高峰对话！AI大模型应用趋势和瓶颈，供给方与需求方的前沿洞察

7月7日下午，信百会2024年度研讨会主论坛在清华大学经济管理学院隆重举行。在本次论坛的高峰对话环节上，信百会成员、清华大学互联网产业研究院院长朱岩主持了主题为"从供给侧和需求侧看AI大模型应用的趋势和瓶颈"的圆桌讨论。信百会执委、研究院院长、阿里云智能集团副总裁安筱鹏，信百会成员、TCL实业副总裁、格创东智CEO何军，西云算力 CEO 庄宁，MiniMax 海外业务总经理盛静远，中石化集团信息化首席专家李剑峰，华为工业数字化首席战略官胡静宜等嘉宾展开了深入交流。对话嘉宾围绕AI大模型在行业应用中的特点、趋势和挑战，以及中美在这一领域的差异与中国的优势等话题，贡献了诸多真知灼见，为与会者带来了关于AI大模型应用的前沿洞察和宝贵思考。

以下为对话环节精彩内容整理。

AI大模型在行业应用中呈现的特点和趋势

朱 岩 信百会成员、清华大学互联网产业研究院院长

朱岩 ：我们这次对话的主题是从供给侧和需求侧看AI大模型应用的趋势和瓶颈。今天在座的各位嘉宾来自于不同的行业，有来自于互联网行业，来自于实业界，也有做算力的。

请教一个问题，结合自己所在的行业讲一讲现在AI大模型的应用呈现出一些什么样的趋势，您觉得哪个行业的应用可能会进一步发展，或者下一步应用的重点在哪里。大家先简单自我介绍一下，谈一下对于行业大模型的应用判断以及你认为下一步的发展重点在哪里。

安筱鹏 信百会执委、研究院院长、阿里云智能集团副总裁

安筱鹏 ：讲应用之前思考一个问题，今天大模型它是如何应用到千行百业的。这里面可能有很多的认知误区，我举两个例子，这两天大家关注欧洲的足球赛，大模型怎么应用到千行百业，如果比喻成一场足球赛的话，千行百业是对方的球门，大模型不是我方的守门员一脚直接把球踢到对方的球门里，要有守门员、后卫、中场、前场，大模型通过一系列产业链上不同主体的相互协作把球踢进去。今天讨论大模型应用的时候，不是讨论大模型本身，是讨论这个球和球员怎么联动，这才是大模型的作用。

今天下午大家讨论一个关键词叫Agent，Agent是今天大模型应用的一个关键词，如果大模型是一个车的发动机，Agent是在这个发动机上把底盘装上，把车盖子扣上，把玻璃按上，轮子按上，所有的设备都按上了，可以完成某一个功能了，这个东西叫Agent，仅仅靠大模型这辆发动机摆那个地方跑不起来，无论是足球比赛也好，还是一辆车，这个问题的核心是一个大模型如何与它的业务运营系统联动才能创造更好的价值。如果没有这样的认知，就大模型谈应用，我觉得不能把这件事说的很清楚。

基于这两个判断有三句话。一是如果把时间尺度拉长，一切智能硬件会被AI大模型所驱动。二是一切软件系统会被大模型所重构，一切数据会被AI大模型激活。 如果把时间尺度拉长，在这样的背景下现在最紧迫的或者说我们对它的必要性和紧迫性认识不足的点有两个，一个是今天提到的智能终端，手机。第二个是今天已经在企业的场景里面产生实质性价值的AI软件代码的开发。

朱岩 ：谢谢。下面请何军总。

何 军 信百会成员、TCL实业副总裁、格创东智CEO

何军 ：我是供给侧和需求侧的代表，TCL本身是作为先进制造业的实践企业，最近几年我们重心放在半导体行业和光伏行业。6年前，我们下属的格创最早是和IBM合作，尝试人工智能在制造业中用起来。整个应用有三个特点，一是主体应用还是基于场景化的单点应用，从需求侧的角度来讲顶层架构能力是比较欠缺的，很难系统化做一个全面的架构，更多还是在单点上，场景化应用，更多是轻量级的模型应用。

