肛门是什么意思

记得当 Chat GPT 首次出现时，有人猜测这或许是 AI 的再一次「昙花一现」。

不过，了解科技爆发周期的人，会知道 AI 绝对不会止步于此。前日凌晨，Open AI 发布了最新杰作——GPT-4o。以其突破性的智能交互能力，彻底颠覆了我们对 AI 语音助手的认知。这不仅是技术的飞跃，更是人机交互历史上的一大步。

在昨晚刚结束的谷歌 I/O 发布会上，谷歌携新版 Gemini AI 大模型等产品，试图在 AI 赛道上重新夺回主动权，在两个小时中「吼出」了 121 次 AI。

现在，AI 已然成为科技讨论的中心。

很多人都在关注，AI 的大战中谁会胜出？做 AI 的创业者到底应该怎么做？技术爆发之下潜藏着哪些危与机？

今日，在「AI 创生时代——2024 甲子引力 X 科技产业新风向」大会上，金沙江创业投资基金主管合伙人朱啸虎、猎豹移动董事长兼 CEO、猎户星空董事长傅盛、出门问问创始人兼 CEO 李志飞、清华大学电子工程系教授、系主任、国家自然科学基金杰青、IEEE Fellow、无问芯穹发起人汪玉、摩尔线程创始人兼首席执行官张建中。5 位涵盖投资人、产业、专家的各具特色的嘉宾共聚一堂，围绕着目前人工智能的现状以及核心竞争力，一起探讨中国 AI 的未来风向。

2024 年 AI 的整体趋势变化是什么？

「更为平静」是李志飞给出的关键词。2023 一年中，新概念、新词汇、新知识层出不穷。比如在 3 月份，作为业内人士的李志飞还没有听过 AI Agent 这个词汇，但到了 4、5 月份所有人都在围绕 Agent 进行讨论。同时，行业不断推出新的大模型，对于新的知识和讨论非常热闹。今年来看，能够让人兴奋的一个是 Sora，一个是人形机器人。行业感受更为平静。

「卷」是傅盛认为的关键词。2023 年 AI 训练模型出现一次又一次，其中指标一个比一个高。前不久，GPT-4o 发布，很多人都认为非常震撼。但在 Open AI 并没有发布 GPT5 或者 GPT 4.5，进行大模型性能的巨大提升，而是开始卷应用、工程化、成本。没有持续提升大模型性能的背后，傅盛认为是算法的更新遇到了瓶颈。

「无限可能」是汪玉写出的关键词。他表示，高校中越来越多的年轻人，开始尝试 AI。4 月，清华大学成立了人工智能学院。围绕 AI 的两个方面，AI core 方面包括算法的演进有很多企业都在进行升级；AI plus 方面，各行各业都开始动起来，想要找到 AI 在行业内的发力点。

「想象」则是张建中的关键词。他说到：「贫穷限制想象。」大部分人都是贫穷的，对于创业公司来说，融资几个亿、十个亿看似很多，但也无法支持建设算力中心。哪怕是 Open AI 非常有钱，但它的算力资源同样不够。因此，关键在于解决因为贫穷没有资源，导致公司无法去试验，无法去迭代的关键问题。

「商业化质量」是朱啸虎作为投资人的关键词。他认为，在国内创业不要过度追求技术问题，因为技术迭代非常快。关键是公司能不能达到商业化，产品交付给客户。有很多「日抛」型的 AI 产品，正是因为没有达到商业化要求，客户在首次登陆后不会持续使用。因此，AI 创业中达到商业化要求十分重要。

未来 AI 流派：技术信仰派 or 市场信仰派

张建中认为 AI 的发展需要依靠的是行业和技术。行业先行，任何技术创新如果没有行业，那么就无法商业化。先行行业可能是 AI 最新改造和加快创新的地方。AI 能够在很多行业具有很好的商业化价值。

他举例说到，早期的人脸识别，准确度在 60% 左右，在深度学习后能够达到 90% 的准确度。再到后面，商业化落地后，人脸识别甚至比人能够辨认得更加精准，人眼分不出的双胞胎，AI 可以做到。

目前国内很难进行不考虑商业回报的研发，所以行业一定要先行。但行业先行有先天条件，需要跨领域、跨专业的人才。如果 AI 要在某个领域发展，那就需要既懂专业知识，又懂 AI 知识的人才。行业先行的背后，还是人才驱动行业发展。

