作者丨程瀟熠
編輯丨葉錦言
出品丨深網(wǎng)科技新聞小滿工作室
觀點提煉：
1. 蘋果iPhone16，8G內(nèi)存能放的模型大小有限，會制約Apple Intelligence的表現(xiàn)。更適配蘋果端側(cè)大模型的硬件或?qū)⑹莍Phone 18。
2.端側(cè)大模型優(yōu)勢：隱私保護，數(shù)據(jù)存在終端設(shè)備；可離線，出國沒網(wǎng)也能實時翻譯；低延時，自動駕駛執(zhí)行即時指令。
3. 大模型時代的智能翻譯進化：以前英語翻譯到俄語需要一個模型，俄語翻譯到漢語又需要一個模型，排列組合之下需要非常多小模型。大語言模型可以用一個模型解決所有的問題，俚語翻譯也不是問題。
4.未來的硬件會像現(xiàn)在的大模型軟件一樣，分成兩種類型：一種是Copilot，比如手機、智能眼鏡等；另一種叫agent，比如小機器人等，未來我們的生活里會有很多的Agent類型的硬件。
5. 現(xiàn)在的手機界面，很多都是通過安卓開發(fā)工程師寫出來的APP固定的軟件界面，未來大模型有機會接管這個輸出界面。未來的千人千面，可能每個人看到的終端界面都不同。
6.云端模型，中美差距還在1到2年，主要體現(xiàn)在如今國內(nèi)的所有云端大模型，還沒有誰顯著的達到或者超過GPT-4。
7.GPT-o1其實是把Agent的能力內(nèi)化了，過去一年國內(nèi)很多公司在Agent上做了不少工作，追趕GPT-o1沒那么難，難的是追趕GPT-4、GPT-4o、GPT-5。
8. 人類大腦能耗只有15瓦到25瓦，人類大腦的稀疏化特性對節(jié)省能耗非常有幫助，大模型也存在稀疏化特性，可以不斷訓(xùn)練增加知識密度。
9.芯片制程的盡頭是量子力學(xué)，大模型的知識密度的盡頭是信息論，兩者都有極限。
10. 選擇開源還是選擇閉源，是每個公司的商業(yè)判斷，這沒有對錯，它是一種商業(yè)模式。
11. 未來人更重要的是想法，是構(gòu)思，是打動別人的能力。人完全可以通過AI去放大自己的想法，也就是杠桿效應(yīng)。
12.AI可能會讓很多白領(lǐng)的工作開始慢慢地平臺化。未來公司形態(tài)要么只有一個人，要么會出現(xiàn)越來越大的平臺整合所有勞動力資源。
13. 信息繭房一方面是人的個人選擇，另一方面也是商業(yè)順應(yīng)人的選擇，利用人性下墜的力量去實現(xiàn)商業(yè)目的。
9月24日晚，科技新聞小滿工作室聯(lián)合職場社區(qū)和社交平臺脈脈共同打造的首檔AI訪談直播節(jié)目《Fan談大模型》首期播出，國內(nèi)最早從事大語言模型的團隊之一、頭部大模型初創(chuàng)公司面壁智能CEO李大海，與節(jié)目主理人、脈脈創(chuàng)始人兼CEO林凡以及科技新聞《深網(wǎng)》作者程瀟熠一起深度探討AI 手機背后的端側(cè)大模型進展、未來交互變革可能性、被AI接管的未來，普通人該如何快速適應(yīng)等重要話題。
以下為直播實錄精簡版：
真正的第一臺AIiPhone 或許會是iPhone18
林凡：大家看到iPhone 16發(fā)布后其實有個疑問，AI手機和之前的這個智能手機，到底這兩個概念有什么差異？我們大家都知道引入了端側(cè)的能力，但從用戶的視角，到底他能感受到什么變化？
李大海：第一版的蘋果的這個所謂的AI手機還只是這個功能的一個初步呈現(xiàn)，遠遠還沒有達到一個理想的狀態(tài)。
新一代的AI手機會跟新一代的智能汽車一樣，都會變成所謂的超級智能體。什么叫超級智能體呢？就是它會基于一個端側(cè)模型，把用戶所有的上下文都串在一起去更加懂用戶。這個其實是也是蘋果在WWDC和它的Apple Intelligence里面最想傳達出來的功能。
我們知道在移動互聯(lián)網(wǎng)時代，最大的一個范式是每一個APP它能夠去給用戶進行一個完整的用戶畫像的描述。比如美團會對每一個用戶在美團上喜歡什么吃什么，進行清晰的用戶畫像描述。未來有了AI手機后，我們可以通過端側(cè)模型把這些畫像存在手機上，不用傳到任何一個其他第三方的存儲系統(tǒng)里，這是端側(cè)模型帶來的非常大的變化。