二是早期的时候制造业已经把多模态和各种算法混合模型用的很多，而不是单一在文本或者图像，或者视频上进行应用。

三是从需求侧看，特别是制造企业应用更多放在交互体验的优化上，在于本身运营效率的提升上，更多关注在智能化替代人的环节上。

对于把大模型用到企业最核心的领域，比如说研发、产品的设计、生产的能力重构，这些方面目前来说应用还不够，这些才是最终对需求侧真正产生生产力本质性改变的领域。

哪些行业更加有吸引力？可以从两个维度看，一是数据丰富度以及准备度来看行业。二是从供给侧本身已有的能力，包括数据治理能力、实施能力、人才的供给等等，这两个维度决定哪些行业在短期内更快地把大模型用好。 我个人比较看好零售、金融以及先进制造业。

朱岩：刚才安院长是从多种角度，不只是互联网平台，也有对各行业深入地了解，提出来系统式的思维模式。何总是从制造业的角度来看，让我们看到大模型从数据丰富的地方入手。这些离不开算力，接下来请庄宁总。

庄 宁 西云算力 CEO

庄宁 ：大家下午好！我们西云算力主要提供智算的算力服务，在宁夏有自己的数据中心和自己的推理集群。从目前服务的客户来看，总体讲有几类特点。第一类是数据量大，数据量大还有一个特点是如果数据和敏感性有关系，如果敏感性高，相对来讲可能更谨慎一些，数据量市场化程度更高一些，对于行业应用稍微更快一些。刚才何总提到的零售，对我们来讲我也很看好，比如地震数据，或者金融的数据市场化程度相对高一些。

第二个特点是应用场景的丰富程度，前面两位专家提到了，我就不重复了。

第三是行业当中人才密度的高低情况，大模型在行业内应用对人才的要求比较高，不管是模型在行业化应用，还是对算力都有要求。总体呈现出三个特点，数据丰富、场景丰富、人才密度比较高 ，基于这种情况我也同意前面几位专家的判断，比如说在营销，在辅助医疗方面，相对来讲发展的更快一些。

朱岩 ：谢谢。庄宁总专门提到了人才的问题，我们经管学院现在正在努力多培养数字经济、人工智能、商业应用这方面的人才。希望社会各界的朋友们和经管学院一起，培养好人工智能专业人才。

接下来有请MiniMax海外业务总经理盛静远总。

盛静远 MiniMax 海外业务总经理

盛静远 ：MiniMax是一家比较低调，而且另类的大模型企业。和今天所有来参会的嘉宾和专家提供的看法稍微有一些不同和差异化，我讲一下MiniMax的背景以及为什么我们有一些新的视角。

首先MiniMax是一家成立于2021年，非常早开始做大模型的公司，我们致力于探索的领域是2C的应用，在2C应用领域我们是在全球范围内进行探索。可以说目前是中国所有大模型企业里出海走的比较靠前的一家公司。我们在全球每日的Token量，可以理解为C端用户使用量大概是OpenAI的40%，在全球范围内可以排进前5。

我们自己的模型迭代，包括应用都是基于海量的实践和C端用户的一些反馈。我们在全球范围的C端用户已经到4000多万了，这个体量在全球大模型公司里也算排名比较靠前，中国地区之外的用户超过一半，收入来源也是超过一半来自于海外地区。

我们对海外用户实时的反馈了解，以及我们对全球C端AI应用的理解是有自己独特以及基于实际数据实战经验的一些理解。基于这些背景，我大概讲一下C端应用我们看到的两个比较大的方向。

归纳总结一是有趣，第二是有用 ，有趣听起来不太正经，千万不要低估有趣的力量，就像今天的英伟达之所以能够垄断全球的GPU市场，当年也是靠着游戏玩家用钱把GPU的能力续航到今天。

从有趣的角度，C端个人用户如果看一下自己每天在抖音或者小红书上花费的时间，会意识到非常多的时间是用在有趣的应用上。我们做的一款有趣应用，在国内叫星野，是非常受2005后小朋友欢迎的这么一款应用，我们的平均用户时长超过100分钟，我们自己也做有用的APP，这是比较类似ChatGPT以及非常多国内友商做的。

我们自己的数据是平均用户时长7分钟，大家做搜索或者生产类时间的投入并不会很长，但是在有趣APP上进行百轮对话，有非常多的用户反馈。从有趣的角度，无论是情感陪伴，或者娱乐的内容，这将是AI应用的非常大的方向以及潜在的商业模式。在有用这块，大家对ChatGPT或者海外的公司有比较大的了解，国内现在百模大战主要的主攻方向也是在有用上。

