“AI超級周期啟動，智能經(jīng)濟(jì)機(jī)會無限?！?/strong>

正當(dāng)我們討論AI浪潮時，一個被忽視的宏大背景正在展開：AI不僅是一個獨(dú)立的技術(shù)賽道，它正站在一個高達(dá)10萬億的基礎(chǔ)產(chǎn)業(yè)之上。這意味著，我們今天所見的AI趨勢，將是下一輪對現(xiàn)有工種和組織形態(tài)進(jìn)行 “徹底改變”的巨大力量。

百度集團(tuán)執(zhí)行副總裁、百度智能云事業(yè)群總裁沈抖博士在江陰飛馬水城帶來了《智能，生成無限可能》的分享，從趨勢、原理、場景、基建、變革五方面帶領(lǐng)我們透視智能經(jīng)濟(jì)的整個面貌，包括深入淺出的技術(shù)解析與豐富生動落地實踐分享。

此次分享是一份面向未來的生存指南，幫助創(chuàng)業(yè)者抓住這波以大模型為核心的技術(shù)浪潮，實現(xiàn)企業(yè)的高效、變革與增長。

本文僅為部分內(nèi)容，打開混沌APP，觀看完整版課程《智能，生成無限可能》。

AI 的價值會遠(yuǎn)超互聯(lián)網(wǎng)

我們正在AI超級周期的起點(diǎn)，智能經(jīng)濟(jì)帶來的機(jī)會是無限的。

等AI進(jìn)一步發(fā)展的時候，不但會使得自身的規(guī)模變得更大，而且會把整個產(chǎn)業(yè)做得更大。所以，盡管今天AI可觸達(dá)的市場雖然只有200 億，但它實際上改造的會是10萬億的市場?！獜淖宰o(hù)士、軟件開發(fā)師到銷售、教師，今天的人工智能會徹底地改變每一個工種，包括為其賦能，或者幫助其找到新的機(jī)會，總之是給各行各業(yè)都帶來變化。

離我們最近的技術(shù)浪潮是互聯(lián)網(wǎng)。從PC互聯(lián)網(wǎng)到移動互聯(lián)網(wǎng)，我們大多數(shù)人無非是上網(wǎng)刷刷帖子、看看文章、看看小視頻。厲害一點(diǎn)的，可能會寫點(diǎn)文章、拍點(diǎn)視頻，讓別人來刷你的內(nèi)容。

但除此之外，互聯(lián)網(wǎng)究竟對我們企業(yè)帶來改變，其實大部分變化集中在營銷層面，而在其他環(huán)節(jié)的幫助相對有限。正因如此，互聯(lián)網(wǎng)時代真正賺錢的是信息平臺。對實體產(chǎn)業(yè)的賦能，其實并沒有那么深入。

而到了人工智能時代，情況發(fā)生了根本性的變化。AI不再停留在信息層面，而是深入到“研、產(chǎn)、供、銷、服”的每一個環(huán)節(jié)。

什么是大模型？

那么什么是大模型？簡單來說，參數(shù)規(guī)模大的模型，就是大模型。我們經(jīng)常把大模型和人腦做類比。人腦大約有860億個神經(jīng)元，它們通過軸突和樹突相互連接，傳遞電信號，形成復(fù)雜的神經(jīng)網(wǎng)絡(luò)。人工智能從誕生之初，就一直在試圖模仿人類的思考方式和思維過程。所以我們可以做一個類比，人工智能本質(zhì)上是基于模型的。模型參數(shù)不斷擴(kuò)大，量變帶來了質(zhì)變，智能開始涌現(xiàn)。

訓(xùn)練模型，就是大家常講的三大要素：足夠多的數(shù)據(jù)、足夠強(qiáng)的算力，以及足夠好的模型架構(gòu)。模型架構(gòu)，就是大腦結(jié)構(gòu)，它內(nèi)部還在不斷迭代。而算力和數(shù)據(jù)，基本上就是“大力出奇跡”。

大模型的整個訓(xùn)練過程大致是這樣的，就像小孩上學(xué)一樣：

首先，要“讀萬卷書”。就像小孩熟讀熟讀《唐詩三百首》，不用自己創(chuàng)作，但也可以順下來。大模型也需要海量閱讀，通常要把互聯(lián)網(wǎng)上幾乎所有的文本都看一遍。這時，你隨便開個頭，它就能根據(jù)之前看過的內(nèi)容，自己順下去。

但問題在于，這時候它接出來的內(nèi)容常常是毫無意義的，只是機(jī)械地統(tǒng)計下一個最可能的詞是什么，然后順下來，并不理解其中的意義。

所以，接下來就需要“后訓(xùn)練”來調(diào)教它。通過人工標(biāo)注和指令微調(diào)，告訴它應(yīng)該用什么方式、什么風(fēng)格來輸出內(nèi)容，讓它變得更符合我們的需求。

