人工智能正在以前所未有的速度席卷全球，去年業(yè)界打響“百模大戰(zhàn)”，聚焦于AI的iPhone時刻，走到今年，大規(guī)模的落地應用已經(jīng)成為新的競技場， AI應用卷起來了，價格戰(zhàn)硝煙四起。

一系列的變化意味著大模型的商業(yè)化正在提速。圍繞大模型的下一步，業(yè)界展開了激烈討論：開源好還是閉源好？C端和B端誰先迎來AI應用的爆發(fā)？超級應用什么時候出現(xiàn)？大模型的落地還面臨哪些挑戰(zhàn)……近日，第一財經(jīng)總編輯楊宇東與百度創(chuàng)始人、董事長兼首席執(zhí)行官李彥宏，硅谷101的聯(lián)合創(chuàng)始人陳茜展開一場對話，共同來探討大模型的未來之路。 

“超級能干”的應用比 “超級應用”更重要

楊宇東：ChatGPT掀起的熱潮已經(jīng)一年多了，接下來超級應用什么時候出現(xiàn)？國內面向C端的大模型產品形態(tài)看起來大都是問答模式，未來有沒有可能產生差異化的競爭？

李彥宏：準確地講，我倒不是說一定在等待一個超級應用的出現(xiàn)，我更覺得，在基礎模型之上應該能夠誕生數(shù)以百萬計的各種各樣的應用，這些應用有些是很小的領域，可能是大家不太容易想到的應用，但是它對于那個領域的問題解決比以前好很多。

也有可能出現(xiàn)用戶量龐大、用戶時長非常長的類似于移動互聯(lián)網(wǎng)的超級應用，現(xiàn)在還沒有看到能夠比肩移動互聯(lián)網(wǎng)時期超級應用那樣的AI原生應用。但我們已經(jīng)看到越來越多的在各種各樣場景、尤其是To B場景，利用大模型提升效率、產生更多的收入，或是能夠節(jié)省更多的成本的情況出現(xiàn)。

尤其是今年以來，我們看到在各行各業(yè)都有AI的應用場景出現(xiàn)了，使人力大規(guī)模節(jié)省，或是效率大規(guī)模的提升。也許對于投資者、對于創(chuàng)業(yè)者，沒有覺得這很令人興奮，因為大家都在想，我能不能有一天從0到1做出一個人們想也沒想到過的東西，變成一個DAU10億的超級應用，這個當然很重要，假以時日也一定會出現(xiàn)。但是目前已經(jīng)看到的，甚至是更重要的是大模型在各個領域、各個場景的應用。

從百度文心一言的日調用量來看，已經(jīng)非常明顯了。我們在4月時曾公布過文心一言的調用量每天有2億次，到前幾天文心一言調用量已經(jīng)到了5億次，也就是說兩個月的時間，調用量翻倍。

調用背后意味著什么？意味著它在給應用產生價值。這種增長速度還是非常令人興奮的。大模型對于實體產業(yè)，對于各行各業(yè)的提效降本這些作用現(xiàn)在已經(jīng)非常明顯了。

楊宇東：你更多是談到了垂直行業(yè)，百度還是有很強C端基因的公司，作為一個普通的用戶會有什么樣很好的場景？

李彥宏：我覺得分兩類，一類是大家比較關注的，過去從來沒有過這些應用而現(xiàn)在比較流行的，類似于ChatGPT，我們把它叫做ChatBot（聊天機器人），國內每一個大模型公司，都會推出一個相應的APP或網(wǎng)站來做ChatBot，它的作用也比較明顯，很多時候如果你丟給它一個很具體的問題，它會給你一個還不錯的答案，而且準確率也越來越高了。很多人逐步對ChatBot產生依賴。

對于現(xiàn)有的這些To C的應用，其實信息增益作用非常大。我們在4月的時候公布過一個數(shù)據(jù)，百度搜索有11%的搜索結果會由AI來生成的，這個比例還在不斷的提升。

也就是說，現(xiàn)有大家比較常見的應用，其實也越來越多地在被大模型、被生成式AI所改造。另外一個例子，過去百度文庫大家是在上面找一些現(xiàn)成的文檔，今天經(jīng)過大模型改造之后，已經(jīng)更多地變成了生成式AI應用，不管你想要產生什么樣的文檔，PPT、論文甚至是漫畫，它都可以根據(jù)你的要求來生成，而且它是收費的產品，今年以來已經(jīng)有大約2600萬付費用戶。你如果說用超級應用的標準來看，它也沒有到超級應用的水準，但要是看它實際產生的價值，有那么多人愿意為這個產品來付費，還是很厲害的。這些產品都是過去已經(jīng)存在的，只是經(jīng)過了大模型改造之后，它的能力跟以前完全不一樣，人們對它的認知也在不斷地迭代、加深。

