以下内容整理自2024AI+研发数字（AiDD）峰会深圳站对话环节：（全文约12485字,预计阅读时间15分钟）。
▼
对话主题：大模型下半场：如何开发出杀手级的工具或应用？
彭靖田：谷歌开发者专家/谷歌出海创业加速器导师
徐 昊：金蝶中国苍穹平台解决方案事业部总经理
汪晟杰：腾讯云资深技术产品专家
李明宇：中科院计算所高级工程师、Eagle DevAgent作者
邢家玮：微软亚太研发集团高级产品经理
本期内容同步还有播客音频供学习，扫描下方小宇宙二维码，即刻收听！👇
📑SHOWNOTES：
AI 泡沫论再起，对行业是负面影响？
▶主持人彭靖田
OpenAI 的 ChatGPT 发布之后，大模型一炮而红，成为大众特别是普通人广泛关注的重要事件。今年， OpenAI 又发布了 o1 model， o1 model 跟传统的 GPT 模型相比，有一个很大的分水岭。有一种说法叫做 o1是大语言推理模型LRM（大型推理模型）。但是 o1 发布之后，它的口碑一直是呈现两极分化的。在过去两年中，市场上也缺乏真正的杀手级应用。每一轮 AI 崛起都会伴随一次 AI 泡沫论。那不知道几位嘉宾如何看待AI 泡沫论，以及它对行业的影响？
▶徐昊
在大模型这个层面上，我认为短期内确实存在被高估的现象，市场上确实有一定的泡沫。但是长期还是被低估了，但这个长期是五年还是十年？现在好像还很难预测。首先，大家可以看到大模型方面的技术突破是比较快的，尽管也遇到了一些问题和挑战，比如训练的问题，但整体来看，这两年是以我们从来没有想象到的速度发展的。但是在商业变现上，实际上目前还没有看到一些所谓的“杀手级应用”（Killer APP）能够去统治全球。当然我们看到了无论是微软还是谷歌，包括像我们国内的一些互联网大厂，也都在升级自己的 AI 能力，但最终哪个场景、哪个赛道会诞生真正的 Killer APP 去颠覆这个领域，目前仍然难以预测。因此，短期内我们需要对市场的高估和泡沫做好心理准备。
为什么说长期被低估了？我认为这次AI变革不会取代人类，但会极大改变我们与机器的协作方式。虽然我不敢断言这一定是第五次工业革命，但我相信它将像Windows淘汰DOS、智能手机取代功能手机一样，成为一个重要的大过滤器。在未来，同样价格的产品，如果我的同行都具备AI能力，但我没有，那么我将可能被市场淘汰。因此，从这个大过滤器的角度来看，长期来看，AI的影响力绝不可小觑和低估。
▶汪晟杰
刚才提到的Open AI中的大模型，特别是像o1的慢思考特性，这种特性旨在提升思考反思过程，从而提高生成的精准性。目前，大家肯定也在思考一个核心问题：如何让智能变得更智能，如何更好地理解用户需求。大模型的架构在这个过程中，通过推理和模仿，利用慢思考将任务拆解，从而实现更高的精准度。
我们一直专注于代码领域的赛道，下午的分享也会围绕腾讯云AI代码助手的RAG（检索增强生成）和智能体实践展开。我们的初衷是让代码生成过程更加高效。最近国际上也有一些成功的例子，如Cursor和GitHub Copilot，它们尝试利用o1模型来提升需求和工程生成的准确率，这是一个很好的机遇，同时也能激发模型的潜力。
那么，谁来激发这种潜力呢？我认为，关键在于具体的应用场景及对这些场景的理解和探索。以教育行业为例，我们可以利用o1的慢思考特性来帮助老师和学生。老师可以把制作课件要点给到o1，提高制作的速度和质量。而学生则可以基于要点知识检索增强，举一反三的出题强化并巩固知识点。AI还可以利用慢思考解答问题的过程，收集试错数据，以此生成新的练习，进一步强化对知识点的理解，提升学习效果。这些都是非常好的赋能点。在这个过程中，o1不仅是一个工具或模型，它通过持续思考如何更精准地生成结果，而应用场景的设计则同样遵循这一逻辑，二者是一个互补的过程。
▶主持人彭靖田
