ChatGPT会给制造业带来怎样的影响？
左侧：嘉宾 张英丽 右侧：主持人 黄伟东
Part.1
主持人：自2022年11月底ChatGPT上线以来，短短两个月的时间，它就获得了超过一亿的用户，成为史上增长最快的消费级应用。就连ChatGPT的联合创始人山姆阿尔特曼也觉得，他已经低估了ChatGPT的热度。一时间，从硅谷到全球，从学术界、科技界、产业界和资本界大家都在讨论ChatGPT。
王家锐：第一感觉它就是一个聊天机器人，但是它和其他的聊天机器人的区别在于，ChatGPT是一个大语言模型的聊天机器人，它最重要的是它后面的这个大模型，我们叫它基础模型。这个模型非常的大，它有1751亿个参数，训练这个模型所需要的数据量都是天文数字，都不是以TB级别来表示了，训练它据说用了上万个GPU，是最大的模型之一。现在大家用了之后反响这么好，跟它后面的这个大模型有非常密切的关系。
周宇翔：它是怎么训练这个模型的呢？举个例子，比如说有一句话是：今天天气好，我们去钓鱼。那我们训练的时候会把“钓鱼”两个字蒙住，然后让这个机器不断去猜，直到它猜到“钓鱼”为止。这样的训练耗费是很大的。但是目前的训练方式决定了它产出的内容有很强的模糊性。我们让它去写一篇作文，但实际上里面的很多内容这个AI他其实不知道他在说什么，他现在只是停留在这个会说话的阶段。对于企业使用ChatGPT，那么除了在创作领域以外，在信息检索和信息收集这个领域，它是否能精准的把信息推送给我们，我觉得还有很多调整要做。这是ChatGPT走向商业化路径当中非常重要的一点。还有一点是，ChatGPT目前训练用的都是公域的数据，但是Open AI它首先不是个开源系统，而软件使用的肯定是一个企业封闭环境内的数据，如何在一个企业自己的信息环境内去训练这个模型，目前都是未知的。另一方面，涉及到数据出境的问题，创业者因为目前都在美国，那现在我们如果商业化去使用，有很多的限制。当然国内百度等公司也在做训练，但也需要一定时间。
张英丽：目前来看，ChatGPT在纯语言模型上已经做到了天花板，没有办法再突破了。但是它有一种不确定性，模糊性。当我们把它用到专业的场景去解决专业的问题的时候，我们一方面是要需要把它的这种通用的语言模型，跟我们的一些领域的知识采取一个很好的方式去结合。比如说工业领域，我们要去搭建一个自己的应用，在我这个专业的领域方面达到一个更好的效果。形象的比喻就是ChatGPT是一个以优秀的成绩完成了九年义务教育的学生，如果你要让他去工作的话，那他可能还需要一些专业技能。你只有有了一些专业技能和专业素养之后，你才可能会有一些职业的发展。
夏小虎：我是做工业的，我们对所有的信息、数据的可信度的要求是非常高的。所以在5-10年，我还看不到ChatGPT在工业领域的可信的应用。我目前只认为它是微软的一个新成员，它是一个工具，它不是一个特别新的技术。但基于这个技术，可能会有一些很新的突破。比如2005年的时候我们已经实现了在手机上播放视频而且是收费的，但是没有想到现在的这个网络视频已经成为了一个主流。甚至已经超越了传统的视频媒体所带来的影响。我想可能在很短的一段时间内，我只能借助它的一些成果来应用，我还看不到说它能够给我一个多么可信的结果。因为在工业领域如果给出的结果有百分之一的不可信，那都不能用。
Part.2
主持人：很多科技界的名人都给出了一些论断。英伟达CEO黄仁勋表示：ChatGPT是人工智能领域的iPhone时刻。比尔盖茨也评价说：它的出现，不亚于私人电脑和互联网。
王家锐：我基本上是同意这样的观点的，大语言模型也不是说到今天才出现。那么为什么这个东西就突然获得这么大的关注度？说明它的确是有它独特的地方，的确是有它有用的地方。