陳茜：我同意您最近在多個場合強調的，去卷AI的原生應用，這樣大模型才有意義。同時我也有一點小困惑。比如說OpenAI的GPTs在8個月之前就推出來了，當時大家都會覺得，我們AI應用時刻要爆發(fā)了，但是8個月之后的今天，我們看到還沒有爆發(fā)，可能很多應用出來也不太盡人意，最近最火的就是AI搜索perplexity，現(xiàn)在是2000萬用戶的量級，也還沒有到所謂的Super APP、Killer APP，我的疑惑在于，如果基于GPT4的模型能力，是不是我們現(xiàn)在還沒有到去卷應用的時候，這個時刻還沒到？

李彥宏：對，剛才你提到了GPT，以及perplexity，還是我剛才說的第一類，過去從來沒有過的東西從0到1去做，這樣的超級應用確實現(xiàn)在還沒有出現(xiàn)。即使ChatGPT的DAU也沒有過億，算不上一個真正的超級應用，但是對于現(xiàn)有產品的改造，無論是中國也好美國也好，我們都看到了實實在在的增益，比如美國微軟的Copilot已經(jīng)收到了很多費用。美國更多的是To B的行業(yè)，Palantir、Snowflake這些軟件都是通過被大模型、被生成式AI加持之后，業(yè)績得到實實在在的增長。

所以從這個意義上講，大模型應用其實已經(jīng)逐步在浮現(xiàn)出來，它對于現(xiàn)有業(yè)態(tài)的改造作用，比從0到1顛覆作用更早到來、更明顯，甚至我覺得也是能夠創(chuàng)造更多價值的。

以前薩提亞說，過去互聯(lián)網(wǎng)叫做AutoPilot，想要什么東西，你自己就把這個結果給弄出來了，現(xiàn)在的生成式AI叫Copilot，它實際上是人和機器共創(chuàng)的過程，這個過程一開始大家覺得沒有那么性感，但是它對于人的工作效率的提升、成本的下降，對于打開新的可能性，產生的促進作用其實是比那些從0到1要更大。

只是大家好像覺得說沒有新鮮感，或者它更多誕生在生產力場景，受眾群體不會過億過十億，尤其在C端，在公眾層面的體感沒有那么集中，這可能是大家現(xiàn)在一直想尋找一個SuperAPP的原因。

楊宇東：你的問題是挑戰(zhàn)Robin，Robin說要卷起來，你說怎么沒看到卷。聽Robin講完我總結下來，“超級”這兩個字一個是數(shù)以百萬計的應用已經(jīng)開始起來了，二是所謂的超級反而是在垂直、局部的領域，有非常顯著的加速度或者是增益。

陳茜：或者是“超級”的定義在互聯(lián)網(wǎng)時代跟在AI時代是不一樣的。

李彥宏：是不一樣的。在互聯(lián)網(wǎng)時代可能是某一個單一的從0到1，或者是到100這樣的應用，今天這種所謂的超級應用，它對現(xiàn)有場景的一種加持，這種加持還在早期，我必須得承認，它逐步會改變現(xiàn)有產品的形態(tài)。

我再舉一個例子，小說創(chuàng)作、網(wǎng)文是在國內特別火的行業(yè)，過去就是靠作者自己的能力和想象不斷更新一篇小說，效率是很低的?，F(xiàn)在有了大模型的加持，基本上有一個構思，它就會給你相應的文檔，根據(jù)你的想法不斷調整。在用戶看來，仍然是在讀一篇網(wǎng)文，但是小說的生產成本、生產效率，它的內容豐富度、可讀性、優(yōu)良率等等，都跟以前不一樣。這樣的例子，其實我們在幾乎任何行業(yè)都能夠看到。

楊宇東：我們前面聊的總結一下叫卷應用，接下來還有一個關鍵詞叫智能體，你說過好多次，AI時代最看好的是智能體，但是目前來看好像也沒有特別強大的爆發(fā)。你為什么認為智能體是AI時代未來的趨勢呢？

李彥宏：我覺得智能體正在爆發(fā)，只是說它現(xiàn)在基數(shù)還比較小的時候，大家的體感沒有那么強烈。但是你要看業(yè)界大模型公司，都在做智能體，都在看好智能體。

