零一萬物創(chuàng)始人、CEO李開復

今年11月30日，風靡全球的ChatGPT迎來了兩周年日子。

這個下一代AI浪潮的命運之子、擁有3億活躍用戶的 AI 聊天機器人應用，引爆了全球新一輪 AI 創(chuàng)業(yè)熱潮，讓世界迎來AI 2.0時代。

零一萬物日前推出的全新旗艦預訓練模型Yi-Lightning，近期在國際權(quán)威盲測榜單 LMSYS 上超越OpenAI GPT-4o-2024-05-13、Anthropic Claude 3.5 Sonnet(20241022)，排名世界第六，中國第一。（數(shù)據(jù)截至2024年11月20日）

同時，零一萬物早已躋身10億美元“獨角獸”，并且全面瞄向 AI 大模型的商業(yè)化，公布了一整套“從 AI Infra 到模型，再到應用”的全行業(yè) ToB 解決方案：構(gòu)建大模型算力平臺的智算中心解決方案；面向本地生活、辦公會議等場景的“如意”數(shù)字人解決方案、萬視營銷短視頻解決方案在內(nèi)的零售行業(yè)解決方案；以及模型訓練解決方案——由數(shù)據(jù)平臺、預訓練平臺、訓練后平臺、模型Playground等構(gòu)成全鏈路模型運維平臺，加速 AI 大模型技術(shù)的商業(yè)落地。

12月6日-7日，2024 T-EDGE創(chuàng)新大會暨鈦媒體財經(jīng)年會在北京召開，以“ALL-in on Globalization ，ALL-in on AI”為主題，匯聚全球科技和商業(yè)領(lǐng)導者，共同探討人工智能對全球各行業(yè)的巨大影響，以及企業(yè)全球化增長新格局新趨勢。作為鈦媒體集團每年年終舉辦的科技和財經(jīng)領(lǐng)域的頂級盛會，T-EDGE一直代表了鈦媒體在科技與經(jīng)濟前瞻性，以及推動國際創(chuàng)新交流上的高質(zhì)量追求。

12月7日T-EDGE大會上，鈦媒體集團創(chuàng)始人、董事長&CEO，T-EDGE全球委員會主席 趙何娟，與零一萬物CEO、創(chuàng)新工場董事長李開復，圍繞 AI 2.0驅(qū)動全球科技創(chuàng)新，推理、端側(cè)、行業(yè)和基礎大模型的發(fā)展，以及邁向AGI 如何更好落地等熱點話題進行了一場深度對話交流。

“我們堅決不盲目燒錢買不賺錢的流量，也不做‘賠本賺吆喝’的生意。”李開復反復強調(diào)，零一萬物要在性能優(yōu)異的基礎上，做最快、最便宜的模型，來點燃大模型在To C、To B的生態(tài)。

以下是鈦媒體AGI摘錄的李開復七個重要觀點：

過去一年半時間，模型能力越來越好，價格也越來越便宜，推理成本一年下降了10倍左右，而零一萬物希望做的，不是1年10倍（速度增長、成本下降），而是希望做到三、四十倍，要比行業(yè)更快三、四倍，更快催生出好的應用。 o1 也是 Scaling，只不過 Scaling 的對象從 Training Time Compute 變成了 Inference Time Compute，兩者相輔相成之下能夠更高效地突破模型能力的上限。 Scaling Law還是有效的，但它的效率不像之前那么高了，主要原因是有兩點：數(shù)據(jù)受限，文本數(shù)據(jù)的遞增不會像過去那么快；同時，用堆GPU卡的方式進行模型訓練會面臨算力利用率降低的問題，GPU的數(shù)量和實際訓練時的收益并不是線性提升的關(guān)系。 模型做得又快又便宜，一個核心是少用內(nèi)存，善用內(nèi)存，少用GPU，能存的不要算，必須算的才算，這些是原則。而且，對中國大模型初創(chuàng)公司而言，要側(cè)重“有效的創(chuàng)新”，不要單槍匹馬地去挑戰(zhàn)過于宏偉的AGI實驗，有可能花了巨大成本但難尋落地的場景。 明年，全球推理算力會進一步降價，進而推動AI-first的To C應用爆發(fā)，“需要用一段時間去積累用戶再商業(yè)變現(xiàn)”應用成長路徑有望會迎來機會。其中，中國AI 2.0未來的優(yōu)勢是，中國能夠做出性價比更高的模型，極低的推理成本將成為High DAU應用的基礎，同時，中國團隊也積累了大量從移動互聯(lián)網(wǎng)時代傳下來的打法，能夠用于AI應用的推廣和增長。多種因素疊加下，中國團隊在To C方向上會有很大希望。 行業(yè)的最大挑戰(zhàn)是，作為大模型初創(chuàng)公司，現(xiàn)在進入了新階段——要證明自己可以有持續(xù)的收入增長。在技術(shù)競爭變成商業(yè)化競爭的過程中，大模型初創(chuàng)們能否從起初的學者型創(chuàng)業(yè)轉(zhuǎn)變?yōu)槠髽I(yè)家創(chuàng)業(yè)？這個坎如果過不去的話，最終路還是會越走越窄。 零一萬物的定位是，第一、堅決做最快最便宜的世界第一梯隊模型，點燃To C、To B的生態(tài)；第二，堅決不盲目燒錢買不賺錢的流量，也不做“賠本賺吆喝”的生意。