周宇翔：在过去二三十年的软件发展当中，一直被诟病的一个点是：软件的操作是逆人性的。生产报工或者查询财务数据的时候，你需要遵循软件页面跳转，也就是后端写的逻辑。但是现在生产方式越来越多元，比如有的工厂是直播带货的，它可能根本没有安全库存；有的是大批量规模化生产；还有的是柔性制造，这代表了多元的生产方式。所以如果我们用固化的一种模型，或者叫最佳实践去制约用户使用软件的方法，使用体验会成为很多用户的最大挑战。软件的本质是三方面，一是数据的输入和信息的汇集；二是信息的索取；三是对人的操作流程形成管控。ChatGPT很有可能会颠覆软件未来的形态。软件未来并不一定会长成现在我们的app或者桌面端，它可能会变成是人和Chatbot互动的形式，信息从人、机器、IOT流到Chatbot，同时，我们每一个人去用这个载体的时候，我们需要去消费这些数据。那它可以更智能的方式，把这个信息推送给每一个角色所要的颗粒度、信息种类、实时性等不同要求。我认为ChatGPT可能会颠覆性地改变软件未来的形态。
Part.3
主持人：360的创始人周鸿祎认为，不要把ChatGPT当做一个聊天机器人，他认为以ChatGPT为代表的的技术将来会重塑各行各业，也会在营销、生产、管理等环节带来重塑。
ChatGPT将在哪些行业或场景产生非常大的影响？
周宇翔：第一个被改变的是软件行业，它会改变人获取数据、和数据互动的方式。具体到工业领域，我觉得有几大类。第一类是工业里面的知识沉淀，怎么样能帮助各级的员工或者生产参与要素去获取这些信息。ChatGPT可能会比传统的专家系统更加准确。我比较担忧的一个点是，如果我们落到制造业这个场景里面，我们本身这个数据和信息的质量是不是到位？比如一个设备会产生持续的数据进来，但是发现它每一次故障时间的人工记录和标注，完全和机器信息是对不上的。所以拿这样的信息去训练模型是否能产出高质量的结果？
但是比较乐观的是我国从2010年开始有很多数字化的创新在工业领域发生，设备厂商也变得越来越开放，有很多的数据，以前不开放接口的，现在也能拿到，工业软件也是遍地开花。信息质量我觉得可能在未来五年会迎来很大的提升。尤其是不少厂商是基于云来构建系统或平台，这里面的数据运用会变得更加频繁。在工业范围内，有可能中国比美国有一个更好的起点。
王家锐：如果我们比较制造业公司和互联网公司，我们发现制造业企业它的人工智能或者机器学习模型的应用量非常的大。相对而言，我觉得制造业企业用得其实非常少，或者说相对比较少。一个原因就是数据的原因，那么数据有还是没有？如果没有收集到这些数据，那你没有办法做。还有一方面的原因就是，互联网公司里面招的全都是软件工程师，每个人都会写代码，但是制造业不是这样的。制造业需要各行各业的工程师，比如说半导体行业，需要懂电子的工程师，需要懂材料的工程师，还需要懂机械的工程师，但是这些其他行业的工程师可能除了大一的时候学了一点计算概论，或者C语言编程之类的课之外。他们就不再接触编程这件事情了，这是第二个障碍。即我们的工业界，我们的制造业积累了很多数据，但是因为工程师他们不熟悉或者不会去用写程序来把这些数据利用起来。
但是ChatGPT起到了一个翻译的作用，或者说桥梁的作用。如果一个工程师，他发现了一个问题，需要一些简单的程序来解决这个问题。那么他完全可以不会计算机语言。它可以告诉ChatGPT，我需要做什么样的事情，请你把这样的代码给我写出来。我觉得这是完全可以实现的。退一步讲能不能利用ChatGPT实现相应的一个程序，或者说相应的一个函数的调用呢，就是我不去具体实现这个函数来处理某件事情，但是我告诉ChatGPT我要做什么，ChatGPT可以找到相应的函数，然后来调用这个函数来帮我实现这样一个事情。这样的话，对于非计算机专业的工程师来讲，计算机编程的这样一个障碍就被打破了。
