6月21日，北大光華管理學院聯合騰訊，宣布升級“數字中國筑塔計劃”，共同推出“企業管理者人工智能通識課”系列課程，助力企業創始人和管理者擁抱AI。在第一課上，騰訊集團高級執行副總裁、云與智慧產業事業群CEO湯道生，簡要回顧AI的歷史，系統詮釋了大語言模型推動的技術變革，行業落地的挑戰與應對，以及企業擁抱大模型的基本準則。

　　湯道生回顧了AI發展的歷史，表示算法創新、算力增強、開源共創三大因素的疊加，構成了AI的“增長飛輪”。

　　大模型的快速進步，推動我們正在進入一個被AI重塑的時代。湯道生表示，大模型只是起點，未來，應用落地的產業變革是更大的圖景。企業過去的研發、生產、銷售、服務等環節中，有很多依賴人來判斷、協調與溝通的地方，今天都值得去看看，哪些環節可以疊加AI的生產力，來提質、降本與增效。

　　“AI對世界的改變，一定是通過與產業融合實現的。機器決策、自主生成、自然交互等一系列變革，將推動產業實現更高效率、更低成本、更好體驗和更大創新。未來的企業，也將向智能原生進化。”

　　以下為演講湯道生全文：

　　大家好！非常高興參加今天的發布會，一起探討產業智能化升級。隨著大語言模型的發展，我們正在進入一個被AI重塑的時代，從生產銷售、組織人才，到產業革新、社會發展，都會發生劇烈的變化。

　　許多企業管理者也在思考，如何把大模型技術應用到自己企業場景中，比如在客服與營銷環節，為業務經營帶來更多降本增效？如何在使用大模型時，保護企業數據的產權與隱私？如何降低大模型的使用成本？這些都是企業管理者需要考慮的現實問題。

　　今天，我們和北京大學光華管理學院攜手共建的“企業家人工智能通識課”，就是期望能夠幫助大家，在前沿技術理解、公司組織變革、商業模式驗證、模型實際落地等重要問題上，一起尋找新的解題思路。

　　在這里，我也分享一些對人工智能和產業融合的想法，跟大家探討，如何以AI驅動產業變革。

　　我想從四個部分，分享一下自己的觀察和看法，包括AI的歷史、技術現狀、產業落地和帶給我們的挑戰。我先從技術發展的角度，回顧一下AI發展史，這會幫助我們更好的理解人工智能的現狀和未來發展。

　　一、人工智能發展歷程

　　1950年，人工智能之父圖靈在論文中，提出了一個關鍵問題：“機器是否可能具有人類智能？”由此誕生了“人工智能”的概念。

　　人工智能究竟是什么？它是一門研究、開發，如何模擬、擴展人的智能的科學。包括機器人、語言識別、圖像識別、自然語言處理等方向。

　　簡單說，就是研究怎么讓機器和人一樣，會聽會說，會看，會思考，可以行動。其中尤其重要的一個方面，是讓機器掌握語言，從理解、學習，到生成表達，這也是今天，GPT-4這樣的大模型所表現出來這種“超能力”。

　　語言是人類思維最重要的載體，《人類簡史》作者尤瓦爾（Yuval）甚至說，通過掌握語言，人工智能已經破解了人類文明的操作系統，掌握了通往未來的“萬能鑰匙”。

　　過去40年，AI發展不斷加速。也有一些大眾熟知的標志性事件，比如，IBM的專用超算機深藍，在1995年，通過窮舉棋盤上所有可能性，奪得國際象棋世界冠軍。2016年，AlphaGo結合深度學習與強化學習，在圍棋上打敗李世石。還有AlphaFold對生物科學的貢獻，把蛋白質的折疊做到非常高的精度。再到最近讓大眾風靡的ChatGPT、GPT-4，文生圖技術Midjourney、StableDiffusion等等。

　　這些事件的背后是底層技術，特別是神經網絡的持續突破。1986年，深度學習之父杰弗里·辛頓（GeoffreyHinton）發明反向傳播算法，奠定了現代機器學習，用數據來訓練神經網絡的理論基礎。