林凡：我看網(wǎng)上也有很多人討論說， iphone 16只有8G的內(nèi)存，真的要跑好一個大模型，很可能要12G的內(nèi)存。那么今天來看端側(cè)大模型，在什么樣的硬件的情況下，要多長時間大概能初步達到我們剛才說的這樣的應(yīng)用場景。
李大海：蘋果新的iphone 16，它的內(nèi)存大小是8G的話，確實能夠放的模型的大小有限，這個會在一定程度上制約apple intelligence的表現(xiàn)。
我個人對于硬件發(fā)展是否能夠支撐住端側(cè)模型的應(yīng)用這件事情是比較樂觀的。端側(cè)的芯片通常由三個部分組成：CPU，NPU和GPU。其中NPU，過去幾年基本上是一個停滯發(fā)展的狀態(tài)，因為過去幾年沒有發(fā)展出好的應(yīng)用，還用不上。
現(xiàn)在大模型出來以后，芯片廠商都非常興奮，發(fā)現(xiàn)說NPU有機會更快速地去發(fā)展。所以我看到的是很多芯片廠商都列了非常好的計劃，未來兩年應(yīng)該能夠出現(xiàn)很多NPU上算力很大，能夠去支撐好更大的端側(cè)模型的芯片，這是第一點。
第二點，終端上的情況比芯片要更復(fù)雜。終端上，我們要考慮的限制條件不只是算力的總量，還有能耗，還有內(nèi)存的帶寬，還有內(nèi)存的大小等等。這些因素組合在一起，它決定了一個設(shè)備能夠支撐一個什么樣的模型。
AI產(chǎn)品榜在七月份用我們的面壁小鋼炮的1.2B跟2.4B的模型，在現(xiàn)在市場上的主流機型上進行了評測。然后發(fā)現(xiàn)像蘋果手機，它在我們的1.2B的模型上跑的得分就很高，但2.4B得分比較低，得分指它的性能。
因為2.4B的模型需要占的內(nèi)存更大，但是蘋果手機相對于安卓手機來說，內(nèi)存的配置都會更校所以當(dāng)我們的模型的內(nèi)存要求高了以后，手機的內(nèi)存大小會變成一個顯著的瓶頸，影響到模型的發(fā)揮。
林凡：對，在我跟手機行業(yè)內(nèi)人士的交流中，他們也說蘋果的硬件大概會提前三年去做設(shè)計和規(guī)劃。他們整個團隊是去年才把要跑一個3B的大模型，大概需要的硬件和支持需求報給了硬件團隊。硬件團隊的答復(fù)就是那就等iPhone 18，再過兩年后，它的硬件才能支撐這個事情。
端側(cè)模型優(yōu)勢：隱私保護、可離線、低延時
林凡：大模型為什么要有一個端側(cè)大模型？不能用云端大模型解決所有的問題嗎？
李大海：自動駕駛里端側(cè)模型一定是很重要的。因為汽車開在120公里每小時的時候，我們很難容忍它有3秒、5秒的指令空白，這種非常即時性的指令一定要從端側(cè)出。
我們現(xiàn)在提到端側(cè)模型，它是整個終端的模型解決方案的一部分，很多時候需要端側(cè)模型和云端模型一起協(xié)同，就是端側(cè)模型跟云端模型他們其實擅長的工作不一樣，所以合在一起能夠更好解決問題。
具體展開來說，端側(cè)模型因為它能夠接觸到用戶所有的隱私數(shù)據(jù)，所以懂用戶的這部分工作可以由端側(cè)模型來執(zhí)行。云端模型因為它全知全能，或者說我們其實是把云端模型按照全知全能的方向在發(fā)展，所以它其實它更懂世界，可以把它認(rèn)為是一個world model。那和世界相關(guān)的部分就可以交給云端模型來執(zhí)行。
簡單地講，當(dāng)用戶有一個需求的時候，我們可以由端側(cè)來把個人部分進行脫敏，再把世界相關(guān)交給云端來做，返回響應(yīng)云端加工后，端側(cè)再將符合用戶個性化的部分給到用戶，整個體驗最完整。
另外，用戶隱私安全這絕對是一個真實的需求，端側(cè)模型是能夠解決這些需求。
比如智能音箱的場景，我自己有個顧慮，如果它的數(shù)據(jù)是傳到某一個云端去處理的，我會擔(dān)心我家里面說的各種各樣的話都被它聽了去。但如果數(shù)據(jù)全留在終端，我知道它只在我家里的設(shè)備上，那我就會很放心。