o1确实开启了Inference CoT，包括它的训练方法，也更加贴近人类大脑的system2·慢思考。
▶李明宇
我想分享一些较为抽象的观点，首先是关于“泡沫”这个概念。为什么有些人认为AI的发展已经出现了泡沫？这可能与一些失败的案例有关。在这样的背景下，我们是否应该向AI学习，如何更有效地训练一个优秀的AI模型？AI的训练过程依赖于不断的试错和误差反向传递，只有经历了这些试错，才能构建出有效的神经网络。因此，失败的案例其实是试错过程的结果。只要我们能够找到正确的梯度下降方向，就能发现创造价值的点，那就不再是泡沫。
第二个角度是从经济发展的历史来看，实际上没有泡沫就没有增长。虽然大家都追求增长，同时又对泡沫心存畏惧，但这是否意味着增长只会把握在勇敢者手中？我们其实没必要那么害怕泡沫的出现，当某个领域出现泡沫时，往往意味着这一领域可能是快速增长的方向，相反，我们应该积极拥抱这种变化。我认为目前的泡沫还远没达到一定的高度，可能会出现另外的反差。
▶主持人彭靖田
李老师的观点非常有意思，我与您在大多数看法上都非常一致，特别是在快速试错这一点上。硅谷被认为是这一轮的创新高地，也是半导体技术的创新高地。无论是YC孵化器还是在硅谷发展起来的其他企业，都强调“快速失败”（Fail-fast）的理念。正如我们刚刚提到的，只有通过快速试错才能发现问题所在，才知道怎么及时调整。
此外，您提到的泡沫概念同样引人深思。我认为通过合理的市场机制，泡沫最终会导致价值的回归。这样的市场环境不仅能促进创新，也能为企业提供更多学习和成长的机会。
▶邢家玮
我赞同明宇老师的观点，关于“AI泡沫论”的讨论确实有其合理性，但是否已真正进入泡沫阶段，还有待商榷。当前，在C端尚未出现真正意义上的杀手级应用，B端也缺乏能够显著提升生产力和带来直接商业价值的解决方案。因此，许多人不免质疑，我们在这一领域投入的巨额资金是否合理和明智。
正如徐总提到的那样，AI的短期潜力可能被高估，但其长期价值却常常被低估。在我看来，AI的核心价值在于提升生产力，使人们能够更高效地完成更多任务，这个价值本身是明确的。然而，任何事物发展都需要一个过程，目前这一价值尚未完全显现，导致公众对AI的长期整体判断出现偏差。
当前的挑战不仅仅源于技术的局限性。尽管AI技术正在迅速发展，在某些领域已有一定用户基础，覆盖面也在扩大，但在企业级应用中，我们仍缺乏经过充分验证、能够大幅提升生产力的系统性AI解决方案。现有的方案在实际效果上并未达到预期，这是“AI泡沫论”产生的主要原因之一。
▶主持人彭靖田
“泡沫”这个词在历史上出现过多次。通过几位嘉宾不同公司的视角，我们对AI泡沫有了更冷静的认识。回到个体来说，无论AI 怎样泡沫，市场怎样发展， AI 怎样驱动研发变革，在生产力快速发展的背景下，更重要的是如何抓住技术红利。
大家都知道，新技术在这几年是一个层出不穷的状态，尤其是这一轮大模型的快速发展和今年备受关注的具身智能。如果大家关注海外动态，就会注意到李飞飞老师，她是ImageNet的发起人之一，李飞飞老师最近成立的World Labs在短短一个多月内估值就突破了10亿美元，这充分表明了投资界对空间智能这一新领域巨大潜力的认可。
面对如此众多的新技术，作为个体的我们应该如何抓住技术红利呢？
▶徐昊
首先，我们需要对所谓的技术红利有一个清晰的认知：它是否真的是一个可以落地的红利？回想一下，如果今天的会议是在5年前或10年前举行，我们可能会讨论3D打印、区块链，以及如今已不再热门的数据中台等概念。这些技术在当时都曾引起相当大的热度，但最终没有形成普遍的社会共识或实现商业化，这背后的原因值得我们思考。创业者只有理清这些问题，才能找到真正的红利。如果某项技术并非红利，那么在付出后，我们能否迅速从失败中恢复？失败并不可怕，可怕的是在失败后没有第二次机会。因此，这一点值得我们深思。
