以下內(nei) 容整理自2024AI+研發數字（AiDD）峰會(hui) 深圳站對話環節：（全文約12485字,預計閱讀時間15分鍾）。
▼
對話主題：大模型下半場：如何開發出殺手級的工具或應用？
彭靖田：穀歌開發者專(zhuan) 家/穀歌出海創業(ye) 加速器導師
徐 昊：金蝶中國蒼穹平台解決(jue) 方案事業(ye) 部總經理
汪晟傑：騰訊雲(yun) 資深技術產(chan) 品專(zhuan) 家
李明宇：中科院計算所高級工程師、Eagle DevAgent作者
邢家瑋：微軟亞(ya) 太研發集團高級產(chan) 品經理
本期內(nei) 容同步還有播客音頻供學習(xi) ，掃描下方小宇宙二維碼，即刻收聽！👇
📑SHOWNOTES：
AI 泡沫論再起，對行業(ye) 是負麵影響？
▶主持人彭靖田
OpenAI 的 ChatGPT 發布之後，大模型一炮而紅，成為(wei) 大眾(zhong) 特別是普通人廣泛關(guan) 注的重要事件。今年， OpenAI 又發布了 o1 model， o1 model 跟傳(chuan) 統的 GPT 模型相比，有一個(ge) 很大的分水嶺。有一種說法叫做 o1是大語言推理模型LRM（大型推理模型）。但是 o1 發布之後，它的口碑一直是呈現兩(liang) 極分化的。在過去兩(liang) 年中，市場上也缺乏真正的殺手級應用。每一輪 AI 崛起都會(hui) 伴隨一次 AI 泡沫論。那不知道幾位嘉賓如何看待AI 泡沫論，以及它對行業(ye) 的影響？
▶徐昊
在大模型這個層麵上，我認為短期內確實存在被高估的現象，市場上確實有一定的泡沫。但是長期還是被低估了，但這個長期是五年還是十年？現在好像還很難預測。首先，大家可以看到大模型方麵的技術突破是比較快的，盡管也遇到了一些問題和挑戰，比如訓練的問題，但整體來看，這兩年是以我們從來沒有想象到的速度發展的。但是在商業變現上，實際上目前還沒有看到一些所謂的“殺手級應用”（Killer APP）能夠去統治全球。當然我們看到了無論是微軟還是穀歌，包括像我們國內的一些互聯網大廠，也都在升級自己的 AI 能力，但最終哪個場景、哪個賽道會誕生真正的 Killer APP 去顛覆這個領域，目前仍然難以預測。因此，短期內我們需要對市場的高估和泡沫做好心理準備。
為什麽說長期被低估了？我認為這次AI變革不會取代人類，但會極大改變我們與機器的協作方式。雖然我不敢斷言這一定是第五次工業革命，但我相信它將像Windows淘汰DOS、智能手機取代功能手機一樣，成為一個重要的大過濾器。在未來，同樣價格的產品，如果我的同行都具備AI能力，但我沒有，那麽我將可能被市場淘汰。因此，從這個大過濾器的角度來看，長期來看，AI的影響力絕不可小覷和低估。
▶汪晟傑
剛才提到的Open AI中的大模型，特別是像o1的慢思考特性，這種特性旨在提升思考反思過程，從而提高生成的精準性。目前，大家肯定也在思考一個核心問題：如何讓智能變得更智能，如何更好地理解用戶需求。大模型的架構在這個過程中，通過推理和模仿，利用慢思考將任務拆解，從而實現更高的精準度。
我們一直專注於代碼領域的賽道，下午的分享也會圍繞騰訊雲AI代碼助手的RAG（檢索增強生成）和智能體實踐展開。我們的初衷是讓代碼生成過程更加高效。最近國際上也有一些成功的例子，如Cursor和GitHub Copilot，它們嚐試利用o1模型來提升需求和工程生成的準確率，這是一個很好的機遇，同時也能激發模型的潛力。
那麽，誰來激發這種潛力呢？我認為，關鍵在於具體的應用場景及對這些場景的理解和探索。以教育行業為例，我們可以利用o1的慢思考特性來幫助老師和學生。老師可以把製作課件要點給到o1，提高製作的速度和質量。而學生則可以基於要點知識檢索增強，舉一反三的出題強化並鞏固知識點。AI還可以利用慢思考解答問題的過程，收集試錯數據，以此生成新的練習，進一步強化對知識點的理解，提升學習效果。這些都是非常好的賦能點。在這個過程中，o1不僅是一個工具或模型，它通過持續思考如何更精準地生成結果，而應用場景的設計則同樣遵循這一邏輯，二者是一個互補的過程。