現(xiàn)在還只是語音，大家可以想象如果未來我們在家里房間的各個角落，都放一些攝像頭，我也會擔(dān)心我在家里可能洗完澡后穿的很清涼出來到處逛的信號傳到云端。
還有一個差異是可靠性�？煽啃赃@個差異在中國不是很明顯。我在反過來說，海外的網(wǎng)絡(luò)遠遠不如中國，感謝我們國家的政府基礎(chǔ)設(shè)施建設(shè)，中國的網(wǎng)絡(luò)是全球覆蓋度最高的，我們在任何一個地方網(wǎng)絡(luò)基本是可用的。但是在海外，很多時候網(wǎng)絡(luò)是極其不可用的。
在那種情況下，一個終端你隨時可用的比起云端的來說會更安心，更可靠。一個可靠性，一個隱私保護，對于用戶來說是端側(cè)最重要的兩個優(yōu)勢。
林凡：我前段時間去埃及，埃及那邊說的是阿拉伯語。我語言不通就下了個谷歌的翻譯去那邊用，結(jié)果到了發(fā)現(xiàn)需要聯(lián)網(wǎng)，有一次我在跟司機溝通的時候發(fā)現(xiàn)那個地方?jīng)]有網(wǎng)絡(luò)，只能比手畫腳。
李大海：我們正在合作打造一個離線翻譯機，這個離線翻譯機里面會放我們的離線大語言模型，至少可以支持30種以上的海外不同語言的互相翻譯。這樣就不用擔(dān)心有沒有網(wǎng)的問題了，只需要擔(dān)心有沒有電。
AI光年：當(dāng)?shù)刭嫡Z也能翻譯出來嗎？
林凡：從我的理解來講，大模型解決像俚語這樣的問題，根本不是有挑戰(zhàn)的事情。
李大海：對，以前的技術(shù)，三十種語言要做互相的翻譯，比如說英語翻譯到俄語需要一個模型，俄語翻譯到漢語又需要一個模型。這樣一個排列組合，就需要非常多的小模型。但是用了大語言模型以后，就可以用一個模型去解決所有的問題，這個是一個技術(shù)上很重要的跨越。
未來AI或直接接管手機界面
林凡：端側(cè)大模型它在交互上面可能會改變很多人對于手機，甚至對于汽車的一些使用的習(xí)慣。
好幾年前有一個場景讓我印象很深刻，我們家閨女打開電腦，對著電腦說：siri給我講個笑話吧。那個場景對我產(chǎn)生了非常大的沖擊。
我自己從互聯(lián)網(wǎng)時代開始用電腦，非常習(xí)慣文字鍵盤的輸入，鼠標(biāo)的輸入，然后到了移動時代，學(xué)會了用手機觸點的方式，但是我們很少用語音跟一個設(shè)備進行交互。我閨女那個交互的行為是非常自然的，她經(jīng)常也會說siri我要定一個八點的鬧鐘。
那次之后我一直在思考，為什么我們還不習(xí)慣用語音去跟設(shè)備去做交互。其實原因很簡單，今天設(shè)備的理解能力，在沒有端側(cè)大模型的時候還是比較弱的。很多時候你發(fā)的語音，它要不就是瞎響應(yīng)，要么就是你沒叫它的時候突然冒出來了。但有了端側(cè)的能力以后，語音交互的準(zhǔn)確性會有一個巨大的提升。
第二個，我們跟美團交互的過程和我們?nèi)粘５母说慕换サ牧?xí)慣還是挺不一樣的。
比如，平時我可能會問，你喜歡吃什么？想吃什么？但你打開美團是有好多店自己要去挑。會不會以后手機突然說：中午了，你想吃什么？他不會把一堆可能的選項給你去挑，而是說：你最近好久沒吃火鍋了，我覺得你挺喜歡吃火鍋的，今天哪里有個火鍋店打折你有沒有興趣？這樣的交互過程。
李大海：超作為超級智能體，它應(yīng)該還能夠更進一步。
比如像剛才你提到那個場景，智能體他可能會提前感知，林凡平時喜歡在11點半左右考慮吃飯的問題。但是今天因為忙沒有考慮，那么到11點半他就會開始提醒你：林凡你平時在這個點兒已經(jīng)要開始點外賣了，或者說已經(jīng)開始考慮要邀請朋友去外面吃飯了，你要不要我?guī)湍闾崆鞍盐恢枚ㄒ幌�，或者幫你把外賣給定了，他可以去做更加主動的關(guān)懷。這是未來汽車、手機可能可以做的事。
實際肯定要回到用戶畫像上，如果用戶不喜歡被打擾，這個手機不應(yīng)該自己出來添亂，它應(yīng)該像你的朋友一樣非常了解你，針對你的喜好脾性來去針對性的交互。
