万字实录：中美大模型生态及技术趋势 2024年4月12日，腾讯研究院联合前海国际事务研究院、青腾一同发起AI&Society人工智能+社会发展高端研讨会，第一期会议主题为“大模型时代的创业生态”，研讨会在深圳前海举办。 会议邀请国内外人工智能与社会治理方面的业界领袖和知名学者，重点围绕大模型创业生态构建的话题，通过专家主旨演讲和圆桌讨论的形式，分别对中美大模型生态及技术趋势、AI投资趋势及应用方向两个主题展开讨论。 以下是“中美大模型生态及技术趋势”圆桌实录，内容经嘉宾确认： 发言人：司晓（圆桌主持人）腾讯集团副总裁、腾讯研究院院长郑永年香港中文大学(深圳)教授前海国际事务研究院院长姚星元象XVERSE创始人兼CEO戴国浩 上海交通大学副教授、无问芯穹联合创始人兼首席科学家 司晓：下面我们开启第一个圆桌讨论环节，刚才三位嘉宾的精彩分享我相信大家一定是收获满满，我们也想从这个圆桌环节开始，继续进行一些深入的交流。大家会发现我们这个组合还是比较多元化的，从刚才几位专家的发言也能感受到我们这个论坛的设计是比较精心的。首先我们给三位嘉宾的第一个问题，其实刚才郑老师和姚星都谈到了中美大模型的对比问题，尤其我觉得作为专家的角度和创业者一线的角度还是有些许不同的，我想三位可以再从各自的角度谈谈中美大模型发展的主要区别在哪里，以及影响大模型生态发展到底有哪些因素导致了这些区别？如果展望未来，这些区别在中美大模型的竞争和产业化路线中会有哪些异同？ 郑永年： 谈不上专家，文科人对技术不太懂。但是上次看到一个视频讲中美之间的差别，说美国企业家创业，是为了实现idea，而中国企业家创业是为了当老板，我是觉得这种情况是存在的。美国芯片的发展为什么快？为什么美国政府不监管这个东西？还是出于文化上的一个使命感。你看看马斯克很多行为，我们是很难理解的。马斯克做特斯拉，特斯拉只是他追求另外一个目标的工具，他就是要征服宇宙，那这样的思路我们这边很少。我们的文明应用性非常强，我们学得很快，并且可以做得更好。 从这样的角度来看，如果要判断原创性的领域的未来很可能还是美国领先。造成这样结果并不是因为中国人笨，相反中国人非常聪明，你看现在主导美国芯片研发的团队里基本上都是华人。如何培养“从0到1”的原创性技术创新能力，我们需要的是体制上的改革。我也讲过如何跨越“中等技术陷阱”，这是一个系统性的工程，涉及到技术发明、基础科学研究、应用性技术、企业、市场、政府各个环节。如果我们把原创性的看作“0-1”，应用技术看作“1-10”，我们发现凡是能做“0-1”的原创性的东西的，他的应用技术也可以做到“8-10”，也就是做到最好。但是不能做“0-1”的，差不多像中国目前就做到“4-7或8”，后面就上不去了，就形成了这样一个局面。对于技术层面，各位嘉宾的发言让我很受启发，我们如何做应用技术，这个没问题，可以做得更好。如何做应用技术转向，有些原创性的东西，这是未来中美竞争的关键。 司晓： 郑老师说的让我想起我自己的一段经历。2015年在斯坦福做访问学者的时候，我当时租了相当于三室中的一个房间吧，类似于青年旅社的环境，白天大家各自干各自的事，晚上就在大堂相互交流。其中感觉很强烈的，就是有美国以外的人跑到硅谷一个人来创业，但是他们都坚定地认为自己能改变世界。你会感觉，怎么会这么想？什么都没有就开始改变世界？但他们是有点发自骨子里觉得自己就是能改变世界，这种文化是和国内有比较大的区别。 刚才姚总也谈到，你讲的登月计划其实某种意义上也是对于技术的信仰，我们都知道OpenAI在坚持Transformer这条路线上开始是被人无情地嘲笑的，都觉得他做这个事很不靠谱，那后来某种意义上也是基于技术信仰，把这个东西做到极致，您怎么看美国的创新创业文化？以及哪些东西中国有可能去借鉴呢？ 