▶主持人彭靖田
o1確實開啟了Inference CoT，包括它的訓練方法，也更加貼近人類大腦的system2·慢思考。
▶李明宇
我想分享一些較為(wei) 抽象的觀點，首先是關(guan) 於(yu) “泡沫”這個(ge) 概念。為(wei) 什麽(me) 有些人認為(wei) AI的發展已經出現了泡沫？這可能與(yu) 一些失敗的案例有關(guan) 。在這樣的背景下，我們(men) 是否應該向AI學習(xi) ，如何更有效地訓練一個(ge) 優(you) 秀的AI模型？AI的訓練過程依賴於(yu) 不斷的試錯和誤差反向傳(chuan) 遞，隻有經曆了這些試錯，才能構建出有效的神經網絡。因此，失敗的案例其實是試錯過程的結果。隻要我們(men) 能夠找到正確的梯度下降方向，就能發現創造價(jia) 值的點，那就不再是泡沫。
第二個(ge) 角度是從(cong) 經濟發展的曆史來看，實際上沒有泡沫就沒有增長。雖然大家都追求增長，同時又對泡沫心存畏懼，但這是否意味著增長隻會(hui) 把握在勇敢者手中？我們(men) 其實沒必要那麽(me) 害怕泡沫的出現，當某個(ge) 領域出現泡沫時，往往意味著這一領域可能是快速增長的方向，相反，我們(men) 應該積極擁抱這種變化。我認為(wei) 目前的泡沫還遠沒達到一定的高度，可能會(hui) 出現另外的反差。
▶主持人彭靖田
李老師的觀點非常有意思，我與您在大多數看法上都非常一致，特別是在快速試錯這一點上。矽穀被認為是這一輪的創新高地，也是半導體技術的創新高地。無論是YC孵化器還是在矽穀發展起來的其他企業，都強調“快速失敗”（Fail-fast）的理念。正如我們剛剛提到的，隻有通過快速試錯才能發現問題所在，才知道怎麽及時調整。
此外，您提到的泡沫概念同樣引人深思。我認為通過合理的市場機製，泡沫最終會導致價值的回歸。這樣的市場環境不僅能促進創新，也能為企業提供更多學習和成長的機會。
▶邢家瑋
我讚同明宇老師的觀點，關於“AI泡沫論”的討論確實有其合理性，但是否已真正進入泡沫階段，還有待商榷。當前，在C端尚未出現真正意義上的殺手級應用，B端也缺乏能夠顯著提升生產力和帶來直接商業價值的解決方案。因此，許多人不免質疑，我們在這一領域投入的巨額資金是否合理和明智。
正如徐總提到的那樣，AI的短期潛力可能被高估，但其長期價值卻常常被低估。在我看來，AI的核心價值在於提升生產力，使人們能夠更高效地完成更多任務，這個價值本身是明確的。然而，任何事物發展都需要一個過程，目前這一價值尚未完全顯現，導致公眾對AI的長期整體判斷出現偏差。
當前的挑戰不僅僅源於技術的局限性。盡管AI技術正在迅速發展，在某些領域已有一定用戶基礎，覆蓋麵也在擴大，但在企業級應用中，我們仍缺乏經過充分驗證、能夠大幅提升生產力的係統性AI解決方案。現有的方案在實際效果上並未達到預期，這是“AI泡沫論”產生的主要原因之一。
▶主持人彭靖田
“泡沫”這個(ge) 詞在曆史上出現過多次。通過幾位嘉賓不同公司的視角，我們(men) 對AI泡沫有了更冷靜的認識。回到個(ge) 體(ti) 來說，無論AI 怎樣泡沫，市場怎樣發展， AI 怎樣驅動研發變革，在生產(chan) 力快速發展的背景下，更重要的是如何抓住技術紅利。
大家都知道，新技術在這幾年是一個層出不窮的狀態，尤其是這一輪大模型的快速發展和今年備受關注的具身智能。如果大家關注海外動態，就會注意到李飛飛老師，她是ImageNet的發起人之一，李飛飛老師最近成立的World Labs在短短一個多月內估值就突破了10億美元，這充分表明了投資界對空間智能這一新領域巨大潛力的認可。
麵對如此眾多的新技術，作為個體的我們應該如何抓住技術紅利呢？
▶徐昊
