百度李彦宏称文心大模型日调用多靠轻量模型 AGI实现或需逾十年

百度李彦宏称文心大模型日调用多靠轻量模型，AGI实现或需逾十年 大模型价格战将加速企业端渗透，百度正通过强大闭源底座裁剪低成本小模型以解决真实商业场景的降本增效问题。 在本次采访中，李彦宏深入分析了中国大模型价格战的必然性，认为极低门槛能加速技术渗透，而最终胜出取决于技术与效率。他指出生成式AI重构了IT四层技术栈，并预言大模型将在中国B端市场产生颠覆性价值，百度也正通过大模型裁剪出高性价比的中小模型来满足实际商业场景。对于前沿趋势，他坚信AI时代的B端重构是业态增强，并预测实现真正的AGI仍需十年甚至更长时间，强调业界应更关注真实的市场降本增效需求而非盲目堆叠参数。 李彦宏认为大模型价格战爆发得比预期更早，虽然竞争激烈，但极低门槛能加速技术向各行业渗透；如同当年的百度网盘免费大战，最终胜负取决于技术实力与成本控制力。 (0:00) 生成式 AI 将 IT 架构重构为芯片、框架、模型和应用四层技术栈，李彦宏预测前三层未来各只会剩下 2 到 3 个主要玩家，而应用层将涌现数以百万计的应用以及 3 到 5 个超级应用。 (4:59) 相较于互联网对 B 端的有限改造，大模型能为现有业务带来颠覆性增强；文心 4.0 发布后百度主要发力用基础大模型蒸馏、裁剪高性价比的小模型，目前日均 5 亿次调用中主力均为轻量小模型。 (9:59) 谈及 Scaling Law 与 AGI 落地，李彦宏表示基础模型放缓有利于应用生态开发，实现真正的 AGI 仍需十年甚至更长时间，企业应更关注真实商业场景中的降本增效而非盲目堆砌参数。 (19:59)

百度创始人李彦宏认为，中国大模型价格战将加速技术渗透与生态繁荣，但决定最终格局的核心仍是成本控制与技术效率；相较于盲目堆叠参数，产业重心正转向轻量级中小模型的B端落地与实际投资回报。 价格战成因与四层技术栈格局 (0:00) 中国大模型市场在爆发仅一年半内即陷入白热化价格战，李彦宏坦言降价速度与幅度超出预期，但极低门槛有助于激发开发者构建应用的意愿，加速大模型向实体产业渗透。由于当前各家模型尚未形成代际差距，低价竞争不可避免，但他以百度网盘早年经受‘免费空间大战’最终胜出的案例强调，单靠烧钱无法持久，最终唯有技术领先和成本效率更高的企业才能存活并建立盈利模式。 李彦宏将AI时代的IT技术栈归纳为芯片层、框架层、模型层和应用层四层结构。他预测在芯片、框架与模型前三层中，每一层最终可能仅容纳两到三家主要平台，而Anthropic等海外机构也有类似‘仅剩四家左右大模型’的预期；应用层则将涌现数以千万计的应用，并最终催生3到5个超级应用（Super Apps）。 B端价值重塑与中小模型主导调用 (9:59) 针对中国传统SaaS渗透率远低于美国（2022年SaaS占IT支出比重美国为7.2%，中国仅为2.6%）的现状，李彦宏指出传统互联网多为初级信息化改造，而大模型能对B端业务带来颠覆性的‘增强’。当前汽车OEM车载对话系统、法律原创辅助、小说创作、电商数字人专业直播带货以及HR招聘人岗匹配等场景，均已显现出具体的商业落地成效。 在落地实践中，不同垂直场景对响应延迟和准确率要求迥异。百度自2023年10月发布文心4.0后，转向以强大基础模型为底座裁剪蒸馏出十亿、百亿、千亿等量级的中小模型。李彦宏透露，在百度每天达5亿次的调用量中，调用频次最高的正是这些低推理成本、快响应速度的轻量化模型，而非参数最大的基础模型。 尺度定律放缓、ROI算账与AGI时间表 (19:59) 面对全球对尺度定律（Scaling Law）的质疑与GPT-5延期，李彦宏认为基础模型放缓迭代对应用层开发者反而构成了更稳定的开发底座，且智能体（Agent）的反思和自我进化机制已在一定程度上与纯粹的参数堆叠解耦。