姚星： 郑老师前面讲到一句话，中国从政策上来讲，造车是先造刹车，再去考虑车，这是从政治上、社会发展方面去综合考虑问题，我觉得我们还是先搞安全因素，他们是上来就造车。你去看无人驾驶也是这样的，我这次去美国，特斯拉的无人驾驶 FSD V12还没发布，我去体验了之后了解到，他们说后面要把方向盘都去掉，我说为什么要这样？这么危险为什么要搞？他说是马斯克要干的，他就要干这种事。但是我从中国人的角度感觉挺不靠谱的。他要把方向盘去掉，叫做要极致地逼近，所以他们公司压力很大，自己也觉得没有信心，就觉得有很多bug。因为从法律政策来讲，原来可以是用户的责任现在转移到车厂了，没方向盘，那出事故了责任一定是车厂的。这种东西就是代表他的一种思考，思考就是说到底先有刹车还是先有车？习惯，这个东西的确是需要长时间去改变。 另外从环境来讲，我们更多是看回报，ROI对吧？return怎么样？投资回报怎么样？他就会去考虑更长远的东西。你说谁好谁坏，很难说，从我们的理性角度来讲，不看回报做傻事也挺恐怖的，但是你不去做傻事也许你就永远登不了月。那时我在美国跟他们聊，我说你们觉得这是泡沫吗？他们也觉得是泡沫，也很有可能像2000年的时候泡沫一样。但是他们有一个问题就是，说泡沫so what？损失的可能也就是几千亿美金。美国经济包括股市现在涨了这么多，他觉得这东西完全是有机会去试一下。但由于我们比较谨慎，偏严谨的态度，所以就会导致很多有爆发力的时候我们不敢去爆发。我们拿来跟随是最重要的，摸着石头过河。我觉得这是一种文化习惯，短期来讲很难改变，各有各的优势，我觉得我们采用的是可能最保险的这种方法。 但是的确也应该看到我们一些很好的地方，我那天去英伟达跟他们聊，我说我们的H800的月故障率大概是千分之一。他非常惊讶，说怎么可能？说在OpenAI见到的都是百分之几的。我说怎么会那么高？他说都是用的最好的东西，而且都用英伟达的传输，他说为什么那样？我说那就是中国人的勤奋了。24小时on call，有什么问题及时去解决，如果去休假了，可能故障率就会很高。有些地方我觉得，中国人很多的勤勉的东西、文化的东西、服务意识的东西，我觉得是是很难学习的，所以中美竞争上面我觉得还有的一阵子要比拼一阵子要较劲。 司晓： 两位嘉宾讲完，我想到知名的自媒体刘兴亮老师有一期解释为什么欧洲没有互联网企业，他讲的一个点，也是一个段子，就是美国在创新上遥遥领先，中国在应用上遥遥领先，欧盟在哪方面？在立法上遥遥领先。所以导致它没有大的互联网公司，但这个肯定是有些偏颇的，可能跟欧洲没有单一语种的大市场肯定也有关系。 郑永年： 这个“回报”问题很重要，也是制约我们的。因为实际地看，企业就是要生成，要ROI，否则怎么玩？我们的问题是到今天为止，并没有解决好像美国这样的风投体系。我们讲风投，跟美国风投是两个概念。风投需要“玩”钱，那么我们是不是没有钱呢？不是，我们有钱，但是我们没有“玩”的空间。所以我们才会有财富大量流失、资本外走的现象，就是因为我们这边没有给他们足够的空间。我们需要解决这个金融问题，不应该让金融和实体经济对立起来。你看我们提出要建立金融强国，都是金融监管、金融控制的政策，没有金融发展的空间。因为这个东西，思想根源上没有解决。美国二战以后，大量的制造业、大量的产业是用钱砸出来的。如果美国去除了这一块风投，美国现在的产业可能就不是像我们现在所看到的产业了。所以我觉得这个思想问题，也许刚刚改革开放的时候是没钱，到今天不是说没有钱的问题，所以这也是一个体制的问题。 司晓： 郑老师刚才也讲了，也证明了我们这个论坛一定要有投资者的视角，才是比较完整的。戴老师，你们做的那个项目，某一次访谈您讲过，您是做类似于算力的交易平台，“算力的淘宝”对吧？可能我觉得更像是“算力的天猫”吧，因为这个供给端实际上它的门槛很高。