首先，我們需要對所謂的技術紅利有一個清晰的認知：它是否真的是一個可以落地的紅利？回想一下，如果今天的會議是在5年前或10年前舉行，我們可能會討論3D打印、區塊鏈，以及如今已不再熱門的數據中台等概念。這些技術在當時都曾引起相當大的熱度，但最終沒有形成普遍的社會共識或實現商業化，這背後的原因值得我們思考。創業者隻有理清這些問題，才能找到真正的紅利。如果某項技術並非紅利，那麽在付出後，我們能否迅速從失敗中恢複？失敗並不可怕，可怕的是在失敗後沒有第二次機會。因此，這一點值得我們深思。
其次，個人的修養與適應能力也至關重要。顛覆自我是非常困難的。我們常常談論要擁抱AI、掌握新技術，但無論是對個人還是企業來說，完全顛覆已有的習慣和能力都是一項痛苦的挑戰。很多時候，我們在做事情時會受到固有思維的限製，這對擁抱新技術紅利並不友好。舉個例子，2016年我們安排了一批人研究微服務和容器化，可能在座的很多互聯網大廠的同事覺得這很正常，但這在ERP行業就是離經叛道。當我們向一些央企介紹這些概念時，他們常常表示：“我們是計劃經濟，每年生產多少是固定的，你跟我講這些幹嘛呢？我不在乎什麽高性能、敏捷。”在這樣的情況下，我們是否能夠堅持做這件事，並最終證明即便在計劃經濟下，高性能和敏捷也是必要的？這對個人的心性是一個挑戰。隻有堅信自己能夠成功，並在把握紅利的基礎上堅持下去，才能有可能實現突破。這是我認為抓住技術紅利所需的兩個關鍵特質。
▶汪晟傑
剛才徐總說得非常好。在大模型時代，企業對大模型的態度上是又愛又恐慌。對於企業來說，可能關注的焦點主要在於以下幾個方麵：首先，它是否能有效提升研發效率？其次，使用大模型會對我的算力成本產生多大影響？此外，預算的增加將帶來怎樣的效益？它又會對我的用人方式產生哪些變化？
回到大模型應用開發，它是一個創新的領域。例如，李飛飛教授的空間智能也屬於這一創新賽道。既然我們都在追求創新，那麽在探索新方向時，我們需要有效評估潛在的創新價值和試錯成本。在內部，我們利用商業畫布等工具來梳理思路，推演並確定產品價值發力點。對於企業類產品，要確定清晰的工具類產品在企業內的價值點，是提升效率，改善流程還是提高效率等等。以AI代碼助手作為例子，我們一開始確定了產品要走標品化建設，並由內部孵化到賦能外部企業的產品打磨路線，把騰訊內部幾萬人使用當作私有化部署的一個KA客戶。我們很多的產品最佳實踐來自於內部口碑。所以關鍵在於需要明確哪些場景和功能是企業的痛點，哪些產品能力能真正解決企業問題的。
與B端需求不同，個人用戶的期望更為多樣。例如，用戶希望它們能夠像Cursor那樣，隨時隨地為開發者提供支持，通過自然語言生成代碼工程等，在改變開發者習慣上他做成功了。IDE作為一個開發者平台，基於大模型的推理能力，AI是能夠預測用戶可能的下一步操作，並在調試過程中預見可能出現的問題。這些點也是很好的價值點差異。
智能體目前的核心還是體現在它具備全鏈路的存儲，每個用戶的對話記憶都被納入其中。然後通過一係列的檢索方法獲取，它可以是RAG（檢索增強生成）或是用戶的本地相似度檢索等手段。基於詢問記憶體並得到一定的結果後，通用後置處理判斷確定是進一步反思檢索或者是調用下一個智能體，通過人機交互，我們就能夠為C端用戶提供極佳的使用體驗，從而顯著提升本地IDE工具的效率。這正是Cursor最近受歡迎的原因，也就是說，用戶可以通過自然語言需求快速生成項目應用。我們的助手也正在朝著這個方向積極探索。
▶邢家瑋
在剛才的分享中，兩位老師從宏觀角度探討了大模型技術的應用場景。我想從大多數普通人的角度，來看看大模型技術給我們帶來的具體紅利，由此反推我們如何高效抓住這些機會。
首先，這些技術紅利在工作、學習和生活三個方麵為我們帶來了顯著的變化，我舉一些例子，在工作方麵，大模型工具的使用顯著提升了工作效率，優化了工作表現。例如，通過自動化和智能化工具的支持，我們可以更高效地完成任務，減少加班時間，從而提高工作與生活的平衡。在生活層麵，AI的應用讓個性化定製變得前所未有的便捷。以健身減肥為例，過去我們可能需要花高價請專業健身教練為自己設計減肥方案，但如今借助AI工具，隻需輸入個人信息，就可以生成量身定製的健身計劃，大大降低了時間和經濟成本。
