九合创投12周年宣告不朽的计算AI研究申报

以下为《不朽的打算：比特连接天下，词元天生未来》报告完全内容：

打算，作为一种表达与理解天下的办法，它引起的颠覆正悄然发生。
2022年，ChatGPT捉住了全天下的想象力，让人们意识到AI的主要性和能力上限。
在此之前很长一段韶光里，AI 的干系研究和运用紧张集中在办理特定问题和任务上，而AGI的实现一贯被认为是一个更为繁芜和迢遥的目标。
2023年，天生式AI应运而生， AIGC时期大幕垂垂开启。

作为一家早期投资机构，九合长期在一线关注“打算演进”带来的构造性变革。
我们既保持着与最前沿创业者的高频互换，也未曾懈怠以宏不雅观视角去思考脉络，推演未来。
站在本日，我们不雅观察到：打算正从一种赞助性子的工具，逐步演进为从神经网络算法开始呈现的一种“类似人类”的事情办法。
从工具，类人到未来可能的超越，打算正呈现出无限的生命力和扩展性，其扩展的边界正在迅速蔓延，直至打算的范畴超出个体的生命边界与生命履历，直至打算的维度超出单一劳动力的知识密度和知识体量，直至打算数字化统统，不朽的打算成为现实。

我们认为，AI将成为下一代打算平台，智能体本身将不止于提升生产效率，而是有可能作为新兴超级生产力真正参与到经济生产与社会生活中，而我们正处于平台转变的初期阶段，这将深刻影响未来投资与创业机会。

在人类历史的大部分韶光里，我们都有点像LLM，基于履历，通过匹配我们头脑中的知识和思维模型来办理问题。

几个世纪前涌现了更系统的形式化，数学符号和“数学措辞”的发展为数学供应了一种系统的表达办法，并使代数、微积分以及终极的当代数学科学成为可能。
从数学科学的所有成功中，我们开始相信，一定有公式来预测统统，期望总结出一些规律，然后通过规律推理演绎出新的规律。
从工业革命开始，理性主义更是成为主流，我们一贯习气于做工程，从“看到齿轮是如何啮合的”从而“理解”事物是如何事情，逐步提高生产力。

不过，上世纪30年代，哥德尔和图灵时期对纯逻辑系统的能力已经有了明确界定，提出了不完备定理，解释纯逻辑系统是不完美的，一定会推导出相互抵牾的结论。
纵然是数学也无法终极证明统统，我们总会面临一些无法证明的事实存在的情形。

之后，我们步入打算时期。
过往的历史中，我们方向于把打算视作一种工具（Tool for human），这个工具以尽可能低的本钱，供应了远低于人类聪慧的赞助功能，带动人类在各个领域实现自己的想法。
自1950年代以来，“逻辑驱动”的人工智能曾主宰很长一段韶光。
彼时，人们相信依据逻辑的程序是大略的，他们认为人工智能不要急着去“学习”——在我们理解了如何表示事物之后，学习就很大略了。
为了抵达智能，科学家们为每个不同问题编写不同程序，纷纭变成“劳动密集型”工种。
但人们低估了现实天下的繁芜度，问题越大，程序越繁芜，越难以细化推导，纯粹基于逻辑是不敷以应对的，这条路进展缓慢。

随着AI打算不断发展，不同的路径开始展现。
在AI发展的早期，最开始基于小规模专家知识逐步发展为基于机器学习的推理。
1980年，卷积神经网络的雏形CNN出身。
1998年，当代卷积神经网络的基本构造LeNet-5出身，机器学习方法由早期基于浅层机器学习的模型，变为了基于深度学习的模型，为自然措辞天生、打算机视觉等领域的深入研究奠定了根本。
2013年，自然措辞处理模型 Word2Vec出身，首次提出将单词转换为向量的“词向量模型”，以便打算机更好地理解和处理文本数据。
2017年，Google颠覆性地提出了基于自把稳力机制的神经网络构造——Transformer架构，奠定了大模型预演习算法架构的根本。
由此开始了本日意义上的大措辞模型的打破式进展。

深度学习作为跨学科产物，摆脱了数理逻辑的束缚，吸纳了生物学思想，不追求阐明和逻辑，以神经网络开启了“暴力美学”大门——它认为智能的实质是在神经网络中学习连接的强度，不焦急去“推理”，在学习完成后，推理自然就来了，打算机从数据中学习、进化，让人工智能变成“数据密集型”学科，终极从运用表现中明显胜出，主导当今人工智能的发展。

“打算”开始成为一种更新、更强大的方法，我们用数十亿页的网页来演习LLM，这样它们就能天生范例的人类所写的文本，海量数据的“打算”开始逐步展现了不可还原性，我们很难用传统大略的人类叙事，或者说数学叙事来阐明或预测一个别系会做什么。
经由深度学习演习的打算机，不再被动按照指令运转，而是像自然界的生命由35亿年前开始进化那样，自主地从履历中学习，并改写着这个天下的角角落落。

人类的生活履历通过代际履历、基因筛选的机制超过韶光通报，而模型可以超过韶光、空间、学科，用海量的打算形成智能，带给我们超过学科壁垒、生命尺度、地理阻隔的全新思考。
将全体天下置于不愿定性之上，以进化呈现来考虑的思维，是打算 AI时期最根本的天下不雅观。

