（圖片來源：攝圖網）

作者|沐陽 來源|錦緞(ID：jinduan006)

我們的讀者用戶中，最大的年齡帶是36-45歲，占比超過1/3；此外45-60歲這個年齡帶，占比亦有25%。可以說，和我們日常聚在一起的，基本是擁有一定閱歷的成年人。

即使如此，仍不得不說的是，包括我們在內，對當中大多數人而言，就當前世界所處的經濟周期，幾乎均是匱乏經驗甚至較為迷茫的。

有人說，這個時候，應該去讀歷史，周期總是重復韻腳，答案都在其中。也有人說，這個時候，要走更遠的路，穿過更多的城鎮街道，走出國門看看多元的世界，開放的眼界將帶來破題的靈感與全新力場。

總而言之，無論讀書還是走萬里路，核心在于：以一種更開放的心態，去感知歷史與現實的溫度，是我們處置未來預期，最務實的一種做法。

當然，除了內求之外，我們還必要對對未來幾年一些確定性的時代主線保持足夠敏感，這對于投資尤其重要。這一點，就需要訴諸于產業深處的人群，聆聽并觀察他們的實踐。

比如，在上周舉行的騰訊科技Hi Tech Day上，一些觀點，值得分享。

01

算力是絕對意志

此次活動中，國資委科技強國智庫專家委員會主任、中國科學院教授廖奇為發表“中國芯賦能智能算力，助力數字經濟高質量發展”的主題演講，分享了目前國內解決算力瓶頸的最新實踐和進展。

他的觀點非常鮮明：廣義的算力才決定了一個國家未來真正的競爭實力。

這使我們不由得聯想起本月初英偉達創始人黃仁勛在新加坡的一個主旨演講，其中一個核心觀點亦與此趨同：（異構）算力已經成為主權國家們的絕對意志。

作為觀點分享，我們不想過度引申其中的專業邏輯，因為最近一年中，我們對于AI的主要研究基本都是落腳在算力上。時值年末，在我們的認知里，需要再次強調的是，不僅2023年如此，2024年仍將是算力大年。

因為一個顯而易見的剛性邏輯在于：無論BAT，還是FAANG，這些互聯網時代巨頭，都是涌現于互聯網基礎設施蓬勃發展過程中；AI亦一樣，沒有以算力網為核心的AI基礎設施，AI時代的BAT只是海市蜃樓。

廖奇教授的演講，給了大家很大的信心。據他介紹，中國已經有了自己的GPU設計生產能力，并進行了產業化的布局，其團隊“通過14納米常規的GPU工藝生產出的芯片，已經可以與NVIDIA的A100對標。作為一種低能耗、低成本、高集成的解決方案，該GPU跟NVIDIA同類芯片相比，邊緣計算甚至可以達到1/27的能耗比。”。

廖奇還表示，這一GPU芯片的第二代正在進一步研發，很快就會流片；除了硅基芯片以外，中科院目前還有幾個方向正在推進，包括仿生神經網絡芯片的設計。

當然我們知道，2023年大放異彩的主要是英偉達的GPU，但最近谷歌方面主要用于推理的TPU（XPU）也表現出了初步的競爭力。有基于此，無論廖奇教授透露的信息是否是鼓舞人心也好，在XPU這條路上，我們務必需要一點樂觀，因為我們都知道，國內其實是有一個具有足夠潛力的梯隊在彼此競爭的。

至于到流片與量產，能用5NM、7NM最好，用不了，14NM制程做第一代AI基礎設施大規模應用實質也未嘗不可。

02

數字時代的“土改”

在數據維度，中國人民大學交叉科學研究院院長楊東教授，提出了一個頗具啟發性的觀點：數字時代的“土改”。

楊東教授的演講主題是“從數據大國到數據強國：數據要素在經濟發展中的角色”，試圖從中厘清中國數據應用方面的諸多卡點。

這個主題，乍聽起來，頗具官方話術的色彩。但實際上，此言絕對不虛。

試問這么個問題：大模型為何沒有在中國最早出現的問題？本質上還是過去一個時期，我們最多只是口頭講“數據是新一代生產資料”，卻沒有真正為此付諸實際動作，甚至心口不一，根本沒有在將數據作為生產資料這個問題形成基本共識——直到大模型出來，我們才發現，產業間流轉的數據都是割裂的，并沒有互聯互通。