AI光年：這是不是可以解放決策精力？很多人有選擇困難癥，有智能體或許不用在穿哪件衣服這種瑣碎的事上浪費決策精力。
李大海：是的，一個是節(jié)省大家的決策成本，另外一個是可以放大大家的執(zhí)行效果。
比如編程，當(dāng)我有一個好想法的時候，我自己還要把它變成代碼，這個過程其實是很耗精力的，如果我們用AI來去做了以后，一方面能夠放大大家想法的杠桿效應(yīng)，另一方面也能抹平不同的人在執(zhí)行上因為能力差異帶來的鴻溝。
林凡：端側(cè)大模型還有沒有別的一些典型的應(yīng)用的場景和可能性？
李大海：還挺多的，比如汽車，具身智能，智能家居，智能制造。首先端側(cè)模型其實是今年剛剛開始興起的一個新的一個技術(shù)趨是面壁在這里面出發(fā)的最早，走的最遠的，但是它仍然處于早期階段。很多場景，都還在打磨落地的過程中。
除此之外，還有一些新的強輸入的設(shè)備，這是端側(cè)很好的場景（與之相對的手機是強輸出的設(shè)備），像智能眼鏡還有耳機類似這樣的設(shè)備，它可以24小時開機，把使用者的所有數(shù)據(jù)都記錄下來，就像當(dāng)年在皇宮里專門記錄皇帝一言一行起居錄的小太監(jiān)。
這個設(shè)備不僅會記錄對話，虛擬環(huán)境里的上下文，還能把真實世界的上下文也記錄下來，那么這個設(shè)備就會具備非常大懂用戶的價值。
林凡：我們?nèi)粘Ｉ钪羞�會有手勢以及各種各樣的表情，這些會不會成為新的跟設(shè)備交互的可能？
李大海：一定會的。我們現(xiàn)在在做的多模態(tài)模型，就是要往處理這些交互方式發(fā)展。
我認(rèn)為未來的硬件會像現(xiàn)在的大模型軟件一樣，分成兩種類型：一種類型我們就是我們說的copilot，一種類型叫agent。手機、眼鏡一定是一個copilot，但是未來我們生活里會有很多的agent類型的硬件。
比如說一個智能攝像頭配上了輪子以后，它就變成一個小機器人。它可以移動，它可以觀察你家里的情況，再根據(jù)觀察去執(zhí)行一些行動。當(dāng)agent類的這種設(shè)備越來越多的時候，它完全可以通過對于圖像信號的環(huán)境感知，通過對于圖像信號的環(huán)境感知，來接收用戶的更多種多樣的傳遞的信息，比如身體姿態(tài)，比如用表情傳遞出來的情緒。
我們正在合作做一個電子寵物貓，它的觸感就像真貓一樣，用戶可以摸著它的背和它的脖子去感受。然后我們的大模型放在里面不是讓它學(xué)會說話，而是讓它更懂用戶傳達的情緒，它可以用對應(yīng)的情緒的叫聲和姿態(tài)來回應(yīng)用戶，讓用戶覺得這個貓好懂我，這就是一個全新的場景陪伴。
AI光年：copilot和agent的區(qū)別是什么？
李大海：Copilot就是助手，它已經(jīng)做到了70%，工程師只要做一些修改和檢查就可以用了。Agent基本上可以理解為機器人，我們叫它智能體。這個智能體它是能夠跟環(huán)境去做更自主的互動，能夠做出更自主的決策。
我還有一個補充，剛才提到的交互，主要還是怎么接收和收入的，還有一個是輸出。比如現(xiàn)在的手機界面，都是通過安卓開發(fā)工程師寫出來的APP固定的軟件界面，未來大模型有機會接管這個輸出界面。
當(dāng)它（大模型）需要用某種方式去表達它的觀點和輸出它的信息的時候，它完全可以用類似于現(xiàn)在的圖像生成的方式，直接就把相關(guān)的信息生成出來。這也是一個未來可能會產(chǎn)生的可以期待的方向。
林凡：我們現(xiàn)在所謂的千人千面，還是說你看到的內(nèi)容是不一樣的。而未來的千人千面，你看到的界面都是不一樣的。
中美差距：云端差距明顯，端側(cè)同時起步
林凡：大模型剛出來的時候，我們說中國落后美國兩年的時間，稍微有一些追趕后可能只差一年了。這個差距主要是指云端大模型，因為云端大模型受到美國對硬件的限制，中國在算力是有極大差距的。
那么在端側(cè)大模型，中國的設(shè)備硬件還是不錯的，而像蘋果的硬件和模型之間的差距還要一兩年的時間，那不知道在端側(cè)大模型上面中美的差距如何？我自己對面壁印象最深刻的就是，斯坦福一個團隊抄襲你們的模型。