二、超级模型：累积打算的高维形态1.超级模型：凝集打算聪慧

模型是能够沉淀聪慧的打算形态。
模型作为打算的呈现形式之一，授予了打算更强大的生命力和运用范围。
在当下，每次优质的打算输入和输出组成了模型的演习集，沉淀下的聪慧能力表现为数亿参数的高维矩阵模型。

来自于打算的关键元素从量变进入到质变阶段，算力、数据、算法都迎来了新的发展阶段，不朽的打算将带来模型能力的质变：

算力：芯片遵照摩尔定律，正在寻衅当前光刻机的极限，为我们带来了靠近2nm的晶体管密度，这一密度靠近人类大脑的神经元密度；

算法：迎来了Transformer的架构改造，为我们供应了可以容纳更多数据的聪慧框架，因模型架构的能力边界拓展，Scaling Law得以将每次打算的智力沉淀在模型的高维矩阵当中；

数据：互联网经由几十年的发展，将人类的巨量语料完成了数字化，正在供应更多可以用于演习的数据，越来越多的人类生活信息被线上化、数据化，给打算带来更多学习聪慧的素材。

未来，凝集打算聪慧的超级模型将涌现，当前所有模型都是通往超级模型的阶段性形态，当前模型的能力都是未来超级模型的子集。
超级模型的打算能力将会打破当前模型的边界，超级模型的架构将是强大的通用聪慧底座，和垂直领域专家模型的调用：

就底层模型能力而言，参数体量更大的模型、多个专家模型联合调用的利用模式，将会逐渐提升模型的聪慧水平；

就模型的输入而言，多模态会帮助模型理解问题的繁芜性，从而带来更准确的回答，更长的文本输入将会让模型像人一样深度思考问题的前因后果。

超级模型的Prompt输入，将会扩展至对齐人类的认知输入，乃至超越个体思考的输入水平。
只有超级模型的综合能力超越某个个体，模型的聪慧水平和能力边界才会拓展至超越人类的范畴。

模型的学习能力无限靠近于人类的学习能力，但模型的学习速率、信息获取能力因其硬件设备的可扩展性，而远远领先于肉身人类。
如果沿着模型发展的想象力连续推演，硬件根本、软件模型所支撑的“不朽的打算”，将成为我们通向AGI的一种可能路径。

2.多模态：模型的完全感官

多模态能力将是模型的标配，这既是人类拥有聪慧的办法之一，也是人类处理问题的主要模态。
大措辞模型表现出了模型架构的聪慧能力，这种模型架构也正在多模态领域表现出“聪慧呈现”的可能性，Sora正是这样的一个范例，模型可能通过视频学习到直接的物理规律，正如孩子可能通过小车玩具学习到惯性规律。

现实天下的情境常日涉及超出文本的信息，包括多种模态，特殊是视觉方面的信息。
因此，LLM驱动的智能体的下一个进化方向是得到处理和天生多模态信息的能力，这种能力对付这些智能体演化成更加强大的AI实体，镜像人类水平的智能至关主要。
人工智能既须要处理单一模态的能力，也需处理多种模态（如视频或音乐），乃至可以超过不同的模态（如从文本天生图像）的能力。

Transformer 在各个领域都表现出了卓越的缩放特性，包括措辞建模、打算机视觉和图像天生。
OpenAI 的 Sora 便是视觉数据的通用模型，OpenAI 首先将视频压缩到较低维的潜在空间，然后将表示分解为时空 patches，从而将视频转换为 patches。
Sora 既是个扩散模型；给定输入噪声 patches（以及文本提示等调节信息），演习出的模型来预测原始的“干净”patches。
Sora 也是一个扩散 Transformer。

DiT（Diffusion Transformer，扩散模型）让我们看到了Transformer架构在多模态领域扩展的可能性。
沿着这个思路，不同的模态（图片、视频、音频、动作序列等）都有可能通过Transformer架构复合性地组织出对应的天生式大模型。
Transformer在其他领域的延伸，有望带来多个模态内的“聪慧呈现”，从而让我们看到更全面的AI聪慧形态，OpenAI于5月发布的GPT- 4o便是这一聪慧形态的初步表示。

3.天生天下：形成天下模型

在《How we learn》中，Stanislas Dehaene将学习定义为“学习便是形成一个天下模型”，这意味着智能也须要理解我们周围环境并建立一个内部模型来描述它们的能力。
正如OpenAI发布的其演习Sora的动机：“我们正在教AI如何理解和仿照物理天下中的运动，目标是演习出能够帮助人们办理须要与现实天下进行交互的问题的模型。
”毫无疑问，人类的很多智能都与天下建模干系，朝着开拓像人类一样理解天下的更智能的 AI 模型迈进，是目前智能发展的一条紧张道路。

人工智能通过学习形成天下模型，以期在数字天下中可控且可重复地看到在现实中会涌现的结果。
传统的仿真方法须要一点点建模，积累大量工程数据，不断调试算法和方程，去逼近真实，且当涉及到不同主体的相互关系的时候，其繁芜程度在成指数级增长。
而以 OpenAI Sora为代表的一系列运用考试测验，彷佛让人们看到了自学习节制天下模型的可能，对付模型的语义理解，对付相互之间的动力学关系都有了巨大的进展，其天生式能力为我们靠近天下仿照器开辟了可能性。