相比通过考试刷题，模型更应解决真实商业场景的降本增效问题。 采访中援引测算指出，全球AI芯片投入约4000亿美元（对应1.1万亿美元数据中心支出），若达成25%的投资资本回报率，需撬动1.4万亿美元成本削减或2.8万亿美元收入。李彦宏强调，即使百度投入长达11年的无人驾驶，在单一场景下实现完全容错依然艰难，因此真正实现机器在任何场景下均具备人类能力的通用人工智能（AGI），仍需要十年、二十年甚至更长时间的长期投入。 李彦宏明确了以大模型底座蒸馏轻量模型服务B端实际场景的商业化主线，但在数千亿美元的算力基础设施支出与宏观ROI回报要求之间，大模型应用能否在十年以上的AGI长跑中持续兑现商业价值，仍有待市场长期检验。

[0:00] 李彦宏: 几乎不可思议的这种低的地步 [0:00] 部分网盘公司: 无线空间永久免费 [9:59] 李彦宏: 根据最强大的模型去裁剪各种体量的小模型 [9:59] 李彦宏: 一般般 [9:59] 增强 [19:59] 李彦宏: 机器在任何场景下都能具备人所具备的能力 [19:59] 李彦宏: 十年以上，也许二十年，甚至更长时间 [19:59] 李彦宏: 如果连十年都没有的话，太容易了，就不叫信仰了 [19:59] 李彦宏: 能考过高中数学高考

[0:00] Hello 大家好 欢迎收看硅谷101 我是陈倩那么在上个视频我们释放了硅谷101与百度创始人董事长兼CEO李延宏的采访中他对开源必源路线的选择 AI超级应用还有AI agent职能体的看法那其实在这个采访当中还有很多很多重要的观点所以呢我们就放在这一期新的视频当中分享给大家特别是他对中国市场大模型价格振开打AI的2B起义及机会以及能通用人工智能AGI还有Scaling Law的思考你觉得这个价格战会持续多久的一个时间呢烧钱不是一个时间的本质多长时间都OK为什么你会觉得在AI时期这个AI as a Service可以在中国做起来互联网大的这些平台它既做了2C的事也做了2B的事但是在AI时代我觉得情况又发生了变化在中国会比互联网统币的需求要大很多可能我们的AGI没有办法用Scaling Wall的方式去带我们去实践了你对这个有担忧吗我不是很担心这件事情如果是一个信仰它就是你值得为之长期奋斗的这么一个目标对那么在开始放访之前呢我先说一下我的感受在我和第一财经总编辑杨宇东老师对李延宏的采访中李延宏的回答很坦诚很直接也不可否认的在一些观点上也具有一定的可讨论性但是整个采访下来之后呢对我自己去了解中国市场的这类AI打法企业家们从商业落地上的思考以及科技巨头玩家们的布局是有不少的帮助和理解的所以我们也希望大家耐心的看完整个采访评论和发言也希望大家更加客观和基于事实及观点这是李延宏2024年首次的接受媒体的采访很难得我们也希望营造开放但是理性文明的交流环境那么接下来我们就一起继续来看看和李延宏的采访吧首先我们很关心的一个议题就是在中国市场为什么大模型价格战这么早就开打了似乎又是回到了互联网时期熟悉的价格战环节那么价格战会持续多久会以什么样的方式胜出那么李彦宏给出了他的回答说实话我们也在内部不断地在思考在讨论这个问题价格战是我觉得几乎是不可避免的在中国互联网干了这么长时间其实已经对价格战非常熟悉了确实它来的比我想象的还要更早一点这么早就开始把这个价格打到了几乎不可思议的这种低的地步但我觉得某种意义上讲呢也不是坏事当你足够低甚至免费的时候呢就会有更多的人来有积极性来尝试在大模型基础上去开发各种各样的应用也就是说大模型对于各伙伴各业的渗透速度会更快那你都免费了或者说价格足够低的话你大模型公司靠什么赚钱我是这样想的就是大模型这个天花板还是很高的技术的天花板就是今天我们还是对于大模型的能力有很多不满意的地方那么我们仍然需要很多非常优秀的技术人员需要很多的算力需要很多很多的数据才能够训练出来下一代的大模型我们还可能需要下下一代的大模