5月15日，中國科技産業智庫「甲子光年」在北京中關村東升科技園萬麗酒店舉辦「AI創生時代——2024甲子引力X科技産業新風向」大會。甲子光年創始人&CEO 張一甲重磅釋出主題報告《AI創生時代，2024中國AI新風向30條判斷》。以下為報告詳細内容。
歡迎來到甲子引力XAI創生時代。
1.AI一天，人間一年
AI一天，人間一年。用一個詞形容過去一年的AI行業，你會說什麼？
1.2 一場技術hype的壓縮版
過去一年，我們經曆了AI hype的壓縮版。
1.3 AI進入史上最密集的進展釋出期
從2月份Sora釋出以來，AI進入史上最密集的進展釋出期。
1.4 人工智能對五大生産要素同時産生顯著影響
AI的重要性在于，它對五大生産要素同時産生顯著影響，而這些生産要素的影響是互相關聯的。勞動創造技術，技術需要資料也需要資本。
1.4.1 勞動力：極化與平權，AI改寫勞動的第一性原理
首先看AI對勞動力的影響。有兩個特征比較顯著，一個是極化，一個是平權。
極化：用AI和不用AI的人群，使用AI的人擁有更高的生産力。比如，使用Microsoft Copilot或Github Copilot的員工相比未使用者，完成任務的時間減少了26%至73%。
平權：在使用AI的群體中，AI逐漸抹平普通人和專業人士差距。兩組咨詢師在采用人工智能後都經曆了績效提升，高技能（排名前一半）參與者顯示出了16.5%的增長，而低技能（排名後一半）參與者表現出了43.0%的改進。
除了極化與平權，AI讓知識的擷取成本無限逼近于0，意味着勞動的第一性原理被改變。
1.4.2 技術：AI寫入所有技術的DNA，改變研發審美
再看AI對技術的影響。最直接的影響是，AI會寫入所有技術的DNA——AI成為技術背後的技術，工具背後的工具，比如，使用AI之後，人類在蛋白質解析、病毒預測、天氣預報等很多方面都表現出顯著的能力提升。
這也驅動着技術審美取向發生集體變化：之前是智慧推動，現在是智慧+資源推動，從simple is beautiful到“粗暴計算”也是美，大模型的出現會抹平很多細分技術的差異，有點像實體學進入大型粒子對撞機時代。
另一方面，AI改變技術突破的邏輯。過去技術研發是“以果求因”模式，先有推測，後通過實驗驗證；未來技術研發将變為“由因及果”，AI可以湧現大量未知技術。
此外，AI改變科研，也在推動技術跨界、學科融合。
1.4.3 資料：從用不上到用得上，從找出來到造出來
AI讓資料要素真正被用起來。Gartner預測，相比于2022年，到2025年企業資料使用率可以提高到400%。
另一方面，研究人員預測了未來大模型訓練資料集規模的增長趨勢。結果表明：高品質的語言資料将會在2026年用光。是以，合成資料的重要性日益提高，已經成為訓練用資料的主要來源管道之一。2024年，預計用于訓練AI的資料中有60%将是合成資料，到2030年AI使用的絕大部分資料将是人工智能合成的。
資料要素方面，AI讓資料從用不上到用得上，從找出來到造出來。
1.4.4 資本：AI總投資下降，生成式AI投資占比快速上升
然後是對資本的影響。受制于資本環境的影響，AI的總投資額從2021年往後是逐年下降的，生成式AI的投資額占比在快速上升。
1.4.5 土地：數字鍊條拉長，實體鍊條縮短，資訊态資産指揮物質态資産
AI對土地的影響更像是替代作用——數字鍊條拉長，實體鍊條縮短，AI驅動的世界，是資訊态資産指揮物質态資産的世界。
1.5 整體的大共識，局部的非共識
過去一年最大的特征是，大共識已經形成：AI是未來。但也有很多認知沒有收斂，形成了各種争議：開源、閉源，AI商業化如何閉環？千億參數、長文本、多模态，大模型的關鍵名額是什麼？規模法則的天花闆在哪？Transformer是不是最優解？OpenAI、英偉達，是否存在鐵王座？世界模型與AGI是否擁有唯一路徑？AI究竟是否會失控？一些具體的問題，我們會在今天的圓桌論壇裡讨論，在這裡，我們先概括幾個顯著特征。
1.6 明牌遊戲與me too競争：你一旦有，我馬上有
首先，AI已經變成了一場明牌遊戲——一旦先行者跑通了，驗證了，後來者的速度就加快了。從結果看，AI很像是一場me too競争：你一旦有，我馬上有。過去一年AI的追趕周期明顯在縮短。GPT-3、文本生成、千億參數、Sora、長文本，第二名和第一名釋出時間的間隔越來越短。每開一場釋出會，英雄座次表就可能變化。