正如刘慈欣在早期的短篇小说《镜子》中描述的“超弦打算机”的故事：如果用镜象仿照办法为一个鸡蛋建立数学模型，将组成鸡蛋的每一个原子的状态都输入仿照的数据库，当这个模型在打算机中运行时，如果给出的边界条件得当，内存中的那个虚拟鸡蛋就会孵出与现实中的那个鸡蛋孵出的小鸡千篇一律的小鸡来，这便是最空想的天下仿照器。

三、智能体演进：以进化办法1. 人类-人工智能-AGI智能体（1）始于模拟的智能

人类智能的进化经历了数百万年，人工智能的发展只有60多年。
智能是一种征象，乃至是我们可能看到的最繁芜的征象。
对人工智能的探索始于人类的主体性。
制造工具将人类与其他物种显著区分开来，而人有理解自己的强烈动机，探索人工智能，实现 AGI可能是人类在这一能力象限上末了的圣杯。

人工智能最初目标是拥有与人脑相同的功能，但我们不会也没必要对大脑进行完美复制。
真正的问题在于，要试图理解这些基本原则是如何从自然界中提炼出来的，从而辅导我们构建事物。
某种意义上，智能的呈现与生物界的进化相似，进化的聪明难以见告我们进化是怎么做到的，同理智能体的发展和呈现也未必要等我们完备理解人类智能。
在科学没有给出事理帮助我们设计系统之前，我们所能做的便是布局繁芜系统，等待AIGC呈现。
从更高意义上说，深度学习也可以帮我们更好地理解人类自身，它供应了一个全然不同的视角，并正解开这个星球上最为繁芜的奥秘——人类智能的实质。

正如特伦斯·谢诺夫斯基在1989 MIT 讲座上比拟的，在苍蝇只有10万个神经元，重量只有1毫克，花费1毫瓦的能量，但它却能看、飞、自我定位和觅食，乃至可以通过繁殖来进行自我复制。

而超级打算机，须要1亿美元的投资和兆瓦级的能量供应，以及大量的人力来知足它对程序的需求。
只管超级打算机可以与其他打算机互换，但它无法看、飞、交配或自我复制。

（2）作甚智能体

人工智能先驱马文·明斯基早在 38 年前就提出了智能体（Agent）一词，先容了智能体的交互、通信、特性、具身智能等观点。
最初的智能体紧张是符号智能体，还提到了影象的构成、推理链、智能体之间的交互、天下模型等观点。
他在《心智社会》一书中指出，每个智能体本身只能做一些大略的事情，但是如果智能体形成一个社会，就会产生真正的智能。

Legg和 Hutter于 2017年在“Universal Intelligence: A Definition of Machine Intelligence”中提出了智能（intelligence）的定义：认为“智能衡量的是一个代理在各种环境中实现目标的能力”。
同样，在办理问题的智能（Problem-Solving and Intelligence）中，Hambrick、Burgoyne 和 Altmann 认为，办理问题的能力不仅是智能的一个方面或特色，而且是智能的实质。
它不仅仅是书本知识、狭隘的学术技能或应试技巧。
相反，它反响了一种更广泛、更深层次的理解周围环境的能力。
一种“捉住”“理解”事物，或者“构思”应对方法的能力。

AI智能体（AI Agents），是一种能够感知环境、进行决策和实行动作的智能实体。
它们拥有自主性和自适应性，可以依赖AI授予的能力完成特界说务，并在此过程中不断对自我进行完善和改进。
只有当我们能够创造出一个可以疑惑自身现实的系统，进行自我探索，至少能够运用因果演绎来建立一个合理的天下模型时，我们才能真正实现 AGI。

AI Agent 架构包括以下四个设计模式：

反馈（Reflection）：AI模型通过自我反思和迭代改进来提高任务实行能力的方法。
在这种模式中，模型不仅天生初始办理方案，还会通过多次反馈和修正，不断优化其输出。

工具调用（Tool Use）：AI模型通过调用外部工具或库来增强任务实行能力的方法。
在这种模式中，模型并不仅仅依赖于自身的知识和能力，而是利用各种外部资源来完成任务，从而提高效率和准确性。

方案（Planning）：通过提前操持和组织任务步骤来提高效率和准确性的方法。
在这种模式中，模型将繁芜任务分解为多个步骤，并依次实行每个步骤，以达到预期的目标。

多智能体协作（Multiagent Collaboration）：通过多个智能体之间的互助来提高任务实行效率和准确性的方法。
在这种模式中，多个智能体分担任务，并通过相互互换和协作，共同完成繁芜任务。

2.大脑：从神经网络到LLM，作为大脑模型之一的深度学习

小孩从零开始学习措辞，没有人给他的大脑编程，但他却通过不雅观察和履历逐步自己学会了。
大自然中的生物利用了一套与编程完备不同的繁芜体系来办理问题，大脑中有很多神经元和连接，数百亿的神经元之间每时每刻的连接强度都不同，于是人类也考试测验建立一个类似的系统，利用和人脑相似的事理来构建人工智能，这便是“神经网络”，在传统方法以外的分外的机器学习。
深度学习是具有多层的神经网络，作为机器学习的一种，在近期人工智能演进中发挥了重大的浸染。