未来还是有颠覆性的商业模式，当前国内在竞争的情况下商业模式不是很清晰，但是对某些领域比如说搜索，以前搜索是基于已有的知识，现在的搜索是答案引擎，而不是纯粹的搜索引擎，这些领域有巨大的颠覆。在有用领域的探索方面以及对行业的颠覆上也是非常大的应用。

我就讲这些C端的思考。

朱岩 ：非常有价值，有趣和有用。在2C领域有趣更吸引大家用，在2B领域就要有用为先了，接下来2B大的用户是中石化，我们有请李总介绍一下中石化的应用。

李剑峰 中石化集团信息化首席专家

李剑峰 ：谢谢大家，我来自中国石化，是纯粹的需求侧。很高兴看到大家的关注和应用，最近我连续参加好几个会，基本上都有这个主题，通用大模型的应用。对比去年不一样了，去年基本上讨论的是开发大模型，大模型训练。我们看到第一个趋势是人们开始关注的重点从大模型的构建变到对应用的关注，这是很明显的趋势， 我们很乐意看到。

总的来看应用还是差别非常大，有一些企业的应用已经拿到了红利，但是很多传统企业还在门口徘徊。在管理干部学院讲课，高级人才培训班我专门问了一下，有多少人应用大模型，46个人中有30多个人用了。我又问应用程度，只有一个人是用它写了报告，写了文章，写了书，大部分人仅仅是在进行对话，应用推进的程度差别非常大。

从需求看，大模型的应用现在不像一开始通用大模型，现在在打造专属大模型 ，我们自己企业在做这个事，国资委有这个要求，这是一个趋势。包括打造agent，这是大模型应用很重要的环节。大模型自身缺少感知，缺少action。

第二个变化是不满足于原来单一的文本，现在开始多模态，文本、图片、语言，包括视频，这个也很重要。

第三个是在边缘侧的部署，边缘计算，工业上对响应时间和业务对数据的安全性有要求，所以边缘计算也是很重要的方向。 我们承担发改委和国资委相关项目，也在推进这方面的建设。

朱岩 ：谢谢李总。前面的嘉宾基本上从需求侧讨论这个话题，庄宁总算是供给侧。接下来胡总是芯片供给，算力也供给，请胡总谈谈你的看法。

胡静宜 华为工业数字化首席战略官

胡静宜 ：感谢主持人，我是华为的胡静宜。正如主持人所言，华为在供给侧和需求侧都进行了一些探索。我们对此高度重视，并尝试结合自身业务进行了理论与实践相结合的分析。去年，我们发布了《工业数字化智能化2030白皮书》，其中对AI大模型的应用场景进行了深入分析。现在我想与大家分享一些相关观点。

在千行百业的应用中，我们有一个初步判断：离人越近的行业，AI大模型的应用速度越快。 从数字化指数来看，互联网产业作为数字原生产业位居榜首。其次是金融和通信业，我们内部称之为"高频、刚需、海量"。紧随其后的是众多实体经济产业，如制造业、教育业、农业和建筑业等。

作为公司工业数字化产业发展的负责人，我对工业这一门类进行了细分。广义的工业包括能源、制造和矿山等领域。从数字化指数来看，半导体和汽车行业的数字化水平最高，其次是石油石化和航空航天。例如，石油石化作为流程制造业，其生产过程高度自动化。航空航天业则在设计环节实现了高度自动化。相比之下，矿山行业的数字化程度较弱。

总结规律，我认为离人越近的行业，数字化程度反而较低。至于哪个行业的优先级最高，我个人认为各行各业的优先级都很高。从市场结果反推，我相信市场会给出答案。实际上，甲方市场规模越大，痛点越明确，数字化基础越好，就会吸引更多的乙方去提供相应的供给和匹配。

关于行业呈现的特点和趋势，我认为有一个非常明确的方向，正如梁总在发言中提到的"具身智能"。与2C应用不同，2C可以仅提供参考供用户决策，但在离人较远的领域，更需要具身智能，将数字世界的智能映射到物理世界，形成从感知到决策再到执行的闭环。