「长期技术、短期市场」是傅盛给出的答案。先来看技术，技术正在改变社会的生产力、结构和效率。AI 对行业模式的影响肯定存在，因此傅盛还是乐观看待技术。但是短期需要注意：技术并不是一个线性发展的过程。技术往往是一次突破带来一波市场化应用，技术是阶段性的，在真正落地的时候，不要相信技术每年都和去年一样。

在 80 年代，机器人技术成本高于人工劳动成本的时期，将自动化产业变为人工手动组装的灵活生产，反而让生产效率大幅提升。因此，创业者看 1-2 年的东西一定要和市场紧密结合。

此外，傅盛认为，在资源有限的条件下，才更能够根据市场的需求进行创新。「资源陷阱」的意思在于，有时候过度迷信技术本身带来的爆发力，而不计成本的投入，这反而会导致行业泡沫的破灭。所以，做 AI 的创业者应该更全面地去关注应用，关注市场如何从市场上拿到回报。

李志飞则认为技术和务实才能够使得企业在 AI 的潮流中发展得更好。对于技术创业者来说，对于技术的信仰是隐藏在基因中的本能，但早期很多技术创业者会有误区：太不务实了。打着理想的旗号回避现实的问题，比如做了很多产品，总认为使用了前沿技术，无人使用是用户的问题。实际上，创业者多关注商业、多面对竞争，多了解技术是否是用户需求，这方面才更加重要。

汪玉同样给出了技术和商业两条路。在高校中，对于技术的执念是天然存在的。他分享的更多的是关于商业。行业总是在等待技术的突破后，期待带来的一批商业化进展。因此「高校科研成果转化」颇受业内关注，但「社会信息输入」被提及的少。关键在于高校教授、研究人员，能不能在早期的时候意识到世界上缺什么东西。研究出一个系统的技术方案，在理论上突破把事情解决。现在从高校和商业沟通，再回到技术，这个路线的闭环还不够快。

在企业中，能够做 1-3 年的研究就已经很不容易了。但对于高校、研究机构，可以做 5-10 年的研究，因此如果把一些技术难题放到高校中，形成一个更良好的生态，还是需要业内一起努力的。

此时，黄仁勋最担心的是什么？

汪玉表示，对于大模型来说，生态的出现使得曾经需要 2000 个算子，到现在可能只需要 200 个算子，因此 GPU 的需求会受到影响。原来，GPU 的性能很好，所有人都在讨论对于 GPU 的需求。慢慢的，市场可以不使用 CUDA 只提供硬件。用插件的方式，所以底层到底使用什么芯片，其实不一定会有这么明确的需求。

李志飞表示，中国和美国有很多不同，从创业、选择到路径都有所不同。对于英伟达来说最大的 AI 营收，80% 还是来源于各个巨头，因此最担心的应该是巨头自己干。比如 Mata、微软、谷歌都在自研芯片。当模型的所有应用、价格都统一收敛后，大型公司会做一个性能差不多，甚至更便宜还能自己掌控的硬件。本质上，大模型投入是不是能配得上用户的需求，这才决定算法收费是否可持续。

张建中表示，黄仁勋应该在担心下一个 AI 的应用是什么？

一个鸡生蛋还是蛋生鸡的问题：到底是 Transform 在 GPU 中加速好，还是有 GPU 才有 Transform。生态是很重要的，所有东西都需要生态。他认为，有了 GPU 之后，Transform 才能发展的更好；同时有了 Transform 后，也在推动 GPU 的架构更好的改进。现在，Transform 已经有了各种变化，那下一个是什么。

在大模型语言加速过程中，每一个小小的算法变化都是技术架构带来了新的改进。对于通讯方面的要求，对于 scaling 的要求，都是改进 GPU 最好的地方。因此，如果有人问 GPU 是否能适应下一代未来的技术？答案是：OF course。此外，张建中表示，GPU 产品的迭代速度并不比大模型更慢，反而 GPU 架构的迭代也在加快。

黄仁勋或许认为，GPU 永远不会失败的，不会被替代别人替代持，傅盛对此持否认态度。他表示，整个 AI 行业都在朝着裁剪参数的方向靠近。谷歌发布了第一个搭载手机本地的大模型，作为演示谷歌当场识别了诈骗电话。也就是，把反诈骗 APP 装在手机上了，这不需要消耗任何服务端的 GPU。这条路如果走通 10%，那 10% 的算力需求就会减少。目前，谷歌、苹果都在做小参数模型。

另一方面，Open AI 也在把 Chat GPT 4 的构架精简，在做推理优化，省更多的 GPU。因此，当军备竞赛走到现在，一个巨大的趋势是使用更小的算力、更低的成本，提供更好的服务。