　　神經網絡計算模型的原理，是通過模仿人腦構建人工神經元模型，以多層架構，層層抽象。

　　隨后，模型架構不斷創新，比如卷積神經網絡、循環神經網絡等，帶來了深度學習的大發展。最近一次重要的突破是2017年，Google多名研究員發布了一篇開創性的論文《Attentionisallyourneed》，提出Transformer架構，以自注意力來表達序列中每個單詞的關聯，今天包括GPT在內的AI模型，都是在這個Transformer通用框架上衍生而來。

　　AI的發展，除了底層技術，還要受到算力等因素的限制。神經網絡的訓練非常消耗算力，在80年代，計算機能力僅能支撐淺層神經網絡，當時一個較為典型的神經網絡只有1960個參數，連最簡單的文字識別基本都無法完成。哪怕到了2000年代初，算力仍然是瓶頸，可供訓練的在線數據也不足。

　　到了最近20年，硬件算力不斷提升。一方面，摩爾定律讓芯片計算能力持續翻翻；另一方面，高速網絡與分布式計算技術，也讓計算機集群規模不斷擴大。2000年代中，英偉達打造了CUDA，把GPU變得更通用與可被編程，一下從圖形渲染，延展到科研超算領域。基于不同的設計理念，GPU重點攻克并發的向量計算，單個GPU的算力，比過去基于CPU的算力多了一千倍。加上互聯網的高速發展，快速增加了可訓練的數據，讓神經網絡可以做到更大、更深、更多參數、更復雜的模型結構，由此誕生了千億級以上參數的大模型。

　　此外，全球產學研力量，攜手開源共創，也是人工智能快速突破的重要因素。無論是科研論文、數據集、模型算法，還是軟件平臺，一代一代的人工智能科學家，都無私的開放自己的研究成果，讓后來者能在前人的基礎上不斷前進。

　　在開源軟件方面，全球高校與科技企業，都為開發者貢獻了多種AI訓練與推理框架，還有大量數據處理工具。

　　到今天，大量各類預訓練的開源模型，都能從huggingface、github等平臺下載，讓全球研究人員可以在各種開源模型上搭建服務，與優化出更好的模型。

　　開源共創、算法創新、算力大幅增強，這些因素疊加，構成了AI的“增長飛輪”。GPT-4、PaLM2、LLaMa等大模型的問世，讓大家看到了通用人工智能的曙光。

　　二、大模型推動智能變革

　　如果說，大語言模型已經涌現出一定的智能現象，也就應該能產生出，在訓練數據中從來沒有出現過的新組合內容。

　　通過這個畫畫的案例，我們可以看到現在的AI大模型處理問題的方式，不再是靠完整的保存與復制，而是通過理解指示后，把訓練過的知識重新組合生成的。

　　可以看出，大模型可以按照指令，逐步畫圖，比如，用字符來畫一個人出來。其中用字母O表示臉，用字母Y表示軀干，再用H表示雙腿。第一次畫的并不理想，但可以根據反饋，調整身體、手的比例，給小人穿上衣服。是一個不斷反饋和調整的過程。

　　另一方面，著名的圖靈測試，就是在對話中能否識別出對方是人還是AI，在今天已經不足以評估人工智能的智能程度。

　　如果做題考分是評估人的智能最直接的工具，那么大語言模型在語言理解與邏輯推理能力上，已經超過了平均人類的水準。

　　在編程領域，GPT-4參加了亞馬遜的模擬技術考試，拿到了滿分，這個考試規定的時長是兩小時，它只用了不到4分鐘。在美國GRE和生物奧林匹克競賽考試當中，GPT-4也超過99%的人類；模擬律師資格考試的成績，大約是前10%。此外，谷歌的Med-PaLM2，也在美國醫療執照考試中達到了專家水平。

　　最近，OpenAI又給ChatGPTAPI增加了函數調用能力，這意味著大模型也能使用工具了。自己不具備的能力，可以靠各種第三方服務嘗試解決，大大增加了通用大模型解決問題的能力。