另外一方面就是索引。我觉得就ChatGPT本身来讲，它不可能知道他用来训练的这些数据之外的东西。那么如果说我们有一个企业，他有自己的一个技术手册，那么这个技术手册我觉得是不太可能出现在ChatGPT的通用的训练语料库里面的，那么就需要有一个微调方法让它熟悉。它可以依据我们给它提供的这个资料库来生成我们所需要的技术资料，尤其是对于一些非专业的客户来讲，你给他看这个技术资料，可能他根本也看不懂。我们不需要很多人工客服去解答问题，我们有这样的一个语言模型就可以解决很多的问题。
张英丽：语言模型或者纯文本的环境下、自然语言环境下，ChatGPT肯定会有更多的应用。我们现在也在做这样的一些探索，我的一些客户来去做这种技术的选型，或者是售后服务，或者是一些咨询的时候，我能不能用这种自然语言的方法，让他更容易地去跟我们的这些生态伙伴来去做这种交流。第二种应用场景是我们把这种语言模型跟其他的持续的数据、图形的数据等有一个很好的结合，让它能够产生一种破圈儿的效果。
首先ChatGPT的一个非常好的一点，我觉得是它让大家理解、认识和认同了这种大的基础模型，产生了一种信念，就是大家开始相信它。当你开始相信它的时候，那我们在这种语言模型上能够实现很好的效果。在我的工业领域，我也有非常多的机器语言，我有非常多的不同的数据，那我们在这些数据的基础上能不能跟ChatGPT这样的一个语言模型，去结合产生更多的意想不到的一些效果，那这个我觉得也是一个未来很好的，很值得大家去探讨和探索的一个方向。
挑战在于，数据质量的问题和标注数据的问题。比如我预测到它有故障了，但我要知道故障出现的原因，比如说它破坏的规则是什么，然后我们从历史的持续数据里面挖掘到一些规则。
夏小虎：可能会发生的实际应用场景大概有两个。第一个关于信息检索和分析。比如国家标准委员会的标准库、机械工业信息研究院的文献库、企业里面的各种知识库，可以导入到这样的工具里面来进行分析处理应用。如果是有这么一个工具的话，把已有的这些知识传到一块，然后把它导出来再进行检索，我觉得这是一个非常好的提高效率的工具。比如有的时候你问了一个问题，你根本就不知道去找谁，实际上ChatGPT或者其他语言模型是一个很好的导游。第二个在工业领域应用。工业领域有两个运算，一个是APS运算，一个是MRP运算，这两个运算目前市场上的产品做得并不怎么样，其实它并不需要得出一个非常精确的结果，完全可以用AI来做，至少可以给我们的工业的制造带来5%的性能提升。第三个，在MES系统和ERP系统里的应用，现在国际性的大公司都在用SAP的系统或者是IBM的系统，他们的系统虽然专业但不太好用。很专业的工具里面，它有一些功能藏得很深，但这个对于一些专业工程师来讲，它需要很快地通过一些快捷键就能用得起来。我觉得未来很多智能模型至少可以节约工程师很多没有太多意义的重复劳动。但前提是你一定给我的是一个高效的数据，是一个正确的数据，如果你给我的结果不对，会导致我的运算成本增加。
王家锐：我想在这个话题上面泼一点冷水。大家都提到，就是用这个规范也好、标准也好，作为一个语料来训练，这样一个大模型能够非常大程度上地降低大家检索的难度，让大家获得相应的信息和知识更容易。我觉得其实这个是有技术困难的，不是每一个研究所或者说图书馆都有像西门子这样的一个人工智能的基础设施。而且它不仅仅是一个硬件，它需要有相应的人去做这些事情可能，这是一个有门槛的工作。
Part.4
主持人：类似ChatGPT技术，在很多领域和环节极大地提升了工作效率，未来也会引起制造业的升级。赫拉利在《未来简史》中提到，人类的发展已经进入了巨变的前夜，人工智能取代物竞天择,地球上使用了40亿年的进化历程画上终止符。随着人工智能的发展以及劳动生产率提高,未来可能1%的人就能养活全人类，其他99%的人都是无用阶层。
ChatGPT是否会导致大规模的失业？
