【核心觀點】

AI賦能：當前AI大模型正在產品力和生產力兩個方向上并行發力，盡管總體上還處于探索階段，但是已經讓我們看到了各種各樣的可能性。

代替腦力：過去的機器人、數控機床、工業軟件等技術，更多地是提高了體力勞動者的效率；而本輪AI大模型帶來的這場決策革命，可以為設計、開發、工藝以及管理等人員提供支撐，從而提高了腦力勞動者的工作效率。

AI母機：人工智能可以類比于傳統制造業中的工業母機，而被稱為AI母機。

專業模型與基礎模型：如果說基礎模型的能力是1，那么行業垂直模型或者說專業模型就是1后面的0。

大模型市場：中國并沒有“百模大戰”，甚至沒有“十模大戰”，不少所謂的大模型并不是真正的大模型。當前中國真正在大語言模型主賽道上的企業可能只有五六家或者稍多一點，這是符合產業發展和市場競爭規律的。

專業模型開發：當前專業類模型與大模型相結合有四種方式，每個行業及企業在面對特定問題時，都可以選擇其中一種方式來構建所需的專業模型。

多模態融合：雖然大模型最初主要就是大語言模型，但是目前早已拓展到語音、圖像和動作等更多模態了，甚至已經有大模型能夠集成處理不同模態的信息，并產生相應的數據訓練模型。

互動生態：未來人們使用大模型時會形成一個供給側與需求側互動的生態。事實上，大模型的應用一定是一個多主體聯動的過程。

【對話實錄】

人工智能既可以賦能產品力，更可以賦能創造力

趙福全：安博士剛才講了人工智能對產品的賦能，可以使其更加強大，從而更好地滿足消費者的需求。那么對于社會和產業來說，人工智能又將如何賦能呢？前面說到，未來數字化及人工智能將會改變生產要素、生產力和生產關系，我覺得這實際上是在對創造力進行賦能。不知道您是怎樣看的？

安筱鵬：趙院長的觀察非常敏銳，這其中確實有創造力的提升。這段時間我們公司內部也在討論，人工智能對于社會和產業到底有什么價值？將會帶來怎樣的變化？對此，我有三個判斷：第一，一切硬件都會被AI驅動；第二，一切軟件都會被AI重構；第三，一切數據都會被AI激活。

我用了“一切”這個詞，聽起來似乎有點絕對，但我認為未來的趨勢就是如此。所謂一切硬件，既包括手機、汽車、工程機械，也包括攝像頭、屏幕等等，未來所有這些硬件都會被AI驅動。例如，在一場有數百人參加的論壇上安裝幾個攝像頭，就可以知道現場誰聽得最認真，誰總在看手機，甚至還可以知道幾位演講人中誰最受歡迎。分析攝像頭采集到的數據，我們就能得到上述答案。這在今天就已具備實現的條件了。

事實上，對于AI驅動硬件的未來演進，我們完全可以有更多的暢想。舉個例子，今后眼鏡可能也會裝上攝像頭，并與AI聯動，從而發揮各種作用。比如有的人血糖比較高，眼鏡可以記錄他每天攝入的所有食物，進行分析并給出報告，告訴他今天哪些營養偏多、哪些營養偏少，同時給出第二天的飲食建議。

也就是說，未來大大小小的各種硬件都會被AI驅動起來，從而形成新的多種能力；與此同時，一切軟件都會被AI重構，從而更好地調用各種硬件；一切數據都會被AI激活，從而被充分地利用起來。最終三者共同創造出新的更大的產業和社會價值。

具體來說，AI將在兩個方面發揮重要作用：一方面是產品本身，AI相當于為產品安裝了聰明的“大腦”，當這個“大腦”加載到產品的硬件上，就會使其實現智能化升級，這就是產品力；另一方面，AI還將融入到產品設計開發、生產制造、供應鏈、銷售服務等各個環節，實現提質增效降本，這就是生產力。當前AI正在產品力和生產力兩個方向上并行發力，盡管總體上還處于探索階段，但是已經讓我們看到了各種各樣的可能性。