李開復強調(diào)，AI大模型公司要去為客戶服務，與客戶共同創(chuàng)造價值，達到雙贏。至于AGI，他表示，總有一天，AI會能夠做的事情會比人類更多，但是，AI未必要做到人類所能做的每一件事情。他預計，我們距離通用人工智能（AGI）還有7年時間，AGI出現(xiàn)的大致時間點會是在2030年。

以下是趙何娟和李開復之間的對話全文（經(jīng)整理）：

趙何娟：開復老師您好，歡迎來到我們2024 T-EDGE全球創(chuàng)新大會暨鈦媒體財經(jīng)年會，我們非常高興能請到開復老師跟我們做這樣的一個對話。

李開復：何娟你好，謝謝邀請，各位觀眾朋友大家好。

談推理模型發(fā)展：o1更像是理工科，需與基礎模型并存發(fā)展

趙何娟：過去一年，AI無論是在硅谷、美國還是中國其實都發(fā)生了很多大的事件。最近您自己覺得，我們能觀察到的整個硅谷和全球AI發(fā)展的大趨勢里面預計可能接下來的一年可能得變化里面，您最看重的一個可能性的變化是什么？

李開復：我最看重的變化就是，越來越多開發(fā)者會意識到，今天非常好的模型已經(jīng)非常便宜了，能夠支撐一個百花齊放的AI-first應用時代到來。我覺得這將是2025年最大的事件。

在此之前，這些應用很難被開發(fā)出來。你可以想象，僅在一年半之前，足夠好的模型只有GPT-4，現(xiàn)在回頭看，GPT-3.5其實能滿足的應用場景很少，因為模型能力不夠強。但如果一年半之前應用開發(fā)者選擇接入GPT-4，每調(diào)用一次就要花費1-2美元，誰又能做得起應用呢？很容易自己就會做破產(chǎn)。

在過去一年半的時間內(nèi)，模型性能越來越好，從GPT-4、Turbo、4o到o1，模型能力已經(jīng)提升了很多。另一方面，當年的GPT-4，現(xiàn)在來看也已經(jīng)很便宜了，即便是4o，每百萬token也只有4.4美金(按輸入輸出3:1比例計算)，比一年多以前的GPT-3.5下降了接近20倍。

從整個行業(yè)來看，推理成本一年下降了10倍左右。整個行業(yè)在以1年十倍的速度實現(xiàn)推理速度變快和推理成本下降。而零一萬物希望做到的，不是1年10倍（推理速度增長、成本下降），而是希望做到三、四十倍，也就是說，我們要比行業(yè)更快三、四倍。這樣的話，零一萬物就能先人一步做出好的應用。

趙何娟：成本下降會帶來大量應用爆發(fā)，就是您對2025年特別大的一個期待或者預判。剛才您也提到了，今年其實有很多模型在迭代。前段時間，我們在硅谷辦公室也組織了一次關(guān)于o1大模型平臺的討論，有邀請x.AI、OpenAI相關(guān)的team leader來，我們討論的時候發(fā)現(xiàn)，所有大廠現(xiàn)在都在做一件事情，就是o1這種推理模型。但是，o1跟過去的基礎模型其實在范式或在路線上，已經(jīng)有很大的一個變化了，我們是不是可以理解為，接下來所有大廠都會在推理模型上競爭，而不是基礎模型上競爭？那么基礎模型的競爭是不是到頭了？零一是不是也有考慮推出新的推理模型？