张英丽：我认为ChatGPT是一个全科60分的通才，九年义务教育毕业之后它能找到的工作其实并没有那么多。我在制造业里面工作了很长一段时间之后，积累了很多专业的技能，然后有很多的专业知识，这个才是我用来谋生的工具，而不是说我只是能跟你对话，我能跟你讲。我相信在比较近的未来之内，不会有大规模的职位被取代。这种通用模型，它可能会带来比较多的效率的提升，那效率的提升，它必然会带来一些资源结构的调整，这个我觉得也是不可避免的。比如我有很多的机械臂之后，我可能不需要那么多组装的工人了，那我可能需要更多的这个对机械臂、对生产运营、对数字化运营的这些职位。是一个工作的结构性迭代，并不像是大家以为的那种会被淘汰。
黄伟东：ChatGPT更多的是降低了人机协作的门槛，让更多的人有机会通过人机协作来提升工作效率，然后降低劳动强度。对于就业岗位的影响来说，我个人也是偏乐观的，因为从我们技术发展的角度来看，当初出现照相机的时候，人们也一度的认为画家可能要失业了，但实际上从后面来看的话，其实画家更多了，而且学画画的人、爱好画画的人也更多了。在汽车出现之后，根据数据的统计，从事运输服务环节的人数，出现了成千上万倍的增加。所以我们对于技术的发展完全可以保持一个相对乐观的态度。
王家锐：我们首先要从原理的角度来看，它到底是一个什么东西。大模型的本质上就是“数据+概率”。他为什么输出这么一段文字呢？从概率上来讲，它是最高概率的，所以它这样输出。它不可能超过我们给它的输入的数据范围。所以我觉得它不是一个取代人类的关系，它是一个人类的工具，从某种程度上讲就总是会取代掉一些人的工作。在人工智能训练或者说机器学习领域，这个大模型现在基本上是已经被证明是一条正确的发展道路。但不是每一家公司都需要大量的人去训练这个模型，或者说至少在预训练阶段不是这样的，很多中小型公司可能不一定能负担得起这样的人员成本，包括硬件的成本，但是至少中型以上的公司他们是可以用自己的数据去预训练一个大模型，然后再根据他的业务去进行微调，然后用这个大模型来对公司业务进行支持，我觉得这样就是人工智能领域的一个工作范式。
但是这种工作范式很快就要被打破了。以后很可能是若干家人工智能大公司来训练技术模型，然后其他的公司的工作主要集中在微调上面。我觉得这是一个非常有可能的一个发展方向。一方面来讲，这个更大的模型它的效果是更好的，另外一方面来讲就是中型公司现在已经没有办法负担得起这种大模型的预训练工作了。那么具体到从业人员来讲，如果你还在各种中小型公司做模型预训练，那么有可能在五年之后这个工作就不存在了，或者说已经转移到这些大公司去了。
夏小虎：系统越复杂，对人的要求也就越高。比如到了自动化的时代，你一定要会机械。你不能说我只会写PLC程序，我不懂这个开关是什么原理，我不懂通信什么。像AI产品出来了之后，就会诞生很多的训练、应用、培训、开发维护的岗位，所以我觉得会有一些岗位消失，那说明这些岗位不是那么重要，或者他就是被时代所淘汰的。当人的能力越来越强大的时候，他的触角会越来广。比如到了电子商务时代，我可以做这个地球上所有的这个生意。那么在AI时代，我检索信息的时候，我可能会调动全球所有的数据。我觉得首先要担心的应该是开发者的岗位。开发ChatGPT的或者是AI的公司，这些员工应该是第一个被淘汰的。你会看到一些大型的专业公司它底层的做技术工作的员工，可以说是凤毛麟角，要么就是外包了，要么就是用一些工具把它给取代了。这也是微软为什么会发布一些写代码的机器人，这对他们来说属于叫低附加值，人类社会发展的一个必然趋势一定会这样。
有些设备的结构不是说没用，它只是说在新的系统里面不太适合，没有它的生存和用武之地。比如未来像异步电机这样的电机，实际上在工业里面是可以取消的，你可以直接转换成变频或数字电机。随着智能技术的发展，岗位的分配会越来越细，你的触角会变得特别特别长，然后你所要处理的信息完全不再依赖于你的视野有多广。如果五年之后或者十年之后，你不会用一个AI的工具，就跟你在工厂里面不会写PLC程序一样，这其实是很难的。
Part.5
主持人：ChatGPT出现以后，微软解散了刚刚成立4个月的工业元宇宙团队。紧接着，Meta、腾讯、快手、字节跳动等头部科技公司对XR相关业务也进行了收缩与放缓。