要充分利用這些技術紅利，普通人最需要掌握的是與大模型互動的能力。借助自然語言提示技術，普通人已經能夠參與許多與AI相關的工作。因此，我建議大家可以係統性地學習提示工程或探索低代碼平台的使用方法，以便在工作和學習中最大化利用這些工具帶來的便利。
大模型技術已經在各個領域為我們打開了新的可能性。普通大眾不需要過於關注技術本身的複雜性，而應專注於如何高效地運用這些技術來服務自身的工作與生活。
▶主持人彭靖田
我認為(wei) ，大模型將深刻影響教育行業(ye) 。從(cong) 我的認知來看，語言這個(ge) 權利其實在過去的一兩(liang) 百年才剛剛普及到普羅大眾(zhong) ，一兩(liang) 百年前大部分人是不識字的，他連語言是什麽(me) 都不知道，而互聯網與(yu) 大模型的結合使得知識變得更加平民化，人人都可以很輕鬆地接觸到各種各樣的知識。正如剛才家瑋老師提到的，以前如果我們(men) 想請一個(ge) 私教或語言教練，通常需要花費幾百元一小時，而他們(men) 傳(chuan) 授的知識和概念，可能還不如一個(ge) 免費的大模型所提供的內(nei) 容。因為(wei) 這兩(liang) 個(ge) 知識體(ti) 量本身是不同的，這反映了知識的體(ti) 量差異，也揭示了其中蘊含的商業(ye) 機會(hui) 。在大模型商業(ye) 化落地的過程當中，我不知道幾位老師有沒有看到一些好的行業(ye) 和場景，是企業(ye) 值得去切入的？
▶李明宇
如果直接回答這個問題，我在剛才的分享中已經給出了答案。我肯定選的是一個有前景的切入點才會做這個事情，才會創業。盡管有了人工智能助手，程序員為什麽仍然習慣於進行搜索呢？他們到底在搜些什麽？所提問的問題背後，其實反映了更深層次的需求。我們能否找到更有效的方式來解決這些問題？那這個實際上就是我的切入點。“代碼問題，就問Eagle！”，可以通過像Eagle DevAgent這樣的工具來得到更好的解決。
從方法論的角度來說，我非常崇尚一位作者彼得·蒂爾(Peter Thiel)，他是 Paypal 的聯合創始人，後來成立了Founders Fund基金，並投資了SpaceX。他在十多年前出版的書籍《從0到1》廣受歡迎，我一直將其視為創業者的必讀書籍之一。作者講了非常重要的一個觀點，他說你怎樣去開創一個新的事業，其中最核心的一點是找到未被滿足的需求，或者說在當前科技創新的背景下，你可以滿足，但是過去沒有被滿足或者沒有被充分滿足的這個點去切入，從這個角度來看，這就是一種有效的方法論。
今天，我們站在一個非常有利的時刻，AI來了。因為AI的到來使得許多過去難以解決的問題和痛點，現在通過AI解決變得可行。這為我們提供了一個很好的切入點。從我個人的經驗來看，在開發Eagle這個開發者智能體之前，我們嚐試過多個行業，包括金融、醫療等。然而，在短暫的探索和試錯過程中，我覺得不是梯度下降的方向，因此決定迅速放棄，轉向我更熟悉的領域。這讓我深刻體會到，選擇自己熟悉的業務場景是非常重要的。
由於AI的到來，它將帶來前所未有的變化。如果對某個業務不夠熟悉，想要深入理解並參與其中可能會導致較大的偏差。我們需要明確用戶對於AI生成結果的接受度是什麽樣的：哪些結果盡管存在錯誤但依然被認為有價值，哪些結果則是用戶無法容忍錯誤，哪怕是微小的偏差？如果對業務不夠了解，很難做出準確的判斷。
企業(ye) 視角下的LLM潛力行業(ye) 與(yu) 切入點
▶主持人彭靖田
非常讚同這個觀點。我自己之前創業一直是 CTO 的身份，接觸過一些KA客戶。在過去的十年中，我意識到一個很重要的創業經驗：成功並不在於首先開發出產品或展示技術的優越性，而在於找到願意為之買單的客戶，識別各個行業中有利潤的場景。金蝶肯定是看過很多的行業，在這方麵一定積累了豐富的經驗，不知道徐昊總對此有什麽見解。