就生產力而言，大家目前最關注的是，人工智能究竟能在企業經營管理上發揮什么作用？前面講到，數字化的本質就是通過數據的自動流動，來化解復雜系統的不確定性，這其中包含了決策革命。這場決策革命之所以之前不會發生，是因為過去在技術手段上面臨很多局限。比如軟件編寫，過去只能依靠人工來完成，如果想讓機器人抓取和加工一個零部件，要由人來編寫相應的工藝軟件，形成一個代碼堆，而且不同的代碼堆垛還在不斷發生變化，這就需要大量有經驗的工程師耗費很長時間來編寫和維護軟件。而當AI大模型進入到產品設計和生產等環節之后，人工編寫軟件的工作就被極度壓縮了，同時整個工作流程也被壓縮了。再如汽車設計，不只是造型設計，也包括芯片等復雜部件的設計，隨著AI大模型的涌入，都會大幅提高工作效率。

所以，我用一句話來概括：AI大模型是數據要素創造價值的最短路徑。應該說，此前的各種數字化技術仍然在演進中，也仍然在發揮作用；不過AI大模型這個新的技術手段出現之后，將帶來很多新的革命性變革，從而助力企業實現更低成本、更高效率的運行。

換一個角度來看，過去的機器人、數控機床、工業軟件等技術，更多地是提高了體力勞動者的效率；而本輪人工智能大模型帶來的這場決策革命，可以為設計、開發、工藝以及管理等人員提供支撐，從而提高了腦力勞動者的工作效率，這也是其重要的價值所在。

趙福全：剛才安博士的回答非常重要?，F在很多人對人工智能普遍都有一種直觀的理解，就是人工智能技術可以為產品賦能，這樣同樣的硬件就能比原來表現得更好或者能力更強。從產品的效果上看，這種理解當然沒有錯，就像剛剛談到的，人工智能可以顯著地提升產品力。

過去產品力主要來自硬件，汽車產品也是以硬件為主導的。汽車企業要想獲得更強的產品力，就必須持續進行車型改款乃至開發新車型。本質上，就是通過更新硬件來提升產品力。但是硬件有較高的成本，且其發展到一定程度之后就越來越趨于同質化了，從而導致產品力受限。而今后產品力將主要來自軟件，汽車產品也將以軟件為主導，此時情況就完全不同了。尤其是在人工智能的賦能下，軟件的作用將得到充分發揮，可以有效調用標準化的各種硬件形成差異化的功能，從而為消費者提供滿足其個性化需求的智能產品。本質上，這是通過更新軟件來提升產品力的。

不過一方面，人工智能對于產品的賦能并不是沒有代價的，我們必須開發算法、提高算力、采集數據，這樣才能使產品硬件上的相同投入獲得更大的產出。另一方面，還有一點更重要，卻往往被忽視了，即人工智能不僅可以賦能產品本身，還可以賦能產品的創造力，也就是剛才安博士講到的生產力。我認為，這方面的影響和價值其實更大。如果說產品是“雞蛋”，那么創造產品的體系就是“母雞”，而人工智能既能讓“雞蛋”變得更好，更能讓“母雞”變得更好。顯然，賦能后者的意義更加深遠。未來在人工智能的驅動下，產品創造體系將發生全方位的根本性改變，包括企業的組織架構、商業模式，即內外部資源優化配置的能力，也包括各個部門及員工參與產品創造的能力，都將完全不同。由此，“母雞”就能以更優的質量、更快的速度和更低的成本“孵化”（生產）出更多、更好的“雞蛋”。從這個意義上講，人工智能也可以類比于傳統制造業中的工業母機，而被稱為AI母機。