王家锐：一个是钱的问题。做研发不管是哪个公司，包括微软在内，它的预算一定是有限的，不可能用无限的预算去做所有想做的事情。一个是人员的问题。从硬件的角度考虑，其实元宇宙或者说AR、VR和这个训练大模型，它其实对硬件、对算力都是有很高的需求的。受到限制的话，那么就要排一个优先顺序，那到底哪一个更有可能得到产出。
周宇翔：我个人不看好元宇宙，我觉得它就是一个泡沫。
黄伟东：资源有限性的这个问题我也是很认可这个观点，因为这几年在AI领域有很多知名的技术大牛其实都已经从互联科技公司重新回到了学术界里头。这可以说是一个非常明显的现象，甚至连OKR都可能没有办法去量化也有些关系，但资源的投入又确实是实实在在的。因为ChatGPT这样的技术很有可能，首先在搜索引擎方面带来一些颠覆性的变化。近期也是听说百度现在已经是以战备的姿态来应对这一场代际革命，所有的A100 GPU都调给文心模型做预训练了。
夏小虎：他们当初成立这两个部门的时候，我基本上就能确定：命不长久。互联网是互联网，工业是工业，这个完全不是一回事儿。比如说英语和中文，虽然你都能很熟练地交流，但是你能够真正理解对方吗？能够很完全地理解对方的背景吗？互联网和工业实际上还是有很明显的边界。互联网要把手伸到工业里面，它大概是一个什么概念呢？相当于一个城里人到超市里面去买东西，他的边界就是我看到商品，这是他的边界。那工业是什么？工业是农民在地里面把粮食、把产品给造出来、给种出来。我怎么样去施肥、怎么样去耕地？这两个之间的一个界限，实际上就是超市，就是这个销售部门。城里人理解不了，农民有多苦，农民也理解不了，城里人有多么的幸福啊。
腾讯的XR部门给宝钢做过一个业务，他做了一个全场景的虚拟化。我研究了很久才发现，腾讯是在用大炮打蚊子。对于腾讯这样的公司来说，它构建一个虚拟化的场景实际上是非常容易的，因为它有很多的技术应用在它的游戏业务里面，手到擒来，特别熟练。但是到了工业领域，它抓住的很多点都不是工业所关注的。你做得好看是基本要求，但是我不需要你像游戏里面那些玄幻。有人会认为“互联网+工业”的概念会让互联网公司赚很多钱，但是每个工业公司、每个制造业的实体，它会有多少钱花在互联网的信息化上面？比如灯塔工厂投资下来可能需要几十个亿，而花在信息化上面的仅仅只是千万、百万级别的。大部分钱都花在了实实在在的采购、生产线改造、供应链配套上。
腾讯是一个追求高利润、追求高体量的公司，他要是想在工业里面去做一个产品出来非常难，尤其他把目光是放在做案例上而不是做产品。如果腾讯公司把他的虚拟化的技术、三维的交互技术变成了一些底层平台的技术，跟工业的实际需求结合起来，开发出一个XR产品，那我觉得是可以跟西门子的数字孪生斗一下的。微软的工业元宇宙它我觉得他面向的也不是工业里面实际需要的那些东西。那么哪个公司跟工业数字化搭点边或者是说交付得比较好？我觉得是华为。因为华为提供了很多在工业里面需要的一些技术性的东西，其中最关键的一个就是通讯。在一些全场景的解决方案上面，华为也相对来说比较厉害一些，它很多的一些研发的一些东西，它是比较落地的。所以腾讯和微软解散这两个部门，我觉得是正常的。
Part.6
主持人：2023年2月起，百度、阿里、腾讯、京东、字节等纷纷发声表示自己在大模型领域已经开展了深入研究，且获得了很多成果。一时间，追逐大模型成了国内AI行业的标准动作，“大练模型到炼大模型”的过渡期似乎已经接近尾声，下一阶段大有“全民大模型，ChatGPT进万家”的架势。
在制造业领域，未来有可能出现技术或应用的推动者吗？
王家锐：我觉得即使是制造业，现在也已经和以前非常不一样。比如说我们买手机的时候可能看的不仅仅是它的一个外观，或者说重不重、好看不好看，它的系统其实也非常重要。拿苹果举例，它可能很大一部分业务收入都是来自于软件。如果制造业企业能够在实物产品里面赋予更多的信息化的内容，或者一些非实物的内涵，利用这样一个工具去做这样的事情，我觉得就是一个比较好的一个方向。