其次，个人的修养与适应能力也至关重要。颠覆自我是非常困难的。我们常常谈论要拥抱AI、掌握新技术，但无论是对个人还是企业来说，完全颠覆已有的习惯和能力都是一项痛苦的挑战。很多时候，我们在做事情时会受到固有思维的限制，这对拥抱新技术红利并不友好。举个例子，2016年我们安排了一批人研究微服务和容器化，可能在座的很多互联网大厂的同事觉得这很正常，但这在ERP行业就是离经叛道。当我们向一些央企介绍这些概念时，他们常常表示：“我们是计划经济，每年生产多少是固定的，你跟我讲这些干嘛呢？我不在乎什么高性能、敏捷。”在这样的情况下，我们是否能够坚持做这件事，并最终证明即便在计划经济下，高性能和敏捷也是必要的？这对个人的心性是一个挑战。只有坚信自己能够成功，并在把握红利的基础上坚持下去，才能有可能实现突破。这是我认为抓住技术红利所需的两个关键特质。
▶汪晟杰
刚才徐总说得非常好。在大模型时代，企业对大模型的态度上是又爱又恐慌。对于企业来说，可能关注的焦点主要在于以下几个方面：首先，它是否能有效提升研发效率？其次，使用大模型会对我的算力成本产生多大影响？此外，预算的增加将带来怎样的效益？它又会对我的用人方式产生哪些变化？
回到大模型应用开发，它是一个创新的领域。例如，李飞飞教授的空间智能也属于这一创新赛道。既然我们都在追求创新，那么在探索新方向时，我们需要有效评估潜在的创新价值和试错成本。在内部，我们利用商业画布等工具来梳理思路，推演并确定产品价值发力点。对于企业类产品，要确定清晰的工具类产品在企业内的价值点，是提升效率，改善流程还是提高效率等等。以AI代码助手作为例子，我们一开始确定了产品要走标品化建设，并由内部孵化到赋能外部企业的产品打磨路线，把腾讯内部几万人使用当作私有化部署的一个KA客户。我们很多的产品最佳实践来自于内部口碑。所以关键在于需要明确哪些场景和功能是企业的痛点，哪些产品能力能真正解决企业问题的。
与B端需求不同，个人用户的期望更为多样。例如，用户希望它们能够像Cursor那样，随时随地为开发者提供支持，通过自然语言生成代码工程等，在改变开发者习惯上他做成功了。IDE作为一个开发者平台，基于大模型的推理能力，AI是能够预测用户可能的下一步操作，并在调试过程中预见可能出现的问题。这些点也是很好的价值点差异。
智能体目前的核心还是体现在它具备全链路的存储，每个用户的对话记忆都被纳入其中。然后通过一系列的检索方法获取，它可以是RAG（检索增强生成）或是用户的本地相似度检索等手段。基于询问记忆体并得到一定的结果后，通用后置处理判断确定是进一步反思检索或者是调用下一个智能体，通过人机交互，我们就能够为C端用户提供极佳的使用体验，从而显著提升本地IDE工具的效率。这正是Cursor最近受欢迎的原因，也就是说，用户可以通过自然语言需求快速生成项目应用。我们的助手也正在朝着这个方向积极探索。
▶邢家玮
在刚才的分享中，两位老师从宏观角度探讨了大模型技术的应用场景。我想从大多数普通人的角度，来看看大模型技术给我们带来的具体红利，由此反推我们如何高效抓住这些机会。
首先，这些技术红利在工作、学习和生活三个方面为我们带来了显著的变化，我举一些例子，在工作方面，大模型工具的使用显著提升了工作效率，优化了工作表现。例如，通过自动化和智能化工具的支持，我们可以更高效地完成任务，减少加班时间，从而提高工作与生活的平衡。在生活层面，AI的应用让个性化定制变得前所未有的便捷。以健身减肥为例，过去我们可能需要花高价请专业健身教练为自己设计减肥方案，但如今借助AI工具，只需输入个人信息，就可以生成量身定制的健身计划，大大降低了时间和经济成本。
要充分利用这些技术红利，普通人最需要掌握的是与大模型互动的能力。借助自然语言提示技术，普通人已经能够参与许多与AI相关的工作。因此，我建议大家可以系统性地学习提示工程或探索低代码平台的使用方法，以便在工作和学习中最大化利用这些工具带来的便利。