從數(shù)量上看，預(yù)訓(xùn)練通常需要消耗約25萬億文字。后訓(xùn)練階段則需要大量的人工標(biāo)注數(shù)據(jù)。

這也解釋了為什么現(xiàn)在算力如此緊張。美國常說因為訓(xùn)練大模型連電力都短缺了，原因就在于訓(xùn)練一次的代價極其巨大。如果把一次訓(xùn)練的計算量換算成人力來打算盤，大概需要全球80億人不間斷地打上1000萬年才能完成。從這個角度說，機(jī)器智能確實是以一種極其龐大的能量代價換來的。

掃描海報二維碼，立即學(xué)習(xí)完整課程

智能體是大模型產(chǎn)業(yè)落地的最佳形態(tài)

接下來，我們重點(diǎn)看看落地場景。

智能體(Agent) 是大模型產(chǎn)業(yè)落地的最佳形態(tài)。因為在企業(yè)里，一個通用大模型通常無法直接解決你的具體問題，因為你需要的是大量的企業(yè)專屬知識。這時，你可以通過RAG（檢索增強(qiáng)生成），提高AI模型回答的準(zhǔn)確性、時效性和相關(guān)性，也可以設(shè)計自己的專精模型，或為內(nèi)部工具增加外圍一些系統(tǒng)，整合搭建出一個能夠自主處理任務(wù)的智能體。

Agent已經(jīng)加速進(jìn)入產(chǎn)業(yè)高價值場景。我們來看幾個例子。

編程領(lǐng)域

我想絕大多數(shù)人經(jīng)過紅綠燈路口都會煩惱：明明兩邊沒車，卻偏偏是紅燈?，F(xiàn)在大多數(shù)路口的紅綠燈其實都做過優(yōu)化，加入了一定的人工調(diào)優(yōu)。比如早高峰東西向車流多，就讓綠燈時間長一點(diǎn)。通過這種方式，大概能減少8%的等待時間。如果再用上一些更先進(jìn)的算法，還能再優(yōu)化到15%。

很多高校的專業(yè)課上，教授和學(xué)生常常花費(fèi)大量精力去研究早上車流的通行分布。但如果你把同樣的問題交給大模型，它會給出不同的思路。當(dāng)它思考到第1400輪時，已經(jīng)產(chǎn)生了很多個方案，這時候就能在人類最優(yōu)解的基礎(chǔ)上，再優(yōu)化11.9%。如果還不停，讓大模型想到 2500多輪的時候，它的效果會比人類解法優(yōu)化18.9%。

我們總以為自己想得足夠充分了，但大模型往往能做得更好。今天遇到難題，我們的第一反應(yīng)是去找全世界最好的專家，請每人出一個方案，再從中挑最好的。而大模型現(xiàn)在做的就是這件事，把問題拋給它，告訴它；“給我最好的想法，一遍不行就想兩遍，不斷地想?！?可能在2500輪的思考后，最終得到一個令人滿意的答案。而且，可能還有進(jìn)一步優(yōu)化的空間。

實際上就是這樣一個簡單的過程，人把問題定義好，把這個東西丟給大模型。

那它為什么能想出解法呢？核心就在于它的編程能力——寫代碼。代碼寫完后，通過一個評估器，比如這個路口有一個模擬器，你把新算法放進(jìn)去，按照它的邏輯控制紅綠燈，看最終能省下多少時間。評估完成后，再把結(jié)果反饋給大模型，讓它一輪一輪不斷優(yōu)化。

這個過程在眾多領(lǐng)域都適用，大家使用大模型可以借鑒這樣的思路。

數(shù)字員工

前段時間，我們和羅永浩合作，他在百度做了幾場直播，我們就此為他生成了一個數(shù)字人。如果你去看那個視頻，真正厲害的地方不在于模仿他的聲音和形象，而在于直播間里回答粉絲問題的互動。羅永浩非常幽默，很多梗都是在和粉絲互動時即興創(chuàng)作的。而這正是大模型能力的優(yōu)勢所在。

我們做了一系列實驗，發(fā)現(xiàn)數(shù)字人在直播間的帶動效果非常好?？赡苤辈デ鞍胄r，真人的帶貨量確實比數(shù)字人好；但半小時后，真人就不行了。原因很簡單，他喊累了，而數(shù)字人完全沒問題。

更何況，現(xiàn)在很多時候數(shù)字人全程表現(xiàn)都比真人好。因為數(shù)字人的知識幾乎是無限的，風(fēng)格也可以隨意配置。你可以根據(jù)粉絲的實時反應(yīng)，不斷迭代它的狀態(tài)和回應(yīng)。