深度学习只是大脑皮层的一个模型。
从外部看大脑图片时，每每只能仅看到一个表面，但它内部是折叠的，有很多褶皱和波纹。
大脑皮层下面的统统都非常主要，比如身体调控、社会领悟、感情掌握、运动系统、心脏及所有的内脏调节，未来还亟待探索。

（2）大措辞模型 LLM——先求其然，不求其以是然

LLMs是一种基于深度学习的AI模型，它们能够从大量的文本数据中学习和天生自然措辞，例如GPT-4、BERT等。
LLMs的核心是Transformer神经网络构造，它能够捕捉文本中的长间隔依赖和繁芜的语义关系。

所罗门诺夫归纳法是大措辞模型的理论根本，在所罗门诺夫的框架里，知识的进步便是“递促进修”（incremental learning），所有的学习都可被看作是压缩，是用精简的系统概括大量数据的过程。
大脑便是在给单词分配特色，并让特色交互。
神经网络作为一个通用近似器（universal approximator），可以是实现所罗门诺夫归纳法的一个很好的候选机制。
LLM将单词转换为特色，使这些特色相互浸染，并从这些特色交互中预测下一个单词的特色，这些数百万个特色以及它们学习的特色之间数十亿次的交互，便是理解，这是大措辞模型真正做的事情，它们是在用数据拟合一个模型，实现“下个词元预测”（Next Token Prediction）。
、

所谓“有用”便是可以用来预测。
正如何恺明在喷鼻香港中文大学讲座中提到的，可阐明性确实是个很好的属性，但同时我们也要意识到，我们当前系统的成功，紧张是由履历证据驱动或验证的。

3.身体：具身智能革命

大脑紧张卖力慢思维与推理，是智力的核心所在；而小脑则关联着对事物的反应敏感程度，更多涉及身体的折衷与运动的掌握。
深度学习暂时还没有涉及小脑，它是个繁芜的运动掌握器，对付调节进出大脑皮层而后进入周围区域的信息非常主要。
目前我们对模式识别底层机制的理解超过了我们对运动掌握底层机制的理解。
还没有一个机器人有人类身体这样的灵敏度和灵巧性——这是个十分繁芜的问题，涉及大量自由度。

AI让人形机器人拥有新的可能。
“具身智能”观点（Embodied Artificial Intelligence）出身于1950年。
在这一观点下，借助大模型，机器人感知、决策与交互提升，机器人授予大模型现实的物理载体，具备了更强的自主学习能力和环境适应性，以及与真实天下进行交互和学习的潜力。

具身智能强调和追求机器人泛化及大规模运用。
第一，它通过嵌入大模型交互，使机器人能够听懂措辞，理解客户的指示，并让具身智能体到相应的地方进行操作。
第二是构造化的固定环境加上感知垂直大模型，能识别并重修环节，拓宽机器人利用的环境，提高智能化水平。

目前仍有一些问题尚待办理：

（1）如何让机器人的大脑更聪明：现阶段机器人在办理繁芜环境感知、动作天生、机动操作等问题时存在局限性。
目前，一些主流机器人大模型（PaLM-E、RT-1、RT-2、RoboCat、Voxposer等）已经能够在本体High level实行层面上表现出精良的决策、任务拆解、任务方案、知识理解能力，但在数据的来源和low level的任务实行方案上仍有待提高。

（2）Scaling Laws（尺度定律）能否在机器人根本大模型中复现尚没有明确证据，验证大措辞模型Scaling Laws所需的数据体量，在机器人领域是极高的哀求。

（3）具身智能大模型与硬件的领悟、合营问题：人形机器人的整机构造繁芜，仅零部件就超过5000个，从理解指令到实行任务，都是极大的工程量。
具身智能的本体离不开感知系统、驱动系统、末端实行系统、能源供应系统、运算系统。
一方面，其技能的实质是三维空间中的感知与运动，高性能的核心零部件是实现感知与运动的根本；另一方面，掌握器、伺服电机和精密减速器所占本钱（目前占本钱 60-70%）须要进一步降落。
好的产品须要平衡技能和本钱，是一个工程化落地的能力表示。

（4）落地与运用：基于详细场景的领悟打磨与迭代须要韶光，目前效率与本钱仍是问题。
具身智能在构造、驱动、动力等真实能力方面，尚未实现根本性的打破。
个中，行为智能成功本钱，与“行为数据采样学习次数”乘以“每一次演习成功的本钱”得到的结果比较，其比值仍旧远远小于1。

4.生命：解译基因的巨量打算

人类对自身有限性的恐怖，自古以来都有不朽的欲望。
一种是永生不老，一种因此碳基形式复刻大脑与行为办法，实现另一种意义的永生，人类一贯不懈在做着超越有限性的考试测验。

所有生命都利用相同的DNA编码，所有的基因在编码蛋白质时，都利用同一套密码系统来编码氨基酸；所有的生命都利用同一套“能量货币”，叫作三磷酸腺苷ATP。
从人类到变形虫，从蘑菇到细菌，只有少数病毒例外。
生命本身被生物学家看作是一段大自然谱写的程序代码，生命的繁殖，发育和去世亡都是被预先编码的程序代码。
随着人类节制了基因测序技能和基因编辑技能，人类开始破解和改写生命的程序。
但是由于人类对生命程序的破译还处于低级阶段，不能准确理解和预测不同基因，蛋白的效果是当前研发效率低下最实质的缘故原由。