我相信，对于千行百业的数字化，AI大模型的赋能还需要搭建具身智能的桥梁。这是一个长周期的慢变量，但却至关重要。

在AI大模型的行业应用方面，中美的特色和差异

朱岩 ：非常感谢胡总的精彩见解。胡总为我们勾勒了一幅图景，无论是在产业界还是2C市场，都呈现出强劲的需求态势。然而，要充分实现这些需求，仍需要一定的桥梁作为连接。

从各位的发言中，我们不难看出，大家的工作都与国际化密切相关。基于此，我想请各位专家从一个更加国际化的视角来探讨一个问题。

众所周知，在大模型领域，美国市场一直处于领先地位。因此，我们有必要深入了解他们的具体做法。我想请各位结合自身所在企业或工作领域的经验，谈谈您对以下几个问题的看法：

您认为中国目前众多的大模型与美国同类产品相比，主要差距体现在哪些方面？在您所专注的领域内，我们是否有可能缩小与美国的差距？如果可能，您认为应该采取哪些措施或策略？如果要追赶甚至超越美国在大模型领域的领先地位，您认为中国企业或研究机构需要重点关注哪些方面？

安筱鹏 ：在探讨中美大模型竞争时，我们必须认识到这是一场体系化的竞争。我常用一个比喻来阐释这一观点：当前备受关注的ChatGPT和Sora，不过是美国数字创新森林中一棵大树上的几片叶子。我们在评估大模型发展时，不应局限于个别产品，而应从更宏观的视角审视整个生态系统。这个生态系统的根基是芯片、云计算、闭源模型、开源模型、应用场景和开源社区等要素。这些要素并非孤立存在，而是构建了美国繁荣的大模型生态。这一生态系统的形成，与20年前的移动互联网生态和40年前的PC生态有异曲同工之妙。

因此，我们必须从产业生态体系的角度来思考大模型的发展，仅从某一个局部视角比较中美差距可能会导致片面的结论。而且，我们不仅要关注供给侧，还要重视需求侧。只有供需两侧的协同发展，才能构建起一个国家的完整产业链。

在供给侧，我们常讨论中美在芯片、云计算、模型质量等方面的差距。然而，更值得我们关注的是需求侧。即便假设中国在供给侧各个领域与美国达到同等水平，我们的整体产业实力是否就必然超越美国？答案并非如此简单。

需求侧的核心问题，是我们过去数十年反复讨论的：中国的2B端数字化市场是否真正形成了一个全国统一的大市场？中国在2B端是否发挥了大国大市场的优势，还是陷入了大国小市场的困境？这些问题值得深入探讨。

我们曾讨论过"加拉帕戈斯效应"，当市场高度碎片化时，企业的竞争力不应仅以其名称或表面形象来判断，而应关注其服务提供方式——是产品制还是项目制。这些不同的运营模式才真正决定了一个企业乃至整个产业生态的健康程度。

设想一下，如果在中国高度碎片化的2B大模型市场中，大部分企业都以项目制方式交付服务，那么即便在供给侧的模型、算力、芯片等方面达到很高水平，与美国的差距仍可能长期存在。

因此，我们在评估中美差距时，不仅要关注特定领域的技术差距，更要全面考虑整个生态系统的差距，包括供给侧和需求侧的各个方面。只有这样，我们才能对大模型产业的发展有更全面、更深入的理解。

朱岩 ：谢谢安院长。确实差距不是仅仅存在于单点，而是整个生态。尤其在产业侧更重要的是把消费互联网时期做的一些经验能够在产业互联网时代更好的变成我们的优势，这个还是有相当大的难度。像TCL在产业互联网，工业互联网这个领域已经做了很多的尝试，那安院长说的差距在咱们这存在不存在，您认为我们的差距在哪里？

何军 ：安院长提出的问题确实难以简单用"是"或"否"来回答。让我从微观层面重新阐述这个问题。对于中国的先进制造业而言，是否能够更快地发展并更好地利用人工智能，特别是大模型技术来提升工业竞争力？我认为答案是肯定的。在此，我将聚焦讨论一个明显的劣势和三个潜在的优势与机会。

首先，我们的主要劣势在于供给侧。与美国相比，我们在数字化供给生态方面存在显著差距，无论是平台企业、软件企业还是咨询公司，都有待提升。这一点至关重要，因为它将直接影响我们推动制造企业深化数字化变革的能力。