正是因為人工智能可以同時為產品力和創造力賦能，而且這兩方面又相互促進、共同作用，所以它將驅動人類社會的生產、生活方式發生質變，進入到一個全新的使用人工智能來創造智能產品的智能新時代。

基于大模型的專業模型將實現能力的質變躍升

趙福全：這就帶來了另一個問題。您剛才說到，人工智能大模型有望實現AGI，是一次革命性的突破，而且將會波及各行各業。不過現在對于大模型的普及應用，各方也有一些爭議。核心在于大模型和專業模型到底是什么關系？借此機會，請您為大家澄清一下相關概念。

安筱鵬：我先講一件事，大約在六年前我曾經到美國調研工業互聯網和智能制造。那次我們去了很多公司，其中有一家公司叫約翰迪爾，這是全球最大的工程機械、農用機械公司，有著近兩百年的歷史。這家公司給我留下了非常深刻的印象：第一，這是我所見過的最豪華的公司總部，前面有幾百畝的玉米地，玉米地后邊是原始森林；第二，他們并沒有談工程機械制造的數字化，而是講了很多人工智能在工程機械、農用機械產品中的應用，比如農用機械在噴灑除草劑時，怎樣智能化地自動區分苗和草，這實際上是智能識別技術。由此可見，各個行業專業化的垂直模型早在多年前就已經在應用了，而美國在這個領域有明顯的優勢。

那么，在大模型到來的今天，我們再談垂直模型、專業模型的時候，和之前類似約翰迪爾公司使用的模型是不是一回事？或者說，二者之間有沒有什么區別呢？目前，相關概念確實有些模糊。

我覺得，清晰的表達應該是：之前類似約翰迪爾公司使用的模型，其基礎都是ANI弱人工智能模型，這種模型只能完成一個特定的任務。ANI模型雖然早在好多年前就已經有了，但因為成本、質量、效果等方面都有局限，不可能掀起一輪產業革命，所以并沒有引起太多關注，影響力有限。

而今天的大模型是AGI通用人工智能模型，或者也可稱之為AI基礎模型。這與ANI模型有著本質區別，是完全不同的兩個物種。在AI基礎模型之上，可以用法律、醫療、教育、汽車等各行各業的數據，通過各種各樣的技術手段，比如SFT（監督微調）、RAG（檢索增強生成）等方式，進行整合和訓練，從而得到解決特定行業問題的更高效、更精準、更科學、更有價值的垂直模型。也就是說，今天的垂直模型與基礎模型之間存在聯動關系，前者一定是建立在后者基礎上的。正是因為有了基礎模型，垂直模型的能力，包括解決問題的復雜性、廣泛性以及低成本、高效率等，才實現了由量變到質變的躍升。

那么，如何評價垂直模型和基礎模型的作用呢？我認為，如果說基礎模型的能力是1，那么行業垂直模型或者說專業模型就是1后面的0。這個描述可能不是那么準確，但有利于大家理解。我想強調的是，基礎模型非常重要：基于功能不強、性能較弱的基礎模型，無論怎樣調試和優化，最終訓練出來的垂直模型也不會有很強的能力，能夠解決的問題將極其有限；只有基礎模型非常強大，再加上相關行業的專業經驗、技術訣竅(Know-How)和優質數據等，才能驅動垂直模型的能力實現飛躍式的提升。

趙福全：安博士談到，今天大家所講的垂直模型實際上與6年前的垂直模型完全不是一回事，雖然都是專業類模型，但早已經既換湯又換藥，只是沒有換名而已。因為以前只有ANI模型，而現在有了大模型或者說AGI模型作為基礎模型為其提供支撐。所以，今天的垂直模型是基于基礎模型并與基礎模型相互打通、彼此聯動的新型專業類模型，其能力有了本質性的躍升。

那么，基于大模型構建的新型專業類模型，其理念和方法等，與ANI時代相比有哪些改變呢？

安筱鵬：這里面涉及到很多改變，我覺得其中最重要的一點是，今天大模型能給各類企業帶來怎樣的變革還是未知的。這可不像買一個杯子就是用來喝水，或是購置一臺設備就是用來完成某項工作那樣簡單。此時此刻，大模型究竟會在各行各業中如何應用，還不是一件確定的事情。