1.7 先發優勢還是後發優勢？低端颠覆：第二名永遠是投入産出比最高的？
一方面，AI似乎有先發優勢：先行者可以有資料飛輪；另一方面，AI似乎有後發優勢：後來者的投入産出比更劃算。
紅杉資本透露，AI行業去年僅在英偉達晶片上就花費了500億美元，但産出的營收隻有30億美元，17:1的投入産出比——這個數字是好還是不好？從好的方面看，作為對比，SaaS花了近 10 年才達到這個收入水準，從壞的方面看，AI的商業閉環還沒有形成。OpenAI顯然是喜歡先發優勢的，但很多市場派喜歡後發優勢。之前傅盛和我說，商業的本質是低端颠覆。這是不是意味着，第二名反而永遠是投入産出比最高的？這個問題，我們一會兒巅峰論壇可以聊一聊。
2.開啟AI創生時代
在科技發展的長河中，我們正站在一個特殊的曆史交彙點。一方面，令人矚目的技術成就正以史無前例的密度疊代，另一方面，我們也面臨着諸多從未有過的挑戰，如技術範式的分叉與争議、算力與電力的緊缺、AI“錢景”不明的質疑，以及版權、隐私、真假資訊、倫理等複雜問題。
甲子光年智庫在今年3月釋出的報告提出“AI創生時代”的概念。這是一個新的曆史階段，生産力變革與生産關系變遷同時發生，AI技術從數字世界滲透到實體世界，逐漸逼近并超越人類的生産活動行為邊界，形成人類智慧之外的“第二智慧體系”。在AI創生時代，我們關注技術範式如何收斂，關注技術躍進如何重塑千行百業，更關注此刻的每一個決定對未來社會經濟結構的深遠影響。
2.1 AI改變世界的兩大次元：AI主語化+AI映射力
AI改變世界有兩大次元。第一，AI主語化：從人主導向AI主導，人的主導權逐漸讓渡，AI主語化了；第二，AI映射力：AI對實體世界的映射能力逐漸增強，逐漸實作人類能力的趕超，從大腦、小腦到體力。
2.2 AI改變世界的四個階段：AI生産時代、AI原生時代、AI創生時代、AI文明時代
從AI的兩條主線展開，甲子光年智庫将AI改變世界的過程劃分為四個階段：
- L1-AI生産時代：人類為主， AI為輔， AI對實體世界的映射能力低。AI引發各産業的生産力變革，迎來“工業革命”，大幅提升生産效率。
- L2-AI原生時代：AI為主，人類為輔， AI對實體世界的映射能力低。AI滲透率将無限逼近直到超越人類在數字世界的生産活動行為邊界。
- L3-AI創生時代：人類為主，AI為輔， AI對實體世界的映射能力高。 AI逐漸滲透逼近人在實體世界的生産活動行為邊界。
- L4-AI文明時代：AI為主，人類為輔， AI對實體世界的映射能力高，人類文明進入“雙生時代”。
值得一提的是，1956年達特茅斯會議開始，AI路線被劃分為符号主義、聯結主義、行為主義。L1和L2以符号主義和聯結主義為主要發展方向，L3則疊加行為主義（具身智能）。等到L4AI文明時代，則是實作了三個主義的三流彙一。
2.3 AI在不同階段意味着什麼？
AI在不同階段意味着什麼？在L1的AI生産時代，AI意味着第二生産力，關鍵是降本增效，推動數字化轉型，本質是效率、成本問題；在L2的AI原生時代，AI意味着第二語言，新的互動形式與内容載體；在L3的AI創生時代，AI意味着人類之外的第二主體，推動端上智能、軟硬結合、世界模型落地；在L4的AI文明時代，AI意味着第二文明體系。
2.4 信能比的下一步，AI改變世界的評估體系
去年4月份，甲子光年智庫提出了評估智能新世代的評估名額：“信能比”，最近，甲子光年智庫在信能比的基礎之上進一步完善了評估體系，在資訊與能源之外新增一個次元：行為。
能源、資訊和行為是現代社會和自然界中三個基本而互相關聯的概念——科技的進步，就是三者之間轉化能力加強的反映。
【能源與行為：用生産率度量】在傳統工業時代，是能源向行為的轉化。
【能源與資訊：用信能比度量】現代資訊技術非常依賴能源。在這個轉化過程中，AI影響世界的程序處于L1-L2階段。
【資訊與行為：用信産率度量】資訊指導行為。在這個轉化過程中，AI向實體世界的滲透能力不斷提高，這就是L3。
随着AI對實體世界映射能力的不斷優化，将會在實踐中建構一條AI影響世界發展的動态平衡線。正建構AI與人類共生的雙生文明，這就是L4。這個基本架構可以讓我們來分析此刻AI及其影響、機會和可持續性。
3.30個判斷
從這個架構展開，我們可以進入具體的30個判斷。
3.1 L1：AI生産時代
【判斷1】AI生産時代本質仍是供給側改革，以泛化能力降本增效