　　大語言模型代表人工智能的發展，已經達到了一個新的高峰，有卓越的語言理解、強大的邏輯推理與溝通能力，能帶入角色，主動思考。

　　用大量數據預訓練的模型也推動機器視覺、語音識別、機器人等AI能力發生新的突破。通過對機器想、聽、看、動等能力的整合，AI也將真正成為人們的工作和生活助手。

　　首先，基于多模態的大模型，計算機視覺從“能看”到“看懂”。

　　在銀行業務中，要處理很多的回單、發票、申請書、業務郵件等數據，例如我們合作的一家商業銀行，在資產托管業務中，每天需要處理1萬多件郵件和傳真。來自投資、保險、融資等等不同的業務系統，內容有票據、證件照片等等，多種樣式。靠人工處理，錄入系統，費時費力，就需要借助更智能的機器識別。

　　在傳統的算法模型下，需要輸入2千張的單據，機器才能識別一種單據，也沒有整理成表格或者標簽的能力。

　　現在，基于大模型能力，我們的TI-OCR只需要50張被標注的單據，就可以快速識別一種類型的單據。同時可以根據分析能力，自動提煉核心標簽，生成電子數據文件，進行后續的商業分析。

　　大語言模型不僅懂多種人類語言，還掌握多種程序語言，還可以幫助程序員寫代碼。

　　我們也打造了騰訊云新一代AI代碼助手，實現AI對代碼的理解，輔助程序員編寫、排錯與測試，為軟件研發的全流程助力，提高開發效率與代碼質量。

　　這是上周新發布的一段視頻。騰訊RoboticsX機器人實驗室的機器狗Max，能力又升級了。大家可以看到，兩只機器狗正在進行一段障礙追逐賽，把他們隨機放到場地中，一個追，一個躲，還有一面隨機出現的旗子。躲的機器狗，要努力在不被抓到情況下，摸到旗子，摸到旗子后，角色調轉。

　　在這個過程中，兩只機器狗要實時的根據對方的行動，判斷自己的行為，同時還要惦記著目標，也就是碰到旗子，或者抓住對方。同時，在碰到旗子后要馬上修正自己的策略。

　　通過這個視頻，我們能看到，機器狗的行動，也因為預訓練AI模型和強化學習的加入，具有了更好的靈活性和自主決策能力。

　　大語言模型不僅能與人溝通，更重要的是通過模型的精調，可以按需求產生一系列的執行步驟，比如聯網調用不同插件的能力，加上多模態讓AI同時能看懂圖，聽懂話，會規劃，能行動，這樣就可以做出更強大的應用，讓AI更像真正意義上的智能助手，完成更高級的任務。

　　比如，線上廣告投放員，每天需要刷新大量廣告素材，確保廣告投放的ROI，如果結合廣告效果數據與文生圖能力，可以不斷地根據數據分析，生成投放策略，調整投放渠道，并且針對性的生成投放素材，自動化程度與效率都會更高。

　　三、企業擁抱大模型的方式和路徑

　　這么多變革匯聚在一起，也意味著海量的創新即將爆發。大模型只是起點，未來，應用落地的產業變革是更大的圖景。

　　事實上，不管哪個行業，都應該積極擁抱AI，過去的研發、生產、銷售、服務等環節中，都有很多依賴人來判斷、協調與溝通的地方，今天都值得我們去看看哪些環節，可以疊加AI的生產力，來提質、降本與增效。

　　目前，海外一些大型企業，已經開始投資及采用大模型技術。比如，摩根士丹利直接接入GPT-4，用它整合、解析，海量的投資策略和市場研究報告，給投資顧問提供直接的參考。

　　根據自媒體《量子位》的分析，我們可以看到，生成式AI（AIGC）對不同行業的影響程度與接受程度。圖中能看到，內容與電商產業受到影響最明顯，像文生圖的技術，將會大大改變內容制作的流程與成本。