型下下一代的这种大模型所以最终我觉得大家是要去拼谁的技术更好你的技术好你为客户产生了更好的价值将来你还是能够收到费的今天之所以把这个模型打到足够低是因为现在这个模型的这个能力呢其实还没有到最好那没有到最好的时候大家都差不多的时候那行就拼价格了谁的价格低就用谁的时间长了之后呢市场本身会回归理性那同样的效果就是当我的成本比你低的时候那你打价格这样你肯定打不过我时间久了之后你就退出了这个过程我们在百度网盘上是经历过的那些年就是大家在卷这个网盘的时候我今天给你10T的免费空间明天你给我100T的免费空间当时还是G对吧就是后天说1T在柏田说无限空间永久免费当你说无限空间永久免费的时候大家也会说这怎么能够持续呢这一定是不可持续的但是某一段时期可能有个一两年左右大家就是这样不理性的去做价格战慢慢就一个一个就退出为什么他们会退出 [4:59] 都没有退出呢因为我敢打呀我的技术好啊我的就是存储成本低啊对这个最终还是说谁的技术好谁的效率高谁会胜出对对对刚才Robin说这个价格战来的时间比你想要中的早很多也比我想要中的早很多这个才一年半的时间已经开始打价格战了对但你觉得这个价格战会持续多久的一个时间呢然后可能大家有些人就觉得说技术不行我没有水我要退出了可能就最后的winner会浮现出来这个很难讲就是最后现在就是有些创业公司是玩家但是也有很多非常大型的这种互联网平台公司是玩家那么烧钱的话其实理论上讲是可以烧很长时间的但我觉得就是烧钱不是这个事情的本质这个事情的本质仍然是谁的技术更好谁的效率更高当你的技术好效率高的时候你就不怕去打这个价格战所以多长时间都OK最终它会是一个游升劣汰的这样的过程你觉得在中国市场会是一个winner takes all的这样的一个局面吗还是说等价格战之后会剩下几个主要的player可能还有一些更小一点的player这样的一个landscape我是这样想的其实就是这次生成性AI它是对于整个IT技术战的一个大的变革我们一般认为就是过去的IT技术战就是说芯片层操作系统层应用层或者软件层就这三层对吧那么到这个生成AI之后我们认为这个IT的技术战变成了四层芯片层 框架层 深度信息框架然后是模型层 然后是应用层我认为在每一层可能都会诞生至少两到三个大的这种玩家到应用层的话那就会刚才讲的可能数以百万级甚至数以千万级各种各样的应用都会出来也会逐步的出现潮级应用超级应用呢当然就是by definition超级应用它就是不会很多嘛就可能是三五个之类的模型层呢我觉得也许两三个就不够了因为最后还是大家比拼的是效率嘛你的效率如果不够高的话慢慢就觉得说还不如用别人的去在这次上再去开发更多的应用是更划算的所以它在每一层其实都有机会但是呢就是不同的层呢它的这种发展规律啊需要的这种expertise啊什么都不太一样对非常同意你的说法有之前我问那个Daryl Dumbledayfrom Anthropic然后他也是给出了我知道对对对他在做那个语言啊还有translation方面的工作他说可能在国际市场可能最后也就剩四个左右的大模型然后因为其他都跑不出来就是跟你的想法非常一致在上一波互联网浪潮中中国市场在2C也就是对消费者端起来了非常多的巨头各种超级应用是做的风生水起但是相反的2B也就是对企业端服务也就是SaaSSoftware as a Service软件级服务却没有能够成功的做起来那么数据显示在2022年的时候IT产业当中SaaS的支出对比美国IT产业中的SaaS支出占比是在7.2%而中国支出仅为2.6%所以这一轮AI浪潮当中AI对QB企业服务能带来什么企业们会买单吗AI as a