周宇翔：过去五年，对于未来五年制造业数字化的话题提得比较多。其实在这个过程中，我们积累了很多数据甚至比欧美国家更丰富。那么我们未来该如何运用这些数据呢？目前我们离用户的价值场景还是比较远，只是完成了将数字化数据搬到服务器或者云端。举个例子，国内的很大的一个隐形眼镜制造厂商找到我们说他需要一个MES。那我们就很好奇，就问你为什么需要？结果他说我不知道，我老板让我去选择这个东西，然后我们就和他的生产副总裁开了一个会，结果发现他其实也不知道为什么选MES。是因为他们厂子的产品和原材料并不能很好地关联起来，因此被罚了款，如果下一次检查还不过关，有可以停产一个月。所以工厂老板向周围朋友打听怎么去解决这个问题，有的人上了某种信息化系统，所以才来购买这个MES。
我觉得国内最大的一个问题是制造业里面充斥了各种概念。现在又发明了元宇宙，但实际上我们把这个数据装到系统里面，那它到底给企业发挥了怎样的价值？我觉得这个是值得探索的。我觉得接下来的5-10年是围绕着“数据的利用怎么样更贴近用户的价值场景”而展开。而不是说继续拿着锤子找钉子。
夏小虎：ChatGPT这种信息检索的应用，和工业制造方面的融合的点可能还不是特别清楚。面向工业的应用主要分成两部分，一是面向工业企业的这种服务，这主要是信息化方面的一些服务；二是面向制造业方面的服务，这个就是实打实的，真的是要动手去干活。对于第一部分，可能会有一些信息检索、客户服务、信息导流等，对于第二部分，可能会在MRP或者是运算领域会有一些用。但这个就像机器视觉一样，机器视觉刚刚出现的时候大家也不知道干什么用，但是直到某一天看到几家公司推出了基于机器视觉的一些高性能计算的算法平台，AI技术的应用才开始规模化的发展。
从这个历史来看的话，有可能一开始的时候大家就尝试在一些地方小规模的尝试用。有一些小公司在里面不断地去投入，不断地去研发，直到某一个公司利用这项技术推出了一个平台，一个自闭环的一个平台，那才有可能会开始普及。所以现在实在不太容易。对制造业来讲，可能在供应链的建设是很重要的一部分。
Part.6
主持人：从人工智能的市场规模来看，我国近五年的年均增长率都超过了50%，2022年总体的市场规模也达到了2800亿元。从科研成果的角度来看，近十年全球人工智能领域的论文大概是100万篇，来自中国的占到了20%，其中已经有60%属于高水平论文。从专利的角度来看，近十年全球人工智能累计授权量大概是25万件，中国占到了60%。国内一些企业大模型训练的参数也比chatGPT要大得多。比如阿里的M6大模型是10万亿级参数，腾讯混元模型是万亿级参数，百度文心大模型是2600亿左右。
为什么ChatGPT首先出现在美国，而不是中国？
王家锐：我觉得这个现象不见得是一件坏事儿。如果我们从中立的角度去看，就是中国市场大，而且消费市场大，工业领域的工程师也更多，所以应用场景更多，而且使用的频次更高。所以，就是同样的东西在中国，它能够更多地落地。
另一方面我觉得有一个问题，就是我们现在其实是不知道其他几家的大模型到底是什么样的，它没有公布。我觉得从技术角度上来讲，他们背后的这个原理是有很强的相似性的，都是基于Transformer的模型，Reinforcement Learning（强化学习）也是大家都在用的一个方法，但是把这两个结合起来，然后做在一个非常大的模型上面，可能微调也做得比较好，正好让Open AI做出来了。所以，它有一定的偶然性，我觉得也不是必然。
另外一个就是我觉得大家有一个印象上的误区，觉得Open AI是一个规模小，甚至是是一个创业公司。但是Open AI跟一般的创业公司不太一样，Open AI从员工待遇上来讲是非常好的，他们的待遇其实是比我们所知道这些美国的互联网大厂的待遇同等级别还要再高一些。从这个角度讲，你不能说他是一个小公司，所以从人才的水平、从工程师的技术水平上来讲，他们能够招到更优秀的人才。从硬件角度来讲，它根本也不是一个普通的小公司，它其实是在美国的计算机行业的巨头微软的基础上训练出来的一个大模型。大家其实都在试不同的方向，然后正好这个方向得到了突破。一旦有一个方向的指引之后，可能类似的东西包括在国内的公司，包括在美国或者其他国家的公司可能很快就可以做出来。
