外滩大会上，我们看到了人工智能五年后的样子

在一些悲观者看来，人工智能的发展似乎变慢了。

2022 年底，ChatGPT 发布，五天用户注册超过百万，两个月后月活用户超过 1 亿，以此为起点，几乎每家科技大公司都卷入这场生成式 AI 的风暴当中，几乎每个科技创业者也都试图寻找起飞的机会，半年融资两轮、一年估值破 10 亿美元的 “黄金时代” 似乎又回来了，a16z 创始人 Marc Andreessen 2011 年提出「软件在蚕食世界」（Software is eating the world），在 2023 年，大家谈论的话题变成了「人工智能蚕食世界」（AI is eating the world）。

然而，等到 2024 年，世界似乎依然是那个世界，我们的日常生活几乎没有因为人工智能发生任何变化，应用层面的 “iPhone 时刻” 始终只出现在各类演讲里，而非我们的手头上。

在技术端，大模型本身的能力也出现了诸多问题，GPT 5.0 迟迟未能发布，这让大家疑惑 Scaling Law 曲线是否正在放缓，进而质疑 Transformer 架构本身的潜力；大模型的「幻觉问题」也始终影响应用层面的落地，甚至有论文认为经过校准的语言模型必然会出现幻觉，与数据质量或者算法架构本身无关 —— 换言之，这几乎是个不可能解决的问题。

乐观者则认为，这些只是当技术爆炸真正进入日常世界时候，必然出现的缓冲期。

技术爆发时候，我们往往过于兴奋，以为未来正加速到来，不过，世界本身有自己的运作规律，需要基础设施来承接，需要应用层面来落地，甚至需要法律、道德和伦理层面做好更多准备。在外滩大会上，他们为自己的乐观能够找到充足的理由。

九月初，外滩大会在上海举办，上海黄浦世博园区也成了看见 AI 未来趋势的最重要窗口。有人在讨论它是否能够疏解孤独，也有人在讨论能否帮助缓解全球变暖，在展区里，依然有着众多带着创造力的人，来展示他们用 AI 设想的未来。我们对 AI 的悲观或者乐观，背后都隐含着我们对它的期待。

每个问题都是 AI 继续进化的契机。在外滩大会上，我们能够看到人工智能依然在发展，在论坛的讨论里，在每个展厅里，我们能够看到五年后 AI 的样貌。

「算力军备竞赛」可能不会结束， 但平衡成本和提升效率越发重要

2020 年，OpenAI 在一篇论文里提出 Scaling law，大意是大模型的性能与模型的具体结构 —— 深度、宽度和层数 —— 基本无关，主要由计算量、模型参数量和训练数据量三者的大小有关。

这一论断被称为 AI 领域的「摩尔定律」，也因为 OpenAI 的成功而成了很多从业者信奉的圭臬。在这一信念指引下，大模型的发展向着大算力、大参数和大数据的方向发展。先前的 AI 发展主要基于对各类模型的优化，而 Scaling Law 代表着一种新的范式：倘若有足够大的算力和数据，我们便能够解决人工智能发展的问题。

算力军备竞赛也由此开始。李飞飞团队新近发布的《人工智能指数报告》显示，最新人工智能模型的训练成本已经达到历史新高。GPT-4 的训练过程耗费了约 7800 万美元的计算资源，谷歌的 Gemini Ultra 模型的训练成本更是高达 1.91 亿美元。微软也启动「星际之门」超级计算机计划，预计投资将达到 1150 亿美元，而谷歌也迅速表示将在算力方面有更慷慨的投资。

烽火燃不息，倘若我们想要发展更好的大模型，在技术上继续有所突破，那么这场军备竞赛便不可能结束。不过，倘若目标是应用落地和商业闭环，那么落地部署的效率和成本与技术本身一样重要。于是，优化算力效率，提高数据质量，成了各个企业关注的焦点。

企业需要关注如何通过技术创新来实现算力的经济实用，以在不牺牲性能的情况下，控制投入成本，而异构计算是实现这一目标的关键技术之一。

异构计算是一种将不同类型和架构的计算单元，如 CPU、GPU、DSP、ASIC、FPGA 等，整合到一个系统中以提高计算性能和能效的技术，能够同时处理多种类型的计算任务，如图形处理、科学计算和 AI 推理，这使得它们非常适合现代数据中心和 AI 应用的需求。

异构计算优势明显。它可以协同多种计算单元，显著提高处理速度和系统吞吐量，尤其适用于大规模并行计算任务，并能将任务分配给最适合的计算单元执行，可以优化能源利用效率，降低数据中心的能耗。同时，异构计算支持灵活的硬件配置和软件编程，能够根据需求轻松扩展系统能力，开发者也能够根据算法需求选择最合适的硬件平台。

未来五年，异构计算需要逐步解决现有的问题，才能走向普及。异构计算需要开发者具备跨平台的编程和优化技能，缺乏统一的编程框架和标准，增加了开发难度，导致开发效率受限。此外，虽然长期来看成本更低，但初期硬件投资和研发成本相比现有成熟方案依然很高，需要大公司率先投入，促进应用。

比起大模型，小模型更可能诞生「大应用」

大约十五年前，移动互联网开始繁荣，也迎来了创业的黄金时代。与之相比，AI 时代创业更加艰难，首先因为成本更高，需要算力、数据、电力等外界条件，训练大模型所需要的资金，几乎没有草根创业者能够负担。在大模型领域，很可能会出现「赢家通吃」，最终只剩下几个主要的模型厂商。