serviceAI即服务能在中国市场做起来吗我们来听一下林彦宏的回答其实你想一想就是说互联网对C端的改造我们都是感同身受的是非常非常彻底的是颠覆性的但是互联网对B端的这种改造其实我觉得一般般虽然不能说没有但是你说有了互联网之后B端的这个以前说互联网加其实最后可能只是一个信息化或者数据化的过程对对对就是用的技术也比较简单产生的增益说实话也没有那么明显但是大模型确实不一样刚才提到的那些个应用其实比如说小说创作就是读小说这个叫做C端对吧小说创作就可以当作是一个B端法律原创的话对吧就是它其实是在帮助律师在提升效率那么我们接触到的这个比如说一些能源啊这个电力行业啊生产制造业等等都有类似的需求或者说比如说现在国内电动车却内也很厉害车里头的那种对话系统很多也在用文心的大模型那个使用量也不小但是对于百度来说这就是一个2B的应用我们不直接提供 [9:59] 给用户他是经过了OEM经过了这个车厂他们的集成之后把这个应用提供给了中端的消费者就是这种事情其实非常非常多而且我们就看调音量如果调音量上得很快这就说明我们的客户需要这些东西就是弊端呢靠着这个大模型靠着AM的原生应用产生了价值最近我跑那个制造业比较多你前面说的可能有些像车企它直接调用了对吧直接把这个文系人员或大模型再车但在制造业里面其实他们很多企业家都就在问我说我们觉得未来AI对于我们的高端制造业智能制造显然是一个重要的加持这是一种革命性的突破但是他们就是一直就搞不明白就是说比如说通用的大模型和我这个行业垂直领域的垂直大模型它将来到底是一个什么样的关系你说的OEM他们也是希望到底什么供应商和你们这样的一些平台型的大厂商之间它最后形成什么样的一个业务链条这个问题其实是制造业尤其是先进制造业特别关注对对这个问题确实很重要就是实际上涉及到就是说是弹幕形在各个垂直的场景里头是怎么用这件事情呢我们也经过了一个探索的过程最初呢我们的想法就是说我把这个基础模型做得越来越强大那么它大家叫就是说通用人工智能就是说在什么场景我都能够做得很好后来发现这件事情其实没有那么容易每个场景都有它自己的道而且呢就是它的要求也不太一样有些地方就是你大模型你丝毫个两分钟再给我结果也OK你只要给出来结果是准确的是全面的就可以了但是有些场景就是说如果你一秒钟不出结果用户就放弃了所以这两个场景就对大模型要求是不一样的今天大模型还不能做到它既是最强大的模型又是反应最快的模型所以有时候就是当应用场景需要反应快的时候我们可能需要一个更小的模型这种小的模型它由于就是没有大模型的那种通用的能力所以在垂直场景当中你还要对它做精调就是做SFP那么把你行业的数据怎么去灌进去再经过各种各样的调教它才能够在这个场景里头这个效果能够跟大模型相比能够差不多就类似这种场景我们也见了很多所以就是去年10月份我们发了文新的这个4.0之后呢主要经历在做什么呢就是说根据这个最强大的模型呢去裁剪各种体量的小模型就是比如说这个十亿量级的模型百亿量级的模型千亿量级的这个模型这个模型也许是比如说擅长角色扮演那个模型也许是擅长逻辑推理的根据客户的不同使用场景的不同要求出来各种各样的模型这些模型大多数速度都比EB4要快成本就是推理成本又比它要低所以这种应用就是大家更爱用的即使到今天我刚才讲的就是这个5亿的掉量掉量最大的一定不是最强大的模型因为就是大家都觉得说还是反应太慢了成本太高了但是随着时间退役成本会下降反应速度也会提升我们比如说前几天刚刚发布这个EB4的TurboTurbo就是在EB4的基础上就是效果有提升但是更重要的是响应速度变得比以前快了很多然后成本下降了很多因为什么呢就是我们发现真正的市场需求可能现在更多的是要求你响应速度一定要快足够的快对吧成本一定要足够的低这样我才能用起来至于说下一代的这种大模型到底有多强大在哪些场景能够用到那是一个我们会继续去探索的这个过程但是今天你要看市场需求的话其实这个就是规模更小一点的模型市场需求量是更大那有没有看到或者帮我们介绍一下这种大模型在弊端利用比较成功的商业案例或者是商业模式也好或者是产品形态也好有没有一些我刚才举了几个就是比如说相对来说是百度内部的这种例子小说创作就是还有一个比如说是电商的数字人直播这个你想想就是说也是make