智能體為什么代表未來？基礎模型本身是需要靠應用才能顯現(xiàn)出來的價值。智能體就是一個幾乎可以是放之四海而皆準的基于大模型的應用。根據(jù)我自己的場景，我設定一個角色人設，連編程都不用，只要把我想要做的事情跟它講清楚，有時候要把自己的私有知識庫對接進來，或者說把自己做事情的套路給它說清楚，專業(yè)術語叫做工作流，把工作流套進去后它就是一個非常有用的、跟基礎模型不一樣的東西。今天大多數(shù)AI的原生應用，用智能體的方式都可以做出來，做出來之后效果也不錯。

由于它的門檻足夠低，意味著越來越多的人可以做出他想要的智能體來，這有點像90年代中期的互聯(lián)網(wǎng)網(wǎng)站，網(wǎng)站你可以把它做得非常復雜，但是仍然讀書的大學生，也可以做一個自己的HomePage，鏈接上常用的幾個網(wǎng)站，就是他自己的網(wǎng)站。由于做網(wǎng)站很簡單，所以在90年代中期到末期誕生了數(shù)以百萬計的網(wǎng)站，經(jīng)過大浪淘沙，最終會出來一些非常優(yōu)秀的網(wǎng)站，像Google、Facebook。早期你可能看到的都是，這些網(wǎng)站怎么亂糟糟的，一個大學生就能做一個網(wǎng)站有什么價值？但是你必須得門檻足夠低的時候，讓更多人進來，他們發(fā)揮聰明才智，指不定哪條路跑通了，它就是一個Supper APP、這就是為什么，我覺得智能體代表未來，我特別看好的一個新興的業(yè)態(tài)。

陳茜：在美國硅谷智能體AI Agent也是特別重要的概念，在業(yè)界大家對AI Agent，它的定義還是有一點不同的探討，有些人說比如說GPTs，也都是一些智能體，有些人會說，可能更加高級一點的Agent才算智能體，要調取不同的工具、要成為一個虛擬世界的機器人它可能才叫Agent，你對Agent的定義是什么樣子的？

李彥宏：我剛才也講了，我首先要考慮門檻要足夠低。就一個小白，比如說大一的學生，他也可以很方便地能夠制作一個智能體出來，當然在此之上，可以有各種各樣比較fancy的玩法，剛才你講的調用工具、反思、長期的記憶等等，這些能力會逐步加進去，這跟90年代時候的網(wǎng)站誕生過程也有類似之處。我們一開始的網(wǎng)站都是很簡單的，后來說我可以用Java把一些動態(tài)的東西放在網(wǎng)站里，后來也可以加上cookie……一旦有越來越多的人在生產網(wǎng)站，技術就會跟進說，你有什么需求，我去解決你的問題。

Agent是一樣的，不是說用了最先進的能力之后才叫一個AI Agent，我反而覺得我們要把門檻降得足夠低，讓大家覺得我也可以搞一個AI Agent，進來之后隨著時間的推移，隨著你遇到新問題，解決問題的過程，會把各種各樣最先進的技術用進來。

說實話，我認為現(xiàn)在AI Agent用到的這些能力仍然是非常初級的。未來還會產生我們今天想也想不到的Agent能力，但是這些能力的誕生，反而要依賴數(shù)以百萬計的開發(fā)者，去開發(fā)各種各樣的應用，在他們使用的過程當中產生新的需求，這些需求被解決的過程就是一個創(chuàng)新的過程，就是AI Agent進化的過程，這個我還是非常期待的。

楊宇東：這個特別像我們一個報道，在法律領域，好多創(chuàng)業(yè)公司想說，我要用AI做一個個人法律助手，但是一直沒有好的產品，真正拿到融資的AI法律產品還是面向企業(yè)客戶的適合合同審查場景的產品，因為這個場景足夠標準化而且有人買單。所以像這種一開始的初級產品，越做越復雜，越做越好的時候，可能最后像Robin說的，真正意義上的個人法律助手的產品就出現(xiàn)了。

陳茜：百度有什么比較有意思的AI Agent的案例可以給我們分享一下嗎？

李彥宏：國內高考是一個非常大的事件，學生、家長都非常重視。過去大模型在干什么呢？高考有個作文題，我們用大模型來寫一個作文，看它能得多少分。其實你想一想，這個東西在哪用呢？不可能讓一個考生帶著大模型去參加高考嘛。但是高考完了之后，你要估分、報志愿，選學校和專業(yè)，可能還有人在乎宿舍幾人間，學校有沒有游泳池，或者說哪個專業(yè)更適合我未來發(fā)展，每個人的情況都是不一樣的，問題也都是不一樣的。這種情況下，哪有一個全能的輔導老師可以告訴你說，你最適合的是哪個學校哪個專業(yè)？但是AI Agent就可以干這個事情。我們開發(fā)了一個高考填報志愿的AI Agent。在高峰時期，一天有200萬人在使用。高考考生也就1000萬左右，一天使用的人數(shù)就有200萬人，足見大家對這個東西的認可度和依賴度還是非常高的。

