn)在文本處理上，還擴(kuò)展到了多模態(tài)領(lǐng)域，甚至可以生成如蛋白質(zhì)等復(fù)雜結(jié)構(gòu)。此外，它在物理世界（如具身智能）和生物世界（如生物智能）中也有著廣泛的應(yīng)用前景。以上這三個(gè)是大模型做對(duì)的。

現(xiàn)階段主要問題呢，第一個(gè)是效率較低。特別是大模型的計(jì)算效率低下問題，與人類大腦的高效性形成了鮮明的對(duì)比。

人類大腦擁有860億個(gè)神經(jīng)元，每個(gè)神經(jīng)元又有數(shù)千個(gè)突觸連接，卻只需要20瓦的能量，重量還不到三斤；而GPT-4這個(gè)萬億參數(shù)模型則需要巨大的算力和能源，與人腦相比相差1,000倍之多。

此外，人腦能夠根據(jù)不同的情境靈活調(diào)用不同區(qū)域的神經(jīng)元，而大模型卻每次輸入一個(gè)問題都要調(diào)用和激活幾乎大量參數(shù)。

因此，如何借鑒人類大腦的計(jì)算方法，在降低計(jì)算耗能、提高效率方面進(jìn)行探索和創(chuàng)新，是一個(gè)值得關(guān)注的方向。

第二個(gè)，大模型目前還未能真正理解物理世界，相關(guān)的推理能力、透明性以及開復(fù)剛才提到的幻覺等問題都還在深入研究中。

有一個(gè)重要的問題是，即使我們的大模型做得再好，它在生成式表述與對(duì)真實(shí)世界的描繪之間仍存在矛盾。因此，我們需要探索如何將生成式的概率大模型與現(xiàn)有的“第一性原理”或真實(shí)模型、知識(shí)圖譜相結(jié)合。

目前，雖然已經(jīng)有了一些嘗試，如采用RAG技術(shù)或進(jìn)行微調(diào)，并取得了一定的進(jìn)展，但我認(rèn)為這些方法并非根本解決方案。我預(yù)測，在未來五年內(nèi)，將會(huì)有一個(gè)全新的架構(gòu)出現(xiàn)，這個(gè)架構(gòu)有望取代目前的Transformer和Diffusion模型。

第三個(gè)欠缺的地方是邊界問題?，F(xiàn)在大模型無法知道“我不知道什么”，這是目前要解決的問題，是它的邊界效應(yīng)。

黃鐵軍：謝謝亞勤的“三個(gè)做對(duì)了”和“三個(gè)不足”。

剛才開復(fù)老師沒講，我想再追加問一下，有些人認(rèn)為大模型是一個(gè)實(shí)踐、是一個(gè)工程，是經(jīng)驗(yàn)主義做的東西，沒有理論基礎(chǔ)，說得不好聽叫“不靠譜”，不知道你怎么看這個(gè)問題？

李開復(fù)：我覺得科學(xué)和工程缺一不可。如果只做工程，不了解“第一性原理”，沒有數(shù)學(xué)的根據(jù)、沒法評(píng)估不同路徑的效果，考慮到高昂的算力成本，這樣的摸索肯定是做不出一個(gè)好模型的。但是如果只是在實(shí)驗(yàn)室里雕花，期待有工程人才把自己的論文做成產(chǎn)品，這也是不行的。

零一萬物的經(jīng)驗(yàn)是，每個(gè)做AI、做模型的Researcher要懂Infrastructure、都要懂推理、都要知道成本的問題。這樣當(dāng)你需要面對(duì)科研問題時(shí)，就知道在產(chǎn)品里需要的反應(yīng)速度有多快，要怎么實(shí)現(xiàn)，做完實(shí)驗(yàn)就能確保模型可以得到令人滿意的工程結(jié)果。訓(xùn)練模型的過程中絕對(duì)不只是寫Paper，還要同時(shí)考慮怎樣系統(tǒng)化、工程化地做數(shù)據(jù)工程，因?yàn)閿?shù)據(jù)的訓(xùn)練、數(shù)據(jù)的篩選是非常重要的。還有底層的AI Infrastructure，GPU這么昂貴，如果把一張當(dāng)成兩張、三張使用，任何公司都會(huì)得到好處，所以科技和工程這兩方面缺一不可。