剛才講到，L1-AI生産時代的核心是數字生産力，仍屬于數字化轉型的範疇。人工智能對供給端的影響将遠大于網際網路，底層邏輯仍是降本增效、供給側改革，核心模式是to B。L1的着眼點往往是在老需求上提供新的供給能力，而非開辟新場景。
四小龍時代，AI飽受诟病的是定制化服務的投入難以支撐to B的商業閉環，“有多少個客戶，就有多少個模型”；但進入AI生成時代，大模型通過預訓練擁有了更泛化的智慧，使得定制化投入可以下降。
【判斷2】算力江湖沒有鐵王座，基建化與市場化各有分工
AI生産時代，算力是生産力的壓艙石。這裡面最大的命題是，要解決算力供需結構的沖突。
算力江湖包括算力生産者、算力排程者、算力服務者，以及算力消費者。他們有各自需要解決的問題。
第一，算力生産者：需要應對算力供給與需求之間的結構性沖突，解決算力資源浪費和低水準重複建設等問題。如果“一哄而上”地建設，反而可能造成資源浪費和效率低下，比如有些智算中心建成後用不起來，不得不把機器關掉。是以，算力生産者需要不斷進行技術創新，比如黃仁勳認為算力在未來要做到10年100萬倍，這是技術創新的flag。
第二，算力排程者：算力需求非常多樣化，是以算力要互聯互通，解決算力資源配置設定不均和優化排程的難題。
第三，算力服務者：要解決算力使用門檻較高的問題。算力的使用需要技術知識和操作技能，有些公司點亮不了，有的點亮以後用不起來；此外，還有能耗及資料安全問題要被解決。
第四，算力消費者：更加關注成本效益問題。
在這四個層級中，有的适合基建化，有的适合市場化，一個健康的算力生态應該是一個各司其職的生态。比如，算力生産可以通過大規模基建化來優化，而排程和營運服務則更适合市場化。
舉一個例子，星凡星啟（成都）科技有限公司，專為解決國産算力生态問題而設計，深度适配常用的大小模型、開發工具鍊以及多種國産晶片，確定計算資源得到充分利用，提高大模型推理性能，統一管理軟硬體和大模型，一個入口即可自動提供大模型全流程開發及應用服務 。
它代表了這個行業湧現的一批創業公司——核心關注點是讓算力更可用：一體化傳遞、低成本建設、低使用門檻、極緻性能。
整個“算力江湖”的構成是極其複雜和多元的，并不存在一個能夠統領全局的“鐵王座”——因為隻有算力供給足夠“包羅萬象”，才能滿足算力需求足夠多的“奇形怪狀”。
【判斷3】AI算力營運商，讓算力真正“用起來”
這裡我們需要強調：讓算力“用起來”的重要性不亞于讓算力産出來。
一方面，算力場景的多樣性需要異構算力，另一方面又迫切需要異構算力下的能力開放和統一管理，尤其是在自動駕駛、智能制造等新興業務領域，需要靈活和便捷的資源比對。
從這張圖看出：算力排程是算力的鍊條中居于中間不可或缺的一環。這就湧現了一個新的角色：AI算力營運商。AI算力營運商利用算力排程平台，平衡算力供需，降低門檻，提升使用率。
舉個例子，善思開悟。善思開悟作為HPC+AI異構計算的代表企業，擁有豐富的自持及代營運算力資源，全線裝備高端GPU，具備先進的組網能力，通過靈活的資源調配，提供高效、穩定及創新的傳輸、計算服務，目前已完成四輪融資。公司彙聚了多名國内外優秀人才，擁有國内領先的萬卡經驗叢集組網團隊，其與中山大學共創“AI創新賦能聯合實驗室”，依托其高性能計算平台，深化人工智能技術産業應用。
【判斷4】讓大模型如虎添翼，多溝通（提示詞工程）、多讀書（RAG）、多練習（模型微調）
大模型要被企業用起來，需要融入到企業現有的場景中。核心有三條路：提示詞工程、RAG（檢索增強式生成）和模型微調。
方法1：多溝通——提示詞工程（Prompt Engineering）
很多時候，使用者經過摸索可以很快建構出高效的提示詞解決自己的問題。然而，當你發現自己要建構的模闆越來越複雜卻仍然無法滿足要求，這就是需要引入RAG或者微調的信号。
方法2：多讀書——檢索增強式内容生成（RAG：Retrieval-Augmented Generation）
RAG的核心是為大模型補充知識。任何的大模型一旦訓練完成就變成了一個靜态的檔案，當你問ChatGPT自己公司内部有關年假的相關規定，它無法準确回答，而當你持續對話時，它又會遺忘之前的資訊。需要為模型提供更多上下文的時候，就需要用到RAG技術。RAG特别适用于那些需要大量知識的任務。
方法3：多練習——微調（Fine-tuning）
微調之是以稱為微調，是因為不是從零開始，是基于一個預訓練好的基礎模型通過繼續訓練來調整模型行為。這個過程和我們所說的熟能生巧和舉一反三的過程很像。這個過程所使用的資料量遠遠小于預訓練模型所需要的資料量，基本在基礎訓練量的1%左右。