大模型技术已经在各个领域为我们打开了新的可能性。普通大众不需要过于关注技术本身的复杂性，而应专注于如何高效地运用这些技术来服务自身的工作与生活。
▶主持人彭靖田
我认为，大模型将深刻影响教育行业。从我的认知来看，语言这个权利其实在过去的一两百年才刚刚普及到普罗大众，一两百年前大部分人是不识字的，他连语言是什么都不知道，而互联网与大模型的结合使得知识变得更加平民化，人人都可以很轻松地接触到各种各样的知识。正如刚才家玮老师提到的，以前如果我们想请一个私教或语言教练，通常需要花费几百元一小时，而他们传授的知识和概念，可能还不如一个免费的大模型所提供的内容。因为这两个知识体量本身是不同的，这反映了知识的体量差异，也揭示了其中蕴含的商业机会。在大模型商业化落地的过程当中，我不知道几位老师有没有看到一些好的行业和场景，是企业值得去切入的？
▶李明宇
如果直接回答这个问题，我在刚才的分享中已经给出了答案。我肯定选的是一个有前景的切入点才会做这个事情，才会创业。尽管有了人工智能助手，程序员为什么仍然习惯于进行搜索呢？他们到底在搜些什么？所提问的问题背后，其实反映了更深层次的需求。我们能否找到更有效的方式来解决这些问题？那这个实际上就是我的切入点。“代码问题，就问Eagle！”，可以通过像Eagle DevAgent这样的工具来得到更好的解决。
从方法论的角度来说，我非常崇尚一位作者彼得·蒂尔(Peter Thiel)，他是 Paypal 的联合创始人，后来成立了Founders Fund基金，并投资了SpaceX。他在十多年前出版的书籍《从0到1》广受欢迎，我一直将其视为创业者的必读书籍之一。作者讲了非常重要的一个观点，他说你怎样去开创一个新的事业，其中最核心的一点是找到未被满足的需求，或者说在当前科技创新的背景下，你可以满足，但是过去没有被满足或者没有被充分满足的这个点去切入，从这个角度来看，这就是一种有效的方法论。
今天，我们站在一个非常有利的时刻，AI来了。因为AI的到来使得许多过去难以解决的问题和痛点，现在通过AI解决变得可行。这为我们提供了一个很好的切入点。从我个人的经验来看，在开发Eagle这个开发者智能体之前，我们尝试过多个行业，包括金融、医疗等。然而，在短暂的探索和试错过程中，我觉得不是梯度下降的方向，因此决定迅速放弃，转向我更熟悉的领域。这让我深刻体会到，选择自己熟悉的业务场景是非常重要的。
由于AI的到来，它将带来前所未有的变化。如果对某个业务不够熟悉，想要深入理解并参与其中可能会导致较大的偏差。我们需要明确用户对于AI生成结果的接受度是什么样的：哪些结果尽管存在错误但依然被认为有价值，哪些结果则是用户无法容忍错误，哪怕是微小的偏差？如果对业务不够了解，很难做出准确的判断。
企业视角下的LLM潜力行业与切入点
▶主持人彭靖田
非常赞同这个观点。我自己之前创业一直是 CTO 的身份，接触过一些KA客户。在过去的十年中，我意识到一个很重要的创业经验：成功并不在于首先开发出产品或展示技术的优越性，而在于找到愿意为之买单的客户，识别各个行业中有利润的场景。金蝶肯定是看过很多的行业，在这方面一定积累了丰富的经验，不知道徐昊总对此有什么见解。
▶徐昊
在这方面，业界已有一些共识。比如在北美市场，我们观察到许多应用主要集中在办公领域，包括编程辅助、文案生成和图像文字处理。此外，客服和零售对话等领域也在不断发展。基于当前的AIGC技术，我们能够推测出一些潜在的行业和领域。
我们确实在这个问题上做过很多深入的研究，过去，有人问我们是否应该涉足这个领域，我们现在初步的结论是，对于一些不需要绝对精准的任务，只要能够提高效率就可以做。比如说生成一篇文章或工作总结，即使不够精准，也没有严格的对错，也相对简单，它就可以去做，这类任务的效率提升是可以实现的。