李大海：云端模型的話，中美的差距我覺得還是1到2年的。到底是一年還是兩年，可能不同的人的觀點不太一樣，這個量化本身也沒有太大的意義，都是大家的感受而已。不糾結(jié)它多大，但差距依然很明顯的存在。
主要體現(xiàn)在我們現(xiàn)在國內(nèi)的所有云端大模型，還沒有誰顯著的達到或者超過GPT-4。
隨著這個o1出現(xiàn)，我們肯定還有更多的追趕的工作。但是o1這件事情我比較樂觀的點是，我們過去一年，國內(nèi)有很多公司，包括面壁在內(nèi)，在agent上做了蠻多的工作。因為我自己的看法就是o1其實它是把agent的能力內(nèi)化了。所以我覺得這個追趕起來應(yīng)該沒有那么的難。
但是更大的模型做到GPT-4、GPT-4o，甚至未來馬上要出的GPT-5，這方面的追趕還要花一些時間。
端側(cè)模型上因為面壁出發(fā)的比較早，我們跟微軟的Phi系列起步、發(fā)展的速度差不多。所以我們在這塊上其實跟美國的差距并不大。
林凡：具體在技術(shù)上會有哪些差距呢？我們有哪些優(yōu)勢？
李大海：我以稀疏化這個方向舉例。我們云端往往用的是MoE的方式，就是混合專家模型，這在云端很好用，因為MoE內(nèi)存相對便宜，可以用內(nèi)存換計算的密度。但端側(cè)用MoE就不是一個很好的選擇，我們剛剛講了，算力的大孝內(nèi)存的大小，還有內(nèi)存的帶寬都可能會是瓶頸，我們看到更好的方式是逐漸在模型里進行稀疏化。
我們在今年7月份的時候，在行業(yè)里面首創(chuàng)發(fā)布了稀疏化的端側(cè)模型，這種技術(shù)原創(chuàng)性的工作，我們跟美國的起步是同時的時候，我們不會落后，也能做出領(lǐng)先的技術(shù)點。
大模型的演進速度非常的快。任何一個公司都很難說自己的工作永遠是或者說長時間保持Sota，state of the art，可以簡單理解為行業(yè)最好水平。
很多時候一個工作做出來能夠Sota一個月就很好了。更重要的是一個團隊具備這樣的素質(zhì)，能夠在一個領(lǐng)域里面做出Sota的原創(chuàng)工作，以及能夠跟進其他人的Sota工作。
林凡：MOE給大家簡單解釋一下，就是相當(dāng)于說在一個模型里面，有很多個專家同時在對一個事情做判斷，然后把它們合并在一起，尋找到一個最優(yōu)的解返回給用戶。但是稀疏化在原理上面是怎么解決剛才說的這個問題的呢？
李大海：首先我們理解一個現(xiàn)象，人的大腦是稀疏化的。
我們現(xiàn)在在這里討論大模型話題，都是集中精力的。但是就算我們集中精力，我們的大腦可能也只有5%的神經(jīng)元是激活的。這是大腦的稀疏化特性，對于節(jié)省能耗非常有幫助。人的大腦只有15瓦到25瓦，其實主要就是由這個稀疏性帶來的。
我們發(fā)現(xiàn)在大模型里也存在稀疏性。所以可以通過一些模型訓(xùn)練的方法，讓稀疏性能夠表現(xiàn)的更加徹底。
為什么在端側(cè)一定是要稀疏化而不是MOE。因為Scaling Law是，網(wǎng)絡(luò)的規(guī)模越大，它的能力越強。當(dāng)我們MOE混合專家的時候，每個專家的規(guī)模決定了這個模型的能力。如果我們在端側(cè)整體大小較小的情況下，還把它拆成很多個專家，那專家規(guī)模會變得更小，會對整體智能水平有影響，所以稀疏化的方式就會更好。
林凡：簡單來說，就是云端它有很強的算力，有很強的硬件，所以它就可以搞出好多個大腦來一起來去思考這個問題，然后達到一個結(jié)果。在端側(cè)要解決這個問題，但能力有限，所以盡量只讓其中的一部分活躍的去想這個，剩下的就安心的干活。
李大海：相當(dāng)于他的知識密度能夠更高，因為我參與推理的參數(shù)量變小了，所以我的功耗是更小的。
大模型的知識密度是指什么呢？就是一個大模型能夠達到的智能水平，用多大的推理參數(shù)規(guī)模來達到這個智能水平。