再比如剛才講到法律，我們還有一個智能體的法行寶，它就是一個法律援助方面的AI Agent，我有什么訴求，跟我類似的判例都是哪些，我該怎么去寫一個法律文書，全都是不一樣的。過去大家來百度或者其他地方去搜索，都是找世界上已經(jīng)存在的內容文檔、視頻到底是什么樣子，沒有專門為這個人在這個時刻、這個地點、環(huán)境生產一個文檔或內容，而今天的AI尤其是智能體就可以做到，然后根據(jù)你的情況生成一個法律文書，這樣的例子非常多。

大模型對B端影響將超越互聯(lián)網(wǎng)

楊宇東：你說過大模型對于B端，對于這些領域的影響會超過互聯(lián)網(wǎng)，接下來你認為，哪些垂直領域會受大模型的影響最大？

李彥宏：其實你想一想，互聯(lián)網(wǎng)對C端的改造，我們都是感同身受的，是非常徹底的，是顛覆性的。但是互聯(lián)網(wǎng)對B端的改造，其實我覺得一般，用的技術比較簡單，產生的增益也沒有那么明顯。

但是大模型確實不一樣，剛才提到的那些應用，比如小說創(chuàng)作，讀小說叫做C端，小說創(chuàng)作就可以當做是B端，法律援助其實在幫助律師在提升效率。我們接觸到的一些能源電力行業(yè)，生產制造業(yè)等都有類似的需求。還有像現(xiàn)在國內電動車卷得也很厲害，車里對話系統(tǒng)很多也在用文心大模型。但對于百度來說，這就是一個To B的應用，我們不直接提供給用戶，它是經(jīng)過了OEM、經(jīng)過了車廠集成之后把應用提供給了終端消費者。這種事情非常多，而且我們看調用量如果上得很快，這就說明我們的客戶需要這些東西，B端靠著大模型和AI原生應用產生了價值。

楊宇東：最近我跑制造業(yè)比較多，很多企業(yè)家覺得未來AI對于高端制造業(yè)、智能制造是一種革命性的突破，但是一直搞不明白，比如說通用大模型和我自己的行業(yè)垂直領域、垂直大模型，將來到底是什么樣的關系？你說到的OEM，到底是什么樣的供應商，和平臺型的大廠商之間形成什么樣的業(yè)務鏈條，這個問題是制造業(yè)，尤其是先進制造業(yè)特別關注的。

李彥宏：對！這個問題確實很重要。實際上涉及到大模型在各個垂直的場景里怎么用。這件事情我們也經(jīng)過了探索過程，最初我們的想法是把這個基礎模型做得越來越強大，大家叫通用人工智能，在什么場景我都能做得很好。后來發(fā)現(xiàn)這件事情沒有那么容易，每個場景都有它自己的道，要求也不太一樣。有些場景下，大模型思考兩分鐘再給我結果也OK，只要結果準確、全面就可以了。但是有些場景，如果你一秒鐘不出結果，用戶就放棄了。

這兩個場景對大模型要求是不一樣的，今天即使是最強大、反應最快的模型還不能做到。所以當應用場景需要反應快的時候，我們需要更小的模型，它由于沒有大模型通用的能力，在垂直場景當中還要做精調，就是做SFT，把行業(yè)的數(shù)據(jù)怎么去灌進去，再經(jīng)過各種各樣的調教，在特定場景里的效果跟大模型差不多。

類似這種場景，我們也見了很多、去年10月份，我們發(fā)了文心4.0之后，主要精力就是根據(jù)最強大的模型，去裁剪各種體量的小模型。比如十億、百億、千億量級的模型，有的也許擅長角色扮演，有的模型也許擅長邏輯推理等等，根據(jù)客戶的不同使用場景不同要求，出來各種各樣的模型。這些模型的大多數(shù)速度都比EB4要快，推理成本更低，這種應用是大家更愛用的。

