文章來源：騰訊研究院

閆德利 騰訊研究院資深專家

圖片來源：由無界AI生成

煉大模型，大煉模型

近年是全球風險投資的低潮，生成式AI（GenAI）卻逆市而起，去年的融資筆數和融資額分別增長66%和400%（來源：CB Insight，如下圖所示），融資額高居所有細分領域第一位（來源：Dealroom.co）。去年美國前5大風險投資中，OpenAI、Anthropic（2筆）和Inflection AI三家GenAI公司佔據了4個，融資額分別高達100億美元、40億美元、20億美元和13億美元，主要投資者是微軟、亞馬遜、谷歌和英偉達等巨頭（來源：Crunchbase）。

2019-2023年全球GenAI的融資筆數和融資額

當下的GenAI熱潮起源於美國產業界，實際上美國政府也高度重視，提出了“確保繼續保持領導地位”的戰略目標。在奧巴馬時期，美國白宮發布《國家人工智能研發戰略計劃》（2016），特朗普時期（2019）和拜登時期（2023）分別對其進行了更新，從而形成了9大戰略——長期投資、人和AI協作、倫理、安全、數據集、評估標準、人才、公私合作、國際合作。為推進戰略執行和落地，美國白宮科技政策辦公室（OSTP）相繼設置了人工智能特別委員會（2018）和國家人工智能倡議辦公室（2021）。

我國也煉大模型、大煉模型。今年一季度，全球前三大GenAI風險投資中，我國占其二——月之暗面10億美元A輪融資和MiniMax 6億美元融資。電信運營商、手機廠商、家電廠商、汽車公司、軟件公司、AI公司、互聯網公司、電商等各類型的企業紛紛涉足，已有117個大模型通過國家生成式人工智能服務備案。大模型成為大廠標配。不過並沒有短兵相接的“百模大戰”，反而頗有井水不犯河水之意。

三塊短板

我國人工智能位居世界前列。但也存在尚待補齊的短板，集中體現在算力、數據集和人才三個方面。
一是算力。GenAI以算力堆積實現智能湧現，其成功依賴暴力美學。根據Jaime Sevilla等人的研究（2022），在前深度學習時代（1952-2009），算力需求每21.3個月翻一番，符合摩爾定律；在深度學習時代（2010-2022），算力需求加快到每5.6個月翻一番。如下圖所示。根據THE DECODER披露（2023），GPT-4的每秒浮點運算次數（FLOPs）達到2.15×10^25，一次訓練成本6300萬美元。

里程碑機器學習系統的訓練算力需求

來源：Sevilla J, Heim L, Ho A, et al. Compute trends across three eras of machine learning. 2022.

在機器學習圖形處理器領域，英偉達佔有95%的市場份額（來源：New Street Research，2023）。英偉達的A100和H100芯片是訓練大模型的“金剛鑽”，具有不可替代性。由於美國對華GPU限令，我國面臨卡脖子現實。

二是數據集。我國數據規模大。根據國家互聯網信息辦公室《数字中國發展報告（2022年）》，2022年我國數據產量8.1ZB，全球佔比10.5%，位居世界第二。這被看作發展相關產業的優勢。然而，規模優勢不足以彌補質量欠缺。不管把多大數量的馬車連續相加，也決不能得到一條鐵路（熊彼特，1934）。數據質量至少同等重要。在Hugging Face的高質量數據集中，英語以37.7%的比重位居第一位，中文僅佔3.2%，和波蘭語並列第九（來源：OECD，2023）。如下圖所示。我國數據集的質量仍有待進一步提升。當然，這非一日之功，需要歷經歲月的積累。

三是人才。自1966年以來，全世界共有77人獲得圖靈獎。其中只有一名華人——姚期智（2000）。我國計算機科學的歷史積澱尚有不足，所幸近年進步很大，成為美國最大的競爭對手。根據MacroPolo數據（2024），全球最頂級（前2%）AI研究人員的原籍國中，我國以26%的比例逼近美國（28%），位居第二位。在頂級（前20%）AI研究人員的原籍國中，我國有47%，遠超美國（18%）。但仍有隱憂，在最頂級（前2%）AI研究人員的就業國家中，我國仍位居第二，但僅有12%，遠落後於美國（57%）。如下錶所示。GenAI高度依賴人們的創新能力。如何吸引全球頂尖人才來華創業、就業，是需要努力的方向。

【全球AI人才的分佈比例】 來源：根據MacroPolo（2024）數據整理

兩道難題

每次創新都不是輕而易舉的，都需要破除很多困難，遭受人們的質疑。當前的GenAI面臨以下兩個比較突出的問題。當然，只有發展才能解決問題。

一是缺乏殺手級應用，面臨商業化困難。偉大的時代，必有殺手級應用。例如PC時代的Office，桌面互聯網時代的搜索，移動互聯網時代的手機支付。GenAI是世界潮流，然而還處於應用推廣的早期，美國企業的AI採用率僅有5.4%（來源：人口普查局，2024）。大模型燃燒的是美元，產出是更少的美元。作為全球最性感的GenAI公司， OpenAI 有會員訂閱付費、開發者付費和微軟分成三種盈利模式，自成立以來的收入累計不足20億美元（來源：Finbold），卻耗費了113億美元融資。微軟的GitHub Copilot也採用會員訂閱模式，用戶需支付10美元月費或100美元年費。但因計算成本高，微軟平均每月在每個用戶上的虧損超過20美元，重度用戶高達 80 美元（來源：華爾街日報，2023.10）。GenAI尚不具備傳統軟件的規模經濟，需要通過給用戶巨額補貼來培育市場。國內用戶則更喜歡免費，為優質內容和知識付費的習慣尚未形成，會員訂閱不成主流。GenAI的商業模式仍處於探索的初期。

