百度阿里谷歌整合AI全栈架构芯片至应用一站式交付成胜负手

硅谷101

AI大模型全面进入企业级落地阶段，仅靠单一层级包装的产品正面临高流失率困境，唯有打通底层芯片、算力平台、核心模型到上层智能体的全栈系统级协同优化，才能实现呈倍数级的成本削减与真实数字劳动力的规模化普及。

AI-assisted summary of 营销过后，AI应用如何落地？解析巨头们的“全栈之战”【硅谷101】 — original source. Check the original for full context.

Source published: 2025-06-10

Detailed notes

## Background 该视频由“硅谷101”于2025年6月10日发布在Bilibili平台。视频探讨了在全球AI热潮带来用户留存率下降与商业化困境的背景下，谷歌、微软、亚马逊及百度等科技巨头如何通过从底层硬件到企业应用的全栈技术布局来构建核心护城河，并解析了全栈能力如何赋能真实的企业级应用场景以及中国方案的独特优势。

## TL;DR 2025年全球AI竞赛的焦点已从单纯的模型能力转向“全栈能力”与“数字劳动力”的真实落地。硅谷巨头如谷歌、微软、亚马逊正通过芯片、模型和应用的软硬一体化协同来大幅优化成本并提升性能，而Palantir等公司则通过数据操作系统与去代码化平台解决传统行业的AI落地痛点。与此同时，中国AI模型在飞速追赶，以百度为代表的国内巨头凭借昆仑芯、百舸平台及千帆平台构建起自主可控的全栈生态，并在钢铁和餐饮等传统行业中实现了降本增效的智能化变革。

## Atmosphere & style 视频展现出一种专业、严谨且紧跟科技前沿的深度对谈与分析氛围。叙述风格冷静客观、条理清晰，既有对硅谷巨头最新技术动态的敏锐捕捉，也有对传统行业落地痛点的务实剖析。整体给观众一种站在时代潮头、宏观审视全球AI产业风云变幻的激荡感，在面对两强竞赛与产业转型升级的宏大叙事时，流露出对科技赋能实体经济的务实期待与审慎乐观。

## Key takeaways - [00:00](https://www.bilibili.com/video/BV1bdTvz7EPx?t=0s) 2025年全球AI竞赛聚焦于“全栈能力”与解决真实企业级应用的“数字劳动力”，传统的包装盒型（Wrapper）产品正面临留存率下降和商业化不明的困境。 - [00:00](https://www.bilibili.com/video/BV1bdTvz7EPx?t=0s) AI全栈架构由基础设施层（底层）、AI开发与训练层（中间层）以及应用与部署层（上层）三部分组成。 - [03:50](https://www.bilibili.com/video/BV1bdTvz7EPx?t=230s) 全栈能力的核心优势在于系统级协同优化，通过芯片、云、模型和数据的有机结合，能为科技巨头带来极大的成本优化空间。 - [03:50](https://www.bilibili.com/video/BV1bdTvz7EPx?t=230s) 硅谷巨头如谷歌、微软、亚马逊正积极通过自研芯片、深度绑定或开放模型生态、将AI整合进内部与云服务业务，加速软硬一体化的垂直整合。 - [06:15](https://www.bilibili.com/video/BV1bdTvz7EPx?t=375s) Palantir通过Foundry和AIP两大产品解决了传统行业在AI落地上面临的数据孤岛与技术门槛痛点，成为了企业级应用的典型代表。 - [06:15](https://www.bilibili.com/video/BV1bdTvz7EPx?t=375s) 美国大型公用事业公司PG&E利用Palantir的系统，通过解析海量数据实现了动态管理电网野火风险以及变压器的预防性维护。 - [09:59](https://www.bilibili.com/video/BV1bdTvz7EPx?t=599s) 随着数字劳动力的兴起，AI Agent的形式正在将传统的软件服务升级为AI驱动的直接服务，深刻影响着科技与整个服务行业。 - [09:59](https://www.bilibili.com/video/BV1bdTvz7EPx?t=599s) 中国AI模型在基准测试及成本控制上表现出强劲的追赶势头，例如文心一言4.5 Turbo在多数多模态任务中表现出色且成本极低。 - [09:59](https://www.bilibili.com/video/BV1bdTvz7EPx?t=599s) 中国市场实体经济大模型应用已非简单调用API，而是需要深度协同软硬件、平台和网络的复杂系统构建，对“全栈能力”与“自主可控”需求迫切。 - [13:50](https://www.bilibili.com/video/BV1bdTvz7EPx?t=830s) 百度智能云在国内全栈AI布局中与谷歌路径最相似，在芯片层推出了大模型设计芯片“昆仑芯P800”，并具备超节点扩展能力。 - [13:50](https://www.bilibili.com/video/BV1bdTvz7EPx?t=830s) 百度的“百度百舸”算力效能平台在管理国内外GPU算力的同时，在DeepSeek R1普及后，对降低企业推理成本和延迟发挥了关键作用。 - [13:50](https://www.bilibili.com/video/BV1bdTvz7EPx?t=830s) 百度在模型层推出的文心大模型4.5 Turbo大幅降价提速，同时推出的深度思考模型“X1 Turbo”构建了复合思维链且对标DeepSeek R1。 - [13:50](https://www.bilibili.com/video/BV1bdTvz7EPx?t=830s) 百度的“千帆平台”通过应用开发和模型开发两大子平台实现了规模化扩张，支持零代码拖拽式开发和多种大模型技术的调用。 - [18:15](https://www.bilibili.com/video/BV1bdTvz7EPx?t=1095s) 企业级Agent要切入真实工作流程，必须满足结合私域数据、匹配标准SOP、具备工具调用能力以及确保安全可控性四大标准。 - [18:15](https://www.bilibili.com/video/BV1bdTvz7EPx?t=1095s) 全栈布局改变了过去各层级碎片化的选型模式，由一家公司“为最终结果负责”，极大地消除了适配产生的内耗，加速了系统落地。 - [21:15](https://www.bilibili.com/video/BV1bdTvz7EPx?t=1275s) 中国钢研携手百度，基于全栈智算平台和“大模型+小模型”结合的方式，攻克了传统钢铁工业中金相分析与表面检测的长尾及小样本痛点。 - [21:15](https://www.bilibili.com/video/BV1bdTvz7EPx?t=1275s) 在餐饮连锁行业，大模型凭借强大的泛化能力实现了“一句话定义操作动作”，降低了流程合规和视觉检测系统的定制开发成本。 - [21:15](https://www.bilibili.com/video/BV1bdTvz7EPx?t=1275s) 由于高监管行业的决策与技术验证周期严谨，B端AI应用从开始使用到全公司普及，合理的预期需要一年半到两年的时间。 - [21:15](https://www.bilibili.com/video/BV1bdTvz7EPx?t=1275s) 全栈能力落地带来了积极的市场反馈，2025年第一季度百度智能云收入和经营利润率均实现显著增长，证明了全栈巨头在AGI竞赛中的优势。