　　既然大模型這么重要，在座的企業家與管理者，可能也會問，我們如何把它用在企業上，抓住技術變革的紅利？

　　我可以給企業管理者一些建議：

　　第一，聚焦企業自身業務，挑選具體場景，讓AI成為服務的增量。

　　第二，確保訓練數據質量，梳理出測試用例，建立上線評估流程。

　　第三，確保服務合規，同時關注數據的產權與隱私。

　　第四，使用云廠商工具，搭建一體化的模型服務，這樣效率比較高，節約訓練、運維的成本和時間。

　　在具體實施中，模型、數據和算力是大家需要格外關注的三個點。

　　首先是模型。雖然大家對通用大語言模型的聊天機器人期待很高，但它不是唯一的大模型服務方式，也不一定是滿足行業場景需求的最優解。

　　目前，通用大模型一般都是基于廣泛的公開文獻與網絡信息來訓練的，上面的信息可能有錯誤、有謠言、有偏見，許多專業知識與行業數據積累不足，導致模型的行業針對性與精準度不夠，數據“噪音”過大。但是，在很多產業場景中，用戶對企業提供的專業服務要求高、容錯性低，企業一旦提供了錯誤信息，可能引起巨大的法律責任或公關危機。因此，企業使用的大模型必須可控、可追溯、可修正，而且必須反復與充分測試才能上線。

　　我們認為，客戶更需要有行業針對性的行業大模型，再加上企業自己的數據做訓練或精調，才能打造出實用性高的智能服務。企業所需要的是，在實際場景中真正解決了某個問題，而不是在100個場景中解決了70%-80%的問題。

　　另外，訓練數據越多，模型越大，訓練與推理的成本也越高。實際上，大部分的企業場景，可能也不需要通用AI來滿足需要。因此，如何在合理成本下，選擇合適的模型，是企業客戶所需要思考與決策的。

　　其次，數據是大模型的原材料，針對具體場景，相關數據的覆蓋與質量都是至關重要，標注數據的管理也是模型迭代中的重要工作。

　　模型最終要在真實場景落地，要達到理想的服務效果，往往需要把企業自身的數據也用起來。在模型研發過程中，既要關注敏感數據的保護與安全合規，也需要管理好大量的數據與標簽，不斷測試與迭代模型。

　　再次，算力是模型持續運轉的基礎，高性能、高彈性和高穩定的算力，需要借助專業的云服務。

　　在大模型的訓練和使用過程中，需要大量異構算力的支持，對網絡速度與穩定性要求也很高，加上GPU服務器比一般服務器穩定性更低一些，服務器的運維、問題的排查更頻繁，整體運維的難度與工作量會高很多。在訓練集群中，一旦網絡有波動，訓練的速度就會受到很大的影響；只要一臺服務器過熱宕機，整個集群都可能要停下來，然后訓練任務要重啟，這些問題會使得訓練時間大大增加，投入在大模型的成本也會飆升。

　　基于這些企業現實問題和需求的思考，就在前兩天，騰訊也正式公布了騰訊云MaaS服務全景圖。

　　基于騰訊云TI平臺打造的行業大模型精選商店，將覆蓋金融、文旅、政務、醫療、傳媒、教育等10大行業，提供超過50個解決方案。在這些能力模型基礎上，伙伴們只需要加入自己獨有的場景數據，就可以快速生成自己的“專屬模型”。

　　我們也推出基于騰訊云TI平臺的，行業大模型精調解決方案。幫助模型開發者與算法工程師，一站式解決模型調用、數據與標注管理、模型精調、評估測試與部署等任務，減輕創建大模型的壓力。我們也可以通過TI平臺，實現模型的私有化部署、權限管控和數據加密等方式，讓企業用戶在使用模型時更放心。

　　比如，我們和國內的頭部在線旅游公司，基于“文旅大模型”，打造了機器人客服，可以自動判斷用戶意圖，并自動調用相應的API，高質量完成用戶咨詢及服務。

　　假如一個用戶問“端午節三天不出江浙滬，有什么行程推薦，應該怎么安排？”如果是基于通用大模型的客服機器人，只能給出一些簡單的景點介紹和路線規劃。

　　但當我們加入行業數據，進行模型精調之后，客服機器人的回答變得更加細致，能夠規劃出每天的交通、景點安排，包括不同檔次的酒店推薦、介紹，甚至可以直接提供預訂鏈接，平臺優惠券信息。智能客服系統，不僅可以實現人性化的服務體驗，也具備了更強的銷售轉化能力。