當不同維度的數據無法高效流通與集結，即使算力足夠，我們依然沒有足夠的用以計算的數量級真實、優質數據語料。這是當前制約AI發展的最大癥結之一。

有基于此，楊東教授提出了“數字時代的‘土改’”的觀點，認為解決數據壟斷、共享度低的問題，須要盡快建立基于三權的數據收益分配機制。

對于敏感度強的投資者而言，對于過去一個時期市場里數據要素這個題材，肯定深有感觸——題材新穎，有賺錢效應，但不懂主線邏輯。在我們看來，這個觀點，很大程度上厘清了市場關切的這個問題。

有人會說，用楊教授的演講主旨遷就二級市場投資似乎顯得就很輕佻。但實際上，唯有服務于經濟發展的產業研究才是最有價值的。二級市場是產業經濟的最有效映射，具有強大的資源配置能力，因此我們格外期待“數據土改”能在2024年于市場與產業形成同頻共振。

03

大模型是時代寵兒，但不是萬能靈藥

對于投資而言，逆向思維是一種最可寶貴的投研框架。因此，在這次活動中，有一個觀點值得大家共同思考：大模型是時代寵兒，但不是萬能靈藥。

眾所周知，中國當前的比較優勢是制造業。而當時當下，又是制造業轉型升級的關鍵窗口期，即從傳統制造走向先進制造，其中典型的標志物是新能源、創新藥與AI大模型。

比較來看，新能源與創新藥本身即是創新載體，而AI大模型目前的應用趨勢還是在于嵌入到具體的載體中，賦能于效率，使汽車成為自動駕駛汽車、使辦公軟件成為辦公助手，使手動繪制圖片成為自動繪制圖片，也就是它的工具效應更強。

它的效率化實現，本質是通過指數級算力對數量級數據的計算。其中會有幻覺、謬誤，而這些問題極大可能無法根治。因此作為工程師助手，作用會顯著，但作為獨立的智能體，實質在相當一個時期內，作用可能未必比得上高度一致性的自動化生產工具。

也就是說，它的啟發性與創造力是優勢，而短時期內大規模應用于對一致性要求苛刻的生產制造，可能并不能對自動化設備形成替代（也可以說大材小用）。因此它在制造業升級中，扮演怎樣的角色，是值得長考的。

本次活動中，騰訊云智能制造首席專家邴金友即提出了類似思考：工業企業在接納大模型方面存在兩個問題，一是成本問題，數據散，模型訓練成本高；二是幻覺問題，工業里面要么是經濟產出，需要100%正確，大模型難以達成。

不過產業界倒還是較為樂觀的，來自一線的中工互聯科技集團董事長智振介紹說，現在工業大模型已經能夠做到的專家系統100%無害化，90%以上的準確度，具有了初步落地的基礎。

但對于工業大模型的定義，其實大家還是較有歧義的——一則這些大模型究竟與大模型之前的AI自動化算法程序有多少區隔？二則因為主要還是被部署應用于客服，流程管理、人力資源、營銷、內容產出和設計等方面，距離制造業第一性價值還有多少距離？

就這個問題，北京信息化和工業化融合服務聯盟理事長閆同柱的觀點更為務實：高端制造業積極擁抱是因為高端制造業本身對知識的要求比較密集，大模型起到的是優化作用，有比較大的價值。但傳統制造業來說，它的數據量不大，而大模型的門檻相對比較高，投入產出比并不那么明確。

總而言之，就目前這個時點來說，對于大模型，特別是工業場景下大模型，我們還是有必要保持一定的審慎。可以借假修真，但切勿過度渲染，路漫漫其修遠。

是為結語，騰訊科技Hi Tech Day這次活動中，主辦方所引用的一段話再合適不過：深度學習之父辛頓曾說過，創造真正智能機器的旅程是漫長而富有挑戰性的，但這是一段值得走的旅程。同樣，應用智能機器的旅程也并非一朝一夕能夠走完，但擁抱新技術是我們超越現在和自己，邁向未來的值得走的旅程。路也許還模糊不清，但先行者走的多了，就有了路。 

編者按：本文轉載自微信公眾號：錦緞(ID：jinduan006)，作者：沐陽