然而，在人工智能带来的新机遇面前，先进制造业原有的一些特点可能会转化为我们快速应用AI并超越美国同行的契机。

第一个优势是我们在半导体、新能源、光伏、电动汽车等先进制造领域已经建立了强大的工业能力，在许多领域甚至领先于海外同行。 特别是，我们未来还有大量新产能建设的机会。相较于改造老厂的困难，新厂和新产能的建设为我们提供了充分利用人工智能和大模型技术的理想平台。

第二个优势是新一代制造业负责人或CXO级别管理者具有敢于尝试新技术的魄力。 这一因素将极大地推动中国制造企业积极采用前沿技术。相比之下，我们在服务海外企业用户时发现，过去十几年先进制造业出现了停滞，主要管理层年龄偏大，对新技术持相对保守态度。

第三个优势源于过去10-20年间，中国政府和企业在推动两化融合、工业互联网等方面的努力，培养了大批具备复合背景的人才。 这些人才将在未来推动大模型在制造企业中的应用中发挥关键作用，可能成为我们的独特优势。

值得注意的是，过去被视为劣势的一些特点，如大量的定制化需求、倾向于自主研发和构建能力等，在进入大模型AI应用时代后可能转变为优势。相较于西方同行依赖生态系统的精简模式，中国制造业更倾向于自主开发和融合。如果能够充分利用这一特点，结合内部具有复合背景的人才来推动AI在制造业的深度应用，我们将拥有巨大的发展潜力。

聚焦于先进制造业，未来中国将有很大的机会利用人工智能超越，这将是非常重要的手段。

朱岩 ：何军总的意思是说传统制造业，尤其是家电制造领域，领导者们展现出了非凡的魄力和远见。这些先进制造业的领导者们多年来积累的经验和能力，在人工智能的赋能下，很可能会继续保持并扩大他们的领先优势。我们也期待着像TCL这样优秀的企业在大模型赋能之下成为国际领先型的企业。

在算力领域里面我们是不是没有那么大的差距，听听庄总怎么看中美之间在算力领域的差距。

庄宁 ：在今天上午的闭门研讨会上，我们也曾就这一话题进行了讨论。目前，不可否认的是，英伟达在GPU技术和相关生态系统方面仍然保持着一定优势。从当前形势来看，美国在芯片制程、供给量和规模等方面确实展现出明显的领先地位。

然而，从国内视角来看，我国在数据资源和应用场景方面具有显著优势。这种优势为我们未来的发展奠定了坚实基础。

展望长远，我坚信我国的芯片技术终将赶上并超越当前水平。此外，我非常赞同一些专家的观点，即未来算法发展与能源利用将愈发紧密相连。从这个角度来看，中国较美国可能更具优势。无论是在能源资源储备还是电网建设水平方面，从长期来看，中国都占据有利地位。

当然，这个追赶过程中仍需我们付出巨大努力。作为算力运营商，我们的目标是充分发挥现有GPU设备和集群的潜力。通过不断优化各项性能指标，我们致力于为大模型训练提供更强大、更高效的支持。

同时，我们将充分利用当前的能源优势，努力降低算力成本，从而推动大模型在各行各业中的广泛应用。这正是我们行业当前的主要工作方向。

朱岩 ：谢谢庄总，更多人用，更好地发展。像郑纬民院士介绍的，可以把超级计算中心，或者把量子计算这些能够用的起来，将对缩小未来差距很有帮助。

安筱鹏 ：我想就算力差距问题补充几个具体数据，这些数据能更直观地展现中美在大模型训练能力上的差距：首先，从单一智算中心的规模来看，美国的发展速度令人瞩目。 两年前，美国顶级智算中心的GPU集群规模已达到万卡级别。去年，这一数字增长到3-5万卡。今年，单一中心的规模可能达到5万卡，未来甚至可能突破10万卡。反观中国，我们不得不扪心自问：我们有多少超万卡级别的集群？它们的具体分布在哪里？其次，从投资规模来看，差距更为显著。 Anthropic的CEO曾透露，去年他们训练一个模型的成本约为2亿美元，今年这一数字已飙升至10亿美元。更令人震惊的是，未来单个模型的训练成本可能达到百亿美元量级。与此同时，科技巨头如微软和谷歌已宣布，计划在2028年前投入1000亿美元用于建设算力集群。面对如此庞大的投资规模，我们不禁要问：中国在这个赛道上的投资情况如何？我们是否有能力、有勇气进行如此大规模的投资？即便投资了，能否获得相应的商业回报？当数千亿美元的资金涌入这个领域时，我们是否做好了准备？

