6月21日，北大光華管理學(xué)院聯(lián)合騰訊，宣布升級“數字中國筑塔計劃”，共同推出“企業(yè)管理者人工智能通識課”系列課程，助力企業(yè)創(chuàng )始人和管理者擁抱AI。在第一課上，騰訊集團高級執行副總裁、云與智慧產(chǎn)業(yè)事業(yè)群CEO湯道生，簡(jiǎn)要回顧AI的歷史，系統詮釋了大語(yǔ)言模型推動(dòng)的技術(shù)變革，行業(yè)落地的挑戰與應對，以及企業(yè)擁抱大模型的基本準則。

　　湯道生回顧了AI發(fā)展的歷史，表示算法創(chuàng )新、算力增強、開(kāi)源共創(chuàng )三大因素的疊加，構成了AI的“增長(cháng)飛輪”。

　　大模型的快速進(jìn)步，推動(dòng)我們正在進(jìn)入一個(gè)被AI重塑的時(shí)代。湯道生表示，大模型只是起點(diǎn)，未來(lái)，應用落地的產(chǎn)業(yè)變革是更大的圖景。企業(yè)過(guò)去的研發(fā)、生產(chǎn)、銷(xiāo)售、服務(wù)等環(huán)節中，有很多依賴(lài)人來(lái)判斷、協(xié)調與溝通的地方，今天都值得去看看，哪些環(huán)節可以疊加AI的生產(chǎn)力，來(lái)提質(zhì)、降本與增效。

　　“AI對世界的改變，一定是通過(guò)與產(chǎn)業(yè)融合實(shí)現的。機器決策、自主生成、自然交互等一系列變革，將推動(dòng)產(chǎn)業(yè)實(shí)現更高效率、更低成本、更好體驗和更大創(chuàng )新。未來(lái)的企業(yè)，也將向智能原生進(jìn)化?！?br />
　　以下為演講湯道生全文：

　　大家好！非常高興參加今天的發(fā)布會(huì )，一起探討產(chǎn)業(yè)智能化升級。隨著(zhù)大語(yǔ)言模型的發(fā)展，我們正在進(jìn)入一個(gè)被AI重塑的時(shí)代，從生產(chǎn)銷(xiāo)售、組織人才，到產(chǎn)業(yè)革新、社會(huì )發(fā)展，都會(huì )發(fā)生劇烈的變化。

　　許多企業(yè)管理者也在思考，如何把大模型技術(shù)應用到自己企業(yè)場(chǎng)景中，比如在客服與營(yíng)銷(xiāo)環(huán)節，為業(yè)務(wù)經(jīng)營(yíng)帶來(lái)更多降本增效？如何在使用大模型時(shí)，保護企業(yè)數據的產(chǎn)權與隱私？如何降低大模型的使用成本？這些都是企業(yè)管理者需要考慮的現實(shí)問(wèn)題。

　　今天，我們和北京大學(xué)光華管理學(xué)院攜手共建的“企業(yè)家人工智能通識課”，就是期望能夠幫助大家，在前沿技術(shù)理解、公司組織變革、商業(yè)模式驗證、模型實(shí)際落地等重要問(wèn)題上，一起尋找新的解題思路。

　　在這里，我也分享一些對人工智能和產(chǎn)業(yè)融合的想法，跟大家探討，如何以AI驅動(dòng)產(chǎn)業(yè)變革。

　　我想從四個(gè)部分，分享一下自己的觀(guān)察和看法，包括AI的歷史、技術(shù)現狀、產(chǎn)業(yè)落地和帶給我們的挑戰。我先從技術(shù)發(fā)展的角度，回顧一下AI發(fā)展史，這會(huì )幫助我們更好的理解人工智能的現狀和未來(lái)發(fā)展。

　　一、人工智能發(fā)展歷程

　　1950年，人工智能之父圖靈在論文中，提出了一個(gè)關(guān)鍵問(wèn)題：“機器是否可能具有人類(lèi)智能？”由此誕生了“人工智能”的概念。

　　人工智能究竟是什么？它是一門(mén)研究、開(kāi)發(fā)，如何模擬、擴展人的智能的科學(xué)。包括機器人、語(yǔ)言識別、圖像識別、自然語(yǔ)言處理等方向。