這3個方法不是非此即彼而是互相配合。對于企業技術管理者來說，重要的是建構一種機制，讓企業内部具備持續改進的能力，不斷逼近更加高效、可擴充、經濟可行的方案。
【判斷5】合成資料≠高品質資料，模型的“自我提升能力”是未來看點
如開頭講，合成資料的使用比例大幅上升，然而合成資料≠高品質資料。2023年發表的一項研究揭示了僅使用合成資料，随着訓練代數的增加，模型輸出品質可能逐漸下降。例如，在右圖生成的面部圖像逐漸顯示出奇怪的、類似哈希标記的圖案，嚴重影響真實感。
這引出了一個關鍵的問題：模型能否生成比其訓練資料更好的合成資料，進而實作自我提升？模型能不能“吃草擠奶”？如果模型能夠生成比原始訓練更高品質的資料，那麼這個疊代飛輪的上限就打開了。合成資料的自我提升上限及其實際可行性，仍是需要探讨的問題。
【判斷6】開源不等于免費，閉源不等于賺錢，背後是一本供給端的經濟賬
前陣子李彥宏發表“開源模型會越來越落後”的言論進一步引起了大模型開閉源的争論。開源OR閉源，争論的到底是什麼？
2019-2023年，開源模型的數量大于閉源模型的數量。就模型能力而言，4月19日釋出的開源大模型Llama 3在多項性能基準上展現了行業領先水準，開源界的Mistral、Grok、DBRX近期也都展示出與GPT-4“同代”的水準。技術快速疊代正在逐漸縮小開閉源模型的性能差。
值得強調的是，開源不等于免費，閉源不等于賺錢，現在不管開源、閉源，幾乎都不賺錢——二者不是對立關系，背後是一本供給端的經濟賬，經濟的可持續性才是這場争論的本質。
【判斷7】上雲不等于便宜，下雲不等于安全，一本需求端的經濟賬
馬斯克收購X（原Twitter）一周年之際，X團隊說了一件事：他們優化了X的雲服務使用方式，将更多工作負載遷往本地，這一轉變使X每月的雲成本降低了60%。X為何下雲？
多數企業将上雲視為降本增效的關鍵。然而，許多企業在公有雲上的支出超出預算平均達15%，且在IaaS和PaaS上的浪費率高達27%。這促使企業開始尋求更有效的雲資源管理方法。
IBM報告指出，80%的企業已經考慮或正在考慮将已經部署在公有雲上的工作負載遷回私有的基礎設施。那麼，上雲是不是還是必選題？
各家之言有很多身份決定立場的成分。上雲不等于便宜，下雲不等于安全。上雲下雲背後，是一個涉及财務、戰略、技術的全面賬本，企業需要綜合評估，才能做出更明智的決策。
【判斷8】AI+企業管理，從建構超級智能管理助手開始
剛才談了供給端和需求端的經濟賬，那麼，L1時代具體的傳遞模式是什麼，價值如何落地呢？
我們可以看看金蝶。通過金蝶雲·蒼穹AI平台、AI管理助手和AI應用，企業可以按自身的場景和需求進行自由擴充、定制、組裝，适配自身業務需求的AI助手；與此同時，企業還能同步調用金蝶自研大模型、開源和第三方雲廠商大模型，進行訓練、精調和優化，最終建構從資料到智能決策的一體化企業級AI解決方案。
這就像一個超級智能管理助手，讓數字老闆成為可能。企業數智化建設正在進入“數字老闆”時代。
3.2 L2：AI原生時代
3.2.1 本質
【判斷9】 AI原生的核心特征是端到端，AI不斷逼近“最短路徑”
AI原生時代的關鍵詞是數字世界，AI主導。
AI原生時代的核心特征之一是端到端的處理能力，這種能力使得AI系統能夠直接從原始輸入到最終輸出之間建立一個直接的映射關系，而無需人為經曆中間的多個處理步驟。在這個特征中，AI不斷逼近“最短路徑”，軟體不斷取代服務。AI Agent就是這種端到端的具體表現。
【判斷10】AI原生與網際網路底層邏輯的變化：未來是生成的
AI原生和網際網路原生的最核心變化是什麼？黃仁勳說：未來是生成的。他的意思是什麼？
以圖像存儲為例，過去，字母“A”被簡化為像素的集合，每個像素以二進制形式存在；現在，我們不再将字母“A”單純地視為一個由像素構成的靜态圖像，而是将其視為一個多元空間中的一個點，無論字型、大小或風格，這個多元表示都能泛化并識别出其特征；未來， 計算機不僅僅是了解這個多元點，而是主動地了解資訊的上下文和含義，不僅僅看到圖像的表面，而是洞察其背後的概念和情境。這個過程逼近人類思考方式。
注意，這個變化有着深刻的哲學底色，人腦建構現實，不是靠存儲像素，而是思考“概念”——“概念”是一種非常進階的智慧，哲學家們已經思考了幾千年。