那您能不能从您的角度来谈一下刚才我们这个话题？ 戴国浩： 刚才说“算力的淘宝”还是“算力的天猫”，其实我们内部也有讨论这个词到底是用“淘宝”还是“拼多多”更好。当然这是个段子（笑）。我想讲两件事，今天从郑院长包括姚总的分享当中学到很多，今天中午我们吃饭时在聊，就中美整体社会环境的比较而言，中国人太卷了，或者说，起步时间晚，源头创新力的培育需要时间积淀，要先生存，再去生活。特别是在深圳这样城市，我感觉到特别多的打拼文化。我昨天是晚上11点50飞机落地，司机来接我的时候我们在路上就聊天，说深圳有很多片区发展飞速，原来是宝安这一片，现在是前海这一片。别的城市可能回顾发展历史会说三十年前是什么样的，但深圳就会说五年前、十年前是什么样的。我特别直观地感受到，咱们的奋斗者在时代的洪流当中，是怎么靠自己一手打拼出来、建设起一座城市的。 为什么刚才郑院长说总是美国人去做“从0到1”的创新？我觉得主要还是因为大家的生存压力较大，得先活下来。我们看看中美to B的生态差异，美国to B生意相对更好做。因为大家有非常明确的界限感，每个环节各司其职。 但是中国人会想，我把自己的事做好了，那他的事我是不是能做一点？我是不是能挣更多的钱？前段时间我经常跑美国，发现硅谷的高速公路基本上下午三四点就开始堵了，大家看深圳的高速公路一般什么时候堵？所以我觉得核心还是在于大家生存压力不一样。中国不是没有原创，我们有四大发明，有唐、宋时期涌现的各种技术。当经济体量足够、经济领先的时候，我们自然而然会有很多精力去做“从0到1”的创新。这需要一定的时间，需要一定的社会发展才能去解决。 我们依旧需要原创。我首先是一个大学老师，我的学生有两个方向，有一些做系统的同学，可能相对来说发文章不如做算法的同学发的那么多。他们有时会说老师，我特别着急，我想多发一些文章，我隔壁的同学可能一年发个好几篇一作的文章，那我做系统，可能我把代码写出来就已经很费力了，等到形成论文发表就需要更多的时间，该怎么办？我会跟学生说你不要着急，因为学生是最具源头创新潜力的人群，现在是试错成本最低的时候，因为一旦走上了社会，你面临着生存压力，其实很难去做像刚才郑老师说的从0到1的事情，因为试错的代价太高了。 现在我们的科创行业，非常擅长做的事情是把一个技术从一做到十，把性能做得更高，像姚总刚才说的，我们把错误率、故障率从百分之一打到千分之一以下，这些事都是我们的产业界非常擅长去做的。所以我跟学生说的是，你需要有理想，你真的需要有一些信念，像硅谷的创业者一样，做错了没有关系，因为我们已经给你们营造了一个很好的平台。我坚信在未来，随着经济的发展，随着大家共同的努力，也许在十年后、二十年后，在中国的企业能够有更多原创的事情可以诞生。先把一到十做好，也能给未来的0到1创造更大的空间。 司晓： 三位嘉宾讲得特别好，我稍微总结一下，我觉得就是，大家提到了一些在制度、监管上过早介入可能不好，但是如果刚才我们讲的那个段子成立的话，其实真正负面的例子是欧盟，对吧？真的在监管上过于激进，过于保守，然后导致自己越发没有产业。一个典型的例子就是，它建立了一个GDPR，一个个人数据保护的门槛。那初衷是什么？初衷肯定是希望把美国企业挡在外面，给很高的合规成本，动不动可以罚钱，但问题是没有想到对于本土的创业者来说，同样要适用这样的法规，那小的企业它可能压根连律师费都付不起。所以这些东西，制度的考量可能是很综合的。但也不能把所有的东西都归结为因为监管或者制度过严造成的，比如说，美国企业有所谓的极客或者技术信仰，它也是少数派。谷歌或者苹果虽然是技术驱动型的公司，但是看起来肯定不像OpenAI或者马斯克这样的技术狂人，技术信仰贴到它们的身上就没有那么合适。像姚总说的每家公司都去做技术信仰者，那其实也挺危险的。