比如說在20年6月的時候，OpenAI發(fā)布了他們的GPT3.0的API，當(dāng)時是1750億的參數(shù)，他每一次推理都要去對這1750億參數(shù)進行計算。但是在今年2月1號，面壁智能發(fā)布的 MiniCPM1.0，面壁小鋼炮1.0，24億的參數(shù)的模型已經(jīng)達到了同等的智能水平。所以我們的知識密度變得更高，差不多是GPT3.0的100倍。
其實我們?nèi)说拇竽X現(xiàn)在知識密度是最高的。人的大腦可以達到120到140的智商，但是功耗只有15到20瓦，遠比現(xiàn)在的所有的大模型都要聰明。
AI光年：大模型知識密度可以類比芯片制程，但芯片有物理載體很好理解制程縮小的過程，大模型的知識密度是怎么增加的？
李大海：芯片制程的盡頭是量子力學(xué)，大模型的知識密度的盡頭是信息論，兩者都有極限。
我們根據(jù)過去對行業(yè)的觀察，提出了面壁定理，大模型每8個月它的知識密度會提升一倍。相比摩爾定律每18個月芯片的計算密度提升一倍更快。
AI光年：大模型發(fā)展會帶來能源問題嗎？
李大海：如果接下來所有行業(yè)里面所有的模型都按照高知識密度去優(yōu)化自己的模型，長期來看能源不會是一個問題。
但比如說以O(shè)penAI為首去追“星際之門”這樣非常巨大的一個集群，去訓(xùn)非常巨大的模型，這種方式對于能源，從局部上是會產(chǎn)生很大的挑戰(zhàn)。而且這樣模型訓(xùn)練出來以后，實際去做推理，服務(wù)用戶也會產(chǎn)生能源上的挑戰(zhàn)，我覺得這個經(jīng)濟賬是算不過來的。
長期來看，我們還是要追求兩條腿走路。一方面要不斷的提升我們模型的知識密度；另一方面在模型各種能力上的延伸，要去做更多的、外向的、突破性的探索。這兩件事情都是要做的。但是純粹去追求模型的大，這個我覺得不是一個合理的方向。
林凡：能源問題其實非常依賴于說Scaling Law到底是一個線性的，還是一個超線性的，還是走平的狀態(tài)。
從目前來看，我覺得能源問題應(yīng)該不是一個大的問題。但是如果有哪一天技術(shù)又發(fā)生一些跳變的話，那也有可能會是一個問題。
李大海：Scaling Law我們現(xiàn)在看起來應(yīng)該不是線性的，甚至是一個類似log函數(shù)這樣的變化。那我們現(xiàn)在要做的事情就是不斷的提升知識密度，讓知識密度提升速度，要快于我們對Scaling Law的規(guī)模的追求。這樣的話就可以把對規(guī)模追求，壓在一個合理的區(qū)間里。
開源與閉源沒有對錯，是商業(yè)模式選擇
AI光年：為什么大部分端側(cè)模型都選擇開源？
李大海：這是當(dāng)前的現(xiàn)狀，不代表未來大家不會把模型閉源掉。
選擇開源還是選擇閉源，是每個公司的商業(yè)判斷，這沒有對錯，它是一種商業(yè)模式。開源它能夠以更低的成本去接觸到更多的潛在的客戶，能夠讓更多客戶更方便地使用自己的產(chǎn)品。
所以在to b這個領(lǐng)域里面，你通過開源的方式能夠更好地接觸客戶，更低成本接觸客戶。同時客戶也能夠更低成本的去驗證你的產(chǎn)品的真實的含金量。
如果一個產(chǎn)品它是完全做to c的，它不需要去在模型質(zhì)量上去取悅客戶的話，它完全可以用閉源。OpenAI一開始做ChatGPT是一個C端的產(chǎn)品，那它的模型不開源也沒有關(guān)系。
林凡：在美國我們會看到大量的公司沒有采用OpenAI的API，而是用Llama 3（Meta大模型）的API，原因很簡單。今天大量的美國大公司，它的很多數(shù)據(jù)已經(jīng)在云上了，它要用OpenAI的API會面臨一個問題，它需要把數(shù)據(jù)從它原先用的云上遷移到微軟云上。所以它會說OK Llama 3也有不錯的效果了，在我的云上能用Llama 3開源的服務(wù)，所以選擇Llama 3。
未來人類更重要的是構(gòu)思，白領(lǐng)工作或逐漸平臺化
林凡：我們今天能看到很多技術(shù)進展，但大多數(shù)人更關(guān)注大模型對社會、對自己會產(chǎn)生什么樣的影響。