　　簡(jiǎn)單說(shuō)，就是研究怎么讓機器和人一樣，會(huì )聽(tīng)會(huì )說(shuō)，會(huì )看，會(huì )思考，可以行動(dòng)。其中尤其重要的一個(gè)方面，是讓機器掌握語(yǔ)言，從理解、學(xué)習，到生成表達，這也是今天，GPT-4這樣的大模型所表現出來(lái)這種“超能力”。

　　語(yǔ)言是人類(lèi)思維最重要的載體，《人類(lèi)簡(jiǎn)史》作者尤瓦爾（Yuval）甚至說(shuō)，通過(guò)掌握語(yǔ)言，人工智能已經(jīng)破解了人類(lèi)文明的操作系統，掌握了通往未來(lái)的“萬(wàn)能鑰匙”。

　　過(guò)去40年，AI發(fā)展不斷加速。也有一些大眾熟知的標志性事件，比如，IBM的專(zhuān)用超算機深藍，在1995年，通過(guò)窮舉棋盤(pán)上所有可能性，奪得國際象棋世界冠軍。2016年，AlphaGo結合深度學(xué)習與強化學(xué)習，在圍棋上打敗李世石。還有AlphaFold對生物科學(xué)的貢獻，把蛋白質(zhì)的折疊做到非常高的精度。再到最近讓大眾風(fēng)靡的ChatGPT、GPT-4，文生圖技術(shù)Midjourney、StableDiffusion等等。

　　這些事件的背后是底層技術(shù)，特別是神經(jīng)網(wǎng)絡(luò )的持續突破。1986年，深度學(xué)習之父杰弗里·辛頓（GeoffreyHinton）發(fā)明反向傳播算法，奠定了現代機器學(xué)習，用數據來(lái)訓練神經(jīng)網(wǎng)絡(luò )的理論基礎。

　　神經(jīng)網(wǎng)絡(luò )計算模型的原理，是通過(guò)模仿人腦構建人工神經(jīng)元模型，以多層架構，層層抽象。

　　隨后，模型架構不斷創(chuàng )新，比如卷積神經(jīng)網(wǎng)絡(luò )、循環(huán)神經(jīng)網(wǎng)絡(luò )等，帶來(lái)了深度學(xué)習的大發(fā)展。最近一次重要的突破是2017年，Google多名研究員發(fā)布了一篇開(kāi)創(chuàng )性的論文《Attentionisallyourneed》，提出Transformer架構，以自注意力來(lái)表達序列中每個(gè)單詞的關(guān)聯(lián)，今天包括GPT在內的AI模型，都是在這個(gè)Transformer通用框架上衍生而來(lái)。

　　AI的發(fā)展，除了底層技術(shù)，還要受到算力等因素的限制。神經(jīng)網(wǎng)絡(luò )的訓練非常消耗算力，在80年代，計算機能力僅能支撐淺層神經(jīng)網(wǎng)絡(luò )，當時(shí)一個(gè)較為典型的神經(jīng)網(wǎng)絡(luò )只有1960個(gè)參數，連最簡(jiǎn)單的文字識別基本都無(wú)法完成。哪怕到了2000年代初，算力仍然是瓶頸，可供訓練的在線(xiàn)數據也不足。

　　到了最近20年，硬件算力不斷提升。一方面，摩爾定律讓芯片計算能力持續翻翻；另一方面，高速網(wǎng)絡(luò )與分布式計算技術(shù)，也讓計算機集群規模不斷擴大。2000年代中，英偉達打造了CUDA，把GPU變得更通用與可被編程，一下從圖形渲染，延展到科研超算領(lǐng)域?；诓煌脑O計理念，GPU重點(diǎn)攻克并發(fā)的向量計算，單個(gè)GPU的算力，比過(guò)去基于CPU的算力多了一千倍。加上互聯(lián)網(wǎng)的高速發(fā)展，快速增加了可訓練的數據，讓神經(jīng)網(wǎng)絡(luò )可以做到更大、更深、更多參數、更復雜的模型結構，由此誕生了千億級以上參數的大模型。