而未來，概念不是靜态的，而是一個動态的、不斷演變的過程。未來不是提前存進去、用的時候搜出來的，未來是生成的，是響應式的。其中，AI搜尋是這種變化很鮮明的表現，比如，新一代搜尋與老一代搜尋的最大差別是長的輸入帶來的上下文感覺能力。
3.2.2 互動
【判斷11】拍扁傳統工作流，“提示互動式”成為内容産業新範式
今年的小高潮是視訊和音樂的AI原生産品。好萊塢拍攝一部影片平均用時871天，而今年3月上映的《終結者2：審判日》翻拍版作為人類史上第一部完全由AI制作的長篇電影，整部電影制作僅用了三個月；在音樂制作領域，使用Suno v3能夠一分鐘内生成一首美妙的歌曲。工作流被拍扁，提示互動式成為範式，這讓AI對内容産業帶來直接影響。
【判斷12】互動革命的繼續，Prompt隻是階段性産物，最好的UI是忘記UI
目前，Prompt在與AI系統互動中扮演着重要角色，但它不是最好的互動。為什麼會有這個判斷？因為Prompt還不夠簡單，不夠自然。AI産品應該自己去了解你想要什麼，如果給了Prompt，就了解Prompt，如果沒給Prompt，就從你的其他互動形式裡去自己提煉意圖。長文本可能取代微調，手繪可能取代語言，Prompt更像是一個階段性産物。
使用者友好性成為最近AI釋出的指北針。使用者友好包含個性化、可通路性，但最核心的是互動。最好的UI，是你忘記UI，甚至忘記互動，隻專注在最自然的意圖和目标。人機互動的大方向，是從流程互動走向提示互動，再走向無意識互動——告别“詞不達意”階段。
【判斷13】實時性是AI原生的靈魂，以時間的無限性代替空間的有限性
AI原生的易用性追求極簡設計，最多兩級菜單，最好沒有菜單。入口極簡，如何解決複雜任務？實時性。
實時性背後有兩層深刻含義：第一，從離散到連續，以實時互動的無限性取代了菜單的有限性；第二，從有限到無限，用時間的無限性取代了空間（圖形互動界面）的有限性。
GPT-4o的運作速度大大提升，讓聊天機器人對話的響應速度大幅提升，對音頻輸入的平均響應時間為320毫秒，與人類的響應時間相似。
使用者可以向ChatGPT（由 GPT-4o 提供支援）提出問題，并在ChatGPT回答時打斷它。OpenAI表示，該模型提供“實時”響應能力。
無獨有偶，幾個小時前，Google釋出了名為 Project Astra 的通用 AI 代理，一款以取景器作為主界面的應用程式。谷歌在演講中展示了一個人拿着手機，将攝像頭對準各個地方，Astra反應很快，實時與人類進行語音互動。
海外巨頭開始卷易用性了，這更像是國内的機會。舉個例子，亦心科技是國内繪畫AIGC實時渲染應用創新者，其首創AI閃繪應用，将AIGC與傳統的圖像處理、創意設計結合為一體，實作實時互動、實時設計、實時渲染，重塑設計全流程，極大提高了設計效能和品質，讓人人都可成為設計師，成為新質生産力工具的典型代表。今天在現場外面的展區大家也可以直接體驗。
【判斷14】AI To C超級産品，第一戰在流量，第二戰在黏性
從降本增效走向更大的産業革命，有一個很重要的分水嶺是to C。To C是最能撩撥人的想象力的，一旦技術to C，緊接着就會問：會有全民化的超級應用嗎？目前超級産品基本是四類：個人聊天與助手、搜尋、圖像與設計、辦公。但它們面臨一個類似的問題：目前很多是“日抛”型用法，頭部AI産品的月度留存（42%）比不上頭部網際網路産品（63%）。忠誠度從何而來？工具不如情緒；内容不如社交。
【判斷15】AI原生社交網絡，你的社交對象不一定是人
從content到connection是一個自然的過渡——AI可以生成内容，就必然會影響社交。是以，AI社交是一個強使用者黏性、高變現潛力賽道。
【判斷16】AI Agent，從單體智能走向多體智能
發展多體智能（Multi-Agent Intelligence，MAI）是人工智能領域的一個重要方向，它涉及多個智能體（agents）的協作、通信和決策。
舉個例子，彙智智能基于自研CarrotAI大模型和獨創的數字生命專利技術，讓Agent擁有了持續學習、進化疊代的生命力，可為企業快速打造專屬的數字員工團隊，并建構“員工+數字員工”的組織協作互動新範式。将數字生命的互動對象從單體擴充到多體，助推智能體進入多體智能時代。
為什麼要發展多體智能？
多體智能可以解決超出單一智能體能力的複雜問題。即使部分智能體失敗，整個系統仍然可以繼續運作。此外，多體智能體可以互相學習和适應，更有效地利用計算資源，可以模仿人類社會的行為。在生物學、生态學和實體學等領域，多體智能可以模拟自然現象，輔助研究。