李開復：大家都在做推理模型，這肯定是一個趨勢，包含零一萬物在內(nèi)的少數(shù)中國大模型公司目前也已經(jīng)做出了不錯的初步成果。

從技術(shù)角度來說，o1既是一個大模型的延伸，也啟發(fā)了行業(yè)嘗試相對不一樣的做法。o1 也是在Scaling，只不過 Scaling 的對象從 Training Time Compute 變成了 Inference Time Compute，兩者相輔相成之下繼續(xù)高效地突破模型能力的上限。

就像人類的“快思考”、“慢思考”，都是大腦的功能和延伸，合并起來能夠思考得更深入，所以在大模型領(lǐng)域內(nèi)，它們（推理和基礎模型）也是互補的。但之前沒有嘗試“慢思考”，大家都在做類似“快思考”一樣的探索，模型就像是在做快問快答，腦子里面想到什么就蹦出來什么。

當然，人類不經(jīng)過很多思考，往往也可以七步成詩，做出很多創(chuàng)意類的文學內(nèi)容等。所以，其實“快思考”，也就是o1之前的大模型也能夠完成很多人類的需求和任務。

但是，人類面臨難題時，答案不是一拍腦袋可以拍出來的，通過直覺給的第一個答案并不一定是對的，或者在講述幾句話之后我們發(fā)現(xiàn)思路不對，需要修正。人類有一個很強的能力，就是能夠自我反思、自我修正，即所謂的reflection（反思），那些能夠在科學界有建樹的人，往往存在批判式思維，能延續(xù)類似的邏輯推理思考，經(jīng)歷過不斷迭代求證甚至推翻重來的過程，才能取得一個有重大進步的科學成果。

o1的發(fā)展就類似上述的路徑，并且已經(jīng)向外界自證了它的價值。很多人也從巨型的預訓練模型轉(zhuǎn)到推理探索，整體思路演變成為了兩個并行的Scaling：第一個是模型越大越來越聰明，第二個是想得越久越聰明。兩個Scaling是可以1+1至少等于2甚至等于3。

我認為，這對行業(yè)而言是一個巨大的推進。雖然OpenAI沒有告訴外界如何做出o1，但是令我們振奮的是，隨著思考的時間長度增加，模型思考出正確答案的概率也會大大提升。兩個Scaling Law疊加，給追尋AGI的我們帶來了更多可能性，讓我們不必把雞蛋都放在一個籃子里。

趙何娟：我們是不是可以理解為，過去基于Transformer的基礎、基礎大模型Scaling Law法則已經(jīng)失效了？將沒有數(shù)據(jù)可算了？所以到達一個瓶頸之后，Scaling Law他不可能就是無限大，即便有算力，提供再多的算力也沒有用？

李開復：Scaling Law還是有效的，但它的效率不像之前那么高了。

第一個理由是，世界上數(shù)據(jù)總量只有那么多，雖然我們可以用機器造數(shù)據(jù)，用視頻數(shù)據(jù)、多模態(tài)數(shù)據(jù)、具身智能數(shù)據(jù)來訓練，但是最濃縮的智能還是來自于文字，而文字總量就那么多，其他方法做出來的都不是最完美的。就像你說的，人類的所有文本數(shù)據(jù)都會被拿來用，但文本數(shù)據(jù)的增長不會那么快。

第二個理由是，要持續(xù)推進大模型預訓練的Scaling Law，就需要把越來越多的GPU和機器串在一起。當你只有一、兩張GPU做深度學習Transformer計算的時候，大模型預訓練時間幾乎都在計算，很少會涉及傳輸；但是當你擁有10萬張、20萬張GPU計算的時候，數(shù)據(jù)傳輸成本就會變得很高；到100萬、1000萬GPU的規(guī)模時，幾乎大部分時間都在做傳輸了。GPU越多，數(shù)據(jù)傳輸越慢，算力并不能隨著GPU增多而線性上升。