sense的就是通过大模型来生成一个直播的这种话术script对吧就是它其实很多数据你这么常人记是不容易记得特别清楚的比如说我要卖一个营养品这个营养品就是 [14:59] 在哪一年哪一个大学就是哪一个教授对吧就是做了多少实验实验出来之后这个结果是什么样子你让自然人去记这些东西他记不住的但是就是这些数据呢恰恰能够很好地说明比如说这个营养品到底有什么作用就这些东西靠数字人把它这个表达出来靠大模型把它生成出来那么很多时候其实比真人的直播效果反而要更好对就是几乎任何一个行业我们都可以举出来类似的这种例子现在企业们他们对AI adoption的成本怎么去看因为如果我们帮企业们去算一下账我花100块钱然后再去买各种各样的AI服务啊Find2啊或者Rag啊这个上面那我可能要5x乘以5我要赚500块钱可能我才这个business model我的商业才能跑得通对吧那现在企业们是否会愿意去为AI去付费现在你在跟一些企业客户交流的时候他们的态度是什么样子的对这个问题特别好我觉得就是当你处在一个市场经济的环境当中的时候这些企业其实是非常理性的尤其是中小企业就是它仗是算得非常精的如果这件事情能够让我降本增效能够让我赚到更多的钱那我就会用它如果不能你再吹破天我也不会用其实市场会告诉你说这个大模型到底有用还是没用我们看到就是调音量的这种迅速提升确实是因为在用户测在客户测了就是他为这个企业确实产生了降等增效的这种作用我再举一个例子比如说在招聘场景很多时候就是雇主要找一个比如说具备什么技能的人这个技能对于技能的描述它可以是千差万别的雇主的描述跟一个个人的简历里头的描述它不是那种每个字都能匹配上的在这种情况下用大模型去理解这是一个什么人理解这个老板要招什么样的人然后进行匹配的话它的效率就会高很多过去是怎么做的过去是HR坐在那儿一份一份简历的去筛查对吧然后呢再去一个人去面试面试一百个人最后筛出十个人来再进入下轮的面试这个效率是非常非常低的但是大模型进来之后呢它可以非常明显的去提升这方面的效率有了这样的场景之后呢那你去算一算就是模型的这个推理成本其实几乎是可以忽略不计尤其在国内可能你知道现在就是说大模型的这种价格战是非常厉害的所以就是像一些比较轻量级的模型我们百度的这个文心轻量级的模型都是免费这个免费不仅仅是指的模型免费实际上是算力也送你了你本来还要我得有电脑我得有什么去带光这些都没有了你只要来用就好后面的推理也很便宜推理是免费的然后还有一个比较好奇的问题在SARS时期在互联网时期SARS在中国没有2B没有做起来就为什么你会觉得在AI时期这个AI as a service可以在中国做起来呢ToB方面的话对就是我觉得在这个SaaS时期之所以没有做起来更多的是因为那个比如说像互联网大的这些平台呢他他既做了ToC的的事也做了2B的事换句话说比如说像在美国的话呢可能就是每一个商家都有一个自己的这种电商网站就是用户也可以到他的网站上去购物今天的就是在比如说中国的话大家都到电商平台去购物这些电商平台上就是商家所需要的这些一个to be的这种能力啊电商平台都替他做了所以他不需要这种东西了但在美国的话你自己比如说你是Daiq你要建立一个就是自己的网站上面要能够卖东西要有各种各样的这种功能要对自己的用户进行了解那是需要做很多投入的所以在某种意义上讲呢其实中国并不是没有这样的需求而是说这些需求呢被更大的平台所满足掉了但是在AI时代我觉得情况又发生了变化就是说刚才也讲就是它不是先诞生的不是一个从零到一的大家过去从来没有见过的这个业态它先诞生的恰恰是对于现有业态的一个enhancement一个增强所以就是当现有业态被增强效率 [19:59] 