3.2.3 商業化
【判斷17】AI builder，學術權威讓渡于産業權威
2023年，産業界釋出著名模型的數量明顯領先于學術界，這與十年前形成鮮明對比。同時，人工智能博士人才也加速流向産業界，開發者成為AI變革最主要的驅動者。
【判斷18】“用産模雲算投”：小公司做小閉環，大公司做大閉環
使用者購買産品，産品購買模型，模型購買雲，雲購買卡，同時，大廠還要做投資。沿着這個鍊路去算賬，就可以看AI商業化究竟怎麼閉環。
大公司大閉環。AI的争奪，很多是背後雲廠商的争奪，阿裡雲幾乎投資了所有國内AI大模型獨角獸，被開玩笑稱為“中國大模型ETF”。從2024Q1财報看，科技巨頭是這一波AI浪潮最大的受益者。比如微軟，雲業務營收31%的同比增速中，有7%直接歸因于AI技術。摩根士丹利分析，AI驅動将有效推動百度的廣告轉化率提升，預計到2024年，AI技術将為百度帶來約30億的廣告增量收入。
小公司小閉環。産模一體化提供了AI商業化的一個路徑：踐行“産模一體化”的出門問問成為了國内AIGC第一股。産模結合最大的魅力，更在于它能夠實作更徹底的端到端訓練，進而形成「資料飛輪」效應，最終實作讓資料自動驅動模型和産品的更新疊代。如果一個公司隻有産品沒有模型的一些相關技術，它會失去核心的競争力，但一個公司如果隻做模型參數而不做産品，技術就很有可能是研究人員的自嗨。
3.3 L3：AI創生時代
AI創生時代，AI與實體世界進一步融合，逐漸滲透逼近人在實體世界的生産活動行為邊界。從AI for science到生産制造，從人形機器人到世界模型，AI将逐漸突破人類為主語的創造範疇，世界模型将創造人類智慧之外的“第二智慧體系”。數字鍊條驅動實體鍊條，再反過來影響數字鍊條。
【判斷19】萬物融智，五大形态角力最強勢AI終端
為了實作規模化擴充，AI處理重心正向端側轉移。如果AI終端不普及，單靠統一的雲上AI很難打。從去年到今年，所有幾乎終端廠商的釋出都和AI相關，AI手機、AIPC、XR等便攜戴裝置、智能汽車、人形機器人，五大形态是核心。
AI終端的賽事不僅是形态有關，和功耗也有關。這就不難了解終端廠商自己要做晶片。也不難了解對于模型廠商，拿下類似蘋果這樣的終端意味着什麼。
從最新進展看，GPT-4o引發了外界對GPT-4o與Siri如何融合、ChatGPT與蘋果如何共同塑造下一代AI手機的廣泛關注。英偉達進階研究科學家 Jim Fan評論：誰先赢得蘋果，誰就赢得了勝利。這将是一個從一開始就擁有十億使用者的AI産品，對蘋果來說，OpenAI就像是智能手機領域的FSD。
無獨有偶，剛剛，谷歌宣布Gemini 正在“成為 Android 上新的人工智能助手”。今年的看點是：谷歌和蘋果在軟硬結合上能不能玩得更好。
對于終端廠商來講，這是必争的一戰，短期來看，這意味着搶占流量入口，帶動換機需求；長期來看，Device-as-a-Service，終端将從客體逐漸演化為主體，與人共同和外部空間互動，這已經超越了消費電子和網際網路超級平台的概念。
【判斷20】FSD從汽車到機器人，端到端加速落地
FSD（Full Self-Driving，全自動駕駛）技術在汽車領域的應用是目前的熱點話題，而今天，這個概念也在走向機器人。在自動駕駛領域發生的事情還會在機器人領域發生。汽車和機器人有很多相似之處：感覺系統、決策算法、路徑規劃、系統內建、安全和備援、互動能力、适應性、倫理和責任。當然，将FSD技術應用于機器人領域可能會面臨一些額外的挑戰，例如機器人的尺寸和形狀多樣性，以及與人類更密切的互動。
【判斷21】從空間計算到空間智能，核心是讓虛拟時空符合實體規律
李飛飛創立新AI公司，專注于“空間智能”，旨在讓AI像人類一樣進行進階視覺推理。從Vision Pro到李飛飛的創業，空間計算成為趨勢。真實空間實體系統的時空屬性變化遵循客觀規律，空間計算平台對于時空屬性的程式控制需要考慮客觀實體規律前提。空間計算的核心命題，是讓虛拟時空符合實體規律。為什麼要符合實體規律？隻有這樣，才能從物體之間的關系中獲得預測和洞察力的能力，從空間計算到空間智能。
【判斷22】具身智能是“被期許的王”，木桶效應決定落地速度
為什麼具身智能，以及人形機器人這麼火？因為我們太需要一個超級終端品類去承載AI和各類技術，拉動工業上遊的增長。