舉個例子，如果從一張GPU擴展到兩張，你可能會獲得1.95張卡的效能，但是如果你從10萬張變成20萬張，卡的效能可能會更接近10萬張卡的效能而不是20萬張。一個重要原因就在于所增加的傳輸環(huán)節(jié)，以及過程中的延遲。

所以，我們認為Scaling Law的落地會變得越來越貴，邊際收益會降低，但并不是無效了，繼續(xù)堅持預訓練模型還是會有進步。

趙何娟：如果說OpenAI在推理模型方向上推出o1，可能明年還會推出o2系列的話，OpenAI為什么還要在GPT-5、6這條路上投入重金去發(fā)展？為什么這兩條路不能合為一條路？

李開復：這兩個路徑并不互斥。我覺得，做“快思考”、“慢思考”都是永無止境的。比如，一個文科生突然在微積分里找到了新大陸，但這并不代表你不該回去再讀柏拉圖，這兩者是沒有沖突的。

我們以后要做一個“超級大腦”，還是希望它“文理雙全”。

但我認為，這個過程中倒是存在著另一個悖論，這兩種Scaling Law都會讓模型變得越來越慢。第一種要求模型廠商把模型越做越大，而模型越大推理越慢；第二種在大模型上疊加“慢思考”，會進一步降低推理速度。假設未來模型推理所需要的時間從目前的5秒到60秒，延長至了5分鐘到60分鐘，那模型在絕大多數(shù)場景下就不適用了。

所以我認為，這里存在著一個非主流、但是零一萬物認為很重要的認知，尤其在o1為代表的“慢思考”出現(xiàn)之后，更凸顯了這一認知的重要性——我們一定要把推理做到超快。你可以這么想象，如果零一萬物訓推優(yōu)化出一個很好的“快思考”模型，回答同一個問題，別的模型需要3秒鐘，我們的模型只要0.3秒鐘，假設慢思考會讓模型變慢20倍，3秒鐘變慢20倍會變成1分鐘，但是我們的0.3秒變慢20倍才6秒鐘，在很多場景下依然是可用的。

所以，當你擁有一個非常快的推理引擎時，疊加“慢思考”后也不會特別慢，對用戶的價值就會更大。所以零一萬物會堅持做超快的推理模型，因為超快的推理速度不僅在“快思考”的階段有所助力，在引入“慢思考”后，它還能夠讓模型在具備令人驚艷的性能的同時，使推理速度保持在可用的范圍內(nèi)。

趙何娟：我們在理解您說快思考基礎模型邏輯的時候，其實很清楚有數(shù)據(jù)、算力時限制的，但是o1這個新范式的推理模型的時候，其實是有很多不清楚的，比如推理的慢思考一定是相對的詞，如果我們把慢思考的5秒提升到3秒，這個就變成我推理模型的最關(guān)鍵因素，怎么把推理的慢速度提快一點點，這或許就是競爭力，那么您覺得，做推理模型能夠提高這一點點的競爭力關(guān)鍵是什么？是算法嗎？

李開復：這肯定是核心競爭力。我認為這也是零一萬物的最大特色。我們在“快思考”階段的推理速度就非常快。

趙何娟：推理速度再快，思考就會非常快，那么這是如何做到的？我們連OpenAI 的o1怎么做的，都還不確定，他們是黑盒子。那么，零一把推理變快兩三倍，o1推理也快2-3倍，那么零一萬物為什么能夠把推理模型做得這么快呢？

李開復：我們做了下面幾個工作。

第一，尋找方案解決速度減緩問題。大模型速度逐漸變慢是因為GPU在不斷計算。那么，我們是否有可能讓GPU少算點？其實在經(jīng)典計算機學里面就有提到，要做計算和存儲的遷移。也就是說，能被記得的內(nèi)容就不用再算一遍了。計算機學里的Hash Table（哈希表）等等這些技術(shù)，其實就是指，別什么都算，能記下來的內(nèi)容就不要算，算過一遍的內(nèi)容記住然后下次直接用就行了。

第二，Memory Caching（內(nèi)存緩存）。后續(xù)可能會用到的數(shù)據(jù)，我先把它調(diào)到附近來，要調(diào)用的時候方便就近使用。這就類似于，日常在網(wǎng)上看視頻有時候會卡頓，原因就是要通過網(wǎng)絡傳輸很多數(shù)據(jù)，但是一個聰明的做法是，先把視頻部分緩存到我的電腦或手機上，即便出現(xiàn)網(wǎng)絡卡頓，視頻還是能從本地播出，這就是一個Caching的方向。