随着人工智能和生物学两个领域各自取得发达发展，两者的交汇也让家当充满愉快和期待——在大规模的生物学数据面前，机器学习技能能够帮助人类破译生命的程序，创造疾病的机制，拥有工程改造生命的能力。

（1）人类基因组操持推动了基因测序行业最先落地

“人类基因组操持”带动了基因测序行业的快速发展，直接匆匆成了2005年NGS二代测序技能和第三代测序技能的发明，将单人基因组测序本钱低落1万倍，从此人类开始获取海量的基因组数据和根本医学的大范围打破。

AI与生命数据的结合除了DNA, 还表现在对蛋白质数据的理解。
2021年，deepmind首次通过AI深度学习演习了蛋白构造预测模型 AlphaFold2并冲破蛋白构造预测领域的精度记录, 随后在2023年进一步预测并开源了地球上100万物种共超2亿蛋白质构造，蛋白质作为生命活动的基石，其干系研究对药物研发、疾病占领、食品工程、农业、工业等领域都有主要影响，2024 年，升级版蛋白构造及交互浸染预测模型——AlphaFold3 问世，连续将预测范围扩展到蛋白质、DNA、RNA以及一系列配体、离子和化学润色等更多生物分子构造，展示了用统一的深度学习架构，来建模繁芜生命系统组件之间相互浸染的可能性，成为“人类理解生物学动态系统历史性的第一步”（ Demis Hassabis，DeepMind CEO）。

（2）基因编辑工具开启了可编程药物时期

在2013年，科学家发明了CRISPR基因编辑技能，就授予科学家这种空前精准的基因编辑能力。
被称为操控基因组的“分子手术刀”， 也开起了可编程药物的时期。
可编程药物是指一类生物学的基本元件（DNA或RNA）的药物，比较于过去的依赖筛选的小分子药物，更加依赖理性设计。

展望未来，这或许也预示着生物医药家当的新药创造模式，将从比拼成功概率的数字游戏，变成更为精准的理性设计。
mRNA疫苗便是一个范例的例子。

（3）以合成生物学为代表的生物经济全面崛起

过去十年间，合成生物学家当上游有关基因测序、基因编辑和基因合成的使能技能的打破，推动了合成生物学新一波的家当浪潮，同时也积累了大量数据，为发展理性设计供应了可行性，天生式算法的发展也让从头全新设计成为可能，合成生物学拥抱各种人工智能已经成为一定趋势。
AI+合成生物代谢工程，便是利用机器学习勾引的高通量代谢功能本钱更低、耗时更少，较传统方法能提高产率，创造样本空间中的全局最优解，可以大大提高研发效率。

在生命科学不同尺度上，一场轰轰烈烈的编解码工程正在有序展开，例如，在基因组层面的各种基因检测做事和基因疗法，在蛋白质组学层面设计的各种人造蛋白质和抗体，在细胞层面的各种CAR-T免疫细胞疗法和干细胞疗法。
在组织器官层面，器官再生让人体4S店的构想也初见曙光，脑科学操持的发展也将帮助人类更好的开拓脑机接口，并且让脑脑接口成为可能，乃至让脑脑接口成为可能。
未来，高度发展的生物科技终将消灭疾病，进而实现人类的终极梦想：寿命的延长，同时合成生物技能将帮助化工家当实现绿色低碳升级。

四、天生未来：模型吃掉天下，智能体成为生产力1.天生式AI带光降盆主体和代价分配革命

数十年来，代码构成的软件生态极大改变了天下的形态，代码组成的软件作为生产力工具，让人类在各种事情的完成效率大幅提升。
但个体产出的效率上限始终受到人类处理信息的带宽上限定约，同时受制于培养一个相对成熟事情个体的本钱。
这些问题都不是纯挚的软件效率工具能够办理的。

比拟互联网时期，网络根本举动步伐的构建供应了最高效的信息传播渠道，因此，互联网重新定义了所有与信息通报和传播渠道干系的商业形态。
在传统商业形态中，加入比特降落信息通报的本钱，新的商业模式得以成立，譬如：电商、社交、内容消费等等。

未来较长一段韶光内，以模型为代表的打算新形态将供应最高效的有限智力天生本钱，因此模型有望重塑所有与人工创作和智力决策的业态。
在已有的业务形式中，加入词元天生，更多繁芜的劳动形式被算力替代。

不同于软件作为生产力工具的形态，大模型的涌现变革性地改变了软件生态过往三十余年的商业代价属性。
大模型本身具有生产力属性。
模型自身就在处理信息并给出对应的答案，这些事情可以在当前替代低阶哀求的人类事情，直接作为生产力环节上的一环。
模型在商业决策、招聘人选判断、新药创造、美术作品交付、视频内容生产等多个流程，直接表现出了替代人工的生产力属性。
在这些垂直领域中，用户得到的商业产品代价中，颠覆性地不再存在人工本钱支出，或者说这一支出在迅速收窄。

昂贵的脑力劳动产物，正在涌现重新定价的可能性。
模型正在成为生产力。
电力、算力是模型作为生产力工具的少数本钱，当模型的聪慧能力表现出更高的问题办理能力，我们将看到诸多商业形态因此发生改变，垂直行业的智力获取本钱大幅降落。