　　此外，全球產(chǎn)學(xué)研力量，攜手開(kāi)源共創(chuàng )，也是人工智能快速突破的重要因素。無(wú)論是科研論文、數據集、模型算法，還是軟件平臺，一代一代的人工智能科學(xué)家，都無(wú)私的開(kāi)放自己的研究成果，讓后來(lái)者能在前人的基礎上不斷前進(jìn)。

　　在開(kāi)源軟件方面，全球高校與科技企業(yè)，都為開(kāi)發(fā)者貢獻了多種AI訓練與推理框架，還有大量數據處理工具。

　　到今天，大量各類(lèi)預訓練的開(kāi)源模型，都能從huggingface、github等平臺下載，讓全球研究人員可以在各種開(kāi)源模型上搭建服務(wù)，與優(yōu)化出更好的模型。

　　開(kāi)源共創(chuàng )、算法創(chuàng )新、算力大幅增強，這些因素疊加，構成了AI的“增長(cháng)飛輪”。GPT-4、PaLM2、LLaMa等大模型的問(wèn)世，讓大家看到了通用人工智能的曙光。

　　二、大模型推動(dòng)智能變革

　　如果說(shuō)，大語(yǔ)言模型已經(jīng)涌現出一定的智能現象，也就應該能產(chǎn)生出，在訓練數據中從來(lái)沒(méi)有出現過(guò)的新組合內容。

　　通過(guò)這個(gè)畫(huà)畫(huà)的案例，我們可以看到現在的AI大模型處理問(wèn)題的方式，不再是靠完整的保存與復制，而是通過(guò)理解指示后，把訓練過(guò)的知識重新組合生成的。

　　可以看出，大模型可以按照指令，逐步畫(huà)圖，比如，用字符來(lái)畫(huà)一個(gè)人出來(lái)。其中用字母O表示臉，用字母Y表示軀干，再用H表示雙腿。第一次畫(huà)的并不理想，但可以根據反饋，調整身體、手的比例，給小人穿上衣服。是一個(gè)不斷反饋和調整的過(guò)程。

　　另一方面，著(zhù)名的圖靈測試，就是在對話(huà)中能否識別出對方是人還是AI，在今天已經(jīng)不足以評估人工智能的智能程度。

　　如果做題考分是評估人的智能最直接的工具，那么大語(yǔ)言模型在語(yǔ)言理解與邏輯推理能力上，已經(jīng)超過(guò)了平均人類(lèi)的水準。

　　在編程領(lǐng)域，GPT-4參加了亞馬遜的模擬技術(shù)考試，拿到了滿(mǎn)分，這個(gè)考試規定的時(shí)長(cháng)是兩小時(shí)，它只用了不到4分鐘。在美國GRE和生物奧林匹克競賽考試當中，GPT-4也超過(guò)99%的人類(lèi)；模擬律師資格考試的成績(jì)，大約是前10%。此外，谷歌的Med-PaLM2，也在美國醫療執照考試中達到了專(zhuān)家水平。

　　最近，OpenAI又給ChatGPTAPI增加了函數調用能力，這意味著(zhù)大模型也能使用工具了。自己不具備的能力，可以靠各種第三方服務(wù)嘗試解決，大大增加了通用大模型解決問(wèn)題的能力。

　　大語(yǔ)言模型代表人工智能的發(fā)展，已經(jīng)達到了一個(gè)新的高峰，有卓越的語(yǔ)言理解、強大的邏輯推理與溝通能力，能帶入角色，主動(dòng)思考。

　　用大量數據預訓練的模型也推動(dòng)機器視覺(jué)、語(yǔ)音識別、機器人等AI能力發(fā)生新的突破。通過(guò)對機器想、聽(tīng)、看、動(dòng)等能力的整合，AI也將真正成為人們的工作和生活助手。