即使到今天，我剛才講的5億的調用量，調用量最大的一定不是最強大的模型，你要看市場需求的話，規(guī)模更小一點的模型，市場需求量是更大的。

楊宇東：幫我們介紹一下，這種大模型在B端的應用有哪些比較成功的商業(yè)案例？

李彥宏：比如說電商的數(shù)字人直播，通過大模型來生成一個直播的話術。比如說我要賣一個營養(yǎng)品，是在哪一年、哪個大學教授做了多少實驗出來的結果，這些數(shù)據(jù)自然人很難去記住，但這些數(shù)據(jù)恰恰能夠很好地說明營養(yǎng)品到底有什么作用。這些內容靠數(shù)字人把它表達出來，很多時候比真人的直播效果反而要更好。

楊宇東：還有一個有趣的問題，我們這兩年主要是生成式AI大行其道，比如金融、醫(yī)療、法律這些領域，C端和B端直接有非常好的交互場景，但是大家也開始擔心了，生成式AI有幻覺問題。尤其做金融的，不大敢讓AI幫助客戶來做決策，一旦碰到嚴謹性問題的時候，怎么破解這個難題？

李彥宏：其實我們只要回顧一下過去這一年半的時間，大模型發(fā)展的歷程，我相信你的信心會大增。一年前，如果你跟大模型進行交互，去問它一些問題會經(jīng)常發(fā)現(xiàn)幻覺問題。今天你在用的話，尤其是用最大規(guī)模，最強大模型的時候，已經(jīng)很少出現(xiàn)幻覺問題了。

因為隨著技術不斷地提升，一開始純粹于原教旨的Transformer去做出來的大模型，確實是非常難避免幻覺，要解決這個問題，就要在原來Transformer架構上增加一些東西，專業(yè)詞語叫RAG，稍微借助一點工具就可以消除這樣的幻覺，隨著你使用這種工具的能力越來越強，你就會發(fā)現(xiàn)，在各種場景下，幻覺是越來越少的。

當然，今天這種生成式人工智能更像是一個Copilot，在特別嚴肅，對準確度要求特別高的場景下，我們還不能讓它全部自動去實現(xiàn)，還要靠人把最后一道關，這樣的話，一方面效率提升，另一方面，在準確度上，在消除幻覺上也能夠起到比較重要的作用。其實我們也必須承認，人也有錯的時候，甚至有時候這個錯誤率更高，我們也不能夠完全避免，

陳茜：現(xiàn)在企業(yè)們是否愿意去為AI去付費，現(xiàn)在你在跟一些企業(yè)客戶交流的時候，他們的態(tài)度是什么樣子的？

李彥宏：當你處在市場經(jīng)濟環(huán)境當中，這些企業(yè)其實非常理性。尤其是中小企業(yè)的賬是算得非常精的，如果這件事情能夠讓我降本增效，能夠讓我賺到更多的錢，那我就會用它，如果不能，你再吹破天我也不會用。其實市場會告訴你這個大模型到底有用還是沒用，我們看到調用量的迅速提升，確實是因為在用戶側，在客戶側，它為企業(yè)確實產生了降本增效的作用。

我再舉個例子，比如說在招聘場景，很多時候雇主要找一個具備什么技能的人，對于技能的描述千差萬別，過去是HR坐在那兒，一份一份簡歷篩查，面試100個人，最后篩出來10個人來，再進行下一步的面試，效率是非常非常低。但是大模型進來之后，它可以非常明顯地去提升這方面的效率，有了這樣的場景之后，你去算一算模型的推理成本，其實幾乎是可以忽略不計的。尤其在國內，現(xiàn)在大模型價格戰(zhàn)是非常厲害的，所以像一些比較輕量級的模型，百度的輕量級模型都是免費的，這個免費不僅僅指的是模型免費，實際上算力也送你了，你本來要有電腦，我得要有帶寬等等，這些都沒有了，你只要來用就好。

陳茜：有一個比較好奇的問題，在互聯(lián)網(wǎng)時期，SaaS在中國To B沒有做起來，為什么您會覺得在AI時期，這個AI as a service可以在中國做起來呢？

李彥宏：我覺得在SaaS時期，之所以沒有做起來，更多的是因為比如說像互聯(lián)網(wǎng)大的平臺，既做了To C的事，也做了To B的事，比如今天大家都到電商平臺去購物，平臺商家所需要的To B的能力電商平臺都替他做了。在某種意義上講，其實中國并不是沒有這樣的需求，而是說這些需求，被更大的平臺所滿足掉了。

但是在AI時代，情況又發(fā)生了變化，它不是從0—1的，恰恰是對于現(xiàn)有業(yè)態(tài)的增強。當現(xiàn)有業(yè)態(tài)被增強、效率越來越高的時候，它就更能夠抵御類似于像互聯(lián)網(wǎng)平臺對它這種業(yè)務的侵蝕。我倒覺得AI的這種To B的需求，在中國會比互聯(lián)網(wǎng)To B的需求要大很多。