如果说打算的第一个时期是 PC 时期，打算的第二个时期是互联网时期，打算的第三个时期便是 AI 时期。
在每一个时期中，都有一个核心的技能打破和一个核心的经济模式。
在 PC 时期，技能打破是个人打算机，经济模式是软件容许证。
在互联网时期，技能打破是互联网，经济模式是广告和订阅。
在 AI 时期，技能打破是天生式 AI 和 LLM，天生式 AI 作为一种新的经济模式，它将创造的智力本钱险些降落到零。
同时，天生式 AI 也是开放多元去中央化的，任何人都可以访问和利用，这意味着任何人都可以用 AI 来创造出高质量的内容，比如文本、图像、视频、音乐等。
这将极大地提高人类的创造力和效率。
同时，这也将改变内容的代价和分配。
因此，天生式 AI 将带来一场生产主体和代价分配的革命。

2.生活形态改造 ——智能即做事

能源、算力、模型、运用是一个完全的智力产品。
我们生活当中大部分任务和劳动都可以被这样的智力产品来度量。
这里的运用可以是软件工具，也可以是硬件机器人。
供应优质数据来赚取智力货币，在做事中花费智力货币。

在事情领域，认知本钱和创作本钱将不再与人力本钱密切干系，虚拟专家员工，编程、商业策划、工程都可以直接链接到顶级的智力资源，永一直歇、收费极低、商业形态更加丰富。
我们将能依赖各种各样的顶级专家模型，完成高质量的生活、事情决策，降落我们认知的本钱和决策的缺点率。
与此同时，我们也可在自己最善于的领域，贡献出优质的数据集，自己的聪慧以数据的形式被搜集到专家模型和运用的架构当中。

在生活场景，与机器人结合的具身智能产品将涌如今诸多高柔性的做事场景，个人生活的AI助理会带来更全面的数字化做事。
在未来，人们可能拥有一组个人AI团队，这些AI在我们的日常生活中扮演各种角色，利用天生模型的产品并不是依赖单一的大模型，而是多模型系统的协同浸染。
类似于公司做事于客户的办法。
对付繁芜的问题，这些AI团队可能须要联系云真个更大模型来乞助。

3.交互界面升级 ——从理解到互动调配

智能的生产力革命可能带来新的人机交互办法，过去基于触屏的交互设计可能转变为基于AI Agent对话的操作办法。
从传统流量入口的观点来看，不同的Agent可能成为不同垂直领域办理问题的紧张窗口，Agent不应当只具有传统运用的操作功能，而是有能力在各个垂直领域重新调配生产资料和生产力，更深度地耦合供给侧与需求侧。

我们正处于推理能力和交互界面双重转型的中央，将来的设备将不再是大略的信息记录工具，而是成为一种能够全面理解用户意图和环境的智能系统。
这种系统不仅要能捕捉到视觉和听觉信息，还要能够无缝地整合这些信息，以支持更加自然和高效的用户交互。
空间打算将成为继桌面打算、移动打算之后的下一代打算平台。
从 PC电脑的鼠标、键盘的操控交互向智好手机运用的触控交互，到未来集文本、语音和视觉于一体的AI伙伴，能够实现实时理解天下并与之互动。
空想的打算界面正在不断演进，将数字信息和内容无缝地融入到用户的物理空间中，供应更加沉浸式和交互式的体验。

五、超级智能尚未到来，当下机会与路径1. 大模型≠好产品：从沙滩到用户，从阳光到智能

“能源+算力+模型”是标准化的智力做事产品，就像“质料+烹饪+配送”是标准化的外卖做事品。
标准化的智能产品，离不开强有力的模型，但并不虞味着模型是终极AI天下的全部。

模型智能水平的马太效应，决定着未来模型厂商的代价占比。
OpenAI希望看到自己一家独大，模型的智能水平远超其他竞争对手，因此为了更高的智能程度，各种做事商只能依托于唯一一家的模型做事。
这种生态一旦形成，则会给模型公司带来高额的利润空间，但这种一家独大的智能化程度是否真的存在，且短期内难以被其他公司跟进，在当前的模型竞争中看到的更多是你追我赶的齐头并进。

如果上述模型的马太效应并不成立，模型厂商的竞争格局则可能更靠近云做事厂商的形态。

从Scaling Law到精良产品的路也在探索中。
Open AI相信Scaling Law，在持续不断扩充模型体量和演习集大小，我们不断看到更加聪慧的模型作为其迭代的新产品。
尺度模型在不断升级着模型的智能水平，但真正能够有适宜用户利用的AI产品可能并不完备取决于智能程度。
没有从模型的第一性事理回到产品的第一性事理，可能很丢脸到互联网时期的大规模利用产品。
OpenAI正在启动ChatGPT的搜索引擎版本，这也可以看作模型能力正在被考试测验装进一个精良的产品框架。

2.超级模型根本举动步伐：算力，能源

正如Sam Altman所言，如果“智能”足够便宜，我会让AI帮我阅读每一封邮件并给出建议。
但如果“智能”非常昂贵，我们可能只会用AI来治疗癌症。
最好的技能都是“隐形”的，而只有本钱的低落，才能使得“智能”在未来像空气一样随处可得，嵌入到我们事情生活的每个角落。
算力和电力这一组合的供需关系，将会构成打算作为一种商品的实时价格依据。

