“AI超級(jí)周期啟動(dòng)，智能經(jīng)濟(jì)機(jī)會(huì)無(wú)限?！?/strong>

正當(dāng)我們討論AI浪潮時(shí)，一個(gè)被忽視的宏大背景正在展開(kāi)：AI不僅是一個(gè)獨(dú)立的技術(shù)賽道，它正站在一個(gè)高達(dá)10萬(wàn)億的基礎(chǔ)產(chǎn)業(yè)之上。這意味著，我們今天所見(jiàn)的AI趨勢(shì)，將是下一輪對(duì)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(lái)了《智能，生成無(wú)限可能》的分享，從趨勢(shì)、原理、場(chǎng)景、基建、變革五方面帶領(lǐng)我們透視智能經(jīng)濟(jì)的整個(gè)面貌，包括深入淺出的技術(shù)解析與豐富生動(dòng)落地實(shí)踐分享。

此次分享是一份面向未來(lái)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(shí)現(xiàn)企業(yè)的高效、變革與增長(zhǎng)。

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

AI 的價(jià)值會(huì)遠(yuǎn)超互聯(lián)網(wǎng)

我們正在AI超級(jí)周期的起點(diǎn)，智能經(jīng)濟(jì)帶來(lái)的機(jī)會(huì)是無(wú)限的。

等AI進(jìn)一步發(fā)展的時(shí)候，不但會(huì)使得自身的規(guī)模變得更大，而且會(huì)把整個(gè)產(chǎn)業(yè)做得更大。所以，盡管今天AI可觸達(dá)的市場(chǎng)雖然只有200 億，但它實(shí)際上改造的會(huì)是10萬(wàn)億的市場(chǎng)?！獜淖?cè)護(hù)士、軟件開(kāi)發(fā)師到銷售、教師，今天的人工智能會(huì)徹底地改變每一個(gè)工種，包括為其賦能，或者幫助其找到新的機(jī)會(huì)，總之是給各行各業(yè)都帶來(lái)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(dòng)互聯(lián)網(wǎng)，我們大多數(shù)人無(wú)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(huì)寫(xiě)點(diǎn)文章、拍點(diǎn)視頻，讓別人來(lái)刷你的內(nèi)容。

但除此之外，互聯(lián)網(wǎng)究竟對(duì)我們企業(yè)帶來(lái)改變，其實(shí)大部分變化集中在營(yíng)銷層面，而在其他環(huán)節(jié)的幫助相對(duì)有限。正因如此，互聯(lián)網(wǎng)時(shí)代真正賺錢的是信息平臺(tái)。對(duì)實(shí)體產(chǎn)業(yè)的賦能，其實(shí)并沒(méi)有那么深入。

而到了人工智能時(shí)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(gè)環(huán)節(jié)。

什么是大模型？

那么什么是大模型？簡(jiǎn)單來(lái)說(shuō)，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(gè)神經(jīng)元，它們通過(guò)軸突和樹(shù)突相互連接，傳遞電信號(hào)，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(guò)程。所以我們可以做一個(gè)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(lái)了質(zhì)變，智能開(kāi)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(gè)訓(xùn)練過(guò)程大致是這樣的，就像小孩上學(xué)一樣：

首先，要“讀萬(wàn)卷書(shū)”。就像小孩熟讀熟讀《唐詩(shī)三百首》，不用自己創(chuàng)作，但也可以順下來(lái)。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(shí)，你隨便開(kāi)個(gè)頭，它就能根據(jù)之前看過(guò)的內(nèi)容，自己順下去。

但問(wèn)題在于，這時(shí)候它接出來(lái)的內(nèi)容常常是毫無(wú)意義的，只是機(jī)械地統(tǒng)計(jì)下一個(gè)最可能的詞是什么，然后順下來(lái)，并不理解其中的意義。

所以，接下來(lái)就需要“后訓(xùn)練”來(lái)調(diào)教它。通過(guò)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(lái)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(wàn)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(guó)常說(shuō)因?yàn)橛?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(jià)極其巨大。如果把一次訓(xùn)練的計(jì)算量換算成人力來(lái)打算盤，大概需要全球80億人不間斷地打上1000萬(wàn)年才能完成。從這個(gè)角度說(shuō)，機(jī)器智能確實(shí)是以一種極其龐大的能量代價(jià)換來(lái)的。

掃描海報(bào)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(lái)，我們重點(diǎn)看看落地場(chǎng)景。

智能體(Agent) 是大模型產(chǎn)業(yè)落地的最佳形態(tài)。因?yàn)樵谄髽I(yè)里，一個(gè)通用大模型通常無(wú)法直接解決你的具體問(wèn)題，因?yàn)槟阈枰氖谴罅康钠髽I(yè)專屬知識(shí)。這時(shí)，你可以通過(guò)RAG（檢索增強(qiáng)生成），提高AI模型回答的準(zhǔn)確性、時(shí)效性和相關(guān)性，也可以設(shè)計(jì)自己的專精模型，或?yàn)閮?nèi)部工具增加外圍一些系統(tǒng)，整合搭建出一個(gè)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(jià)值場(chǎng)景。我們來(lái)看幾個(gè)例子。