## Detailed walkthrough ### [00:00](https://www.bilibili.com/video/BV1bdTvz7EPx?t=0s) 硅谷与中国AI竞赛的新焦点：全栈能力与数字劳动力

2025年，全球AI竞赛继续升级。在美国，许多以“包装盒”（Wrapper）为主要形态的AI产品在经历前两年的高歌猛进后，如今正面临用户留存率下降和商业化前景不明的困境。与此同时，沉寂了两年的谷歌在5月的Google I.O.大会上打了一场漂亮的翻身仗，依靠其扎实的技术“全家桶”，向市场证明了“全栈能力”将成为下一个构建AI核心优势的壁垒。除了谷歌，亚马逊AWS、微软等科技巨头也在积极布局这一战场。在中国，随着年初DeepSeek的横空出世，大模型基础能力进入全新战场，全栈能力在优化计算性能、提升稳定性和降低综合成本方面变得尤为重要。

今年硅谷的AI竞赛可以总结为两大聚焦点：一是“全栈能力”（Full Stack），即涵盖从底层硬件到顶层应用的整个技术栈；二是“真实的企业级应用”，即“数字劳动力”（Digital Labor）。所谓数字劳动力，是指利用人工智能和自动化等技术来执行传统上由人类完成的任务，从而扩展人类的能力与效率。在生成式大模型的能力逐渐达到平台期之后，市场关注的焦点在于谁能产生真正有价值的应用，从而成为新的热点。

AI的全栈架构主要分为三层： - **基础设施层（底层）**：AI系统的地基，提供GPU/TPU等算力、数据支撑与训练能力，支持大规模训练与推理任务，确保资源的可用性与弹性扩展。 - **AI开发与训练层（中间层）**：AI系统的大脑，涵盖算法模型和训练过程，负责开发、训练并优化AI模型，是实现智能能力的核心。 - **应用与部署层（上层）**：AI系统的外壳，负责将模型集成进实际产品与业务中，将AI模型转化为可用、可控的在线服务或产品功能。

---

[02:30](https://www.bilibili.com/video/BV1bdTvz7EPx?t=150s) 硅谷巨头的全栈生态战：谷歌、微软与亚马逊的软硬一体化

谷歌在今年的Google I.O.大会上展现了强大的全栈实力，从TPU算力、基础模型、多模态AI智能体到可穿戴设备均有突破。在硬件上，谷歌于4月9日发布了第7代TPU“Ironwood”，这是其首款面向AI推理时代的TPU。在模型层，谷歌推出了最新的Gemini 1.5 Pro（视频中口误为2.5 Pro），在多模态理解、代码生成、长上下文处理及推理能力上均有显著提升。应用端方面，作为传统搜索巨头的谷歌进行了自我革命，全新推出AI Overviews（视频中称为AI Mode），并带来了搭载Gemini AI的Android XR智能眼镜，可实现实时翻译、导航辅助和视觉识别。

全栈能力的优势在于系统级的协同优化。如果一家公司只有单一的一层，想要降低成本或提高性能，只能孤立地在某一层寻找突破；而拥有全栈能力的公司，可以将芯片、云、模型和数据打造成一个有机系统。正如视频中所分析的：“我芯片层提升20%，云端提升20%，模型层提升20%之后，可能就达到好几倍的一个效果。”这给巨头们提供了极大的成本优化空间。

除了谷歌，微软和亚马逊也在积极进行全栈生态的垂直整合： - **微软**：在芯片层自研了AI芯片Azure Maya；在模型层与OpenAI深度绑定构建技术壁垒；在应用层通过Azure云服务与Copilot系列产品，实现了“云-模型-终端”的联手。 - **亚马逊**：在芯片层已量产三款自研芯片（CPU芯片Graviton 4、AI训练芯片Trainium 2、AI推理芯片Inferentia 2）；在模型层通过Amazon Bedrock构建开放生态，整合了Anthropic Claude、Meta Llama、Stability AI等第三方模型及自研的Titan系列，并支持RAG和Agent功能；在应用层将AI深度整合进内部业务（如库存预测、路径规划、Alexa语音交互），并推出Amazon Personalize和供应链优化（ASC）等产品。 - **苹果**：虽然早期在芯片、云和应用端拥有独特的全栈优势和用户数据，但在战略层面上没有像谷歌那样快速加速。

---

[06:15](https://www.bilibili.com/video/BV1bdTvz7EPx?t=375s) 传统行业的AI落地突破：Palantir与PG&E的真实案例

在企业级应用（Digital Labor）方面，被资本市场热捧、股价在一年多内涨了十多倍的Palantir成为了典型代表。传统行业在落地AI时面临两大痛点：一是原始数据庞杂且无结构化，存在数据孤岛；二是行业缺乏技术人员，产品若太复杂或需要高度定制则难以落地。Palantir通过两大核心产品解决了这些痛点： - **Foundry**：被称为企业级的数据操作系统，专门解决原始数据来源繁杂和数据孤岛的问题。 - **AIP（Artificial Intelligence Platform）**：一个AI Agent型的交互插件，实现了可视化和去代码化，大大降低了非技术人员的使用门槛，使企业不再需要雇佣昂贵的软件工程师或数据工程师。

在实际落地中，美国大型公用事业公司太平洋燃气电力公司（PG&E）利用Palantir的AI产品显著提升了电网运营效率。PG&E为加州北部和中部超过1600万人提供服务，面临着巨大的气候与野火威胁。为了动态管理野火风险，PG&E需要一个中央枢纽来解析每日接收到的80亿到100亿个数据点。Palantir的Foundry系统为PG&E提供了一幅完整的电网运行图景，能从空间上识别25000英里线路中哪些地方存在火灾风险，并帮助其在关键节点精确开关部分电力系统。此外，PG&E还利用Foundry开发了预测配电变压器健康状况的模型，实现了预防性维护，降低了电网故障率。

---

[09:59](https://www.bilibili.com/video/BV1bdTvz7EPx?t=599s) 数字化转型与中国AI的“全栈+自主可控”新机遇

当前，市场进入了大规模快速应用AI的时刻。在不确定性较强的环境下，企业决策者更容易产生焦虑感，从而更愿意寻求变化，引入数字化转型工具。Salesforce CEO Mark Benioff在一次演讲中指出，我们将大规模看到科技公司使用数字劳动力（Digital Labor），“甚至说我们这一代人可能是最后一代的管理的人主要全都是人类的劳动力的领袖，到未来的话，新的公司基本上可能一半甚至一半以上都会是digital labor”。这一趋势不仅局限于科技公司，整个服务行业（占美国GDP的50%到60%以上）都可能通过AI Agent的形式，将传统的软件服务升级为AI驱动的直接服务。