（1）算力

数据与打算是 AI 的核心资源，它们共同构成了 AI 的根本举动步伐。
模型的本钱是 AI 的主要限定，它影响了 AI 的可用性和可持续性。
在数字化表达天下模型的过程中，算力是推动创新和产生新代价的关键成分。
它能够处理弘大的数据集、开拓繁芜的智能算法，从而孵化出新的商业模式和经济增长点。
由于算力的代价属性、通用性和稀缺性，算力作为一种新型的生产力，逐渐展现出其货币属性。

按照当前的模型参数体量估计，我们须要更多的算力举动步伐来保障超级模型的演习、推理，以确保这种智能作为一种廉价易得的生产要素，可以被广泛运用在不同行业当中。
这种算力举动步伐既可能沿着当前的GPU架构演进，在摩尔定律的约束下达到极限，也有可能在未来几年涌现新的硬件架构办法，为我们降落算力本钱而做事。

（2）能源

能源本钱也是制约AI大规模运用的成分之一，ChatGPT当前的耗电量相称于美国1.7万个家庭的总和，而当前GPT所做事的群体、处理的任务维度还远低于超级模型的极限。
廉价易得的能源仍旧是人类迈向更高生产力层次的必要条件，关于能源革命的故事仍旧会贯穿于智能化升级的提高路线中。

事实上，中美电力用度的差距正在影响中美大模型Token定价策略。
模型推理的优化相对演习更加随意马虎、推理的算力哀求不高、电力本钱中国远低于美国，这三点推理本钱的差异使大模型的价格竞争在中国市场成为可能，而不是发生在美国。
如果单个token的打算是算力货币的根本形式，这种算力货币的定价显然仍存在“中美汇差”。

3.当下运用处景： 平衡模型能力和场景需求

AI 的发展是一个驱动力和反馈力之间的循环过程。
驱动力是指 AI 的需求和潜力，它匆匆使我们不断地提高 AI 的性能和功能。
反馈力是指 AI 的效果和代价，它匆匆使我们不断地增加 AI 的利用和运用。

新的运用，不一定要等到人工智能（AGI）的涌现，现在已经能看到人工智能运用采取的开端。
比如人工智能的根本模型（如大型措辞模型）可以降落创造的边际本钱，从而催生出新的行为和运用。

AI 的早期运用处景至关主要，某种程度上决定了 AI 的发展和创新。
AI 的早期运用处景常日面临着一个主要的问题，便是如何在创造力和精确性之间取舍。
创造力是指 AI 能够天生出新颖和有趣的内容，精确性是指 AI 能够天生出准确和合理的内容。
创造力和精确性之间的取舍取决于运用处景的目标和风险。
如果运用处景的目标是为了娱乐或探索，那么创造力可能更主要。
如果运用处景的目标是为理解决或改进，那么精确性可能更主要。
如果运用处景的风险是较低或可控的，那么创造力可能更可接管，由于它可以供应更多的考试测验和机会。
如果运用处景的风险是较高或不可控的，那么精确性可能更必要，由于它可以供应更多的保障和安全。
目前九合重点关注当下能够利用好天生式AI能力，拓展创造边界的运用处景，如美术，游戏，视频天生，情绪陪伴等领域。

一流科技

一流科技创立于2017年1月，始终立足于通用性深度学习标准框架的研发和推广利用，力争成为人工智能深度学习框架产品的引领者和事实工业标准。
一流科技研发的分布式深度学习框架 OneFlow，创始了自动数据模型稠浊并行、静态调度、去中央化和全链路异步流式实行四大核心技能，彻底办理了大数据、大模型、大打算所带来的异构集群分布式扩展寻衅，技能水平天下领先。
九合创投作为第一轮投资人，在2017年投资了一流科技。

彩云科技

彩云科技业务涵盖景象预报、机器翻译和智能写作，持续致力于发展具有高阶认知能力的人工智能，提升人类感知环境、相互互换和与AI沟通的能力，并将之授予环球用户和开拓者。
公司基于大规模措辞模型自主研发了AI创尴尬刁难象“彩云小梦”，AI续写的同时极大程度保留作者的创作空间，在中英文的措辞逻辑和内容质量上都得到了海内外用户和算法评估的高度赞誉。

心影随形

AI 情绪陪伴是一个公认具有想象力的 Killer APP 方向。
心影随形选择从游戏陪伴和年轻人群切入，推出「逗逗游戏伙伴」。
游戏是一个感情浓度很高的半封闭情景，用户情绪抒发和得到回应的需求未被知足，是 AI 情绪陪伴的最佳切口。
「逗逗游戏伙伴」得到用户授权的屏幕内容，用措辞模型和CV理解内容，实现物理和心灵同频。

赋之科技

赋之科技团队成员在机器人行业深耕多年，拥有丰富的消费级机器人产品开拓设计和产品化履历，行业资源深厚。
公司目前约75%为研发职员，在售的Enabot品牌产品远销海内外160多个国家和地区，环球用户超过50万，逐日做事万千家庭。
公司坚持用户第一，追求极致，以“做有温度的科技企业，做事千万家庭”为愿景，致力于通过前辈的机器人技能和产品帮助家庭管理，促进家人沟通，提升家庭幸福感。

