上海近 40 度的高溫，並沒有阻止人們參會的熱情——相反，7 月 4 日于上海舉辦的 2024 年世界人工智能大會暨人工智能全球治理高級別會議，比去年更爲火爆了。

上午的會場短暫對外關閉了一段時間，但正式開放後，在筆者參加的幾個論壇現場，幾乎都座無虛席、不少觀衆都站著聽演講。

「就是一個火爆。」一位現場工作人員說。據極客公園了解，僅今天一天，此次大會的曝光量就有超過去年總和的趨勢。

大會第一天，19 場論壇、數百位 AI 圈最矚目的學術界、産業界代表展開了密集的討論。可無論是圖靈獎得主、科技公司一把手、還是展台前被 AI 裹挾的普通人，又都在說同一件事——AI 應用如何落地。

這裏沒有「大模型顛覆世界」的誇誇其談，也沒有「AI 應用落地不及預期」的斷言，聊的都是：當下、今天，如何摘取大模型的果實。就著大模型「木桶效應」的最短板，怎麽做出今天能用得上、用得好的 AI 應用。Transformer 和 Scaling Law 未必通向 AGI，但一個 LUI（自然語言交互）的新世界已經在日常生活的方方面面徐徐展開。

大會的議程設置往往反映了行業的普遍趨勢。除了大模型之外，具身智能、機器人、芯片等領域也延續了去年大會的熱度——但有所不同的是，據極客公園了解，如果說去年自動駕駛並不是大會焦點，那麽今年這個領域又重新回到視野中央。而這離不開特斯拉 FSD V12 帶火的自動駕駛新技術範式。

論壇上，多位 AI 行業大咖都表達了自己的思考，從中可以一窺行業目前的大趨勢。極客公園整理了其中的精華觀點，Enjoy。

周伯文-上海人工智能實驗室主任、銜遠科技創始人 對 AI 安全的投入遠落後于 AI 性能的投入

目前，從算法研究、人才密集度、商業驅動力、甚至包括算力的投入等方面來看，我們對 AI 安全的投入遠遠落後于對 AI 性能的投入。現在，世界上只有 1% 的（資源）投入在對齊或者安全考量上。

姚期智-圖靈獎得主、中國科學院院士、清華大學交叉信息研究院院長 控制好 AI，但又不能破壞它

AI 風險來自于三個方面：一是網絡風險延伸和擴大。現在，我們覺得管理數據安全已經是很困難的，出現了 AI 會困難 100 倍。二是沒有意識到的社會風險，比如說 AI 非常強大，而且是可以有很多方式去使用，所以顛覆現在社會結構在短時間內發生的可能性，這是存在的。比如說有人提到，AI 可能帶來大規模未來的失業。三是最有意思的層面，生存或者存在的風險。以前也面臨過，當火車或者蒸汽機發明的時候，就有人有這樣的擔憂。

作爲計算機科學家看到了最有深度的問題，一方面我們把 AI 控制好，畢竟這是我們設計出來的；另外一方面，也不希望它被我們給破壞了，這樣權衡是非常困難的。正如圖靈所說，這是無法預測的，預測不了機器有了足夠算力之後會做什麽。

李彥宏-百度創始人、董事長兼首席執行官 我們要避免掉入「超級應用陷阱」

一定要出現一個 DAU10 億的 APP 才叫成功，這是移動時代的思維邏輯。其實不一定，AI 時代，「超級能幹」的應用比只看 DAU 的「超級應用」恐怕要更重要，只要對産業、應用場景能産生大的增益，整體價值就比移動互聯網要大多了。

智能體是最看好的 AI 應用方向，搜索是智能體分發的最大入口

熱衷于「用 AI 寫一個作文能得多少分」，其實這個使用價值是不大的，人家不會讓你帶一個大模型去參加高考。但是真正的需求是，大量的考生在考完之後要報志願、要選擇學校、選擇專業，他們對一所大學、一個專業，會有各種各樣的問題，而每一個考生的情況又是不一樣的，這時候就需要有一個智能體來回答每一個考生專有的問題。