具體來說，這種不確定性是指大模型在產品研發、生產、供應鏈、銷售、服務等的每一個環節都有發揮作用的可能性，不過這些可能性未必都會指向一個確定的結果。所以，我們必須在認知和理念層面上推動AI應用的方法論進行一次全面的革新。其核心在于，不管是一家汽車公司，還是一家律師事務所，各行各業都要認知到，自己與大模型之間是一種共創的合作關系，而不是一種簡單的買賣關系。

趙福全：就是說，并不是把大模型買過來直接使用就可以了。專業類模型與大模型之間是一種共創關系：一方面，專業類模型要以強大的大模型為基礎，這樣才能提升自身的能力；另一方面，專業類模型相當于是大模型之下的子模型，其不斷擴展和進步又會支撐大模型的持續發展。試想，如果一個大模型能夠支撐幾十個專業類模型，在各行各業發揮重要作用，那其能力和價值自然也就更大了。

產業特點和市場規律決定大模型行業終將收斂

趙福全：展望未來，大模型將如何演進呢？這個行業的競爭格局將會是什么樣的？請您和大家分享一下。

安筱鵬：我們今天講大模型，主要是指大語言模型。當然，除了大語言模型之外，還有圖像理解和生成的大模型，以及其他的一些大模型，即所謂多模態的大模型。

目前這個方向的基本情況是：第一，大模型技術仍在快速迭代和演進中，有多種不同的技術路線都在發展。第二，本輪人工智能大模型中最重要的一個分支，或者說主賽道、主戰場，即大語言模型，也在快速發展中。比如GPT就有GPT3.5、GPT4、GPT5的不斷演進。而且大語言模型正在把文本、聲音、圖片和視頻等多種模態加載進來，像近期發布的GPT-4o，就可以實時處理文本、音頻和圖像。

未來大模型產品會呈現出怎樣的產業形態和競爭格局呢？先看美國。美國基礎性的大語言模型已經極度收斂了，根據我的觀察，現在美國的大語言模型大概就是“3+1+1”的格局，即主要有5個大模型。其中，核心的“3”分別來自微軟OpenAI聯盟、谷歌、Anthropic公司，這三家提供的都是閉源導向的大語言模型；中間的“1”來自Meta，就是Facebook的母公司，它發布的是開源導向的大語言模型；最后一個“1”來自埃隆·馬斯克的xAI，這家公司剛剛成立一年多，目前估值已高達約200億美元。以上5家公司基本上主導了美國的基礎大語言模型產業。

可能有人會問，為什么美國的大語言模型主要就是這5家、而不是50家公司來參與競爭呢？原因在于大模型的開發和訓練代價高昂，是資本、人才、數據和算力等都高度密集的行業。這和全球只有空客、波音和中國商飛這三家大型民用飛機制造商的道理類似，因為開發一款大型民用飛機可能需要10年時間和100億-200億資金，而且要銷售至少一兩千架飛機才能收回研發成本。也就是說，產業特點和市場規律決定了大型民用飛機市場上最多只能容納兩三家企業。這個規律同樣適用于大模型行業，所以隨著大語言模型的不斷演進，就逐漸形成了這樣一種收斂的競爭格局。當然，也有人認為目前的人工智能技術路線會遇到天花板，屆時競爭格局還會生變，不過至少現在我們尚未看到。

趙福全：安博士，那中國的情況會怎樣呢？現在有個說法，叫做“百模大戰”，中國真的有那么多大模型嗎？為什么和美國相比，我們大模型的數量會如此之多？您認為，最終中國會有多少個大模型？