与此同时，中国的AI模型也在飞速追赶。美国投资人Mary Meeker在人工智能趋势报告中对中国AI模型的迅猛发展表示赞叹。以百度为例，文心一言4.5 Turbo具备强大的多模态能力，基准测试显示其在多数多模态任务中超越了GPT-4o，而成本却极低（输入Token仅需0.8元/百万，输出Token为3.2元/百万，价格仅为DeepSeek V3的40%，GPT-4.5的0.2%）。Meta首席技术官Andrew Bosworth也将当前的全球AI竞争比喻为“新时代的太空竞赛”，并直言中国实力超群。

对于正处于产业升级关键时期的中国市场而言，实体经济对“全栈能力”与“自主可控”兼备的AI产品需求极为迫切： - **全栈能力**：确保企业能够提供从底层硬件、基础软件到上层应用的完整解决方案。 - **自主可控**：确保企业在数据安全和技术主权方面拥有主导权。 - **系统构建的挑战**：如今的大模型应用已非简单调用API，而是需要对接组件、精细编排、调整定制模型，并考虑计算性能、稳定性和安全性。这本质上是一个复杂的系统构建过程，需要软硬件、平台和网络的深度协同优化。

---

[13:50](https://www.bilibili.com/video/BV1bdTvz7EPx?t=830s) 百度智能云的全栈布局：从昆仑芯到千帆平台

在国内，与谷歌路径最相似的科技巨头是百度。目前，已有65%的央企在落地大模型时首选百度智能云。百度在全栈AI的各个层级都进行了深度布局：

在**芯片层**，百度推出了专门为大模型设计的“昆仑芯P800”芯片。该芯片采用自研的XPU-P架构，显存超过同类产品，计算性能强劲。仅需1232台昆仑芯服务器即可支持DeepSeek满血版的全参数训练。此外，昆仑芯具备超节点扩展能力，近期已应用在3万卡集群中，大幅降低了AI推理和训练的成本。

在**算力管理与平台层**，百度推出了“百度百舸”算力效能平台，满足企业训练、精调、推理的全流程需求。百舸不仅管理着百度自用的GPU算力（支持文心大模型及百度搜索、网盘、地图等业务），还管理着几十万张卡服务于外部各行各业。在DeepSeek R1普及后，用户对推理成本和延迟的要求极高，百舸平台在降低推理成本方面发挥了关键作用。

在**模型层**，百度于今年4月发布了文心大模型4.5 Turbo，实现了文本、图像和视频的混合训练。相比文心4.5，其速度更快，价格下降了80%。同时发布的还有深度思考模型“X1 Turbo”，专攻复杂场景，在思考路径中结合工具调用，构建了融合思考和行动的复合思维链，性能对标DeepSeek R1且价格更低。

在**应用层**，百度的“千帆平台”实现了规模化扩张，聚合了100多种预制模型（包括文心系列、DeepSeek、Lama、通义千问等）。千帆平台包含两大子平台： - **千帆应用开发平台**：针对应用开发，推出“智能体Pro”等工具，支持MCP协议，提供文本、图像、语音、3D数字人交互等企业级组件，支持零代码拖拽式开发。 - **千帆模型开发平台**：针对模型开发，支持SFT（监督微调）、量化、剪枝、蒸馏和RAG等技术调用。

---

[18:15](https://www.bilibili.com/video/BV1bdTvz7EPx?t=1095s) 企业级Agent的落地标准与全栈交付的优势

在企业级应用中，Agent（智能体）已明确成为大模型落地的核心形态。要将Agent真正切入企业的工作流程，必须满足以下几个关键点： 1. **结合私域数据**：结合企业真实的知识库，使Agent能够学习企业多年沉淀的行业经验，理解具体业务场景。 2. **匹配标准SOP**：根据企业的规范编排业务流程，准确执行任务。 3. **工具调用能力**：能够灵活调用各种工具来解决复杂的实际问题。 4. **安全可控性**：满足企业级服务对安全性、稳定性和可控性的极高要求，防止核心数据泄露。

对于企业客户而言，全栈布局能够提供“一站式”的完整解决方案。在过去，企业在落地AI时，往往算力选一家、平台选一家、模型选一家，最后再找一个伙伴开发Agent。这种碎片化的模式在交付时极其痛苦，跨公司拉通、平台与模型适配、上层应用微调以及算力适配等工作会产生严重的内耗。全栈能力则能由一家公司“为最终结果负责”，极大地加速了系统的构建与落地过程。

---

[21:15](https://www.bilibili.com/video/BV1bdTvz7EPx?t=1275s) 传统工业与服务业的AI变革：钢铁与餐饮的落地实践

视频中分享了两个传统行业通过AI实现降本增效的真实案例：

**案例一：钢铁行业的智能化升级（中国钢研）** 中国是全球最大的钢铁生产和消费国，面对近年来的产能过剩挑战，钢铁企业掀起了数字化浪潮。中国钢铁工业协会数据显示，重点钢企的机器人应用密度已达每万人115台，80%的企业建设了智能集控中心，81%在探索大模型应用。中国钢研科技集团作为金属新材料研发基地，携手百度在核心场景展开合作。 - **痛点**：在金相分析和表面检测中，传统手段依赖人工，效率低。以前的小模型缺乏泛化能力，面对生产中不同批次的偶发缺陷和长尾样本，因样本量不足而无法有效分析。 - **解决方案**：百度与中国钢研历时四个月，基于昆仑芯和百舸平台搭建了专属智算平台，在千帆平台上进行模型精调，采用“大模型+小模型”结合的方式。 - **应用效果**：在“热轧带钢表面检测”中，通过大模型和缺陷生成技术解决了小样本检出问题；在“金相分析”中，针对微观下复杂的“蛛网状”晶界脉络，将联通与断开的行业规则沉淀进模型。最终，技术人员只需上传一张金相图片，系统就能自动分析其微观成分（如铁素体），并通过千帆AppBuilder直接文本化输出该成分适合用于何种材料生产（如是否符合车板质量要求）。

**案例二：餐饮连锁的流程合规检测** 餐饮连锁企业（如管理几百家门店）对后厨操作和外卖配餐有着极严格的规范，人工监管难度极大。 - **应用场景**：在后厨配餐中，若顾客备注“不要酸黄瓜”，而厨师误放了，系统识别后会通过手环提醒厨师及时纠正，避免客户投诉。 - **泛化优势**：餐饮合规要求多达数百条（如储具摆放、奶茶店倒饮料前先用量杯测量等）。在小模型时代，每一个场景都需要定制开发，一旦工序改变就得重新开发，成本极高。而大模型凭借强大的泛化能力，只需“一句话定义操作动作”，通过技能编排即可将工序串联成SOP流程，使视觉检测系统真正具有了通用性和实用价值。