所以簡單地說，如果能把底層的推理模型，從一個計算模型，變成一個更多是存儲的模型，推理速度就會變快很多，甚至變快三倍。

另外，零一萬物在做模型研究的時候，就不會去研究那種超大、無法縮小、沒法變快的模型。我們從做科研的第一天就會考慮，最終做推理時會用多大的機器，有多少個HBM、多少RAM、多少SSD，然后統(tǒng)籌布置模型訓練。

零一萬物會先定一個目標——做又快又便宜的模型，在這個基礎上做到最好。零一萬物的每一個人，無論是做AI infra的、做模型訓練的、做推理引擎或者做數(shù)據(jù)中心的，全部都是秉著這一個目標去做，因此做出來的模型才會這么快。

趙何娟：您說得特別好，又快、又便宜，這是兩個非常關(guān)鍵的因素，這是否也代表著 AI 模型能否在應用市場普及的關(guān)鍵因素。快我們現(xiàn)在理解了，但便宜您是怎么做到的？我們都知道算力沒辦法便宜，數(shù)據(jù)現(xiàn)在越來越折桂，那我們能夠做到加快性能和推理速度的同時，還能做到便宜？

李開復：我們加快模型的速度不是通過堆更多的機器讓大模型變快，而是用同數(shù)量、同規(guī)格的機器讓大模型變快，這樣訓推出來的模型才能多快好省，才有競爭力和性價比。

我們的硬件是固定的。零一萬物會在相同硬件的前提下做到最快。模型速度變快之后，假設以同樣的成本多生成了三倍的token，那公司就可以獲得三倍收益。或者換句話說，以同樣的成本多生成了三倍的token，那模型對外的價格也會降到原先的1/3甚至更低。

趙何娟：所以您認為這中間最核心的是什么？

李開復：核心其實就是少用內(nèi)存，善用內(nèi)存，少用GPU，能存的不要算，必須算的才算，這些是原則。

另外，在零一萬物做AI科研的同學，被要求不要去做那些過于宏偉的AGI實驗，要做“能落地和最有效的創(chuàng)新”。

一個公司戰(zhàn)略定位要從自身實際情況出發(fā)。當年IBM的電腦是巨型且昂貴的商務機，微軟和蘋果則做出了人人可用的PC。幾家公司的戰(zhàn)略和路徑出現(xiàn)了明顯分野：有的要做世界最大、最強的電腦，有的則要做一個最快且人人可用的電腦。零一萬物目前選擇的路徑是第二種。

另外，我剛才的描述也可以被理解為“垂直整合”。為什么早期的 iPhone那么驚艷、那么好用？就是因為喬布斯完美地實現(xiàn)了垂直整合的工程工作。談到零一萬物聚焦的目標，它不見得是由一個偉大的論文，或者是巨大的技術(shù)突破，或者是靠堆更多GPU做出的結(jié)果。我們現(xiàn)在所要實現(xiàn)的，是一個靠譜、快速、卓越的工程工作。

零一萬物做大模型的第一目的，就是要快、要便宜，在這個前提之下盡可能把模型做到最好。在這樣一個共同的目標下，用“垂直整合”的思路，來把內(nèi)存的問題、降本增效的問題做好，最終設計出一個兼具性能與性價比的模型。

談中美AI發(fā)展：明年To C、ToB都會爆發(fā)，但開源模型仍存挑戰(zhàn)

趙何娟：我特別能理解這背后的一個機制和原理。

我們接下來看應用端，我們經(jīng)常說中國的優(yōu)勢是一個龐大的應用市場，中國是個大市場，這是我們的優(yōu)勢。雖然我們基礎科研不如美國，但是我們因為應用市場巨大，而且相關(guān)的創(chuàng)業(yè)者也比較多，如同互聯(lián)網(wǎng)和移動互聯(lián)網(wǎng)應用一樣，我們會領(lǐng)先于全球。但是我們現(xiàn)在看到，尤其在通用大模型，除了ChatGPT這樣一個C端產(chǎn)品外，已經(jīng)很少有特別爆發(fā)性的C端應用，更多的可能在B端，包括美國現(xiàn)在B端應用“百花齊放”，甚至有的已經(jīng)開始掙錢了，這一塊對于中國來說又是一個短板。我想問，這會不會加大我們對于美國的差距？然后，我們怎么看待現(xiàn)在應用市場上的這些機會，到底是To b（企業(yè)級）先行還是To C（消費級）先行？