二、大模型產(chǎn)業(yè)化To B、To C哪個(gè)賽道更有機(jī)會(huì)？

黃鐵軍：大家關(guān)心AI2.0，大模型產(chǎn)業(yè)化最大的場景在哪里？移動(dòng)互聯(lián)網(wǎng)這么多年，To B、To C ，這兩個(gè)大賽道哪個(gè)更有機(jī)會(huì)？為什么？

李開復(fù)：簡單來說，在中國To C 短期更有機(jī)會(huì)，國外兩者都有機(jī)會(huì)。To C方面，就像移動(dòng)互聯(lián)網(wǎng)、PC時(shí)代里，一個(gè)新技術(shù)、新平臺(tái)帶來新應(yīng)用，大模型同樣如此，這是巨大的機(jī)會(huì)，但是這些應(yīng)用的出現(xiàn)一定是按部就班的。

我認(rèn)為AI 2.0 時(shí)代會(huì)和PC、移動(dòng)互聯(lián)網(wǎng)時(shí)代一樣，第一個(gè)階段應(yīng)該是生產(chǎn)力工具，包括信息獲??；第二個(gè)階段可能會(huì)是娛樂、音樂、游戲，第三個(gè)階段可能會(huì)是搜索；再下一個(gè)階段可能會(huì)是電商；然后可能會(huì)有社交、短視頻、O2O的應(yīng)用出現(xiàn)。

一個(gè)理由就是剛開始應(yīng)用要能夠賺錢、能夠解決問題，所以第一波潮流會(huì)是生產(chǎn)力工具，但越往后，難度越高——高用戶量的應(yīng)用商業(yè)模式往往是先堆積用戶再找變現(xiàn)模式，所以應(yīng)用成本一定要很低，試錯(cuò)難度很大、所需要的投資也更多。

我認(rèn)為遞進(jìn)的模式不會(huì)有特別大的改變，To C應(yīng)用會(huì)從生產(chǎn)力工具一步步走向短視頻類應(yīng)用。To C確實(shí)會(huì)產(chǎn)生大量的用戶，但這不是說不能用大模型來做產(chǎn)品，只是在普及順序上會(huì)按照這六個(gè)階段進(jìn)行。

當(dāng)然，這個(gè)過程中也有挑戰(zhàn)，在大模型領(lǐng)域做應(yīng)用跟PC、互聯(lián)網(wǎng)時(shí)代不一樣，因?yàn)橥评沓杀具€太貴。最近零一萬物提出了TC-PMF概念（技術(shù)成本??產(chǎn)品市場契合度），這個(gè)概念是指，當(dāng)你考慮PMF時(shí)，還要把技術(shù)的需求、實(shí)現(xiàn)難度和成本考慮進(jìn)去。

做應(yīng)用一定要考慮到剛才這六個(gè)階段誰先誰后、什么時(shí)候做、提早做。第二，做應(yīng)用的時(shí)候還要綜合考慮到當(dāng)時(shí)的技術(shù)夠不夠好，成本是否足夠低，所以大模型To C應(yīng)用不像過去移動(dòng)互聯(lián)網(wǎng)時(shí)代，產(chǎn)品經(jīng)理一個(gè)人就可以做主，它需要做Infrastructure、做推理引擎的人、一起打磨TC-PMF。這件事難度高，但是回報(bào)也高，機(jī)會(huì)也更大。
最后我想講，在To C方面，我不相信技術(shù)可以永久領(lǐng)先，事實(shí)上技術(shù)帶來的領(lǐng)先窗口非常短暫，一旦巨頭看到你驗(yàn)證了PMF，他們會(huì)有很多方法超越你。一旦你驗(yàn)證了TC-PMF，要把握時(shí)間窗口把品牌打出來，最終勝出的To C應(yīng)用不只是需要有技術(shù)優(yōu)勢，還需要在時(shí)間窗口內(nèi)打造持續(xù)優(yōu)勢，比如品牌優(yōu)勢，比如社交鏈，比如用戶數(shù)據(jù)，讓用戶不能離開你這個(gè)平臺(tái)。在微信強(qiáng)大的時(shí)代里抖音能被做出來，就是因?yàn)樗プ×诉@個(gè)時(shí)間窗口。

再講一下To B的應(yīng)用。大模型有可能在To B方向上帶來更大價(jià)值，而且能夠比To C更快實(shí)現(xiàn)，但是To B這個(gè)領(lǐng)域有幾個(gè)挑戰(zhàn)。