編程領(lǐng)域

我想絕大多數(shù)人經(jīng)過(guò)紅綠燈路口都會(huì)煩惱：明明兩邊沒(méi)車，卻偏偏是紅燈。現(xiàn)在大多數(shù)路口的紅綠燈其實(shí)都做過(guò)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(shí)間長(zhǎng)一點(diǎn)。通過(guò)這種方式，大概能減少8%的等待時(shí)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(wèn)題交給大模型，它會(huì)給出不同的思路。當(dāng)它思考到第1400輪時(shí)，已經(jīng)產(chǎn)生了很多個(gè)方案，這時(shí)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(shí)候，它的效果會(huì)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(qǐng)每人出一個(gè)方案，再?gòu)闹刑糇詈玫?。而大模型現(xiàn)在做的就是這件事，把問(wèn)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(gè)令人滿意的答案。而且，可能還有進(jìn)一步優(yōu)化的空間。

實(shí)際上就是這樣一個(gè)簡(jiǎn)單的過(guò)程，人把問(wèn)題定義好，把這個(gè)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(xiě)代碼。代碼寫(xiě)完后，通過(guò)一個(gè)評(píng)估器，比如這個(gè)路口有一個(gè)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(shí)間。評(píng)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(gè)過(guò)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(shí)間，我們和羅永浩合作，他在百度做了幾場(chǎng)直播，我們就此為他生成了一個(gè)數(shù)字人。如果你去看那個(gè)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(wèn)題的互動(dòng)。羅永浩非常幽默，很多梗都是在和粉絲互動(dòng)時(shí)即興創(chuàng)作的。而這正是大模型能力的優(yōu)勢(shì)所在。

我們做了一系列實(shí)驗(yàn)，發(fā)現(xiàn)數(shù)字人在直播間的帶動(dòng)效果非常好。可能直播前半小時(shí)，真人的帶貨量確實(shí)比數(shù)字人好；但半小時(shí)后，真人就不行了。原因很簡(jiǎn)單，他喊累了，而數(shù)字人完全沒(méi)問(wèn)題。

更何況，現(xiàn)在很多時(shí)候數(shù)字人全程表現(xiàn)都比真人好。因?yàn)閿?shù)字人的知識(shí)幾乎是無(wú)限的，風(fēng)格也可以隨意配置。你可以根據(jù)粉絲的實(shí)時(shí)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(jì)算平臺(tái)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(wú)論是打印3D物品，還是開(kāi)發(fā)3D游戲都會(huì)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(gè)關(guān)于井架二層臺(tái)伺服電機(jī)控制器加熱器安裝SOP安裝。即便是這樣一個(gè)相對(duì)標(biāo)準(zhǔn)化的操作，在實(shí)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(cuò)。尤其是在產(chǎn)線復(fù)雜、產(chǎn)品頻繁更換的情況下，錯(cuò)誤率更高。

這時(shí)，大模型就能發(fā)揮作用。

當(dāng)前的人工智能可以讓這個(gè)過(guò)程變得非常簡(jiǎn)單。只需一鍵進(jìn)入百度一見(jiàn)平臺(tái)，上傳一段正確的操作視頻，系統(tǒng)就能自動(dòng)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(duì)完成后，就可以發(fā)布這個(gè)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(shí)別下操作，系統(tǒng)就能實(shí)時(shí)提醒哪一步錯(cuò)了，工人在操作時(shí)就能隨時(shí)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(cuò)，進(jìn)而從生產(chǎn)流程上做出改進(jìn)，避免問(wèn)題重復(fù)發(fā)生。

這種應(yīng)用場(chǎng)景遠(yuǎn)不止于工業(yè)制造。實(shí)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(guò)程符合標(biāo)準(zhǔn)。尤其是在外賣訂單多的時(shí)候，經(jīng)常出現(xiàn)漏放勺子、配錯(cuò)餐等問(wèn)題，這類錯(cuò)誤都可以通過(guò)這樣的控制系統(tǒng)來(lái)避免。

AI時(shí)代的企業(yè)

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

吳曉波引用過(guò)一句話：“我們也許是最后一代只管理人的管理者”。未來(lái)數(shù)字員工和人類員工并存，我覺(jué)得這大概率已經(jīng)是一個(gè)不用再爭(zhēng)論的命題了，但這確實(shí)會(huì)給我們未來(lái)的管理帶來(lái)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(shí)會(huì)越來(lái)越多。就像我前面講的很多案例，如果你把它們看作一個(gè)創(chuàng)業(yè)公司，那么你確實(shí)有可能做到一個(gè)人就讓整個(gè)公司運(yùn)轉(zhuǎn)起來(lái)。

對(duì)于現(xiàn)有企業(yè)來(lái)說(shuō)，未來(lái)的組織會(huì)變成這樣的形狀。

未來(lái)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(lái)指明方向，下面則由一堆智能體來(lái)落實(shí)。這樣一來(lái)，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(duì)話。這種結(jié)構(gòu)會(huì)大幅提升整個(gè)組織的創(chuàng)新速度，但也更需要自上而下地推動(dòng)落地與執(zhí)行。

尤其對(duì)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(dòng)的。這主要有兩個(gè)原因。

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

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(huì)的同時(shí)，也一定會(huì)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(gè)客服經(jīng)理說(shuō)，我可以用數(shù)字人幫你做客服的時(shí)候，他第一反應(yīng)就是這東西不能用，因?yàn)橐昧?，我就沒(méi)事了。當(dāng)你告訴CTO，他可以用AI去寫(xiě)代碼的時(shí)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?yàn)樗谡嬲涞氐倪^(guò)程中會(huì)面臨很多挑戰(zhàn)。

所以，這必須是一個(gè)自上而下的決策。

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

掃描海報(bào)二維碼，立即學(xué)習(xí)完整課程