朱岩 ：安院长补充的非常好。刚才李总，还有梁总都在讲我们的运营商想要做万卡，往这个方向努力，确实这些问题值得我们在缩小差距的时候认真的思考。接下来请盛总。

盛静远 ：作为一名在硅谷从事投资工作十年的资深人士，我想分享一下个人的一线体验。我本科毕业于斯坦福大学，目前有许多同学正在OpenAI或谷歌等顶尖科技公司的核心部门工作。

关于中美在人工智能领域的差距，这个话题之所以引起广泛关注，主要是因为我们一直在追赶世界第一，这是可以理解的。从全球视角来看，除了中国和美国这两个国家成功开发出了领先的大型语言模型外，其他地区在这方面的进展相对有限。即便是整个欧盟联手，也仅仅建立了一个研发中心。包括日本和东南亚等市场，在开发本国大模型方面都面临着巨大挑战。

尽管我们今天的讨论焦点是中美两国，但事实上，除了这两个国家，几乎没有其他地区能够真正做好大模型。而中美之间的差距也是巨大的，这主要体现在两个方面：人才和市场。

首先谈谈市场。作为一家大模型公司的创始人，我深知模型训练成本的高昂。以全球领先的OpenAI为例，该公司账上有超过百亿美元的现金储备，并且得到了微软公司的全力支持，拥有几乎无限的资源续航能力。目前，整个微软体系的计算卡都优先供应给OpenAI使用。这种规模的投入已经超越了一般公司甚至一些国家所能负担的范围，这对所有大模型公司来说都是一个不得不面对的现实问题。

其次是投入产出比的问题。尽管市场看似热闹，但根据我每月赴美的观察，头部企业正在快速集中，许多之前备受关注的大模型公司现在已经难以融资或被迫寻求并购。在充分竞争的市场环境下，人们逐渐认识到不需要那么多模型公司。相比之下，国内目前仍处于"百模大战"阶段，资源浪费问题严重。

从需求侧来看，美国拥有一个庞大而统一的市场。作为曾经专注于2B领域软件投资的投资人，我认为美国软件公司之所以能够在全球占据主导地位，是因为它们的产品面向全球输出，标准相对统一，很少做定制化开发。而国内市场则需要为每个客户提供定制化服务。从2B的商业模式来看，大模型的出现短期内难以改变这种状况，因此投入产出比很难计算。

相比之下，中国创业企业在2C领域取得了巨大成功，如字节跳动的TikTok和拼多多的Temu等，在全球市场上占据了重要地位。通过对比硅谷和中国的创业环境，我发现美国人在做2C业务方面欠缺经验，特别是在用户运营等需要精细化管理的领域。而中国互联网企业经过几代发展，积累了丰富的人才和经验，形成了一套做全球2C产品的方法论。

因此，在应用层面，中国企业有可能在2C领域实现弯道超车，这是相对于美国创业者和人才更具优势的领域。 然而，在2B领域，中国企业仍面临较大挑战，尤其是在考虑投资回报率和模型自研成本不断提高的情况下，这仍是一个难以解决的问题。

朱岩 ：谢谢。在市场端来说，我们在2C上还是有优势的。在2B端也是重构的机会。总有人去找李剑峰总推销大模型，无论是中国的企业还是美国的企业都有，您怎么看这个问题。

李剑峰 ：在谈及大模型领域中国与美国的差距时，我想就应用层面谈一些看法。我们常说中国在应用方面具有优势，美国也认同这一点。事实上，我国业界一直积极采纳最新技术，采用速度甚至快于美国。回顾人工智能1.0时代，我们就已经开始推进智慧数字化建设，那时美国的工业互联网概念还未提出。我们走在了前列，但当时的应用门槛相对较低。

然而，大模型时代带来了诸多新的应用门槛，其中最突出的是算力问题。 我们过去建设的超算中心虽然能满足生产需求，但面对大模型时代，我们的智算中心建设尚未完成。去年年初，国家批准了算力中心的建设计划，但目前仍在进行中。

此外，人才方面也面临挑战。我们现有的人才队伍和体系主要适应于传统的AI 1.0时代。要转换到新的技术体系，将会产生巨大的成本，这是企业必须考虑的重要因素。不仅是人才培养的成本，还包括系统替换的高昂开支。