越高的时候呢它可能就更能够抵御类似于像互联网平台啊这样的公司对它的这种业务的这种侵蚀所以这方面我是我倒是觉得就是说AI的这种2B的需求在中国呢会比互联网2B的需求要大很多在中国市场开始打架格战大模型API接口的费用训练还有推理费用大幅度下降的同时我们需要看到大模型能力继续的快速爬升吗还是说基于目前的模型能力我们就应该能够将一些社会资源风投资金还有关注度呢放在做出更好的应用上面有一些应用就可以慢慢的被认可了说实话在硅谷呢大家等GBT5等的有些不耐烦了而GBT5的发布一再延迟呢也让不少人对Scaling Law产生了怀疑包括图灵蒋德主林洛坤还有Josera Benjo等人也是接连的提出了警告啊说也为追求更大参数的Scaling Law会消耗巨大的社会财力和资源并且不一定是正确的方向所以我们也把AGI和对Scaling Law的信仰这个问题摆在了李延宏的面前他认为说AGI的到来还会有很长的时间那么在此之前模型能力的基础迭代速度放慢一点不是坏事情Spin-Off本身可能还会有若干年的生命周期但与此同时的话在此之上会叠加出来各种各样的创新刚才讲的智能体它的反思的能力它的这个就是进化的能力等等其实跟Skinning Out已经有点decouple了它是两个路线在发展但是呢它仍然是基于这个Transformer这类型大模型在往上在做那未来再过一两年还会出现什么新的这种技术创新在此基础上再去叠加我们也不知道就是大家都在探索换句话说我觉得Skinning Out短期之内倒不会被颠覆但是在Skilling Law之上会叠加出来很多很多我们现在可能还无法想象的创新到底你个人认为AGI实现的标准是什么还有哪些路径可以让我们更快的去通向AGI对这个确实业界我觉得没有一个标准答案就是在我心目当中以前大家家觉得说通过图灵测试就是实现AGI实际上现在大光星已经通过了通过了但是人们所说的这个AGI其实大多数时候已经不是指的通过图灵测试那么什么叫AGI就是在我的这个心目当中AGI就是说是机器或者说AI呢它能够具备人在任何场景下任何场景所具备的能力就是general intelligence是通用的我不管在什么场景我的能力都是跟人是一样的这是一个很高的要求其实今天你看像我们做无人驾驶做了有11年的时间了仍然不能说这个技术成熟这还是一个专用场景AI都做不到非常的成熟小概率事件对你不能容错的话这个就不行了所以就是说真正要实现AGI我认为确实是还需要很多很多年当然就是业绩有人说可能再过两年就实现了或者再过五年说什么的都有但是我自己的判断是十年以上也许十年也许二十年也许更长的时间但我们听到很多人在讲AGI是一种信仰当你把它当作一种信仰的时候谁的信仰会明年就实现这是很自相矛盾的如果是一个信仰它就是你值得为之长期奋斗的这么一个目标啥叫长期呢但如果连十年都没有的话太容易了就不叫信仰了你不能把它叫做信仰所以我觉得还是一个很有意思的问题就是值得大家去不断去探讨对然后再回到一个这个scaling law的一个问题现在大家其实都在等GPT5但是GPT5就一直在延后一直在延后所以我在周围听到的担忧的声音也是越来越高就怕说比如说5到10万亿这样的参数加上去但是最后大家发现说它的效果并没有这个月升这么多那是不是会打击一些人们对Scaling Law跟AGI的信仰比如说可能我们的AGI没有办法用Scaling Law的这个方式去带我们去实现了你对这个有担忧吗我不是很担心这件事情我觉得大家应该更关注应用而不是关注基础模式 [24:59] 某种意义上讲就是基础模型迭代速度稍微放缓一点不是坏事就是说今天的这些应用的开发者他有一个相对稳定的base来开发这个应用的话其实是效率更高一些的如果模型天天在那变他每天都要重写一遍就是过去的这个代码那是很累的但是就是说是在现有基础模型的这个基础上去不断的去做微调去做一些就是渐进式的这种迭代和创新其实你看到它是一直在发生的无论是欧洲人亚不断的在推4V4O什么这些东西还是百度我们的这个Turbo模型啊我们的更小量级的模型啊等等都是在根据市场的需求在做这种迭代但是长远来讲呢我确实认为就是说下一代的这个大模型一定会比现在这一代最强大的模型要强大得多那么什么时候推出来我不是很着急就是觉得说我们应该更多的sick