▶徐昊
在這方麵，業界已有一些共識。比如在北美市場，我們觀察到許多應用主要集中在辦公領域，包括編程輔助、文案生成和圖像文字處理。此外，客服和零售對話等領域也在不斷發展。基於當前的AIGC技術，我們能夠推測出一些潛在的行業和領域。
我們確實在這個問題上做過很多深入的研究，過去，有人問我們是否應該涉足這個領域，我們現在初步的結論是，對於一些不需要絕對精準的任務，隻要能夠提高效率就可以做。比如說生成一篇文章或工作總結，即使不夠精準，也沒有嚴格的對錯，也相對簡單，它就可以去做，這類任務的效率提升是可以實現的。
另一方麵，對於那些複雜且需要精準的事務，比如編製資產負債表，它們通常涉及多種數據的匯總，要求相對較高也比較複雜。在這種情況下，單純提高效率是不現實的，提升用戶體驗更為重要。無論是給報表的人，還是看報表的人，還是處理數據的人，都可以通過自然語言對話、自動生成能力以及一些Agent的複用，來改善報表編製者、使用者和數據處理者的體驗。
因此，簡單任務的效率提升和複雜任務的體驗提升，都是我們這次AI重構的適用方向。
▶邢家瑋
我相信隨著AI技術的日益成熟，不同行業都蘊藏著巨大的應用潛力。那麽，哪些場景更具發展前景？從應用角度來看，企業中與收益直接相關的部門，如營銷和銷售部門，往往是AI應用的首選領域。大模型技術在這些部門內能夠發揮出顯著的增益效果，例如自動生成營銷內容、提供智能客服等。由於這些環節與收入直接掛鉤，優化投入後能夠迅速帶來可觀的回報，因此企業更傾向於優先在這些領域投入資源。
然而，最大的應用潛力並不應單純從技術切入，而應與企業的核心業務深度結合。僅僅因為某一AI模型技術強大而盲目引入AI，可能導致本末倒置。真正有價值的方向是以企業的主營業務需求為核心，從內部需求出發，將已有的經驗和數據優勢與AI結合，通過技術手段放大業務優勢，從而在市場中占據更強的競爭力，實現更高的回報。
在我們過往的一些ToB項目中，通過組織工作坊，集結各部門員工共同探討業務痛點與改進需求。例如，在一個醫藥行業項目中，我們與客戶各部門的業務人員深入溝通，挖掘了企業內部的核心需求。最終確定的一個關鍵場景是：業務人員在檢索資料時效率低下，影響了工作效果。由痛點出發，我們協助企業構建了一個企業知識庫和智能問答係統，大幅提升了信息檢索的效率。
在推動AI落地的過程中，準確梳理行業內的業務流程尤為重要。隻有在深入理解和分析每一環節的前提下，才能精準識別出潛在的切入點和應用場景。這不僅依賴於AI專家的技術能力，更需要業務專家的行業洞察，幫助企業把握市場需求，實現AI賦能業務的真正價值。
AI時代人才核心競爭(zheng) 力與(yu) 未來規劃
▶主持人彭靖田
聽下來，在高利潤行業中，尋找利潤中心的場景來解決問題是一個非常有效的切入點。在座尋找創業機會的朋友可以關注下這些行業。
從2018年GPT-1發布，到2020年的GPT-3、2022年底的ChatGPT，以及今年的o1，過去六年的時間，我們看到大模型技術在飛速發展中。
埃隆·馬斯克在前幾天的直播中提到，他之前曾預測AI的智能成長速度將是每年十倍，當然他一直持有激進且樂觀的觀點。因此當被問及2030年AI是否會超過人類時，馬斯克非常篤定地講，那時的AI智能將比現在強一萬到十萬倍。
雖然每個人對智能的定義不太一樣，但這無疑帶來了新的焦慮：在職場中，我們如何與AI PK？如何保持職場競爭力？幾位嘉賓都是職場經驗豐富的管理者，因此我們想聽聽幾位嘉賓在這樣的一個AI飛速發展的大背景下，對人才核心競爭力的看法，以及麵向未來，應該如何培養自己的技能。
▶徐昊
第一，保持好奇心。我可能是這幾位嘉賓中年齡較大的，以前曾經跟我一起戰鬥過的一些兄弟，十年或二十年後可能會在這個領域聽不到他們的聲音了，或者不知道他們在做什麽。後來發現，這並不是因為他們的能力或知識體係出現了問題，而是他們的心態缺乏了好奇心，覺得“差不多就行了”。對事物的熱愛和好奇心能幫助你保持在專業領域的專業度和競爭力。