不过，AI 是个庞大的生态，在算法、算力、数据和系统等领域都有着大量机会。

在外滩大会上，一个被讨论很多的机会是数据服务商。AI 大模型的性能在很大程度上取决于训练数据的规模和质量。数据数量的增加可以提供更多的样本，使模型能够学习到更多的特征和模式。如今 AI 发展的重要瓶颈，是现实世界的数据接近枯竭，而合成数据依然存在着很多问题，比如无法反映物理世界的复杂情况等。

于是，一批新型的数据服务商便可能成为 AI 时代的「卖水人」。它需要以更高的效率完成包括数据清洗、数据标注、数据整合和数据安全措施等方面的工作，确保数据的来源可靠、处理过程透明和结果可验证。高质量的数据为 AI 模型提供学习的基础，从而形成数据飞轮，推动其不断进化和改进。

更大的创业机会在应用端，尤其是在行业领域。不过，通往行业落地的大门可能并非大模型，而是小模型 / 端侧模型。

严格来说，「小模型」与「端侧模型」并不等同。小模型通常指的是参数规模远少于 GPT-3 或 Llama-13B 的大语言模型，如 1.5B、3B、7B 等；「端智能」则指的是部署在手机、电脑等用户设备上的模型，通常计算资源受限，无法直接运行大模型，于是也要特别设计新的模型。二者目标不同，不过终端设备能够流畅运行的，往往都是小模型，因此存在很多重合，我们也不做细致的区分。

小模型虽然参数规模小，不过往往专注于某一领域和任务的设计和优化，在这些方面可以达到甚至超过大模型的性能，如 Mistral-7B 模型在某些基准测试中超越了参数量更大的模型，显示出小模型在特定任务上的优势。

因为算力和能源消耗低，小模型更适合落地应用。在端侧，苹果在 iPhone 上使用的 DCLM 模型参数量为 70 亿。傅盛也曾提到，企业专用模型大概只需要百亿参数 —— 作为对比，GPT 4 的参数量高达 1.7 万亿。

小模型的发展将带来端智能的普及，未来五年率先落地的可能是一批「博士」水平的专业 AI。外滩大会上已经能看到不少很有潜质的产品雏形，涉及医疗、能源、教育等领域。借助这些专门化的 AI 工具，企业可以更容易地将 AI 技术集合到业务流程中，在行业中落地应用。

行业侧的落地应用也将有助于 AI 本身的进化。各个领域存在大量数据，在利用 AI 优化决策、提高效率的同时，AI 也能获得更高质量的数据，模型和算法也会不断演进与改变，从而推动整个人工智能领域的发展与成熟。

端智能可能是大模型的终局，但手机智能未必是

如今提到端侧模型，往往指的是手机，因为这是我们随手可触及的算力最强的设备，不过，手机可能只是端智能的过渡阶段。

手机智能的瓶颈很明显，首先是算力不足，但更重要的可能是内存不足。相比云端服务器，手机等设备的内存容量和存储空间都要小很多，但即便是小模型依然需要占用大量空间。

内存之外，能源和功耗问题也是一个问题。AI 计算过程功耗巨大，很容易导致电池电量不足，设备发热，甚至影响系统总体稳定性。

现在的解决方案一方面是提升手机性能，一方面则是设计更小的模型，以确保在有限的内存、算力、功耗限制下高效运行，如苹果便从 0 构建了专门的小模型，而非对现有的大模型来裁剪。

不过，长期来看，或许我们会有新的 AI Agent，成为人工智能时代下的新型终端形态。

我们期待的 AI Agent 并非简单地执行指令，而更像是具身智能理念在人工智能领域的具体体现，具有更高级别的自主性和智能，是能够在环境中自主行动、感知并做出决策的智能实体。

这意味着，AI Agent 不仅能够处理虚拟任务，还能够在物理世界中执行动作，提供更加丰富和直观的用户体验。这种结合也推动了人工智能在多个领域的创新应用，如自动驾驶汽车、智能家居、工业自动化等。

我们与 AI Agent 的交互方式也将发生新的变化。从早期的机器语言到图形用户界面（GUI）、手势控制，再到现在的全模态自然语言交互，人机交互的方式不断演进。全模态交互意味着机器可以通过多种方式（如语音、视觉、触觉等）理解和响应人类的指令，使得交互更加自然和直观。

随着交互方式的演进，机器不再仅仅是工具，而是能够提供陪伴、协助和情感支持的伙伴；应用入口也不再局限于传统的操作系统或应用程序界面，而是可以通过多种设备和场景进行交互。

这或许不会在 5 年的时间里发生，不过三到五年之后，更多人会拥有可以支持端侧模型的手机，一批 AI 应用也将全面落地，AI 也将真正跨越鸿沟，走向生活。在这之后，新型终端形态也将走出原型阶段，拥有早期使用者，为进一步普及打下基础。

结语

在瓦特之前半个世纪，蒸汽机技术和相关理论已经成熟，然而瓦特让蒸汽机终于能够在生产中使用，并且将它推广到了市场上。即便如此，又过了近半个世纪，蒸汽机在纺织厂普及，蒸汽轮船也开始成为河运主力，蒸汽机才真正「蚕食世界」。

当下时代，技术传播与发展的时间周期大大缩短，但我们依然需要经历每个阶段。过去两年里，我们见证了 AI 技术的爆发，未来五年，或许正式找到属于 AI 的纺织厂和蒸汽轮船的时候。

iPhone 在美国诞生，不过移动互联网最繁荣的市场之一是中国。或许未来五年，我们也能看到更多 AI 应用和场景的爆发，形成繁荣的中国 AI 应用生态。

文章来源“机器之心”，作者“机器之心”