更大的base还是要遵循ROI，遵循对于股东的回报责任，否则的话这个投资市场可能还是很难有效运转起来。但是可能它强的地方在于容错，或者对错误的容忍度，可能允许疯子的存在。这一点可能是美国非常强的一点。 那除了这一点之外，我另外还想问一下郑老师，其实刚才您也谈到了，拿这个核武器和人工智能对比，一个是摆在那里不能用的，是威慑用的，所以它可以达成国家之间的恐怖平衡。但是人工智能显然它是一个常规武器，它是可以用的，它是生产力，没有人会说生产力不能用；当然，核武器和人工智能还有一个连接点，就是不能把AI武器化，只是在这个方向禁止，但是它肯定是常规使用的工具。那人工智能下一步的发展会对中美，甚至对于世界的多极化会造成什么样的影响，能不能再具体展开一下？ 郑永年： 在人工智能大模型领域，美国目前主导了垄断地位。实际上它的门槛越来越高，因此小国很难发展人工智能——大模型需要大量的投入，一般国家投不起。面对美国一霸独大的局面，中国的发展很重要。并且我跟欧洲朋友聊天，他们也希望中国能起来，因为现在没有一个国家可以“制衡”美国，只有中国起来，才有可能改变局面。中国可以在实际发展上不要太保守，首先，我们的监管技术是世界上一流的，实际上我们用现在的监管技术来发展要比美国更安全。其次，我们应用是非常厉害的。此外，我们还有人工智能人才，比如像清华等高校培养了很多的人工智能人才，只是我们没有足够的平台，导致人才流失到了美国。所以如果从世界政治的角度来说，做人工智能这块中国可以做得很好，甚至比美国更好。目前要解决的问题，就是一个金融，一个开放——一个就是回报问题要怎么解决，一个是数据问题怎么解决。这两个解决了以后，我们很快就可以catch up。我并不认为中国不会有原创，而是我们自己有点把自己的手脚束缚起来了。 我跟美国朋友说，中国的监管技术，迟早美国有一天也是需要的，如果没有这样的监管，AI可以会毁灭社会——马斯克可以用AI，疯子也可以用。AI如果和核武器结合起来更powerful。所以我们要看清，中国的监管技术是用得上的。美国像“矛”，中国像“盾”，所以中美两国实际上是非常互补的，中国要向美国学习，美国要向中国学习，互相学习，这个世界是和平的，否则这个世界肯定是失衡的。实际上我们这个世界，互联网产生以后，世界从智慧上来说分化得厉害，少部分人，掌控AI的像马斯克这些人，变得越来越聪明，大部分人变得越来越笨，像马斯克这些掌控AI的人，我们把他看成是“牧羊人”，那么现在AI是“牧羊犬”，我们大部分人都是“羊”了。我担心就是总有一天“牧羊犬”超过了“牧羊人”，那时AI就可能是统治世界了，这是有威胁的一件事情。我们现在已经不是AI & Society，我们现在就是AI Society，这个技术尽管很多人说要先思考再发展。但一个技术产生了，没人会放弃，除非大家就是真的有共识地把这个技术毁灭——这个不要幻想，只能往前走的。 司晓： 您说的AI & Society去掉 &（and）这个我很同意，我觉得现在至少是在这个过程中，等我们真的非常自然地把这个&（and）去掉的时候，就是真正的人工智能社会。我前两天刚好刷到那个视频，李飞飞和Geoffery Hinton的一个的对话，她说斯坦福应该招最会用ChatGPT的，用大模型的学生。她中间讨论的时候也说，其实某种意义上斯坦福培养出来的也应该是最会用ChatGPT的人，因为这样的人才能指挥虚拟的AI的千军万马，实际上指的是AI的各种角色。刚才我们讲创新的话题，我也想接着问，姚总包括戴总，你们作为创业者，认为中国做大模型的时候有什么具体的制约因素，比如说算力；除了勤奋之外，还有哪些优势？虽然勤能补拙，咱还有没有点别的优势？ 