那麼，具身智能是不是一定要越來越“像人”？雙足是不是必須的？人形是不是必須的？不一定。用金屬結構去模仿分子結構天淵之别的生物骨骼和肌肉結構，這個仿生學思維方向是很性感的，但不一定符合奧卡姆剃刀原理。奧卡姆剃刀原理的核心是——如無必要，勿增實體。從實用主義的角度，具身智能不必像人；從情感陪伴的角度，人形機器人不一定需要過多功能。
前陣子我在中關村論壇主持人形機器人圍爐夜話，一位觀衆站起來說，孩子在國外，自己四五十歲，但已經是空巢老人，他願意花二三十萬去買一個人形機器人——不需要它做飯，不需要它幹活兒，它隻需要長得很像人，可以陪他坐坐，在家裡走兩步。功能和情感的訴求，對具身智能的期待是不同的。
但另一方面，值得強調的是，具身智能的發展受限于木桶效應。軟體可以指數級疊代，硬體很難。當AI進入具身智能，技術次元很多，疊代最慢的技術會影響具身智能的落地速度。
【判斷23】AI科學革命，人類後退一步，AI向前一步
AI正在推動新一波科學革命。比如剛剛釋出的AlphaFold 3，采用了AI繪畫的常見技術——去噪擴散模型。在一個案例裡，AlphaFold 3預測了一個蛋白質和DNA雙螺旋如何緊密擁抱，這個預測幾乎和科學家辛苦實驗發現的真實樣子一模一樣。想象一下，AI像搞藝術一樣地搞科研：從一團模糊的原子“泥漿”開始，一步步雕琢，最後呈現出了清晰的分子結構，連每個原子的三維位置都能精準給出。AlphaFold 3預測分子之間互相作用本事，比現在所有的工具都要厲害——誰能想象，藥物發現和藝術創作在AI的智慧體系裡可能是同一件事。
【判斷24】目前的AI很“INTJ”，世界模型仍有多元可能
剛才的例子也說明，在AI的智慧體系裡，學科分類正在模糊。我們要進一步追問，AI的智慧體系将形成怎樣的特征？開個玩笑，現在的人工智能更像MBTI測試裡的INTJ：I：與人互動需要能量；N：更關注抽象而非實感；T：更理性而非感性；J：更傾向于做決定、下結論而不是保持靈活态度。
當人們在辯論AI世界模型的時候，背後是對智慧本身不同的了解。實體規則模型、統計模型、代理模型、混合現實、數字孿生與仿真、系統動力學模型、因果模型、模拟進化模型、認知架構模型……這背後和技術範式的選擇也息息相關。
自2017年谷歌發表開創性論文以來，Transformer架構已成為主導範式，然而，在AI研究領域的邊緣，一些團隊正在努力開發新一代AI架構，這些架構在不同方面優于Transformer。從自然進化的角度看，要衡量某種物種演化成功與否，評斷标準就在于世界上其DNA螺旋的拷貝數的多寡。同理，世界模型将何去何從，我們隻有從最終的應用中獲得答案。
3.4 L4：AI文明時代
【判斷25】社會角色：AI術業有專攻，人類分工扁平化
傳統工業文明時代，社會具有明确的分工，不同行業、不同場景、不同職業泾渭分明。伴随AI技術的應用，将會拉平普通人與專業人才之間的能力差距，讓勞動分工更扁平。
【判斷26】自體心理：知識半衰期縮短，安全感需要新的滿足
1900年，人類的知識大約每世紀翻一番；1945年，人類的知識大約每25年翻一番；1982年，每12-13個月翻一番；2020年，人類的知識總量每12小時翻一番。
一個世紀前，工程師在獲得學位時所學的一半知識需要35年的時間才能被推翻或替換。而現在，工程學位的半衰期在2.5到5年之間。伴随知識的擷取成本無限逼近于0，知識的半衰期快速縮短。
生成技術帶來内容泛濫，而人類的帶寬有限，快速過時的知識、大規模無法分辨真假的資訊會将人類引向何方？AI的文明對自體心理發出了挑戰。科技很快，人性很慢。人們需要新的安全感，而這些安全感越來越不來自知識。
【判斷27】人機協作：從半人馬模式到賽博格模式
AI對不同人表現出不同的作用力，白領工作可能面臨更多由AI直接替代的風險，而藍領和綠領工作則可能更多地受到AI輔助和增強的影響。
人與人工智能協同有兩種模式：第一種，Centaurs（半人馬模式）：工作者決定哪些任務由AI完成，哪些由人類完成，AI和人類工作者在任務完成上有第二種，Cyborgs（賽博格模式）：人完全将他們的工作流程與AI內建，并且持續地與技術互動，人與AI的能力形成一個統一系統，工作
人在數字鍊條裡待的比例越來越高，AI在實體鍊條裡待的比例越來越高。伴随這個過程，賽博格模式将越來越主流。
【判斷28】經濟權重：從研發為生産服務，到生産為研發服務