尽管这些应用尝试成效显著，但要在B端大规模铺开仍需时间。由于金融、医疗、工业等高监管行业决策周期严谨，技术验证和产品大规模铺设通常各需要一年左右的时间，因此从开始使用到全公司普及，合理的预期是需要一年半到两年的时间。

随着全栈能力的落地，市场也给予了积极反馈。2025年第一季度，百度智能云收入同比飙升42%，云业务相关的AI贡献收入更实现了三位数增长，经营利润率超过10%。在这场通往AGI的竞赛中，拥有芯片、模型、应用全栈能力的科技巨头将继续发挥独特优势，为整个创业和应用生态赋能。

## Notable quotes > [00:00](https://www.bilibili.com/video/BV1bdTvz7EPx?t=0s) 全栈能力将成为下一个构建AI核心优势的壁垒。

> [00:00](https://www.bilibili.com/video/BV1bdTvz7EPx?t=0s) 数字劳动力是指利用人工智能和自动化等技术来执行传统上由人类完成的任务，从而扩展人类的能力与效率。

> [02:30](https://www.bilibili.com/video/BV1bdTvz7EPx?t=150s) 我芯片层提升20%，云端提升20%，模型层提升20%之后，可能就达到好几倍的一个效果。

> [09:59](https://www.bilibili.com/video/BV1bdTvz7EPx?t=599s) 甚至说我们这一代人可能是最后一代的管理的人主要全都是人类的劳动力的领袖，到未来的话，新的公司基本上可能一半甚至一半以上都会是digital labor — Mark Benioff

> [09:59](https://www.bilibili.com/video/BV1bdTvz7EPx?t=599s) 新时代的太空竞赛 — Andrew Bosworth

> [21:15](https://www.bilibili.com/video/BV1bdTvz7EPx?t=1275s) 一句话定义操作动作

## Mentioned 谷歌, 亚马逊, AWS, 微软, 百度, 昆仑芯, 百舸, 千帆, DeepSeek, Gemini 1.5 Pro, Ironwood, AI Overviews, Android XR, Azure Maya, OpenAI, Azure, Copilot, Graviton 4, Trainium 2, Inferentia 2, Amazon Bedrock, Anthropic Claude, Meta Llama, Stability AI, Titan, Amazon Personalize, ASC, 苹果, Palantir, PG&E, Foundry, AIP, Salesforce, Mark Benioff, Mary Meeker, 文心一言4.5 Turbo, GPT-4o, GPT-4.5, Andrew Bosworth, 百度智能云, 昆仑芯P800, 文心大模型4.5 Turbo, X1 Turbo, 智能体Pro, AppBuilder, 中国钢研, 中国钢铁工业协会

[Source](https://www.bilibili.com/video/BV1bdTvz7EPx)

中文简报

百度阿里谷歌整合AI全栈架构芯片至应用一站式交付成胜负手 AI大模型全面进入企业级落地阶段，仅靠单一层级包装的产品正面临高流失率困境，唯有打通底层芯片、算力平台、核心模型到上层智能体的全栈系统级协同优化，才能实现呈倍数级的成本削减与真实数字劳动力的规模化普及。 2025年全球AI竞赛的焦点已从单纯的模型能力转向“全栈能力”与“数字劳动力”的真实落地。硅谷巨头如谷歌、微软、亚马逊正通过芯片、模型和应用的软硬一体化协同来大幅优化成本并提升性能，而Palantir等公司则通过数据操作系统与去代码化平台解决传统行业的AI落地痛点。与此同时，中国AI模型在飞速追赶，以百度为代表的国内巨头凭借昆仑芯、百舸平台及千帆平台构建起自主可控的全栈生态，并在钢铁和餐饮等传统行业中实现了降本增效的智能化变革。 2025年全球AI竞赛聚焦于“全栈能力”与解决企业实际需求的“数字劳动力”，传统的包装盒型（Wrapper）产品正面临留存率下滑与商业化不明的挑战。 (0:00) 硅谷巨头谷歌、微软与亚马逊正加速推进软硬一体化的垂直整合，通过系统级协同优化芯片、云与模型，从而释放巨大的成本优化空间。 (2:30) 企业级应用代表Palantir凭借Foundry与AIP平台降低使用门槛，成功帮助大型公用事业公司PG&E实现电网野火风险管理与变压器预防性维护。 (6:15) 面对产业升级与自主可控需求，百度打造了涵盖昆仑芯P800、百舸算力平台、文心大模型及千帆开发平台的全栈生态，并已在钢铁检测与餐饮合规等实体产业中实现降本增效。 (13:50)

Reading summary

随着单纯依靠封装大模型的应用面临用户留存瓶颈，全球AI竞赛的焦点正转向软硬件一体化的“全栈能力”与面向产业的“数字劳动力”，依托底层算力到顶层应用的系统级协同来摊薄成本、推动企业级落地。软硬件一体化：全栈协同放大降本增效空间 (2:30) AI全栈架构横跨芯片基建、算法模型及终端应用三层。行业分析指出，单点技术优化正逼近边际效益，而垂直整合能产生协同倍增效应——芯片、云基础设施和模型层各自实现20%的性能或成本改善，整体系统便能实现数倍效益。硅谷巨头正加速软硬件绑定：谷歌推出了面向推理的第7代TPU Ironwood、Gemini 1.5 Pro及AI搜索和XR眼镜生态；微软通过自研Azure Maya芯片、深度绑定OpenAI以及Copilot生态构建闭环；亚马逊则量产了Trainium 2等自研芯片，并依托Bedrock平台聚合多元模型与内部供应链应用。数字劳动力切入实体：数据治理与Agent落地 (6:15) 在生成式模型能力进入平台期后，替代或扩充人力流程的“数字劳动力”（Digital Labor）成为商业化重点。Salesforce首席执行官Mark Benioff预测，未来新成立的公司可能有一半以上劳动力由数字劳动力构成。针对传统企业数据孤岛与工程人才匮乏的痛点，Palantir通过Foundry数据操作系统与无代码插件AIP，协助加州公用事业公司PG&E每日处理80亿至100亿个数据点，动态监测25000英里电网的野火隐患并实现变压器预防性维护。节目指出，企业级Agent落地的关键在于绑定私域数据沉淀、严格匹配业务SOP、具备工具调用能力并确保安全可控。中国自主可控需求与系统级交付模式 (13:50) 面对复杂的系统工程，企业若将算力、平台、模型和应用分散采购，会在跨平台微调与适配中产生大量摩擦成本，一站式全栈交付由此成为重要趋势。在中国市场，实体经济兼具产业升级与技术自主可控的迫切需求。以国内布局全栈路径的百度为例，已有65%的央企优先选用百度智能云落地大模型。百度在底层推出针对大模型优化的昆仑芯P800（支持3万卡集群扩展），在中间层由百舸算力平台统筹算力，配合多模态文心4.5 Turbo和深度思考模型X1 Turbo，并在千帆平台提供涵盖模型精调与零代码Agent编排的应用开发工具。传统工业与服务业的泛化实践突破 (21:15) 大模型相较传统专用小模型的关键优势在于高泛化能力，大幅降低了针对长尾和边缘场景的定制成本。在中国钢研的材料研发与生产中，通过在昆仑芯与千帆平台上精调行业规则，系统解决了热轧带钢表面偶发缺陷的小样本检出难题，并能自动分析微观复杂金相图谱输出合规结论。在拥有数百家门店的餐饮连锁中，大模型通过自然语言定义工序并串联SOP，实现了对配餐细节（如按备注去酸黄瓜）和后厨操作规范的实时视觉合规检测，打破了过去工序一变就需推倒重训的局限。全栈交付虽在商业端初步显效（如百度智能云2025年一季度收入同比增长42%），但节目提示，传统工业、医疗与金融等高监管行业的决策周期严谨，技术验证与全员普及各需约一年时间，企业级AI的大规模铺开仍需遵循一年半至两年的合理转化周期。