制作一個好的智能體通常並不需要編碼，只要用人話把智能體的工作流說清楚，再配上專有的知識庫，一般就是一個很有價值的智能體，這比互聯網時代制作一個網頁還要簡單。

未來，將會形成龐大的智能體生態，而搜索是智能體分發的最大入口。

開源模型在特定場景有價值，但並不適用于大多數應用場景

開源大模型在學術研究、教學領域等特定場景下有存在的價值，但並不適用于大多數應用場景。在激烈競爭的環境中，需要讓業務效率比同行更高、成本比同行更低時，商業化的閉源模型是最能打的。

（業界可能會）混淆模型開源和代碼開源這兩個概念。模型開源，你拿到的是一大堆參數，還是要去做 SFT，還是要去做安全對齊。你不知道這些參數是怎麽來的，是無法做到衆人拾柴火焰高的，即使拿到對應的源代碼，也不知道他用了多少數據、用了什麽比例的數據去訓練這些參數。所以拿到這些東西，並不能夠讓你站在巨人的肩膀上去叠代和開發。

傅盛-獵豹移動董事長兼 CEO，獵戶星空董事長 智能湧現，是一個灰盒狀態

今天我們講的生成式人工智能，是不是人工智能核心的道路？按照這條道路走，是不是能夠創造通用人工智能？還是說也會有別的路線？

今天業界、學術界有不同的看法，認爲仿人類的智能、仿人類的框架才能真正發現智慧的過程。因爲今天的生成式人工智能，我們叫智能湧現，其實對中間的原理並不是特別清楚，是一個灰盒狀態。

智能的湧現，可能是多條路線的。對于我們創業者來說，今天看到了這一波人工智能帶來的巨大的生産力變革，就應該是堅定地投入。在人工智能技術構建上，去完成一系列産業變革。

安德雷斯·韋思岸（Andreas Weigend）-社交數據實驗室創始人、亞馬遜前首席科學家 人和 AI 不一樣在于：好奇心和審美

到底推動人們發展的是什麽？我們和 AI 不一樣的地方在哪裏呢？我有一個想法，那就是好奇心。

我還想再加一句，上周世界上最好的交響樂團——愛樂樂團來到了上海進行表演，他們演奏的音樂會特別棒。這個時候已經不是好奇心讓人類療愈人類了，而是欣賞、審美、熱愛。

王堅-中國工程院院士、之江實驗室主任、阿裏雲創始人 GPT 的潛力還沒有被完整地探索

80 年代初，發明了人工智能這個詞的十個人之一——赫本山姆（Herbert A. Simon）跟我們講，人工智能是未來。你想一個大學生被講了以後，可以想象是多麽熱血。但等了幾十年，（人工智能）也沒有來。所以很多問題的探討，困難要超出我們想象。

但這一次可以說，人工智能是有別于過去的人工智能。不好說它是不是通用人工智能，但是它一定跟過去五六十年是不一樣的。

General Intelligence 被翻譯成通用人工智能，我個人覺得有一點點混淆，翻譯成普通人工智能會更加確切，它是一個最最基本的東西，而不是從通用不通用的這個角度來講。

人工智能的機會屬于誰？

（考慮到大模型所需要的算力、算法、數據門檻，）人工智能對大公司會友好一點，但是友好並不意味著寬容，一定會有新的大公司出現，也一定會有大公司烈火重生。大企業（可能）會覺得 AI 是工具的革命，小企業一定會覺得這是革命的工具。我想大企業也要意識到這是革命的工具，那這個變化就來了。

張平安-華爲常務董事、華爲雲 CEO AI 創新，離不開「在雲端釋放算力需求」的創新

中國的 AI 發展，離不開算力基礎設施創新。這條 AI 創新道路，包括把端側硬件 AI 算力的需求，釋放到雲端。就像華爲手機的拍照功能已經可以把圖片呈現得逼真、有豐富的細節，但如果把圖片處理放在雲端計算，圖片會更立體清晰，像單反一樣，（像所展示的這張圖片裏）螞蟻絨毛清晰可見。