　　首先，基于多模態(tài)的大模型，計算機視覺(jué)從“能看”到“看懂”。

　　在銀行業(yè)務(wù)中，要處理很多的回單、發(fā)票、申請書(shū)、業(yè)務(wù)郵件等數據，例如我們合作的一家商業(yè)銀行，在資產(chǎn)托管業(yè)務(wù)中，每天需要處理1萬(wàn)多件郵件和傳真。來(lái)自投資、保險、融資等等不同的業(yè)務(wù)系統，內容有票據、證件照片等等，多種樣式?？咳斯ぬ幚?#xff0c;錄入系統，費時(shí)費力，就需要借助更智能的機器識別。

　　在傳統的算法模型下，需要輸入2千張的單據，機器才能識別一種單據，也沒(méi)有整理成表格或者標簽的能力。

　　現在，基于大模型能力，我們的TI-OCR只需要50張被標注的單據，就可以快速識別一種類(lèi)型的單據。同時(shí)可以根據分析能力，自動(dòng)提煉核心標簽，生成電子數據文件，進(jìn)行后續的商業(yè)分析。

　　大語(yǔ)言模型不僅懂多種人類(lèi)語(yǔ)言，還掌握多種程序語(yǔ)言，還可以幫助程序員寫(xiě)代碼。

　　我們也打造了騰訊云新一代AI代碼助手，實(shí)現AI對代碼的理解，輔助程序員編寫(xiě)、排錯與測試，為軟件研發(fā)的全流程助力，提高開(kāi)發(fā)效率與代碼質(zhì)量。

　　這是上周新發(fā)布的一段視頻。騰訊RoboticsX機器人實(shí)驗室的機器狗Max，能力又升級了。大家可以看到，兩只機器狗正在進(jìn)行一段障礙追逐賽，把他們隨機放到場(chǎng)地中，一個(gè)追，一個(gè)躲，還有一面隨機出現的旗子。躲的機器狗，要努力在不被抓到情況下，摸到旗子，摸到旗子后，角色調轉。

　　在這個(gè)過(guò)程中，兩只機器狗要實(shí)時(shí)的根據對方的行動(dòng)，判斷自己的行為，同時(shí)還要惦記著(zhù)目標，也就是碰到旗子，或者抓住對方。同時(shí)，在碰到旗子后要馬上修正自己的策略。

　　通過(guò)這個(gè)視頻，我們能看到，機器狗的行動(dòng)，也因為預訓練AI模型和強化學(xué)習的加入，具有了更好的靈活性和自主決策能力。

　　大語(yǔ)言模型不僅能與人溝通，更重要的是通過(guò)模型的精調，可以按需求產(chǎn)生一系列的執行步驟，比如聯(lián)網(wǎng)調用不同插件的能力，加上多模態(tài)讓AI同時(shí)能看懂圖，聽(tīng)懂話(huà)，會(huì )規劃，能行動(dòng)，這樣就可以做出更強大的應用，讓AI更像真正意義上的智能助手，完成更高級的任務(wù)。

　　比如，線(xiàn)上廣告投放員，每天需要刷新大量廣告素材，確保廣告投放的ROI，如果結合廣告效果數據與文生圖能力，可以不斷地根據數據分析，生成投放策略，調整投放渠道，并且針對性的生成投放素材，自動(dòng)化程度與效率都會(huì )更高。

　　三、企業(yè)擁抱大模型的方式和路徑

　　這么多變革匯聚在一起，也意味著(zhù)海量的創(chuàng )新即將爆發(fā)。大模型只是起點(diǎn)，未來(lái)，應用落地的產(chǎn)業(yè)變革是更大的圖景。

　　事實(shí)上，不管哪個(gè)行業(yè)，都應該積極擁抱AI，過(guò)去的研發(fā)、生產(chǎn)、銷(xiāo)售、服務(wù)等環(huán)節中，都有很多依賴(lài)人來(lái)判斷、協(xié)調與溝通的地方，今天都值得我們去看看哪些環(huán)節，可以疊加AI的生產(chǎn)力，來(lái)提質(zhì)、降本與增效。