第二，適應新技術，與之共同成長。比如說，我最近在教我的父親使用豆包來查找糖醋魚的做法，打開電腦問豆包，這樣他不至於慢慢跟這個社會脫節。在生活和工作中，工具類產品的使用至關重要。無論是AI開發助手還是其他工具，隻要將它們嵌入日常工作中，就能持續提升職場競爭力，尤其是在AI這樣的熱門話題中。
第三，明確“誰為你買單”。在學習和職場發展中，始終要思考這一點，到底是誰在為你買單？。我們常常將公司的能力視為自己的能力，把體係的力量當作自己的力量。但一旦失去這個公司或失去這些光環，你可能會發現自己不過是一個螺絲釘，而這個螺絲釘本身並不能實現價值。
所以說如果你在大公司或體係中工作，希望大家能做到像U盤一樣，即插即用，你的知識體係跟著你走，同時意識到自己也隻是一個U盤，不能單獨產生價值。反過來，對於創業者來說，必須清楚你的買家是誰——無論是投資者、客戶還是合夥人，你在這個體係中的價值最終是誰在買單？就像我之前提到的，我們開發的AI助手年成本為70萬，客戶問為什麽不花30萬雇一個碩士，可能效果還比這個好。因此，始終要考慮買單的人是誰，他們為什麽會選擇你的產品或服務。這種思考將幫助你在職場和商場中持續保持清醒的頭腦。
▶主持人彭靖田
我覺得徐總提到的話題特別好，在職場中，我們既要保持冷靜和客觀，又要清楚自己的價值所在。最近，我注意到互聯網上企業家與雇員之間的對立情緒非常強烈。我看到一個非常有意思的案例，一個項目組的成員認為自己是項目的核心，合同額接近200萬，但他在這個項目中工作了大半年，最終隻掙了十幾萬的工資，大頭都被老板拿走了，認為這種分配不合理。
正如徐總所說，如果你覺得自己的價值能匹配200萬的合同，那麽你應該主動去簽一個這樣的合同，親自把項目做出來。然而事實是，絕大多數人並沒有能力或勇氣采取這樣的行動。與其抱怨現狀，不如認真思考自己的核心競爭力，以及在長期職業規劃中應該培養哪些技能。
一個人在項目中負責特定環節與全麵操盤整個項目是有本質區別的。因此，理解自己的價值和能力，明確未來的發展方向，才是更為重要的。
▶汪晟傑
我們需要想清大模型能夠在我未來職業生涯的 5 年或者 10 年中扮演什麽樣的角色？我們可以將大模型視為一項新技術，但是不必對其抱有過高的預期。首先要熱愛自己的行業，並在其中保持好奇心和創新意識。當麵對問題時，要思考是否有更好的解決方案。大模型是一種解決方案，傳統方法也是，不能簡單地判斷誰對誰錯。
我們也必須具備與時俱進的能力，技術需要不斷更新。許多知識點在不斷演變，雖然這些新概念可能也是對傳統概念思考過程的重新包裝，但它們也確實帶來了差異化。
對於個人，你就要學會一些更基礎的知識點，比如大模型的原理、如何編寫有效的提示詞工程，以及軟件工程和編程的基本技能，比如你可以專注在架構深層次上麵，讓你的應用寫得效率更高。大模型是一種新技術，但並不意味著學習了大模型就可以忽視其他知識，邏輯思維依然至關重要。
如果你不夠深入某一領域，那麽就要有廣度，涉獵廣泛。深的邏輯是你可能選擇成為大模型的專家，往下深耕大模型，深入研究其應用和算法。廣的邏輯是要廣泛了解各個行業的知識，形成一個係統性的工程思維。這兩條路徑都能對你未來五年或十年的職業發展有很大的幫助。
▶李明宇
我想分享兩個小例子。第一個是關於我在招募前端工程師時的經曆。最近，前端工程師們似乎普遍感到焦慮，擔心自己會被大模型取代。我麵試了十多位候選人，他們的技術水平相似，但我總覺得缺口氣，到底氣差在哪呢？難以具體描述。直到有一位小夥子，當我問他選擇公司和崗位時最看重什麽，他回答說，他希望能在一個支持的環境中工作，追求前端體驗的極致，而不是僅僅完成任務後就迅速轉向下一個功能。他渴望有空間去優化產品，提升用戶體驗。最終，這位小夥子被錄用了。這讓我意識到，前端工程師的核心競爭力在於他們對用戶體驗的敏感度和追求卓越的態度，這是非常重要的，正是這種對用戶滿意度的關注和極致體驗的追求，使得他們不容易被大模型取代。