另一方面，对于那些复杂且需要精准的事务，比如编制资产负债表，它们通常涉及多种数据的汇总，要求相对较高也比较复杂。在这种情况下，单纯提高效率是不现实的，提升用户体验更为重要。无论是给报表的人，还是看报表的人，还是处理数据的人，都可以通过自然语言对话、自动生成能力以及一些Agent的复用，来改善报表编制者、使用者和数据处理者的体验。
因此，简单任务的效率提升和复杂任务的体验提升，都是我们这次AI重构的适用方向。
▶邢家玮
我相信随着AI技术的日益成熟，不同行业都蕴藏着巨大的应用潜力。那么，哪些场景更具发展前景？从应用角度来看，企业中与收益直接相关的部门，如营销和销售部门，往往是AI应用的首选领域。大模型技术在这些部门内能够发挥出显著的增益效果，例如自动生成营销内容、提供智能客服等。由于这些环节与收入直接挂钩，优化投入后能够迅速带来可观的回报，因此企业更倾向于优先在这些领域投入资源。
然而，最大的应用潜力并不应单纯从技术切入，而应与企业的核心业务深度结合。仅仅因为某一AI模型技术强大而盲目引入AI，可能导致本末倒置。真正有价值的方向是以企业的主营业务需求为核心，从内部需求出发，将已有的经验和数据优势与AI结合，通过技术手段放大业务优势，从而在市场中占据更强的竞争力，实现更高的回报。
在我们过往的一些ToB项目中，通过组织工作坊，集结各部门员工共同探讨业务痛点与改进需求。例如，在一个医药行业项目中，我们与客户各部门的业务人员深入沟通，挖掘了企业内部的核心需求。最终确定的一个关键场景是：业务人员在检索资料时效率低下，影响了工作效果。由痛点出发，我们协助企业构建了一个企业知识库和智能问答系统，大幅提升了信息检索的效率。
在推动AI落地的过程中，准确梳理行业内的业务流程尤为重要。只有在深入理解和分析每一环节的前提下，才能精准识别出潜在的切入点和应用场景。这不仅依赖于AI专家的技术能力，更需要业务专家的行业洞察，帮助企业把握市场需求，实现AI赋能业务的真正价值。
AI时代人才核心竞争力与未来规划
▶主持人彭靖田
听下来，在高利润行业中，寻找利润中心的场景来解决问题是一个非常有效的切入点。在座寻找创业机会的朋友可以关注下这些行业。
从2018年GPT-1发布，到2020年的GPT-3、2022年底的ChatGPT，以及今年的o1，过去六年的时间，我们看到大模型技术在飞速发展中。
埃隆·马斯克在前几天的直播中提到，他之前曾预测AI的智能成长速度将是每年十倍，当然他一直持有激进且乐观的观点。因此当被问及2030年AI是否会超过人类时，马斯克非常笃定地讲，那时的AI智能将比现在强一万到十万倍。
虽然每个人对智能的定义不太一样，但这无疑带来了新的焦虑：在职场中，我们如何与AI PK？如何保持职场竞争力？几位嘉宾都是职场经验丰富的管理者，因此我们想听听几位嘉宾在这样的一个AI飞速发展的大背景下，对人才核心竞争力的看法，以及面向未来，应该如何培养自己的技能。
▶徐昊
第一，保持好奇心。我可能是这几位嘉宾中年龄较大的，以前曾经跟我一起战斗过的一些兄弟，十年或二十年后可能会在这个领域听不到他们的声音了，或者不知道他们在做什么。后来发现，这并不是因为他们的能力或知识体系出现了问题，而是他们的心态缺乏了好奇心，觉得“差不多就行了”。对事物的热爱和好奇心能帮助你保持在专业领域的专业度和竞争力。
第二，适应新技术，与之共同成长。比如说，我最近在教我的父亲使用豆包来查找糖醋鱼的做法，打开电脑问豆包，这样他不至于慢慢跟这个社会脱节。在生活和工作中，工具类产品的使用至关重要。无论是AI开发助手还是其他工具，只要将它们嵌入日常工作中，就能持续提升职场竞争力，尤其是在AI这样的热门话题中。