Source quotes

[0:00] 全栈能力将成为下一个构建AI核心优势的壁垒。 [0:00] 数字劳动力是指利用人工智能和自动化等技术来执行传统上由人类完成的任务，从而扩展人类的能力与效率。 [2:30] 我芯片层提升20%，云端提升20%，模型层提升20%之后，可能就达到好几倍的一个效果。 [9:59] Mark Benioff: 甚至说我们这一代人可能是最后一代的管理的人主要全都是人类的劳动力的领袖，到未来的话，新的公司基本上可能一半甚至一半以上都会是digital labor [9:59] Andrew Bosworth: 新时代的太空竞赛 [21:15] 一句话定义操作动作

Original transcript

[0:00] 这一轮的AI之火开始烧到了全战的概念2025年全球AI竞赛继续升级在美国不少以XBO为主要形态的AI产品在经历了前两年的高歌母亲之后现在都开始面临用户留存率下降和商业化前景不明的困境而失忆了两年的谷歌却在5月的Google I.O.上打了一场翻身仗依靠非常扎实的技术全家桶让市场看到全战能力将成为下一个构建AI核心优势的壁垒除了谷歌之外亚马逊AWS微软等等科技巨头也都在布局这个战场而在中国随着年初DeepSeq的出现但模型基础能力进入全新战场而这时全振能力变得尤其重要以带来更优化的计算性能更好的稳定性这也意味着更低的综合成本那么今天我们就来聊聊如今已经到了AI竞赛的第三年那么全球AI同时打响了这场全战之战到底在打什么AI竞赛的呼声盒到底是什么以及AI在企业端的真实落地情况到底如何呢今年硅谷的AI竞赛可以总结为两大聚焦点那么第一呢就是权战能力其中谷歌就是非常典型的例子第二则是真实的企业级应用现在在硅谷有一个词很火叫做Digital Labor数字劳动力指的就是利用人工智能和自动化等技术来执行传统上由人类完成的任务从而扩展人类的能力还有效率如今的讨论焦点在于在生成式大模型的能力逐渐达到平台期之后谁能够产生真正有价值的应用成为市场追捧的热点呢那这两个聚焦点我们视频稍后都会详细的聊到那首先呢我们来说说什么叫做AI的全站能力AI的全站架构是指在构建和部署AI系统的时候涵盖从底层硬件到顶层应用的整个技术站英文称之为full stack这包括第一顶层为基础设施层这是AI系统的地基提供GPU等算力数据支撑与训练能力来支持大规模训练与推理任务确保资源可用性与弹性扩展第二中间层是AI开发与训练层这是AI系统的大脑涵盖算法模型和训练过程帮助开发训练并且优化AI模型是实现智能能力的核心第三上层是应用与部署层这是AI系统的外壳负责将模型集成近实际产品与业务当中这一层聚焦把AI模型转化为可用可控的在线服务或者产品功能那么接下来呢我们看看几大硅谷的科技巨头是如何去打这场全战之战的谷歌今年带来的王炸就是全战能力了在经历了两年的事业之后呢谷歌终于在今年的IO大会上让市场重新看到了它的实力从TPU算力再到基础模型再到多模态AI智能体再到可穿戴设备等等各个领域都有令人眼前一亮的新突破在TPU上今年4月9号谷歌发布的第7代TPU名为Ironwood是谷歌首款面向AI推理时代的TPUTPU是一带我们预送上运动的更快的模式接着在模型层谷歌推出了最新的Gemini 2.5 Pro在多模态理解代码生成长剩下文处理以及推理能力上均有显著的提升在多项评测中表现都很好这是整个谷歌AI生态系统的基础模型我们在上一个现场参展Google I.O.的视频当中就有提到过谷歌作为传统搜索巨头在AI时代一直处于不利地位Perplexity和OpenAI的威胁与日举增而这一次谷歌自我革命全新推出了AI Mode在硬件方面今年谷歌还带来了搭载Gemini AI的Android XR智能眼镜可以做到实时翻译导航辅助视觉识别等等所以谷歌在各个应用上的发力意味着这个科技巨头终于意识到如今AI竞争越来越从比拼模型冲榜跑分变成了谁能够真正让AI产生实际用处无论是2C还是2B所以在这个方向上谷歌这种大厂的权战能力就显得格外的重要我觉得这个权战就Fullstack的话像谷歌它TPU做得非常好然后因为它自己的TPU然后它的模型跟TPU进行的优化和整合也做得非常的顺畅所以相当于自己就是从芯片层到自己的云到自己的AI模型再到自己的数据都可以打成一个系统如果你只有单一的一层的话比如说我的模型就要提高好几倍我的成本才可以降低好几倍但我现在整体整成一个系统之后我芯片层提升20%云端提升20%模型层提升20%之后 [4:59] 可能就达到好几倍的一个效果这个就给他们了更多的一个灵活的空间去进行成本的优化结合谷歌现成的庞大用户群以及强大的分发渠道谷歌的权阵能力提供了以后公司朝着AI全面转型的潜力但一直被诟病技术强大但产品能力跟不上的谷歌能否在AI时代证明自己的AI产品化的能力还需要时间来验证那在美国呢除了谷歌之外微软亚马逊等等科技巨头也都认识到了权阵能力的重要性并且在积极的布局比如微软也是全战生态的垂直整合者在芯片层自研了AI芯片Azure Maya在模型层以OpenAI深度绑定构建技术壁垒在应用层通过Azure云服务与Copilot等一系列产品构建了从基础设施到应用的全战生态实现了云模型终端的联斗还有亚马逊在芯片层已经量产了三款自研芯片分别是CPU芯片Gravitan4AI训练芯片Trileum2AI推理芯片Inferentia Tool在模型层则是通过生成式AI平台Amazon Bedrock构成了一个开放生态挣合了Anthrobic Clot,Meta,Lama 2,Stability AI等等第三方模型以及亚马逊字研的Titan系列并且通过支持库RAG和Agent功能将模型与企业数据结合支持客服内容生成等等场景而在应用层首先就是亚马逊内部的业务深度整合比如说用AI来优化库存预测路径规划自动生成商品描述和用户评论分析等等还有通过大模型来提升Alexa的语音交互能力而在AWS方面则是推出了为零售客户提供智能推荐的Amazon