　　目前，海外一些大型企業(yè)，已經(jīng)開(kāi)始投資及采用大模型技術(shù)。比如，摩根士丹利直接接入GPT-4，用它整合、解析，海量的投資策略和市場(chǎng)研究報告，給投資顧問(wèn)提供直接的參考。

　　根據自媒體《量子位》的分析，我們可以看到，生成式AI（AIGC）對不同行業(yè)的影響程度與接受程度。圖中能看到，內容與電商產(chǎn)業(yè)受到影響最明顯，像文生圖的技術(shù)，將會(huì )大大改變內容制作的流程與成本。

　　既然大模型這么重要，在座的企業(yè)家與管理者，可能也會(huì )問(wèn)，我們如何把它用在企業(yè)上，抓住技術(shù)變革的紅利？

　　我可以給企業(yè)管理者一些建議：

　　第一，聚焦企業(yè)自身業(yè)務(wù)，挑選具體場(chǎng)景，讓AI成為服務(wù)的增量。

　　第二，確保訓練數據質(zhì)量，梳理出測試用例，建立上線(xiàn)評估流程。

　　第三，確保服務(wù)合規，同時(shí)關(guān)注數據的產(chǎn)權與隱私。

　　第四，使用云廠(chǎng)商工具，搭建一體化的模型服務(wù)，這樣效率比較高，節約訓練、運維的成本和時(shí)間。

　　在具體實(shí)施中，模型、數據和算力是大家需要格外關(guān)注的三個(gè)點(diǎn)。

　　首先是模型。雖然大家對通用大語(yǔ)言模型的聊天機器人期待很高，但它不是唯一的大模型服務(wù)方式，也不一定是滿(mǎn)足行業(yè)場(chǎng)景需求的最優(yōu)解。

　　目前，通用大模型一般都是基于廣泛的公開(kāi)文獻與網(wǎng)絡(luò )信息來(lái)訓練的，上面的信息可能有錯誤、有謠言、有偏見(jiàn)，許多專(zhuān)業(yè)知識與行業(yè)數據積累不足，導致模型的行業(yè)針對性與精準度不夠，數據“噪音”過(guò)大。但是，在很多產(chǎn)業(yè)場(chǎng)景中，用戶(hù)對企業(yè)提供的專(zhuān)業(yè)服務(wù)要求高、容錯性低，企業(yè)一旦提供了錯誤信息，可能引起巨大的法律責任或公關(guān)危機。因此，企業(yè)使用的大模型必須可控、可追溯、可修正，而且必須反復與充分測試才能上線(xiàn)。

　　我們認為，客戶(hù)更需要有行業(yè)針對性的行業(yè)大模型，再加上企業(yè)自己的數據做訓練或精調，才能打造出實(shí)用性高的智能服務(wù)。企業(yè)所需要的是，在實(shí)際場(chǎng)景中真正解決了某個(gè)問(wèn)題，而不是在100個(gè)場(chǎng)景中解決了70%-80%的問(wèn)題。

　　另外，訓練數據越多，模型越大，訓練與推理的成本也越高。實(shí)際上，大部分的企業(yè)場(chǎng)景，可能也不需要通用AI來(lái)滿(mǎn)足需要。因此，如何在合理成本下，選擇合適的模型，是企業(yè)客戶(hù)所需要思考與決策的。

　　其次，數據是大模型的原材料，針對具體場(chǎng)景，相關(guān)數據的覆蓋與質(zhì)量都是至關(guān)重要，標注數據的管理也是模型迭代中的重要工作。

　　模型最終要在真實(shí)場(chǎng)景落地，要達到理想的服務(wù)效果，往往需要把企業(yè)自身的數據也用起來(lái)。在模型研發(fā)過(guò)程中，既要關(guān)注敏感數據的保護與安全合規，也需要管理好大量的數據與標簽，不斷測試與迭代模型。