第三，明确“谁为你买单”。在学习和职场发展中，始终要思考这一点，到底是谁在为你买单？。我们常常将公司的能力视为自己的能力，把体系的力量当作自己的力量。但一旦失去这个公司或失去这些光环，你可能会发现自己不过是一个螺丝钉，而这个螺丝钉本身并不能实现价值。
所以说如果你在大公司或体系中工作，希望大家能做到像U盘一样，即插即用，你的知识体系跟着你走，同时意识到自己也只是一个U盘，不能单独产生价值。反过来，对于创业者来说，必须清楚你的买家是谁——无论是投资者、客户还是合伙人，你在这个体系中的价值最终是谁在买单？就像我之前提到的，我们开发的AI助手年成本为70万，客户问为什么不花30万雇一个硕士，可能效果还比这个好。因此，始终要考虑买单的人是谁，他们为什么会选择你的产品或服务。这种思考将帮助你在职场和商场中持续保持清醒的头脑。
▶主持人彭靖田
我觉得徐总提到的话题特别好，在职场中，我们既要保持冷静和客观，又要清楚自己的价值所在。最近，我注意到互联网上企业家与雇员之间的对立情绪非常强烈。我看到一个非常有意思的案例，一个项目组的成员认为自己是项目的核心，合同额接近200万，但他在这个项目中工作了大半年，最终只挣了十几万的工资，大头都被老板拿走了，认为这种分配不合理。
正如徐总所说，如果你觉得自己的价值能匹配200万的合同，那么你应该主动去签一个这样的合同，亲自把项目做出来。然而事实是，绝大多数人并没有能力或勇气采取这样的行动。与其抱怨现状，不如认真思考自己的核心竞争力，以及在长期职业规划中应该培养哪些技能。
一个人在项目中负责特定环节与全面操盘整个项目是有本质区别的。因此，理解自己的价值和能力，明确未来的发展方向，才是更为重要的。
▶汪晟杰
我们需要想清大模型能够在我未来职业生涯的 5 年或者 10 年中扮演什么样的角色？我们可以将大模型视为一项新技术，但是不必对其抱有过高的预期。首先要热爱自己的行业，并在其中保持好奇心和创新意识。当面对问题时，要思考是否有更好的解决方案。大模型是一种解决方案，传统方法也是，不能简单地判断谁对谁错。
我们也必须具备与时俱进的能力，技术需要不断更新。许多知识点在不断演变，虽然这些新概念可能也是对传统概念思考过程的重新包装，但它们也确实带来了差异化。
对于个人，你就要学会一些更基础的知识点，比如大模型的原理、如何编写有效的提示词工程，以及软件工程和编程的基本技能，比如你可以专注在架构深层次上面，让你的应用写得效率更高。大模型是一种新技术，但并不意味着学习了大模型就可以忽视其他知识，逻辑思维依然至关重要。
如果你不够深入某一领域，那么就要有广度，涉猎广泛。深的逻辑是你可能选择成为大模型的专家，往下深耕大模型，深入研究其应用和算法。广的逻辑是要广泛了解各个行业的知识，形成一个系统性的工程思维。这两条路径都能对你未来五年或十年的职业发展有很大的帮助。
▶李明宇
我想分享两个小例子。第一个是关于我在招募前端工程师时的经历。最近，前端工程师们似乎普遍感到焦虑，担心自己会被大模型取代。我面试了十多位候选人，他们的技术水平相似，但我总觉得缺口气，到底气差在哪呢？难以具体描述。直到有一位小伙子，当我问他选择公司和岗位时最看重什么，他回答说，他希望能在一个支持的环境中工作，追求前端体验的极致，而不是仅仅完成任务后就迅速转向下一个功能。他渴望有空间去优化产品，提升用户体验。最终，这位小伙子被录用了。这让我意识到，前端工程师的核心竞争力在于他们对用户体验的敏感度和追求卓越的态度，这是非常重要的，正是这种对用户满意度的关注和极致体验的追求，使得他们不容易被大模型取代。
第二个例子是关于我们鼓励运营和销售团队使用AI编程的做法。虽然我不建议他们自己去学习代码，但我鼓励他们利用AI生成代码来解决一些实际问题。在很多公司，销售团队对IT部门开发的BI系统常常有未满足的需求。例如，BI系统通常有导出Excel的功能，然后销售人员在Excel中再做处理数据，并且依然有很多困惑是在Excel也解决不了的。如果他们知道可以使用AI生成Python代码来处理数据，那么就能迅速得到所需的结果，这种方式既高效又面向未来。