李開復：在國內(nèi)市場上，我們也看到了你所說的這幾點擔憂，但是我依然認為，2025年會是一個轉(zhuǎn)折點，AI-first的To C、ToB應用都會爆發(fā)。

從To C的角度來看，“能夠很快變現(xiàn)但增長很慢”的To C APP不是中國團隊的長項，“前期積累大量流量隨后變現(xiàn)”的To C APP才是中國團隊的長項。但在過去的一年里，構(gòu)建后者這類應用的方法論在國內(nèi)其實沒有用武之地。

目前的Chatbot應用的用戶量還沒有達到能夠變現(xiàn)的階段，但如果在無法變現(xiàn)的前提下，依靠純投放獲得百萬DAU要花費大量資金，這不是長久之計。

但是我對2025年是樂觀的，因為推理成本會足夠便宜、模型也足夠好。零一萬物的Yi-Lightning模型，還有一些其他的優(yōu)質(zhì)國產(chǎn)模型，不僅在性能上已經(jīng)對齊美國頂尖模型，而且還做到了更快、更便宜。明年一個大趨勢就是，越來越便宜的推理成本會推動High DAU的應用出現(xiàn)，“先用一段時間積累用戶隨后再探索商業(yè)變現(xiàn)”，這類AI-first To C應用的成長路徑在明年會更清晰。

中國大模型領(lǐng)域未來一個很大機會也在于此。中國能夠做出性價比更高的模型，讓推理變得很便宜，把大量從移動互聯(lián)網(wǎng)時代積累下來的打法，用于AI應用的推廣和增長，催生出更多To C High DAU的AI-first APP。這幾個因素疊加下，中國To C會有很大希望。這是第一點。

接下來，有關(guān)To B我也同意你的說法，美國是一種“我?guī)湍阗嶅X、你幫我賺錢”的生態(tài)，企業(yè)用戶有很成熟的付費習慣，這個付費習慣是中國的To B從業(yè)者非常羨慕的。在未來一年內(nèi)，期待中國To B生態(tài)能從付費習慣上做出改變，這并不容易。

但是我認為，中國團隊也存在著獨特優(yōu)勢，就是中國大模型公司更愿意深入企業(yè)做定制。我們可以先嘗試單點突破，然后快速迭代。如果我們的模型能幫企業(yè)“印鈔票”，我們當然也能從企業(yè)客戶的增長中受益。

目前，在零售、游戲、政務等領(lǐng)域，我們已經(jīng)看到了一些“曙光”，零一萬物給客戶的價值足夠大，所以能夠得到不錯的回報。展望2025年，這是我所看到To B領(lǐng)域的希望。

趙何娟：剛才有講到一個點，關(guān)于To B應用層面，像OpenAI可能不會給你提供模型，而是API接口，那么這是否意味著，開源模型會比閉源模型更有優(yōu)勢？

李開復：開源模型是一個非常強大的勢力。零一萬物本身在做開源，也認可開源的做法，開源生態(tài)下也能夠出現(xiàn)相當好的模型，雖然未必是最好的。

但開源也有一些挑戰(zhàn)。

首先，開源是無國界的。越來越多的國家不愿意把數(shù)據(jù)分享出去，鴻溝會越來越大。同時，一個國家的合法數(shù)據(jù)在另一個國家不一定合法，跨國使用存在風險。

第二，開源模型也有相當高的調(diào)試門檻。大家對開源模型有一個很大的“誤解”，開源模型只是共享了模型和參數(shù)，但訓練過程是黑箱。另一方面，即便是很多大企業(yè)的技術(shù)團隊也不是做模型微調(diào)的專家，所以在引入開源模型后，企業(yè)如何基于自身需求繼續(xù)訓練模型會是一個很大的挑戰(zhàn)。

第三，很多開源模型并沒有考慮到推理速度和推理成本的問題，即便性能不錯，但高額的推理成本和緩慢的推理速度很難滿足企業(yè)需求。模型的特性和企業(yè)訴求很可能是不一樣的。