　　再次，算力是模型持續運轉的基礎，高性能、高彈性和高穩定的算力，需要借助專(zhuān)業(yè)的云服務(wù)。

　　在大模型的訓練和使用過(guò)程中，需要大量異構算力的支持，對網(wǎng)絡(luò )速度與穩定性要求也很高，加上GPU服務(wù)器比一般服務(wù)器穩定性更低一些，服務(wù)器的運維、問(wèn)題的排查更頻繁，整體運維的難度與工作量會(huì )高很多。在訓練集群中，一旦網(wǎng)絡(luò )有波動(dòng)，訓練的速度就會(huì )受到很大的影響；只要一臺服務(wù)器過(guò)熱宕機，整個(gè)集群都可能要停下來(lái)，然后訓練任務(wù)要重啟，這些問(wèn)題會(huì )使得訓練時(shí)間大大增加，投入在大模型的成本也會(huì )飆升。

　　基于這些企業(yè)現實(shí)問(wèn)題和需求的思考，就在前兩天，騰訊也正式公布了騰訊云MaaS服務(wù)全景圖。

　　基于騰訊云TI平臺打造的行業(yè)大模型精選商店，將覆蓋金融、文旅、政務(wù)、醫療、傳媒、教育等10大行業(yè)，提供超過(guò)50個(gè)解決方案。在這些能力模型基礎上，伙伴們只需要加入自己獨有的場(chǎng)景數據，就可以快速生成自己的“專(zhuān)屬模型”。

　　我們也推出基于騰訊云TI平臺的，行業(yè)大模型精調解決方案。幫助模型開(kāi)發(fā)者與算法工程師，一站式解決模型調用、數據與標注管理、模型精調、評估測試與部署等任務(wù)，減輕創(chuàng )建大模型的壓力。我們也可以通過(guò)TI平臺，實(shí)現模型的私有化部署、權限管控和數據加密等方式，讓企業(yè)用戶(hù)在使用模型時(shí)更放心。

　　比如，我們和國內的頭部在線(xiàn)旅游公司，基于“文旅大模型”，打造了機器人客服，可以自動(dòng)判斷用戶(hù)意圖，并自動(dòng)調用相應的API，高質(zhì)量完成用戶(hù)咨詢(xún)及服務(wù)。

　　假如一個(gè)用戶(hù)問(wèn)“端午節三天不出江浙滬，有什么行程推薦，應該怎么安排？”如果是基于通用大模型的客服機器人，只能給出一些簡(jiǎn)單的景點(diǎn)介紹和路線(xiàn)規劃。

　　但當我們加入行業(yè)數據，進(jìn)行模型精調之后，客服機器人的回答變得更加細致，能夠規劃出每天的交通、景點(diǎn)安排，包括不同檔次的酒店推薦、介紹，甚至可以直接提供預訂鏈接，平臺優(yōu)惠券信息。智能客服系統，不僅可以實(shí)現人性化的服務(wù)體驗，也具備了更強的銷(xiāo)售轉化能力。

　　在算力服務(wù)上。騰訊云所提供的穩定計算、高速網(wǎng)絡(luò )與專(zhuān)業(yè)運維，可以為算法工程師大大減輕設備運維的壓力，讓他們把精力放在模型的構建與算法的優(yōu)化上。

　　騰訊云也打造了面向模型訓練的新一代HCC（High-Performance Computing Cluster）高性能計算集群，搭載最新次代GPU，結合多層加速的高性能存儲系統，加上高帶寬、低延遲的網(wǎng)絡(luò )傳輸，整體性能比過(guò)去提升了3倍，獲得了很多客戶(hù)的高度認可，幾家大模型獨角獸，都與我們展開(kāi)了算力的合作。

　　在計算集群的“硬實(shí)力”之外，我們最近也推出了更適合AI運算的“軟能力”——向量數據庫，它能更高效地處理圖像、音頻和文本等非結構化數據，支持單索引10億級規模，比單機插件式檢索規模提升10倍，數據接入AI的效率，也比傳統方案提升10倍。

　　四、AI發(fā)展的挑戰和應對之策

　　AI價(jià)值巨大，發(fā)展速度驚人，但從社會(huì )的層面，我們也要注意，帶來(lái)的風(fēng)險與挑戰。

　　最近，杰弗里·辛頓（GeoffreyHinton）因為擔心AI無(wú)法控制，離開(kāi)了谷歌，他在接受采訪(fǎng)時(shí)提到：人工智能的信息架構可能比人腦的信息架構更強大。