姚星： 算力可能是大家眼见的，因为大模型有个公式嘛，就是大概你的参数量，乘以你的token数，再乘以大概运算多少次，我们说十次吧，现在大家基本上挑战的就是十的二十五次方，这样的一个概念，它可以反算回去，你如果需要三个月、一百天把它训练完，你大概需要多少张卡？这是一个反算的规则，你用千亿参数乘以万亿token，或者是用万亿参数乘以十万亿token，我们大概就是十的二十五次方左右，再乘以十次的浮点运算，大概一张H100或者H800每秒钟能算多少次呢？大概是700T,A100大概是两百多T，应该是超过三分之一的H100吧。但明显现在算力上面是卡住了，自己的东西我们的确还是差得比较远，如果这个时间从三个月放大10倍，变成三年才迭代一个版本，那不是说我们摸着石头过河就能过的，你永远摸不着它，它相当于在另外一个物理空间里，它一天相当于72小时，你一天才24小时，你怎么跟他玩？玩不动。所以这个地方就是为什么算力最卡脖子的，因为物理计算规则就是这样的，除非你找到更优质的算法，说诶我的语料不需要这么多，参数量够小了。很遗憾，这些方法大家都在找，一时半会也找不着。从物理上面来讲，三个月你要通过三年去做它，基本上就退出这个竞争序列了。别说三年，一年去迭代一次都基本上退出竞争了。所以我觉得到今天为止最大的遏制就是在这个层面，现在我们接近可能还能咬上一点，如果它出下一个，比如说算十的二十六次方、二十七次方，那我们现在又没有这个东西的时候，那可能我们永远看不到那个节点。这是我觉得最大的限制。优点当然就是勤奋努力了，这个的确是也能帮一些忙。七乘二十四小时还是比五乘八要强不少的。 但是我觉得还有一个好处是在于，从华人圈的智慧来讲，我觉得今天能去掌握这些东西，不仅是在我们中国大陆内地人，整个华人圈我觉得还是有非常去了解这些……就是在如何去营造一个，中美关系能互相学习、互相取经的这个，我觉得可能是未来需要，长期也需要解决的。本身之间也不应该是对立的关系，如果从真正意义上来讲，互为学习。因为明显我们有一些制度比它好的地方，就跟我这次去美国，零元购非常多，砸窗户的，出来“咣”车就被砸掉了，非常多，你说美国是个安全的社会吗？这么强大的国家，没感觉到，真的感觉到非常不安全，大白天当场直接砸。所以说的确有很多地方应该学习我们。当然如果能把这些关系解决好，我觉得我们有聪明勤奋，有一些掣肘上面大家能共享，我觉得能变成一个和谐的世界。 戴国浩： 我特别同意姚总，核心是算力，大模型给我们找到了一条路，可以无限地去Scale，也就是大家说的Scaling Law。大家普遍意义上理解的Scaling Law，就是我有更多的参数，就有可能去拟合出来一个更大的空间，能力就会更强。我们无问芯穹在做的事情其实是在某一个特定的模型在部署的时候成本做得足够低，它不需要很高的算力门槛和资金门槛，就能让模型更快地进入到场景中去Scale up。 为什么我们当时花了很长的时间在讨论淘宝还是拼多多？ 因为我们的逻辑是把成本给打下来，并且保证模型的质量。通过从算法到硬件的联合优化，从应用、到算法、到模型包括到算子再到底层硬件，在每个层级上做加速。这对团队能力要求很高，需要在产品、算法、系统和硬件上都有相当的能力，我们的团队背景是国内最适合把这件事做好的。前段时间我去硅谷，跟很多朋友聊天，大家讨论发现现在硅谷现在招得最多的人其实不是训大模型的人，也不是大模型的算法工程师，是做Prompt engineering的。像刚才两位老师说到的，其实这是用AI或者是指挥AI的人，这点上其实我是特别去认同的。为什么？因为我觉得今年可能会是一个转折点，甚至我看到有些观点说今年会是大模型推理的元年。因为我们发现，在Scaling Law的背景下，除了参数量往上去涨之后模型的能力可以变强，对于某一个特定规模的模型，比如说7B的模型，开源和闭源的模型能力差距在不断缩小，反而是依托这些模型在去上面搭建应用的人会越来越多。