開源是一種“智商稅”

楊宇東：我們還感興趣一個問題，就是其實現(xiàn)在行業(yè)里面爭議很大，開源還是閉源，現(xiàn)在看到開源的大模型越來越多了，而且甚至有些能力都不亞于GPT4了,就這個問題你怎么看，還堅定走閉源路線嗎？

陳茜：在國際上對開源閉源大家也爭論得很厲害，馬斯克吐槽OpenAI叫Close AI好了，我們看到馬斯克的XAI也開源了，為什么你對閉源這么堅持？

李彥宏：我覺得開源其實是一種智商稅。仔細想一想我們?yōu)槭裁匆龃竽Ｐ?？是它能夠有應用，這些應用在各種場景下能夠為客戶為用戶提升效率、降低成本。所以當你理性地去想大模型能夠以什么樣的成本給我?guī)韮r值的時候，你就會發(fā)現(xiàn)你永遠應該選擇閉源模型。無論是ChatGPT也好，文心一言也好，以及各種各樣的模型，你看一下它的平均水平，一定是比這些開源模型要更強大的，推理成本也一定是比開源模型更低的。

尤其在國內的話，我們連算力都送你了，所以當你想要一個開源模型的時候，你得把這個模型拿過來根據(jù)場景去做SFT，很可能還要做安全上的對齊，根據(jù)場景去準備各種各樣的數(shù)據(jù)，做一輪輪的迭代，最后由于是你獨有的模型，沒有辦法跟別的應用去共享算力，最高峰的時候用多少那就要準備多少算力，這是非常非常不經(jīng)濟的。

反過來你用一個閉源的模型，算力可以和大家共享，這些能力在同等的參數(shù)下，閉源模型一定比開源模型的力量更強。同等能力下，由于閉源模型可能參數(shù)規(guī)模會更小一點，它的推理成本就會更低。所以長久來看，我覺得閉源模型使用一定會超過開源模型。

當然，我也不能說開源模型沒有存在的價值，其實比如說從學術研究的角度，或者是高校學生想拿來練練手……在這些場景下，我覺得有它的價值，但如果你是一個企業(yè)，要的就是大模型能夠帶來價值上的增益，只要一算賬，就會發(fā)現(xiàn)開源模型是沒有機會的。

陳茜：閉源大模型再加公有云集合不同的閉源、開源模型供客戶去調用，你用這樣的一套打法，對To B客戶來說有什么考量嗎？

李彥宏：To B的客戶，他要選擇的是一個性價比最好的模型。一方面，模型要對他的應用產生價值，另外一方面，成本要足夠低。很多時候，你看著有用，一算成本不劃算，客戶就放棄了。這是為什么我剛才講，開源模型打不過閉源模型。你只要理性的去看待，你的收益是啥，你的成本是啥，你就會發(fā)現(xiàn)，最好還是去選擇閉源模型。當然，閉源模型不是一個模型，它是一系列的模型，根據(jù)你的使用場景去平衡一下，要多好的效果，要多快的推理速度，要多低的成本。模型有非常多的變種，可以根據(jù)用戶的需求，讓他來做選擇。
閉源模型還有一個開源模型不具備的優(yōu)勢：這些相對來說規(guī)模更小的模型，都是從最大最powerful的模型裁剪出來的，裁剪出來這些更小規(guī)模的模型，仍然比那些同樣規(guī)模的開源模型要效果更好。 

價格戰(zhàn)不可避免

楊宇東：用戶最終的選擇還是會看性價比。現(xiàn)在才一年多的時間，價格戰(zhàn)已經(jīng)開始打起來，閉源大模型的API調用的費用越來越低了。在這樣一個商業(yè)環(huán)境之下，大模型靠推理收費的商業(yè)模式未來成立不成立？以后我們市場再去比拼大模型的話，會比拼哪些點？

李彥宏：說實話，我們也在內部不斷的在思考，在討論這個問題，價格戰(zhàn)我覺得幾乎是不可避免的，在中國互聯(lián)網(wǎng)干了這么長時間，其實已經(jīng)對價格戰(zhàn)非常熟悉了，但就像你講的，確實它來的比我想象的還要更早一點，這么早就開始把這個價格打到了幾乎不可思議這種低的地步。但我覺得某種意義上講也不是壞事兒，當你足夠低，甚至免費的時候，就會有更多的人有積極性來嘗試在大模型基礎上去開發(fā)各種各樣的應用。也就是說大模型對于各行各業(yè)的滲透速度會更快。