　　人類(lèi)大腦中大概有860億個(gè)神經(jīng)元，這些神經(jīng)元之間形成了大概100萬(wàn)億個(gè)連接。雖然GPT4的參數沒(méi)有披露，但普遍估算參數量只有人腦神經(jīng)元連接的百分之一，大概是5000億到1萬(wàn)億。

　　但GPT4裝載的知識卻是普通人的千倍萬(wàn)倍，學(xué)習效率也更高。這說(shuō)明，在某程度上，當前的神經(jīng)網(wǎng)絡(luò )可能比人腦擁有一個(gè)“更優(yōu)”的處理信息的架構與學(xué)習算法，一旦得到足夠算力來(lái)訓練，就可以更快速地學(xué)習大量信息與知識。

　　還有一點(diǎn)值得一提，AI通過(guò)在線(xiàn)連接，就可以把模型下載與復制，在相對短時(shí)間內，就讓一臺新機器復制好海量的知識，而且各自學(xué)習不同知識后還可以相互同步。而人類(lèi)的知識和智慧傳承，必須通過(guò)復雜多變又不太精確的語(yǔ)言，作為傳遞信息的媒介，每個(gè)人的培養幾乎是從0開(kāi)始（除了基因中hardcode的記憶），都需要從小開(kāi)始，花數十年時(shí)間來(lái)學(xué)習，花數十年來(lái)積累經(jīng)驗。

　　AGI強大且不斷泛化的能力，讓很多人都非常擔心，人類(lèi)會(huì )逐漸失去對AI的控制。尤其AGI能聯(lián)網(wǎng)，能編程，能操控其他系統（因為可以調用其他系統的API），讀懂人（因為模型里導入大量書(shū)籍，了解人類(lèi)千年文明發(fā)展歷史，了解人們的思考方式與弱點(diǎn)，每天還跟很多人互動(dòng)，甚至交流情感），它掌握語(yǔ)言（因此可以影響人的思考與行為），它能產(chǎn)生圖與視頻（因此可以讓人產(chǎn)生視覺(jué)錯覺(jué)），可能還有更多能力我們還沒(méi)發(fā)現。

　　因此Hinton也提出，AI對人類(lèi)產(chǎn)生四重威脅。他不惜從工作了10年的谷歌離職，推動(dòng)大眾對人工智能潛在風(fēng)險的關(guān)注，并建立安全使用AGI的規范。

　　面對人工智能帶來(lái)的各種問(wèn)題，還有很多值得思考的東西。包括人類(lèi)發(fā)展、倫理、教育等等。

　　這些問(wèn)題，相信我們在座每一位，都有自己的思考。但是有一點(diǎn)我想講的是，技術(shù)的發(fā)展、演進(jìn)、變化，總是超出人的想象，而人類(lèi)擁抱變化的勇氣，創(chuàng )新的智慧，化挑戰為機遇的能力，也往往超出我們自己的想象。就像工業(yè)革命早期，也有過(guò)對于農村經(jīng)濟瓦解、工人生存狀況堪憂(yōu)等等情況的擔心，但是，最終我們以人類(lèi)特有的方式，走了過(guò)來(lái)，并且讓全人類(lèi)的生產(chǎn)效率、生活質(zhì)量以幾何指數飆升。

　　毫無(wú)疑問(wèn)，AI對世界的改變，一定也是通過(guò)與產(chǎn)業(yè)的融合實(shí)現的。機器決策、自主生成、自然交互等一系列變革，推動(dòng)產(chǎn)業(yè)實(shí)現更高效率、更低成本、更好體驗和更大創(chuàng )新。未來(lái)的企業(yè)，也將向智能原生進(jìn)化。

　　面向未來(lái)，騰訊也愿意持續貢獻自己的能力，以開(kāi)放的心態(tài)和無(wú)窮的好奇心，和各位專(zhuān)家學(xué)者、企業(yè)管理者一起，共同探索、創(chuàng )新，擁抱智能時(shí)代的新機遇。