70亿的参数本质上是一个有限空间，而一个有限的空间一定有上确界。随着时间的推演，某一个特定规模的模型的能力会逼近上限。而在一些相对来说中等规模的模型上，通过各种调优工程，可能慢慢就接近了。 那模型能力趋平之后我们该怎么做？做落地，做推理，做不断的部署和应用。所以无问芯穹包括我自己做的很多研究做的事情都是希望在部署的时候，把成本打得足够低。就像蒸汽机去生产动力一样，蒸汽机被发明出来后，人没有被取代，而是诞生出更多使用蒸汽机、发电机的行业，人可以更好地去驾驭工具。今年会是一个非常好的转折点。我们可以在一些特定规模的模型上，在一些刚才提到的手机端也好、AIGC应用也好的各种场景中去把模型真的给用起来。我们也非常希望能够通过我们做的这些事情至少把这些成本给降下来，帮助大家更好去使用大模型。 司晓： 我再请教一下两位技术背景的专家，我们现在讲的算力卡脖子，主要还是在训练端的，但是在推理端未来会不会有瓶颈？从芯片的可替代性的角度来说，可能训练端的可替代性非常差，大家都替代不了英伟达。但是在推理端，国内还是有很多芯片可以用的，那未来怎么看在推理端的芯片会不会卡脖子，还是说这一端还好？ 姚星： 我觉得训练端是比较明显的，推理端也是有的。推理端很大的跟显存相关，显存的大小会决定参数量的大小，更大的模型甚至A800需要好几张，为什么要好几张？就是它量在变大。现在一张显卡可能是80G的显存，参数量上来之后就需要。从工艺上来讲，国内目前做这个东西也还挺少的，算力本身纯粹的计算速度对推理也是有优势的。只是今天我们大家都是在把矛盾点转在训练端而已，像推理端最后你要做AIGC做应用的话，毫无疑问那是最大的成本。打个比方，当我们造了一个通用模型大模型，这个模型以后已经是超人工智能了，就是不需要再去训练它了，训练端不是问题了。但是推理端是服务于社会、服务于人的，就是你要把单频的东西降下来服务，那就要推理上的东西。推理上比别人差，最后ROI也是很差的。所以今天我觉得是全链条的，从本身大模型的管线上来讲，如果从芯片的角度，全链条都是有巨大的差距，我们应该客观去看这个东西，否则也不至于我们大模型举步维艰，训练的时间会比别人长太多了。 戴国浩： 特别同意，实际上无论是训练还是推理本质上都是计算，都是拿数字的芯片对算法做计算。训练有训练的算法，推理有推理的算法。大家看Scaling Law，看的是能力的上限还差多少。但是推理最终决定的是成本。为了把一个蒸汽机造出来，我可以花很大的成本，但真的要去帮助到这个社会每一个地方都把这个蒸汽机装上的时候，这个成本必须要低。未来，只要能源的供应方式不发生变化，那这个成本就是电力，而电等于你搬运每个数字的能量开销，乘以你搬运的数字的量，这是存储的开销。 另外还有计算的开销，在数字电路上，一个算法最终表述成数字电路0和1在这个电路上翻转的次数，以及单次翻转的能耗。翻转的次数由算法决定，所以我们我们要探索更高效的算法。单次翻转的能耗，取决于工艺。十四纳米不如七纳米，七纳米就不如三纳米。如今我们在在推理上不是没有差距，而是大家关注不多，都在关心训练。训练上的差距在于，OpenAI在5年前就开始做这件事了，国内厂商可能没有那么早地做这件事。 推理就不一样了，今天我们能够去看到它未来的场景，也能够更早地去布局，就拿翻转的次数来说，是可以从算法上做优化的。比如说我们做了一些模型压缩，或者是我们去训练一些更小的模型，一个3B的模型相对于7B的模型，翻转次数是可以少很多的。虽然七纳米跟三纳米的差距依然存在，但是我前面这个系数可以变得更小，可以更早地介入赛道、更早地在这些赛道上有一些相应布局。这未来我们能够去竞争、能够去PK的关键点。我们在一些算力的卡脖子问题上，在一些工艺的问题上还是要突破，但同时我们也要注意，在硬件工艺存在一定差距的情况下，能否从其他维度上有弯道超车的机会。 