二是未能顯著提振平台企業業績，雲和芯片是最大受益者。GenAI的興起為我國平台經濟注入了一線生機，各大平台紛紛下場推出大模型。然而，GenAI的火爆未能顯著提振平台企業的業績，我國互聯網平台仍處於萎靡期。自ChatGPT發布以來，儘管疊加了疫情結束、國家支持等利好因素，我國互聯網公司的市值仍有漲有跌，相當大比例的企業跌幅較大，如下圖所示。

【自ChatGPT發布以來我國十大互聯網公司的市值漲跌情況】 來源：根據雪球財經數據整理，數據截止2024年4月11日

大模型訓練需要耗費大量算力，雲和芯片公司是直接受益者。根據A16Z（2023）數據，GenAI總收入的10-20%將流向雲服務提供商。其中，創業公司 80%-90%的早期融資都用於向雲計算平台購買算力。微軟、亞馬遜和谷歌是全球三大雲基礎設施服務商，也是最活躍的GenAI投資者，就不足為奇了。自ChatGPT發布以來，英偉達市值增長457%，成為全球市值第三高的公司，是最大獲益者。

第四次工業革命的悖論

自1956年達特茅斯會議提出“人工智能”術語以來，人工智能的發展起起伏伏，經歷了多次炒作周期。這次似乎不一樣，即使對懷疑論者來說，ChatGPT的發布也意味着人工智能技術的重大突破。人們興奮大呼：人工智能驅動的第四次工業革命正在到來！

工業革命的影響是全面的、深刻的、長遠的，“綜觀世界經濟史，工業革命是唯一一件大事”（Irad Kimhi，2006）。第四次工業革命如果到來，人們必會躊躇滿志，經濟必會生機蓬勃，生活必會欣欣向榮。然而，好像並不是。這是一個悖論。對此，時間可以給出答案，我們不必爭論。有四個事實予以說明。

第一，人們對“智能”懷有與生俱來的痴迷，人工智能的發展充斥着樂觀思潮。謝耘（2023）對其評價是：“志存高遠，盲目樂觀。”達特茅斯會議的主要參与者就曾作出大膽預言：

1958年，艾倫·紐厄爾和赫伯特·西蒙（兩人共同獲得1975圖靈獎）：“十年之內，数字計算機將成為國際象棋世界冠軍” “十年之內，数字計算機將發現並證明一個重要的數學定理”。

1965年，赫伯特·西蒙（1978年諾貝爾經濟學獎獲得者）：“二十年內，機器將能完成人能做到的一切工作。”
1970年，馬文·閔斯基（1969圖靈獎獲得者）：“在三到八年的時間里，我們將得到一台具有人類平均智能的機器。”

第二，自2009年以來我們時刻在“經歷”第四次工業革命（也有人說是第三次工業革命）。在中國知網上，以“第四次工業革命”和“第四次產業革命”為題名的文章分別有386篇和48篇（不計入2024年），如下圖所示。微电子（1984）、雲計算（2012）、物聯網（2016）、大數據（2016）、區塊鏈（2017）、工業互聯網（2017）、新基建（2020）等，都曾被賦以“第四次工業革命”的使命。現在輪到GenAI了。這意味着，GenAI需要達到與蒸汽機、發電機、內燃機、計算機和互聯網一樣的高度。

中國知網以“第四次工業（產業）革命”為題名的文章分佈

第三，國外一般把GenAI（或AI）比作智能手機、雲計算、互聯網等特定技術，且通常使用“可能”“之一”等詞彙。例如：

黃仁勛（2023.2）：ChatGPT是“the iPhone moment of AI”， OpenAI 所做工作是“one of the greatest things that have ever been done for computing”。

比爾·蓋茨在《The Age of AI has begun》（2023.3）中表示，圖形用戶界面和GPT是他一生中見證過的兩次革命性技術展示，並指出：“人工智能的發展與微處理器、個人電腦、互聯網和移動電話的誕生一樣重要。”

亞馬遜CEO賈西致股東信（2024.4）：“Generative AI may be the largest technology transformation since the cloud (which itself, is still in the early stages), and perhaps since the Internet.”

第四，歷次工業革命都不是預測的結果，而是後人的總結。第一次工業革命（1760—1840）結束40年後，術語“Industrial Revolution”才在阿諾德·湯因比的推動下為大眾所知；第二次工業革命（1870—1914）結束40年後，經濟學家才開始使用“Second Industrial Revolution”，到1969年戴維·蘭德斯《不受束縛的普羅米修斯》才標準化了其學術定義；第三次工業革命尚無統一認識，暫且不表。這頗有“偉大不能被計劃”的味道，讓我們期待第四次工業革命不同。

本文寫作中，得到馬駿、馬源、石光、王明輝、李勇堅、白惠天等人的支持和幫助，在此一併感謝。