　　在算力服務上。騰訊云所提供的穩定計算、高速網絡與專業運維，可以為算法工程師大大減輕設備運維的壓力，讓他們把精力放在模型的構建與算法的優化上。

　　騰訊云也打造了面向模型訓練的新一代HCC（High-Performance Computing Cluster）高性能計算集群，搭載最新次代GPU，結合多層加速的高性能存儲系統，加上高帶寬、低延遲的網絡傳輸，整體性能比過去提升了3倍，獲得了很多客戶的高度認可，幾家大模型獨角獸，都與我們展開了算力的合作。

　　在計算集群的“硬實力”之外，我們最近也推出了更適合AI運算的“軟能力”——向量數據庫，它能更高效地處理圖像、音頻和文本等非結構化數據，支持單索引10億級規模，比單機插件式檢索規模提升10倍，數據接入AI的效率，也比傳統方案提升10倍。

　　四、AI發展的挑戰和應對之策

　　AI價值巨大，發展速度驚人，但從社會的層面，我們也要注意，帶來的風險與挑戰。

　　最近，杰弗里·辛頓（GeoffreyHinton）因為擔心AI無法控制，離開了谷歌，他在接受采訪時提到：人工智能的信息架構可能比人腦的信息架構更強大。

　　人類大腦中大概有860億個神經元，這些神經元之間形成了大概100萬億個連接。雖然GPT4的參數沒有披露，但普遍估算參數量只有人腦神經元連接的百分之一，大概是5000億到1萬億。

　　但GPT4裝載的知識卻是普通人的千倍萬倍，學習效率也更高。這說明，在某程度上，當前的神經網絡可能比人腦擁有一個“更優”的處理信息的架構與學習算法，一旦得到足夠算力來訓練，就可以更快速地學習大量信息與知識。

　　還有一點值得一提，AI通過在線連接，就可以把模型下載與復制，在相對短時間內，就讓一臺新機器復制好海量的知識，而且各自學習不同知識后還可以相互同步。而人類的知識和智慧傳承，必須通過復雜多變又不太精確的語言，作為傳遞信息的媒介，每個人的培養幾乎是從0開始（除了基因中hardcode的記憶），都需要從小開始，花數十年時間來學習，花數十年來積累經驗。

　　AGI強大且不斷泛化的能力，讓很多人都非常擔心，人類會逐漸失去對AI的控制。尤其AGI能聯網，能編程，能操控其他系統（因為可以調用其他系統的API），讀懂人（因為模型里導入大量書籍，了解人類千年文明發展歷史，了解人們的思考方式與弱點，每天還跟很多人互動，甚至交流情感），它掌握語言（因此可以影響人的思考與行為），它能產生圖與視頻（因此可以讓人產生視覺錯覺），可能還有更多能力我們還沒發現。

　　因此Hinton也提出，AI對人類產生四重威脅。他不惜從工作了10年的谷歌離職，推動大眾對人工智能潛在風險的關注，并建立安全使用AGI的規范。

　　面對人工智能帶來的各種問題，還有很多值得思考的東西。包括人類發展、倫理、教育等等。

　　這些問題，相信我們在座每一位，都有自己的思考。但是有一點我想講的是，技術的發展、演進、變化，總是超出人的想象，而人類擁抱變化的勇氣，創新的智慧，化挑戰為機遇的能力，也往往超出我們自己的想象。就像工業革命早期，也有過對于農村經濟瓦解、工人生存狀況堪憂等等情況的擔心，但是，最終我們以人類特有的方式，走了過來，并且讓全人類的生產效率、生活質量以幾何指數飆升。

　　毫無疑問，AI對世界的改變，一定也是通過與產業的融合實現的。機器決策、自主生成、自然交互等一系列變革，推動產業實現更高效率、更低成本、更好體驗和更大創新。未來的企業，也將向智能原生進化。

　　面向未來，騰訊也愿意持續貢獻自己的能力，以開放的心態和無窮的好奇心，和各位專家學者、企業管理者一起，共同探索、創新，擁抱智能時代的新機遇。