我相信，在未来3到5年，许多业务场景将能够通过自然语言提示生成代码来处理，而这些代码不需要非技术人员去理解。现在，许多销售和运营同事可能对这种方法并没有概念，也不知道该如何去做。但如果我们能让他们认识到这一点，虽然目前的应用还很有限，但从长远来看，面向未来 3 到 5 年，这将有助于他们的竞争力提升，也会对我们企业的整体竞争力产生积极影响。
▶邢家玮
在AI大模型时代，创新思维的培养变得尤为重要。我们类比信息革命，互联网使个人获取信息的边界在过去十几年里不断拓展。从必须去图书馆查阅资料到如今轻松在电脑上获取信息，这种便利提升了我们的认知和效率。
如今，AI大模型进一步扩展了个人能力的边界。例如过去需要编程技能才能完成的任务，现在借助工具如Cursor，非编程人员也能轻松生成代码。这种变化让创新更多依赖于个人能力的提升。
要在AI时代保持创新力，关键在于持续学习，跨领域探索。业务人员可以学一些编程基础，技术人员也需了解业务背景，寻找行业中的潜在机会。通过跨学科知识的融合，个人的创新能力会有显著提高。同时，企业在AI时代的应对也至关重要。未来，AI将成为企业的基础设施，推动端到端赋能。企业需要将AI融入战略，明确其在各业务流程中的角色。跨领域人才是关键——业务人员要具备AI技能，技术人员需理解行业痛点，将AI技术与业务需求紧密结合。
▶主持人彭靖田
刚才几位嘉宾提到保持好奇心和创新的重要性，并强调了持续学习的必要性。正如乔布斯所说的“stay hungry, stay foolish”，我想补充一个视角，那就是how to stay，如何保持学习的状态。在这里，我想引入一个来自认知神经科学的概念——元学习（Meta Learning），即“学习如何学习” learning how to learn。就像有一本书叫《如何阅读一本书》（How to read a book）。
在当今时代，元学习显得尤为重要。我们生活在一个知识快速膨胀的时代，知识和信息的边界变得越来越模糊，甚至真实信息与fake data虚假数据之间的界限也在不断模糊。如果把所有的数据看做一片森林，而这片森林中的根、叶子和节点都有其生命周期。人类所学习的许多知识，其实并没有那么长久的生命周期。在短短几十年的互联网和计算机历史中，出现过非常多的编程语言，但今天不会有人或者很少有人再去使用指令集，不会有人再去写汇编了，甚至C语言的使用也在逐渐减少，许多非常小众的语言正在慢慢消失。
同样，人文学科以及我们在企业中学到的许多知识也都是有生命周期的。Meta learning元学习的核心在于让我们不再执着于某一片叶子上到底有什么，因为那片叶子有可能是枯萎最快的。而是要关注整片森林的结构，明白这片森林到底有哪些不同的树？有哪些不同的植被？这是一个重要的概念，也是GPT-3所提出的“上下文学习”（in-context learning）的理念，包括后续我们看到的o1推理能力，帮助我们探索多样的路径和可能性。
▶观众提问
我有一个问题，刚才主持人提到的“元”（Meta）概念引起了我的兴趣。在当前AI的发展中，我们面临的一个主要挑战就是融合的问题，这实际上不仅是技术上的融合，还有更深层次的哲学层面的思考。
或许在中国这方面的讨论较少，但在西方哲学和神学的语境中，探讨万物的根本和不同学科之间的联系是非常普遍的。这种交叉学科的思维方式有助于我们从更基础的层面理解各种现象，并将不同的学科串联在一起。
基于这一点，我想请在座的各位嘉宾分享一些经验，尤其是在应用层面上，如何推进跨学科的整合。当新科技和新技术出现时，跨学科的结合至关重要。哲学在这方面是否能够提供一些启示？