AIGC生成內(nèi)容

現(xiàn)在3D技術(shù)很受歡迎，但3D建模本身是件很復(fù)雜的事。我們的合作伙伴VAST，在百度百舸AI計算平臺上完成了他們Tripo 3D大模型的訓(xùn)練，大大提升了3D模型的生成效率。有了這樣的能力，無論是打印3D物品，還是開發(fā)3D游戲都會變得容易很多。

制造與能源

我們與三一能源裝備合作了一個關(guān)于井架二層臺伺服電機(jī)控制器加熱器安裝SOP安裝。即便是這樣一個相對標(biāo)準(zhǔn)化的操作，在實際生產(chǎn)線上，工人要完全按規(guī)程一步步執(zhí)行也極易出錯。尤其是在產(chǎn)線復(fù)雜、產(chǎn)品頻繁更換的情況下，錯誤率更高。

這時，大模型就能發(fā)揮作用。

當(dāng)前的人工智能可以讓這個過程變得非常簡單。只需一鍵進(jìn)入百度一見平臺，上傳一段正確的操作視頻，系統(tǒng)就能自動拆解操作步驟，生成SOP。當(dāng)然，關(guān)鍵工序還是需要人工把關(guān)。核對完成后，就可以發(fā)布這個SOP技能。

規(guī)則設(shè)定好之后，我們可以把它部署到攝像頭上。在攝像頭識別下操作，系統(tǒng)就能實時提醒哪一步錯了，工人在操作時就能隨時獲得提示。這不僅保障了出廠產(chǎn)品的質(zhì)量，還能從中發(fā)現(xiàn)哪些環(huán)節(jié)容易出錯，進(jìn)而從生產(chǎn)流程上做出改進(jìn)，避免問題重復(fù)發(fā)生。

這種應(yīng)用場景遠(yuǎn)不止于工業(yè)制造。實際上，在餐飲行業(yè)，很多后廚已經(jīng)采用這種方式，確保食品制作過程符合標(biāo)準(zhǔn)。尤其是在外賣訂單多的時候，經(jīng)常出現(xiàn)漏放勺子、配錯餐等問題，這類錯誤都可以通過這樣的控制系統(tǒng)來避免。

AI時代的企業(yè)

現(xiàn)在我們看到市場很大，空間很大，成功案例很多，工具也都很齊全。但問題在于，我們是否真的能把這些用起來？這是就涉及到組織的問題。如果推動變革，打造AI原生組織。

吳曉波引用過一句話：“我們也許是最后一代只管理人的管理者”。未來數(shù)字員工和人類員工并存，我覺得這大概率已經(jīng)是一個不用再爭論的命題了，但這確實會給我們未來的管理帶來巨大的變量。

這也是為什么現(xiàn)在很多地方都在談?wù)摗癘ne Person Company”（一人公司）。我認(rèn)為，這種現(xiàn)象確實會越來越多。就像我前面講的很多案例，如果你把它們看作一個創(chuàng)業(yè)公司，那么你確實有可能做到一個人就讓整個公司運(yùn)轉(zhuǎn)起來。

對于現(xiàn)有企業(yè)來說，未來的組織會變成這樣的形狀。

未來中層干部很有可能大幅縮減。我們只需要強(qiáng)有力的領(lǐng)導(dǎo)層和決策層來指明方向，下面則由一堆智能體來落實。這樣一來，中間管理層收縮，既不影響執(zhí)行效率，還能促進(jìn)高層與基層員工的直接對話。這種結(jié)構(gòu)會大幅提升整個組織的創(chuàng)新速度，但也更需要自上而下地推動落地與執(zhí)行。

尤其對創(chuàng)業(yè)公司和創(chuàng)業(yè)者而言，AI戰(zhàn)略必須是自上而下推動的。這主要有兩個原因。

第一，AI的落地是有成本的。雖然試錯成本在降低，但短期內(nèi)投入不一定立刻見效。長期來看這是必然趨勢，可短期內(nèi)效果未必明顯，因此很多人往往不愿主動試錯。

第二，也是更重要的一點(diǎn)，任何一次技術(shù)變革，在創(chuàng)造新就業(yè)機(jī)會的同時，也一定會淘汰傳統(tǒng)的崗位。當(dāng)前AI的落地，很大程度上正具有這樣的效應(yīng)。

這是為什么當(dāng)你去跟一個客服經(jīng)理說，我可以用數(shù)字人幫你做客服的時候，他第一反應(yīng)就是這東西不能用，因為要用了，我就沒事了。當(dāng)你告訴CTO，他可以用AI去寫代碼的時候，他第一反應(yīng)就是不好用，我們還是得招人類員工。之所以AI落地是一把手工程，正是因為它在真正落地的過程中會面臨很多挑戰(zhàn)。

所以，這必須是一個自上而下的決策。

在智能時代，從我所分享的案例來看，我們最需要的其實不是算法專家，而是那些能夠定義需求、定義評估標(biāo)準(zhǔn)的人。

掃描海報二維碼，立即學(xué)習(xí)完整課程