关于大模型本身，我们曾与海外同行交流，他们也指出，如果不能从根本上解决鲁棒性问题和幻觉问题，大模型的应用将受到限制。举例来说，有人建议在我们总部大楼20层的智慧运营中心配备一套大模型系统，但我认为时机尚不成熟。如果在领导参观时，大模型出现错误或不当言论，将会造成严重问题。

对于2B应用，尤其是在流程工业和高风险工业领域，使用大模型技术仍需谨慎。 我与海外同行讨论过，在文档处理和审计等方面，大模型可以发挥作用。但在涉及核心技术如芯片设计等领域，采用大模型还需要进行更多的评估和考量。

总的来说，我认为我们目前仍处于探索阶段，正在大模型应用的门槛前徘徊。

朱岩 ：起码从流程行业的流程上看，中美都属于我们考察的对象，提起中美差距我估计胡总是一肚子话要说的，有请华为的胡总。

胡静宜 ：我觉得两个观点。人工智能大模型技术是人类产业发展从自动化、信息化、数字化到智能化过程中的重要一环。虽然在本质上可以将其归类为前述技术的延续，但在引领产业走向智能化的过程中，AI大模型展现出了更强的爆发力和革命性。

如果我们将AI大模型置于数字化浪潮的大背景下来看，可以沿用之前的观点：2C（面向消费者）是上半场，2B（面向企业）是下半场。数字产业化是核心引擎，而产业数字化则是最大的应用阵地。在这方面，中国拥有巨大的纵深优势、后发优势以及丰富的应用场景优势。 基于这一观点，我们无需过分焦虑。

在认识到当前现状的基础上，我们应该意识到，尽管在某些领域我们具有后发优势，但在一些方面我们目前仍暂时落后。针对这些问题，华为的实践可以为我们提供一些启示。面对芯片和软件工具受限等挑战，华为采取了"以系统补单点"、"以软件补硬件"的策略，在AI大模型领域则是"以瓦特补比特"。

我们需要充分认识双方的现状和态势，充分发掘可调动的资源和力量，以弥补短板、发挥长板，这将有助于解决我们面临的问题。

最后，我想谈谈具身智能的问题。在行业应用中，具身智能将扮演重要角色。目前，具身智能首先落地的场景是汽车领域，因为汽车是最典型的需要实时反馈控制的应用场景。我们也看到，马斯克在最新的股东会上宣布了人形机器人在特斯拉工厂应用的具体时间表和使用量。

我们相信，继汽车之后，工业等其他行业将是具身智能的下一个应用领域。 两到三年后，我们可能会得到一个明确的答案：中国的自动驾驶技术与特斯拉的FSD（全自动驾驶）系统，谁能在中国市场上胜出。这个结果将为其他行业提供有价值的参考指标。

个人而言，我对此持相对乐观的态度，并以积极的心态看待这一趋势的发展。

AI大模型时代的人才建议

朱岩 ：谢谢。在面对大模型的差距上的问题时我们也都乐观，尽量的不焦虑。

今天线上有很多朋友，包括很多的老师和同学们，线下还有这么多坚持到现在的嘉宾们，很多人已经进入到大模型这个领域，或者准备进入大模型这个领域。最后请每位嘉宾给已进入或者想要进入大模型领域的老师同学们一些建议，请用一句话来表述。

还是从安院长开始。

安筱鹏 ：我的建议主要针对在校学生，关于大模型时代所需的人才特质。未来的时代，在大模型技术背景下，人才应具备三个关键标签：第一是想象力，第二是创造力，第三是批判性思维。 这三种能力将成为应对大模型时代挑战的核心竞争力。

何军 ：在对信息的理解和应用上，我坚信不论何种信息，其本质都是作为工具来使用的，而真正核心且永恒的要素，始终是不变的。这些核心要素主要包括两个方面：首先是创造价值，即始终围绕如何从客户的角度出发，思考并实现价值的创造；其次是差异化，即要不断寻求并展现出我们自身独特的价值。在这个过程中，我们还必须保持持续学习的态度。