司晓： 好，还有一个问题请教三位专家。在大模型的时代，你会发现创业公司的规模、人数变得越来越少。也有人提到，在人工智能时代的创业可能更要从Day One（第一天）开始要全球化，不知道这个问题大家怎么看？在人工智能时代，大前提有所变化的时候，企业的组织形态与前一个时代会有什么区别？ 姚星： 人数变少肯定是和生产力、生产工具相关了，如果我们把AI作为AI OS来看，更高级的OS系统出来，显然是原来不需要从非常底层开始做东西，每一代OS进步其实都是把公司人员往小里做的，因为生产力在提升，就跟工业革命一样，有了机器、蒸汽机的出现人就会减少很多。同样在信息时代是一样的，所以现在公司变小我觉得可能是由于生产力的大幅度提升，所以刚才戴总也说到，为什么prompt人员需要去招，范式变了，不需要从底层去写很多东西了，基于模型上面，用prompt的方法，就可以去构建很多应用出来，所以对于提问者、使用者反而是更关注的，对去造这个的人反而不怎么关注。这很正常，我们在用蒸汽机的时候，这么多年我们还去研究蒸汽机的原理吗？很多不需要去研究了，时代发展就是这样。就跟我们写高级语言代码的时候我们还需要了解汇编吗？也不需要去了解汇编、单片机原理一样。这正常得很，所以公司往小里做这是时代发展的一个必然的过程。Day one是全球化，我觉得最近在国内提得特别多，我觉得这和环境相关，和投融资环境相关，因为在中国小公司拿不到融资，所以Day one他们总是想去资本上更加活跃、更加开放、更加没有那么多约束的地方想去拿钱，这是我觉得Day one想全球化的一个原因。我们也看到很多中国公司搬到了美国，完全搬到美国去做了。 另外一个东西就是商业化回报，中国在这边也有很多商业上面卷的问题，还有一个问题就是对知识产权的不尊重。大家卷，都卷一个赛道。美国人也卷，但是他们卷不同的赛道，他们对知识产权很尊重，就是说我做出这个你再去仿造、follow我，你都不好意思follow，我们一定要提一个新的东西。中国人是这个地方挣钱，大家全来了，一窝蜂上，都希望在这边最后胜出，这是卷得比较狠的。所以我们Day one为什么全球化呢？就是这么难的地方，可能其他地方有好的资本和好的商业，这个也顺应大势吧，也对，在国内卷不过自己人，在外面把别人卷死，大概是这样。 司晓： 我想请郑老师讲一下，我觉得您讲的不一定局限于对企业的组织形态，或者对社会的组织形态会有什么变化。 郑永年： 刚才大家都在说卷，首先我觉得我们和美国比较，你说马斯克卷不卷？也卷。但是我们卷的方向不对，我们是真的“内卷”，人家是“外卷”。以前从淘宝到拼多多，现在到网络直播，把整个社会往下拖——消费降级，社会也在下沉。马斯克就是外卷，他们为什么说开源？还是一种文化、使命感。尤其是创业，我观察到一个现象，我发现现在很多的创业公司在中国孵化，但是跑到东南亚去开公司，因为国内找不到发展空间。这个对我们是一个大的损失，这个情况越来越普遍，对社会的影响更大。我是大学教授，我现在就非常担心，我说ChatGPT时代，大学存在理由是什么？ChatGPT可以在短时间内向人们提供巨大的知识总和，直接挑战了“教授”的存在价值。在很大程度上说，大学已经沦落为一个“声音”最大的既得利益群体了，其存在的合理性是自我论证的，而非社会所接受的。 人类几千年，直到互联网社会以前，都是年轻人要向老年人学习。但是互联网产生以后，人类社会完全倒过来，老年人要向年轻人学习。所以我为什么要呼吁改革，包括我们的资金流向，现在的AI世界越来越年轻化，不要老把资源放在院士那里，要把更多资源上放在年轻人身上。中国经过梁启超的时代，少年强、中国强、青年强则中国强，现在就是这个时代，要把中心转到年轻人身上。