你都免費了，或者說價格足夠低，大模型公司靠什么賺錢？我是這樣想的，大模型天花板還是很高的，技術的天花板，在今天我們還是對于大模型的能力有很多不滿意的地方，仍然需要很多非常優(yōu)秀的技術人員，需要很多的算力，需要很多很多的數(shù)據(jù)才能夠訓練出來下一代大模型。

所以最終大家是要去拼誰的技術更好，你的技術好，你為客戶產生了更好的價值，將來你還是能夠收到費的。今天之所以把模型價格打到足夠低，是因為現(xiàn)在模型的能力其實還沒有到最好。那沒有到最好的時候，大家都差不多的時候，那就拼價格，誰的價格低就用誰的。時間長了之后，市場本身會回歸理性，同樣的效果，就是當我的成本比你低的時候，那你打價格戰(zhàn)你肯定打不過我，時間久了之后你就退出了。

這個過程我們在百度網(wǎng)盤上是經(jīng)歷過的。那些年大家在卷網(wǎng)盤的時候，今天給你10G的免費空間，明天你給我100G的免費空間，后天說無限空間永久免費。當你說無限空間永久免費的時候，大家也會說這怎么能夠持續(xù)呢？ 后來慢慢地一個一個退出。為什么百度沒有退出呢？因為我敢打，我的技術好，存儲成本低。

陳茜：你覺得價格戰(zhàn)還會持續(xù)多久？

李彥宏：這個很難講，現(xiàn)在有些創(chuàng)業(yè)公司是玩家，也有很多非常大型的這種互聯(lián)網(wǎng)平臺公司是玩家，燒錢的話，理論上講是可以燒很長時間的，但我覺得燒錢不是這件事情的本質，本質仍然是誰的技術更好，誰的效率更高。當你的技術好、效率高的時候，你就不怕去打價格戰(zhàn)，所以多長時間都OK，最終它會是優(yōu)勝劣汰的一個過程。

陳茜：價格戰(zhàn)過后，你覺得未來在中國市場會是一個贏家通吃的局面嗎？還是說價格戰(zhàn)之后會剩下幾家主要的玩家？

李彥宏：這次生成式AI對于整個IT技術棧是一個大變革，我們一般認為過去的IT技術棧就是芯片層、操作系統(tǒng)層、應用層或者軟件層這三層。到生成式AI之后，我們認為IT的技術棧變成了四層，芯片層、框架層、模型層、應用層，我認為在每一層可能都會誕生至少2—3個大的玩家。到應用層可能數(shù)以百萬計，甚至數(shù)以千萬計的各種各樣的應用都會出來，也會逐步地出現(xiàn)超級應用。超級應用不會很多，可能就三五個。模型層我覺得也許兩三個就足夠了，因為最后還是大家比拼的還是效率。

Scalinglaw短期內不會被顛覆  

楊宇東：我們談到規(guī)模和能力，最近開始有不同的聲音出來了，確實看很多行業(yè)做一些小的模型的速度更快，效率更高，大模型的Scalinglaw會不會這么快又被顛覆掉？

李彥宏：我覺得Scalinglaw本身可能還會有若干年的生命周期，但與此同時，會在此之上會疊加出來各種各樣的創(chuàng)新。剛才講到智能體，仍然是基于Transformer這類大模型在做，但未來再過一兩年還會出現(xiàn)什么新的技術創(chuàng)新，在此基礎上再去疊加，我們也不知道，大家都在探索。換句話說，我覺得Scaling law短期之內倒不會被顛覆，但是在Scaling law之上會疊加出來很多我們現(xiàn)在可能還無法想象的創(chuàng)新。

陳茜：那你覺得接下來大家在卷應用之余，會不會開始卷一些中小模型，在國際上比如Mistral這樣的中小模型也是受很多開發(fā)者歡迎的。百度在中小模型上，還有一些模型蒸餾上有什么的計劃？

李彥宏：我們看到的真實需求，確實在絕大多數(shù)情況下都不是最大的模型，它都要求這個模型變小。變小意味著什么？速度快，成本低，當我干這個事兒能帶來每年100萬的增益，但一算最大的模型要120萬的成本，那我肯定不干了。那我給大模型公司的要求就是要把成本降到80萬，甚至降到8萬。那我們就得想，怎么把最強大的模型蒸餾到足夠小，也就是成本足夠低的時候，仍然能夠滿足特定場景的需求。我覺得這方面閉源模型仍然有優(yōu)勢，因為閉源有最強大的基礎模型，它根據(jù)這個模型蒸餾或者裁剪出來的小模型比那些開源模型更有優(yōu)勢。開源模型不管是用更大的開源模型來蒸餾還是怎么樣，但當你基礎沒有別人好的時候，做出來的東西在競爭力上會有劣勢。這方面我們看到真實的需求確實非常多，也認為這方面的機會仍然在閉源不在開源。