安筱鵬：我個人判斷，國內大模型行業未來可能會與美國差不多，只有少數幾家企業能留在這個賽道上。今天很多人都在講“百模大戰”，但其實中國并沒有“百模大戰”，甚至沒有“十模大戰”，不少所謂的大模型并不是真正的大模型。在我看來，當前中國真正在大語言模型主賽道上的企業可能只有五六家或者稍多一點，這是符合產業發展和市場競爭規律的。

基于大模型構建行業專業模型有多種不同方式

趙福全：下面一個問題，大模型和專業類模型之間的共性連接體現在哪里？或者說，大模型是如何支撐及驅動專業類模型進步的？專業類模型又是怎樣補充及拉動大模型發展的？您覺得在專業類模型的開發過程中，應該如何在思路、方法和手段上與大模型有效地結合呢？

安筱鵬：首先，專業類模型的開發有兩種類型：一種是使用開源大模型，即基于開源的大模型，結合本行業的知識、經驗、方法以及核心技術等，開發出相應的專業類模型，部署在公有云或者私有云上?，F在有很多開源模型都可供使用。另一種是為解決某個行業的特定問題，在基礎大模型之上開發專業類模型。具體可以是法律、醫療、教育、汽車等的任何一個行業。

后一種類型的具體實現路徑又有四種：

一是SFT即監督微調方式。就是基于一個基礎大模型，用特定行業的專業術語進行微調。通過該行業的大量數據訓練之后，就可以得到某個領域的專業模型。比如，律師事務所可以訓練律師行業的專業模型，包括刑法、婚姻法、知識產權法等各個細分領域。這種SFT方式對成本和人才的要求較高，訓練周期也比較長。

二是RAG即檢索增強生成方式。這種方式不需要專門訓練模型，只要把某個行業現有的知識、經驗以及結構化和非結構化的數據等做成外掛系統，然后通過檢索增強技術，使其與大模型結合起來，就可應用于專業領域。例如生成一份醫療報告、一份法律文本或者一個汽車外形等等。這相當于把專業知識與基礎大模型進行了整合。

三是Promote Engineering即提示詞工程方式。通過設定合適的提示詞，來提高大模型解決特定行業問題的能力。這種方式比較簡單，同時效果相當不錯。也就是說，提示詞工程是一種成本投入較低、產出效果較好的大模型應用方式。

四是Agent即智能體方式。這種方式相對比較復雜，需要開發面向特定行業的智能體。以汽車產業為例，如果把大模型比喻為發動機，那么還要給發動機配上底盤、車身、輪胎等等，在安裝調試好之后，汽車才能行駛起來。同樣的，只有大模型解決不了專業問題，也要給它配上周邊系統，如感知系統、記憶系統、執行系統等，并經過調試后，才能使其具備解決特定問題的能力。所有這些要素及資源整合在一起，形成的能夠解決某個特定問題的整體，就是一個智能體。目前，這種方式的相關技術還在迭代和演進中。

以上就是當前專業類模型與大模型相結合的四種方式，每個行業及企業在面對特定問題時，都可以選擇其中一種方式來構建所需的專業模型。當然，基礎大模型的能力還在演進中，基于大模型構建專業類模型的技術也在演進中，未來二者的結合可能還會有新的變化。

大模型已由大語言模型向多模態融合大模型演進

趙福全：安博士講得非常透徹。目前關于大模型，業界還有一個問題存在爭議，就是有些專家認為“大模型”這個名稱不太準確，可能會造成誤導，實際上應該稱為LLM即大語言模型。畢竟名稱可以傳遞很多重要信息。比如現在電動汽車不再有傳統發動機了，可依然被稱為“汽車”，在某種意義上也是在強調其交通工具的屬性并沒有改變。對此，您是怎么看的？