目前来看，我们和美国的区别在于，人家真的是“创新”社会，我们是“守旧”社会。我们为什么培养不出马斯克？因为马斯克到了中国是活不下去的。昨天我们校长和我讲，学校做一件事情很难。我们做一点新的东西，100个人里面99个人反对你，只有你一个人想创新。所以我很着急，我们需要开放，如果开放就有希望。 戴国浩： 做为一个青年教师，我非常感谢郑院长。青年教师的确需要有更多资源，因为他们能够陪学生写代码、写论文，我至少现在还有精力陪着我的学生们熬着夜赶DDL。 回到刚才这个问题，其实不只是年轻人跟前辈要有更多的沟通和信息交互，国际关系同样。今天，哪里有最密集的AI信息量？在硅谷的咖啡厅。我希望未来拥有一个更开放、包容的环境，无论是中美之间，还是师生之间。 司晓： 我们虽然超时很多，但是论坛落地深圳，还是请各位能不能给深圳发展人工智能或者大湾区发展人工智能提一些建议？或者说哪些需要改进的？我相信创业者应该有些感受。 郑永年： 今年2月，《纽约时报》发表了专栏作家Ross Douthat题为《只有美国才能拯救未来》（Only America Can Save the Future）的文章，提到了“新浮士德”文明的概念，一个“从休斯敦到旧金山的狭窄地带”的城市蔓延开来的新美国。于是我在思考，中国新文明的产生将会在哪里呢？我认为，中国的“新浮士德”文明正在珠三角和长三角地区崛起，尤其是粤港澳大湾区，有新的三驾马车——基础科研、应用技术转化跟金融，不亚于美国的加利福尼亚，所以我就说，我们这里是AI时代新文明的希望之地，希望我们能履行责任，做好深度融合，抓住时代机遇，实现中国式现代化和高质量发展。 姚星： 实际上跟北京、上海也交流挺多的，作为创业者我觉得实际上也有蛮多希望，现在深圳的AI产业在国内肯定是低于北京和上海的，我们先不跟湾区去比了。但是大湾区年轻，充满活力，香港这边人才也挺密集的，有很多很好的学校，也有很多都是内地学生考过去很难的，而且港科大、港中文都有非常多人工智能非常优秀的老师，培养了很多学生，但是我们为什么没有在这一波大浪潮下出来？趁今天也提个建议。我觉得可能原来的广东省或者说湾区可能更多关注外贸型经济，关注进出口的地方、高端制造业。相对人工智能的理解，可能需要最上层政府机构可能要与时俱进，更多地去了解，才能知道AI的人才高地怎么建设。包括算力、资金、产业上面的扶持，今天来讲还是比较大地落后于北京和上海，我觉得可能政府层面可能需要加强跟郑院长这样的人的交流，去听到这种声音，才能更好地去改变。 戴国浩： 我说一下我的经历，我18岁成年之后我的本科、博士和博士后都是在清华读的，所以我在北京待了12年，我在22年底的时候又去了上海，所以我在上海待了2年，今天在深圳参加这个论坛，可以看到这三个地方是目前中国AI发展最领先的地方了。深有感触的是每个地方的状态或者特征有鲜明的区别，像刚才姚总说的可能在一些方面有差距，但是我觉得由于特色的存在会导致大家未来的发展会有大的差异。那AI现在比拼的是什么，在我看来还是人才。我会觉得未来，特别像郑院长说的有很多机会为我们发声，一定要重视人才，这点是我们目前看到在北京也好，在上海也好非常重视的事情，算力或者其他的生产资料我相信在深圳都能做得很好，但是人才这件事情是没有办法通过经济去弥补的，它是一个有底蕴的事情，是需要政府跟学术界和产业界共同联动的事情，所以我们也非常乐于看到未来在深圳这片土地上有更多的人才涌入进来去帮助深圳把这件事做好，所以一个小小的建议，也希望能够在后面郑院长能够代表我们年轻人做更多的发声吧，谢谢。 司晓： 相信大家对这一轮对话还是收获很多的，我们再次以热烈的掌声谢谢各位嘉宾。 推荐阅读 司晓：《在AI时代寻找底线性共识，为什么非常必要？》腾讯研究院：《大模型价值对齐：多维视角与前景》 ??点个“在看”分享洞见