在雲端，通過雲網端芯架構上的協同創新，來構建可持續發展的 AI 算力基礎，包括芯端算力上雲、面向 AI 的網絡架構升級、雲基礎設施系統架構創新三個方面。

井賢棟-螞蟻集團董事長兼 CEO 大模型落地三大難

業界普遍認爲，通用大模型落地嚴謹産業，面臨著三個「能力短板」：領域知識相對缺乏、複雜決策難以勝任，以及對話交互不等于有效協同。

通過專業智能體的深度連接，AI 會像互聯網一樣帶來服務的代際升級

爲了破解這些難題，專業智能體是通用大模型落地嚴謹産業的有效路徑。通過專業智能體的深度連接，Al 會像互聯網一樣，帶來服務的代際升級。（在移動互聯網時代 APP 小程序是服務載體，未來是要往專業智能體方向推進。）

未來智能化的用戶體驗，一定不是只靠一個大模型，而是需要全行業深度協作，需要很多的專業智能體共同參與、各司其職。螞蟻堅持走開放道路，和行業共建專業智能體生態。

徐立-商湯科技董事長兼 CEO 應用是 AI「超級時刻」的關鍵

我一直的觀點是其實雖然我們的行業非常的熱，包括像 GPT 帶來的聊天式的應用，Sora 帶來的視頻應用，但它還沒有到「超級時刻」，是因爲它沒有真正走進到一個行業垂直應用當中、引起廣泛的變化。

可是這兩天，我忽然感覺有點變化的想法。因爲我的中學的退休的老師不停的在群裏面問我，怎麽樣用人工智能去寫文案、生成祝福的圖片，發到他的退休群裏等等。

我突然想，其實超級時刻和應用是互相成就的。只有超級時刻帶來的認知的變化，最後才能推動應用。倒推回來，如果我們有應用作支撐，那麽我們現在這個時刻就是「超級時刻」。所以，應用是「超級時刻」的關鍵。

走向廣泛應用的三大突破點：高質量數據、流暢的交互、可控性

如果要推動人工智能超級時刻的到來，需要大模型可以展現出卓越的深度思考的能力。那麽合成的人工數據，特別是高級思維的數據非常重要。所以越是有應用的場景，才能形成更好的、高質量的數據。

第二，自然的沒有延遲的交互。端側其實也是一個非常重要的突破點，推動模型的端側優化，實時的交互變化會更加流暢。用好端和雲兩部分的計算機資源，才能夠成爲一種全自然的交互模式。

第三，所有的生成都要可控，你不需要做得很好，但你需要知道你哪裏做得不好，並且說做哪裏進行一些修改，有了這樣的一個邊界，那麽實際上才能做到真正的可控技術以及可持續的技術發展。

孟樸-高通公司中國區董事長 終端與雲端的緊密結合，將成爲推動生成式 AI 規模化擴展、加速數字化轉型的關鍵

雖然當前生成式 AI 的研發和應用主要集中在雲端，並且雲計算仍將發揮重要作用，但如果將 20% 的生成式 AI 工作負載轉移到終端側，預計到 2028 年將節省 160 億美元的計算資源成本。

這種終端與雲端的緊密結合，將成爲推動生成式 AI 規模化擴展、加速數字化轉型的關鍵所在。同時，爲了推動生成式 AI 的廣泛應用，我們也需要將其能力延伸到日常使用的智能設備上，如智能手機、移動 PC 和智能網聯汽車等。

實現生成式 AI 在終端上的落地，需要在終端側打造高性能 AI 處理器；還需要對生成式 AI 模型進行訓練優化，使其體量越來越小，效率越來越高。

IDC 預測，預計 2027 年中國新一代 AI 手機出貨量將達到 1.5 億台，市場份額將超過 50%。在 PC 方面，咨詢公司預計 AI PC 的滲透率將從 2024 年的 2% 上升到 2028 年的 65%。