安筱鵬：我是這樣理解的：大模型的“大”，主要是指模型的參數多，且“參數越多，效果越好”，這是一個普適規律?；谶@一規律構建的模型最初就是針對語言的，即大語言模型。不過除了語言之外，對于圖像的識別和理解也是一樣的，比如提供一張照片，模型就能識別出上面顯示的是什么地方，或者為其配上一段說明文字；其他諸如音頻、視頻等的處理，也完全適用于上述規律，都可以構建相應的大模型，這就是所謂的不同模態。當然，此前最重要的大模型還是大語言模型。

而現在大模型的發展方向之一就是把各種模態進行集成，尤其是OpenAI公司今年剛剛發布的GPT-4o，已經整體集成了這幾種模態。為什么說是整體集成呢？我們不妨對比一下此前的大模型，比如GPT4，可以與人進行語音對話。不過在其內部每輪對話都是通過三個模型協作來完成的：你問一個問題，大模型先用a模型把你的語音轉換成文字，并傳遞到b模型；然后b模型針對你的問題給出文字形式的答案，并傳遞到c模型；最后c模型再把文字轉換成語音，反饋給你。所以，盡管對你而言，就是用語音問了大模型一個問題，然后得到了它的語音回答，但其實這背后是經過了轉換的，而在轉換過程中就難免會產生時延、偏差等問題。與此同時，你在說話時可能還打了手勢、做了表情，而這些信息都被屏蔽掉了，大模型僅僅采集了語音信息。

而現在的GPT-4o，可以同時采集你的聲音、手勢、動作和表情，然后把這些信息集成起來作為輸入，這樣其能力自然就更全面、也更強大。此外，它的輸出主要是語音，但也可以有表情，顯示出喜怒哀樂等情緒，這意味著其輸出也是多模態的。顯然，這是一個非常重要的變化。

趙福全：關于大模型和專業類模型的話題，是所有產業的模型應用者以及潛在應用者，也包括AI大模型的推動者，都非常關注且必須面對的問題。而這其中涉及到的一些重要概念，大家的理解可能還不太一樣。剛才通過與安博士的交流，我們澄清了概念、理清了邏輯。特別是安博士的分享既專業嚴謹，又淺顯易懂，更融入了自己在這方面的獨到理解和深刻感悟，相信大家肯定都很有收獲。下面，我簡單做個小結。

實際上，專業類模型并不是新生事物。早在ANI弱人工智能時代，很多行業就已經有專業類模型了，可以解決特定領域的某個問題。這種專業類模型的效果通常都還不錯，問題在于只能解決特定的問題，無法向其他領域拓展，因此有明顯的局限性。另外，這種專業模型后續不斷升級的工作量也很大，其投入產出比是比較低的。

當大模型出現之后，我們開始進入AGI強人工智能時代。大模型在數據、算法、算力等方方面面的能力都有了革命性的提升，可以作為普適的、通用的AI基礎模型，像基礎設施一樣發揮作用?；贏I基礎模型，各行各業的專業人士可以開發各自的專業模型，或者說垂直模型，從而將大模型應用到各個專業領域。但是此專業模型非彼專業模型，因為其基礎不再是ANI模型了。新的專業類模型一定是基于AGI大模型的，是使用了大模型這一基礎設施的。這個差別非常大，就好比同樣是汽車，但跑在高速公路上和跑在鄉間小路上，速度是完全不同的。在此情況下，如果企業沒有基于大模型來做專業模型，那就和以前沒有區別，雖然也可以做出來，但模型的能力及潛力都會非常有限；而如果企業以大模型為基礎來做專業模型，其模型效果以及拓展性就會有質的提升。這就是我作為一個IT業外人士的理解。

可見，大模型是專業類模型的基礎。而更多的專業類模型基于大模型開發，又可以讓大模型發揮更大的作用。這一點至關重要，因為如果只有大模型而沒有專業類模型，大模型在整個經濟社會中的影響和價值也會大打折扣。就像百度董事長李彥宏總最近強調的，沒有應用模型的基礎大模型，無論是開源還是閉源的，都一文不值。所以，希望各個行業、眾多領域的專業模型能夠百花齊放。為此，做專業模型的人要擁抱大模型，而做大模型的人也要擁抱專業模型，雙方相向而行、共同奔赴理想的目標。