陳茜：GPT—5一直在延后，擔憂的聲音越來越高，比如5—10萬億這樣的參數(shù)加上去，擔心它的效果并沒有實現(xiàn)躍升，是不是會打擊一些人對Scalinglaw的信仰？也就是我們的AGI可能沒有辦法用Scaling law的方式實現(xiàn)了，你對這個有擔憂嗎？

李彥宏：我不是很擔心這件事情，我覺得大家應該更關注應用，而不是關注基礎模型，某種意義上講，基礎模型迭代速度稍微放緩一點不是壞事兒，今天的這些應用開發(fā)者，有一個相對穩(wěn)定的基礎模型來開發(fā)應用其實效率更高。如果模型天天在那兒練，他每天都要重寫一遍過去的代碼，是很累的。但是在現(xiàn)有基礎模型上不斷去做微調，去做一些漸進式的迭代和創(chuàng)新，其實是一直在發(fā)生的。

但是長遠來講，我確實認為下一代的大模型一定會比現(xiàn)在這一代模型強大得多。什么時候推出來我不是很著急，我們應該更多地去看一下真實的市場需求是什么。如果我們認為AGI 10年都達不到，也就是說它有擅長的和不擅長的地方，如果它擅長的恰好不是市場需求的，那這個意義不大；如果他不擅長的恰好是市場需求的，那我們浪費了很多資源去做一些不該做的事情，這是為什么我更關注應用。當市場需求不是很清楚的時候拼命往前跑，去做一個名義上更強大的模型，其實很有可能是會走彎路，是浪費資源。

楊宇東：你之前說距離AGI還有10年時間。你個人認為AGI實現(xiàn)的標準是什么？還有哪些路徑可以讓我們更快地通向AGI？

李彥宏：確實業(yè)界沒有一個標準答案。以前大家覺得通過圖靈測試就實現(xiàn)AGI了，實際上現(xiàn)在大模型已經(jīng)通過了圖靈測試，但是人們所說的AGI不只是通過圖靈測試。在我的心目中，AGI是說機器或AI能夠具備人在任何場景下所具備的能力，這是一個很高的要求。

我們做無人駕駛有11年的時間了，仍然不能說這個技術成熟，這還是一個專用場景，AI都做不到非常的成熟。所以說真正要實現(xiàn)AGI，我認為確實是還需要很多很多年。

但是就是業(yè)界有人說AGI可能再過2年的時間了，或者再過5年，說什么的都有，但是我自己的判斷是10年以上，也許10年，也許20年，也許更長的時間。很多人在講AGI是一種信仰，當你把它當做一種信仰的時候，誰的信仰會明年就實現(xiàn)？這是自相矛盾的。如果是一個信仰，它就是你值得為之長期奮斗的一個目標。

楊宇東：好的，最后輕松一點，您能不能推薦一下最近讀的一本書或者論文，關于AI方面特別有啟發(fā)的，給我們大家推薦一下。

李彥宏：我最近沒有怎么讀論文或者是書。首先書太慢了，大模型技術包括大家認知迭代的速度非常非?？欤鹊匠蓵臅r候，基本上已經(jīng)過時了。為什么論文我也讀得少呢？一方面我們公司有一大堆人都在讀論文，我很多時候就是讀一些摘要，時間有限，每天出來的新東西實在是太多太多了。另外一方面我也覺得其實我們應該更關注市場信號，更關注真實的需求在哪里，而不是理論又往前推進了多少。如果大家都靠理論去指導實踐的話，根本就不會有飛機出來，是飛機出來之后，大家研究為什么比空氣重的東西還能在天上飛，其實有一個理論叫做空氣動力學。很多時候實踐是反而是領先理論的，我們要更多地看市場有什么需求，我們怎么去更高效地去解決這些真實的市場需求。

楊宇東：對，它是種基本的原動力，來自于實踐，來自于需求。推動了理論，推動了科技的發(fā)展。

李彥宏：沒錯。

楊宇東：非常感謝一個多小時的時間，我們演播室對面就是徐匯濱江，非常漂亮，告訴大家一個很讓人開心的消息，馬上會建成一條纜車的索道，橫跨江兩岸。我們也期待以百度為代表的優(yōu)秀公司，早日為我們建成人類通向未來的AI橋梁，謝謝。

李彥宏：好，我們努力，謝謝。

陳茜：非常感謝。

返回列表