back去看一下真实的市场需求市场那么就是我们下一代模型在迭代的时候要根据这个市场需求来迭代这个模型如果我们认为AGI十年都达不到也就是说下一代模型离AGI其实还有很远的距离也就是说它有它擅长的它有它不擅长的地方如果它擅长的恰好不是市场需求的那这个意义是不大的如果他不擅长的恰好是市场需求的那我们去浪费了很多资源去做一些不该做的事情这是为什么就是说我更关注应用我想知道就是市场上因为市场上要求的是说我是一个销售我是比如说一个卖车的销售我用什么样的话术能够说服经验的人来买我的车而不是说我怎么能够考过高中数学的高考你考过高中数学又怎么样你还是要成为一个销售去说服务客户买就是这种市场需求当不是很清楚的时候拼命往前跑去做一个名利上的更强大的模型其实很有可能是会走弯路是浪费资源的对我也非常同意那你觉得就是接下来大家在卷应用之余会不会开始卷一些中小模型那比如说在国际上比如说Mistro这样的中小模型也是受很多开发者欢迎的那接下来你觉得比如说百度在对于中小模型上还有一些模型蒸馏上有什么样的策划一些计划我觉得就是我们看到的真实需求确实在绝大多数情况下都不是最大的模型他都要求这个模型变小变小意味着什么速度快成本低对吧就是当他比如说我干这个事总共能够给我带来每年100万的增益我一算说最大的模型要120万的成本那我肯定不干了对吧那我给你这个大模型公司提的要求就是说你能把成本给我降到80万甚至降到就是这个8万对吧那我们就得想说我怎么把这个我最强大的模型蒸留到这个足够小也就是说足够这个成本低的时候仍然能够满足你这个场景的需求我觉得这方面呢就是说B原模型仍然有优势就是说因为B原有最强大的这个基础模型那它根据这个模型蒸馏或者彩点出来的这种小模型比那些开源模型开源模型不管是用更大的开源模型来蒸馏还是怎么样它毕竟就是说你那个基础没有人家那个基础好的时候你做出来的东西它还是在竞争力上会有这个劣势所以这方面呢我们看到真实的需求确实是非常非常多的我们也觉得就是这方面的机会仍然在避免不待人那以上呢就是我们与百度成十人董事长兼CEU李彦宏的采访内容了结合在上一期视频几乎是将近一个小时的采访时间这次采访呢其实对我个人理解市场来说是很有帮助的因为这让我理解到从企业家角度是如何去思考大模型商业化落地的这件事情的特别是在大厂们容易各种卷的中国市场当全球的生成式AI公司们无论是科技巨头还是创业公司都耗费大量的资源算力金钱还有人力去压住Scaling Law是人类未来发展的正确途径这件事情的时候呢总是有种声音在提醒我们我们需要去算账这件事情如何以更加经济更加合理的方式去发展那么在飞往上海采访李延宏的前一个周末啊在硅谷的一个聚会上有一位资深人士啊就给我算了一笔账他说全球芯片 [29:59] AI上的支出呢是大概4000亿美元就相当于1.1万亿美元的数据中心支出如果我们要求25%的ROIC也就是投资资本汇报率这相当于企业们需要产生1.4万亿美元的成本节省1.4万亿美元呢是全球技术工人工资的5%全球总工资的3%也是全球吸税前利润的5%或者呢如果我们假设利润率为50%则需要企业们用AI去创造2.8万亿美元的收入也就是全球上市公司收入的3%或者全球GDP的2%那么这样算起来的话是不是就可以说只要以现在的投入量要AI能让全球企业们创造2.8万亿美元的收入那么发展AI的这笔账就是能够算得过来的那么什么时候能够打平这笔账呢反正我看高盛世预测啊盛盛世AI呢可能会在10年之内推动全球GDP增长7%也就是接近7万亿美元并且生产率增长会提高1.5个百分点所以你们怎么去算AI发展的这笔账呢也欢迎大家在评论区留言给我们你们的展发点赞评论是支持我们硅谷101做好深度科技和商业内容的最佳动力我是陈倩那我们就下期视频再见了Bye