Personalized产品供应链优化ASC等等产品其实最早的话呢最有这种所谓的全占优势的公司其实是苹果因为苹果在之前就是唯一一家非常少数的公司它有自己的人工智能芯片芯片做得非常好然后自己也有云然后的话自己的话其实早期也做了很多AI的部署再到自己的应用端也有很多的用户数据但是在战略层面上它没有像谷歌这么快速的加速但谷歌反而是说它其实你看做TPU也是经历了一个阶段刚开始的话TPU表现也不好但现在逐渐系统优化之后TPU的表现也在优化现在他们应该是全站做得最好的谷歌其实无论是从现在硬件能力软件能力尤其是他们的这个AI的实力确实是各大厂里面最强的而对于我们在开头说的第二点真实的企业及应用的这种Digital Labor方面我们就不得不提到已经被资本市场追捧了整整一年多它股价已经涨了十多倍的Palantir这家公司了在其一级的真实应用当中特别是对于很多的传统行业有两个非常大的困难点那么第一是它的原始数据很庞杂没有结构化二是行业里面缺乏技术人员要是产品太复杂或者是需要一定的定制化往往很难真实落地而Palantir的两大产品就恰恰针对了这些痛点第一个是Foundry这被称为是企业级的数据操作系统用来解决原始数据来源繁杂和数据孤岛的问题第二是AIP它是一个AI agent型的交互插件做到了可视化和去代码化大大降低了非技术人员使用Palantir各种功能的门槛企业客户也不再需要雇佣昂贵的软件工程师甚至不需要数据工程师来参与项目落地于是我们看到Palantir在各行各业里面都出现了实际落地的应用从电力石油汽车航空航天到制造业零售业物流金融医疗等等等等比如说在能源行业太平洋燃气电力公司PG&E就借助Palantir的AI产品来提高电网运营效率PG&E是美国一家大型公用事业公司为加州北部和中部超过1600万人提供服务不过这家公司正面临着巨大的气候威胁为了让电力和燃气更加安全可靠PG&E必须精准掌握和动态管理加州火灾季节中不停在变的野火风险这就需要建设一个中央枢纽以高效解析它每日接受到的80到100亿个数据点并且优化电网运行效能那Palantir就为PGN1提供了一个完整的电网运行图景Foundry能够从空间上识别25000英里路线当中哪些地方存在火灾风险并且帮助PGN1在关键节点精确的开启和关闭部分电力系统此外PGN1还利用Foundry开发了一个模型它基于智能电表数据可以预测配电变压器的健康状况让PGN1可以监控电网各个组件的运行情况也方便进行预防性维护优化电力分配降低电网故障的发生率所以从这些真实的案例当中我们可以清晰的看到AI已经在美国各行各业的企业级应用中开始扎根下来并且发挥着越来越重要的作用AI技术正在重塑企业的运营模式提高企业的生产效率决策能力以及市场竞争力无论是制造业能源业零件 [9:59] 业务业还是其他行业都是在积极的拥抱AI技术利用AI来优化业务流程创新产品和服务但更重要的是市场现在进入到了一个大规模快速应用的时刻就是所有的这些大公司现在的压力在于一来市场有很多的不确定性大家在不确定性很强的时候就会产生焦虑感一开始焦虑就会更愿意求变化那求变化的话呢其中一个非常重要的一点就是植入新的计划数字化转型的工具人工智能驱动的这些产品和平台它可以带来的成本降低和收入增长是比较直观的就是前一段的话我们正好开年会当时我请了那个Mark Benioff就Salesforce的CEO来做一个Fast Sashire的演讲他觉得我们会大规模的看到科技公司开始使用digital labor甚至说我们这一代人可能是最后一代的这个领袖管理的人主要全都是人类的这个劳动力到未来的话新的公司基本上可能一半都甚至一半以上都会是digital labor而就在硅谷全战之战逐渐进入白热化并且企业们开始积极拥抱AI策略之际中国的一些科技巨头也在进入全战时代今年初随着Deep Seek的出现中国AI模型飞速追赶一方面是增长态势惊人另一方面呢性能也在实现全球头部AI模型水平的同时呢成本却低很多就连出名的美国投资人Mary Meeker也在今年的人工智能趋势报告当中感叹中国AI模型追赶之迅猛但百度举例啊文心一言的4.5 Turbo具备各种多模态能力基准测试显示呢它可以对标GPT4.1并且在多数多模态任务中超越GPT4欧但是成本却低得惊人输入Token仅需0.8元每百万输出Token为3.2元每百万这个价格只有头部竞品的零头是DeepSeek V3的40%是GPT4.5的0.2%而Meta的首席技术官Andrew Bosworth在近期的播客节目Possible中就将现在的全球AI竞争比喻为新时代的太空竞赛并且直言中国实力超群对于中国市场来说我们知道现在正处于产业升级的关键时期很多公司对AI技术的需求也极为迫切在这样的背景之下特别是在实体经济当中对于一个同事满足具有权质能力又能符合自主可控的AI产品就显得尤为的重要和急迫了权质能力意味着企业能够提供从底层硬件基础软件到上层应用的完整解决方案而自主可控则确保了企业在数据安全技术主权等等方面拥有主导权而这样的需求正在孕育着一个巨大的市场机会而在全球范围内与谷歌一样拥有全家统饰的AI生态的公司呢是趋之可数的而如果要把这个范围框在国内啊可能呢与谷歌路径最相似的就是百度了类似的当不少一时间风投强劲的出场公司应用和大模型出现技术迭代放缓生业化走入困境的挑战之际权战能力是大公司独特的优势特别是在2B的方向能够在应用落地上更快一步今天这个大模型的应用呢多数情况下已经不是简单的调用一下大模型API就可以的而是要对接各种的组件工具还要做各种精细的这种编排很多时候呢为了进一步提升效果我们还得对模型进行调整定制这种专精的模型特别是搭建这种企业级的应用还得考虑这种计算的性能稳定性安全性等等所以一个应用的落地它本质上就是一个系统的构建过程这个过程不容易也没法省略我这些能力我已经具备了但是我能够带来什么价值呢其实这是一个问号的当然单线这个系统的过程也是可以被加速的这就必须将软件硬件平台网络各个环节作为一个有机整体深度协同优化才能够最大化整体效能如今一组数据说65%的央企大模型落地首选的就是百度智能云了相比于谷歌百度几乎走出了同样的路径在芯片层百度有可能新P800其实算力不是一个抽象的概念它是一张张真实的卡在运行而国产算力在这几年一直比较艰难但是也取得了一系列的突破昆仑星P800就是一款专门为大模型设计的芯片采用了昆仑星自研的XPU-P架构显存超过同类产品而且计算性能强劲 [14:59] 