第二個例子是關於我們鼓勵運營和銷售團隊使用AI編程的做法。雖然我不建議他們自己去學習代碼，但我鼓勵他們利用AI生成代碼來解決一些實際問題。在很多公司，銷售團隊對IT部門開發的BI係統常常有未滿足的需求。例如，BI係統通常有導出Excel的功能，然後銷售人員在Excel中再做處理數據，並且依然有很多困惑是在Excel也解決不了的。如果他們知道可以使用AI生成Python代碼來處理數據，那麽就能迅速得到所需的結果，這種方式既高效又麵向未來。
我相信，在未來3到5年，許多業務場景將能夠通過自然語言提示生成代碼來處理，而這些代碼不需要非技術人員去理解。現在，許多銷售和運營同事可能對這種方法並沒有概念，也不知道該如何去做。但如果我們能讓他們認識到這一點，雖然目前的應用還很有限，但從長遠來看，麵向未來 3 到 5 年，這將有助於他們的競爭力提升，也會對我們企業的整體競爭力產生積極影響。
▶邢家瑋
在AI大模型時代，創新思維的培養(yang) 變得尤為(wei) 重要。我們(men) 類比信息革命，互聯網使個(ge) 人獲取信息的邊界在過去十幾年裏不斷拓展。從(cong) 必須去圖書(shu) 館查閱資料到如今輕鬆在電腦上獲取信息，這種便利提升了我們(men) 的認知和效率。
如今，AI大模型進一步擴展了個人能力的邊界。例如過去需要編程技能才能完成的任務，現在借助工具如Cursor，非編程人員也能輕鬆生成代碼。這種變化讓創新更多依賴於個人能力的提升。
要在AI時代保持創新力，關鍵在於持續學習，跨領域探索。業務人員可以學一些編程基礎，技術人員也需了解業務背景，尋找行業中的潛在機會。通過跨學科知識的融合，個人的創新能力會有顯著提高。同時，企業在AI時代的應對也至關重要。未來，AI將成為企業的基礎設施，推動端到端賦能。企業需要將AI融入戰略，明確其在各業務流程中的角色。跨領域人才是關鍵——業務人員要具備AI技能，技術人員需理解行業痛點，將AI技術與業務需求緊密結合。
▶主持人彭靖田
剛才幾位嘉賓提到保持好奇心和創新的重要性，並強調了持續學習的必要性。正如喬布斯所說的“stay hungry, stay foolish”，我想補充一個視角，那就是how to stay，如何保持學習的狀態。在這裏，我想引入一個來自認知神經科學的概念——元學習（Meta Learning），即“學習如何學習” learning how to learn。就像有一本書叫《如何閱讀一本書》（How to read a book）。
在當今時代，元學習顯得尤為重要。我們生活在一個知識快速膨脹的時代，知識和信息的邊界變得越來越模糊，甚至真實信息與fake data虛假數據之間的界限也在不斷模糊。如果把所有的數據看做一片森林，而這片森林中的根、葉子和節點都有其生命周期。人類所學習的許多知識，其實並沒有那麽長久的生命周期。在短短幾十年的互聯網和計算機曆史中，出現過非常多的編程語言，但今天不會有人或者很少有人再去使用指令集，不會有人再去寫匯編了，甚至C語言的使用也在逐漸減少，許多非常小眾的語言正在慢慢消失。
同樣，人文學科以及我們在企業中學到的許多知識也都是有生命周期的。Meta learning元學習的核心在於讓我們不再執著於某一片葉子上到底有什麽，因為那片葉子有可能是枯萎最快的。而是要關注整片森林的結構，明白這片森林到底有哪些不同的樹？有哪些不同的植被？這是一個重要的概念，也是GPT-3所提出的“上下文學習”（in-context learning）的理念，包括後續我們看到的o1推理能力，幫助我們探索多樣的路徑和可能性。
▶觀眾(zhong) 提問
我有一個問題，剛才主持人提到的“元”（Meta）概念引起了我的興趣。在當前AI的發展中，我們麵臨的一個主要挑戰就是融合的問題，這實際上不僅是技術上的融合，還有更深層次的哲學層麵的思考。
或許在中國這方麵的討論較少，但在西方哲學和神學的語境中，探討萬物的根本和不同學科之間的聯係是非常普遍的。這種交叉學科的思維方式有助於我們從更基礎的層麵理解各種現象，並將不同的學科串聯在一起。