李大海：世界會因為新的技術(shù)帶來更多崗位。我們回顧過去20年互聯(lián)網(wǎng)發(fā)展，也能看到像流量規(guī)劃師、插畫設(shè)計師這種我過去上學(xué)的時候從來沒有想象過的職業(yè)。隨著AI的發(fā)展，一定會有一些職業(yè)因為技術(shù)升級被淘汰，但同時也會產(chǎn)生更多職業(yè)。
同時我們看到，未來人更重要的是想法，是構(gòu)思，是打動別人的能力。人完全可以通過AI去放大自己的想法，也就是杠桿效應(yīng)。
面壁在去年做過一個實驗性的產(chǎn)品叫ChatDev ，是用若干個智能體去組成一個軟件開發(fā)公司，有CEO、CTO、CPO。你給它說給我開發(fā)一個貪吃蛇游戲，它就會讓CEO決定方向，CPO做產(chǎn)品設(shè)計，CTO做技術(shù)選型，然后還有軟件工程師、測試等等。所有工作做完，它會把游戲打成一個包給你。
未來一定會產(chǎn)生很多這樣的虛擬智能體，能夠幫個人去做非常多的事情。未來可能會出現(xiàn)大量的公司，就是一個人開的。他只有一個想法，有很多虛擬的智能體去幫他完成他的想法。
這樣的話整個世界的經(jīng)濟結(jié)構(gòu)會發(fā)生巨大的變化，但你說人的工作是不是都消失了？其實不是，更多人需要去做構(gòu)思的事了。我在去年年底的時候跟《失控》那本書的作者KK有過一次訪談，他有句話我特別的認(rèn)可，他說AI不會替代人，真正替代人的是比你更會使用AI的人。AI未來會是一個更有效率的工具。誰能夠掌握好這個工具，誰就能夠放大自己的工作效率。
林凡：如果我們具體一點來看的話，出國旅游的翻譯會不會被取代？酒店里的服務(wù)員會不會受到?jīng)_擊？包括大量用自動駕駛后，司機會不會受到影響？雖然說從一個很長的歷史周期來講，這些崗位這些人都肯定會有新的可能性和新的機會。但你不可避免的是當(dāng)下可能我就失業(yè)了，這個問題你怎么看？
李大海：首先這個過程它不會是一個1到2年就完全釋放的一個過程。
這個過程中一定會有一些特別具體的行業(yè)和職業(yè)受到的沖擊大一些。你看我們現(xiàn)在整個行業(yè)里面，像外賣、滴滴司機，還有內(nèi)容平臺的創(chuàng)作者，越來越多的領(lǐng)域里面，都凸顯出了靈活職業(yè)的這種特點。這種靈活的這種職業(yè)是在發(fā)生和涌現(xiàn)的。
這種交替的過程中，確實會存在有一些崗位就會縮減。但我想真的遇到這樣問題的朋友，還是要積極的去擁抱新的變化，能夠?qū)W會使用AI一定是有更多新的機會。
林凡：我有一些觀察，今天大家有的時候不好找工作，就會說去開滴滴或者是去送外賣。也就是過去互聯(lián)網(wǎng)把一部分藍領(lǐng)的工作平臺化了，給大家提供了兜底選項，就是我再差也可以去干這個事情。
AI可能會讓很多白領(lǐng)的工作開始慢慢地平臺化。
雖然AI讓“一個公司”成為可能，但前提是這個“一人公司”要通過AI平臺公司把任務(wù)拆解之后，再交給每一個具體的人來執(zhí)行。這些具體的人也會在各自的領(lǐng)域做自己擅長的事情。
那更多的人工作越來越“靈活”。這個“靈活”不是代表說真的沒工作干了被迫靈活，而是說未來組織的構(gòu)建的形式會發(fā)生巨大的變化，公司可能要么就是一個人的公司，要么就是越來越大的平臺來去整合所有這些勞動力的資源。
李大海：對，這個跟我剛剛提到的copilot和agent也有關(guān)系。
AI的能力還在發(fā)展過程中，對于準(zhǔn)確率要求非常高的工作場景，全依賴AI還不太現(xiàn)實，這個時候它是copilot的形式，所以就需要人在里面做一些兜底工作。
蘿卜快跑，我們知道它背后是有大概幾千個司機做云代駕，一旦智能駕駛系統(tǒng)出了任何問題，馬上有人來接管。它就是copilot的一個很好的范例。
我有個朋友在海外，他去為金融機構(gòu)做了一個很好的業(yè)務(wù)系統(tǒng)，里面用了非常重的AI。但是客戶選擇他們的唯一的原因是，他們背后有一個500人的人工團隊做托管，一旦有什么問題的時人會接管，所以客戶敢用很放心。