AI會改變經濟的權重。傳統工業時代，研發是為生産服務的；而數字經濟時代，是生産為研發服務。比如，蘋果公司在全球有成百上千家零件供應商，是蘋果公司為這些廠商服務，還是這些廠商為蘋果公司服務？毫無疑問，生産為研發服務——蘋果公司的研發創造了軟價值，而生産和裝配者隻是兌現這些價值，前者創造的價值占80%，後者創造的硬價值隻占20%，這種“二八現象”成為經濟價值分布的常态。資訊态财富一定會控制全球物質态财富的創造。
【判斷29】文化形态，AI推動人類認知重塑，開啟新一輪文藝複興
具有相同認知觀念的人群逐漸形成新的文化圈層，并進一步推動AI版本的文藝複興。代際沖突、話語權區隔、文化與亞文化的互換……此刻人類做的很多事情可能會變成未來的非物質文化遺産。
【判斷30】雙生文明：界限模糊，人與AI“彼此彼此”
AI會深度參與人類的實體世界和心靈世界，人類智慧與AI将互相影響、共同進化，人類文明進入“雙生時代”。
4.反思
4.1 AI是否真的創造了新的需求？
關于AI，我最近一直在思考一個問題。AI對供給側的改革是毋庸置疑的，但總需求呢？如果一項技術對生産端的加持遠大于對需求端的激發，有可能出現相關産品價格的下跌，結果相關GDP反而會變小。技術對經濟的影響是非常複雜的。也許AI無法完全避免當年網際網路泡沫的覆轍，“路多車少”是無法真正跑完閉環的。是以我們很有可能經曆局部的經濟陣痛。
4.2 是人類馴服了AI，還是AI馴服了人類？
《人類簡史》有一個著名的表述：不是人類馴服了小麥，而是小麥馴服了人類。
人類曾有長達250萬年的時間靠采集及狩獵為生，直到大約1萬年前的農業革命。在短短1000年内，小麥突然就傳遍了世界各地，同時開啟了人口爆炸。這似乎是個人越來越聰明的故事，人們馴化綿羊、種植小麥，日出而作，日入而息，人類忙着播種、澆水、除草、牧羊……但尤瓦爾赫拉利說了一個非常極端的話，他說，農業革命真正的本質是：讓更多的人以更糟的狀況活下去。
他說，并沒有任何證據顯示人類越來越聰明。農業革命所帶來的非但不是輕松生活的新時代，反而讓農民過着比采集者更辛苦、更不滿足的生活。人類的食物總量增加了，但農民的工作要比采集者更辛苦，而且飲食可能還要更糟。
到了今天，雖然人類有着種種先進科技，但食物熱量超過90%的來源仍然是被馴化的植物。“馴化”一詞來自拉丁文，意思就是“房子”。但現在關在房子裡的可不是小麥，而是智人。這個故事今天看起來很熟悉——從資訊時代開始，我們越來越被“困在系統裡”。人類改變了資訊，也被資訊改變。進一步，不知道是人類馴服了AI，還是AI馴服了人類。
“從動物到上帝”，不一定是人類的追求，但更像是人類治下AI的發展方向。有人說，那不妨停下來吧——但去年甲子引力我們也提到過科技發展的三定律，技術的發展并不以個人的意志為轉移。在一個自由市場中，效率的最大化是無法人為阻止的過程。這不禁讓我們追問，生命的本質和AI究竟是否不同。
4.3 生命以負熵為食
在實體學中，熵是一個衡量系統無序程度的量。奧地利實體學家薛定谔首次提出：生命以負熵為食。生命依靠從外部環境攝取負熵來維持和發展。新陳代謝的過程，是有機體通過“入”和“出”的交換消除活着的時候不得不産生的熵。
生命是遠離熱力學平衡的。它從環境攝入進階形态的能量，維持和發展生命，将低級形态的能量排給環境。
生命以負熵為食。AI呢？AI對熵的影響是一個複雜的問題。一方面，AI系統能夠識别模式，預判趨勢，進而減少資料的混亂度，增加資訊的有序性；另一方面，AI的發展所導緻的社會結構變化，例如工作崗位的消失，會階段性地增加社會系統的複雜性，尤其是“黑箱”模型引入了新的不确定性；此外，AI系統在運作過程中會消耗能量，增加熱力學熵，尤其是在“信能比”低的情況下。
簡言之，AI系統在不同的時空尺度上減少了某些熵，增加了另一些熵，将混亂度從一個系統轉移到另一個系統。當然，更長期的視角看，AI會形成新的秩序和結構，但過程中也時時考驗着人類的社會治理能力。
AI增加了複雜性，需要更多的力氣去把握這種複雜性。通過GPU産生的智慧，往往要消耗更多的GPU來制衡，這又對能源的供給提出了新的要求……這個邏輯會一直演繹下去。
4.4 雙生文明的序章：AI會是那個水中的月亮嗎？
在面對AI層出不窮的進展時，我偶爾會想起一個故事：猴子爬着樹去夠月亮……Oh yeah，我們不斷接近；Oh No，我們始終不及……最難走的路也許是捷徑，或者通向天堂，或者通向大坑。速度并不是文明進步的标尺。AI是我們去撈月的方法，而也許并不是那個月亮。
以上，感謝甲子光年團隊，今天的大報告就到這裡，謝謝大家。