闫俊傑-MiniMax 創始人兼 CEO 應用的關鍵是，要降低模型錯誤率

我覺得目前大模型最核心的問題是，錯誤率還是比較高的。比如 GPT4 在很多測試指標上，正確率只有 60%、70%，也就是有 30%、40% 的錯誤率。國內的模型整體有 60% 到 70% 的錯誤率。

爲什麽大模型的産品都是一個對話的形式？因爲對話的容錯率比較高。爲什麽它不能成爲一個獨立的 Agent？是因爲如果是個 Agent，需要進行多步、錯誤率就更高，就沒有辦法用。

所以我覺得最核心的問題是，怎麽把大模型的錯誤率從 30%、40%，降到 3%、4%、或者 2%。AI 從一個輔助人類的工具到能獨立完成工作的最核心標志，就是錯誤率整體的降低。這對于更大的社會價值是至關重要的。

提升模型正確率的關鍵路徑

比如爲什麽我們要做合成數據？比如爲什麽我們在不停提高訓練的效率？比如我們爲什麽要研究新型的、比 Transformer 更好的網絡結構？比如說我們爲什麽要研究各種各樣的算法？比如說爲什麽要做更好的對齊……所有這些事都是圍繞著怎麽把這些技術加在一起、或者乘在一起，能夠讓我們半年或一年之後，有一個錯誤率個位數的模型。

大模型降價是一件好事

我覺得大模型的價格持續走低整體來說，是一個非常正向的事。因爲它本來就應該降低。同時它降低的同時，效果就應該更好。

但是對于大模型企業來說，價格降低的好處是你可以有更多的用戶、有更多在線的用戶使用時長、有更多的流量，産生更大的價值，更多是基于這種流量價值來找到一種好的商業模式。

張鵬-智譜 AI 首席執行官 大模型的核心突破是多模態

我們現在有一個很重要的點是去突破大模型的多模態。爲什麽要多模態？是因爲真正的人在現實世界中解決問題的時候，他需要的、輸入的信息本身就是多模態的。

除了自然語言以外，還有視覺、聽覺、觸覺，還有常識，所有這些需要綜合起來，才能解決現實世界中很多常見的問題。

大模型降價不能長久

價格的下降是因爲技術驅動，因爲本身技術越來越好，成本越來越低、價格持續走低。但是這個事情過度就不好，真正的價值應該是逐級去做的。

我們給大家提供更優質的服務，大家能夠用這個服務創造更大的價值，然後我們創造這一部分價值應該反向再傳遞回來，大家各自得到自己價值的部分，這是一個正常合理的市場的價值鏈。從這個角度來說，降價這種事是不長久的。

應用落地，順著大模型最本質的變化——認知能力和泛化能力

過去一些 AI 的方法，比如說人臉識別，它已經可以在指標級上超過人類的水平了，爲什麽大家覺得這不是我們 AI 的終極答案呢？

比如說感知時代的 AI，能夠産生實際的效能，但是它是受限的，泛用性不夠、成本太高、需要垂直化去做很多事情、ROI 算不平。

而大模型帶來了全新的能力，我們稱它爲「類人」的認知能力，讓機器能夠像人一樣去思考。並不是讓機器成爲一個機器、一個工具，而是讓機器像人一樣去思考，思考這個能力所帶來的效能提升是更重要的。

今天我們希望通過「讓機器思考」演進的方向去賦能實體經濟，大模型能夠提供泛用化的能力，解決一系列的場景和應用需求，從而來解決成本和收益平衡的問題，這是它本質的特點。

所以一定要從這個方向去思考，我們怎麽去用新一代生成式 AI 和大模型的技術賦能實體經濟。要構建更通用、更基礎的一個能力，去解決多項的問題。這個過程中，模型本身的能力水平是最核心的。