行者AI

行者AI是国家高新技能企业，拥有60余项发明专利、20余项软件著作权和SCI论文。
秉承以AI技能赋能聪慧文娱、聪慧教诲行业的愿景，凭借核心团队10年以上研发实力和行业履历，推出行者AI数字文娱垂类大模型、AI+美术、AI+音乐、AI+智能体、AI+安全等产品与办理方案。
产品已在文娱、教诲、政务等场景运用，范例客户包括掌趣科技、米哈游、盛大游戏、360游戏、自贡文旅、成都博物馆、四川省广电、上海交大、成都七中、元气森林等。

CreativeFitting

CreativeFitting（井英科技）位居海内AI视频模型行业的前沿，创始人为美国上市连续成功创业者，拥有十余年互联网内容型产品运营和增长的履历，从0到1成功构建并运营过千万级内容平台。
CreativeFitting致力于自研AI视频模型天生高质量内容，从天生广告短视频到AI短剧，天生视频的质量都达到行业领先级效果。
2024年1月，公司发布了环球首款AI短剧运用，用户不雅观看视频时，还可以与剧中人物进行谈天互动，为用户开启了全新的想象力领域。

Noetix Robotics

Noetix Robotics 是一家专注于人形机器人研发与制造的科技公司，于2023年9月成立于北京。
公司核心创始职员来自于清华大学与中科院等多所有名院校。
公司致力于通用人工智能本体、机器人仿生，以及具身操作系统等多个方向的研发，实现高力矩密度、高动态相应、高精度力控等特点。
目前公司紧张专注于下一代智能家庭人形机器人终端研发、生产与制造，聚焦于To B、To C端家庭、教诲、养老等运用处景。

徕福机器人

徕福机器人成立于2023年，致力于成为环球领先的智能家庭做事机器人、定义未来家庭的智能生活新办法。
徕福的技能聚焦于超强运动性能的轮足底盘，能够高下楼梯、步态展示。
首款产品主打3-12岁的儿童陪伴与家庭陪护，型态为多模态类人交互机器人，具备数字孪生监护、教诲娱乐与生命日志等多种功能。

尧唐生物

尧唐生物是海内罕见的同时拥有工业级LNP能力和碱基编辑器原研能力的团队，目前公司首个体内基因编辑药物管线已经完成毒理药理研究，大动物试验结果已初步显示了YOLT-201的安全性和有效性，单次给药的体内编辑效率做到了同类最优，具备best-in-class的潜力。
尧唐生物已经于近期向国家药监局递交了YOLT-201的IND报告文件，有望开启中国首个基于mRNA-LNP递送的体内基因编辑药物的注册临床试验。

诺视科技

诺视科技致力于研发商业化Micro-LED显示芯片技能，在微显示领域为客户供应最佳办理方案，拥有海内首个深度领悟集成电路制造工艺和Micro-LED芯片工艺的团队，公司以VSP技能打破微显示领域像素难以小型化的物理限定，打造高性能的微显示芯片，以IDM模式从产品设计、研发、生产制造，到封装测试实现完备自主可控。
该技能方案不仅在芯片小型化、高亮度、低功耗方面有着极佳的表现，而且具有极高的量产可行性，有望成为Micro-LED家当化的终极方案。

一九象限

一九象限聚焦下一代移动打算平台AR芯片及办理方案开拓和交付。
产品覆盖不同档位的AR/MR运用处景，填补XR领域一体化高集成SoC短缺的空缺。
团队全部来自海内顶级半导体设计公司，在行业持续近20年积累，具备丰富的从需求到量产全流程的前辈半导体技能研发和量产交付能力。
公司聚焦未来产品需求，通过多领域底层核心技能的自研打破，持续提升芯片及办理方案竞争力，帮助行业整机客户快速提升产品竞争力，造诣客户商业成功。

中科昊芯

中科昊芯是数字旗子暗记处理器领先企业，作为中国科学院科技成果转化企业，公司在环球范围内首创性的利用 RISC-V指令集进行数字旗子暗记处理器 DSP 的设计研发，办理了海内 DSP市场困扰多年的运用生态和知识产权难题。
公司率先量产环球首款RISC-V DSP并推出 HX2000系列数字旗子暗记处理器产品，可广泛运用于工业掌握及电机驱动、光伏及储能、新能源汽车、数字电源、消费电子、白色家电等浩瀚领域，该系列十余款芯片已流片，多款型号实现量产并批量供货数百万片。

微核芯

微核芯从事RISC-V高性能处理器芯片的研发和发卖，核心技能覆盖高性能处理器芯片的系统架构设计、物理设计、前辈工艺、根本软件等紧张领域，是当前海内少有的具备做事器级高性能RISC-V处理器完全研发能力的企业，已与多家互联网头部企业在数据中央做事器领域开展正式的商业互助。
公司创始人是中科院打算所龙芯团队的核心创始成员，在高性能处理器领域拥有超过20年研发、量产和市场推广履历。

芯算科技

芯算科技成立于2023年9月，是国内外光子打算领军者，致力于打造下一代更快更强的新型智能打算根本举动步伐。
环球创始高维光学神经网络架构，核心技能绝对自主可控，以光子打算为抓手，推进光打算和光通信的有效领悟，做全面自主的光芯片。
公司的一代产品估量于24年Q3发布，拥有光打算行业最强的性能指标，贯穿全场景AI智能打算运用。

（编辑：Founder Park研究中央 李亚静）