在這個過程中，我們必須清楚，大模型并不是誰都能做的。因為開發大模型需要規模超乎想象的算力、數據、人才和資本等資源，而且不是一次性的投入，后續還要不斷迭代、優化才能確保持續引領，這遠非一般企業所能承受。所以，真正有能力做大模型的企業數量將非常有限，而其他企業更應該把資源用于專業類模型的開發。正因如此，最終大模型的數量不會很多，事實上也不需要很多。這就像高速公路不需要到處都有，且一定是在政府主導下由大企業來建設的；相比之下，鄉間小路由村里集資就可以建了。

至于到底應該叫大語言模型還是大模型，如果從人工智能進入AGI階段的高度來看，叫大模型應該要比大語言模型更有普適性，也更有指引意義。另一方面，雖然大模型最初主要就是大語言模型，但是目前早已拓展到語音、圖像和動作等更多模態了，甚至已經有大模型能夠集成處理不同模態的信息，并產生相應的數據訓練模型了。所以，簡單地叫“大語言模型”可能會有一定的局限性。當然，無論是開展實際工作的專家，還是從事相關研究的學者，都更應該注重大模型的發展及應用，而沒必要過分關注其稱謂。

多主體協同的產業生態將支撐大模型得到更好應用

安筱鵬：我再補充一點，就是未來人們使用大模型時會形成一個供給側與需求側互動的生態。事實上，大模型的應用一定是一個多主體聯動的過程，其中只有一部分情況是大模型直接提供服務，即所謂API（應用程序編程接口）方式，而更多、更復雜的業務場景涉及到多個利益主體、多條技術路線的不斷協同和反復互動，要靠各方有效協作來為客戶提供服務，這就構成了生態。如果以足球比賽類比，大模型企業就像是守門員，通常無法一腳直接把球踢到對方的球門里，而是要與球隊的后衛、中場、前鋒等一起配合來取得進球。

趙福全：安博士強調的這一點非常重要。我之前曾經多次講過，在萬物互聯的時代，各類不同主體將有效協同、相互賦能，共同驅動整個人類社會邁入超級智能時代。屆時每一個人造物都將是互聯的，且由人工智能賦能，從而構成了智能化的大環境，可以使其中的每一個人造物都把智能化的能力發揮到極致。所謂車路協同也是同樣的道理，即智能的車必須跑在智能的路上，而智能的路也只有當智能的車行駛時才能體現出其智能的價值。由此，道路、車輛、車內外的人員以及網絡、云端等所有智能的主體，將互聯而成一個超級智能的大生態。參與其中的各類主體相互協同，把各自的力量都融合到一起，最終實現1+1+1遠大于3的效果。

安筱鵬：是的，各類企業都有自己的優勢。到了人工智能大模型廣泛應用的時代，生態系統本身就是企業競爭與合作的一種必然形態?，F在中國和美國都有很多開源社區，比如阿里的開源社區叫做魔搭社區?，F在可能有很多人對這種生態還沒什么認知，實際上其作用是巨大的。我經常舉一個例子，要攀登珠穆朗瑪峰，從地面一直爬到山頂的難度非常大，但如果從海拔5200米的珠峰大本營出發，爬到山頂就容易多了。

同樣的道理，包括開源的軟件、大模型、社區等在內的生態，就像一架直升機，可以先把你從地面運到珠峰大本營，然后你再爬完剩下的3000多米，這自然可以幫你節省很多體力或者說資源。實際上如果沒有生態這架直升機，你可能永遠都無法登頂。目前美國在AI領域就有很多這樣的“直升機”，可以把企業直接運到“珠峰大本營”，這就大大降低了AI應用的門檻。中國在這方面也需要加緊努力，因為對于一個國家或地區的大模型普及應用來說，繁榮的產業生態至關重要。