夏小虎：我觉得主要是看研发的投入规模。美国的研发投入规模实际上是非常庞大。他们对各种技术的这个尝试和研发投入实际上是持续不断的。国内的研发主要偏向于应用为主，就是你要有能跑得通的商业模型。但是有一些很多的技术研发实际上是没有商业价值的，这个可能是一个问题。国内你说让哪个企业去纯投入去干一件事情，除非他能看得到一个很好的商业前景，不然它是很难去投的，尤其是一些大型企业。
中国人很喜欢在一个已有的技术上，不断地去挖，不断地去深化，然后把它做到别人可能花几十年做不到的一个高度。但是你让他去花点心思去规划一下他的工厂的环境，去形成一个新的理论，他觉得跟他的关系不是特别大。中国人喜欢看到实打实的东西，这种虚的东西我也看不懂，我也不会，我也不投。
但是我看到一个东西可能会有前景，就是华为的鸿蒙系统里面提了一个概念：跨设备虚拟化。无论是制造还是在互联网信息化这一块，它打破了这个边界，这个概念可能会是比较有前景，但这个跟ChatGPT比起来还是没有那么宏大,所以在宏大的这种研究上，中国人还不是很擅长。
王家锐：不光是人工智能，包括在材料领域，包括在半导体技术、物理，化学，天文领域其实都是这样的。我觉得如果我们从经济基础的角度分析，在美国来讲，可能做这些工程上的投入回报比是很低的，甚至是亏着的。所以他只能尝试一些新的比较偏基础的一些方向的探索，但一旦成功，虽然说可能90%甚至99%它都是无用功，最后没有办法产生经济回报，但是只要有一个方向取得了突破，那么会使整个国家包括这个整个行业，都拿到一个超额利润、垄断利润，因为别人都不会，就你会。
夏小虎：美国资本对技术霸权是最极致的追求。什么叫技术霸权？就是实际上他可能投了100个，100个可能都失败了，那么他再投100个，只要有一个产生了回报，他会确保那200个的投入会成倍地给他返回来。
张英丽：罗马不是一天建成的，量变引起质变还需要时机。这次chatGPT的出现是前期的积累。
王家锐：中文训练不会比英文训练更难，从原理上来讲是相似的。然后我觉得中文模型或者说任何一个模型，它如果是多语言模型，它在中文方面存在的可能是语料问题。我觉得我们需要承认的一点，这个世界上现在大多数的知识的载体语言是英语。模型是由你给它的数据决定的，那么他不可能做出超过你给他的这些数据范围之外的东西。但是如果我们从另外一个角度讲，这个模型它是可以支持多种语言，也就是英文资料比较多，中文里面资料比较少。如果一个只懂得中文的用户，他其实获得了超过中文范围之外的一个信息，那从这个角度讲，中文的使用者其实比英文的使用者从这个模型获得的收益更大，或者说潜在的收益更大。
【手机扫码 观看直播回顾】
本期节目嘉宾介绍
黑湖科技的联合创始人兼CEO 周宇翔：具有多年大数据、工业软件产品连续创业经历，是福布斯评选的“亚洲30岁以下的30位优秀创业者”之一。黑湖科技公司是达沃斯论坛2021全球科技先锋企业。
西门子人工智能实验室北京团队负责人 张英丽：对AI的技术前沿和应用有很多研究和探索，特别是在AI技术如何帮助企业快速决策方面经验丰富。
上海万工的总经理 夏小虎：长期从事工厂自动化、智能化领域，做过很多世界级企业的智能制造改造项目，目前正在美国为一家龙头企业建智能化工厂。
领英公司的高级人工智能软件工程师 王家锐：是大语言模型的训练与应用的专家。曾任职于美国应用材料公司(Applied Materials)，从事尖端半导体设备工艺的研发。
如果您想跟几位嘉宾做更深入的交流，或者想参加我们下一次制造业沙龙节目，欢迎与我们联系！