庄宁 ：借这个机会介绍一下我们，所有学习人工智能的离不开算力，离不开实践，我们专门为老师和同学们推出可以分卡计费的平台，给经管的老师和同学们很大的优惠折扣。

盛静远 ：我建议广大学生们去人才密度高的地方， 因为无论是海外OpenAI的成功还是Deepmind，在这个大模型时代，未来是属于年轻人的。

李剑峰 ：我相信AGI终将到来，每个人都要学会和AGI一起生存，这是最重要的。

胡静宜 ：会议超时了，祝大家周末愉快，谢谢！

朱岩 ：特别感谢各位嘉宾今天给出非常精彩的观点，在大模型时代供给侧和需求侧正在发生着革命性的改变，一二三产的基本范式让我们对未来有重新的思考，我们也希望清华大学，信百会以及在座的各位嘉宾一起探索在人工智能时代产业发展的一些基础范式和基本规律，再次感谢六位嘉宾。

工信部：大力发展基于大模型的智能装备、软件等智能产品

人民网北京4月11日电 (记者申佳平)据工业和信息化部官网消息，人工智能赋能新型工业化企业座谈会暨第八次制造业企业座谈会于今日召开。工业和信息化部党组书记、部长金壮龙在会上表示，要大力发展基于大模型的智能装备、软件等智能产品。

金壮龙指出，要落实全国新型工业化推进大会部署，以人工智能和制造业深度融合为主线，以智能制造为主攻方向，以场景应用为牵引，夯实人工智能赋能底座，推动制造业全流程智能化，加快重点行业智能升级，大力发展基于大模型的智能装备、软件等智能产品，加强人才、标准、检测能力、开源机制等支撑体系建设，推动人工智能全方位、深层次赋能新型工业化，加快形成新质生产力。

同时，要充分发挥我国完备产业体系和新型信息基础设施优势，坚定信心，从供给侧、需求侧、基础侧协同发力，加快培育面向工业领域的大模型，凝练和开放工业应用场景，深化工业数据开发利用，提升算力供给能力，着力营造良好环境，积极探索人工智能和工业融合发展新路径，形成双向赋能的发展格局。

据了解，来自人工智能技术供给侧、智能化转型需求侧的11家企业负责人在会上交流发言，介绍了底层核心技术研发、工业应用场景开拓、产业生态构建等方面的创新实践，并提出针对性意见建议。另有14家企业作书面交流。

相关问答

经济社会需求和科技供给的内在矛盾是两大驱动力。进入新时代,“现代化经济体系建设的迫切需求和科技有效供给不足之间的矛盾”成为我国科技发展的主要矛盾。...

[最佳回答]本图是“需求侧三驾马车与供给侧四大要素”图示,本图由需求侧和供给侧两部分组成,需求侧由投资、消费和出口三部分组成,需求侧刺激经济增长,供给侧...

供给侧结构性改革的特点是(指从供给侧入手,针对经济结构性问题而推进的改革。)扩展:所谓“供给侧改革”是指从供给侧入手的改革。所谓“结构性改革”是指...

[最佳回答]第1题:4第2题:1第3题:2第4题:2第5题:不知第6题:3第7题:1第8题:不知第9题:4第10题:3第11题:3第12题:3?第13题:4第14题:不知第15题:42第1...

需求侧相对于供给侧,供给侧改革是指从供给方面入手,需求侧改革从国民需求入手1.供给侧改革针对结构性问题而推进的改革,调整经济结构,劳动力、土地、资本、制...

资金,同样符合商品的规律,即当“供不应求”时价格上涨,而出现“供过于求”时下跌的规律。其实,资金,也是一种商品。供过于求时的下跌是体现在利率的下降方面...

一共有4种情况:1:需求增加,供给减少:均衡数量不确定增减,均衡价格增加2:需求减少,供给增加:均衡数量不确定增减,均衡价格减少3:需求增加,供给增...一共有4...

人力资源供给预测的方法主要是针对内部供给预测而言的,其基本方法如下。(1)技能清单法。技能清单记录着员工的教育水平、培训背景、以往的经历、技能特长以...

供给的意义为供给方生产商品提供出售给需求方,需求的意义是需求方购买商品的货币多少。供给包括生产过程与销售过程,生产过程对应生产供给量,销售过程销售供...

劳动力需求是指在某一个特定时期内,在某种工资率下愿意并能够雇佣的劳动量,劳动力需求是企业功用意愿和支付能力的统一,两者缺一不可。劳动力供给是指劳动市场...