基於這一點，我想請在座的各位嘉賓分享一些經驗，尤其是在應用層麵上，如何推進跨學科的整合。當新科技和新技術出現時，跨學科的結合至關重要。哲學在這方麵是否能夠提供一些啟示？
多學科的應用一定會觸及一些基礎的通用概念，這些基礎知識在科學發展中是不可或缺的。非常希望能聽到大家對這一主題的深層次思考和見解。
▶徐昊
我理解他的意思是，中國在教育上雖然重視理工科，但實際上我們更側重於應用工科，尤其是在計算機科學技術方麵，而對基礎理論研究的關注相對較少。例如，在物理學和數學等領域，我們的研究水平仍然一般。因此，麵對新技術的快速迭代，依靠工科的知識有時顯得力不從心。他希望能否借助一些更偏向理論的方法論來解決這些問題。
首先，我認為理科的許多進展和突破往往來自於兩個層麵。其一是理論研究，坦率來說，中國在這一領域仍在追趕，尤其是在經濟發展過程中，許多學者仍然麵臨生存壓力，比如購房和購車等問題。因此，進行理論突破的難度較大。我們在新技術的引進上，可能還需要依賴“拿來主義”，從海外學習，這在發展中國家中是普遍現象。
其二，許多理論實際上是通過應用實踐反推出來的。近年來，很多互聯網準則是由中國人定義的，但這些源頭並非我們最初產生的。因此，我認為不必過於糾結於理論和通用性的問題。我們應專注於做好自己的工作，並不斷進行抽象和總結。經過實踐，可能在經曆了100個、1000個場景之後，你就會成為這個理論的創造者。這種心態可能會讓我們在麵對挑戰時更加自信。
總之，既然我們無法解決前麵提到的理論問題，不如從實際場景中去抽象和總結，找到適合自己的方案和方向，這樣可能會讓我們在探索中更加堅定和有信心。
▶主持人彭靖田
▶李明宇
我試圖理解剛才提到的問題，是否存在一套統一的理論或方法來應對科技變革和人工智能（AI）帶來的挑戰。隨著各個行業和場景的不斷變化，這方麵的思考也在不斷演進，許多觀點甚至被推翻。例如，關於人腦結構是否可以用數字神經網絡或GPT這樣的Transformer結構來解釋，雖然有一些人支持這一觀點，但也有人提出反對意見。
在這個過程中，我有兩個體驗可以分享。首先，在AI領域，今年諾貝爾獎的頒發引發了一些有趣的討論。化學獎還比較容易理解，因為它解決了具體的化學問題。然而，物理學獎頒給辛頓（Hinton）的原因讓許多從事AI和物理學的人感到困惑，但這背後反映出了一些深刻的道理。我個人更傾向於與辛頓同年獲得圖靈獎的楊立昆的研究相關。他探討了一個AI尚未解答的問題：人類在三歲之前是如何思考的？在沒有語言能力的情況下，孩子是如何認識世界的？
例如，在圖像識別的早期階段，AI需要大量圖像進行訓練才能識別物體。而對於三歲的小孩，隻需告訴他們“那是狗”，他們便能迅速識別所有的狗。這種能力的來源仍然是一個未解之謎。楊立昆提出了一種模型，將圖像、聲音和文字等多種表達形式映射到一個隱空間，並從該空間出發完成下遊任務。這個隱空間到底是什麽？它可能是文本的嵌入，也可能是圖像或視頻的某種映射。通過大量數據和一些掩碼訓練出來的結果，展現了一個很有趣的思路，或許更接近通用人工智能（AGI）的本質。不過，目前的技術是否是實現這一目標的最快路徑仍然未知。
此外，關於AI的推動作用，最近兩年社會上有很多討論，尤其是關於AI是否會替代大量工作崗位的問題。雖然短期內可能會產生一些失業現象，但從長遠來看，科技的發展往往會創造出更多的機會。當我們通過科技減少某項工作的複雜性和所需時間時，往往會創造出更大的價值。這種“少即是多”（less is more）的理念在許多例子中得到了驗證。例如，打火機比火柴更方便，但打火機的普及反而推動了整個產業的增長，遠超火柴的銷量。同樣，在雲計算領域，虛擬化技術使得一台服務器的使用效率大幅提升，最終推動了雲產業的快速發展，超出了許多人的預期。高鐵的開通雖然減少了傳統火車的班次，但實際上火車的總班次卻呈現出數量級的增長。因此，AI的廣泛應用會提高效率和易用性，從而創造出更多的機會。
我的工作台 |
退出
介紹下產品
預約成功