多学科的应用一定会触及一些基础的通用概念，这些基础知识在科学发展中是不可或缺的。非常希望能听到大家对这一主题的深层次思考和见解。
▶徐昊
我理解他的意思是，中国在教育上虽然重视理工科，但实际上我们更侧重于应用工科，尤其是在计算机科学技术方面，而对基础理论研究的关注相对较少。例如，在物理学和数学等领域，我们的研究水平仍然一般。因此，面对新技术的快速迭代，依靠工科的知识有时显得力不从心。他希望能否借助一些更偏向理论的方法论来解决这些问题。
首先，我认为理科的许多进展和突破往往来自于两个层面。其一是理论研究，坦率来说，中国在这一领域仍在追赶，尤其是在经济发展过程中，许多学者仍然面临生存压力，比如购房和购车等问题。因此，进行理论突破的难度较大。我们在新技术的引进上，可能还需要依赖“拿来主义”，从海外学习，这在发展中国家中是普遍现象。
其二，许多理论实际上是通过应用实践反推出来的。近年来，很多互联网准则是由中国人定义的，但这些源头并非我们最初产生的。因此，我认为不必过于纠结于理论和通用性的问题。我们应专注于做好自己的工作，并不断进行抽象和总结。经过实践，可能在经历了100个、1000个场景之后，你就会成为这个理论的创造者。这种心态可能会让我们在面对挑战时更加自信。
总之，既然我们无法解决前面提到的理论问题，不如从实际场景中去抽象和总结，找到适合自己的方案和方向，这样可能会让我们在探索中更加坚定和有信心。
▶主持人彭靖田
▶李明宇
我试图理解刚才提到的问题，是否存在一套统一的理论或方法来应对科技变革和人工智能（AI）带来的挑战。随着各个行业和场景的不断变化，这方面的思考也在不断演进，许多观点甚至被推翻。例如，关于人脑结构是否可以用数字神经网络或GPT这样的Transformer结构来解释，虽然有一些人支持这一观点，但也有人提出反对意见。
在这个过程中，我有两个体验可以分享。首先，在AI领域，今年诺贝尔奖的颁发引发了一些有趣的讨论。化学奖还比较容易理解，因为它解决了具体的化学问题。然而，物理学奖颁给辛顿（Hinton）的原因让许多从事AI和物理学的人感到困惑，但这背后反映出了一些深刻的道理。我个人更倾向于与辛顿同年获得图灵奖的杨立昆的研究相关。他探讨了一个AI尚未解答的问题：人类在三岁之前是如何思考的？在没有语言能力的情况下，孩子是如何认识世界的？
例如，在图像识别的早期阶段，AI需要大量图像进行训练才能识别物体。而对于三岁的小孩，只需告诉他们“那是狗”，他们便能迅速识别所有的狗。这种能力的来源仍然是一个未解之谜。杨立昆提出了一种模型，将图像、声音和文字等多种表达形式映射到一个隐空间，并从该空间出发完成下游任务。这个隐空间到底是什么？它可能是文本的嵌入，也可能是图像或视频的某种映射。通过大量数据和一些掩码训练出来的结果，展现了一个很有趣的思路，或许更接近通用人工智能（AGI）的本质。不过，目前的技术是否是实现这一目标的最快路径仍然未知。
此外，关于AI的推动作用，最近两年社会上有很多讨论，尤其是关于AI是否会替代大量工作岗位的问题。虽然短期内可能会产生一些失业现象，但从长远来看，科技的发展往往会创造出更多的机会。当我们通过科技减少某项工作的复杂性和所需时间时，往往会创造出更大的价值。这种“少即是多”（less is more）的理念在许多例子中得到了验证。例如，打火机比火柴更方便，但打火机的普及反而推动了整个产业的增长，远超火柴的销量。同样，在云计算领域，虚拟化技术使得一台服务器的使用效率大幅提升，最终推动了云产业的快速发展，超出了许多人的预期。高铁的开通虽然减少了传统火车的班次，但实际上火车的总班次却呈现出数量级的增长。因此，AI的广泛应用会提高效率和易用性，从而创造出更多的机会。
我的工作台 |
注销
售前热线：4008-830-830