閉源模型的優(yōu)勢就在于，頂尖的閉源模型性能會比開源模型好一些，而且模型廠商可以派專家團隊到企業(yè)去服務。在性能和ToB專業(yè)服務方面，采購閉源模型會更領(lǐng)先一籌。

趙何娟：那么，開源模型是不是更適合中國市場？

李開復：其實不見得。一般來說，中國大模型公司是愿意到企業(yè)去提供服務的。對于企業(yè)來說，是引入開源模型自行摸索更劃算，還是選擇與大模型公司合作共建效果更好？我認為是后者。除了少數(shù)技術(shù)比較強的企業(yè)之外，選擇與大模型公司共建是更好的選擇，大模型公司可以幫助企業(yè)訓練出差異化的模型。當然前提是，這家企業(yè)愿意付費。

開源模型的最大優(yōu)勢，就是免費，但按照美國人的話說——You get what you pay for，一分錢一分貨。你付0元得到的，可能需要你在其他層面付出更大的成本支出。

趙何娟：所以，即便是一個開源模型，到企業(yè)去做一些調(diào)優(yōu)后，可能也就會變成閉源模型，同時，有可能已經(jīng)不是開源和閉源的問題，而是可能更多是需要企業(yè)定制專屬模型，而這個專屬模型不一定是我們所謂的通用大模型了，更多可能是端側(cè)模型。我可以這么理解嗎？

李開復：定制的模型往往不是端側(cè)的，它是一個部署在企業(yè)內(nèi)部可控環(huán)境里運作的大模型。

我敢打賭，幾乎95%以上情況是，大模型企業(yè)幫企業(yè)做，要比企業(yè)在開源模型自行摸索效果更好。即便是拿零一萬物的開源模型，由企業(yè)自己做，我可以100%的保證，做出來的效果不如付合理的費用給我們，我們用閉源模型幫你一起做。

未來大模型挑戰(zhàn)：2030年AI能力有望超越人類

趙何娟：我明白了。所以這個里面也有一個很有意思的問題，現(xiàn)在我們看美國To B的整個云生態(tài)里面，除了大廠外，新的大模型獨角獸一個是OpenAI、另一個是Anthropic，其實這兩個都有深度綁定的云服務商——OpenAI與微軟云深度綁定，Anthropic是與亞馬遜AWS深度合作的，而且現(xiàn)在分流越來越明顯，甚至都要綁定自己的云服務。所以在零一萬物看來，中國獨立大模型公司不是與云廠商綁定，怎么解決生態(tài)問題？

李開復：云服務在國內(nèi)還沒有像國外那么普及，大部分中國公司還是會選擇在企業(yè)本地部署模型，而不選擇云部署的形式。同時，不少企業(yè)使用大模型的場景都會涉及到內(nèi)部業(yè)務數(shù)據(jù)、財務數(shù)據(jù)、文檔郵件等，對保密要求很高，這些場景下企業(yè)也會更傾向于私有化部署。

未來兩年，大模型和云如何強強結(jié)合，可能還不會成為一個獨立大模型公司能碰到的挑戰(zhàn)。

趙何娟：未來兩年，作為一家獨立的大模型公司，與大廠的生態(tài)模型公司進行競爭，面對的最大挑戰(zhàn)是什么？

李開復：我認為，我們最大的挑戰(zhàn)是，大模型公司現(xiàn)在進入了一個新階段，要證明自己“可以有持續(xù)的收入增長，而且可以看到未來打平的一天”。我們從AI 1.0時代發(fā)展歷程可以看到，行業(yè)的關(guān)注點從誰團隊最強、誰寫了最多論文、誰打榜打了最高的分數(shù)，逐漸轉(zhuǎn)移到了誰做了第一個落地的應用，誰收了第一桶金。就像當年的“AI四小龍”一樣，這些我覺得如今的大模型公司都做到了。

再下一個階段，大模型公司就要面臨靈魂拷問，就是你能不能拿更多的訂單，你能否在部分業(yè)務上盈利，并驗證業(yè)務是否達到了一個可擴張的階段，隨后才能考慮上市的問題。