林凡：面壁現(xiàn)在會在看什么樣的人才？
李大海：我們從去年就一直在提一個詞叫AI原生人才。什么叫AI原生的人才呢？我們用搜索原生人才來做一個例子。
現(xiàn)在幾乎所有人都是搜索原生的，生下來就有搜索這個產(chǎn)品，所以但凡我遇到什么問題，我都會想著去通過搜索來解決問題。但是AI是個新事物，看大家遇到問題后，是不是善于或者下意識地就想用AI去解決問題。
能夠擅長把AI跟自己的能力結(jié)合在一起的人，我們把他稱為AI原生的人才，這是第一個。
第二個，我們非常認(rèn)同AI的這種學(xué)習(xí)方法，機器學(xué)習(xí)的方式是一種非常好的優(yōu)化方式。所以我們?nèi)ゴ罱ńM織的時候，也會把自己搭建成為一個學(xué)習(xí)型的組織，或者說像機器學(xué)習(xí)型的組織。
更簡單的講，你要更能理解自己真實的情況，不要欺騙自己，要知道自己現(xiàn)在什么地方好，什么地方不好，要知道自己的目標(biāo)是什么，就相當(dāng)于能夠快速迭代，每次迭代都能知道自己在這個迭代里面有多大進步，離目標(biāo)還有多遠。只有這樣的方式，才能夠不斷地學(xué)習(xí)進步。
AI光年：我們現(xiàn)在的公司組織還是從工業(yè)時代延續(xù)下來的科層制，以后這個科層制是否適用于AI時代？會有怎樣的迭代？
林凡：未來的公司還是會有科層制，特別是一些平臺型的公司、核心的大模型的公司，它還會是科層制的，但一定會涌現(xiàn)出更加平層的管理機制。當(dāng)所有的任務(wù)流開始被AI掌管的時候，有很多具體的工作就可以由人來做，上面就是AI了。
李大海：AI人工智能在這個階段非常顯著的一個影響，是極大地提升人的生產(chǎn)力。生產(chǎn)力的極大的提升一定會影響到生產(chǎn)關(guān)系。在不同的領(lǐng)域，不同的場景肯定影響是不同的。
AI光年：AI會導(dǎo)致信息繭房問題加劇嗎？
李大海：這個問題可能比較哲學(xué)。有個社會科學(xué)的研究說，他發(fā)現(xiàn)他把正反兩個方向的人的觀點互相暴露地非常充分，也會導(dǎo)致這兩方對自己觀點的堅持程度變得更強。他的這個結(jié)論是否正確我不知道，我只是看到有這樣的觀點。
總的來說，現(xiàn)在因為信息過載，每個人選擇相信什么，這里面有很多的不確定性�？萍荚谶@里面確實會有影響，但是具體的影響是什么，還需要我們花更多的精力去理解。
林凡：從技術(shù)角度來講的話，我倒是覺得說大模型的時代對于信息繭房這個問題會比現(xiàn)在會更好。
為什么會有信息繭房？本質(zhì)上是因為底層是一個推薦模型，推薦模型它快速收斂到你喜歡看什么，你愿意在什么信息上面去停留多長時間，它就是一個簡單的系統(tǒng)去往這個方向去迭代優(yōu)化的。
但到了大模型，因為它具備了足夠多的信息，并且它具備了一定的推理邏輯在這個地方。所以只要我們在這個底層邏輯上，不完全按個人喜歡去輸出信息，那么你是有機會把信息繭房繞過去一部分。但肯定還是會有類似的問題。
AI光年：其實從古至今都存在信息繭房，只是互聯(lián)網(wǎng)發(fā)達之后，我們對“繭房”這個概念更清晰了。
李大海：你說的沒錯。現(xiàn)在每個人每天接受信息量也比過去大非常多，但從大腦構(gòu)造的角度上來講，大腦還是傾向于去接受自己熟悉的信息和自己關(guān)注的信息。
有篇非常有影響力的論文，叫《Attention Is All You Need》，這篇文章是講大模型的，但是我覺得這個標(biāo)題也適合我們現(xiàn)在的討論點。很多時候人的注意力是分配到自己想要分配的地方去的，所以信息繭房一方面是人的個人選擇，另一方面也是商業(yè)順應(yīng)人的選擇，利用人性下沉的力量去實現(xiàn)商業(yè)目的。
如果每個人都傾向于去消費自己不熟悉的內(nèi)容，那商家或者說這些系統(tǒng)，這些應(yīng)用，這些業(yè)務(wù)，它也會去順從這個趨勢。但實際上不是，很多時候都是人的選擇。