第一個(gè)挑戰(zhàn)是大公司、傳統(tǒng)公司不是很敢采取顛覆式技術(shù)，大公司會(huì)習(xí)慣每年增長5%預(yù)算，做和去年一樣的事情。

第二個(gè)挑戰(zhàn)在中國比較嚴(yán)重，許多大公司沒有認(rèn)識(shí)到軟件的價(jià)值，為軟件付費(fèi)意的意識(shí)有待進(jìn)一步提高。現(xiàn)在有許多大模型公司在競標(biāo)時(shí)越競越低，做到最后做一單賠一單，都沒有利潤。我們?cè)贏I 1.0時(shí)代曾見過這個(gè)現(xiàn)象，現(xiàn)在它在AI 2.0時(shí)代又重現(xiàn)了。這種心態(tài)導(dǎo)致部分大公司只愿支付很低的價(jià)格，大模型公司也只能給出折中的方案，達(dá)到驚艷效果的寥寥無幾。

零一萬物堅(jiān)決做To C，不做賠錢的To B，而是做能賺錢的To B。所以零一萬物在To B方面精挑細(xì)選，找那種公司上下都愿意擁抱新概念的公司，也為它們?cè)O(shè)計(jì)了 RAG 知識(shí)檢索、專有云、微調(diào)等方案，在國內(nèi)國外都有嘗試。
無論To C還是To B，API都很重要，最近國內(nèi)很多模型降價(jià)了，零一萬物也推出了接入國際SOTA成績Yi-Large大模型的API，也希望有機(jī)會(huì)可以跟各位合作。這個(gè)API背后的模型能力大概接近GPT-4o，但是價(jià)格是GPT-4的四分之一，我相信這可以幫助更多公司或者創(chuàng)業(yè)者達(dá)到所謂的TC-PMF。

黃鐵軍：謝謝開復(fù)老師對(duì)To B、To C的分析，很透徹。亞勤，剛才關(guān)于To B的觀點(diǎn)，大家還有一個(gè)非常關(guān)心的問題，大模型產(chǎn)業(yè)的最大場景會(huì)在哪里？To B、To C在什么地方能夠落地發(fā)揮作用？

張亞勤：在應(yīng)用和服務(wù)層面，先面向消費(fèi)者（To C）再面向企業(yè)（To B）。To B的周期相對(duì)較長，而To C的應(yīng)用產(chǎn)品則可以迅速推出，這與過去的PC互聯(lián)網(wǎng)和移動(dòng)互聯(lián)網(wǎng)的發(fā)展路徑基本一致。在基礎(chǔ)設(shè)施層，目前真正盈利的主要集中在To B領(lǐng)域，特別是在芯片、硬件、服務(wù)器等。像英偉達(dá)、AMD等芯片制造商，以及服務(wù)器、HBM存儲(chǔ)、InfiniBand和NVLink等相關(guān)技術(shù)的提供商，他們目前是盈利最多的。

關(guān)于AI路徑，我在過去十年中一直強(qiáng)調(diào)三個(gè)關(guān)鍵領(lǐng)域：首先是信息智能，其次是物理智能（現(xiàn)在流行的術(shù)語是具身智能），最后是生物智能。在具身智能階段，To B的應(yīng)用可能會(huì)比To C更快落地。然而，在生物智能階段，情況可能相反，To C的應(yīng)用可能會(huì)先于To B出現(xiàn)。盡管每個(gè)領(lǐng)域的具體情況可能有所不同，但總體來看，無論是To C還是To B，都將存在開源模型、商業(yè)閉源模型、基礎(chǔ)大模型，以及針對(duì)垂直行業(yè)模型和邊緣模型。

生成海報(bào)

免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請(qǐng)進(jìn)一步核實(shí)，并對(duì)任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對(duì)有關(guān)資料所引致的錯(cuò)誤、不確或遺漏，概不負(fù)任何法律責(zé)任。任何單位或個(gè)人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識(shí)產(chǎn)權(quán)或存在不實(shí)內(nèi)容時(shí)，應(yīng)及時(shí)向本網(wǎng)站提出書面權(quán)利通知或不實(shí)情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后，將會(huì)依法盡快聯(lián)系相關(guān)文章源頭核實(shí)，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。