1232台就可以支持DeepSeek满血版全参数训练并且昆仑星还具备超节点的扩展能力前不久已经应用了3万卡机群可以将AI推理训练的成本彻底打下来此外想要稳定的发挥出芯片的价值还需要算力管理平台作为保障百度白葛就是针对这个需求诞生的它被用来满足企业的训练精调推理的全流程需求白葛不仅管理着百度自用的GPU算力支持文心大模型训练和推理百度搜索网盘地图等所有的百度业务同时还管理了几十万张卡服务于各行各业特别是在Deepstick R1被普及之后用户对模型推理的成本和延迟的要求越来越高而XGPT刚出来的时候训练成本很关键但那只是少数核心公司关心的事但是今天的推理成本则是每一个用大模型的人都关心的事第二部分呢我觉得你可以把它理解成平台层也行框架层也行它核心就是可以做开发相关的这种做模型纳管相关的这种技术工具的这一层我认为也是不可或缺的然后再往上呢就是因为我们讲这个平台层跟模型是在一起的就是你比方说百度的这种千三大模型或者是一键这种多么太大模型它是在平台里面集成了在业界比较领先的这种模型的能力然后同时平台也能赋予模型做一些调用不管是做SFT做量化减脂蒸馏RAG就相关的这种技术调用的工作模型层的效果直接决定了应用的体验那么在模型层模型调用和模型开发是最重要的两件事在今年4月百度发布了4.5 Turbo版本实现了文本图像和视频的混合训练以原生多模态和深度思考能力在多项基准测试中表现出色4.5 Turbo相比于文星4.5速度更快但是价格下降了80%同步发布的还有深度思考模型X1 Turbo专攻复杂场景它突破了紧基于思维链优化的方式在思考路径中结合工具调用构建了融合思考和行动的复合思维链使模型解决问题能力得到显著的提升性能对标Deep Stick R1但是价格更为低廉最后好不容易搭建好了芯片层和模型层那么想要真正让AI落地给各行各业降本增效那必须要做出真正有用的应用层产品比如在千番平台上就有千番应用开发平台和千番模型开发平台这两个平台一个是针对应用开发一个是针对模型开发千番平台也实现了规模化扩张直接聚合了100多种预制模型即包括百度自己的文心系列模型也包括了Deepseek、Lama同意签问等等第三方模型在应用层今年有一大趋势已经很明确了就是Agent将成为大模型的落地形态特别是今年在Deepseek R1这样的深度思考模型推出之后让Agent解决复杂问题的能力有了指数级的提升在千番应用开发平台百度也推出了智能体Pro这样的开发工具里面支持了MCP协议意味着里面有很多企业级模型组件可以灵活调用包括文本图像语音三D数字人交互等等可以零代码拖拽式开发大大降低了agent开发的门槛在企业级应用当中想要真正切入到企业的工作流程里面定制一个自己的agent就格外的重要那这里面有几个关键点第一是要结合企业自己的私域数据企业真实库让Agent能够去学习到企业多年沉变的行业经验理解业务场景第二是要准确的匹配到企业的标准SOP根据企业规范编排业务流程执行任务第三是要调用各种各样的工具解决复杂的问题最后同时还得达到企业及服务要求的安全性稳定性可控性毕竟呢企业对于自己的核心数据呢看得非常的重谁都不想有泄密问题全战布局一旦是这个形成了我们在客户侧就可以给他提供一个完整的解决方案那这个完整的解决方案呢会有几个优点吧对客户来讲呢我需要有一家能为结果负责的人来帮我做整体的建设之前我们看到的企业就是算力选择一家平台选择一家模型选择一家然后又找了一个伙伴去做这个agent的开发最终发现这个像他们交付的过程当中极其痛苦因为你说拉通的组织很多你要跨公司去拉通你要平台和模型进行适配适配完了以后呢那个还要去看看上层应用交理的情况好不好不情况还要回到模型进行这个微调调整完了以后呢可能三例要进行相应的这种适配所以这个返回复去的工作内耗特别的严重最终可能对于我们呈现的产业落地的结果其实保障的也不是特别好当然这一套做下来又会是一个大工程但是全占能力对于最终客户的优势明显在应用层如果有好的agent产品它的市场规模几乎是没有上限的因为可以做的事情实在是太多了那现在AI agent的发展的话其实也是刚刚刚说的 [19:59] 一方面的话我们当然说这个趋势很让人兴奋但另外一方面确实也是刚刚开始怎么样针对不同的应用场景还有应用场合然后包括的行业去建立对应的AI agent现在还是一个创新大过模创新的一个时代那创新结束之后的话就要进行大过模的商业化应用和推广还有整合在这个之后的话你就可以看到正式的产业有一个比较明显的被digital labor驱动的这样的一个趋势但它整个量级还是非常大的因为我们现在聊Digital Labor不只是单纯说只是针对科技公司现在其实讨论的是整个服务行业基本上都可以通过AI agent的形式把这种软件服务升级成一种就是AI驱动的一个直接的服务行业那这个市场量级可能就是要50%甚至60%以上美国的GDP它的量级是非常巨大的当然它的行业也会更多样对于AI agent的要求也会不一样那么在这波如火如荼的应用浪潮中我们也一直在关注AI在很多传统行业当中的应用如何了最近我们也是调研了两个看起来很传统但是AI正在真实的产生价值的行业那么一个是钢铁还有一个是餐饮那钢铁生产听起来是一个传统的不能再传统的行业了但是呢在这个行业当中啊正在发生非常有意思的AI变革中国呢一直是全球最大的钢铁生产和消费国当然这几年因为有产能过剩的问题啊所以在2024年粗钢产量也是出现了十年来的首次负增长很多钢铁企业都陷入了一定程度的经营挑战面对未来的可能困境钢铁企业们也是掀起了一场数字化和智能化的浪潮根据中国钢铁工业协会的数据目前在钢铁重点企业当中机器人的应用密度达到每万人留学舞台80%的企业已经建设了智能疾控中心81%在探索AI大模型应用其中一个很有代表性的例子就是中国钢研科技集团的AI厂市它是中国金属新材料的研发基地曾经有过很多的冶金行业重大的技术创新它想要解决的不是某一个场景某一家企业的问题而是要搭建一套全站的基础设施推动整个钢铁产业的智能化升级那我们知道呢钢铁制造在检测和分析环节当中啊一直只能依赖传统的手段有很大的局限性比如说呢在金像分析当中对于微观成分的检测一直呢是非常依赖于人工操作效率低下那么钢铁行业很早就应用了表剪仪之类的光学设备但是在以前的小模型时代很多视觉模