我們看到，在AI 1.0時代，那些沒有通過靈魂拷問的公司，有些運氣好先上市了，但也碰到了破發(fā)等窘境；有些運氣不好的，就一直沒能上市。

所以，這就是大模型領(lǐng)域共同面臨的一個巨大挑戰(zhàn)：在技術(shù)競爭變成商業(yè)化競爭的過程中，能否從起初的學者型創(chuàng)業(yè)轉(zhuǎn)變?yōu)槠髽I(yè)家創(chuàng)業(yè)？這個坎如果過不去的話，最終路還是會越走越窄。

現(xiàn)在，大模型“六小虎”在內(nèi)的幾家頭部大模型公司其實已經(jīng)幾乎不再彼此競爭了，各家走的路各不相同。大模型這個賽道比AI 1.0時代的計算機視覺要大得多，也許各家在不同的領(lǐng)域都會成為偉大的公司。5 年以后，我想這幾家大模型公司可能都不見得會被稱作“大模型公司”，因為他們都找到了新的道路。

趙何娟：您剛才也講到，我們現(xiàn)在國內(nèi)五、六家模型公司都有各自定位，你覺得零一萬物是屬于哪個定位？

李開復：兩個定位。第一、堅決做最快、最便宜的模型，點燃To C、To B的創(chuàng)新生態(tài)；第二，堅決不盲目燒錢買不賺錢的流量，也不做“賠本賺吆喝”的生意。

趙何娟：當前我們可以看到，李飛飛在做空間智能，楊立昆在做世界模型，波士頓動力創(chuàng)始人Marc Raibert也在研究關(guān)于機器人的新算法，他們都在解決一個問題，就是利用機器人這種“具身智能”，希望解決大語言模型限制、或局限性問題。所以，您有沒有考慮未來如何把模型跟機器人進行結(jié)合做模型突破。

李開復：“具身智能”肯定是（AGI）下一個特別重要的方向和里程碑，會是生成式AI的一個重要應用場景。目前具身智能只能夠?qū)崿F(xiàn)對現(xiàn)實物體、環(huán)境的大致理解，做到準確性要求不高的基本操作，還有很多技術(shù)問題待解決。

從宏觀角度來看大模型的發(fā)展，文字只是第一步，多模態(tài)是第二步，再往下就應該是Action，“智能體”直接幫你把事情都做了，而不只是給你答案。它要有行動的能力，這樣才是一個完整的智能重現(xiàn)。

當然，我們也看到了很多很酷的演示，但這些都是低垂的果實，具身智能要產(chǎn)生真實的商業(yè)價值還需要一些時間。目前，零一萬物還需要聚焦大模型創(chuàng)新，暫時沒有辦法分心做這些事情。但我們很愿意去跟具身智能公司探索合作，大模型作為“大腦”，可以跟具身智能有很多疊加的方向。

趙何娟：最后預判一下，有人說o1推理模型出來后，意味著AGI已經(jīng)實現(xiàn)。在您看來，實現(xiàn)AGI還應該怎樣發(fā)展？以及AGI的實現(xiàn)還需要哪些條件？

李開復：今天人與AI，各自能做很多事情，有些事情人做得更好，有些AI做得更好。AI會比人發(fā)展得更快，未來總有一個時刻AI 能夠做的事情會比人類更多。但是，我們認為，它未必能做人類能做的每一件事情。

EPOCH AI智庫研究把AGI做了定量分析，分析里認為，從GPT-2到GPT-4提升了多少，GPT-6或GPT-7就需要在GPT-4的基礎上提升同樣的幅度才能夠達到AGI，也就是說從GPT-4到GPT-7的進步需要和從GPT-2到GPT-4一樣多。他們用比較科學謹慎的方法算出來，大概會是在2030年左右達到AGI，這個預測我認為是比較靠譜的。

趙何娟：好的，謝謝開復老師。剛才的對話非常精彩，開復老師都很坦誠的跟我們交流了很多他的真知灼見，我們也相信，在未來的一年，整個 AI 行業(yè)還會發(fā)生非常多的變化，我們也希望能夠成為持續(xù)的觀察者和記錄者，然后也持續(xù)跟開復老師保持這樣的對話和溝通。我也非常謝謝大家，能夠來參與到我們今天的對話，我們相信，開復老師給我們的回答還是非常精彩，也是很真實的一面。

謝謝開復老師，也謝謝大家參與。

（本文首發(fā)于鈦媒體App）