型最终的效果非常一般难以满足实际需求其中的原因就是小模型没有什么泛化能力但是在实际生产当中不同批词号的产品缺陷类型都不一样那么这个时候就会出现大量的长尾样本和偶发缺陷那对于小模型来说就需要大量的数据训练而在样本量不够的情况下对缺陷的分析就非常的不足周刚岩在深城市大模型出现之前就与百度有过接触但是那个时候的合作仅限于普通场景的检测探索直到去年周刚岩想开始应用大模型并且对权战能力非常有需求双方就开始在一些核心场景中展开合作了那百度是选择了两个最典型的场景分别是热炸带钢的表面检测和金像分析热炸带钢表检的之前我们没有做过但是会发现这种偶发缺陷或者少样本的缺陷我们如何解决在这里头我们也是通过一些大模型包括缺陷生成的一些技术来弥补一些小样本的一些问题甚至于就是在小样本上我们着用大模型能够更好的一个检出的一个效果而在金像分析中它是对钢铁的微观成分进行分析也就是要对钢铁的经界脉络进行分析这是一种类似珠网的复杂网状结构因为刚才说了它是一个微观场景的特别细小的这样的一个检测需求它是一个珠网状的就网状的一些结构所以说有的地方是需要它联通的有的地方是要断开的所以这些联通和断开的规则我们也要沉浸到我们的模型里面所以这块的话我们也是需要跟客户进行反复的这些对于这些规则的一些探讨或者是一些标定所以这些都是我们在实际过程中遇到的很多的问题每一个行业它有不同的怒合如果我们要把这个行业能做好的话其实是需要跟客户这一切要有很多的这种交流的最终百度与中刚研一齐用了四个月的时间基于昆仑兴和白葛搭建了专属的制算平台在千番上做模型金条使用大小模型结合的方式来追求最佳效果结合一键视觉平台快速完成了表面缺陷检测镜像分析这些核心场景的应用开发未来还会拓展到更多的场景因为中方眼我们是给了一整套的方案其实在最终的话我们拿了一张图片进行一个询问局 [24:59] 比如说这张图片是一个金箱的结果比如说金箱是一个什么样的类型可能会反馈你说这是一个铁树体的这样的一个成分那么它适合于用于什么样的材料的生产比如说我现在是有一个明确的目标可能我要做车板那么我不要问这样的车板符合我们质量要求可能就会直接通过我们的AP Builder就可以反馈出这样的一个结果了但是这个过程呢就是从我这一块的话刚刚做的是通过大模型把这些图像的这个结果进行分析那么后面呢会基于我们分析的结果再用大模型进行一个统一的这种文本化的一个输出对于大模型的能力来说呢当然啊也不只是适用于制造业对于很多有着严格流程管理的领域呢大模型现在都是可以真正的切入到工作流当中的我们在做小模型的时候呢就会发现这个反复的去迭代这个模型其实并不能带来一个效率的提升然后直到大模型的出现后我们发现可以用大模型加小模型的这样的一个方案来解决很多比较复杂的一些场景或者说公用性会更强比如在餐饮连锁的场景当中餐饮对工作流程有着非常严格的要求规范这时候就需要检测员工是否达到了这些规范那举个例子在店员给外卖订单准备的时候有时候就会出现录送错送的情况比如说少送的餐具或者点薯条没有给番茄酱等等情况但是考虑到门店的员工每天要处理大量的需求他们也很不容易对于一家餐饮连锁企业来说同时需要管理几百家门店难度其实非常大百度团队就采取了一个大小模型的组合比如在这个餐厅的后厨来了一个汉堡的订单顾客备注说不要酸黄瓜如果厨师在做的过程中误放了酸黄瓜那么他的手环就会提醒他这时候客户自然就会纠正这样就可以避免一次客户的投诉误放酸黄瓜只是诸多生产流程里面的一种情况其实连锁店进行过程中遇到大量的各种各样的不符合订单规则的情况所以说我觉得现在的大模型结合以后对于更多的行业去有更多的幻想或者更多的破展空间我现在以前我们就需要真的是每一个场景每一个场景在进行一个小模型的开发用大量的人员去堆出来我觉得这个是个很大的一个变化结合大模型的泛化能力让这套系统成为了真正可用的而不只是一个高科技摆设我们知道啊对于一家管理极佳的餐饮连锁在它店面的后厨合规的要求可能有几百条比如说储具摆放的位置还有一些对奶茶店的标准动作要求比如说给客户倒饮料都需要先进行量杯测量然后再倒出去倒到什么样的杯子里面这些都有详细的规则但是因为这些流程也经常会有一些变化像大模型的泛滑能力就有了用不之地那像这样的视觉应用还可以做很多比如说给餐厅做视频安全的分析给工厂做安全生产的检测等等等等像在汽车厂性能源电池生产厂他们都有非常严格的工序流程以前只能对每一个场景进行定制开发一旦工序变了又需要再去根据新工序来定制那么成本非常的高并且周期也很长这在原来小模型时代是无法想象的但是现在就可以用一句话来定义它的操作动作然后通过一系列技能编排让工序串联在一起整个SOP流程就做起来了那么当然以上的这些案例都是正在发生的应用尝试但是想要大规模的铺开可能还没有那么快因为想要在QB段应用一个新东西决策的周期会比QC段要严谨的多任何的这种大型的高监管的什么金融医疗甚至物料供应店都有这样的一个路径这个跟技术本身好坏不是说直接相关不是说你的技术最好我就不需要做这些验证了还是都需要这是产业的一个天然特性决定的那这个过程可能就要再去消耗到一年时间左右那这个之后的话呢还要再把这个产品在大规模的铺设下去可能又一年时间所以哪怕比如说现在一些大的企业已经开始快速的植入一些新型的AI的应用公司那可能从现在它如果已经开始使用了到大规模整个公司都使用可能还是需要一年半到两年的时间所以我们要对它有一个合理的时间的预期和期待当谷歌和百度试图利用全占能力来压住一场翻身仗的时候市场也是给予了反馈2025年第一季度百度智能云收入同比是飙升了42%云业务相关的AI贡献收入更是达到了三位数的增长经营利润率也是超过了10%我们经常在AI业界听到这样的说法说这轮AI最大的机遇是 [29:59] 科技巨头们的那么这也可以理解科技巨头们的优势在于拥有超级出口和海量数据以及芯片层模型层还有应用层的全战能力而这样的全战能力将是我们通往AGI的敲门砖也希望科技巨头们在全战各个层面能够继续的提供更强的技术和更低的成本来更好的赋能创业和应用生态我们也拭目以待好了那么以上就是这一期硅谷11视频的全国内容了我是主力人陈茜你们的点赞留言和转发是支持我们做好深度科技和商业内容的最佳动力那我们就下个视频再见了Bye

百度阿里谷歌整合AI全栈架构 芯片至应用一站式交付成胜负手