结束圆桌对谈后，人墙迅速围拢，以月之暗面CEO杨植麟为核心，把会场前排的空白处填补得严严实实，人们举着手机，寄望于伸出的胳膊能碰巧扫到杨植麟的微信。杨植麟至少被现场参会人员簇拥围堵了三次，才在工作人员的协助下成功离开会场。

2024年6月14日—15日，备受瞩目的AI领域盛会“2024北京智源大会”在中关村展示中心盛大召开。《每日经济新闻》记者现场注意到，这场被誉为“AI界春晚”的大会，在近年来大模型浪潮的推动下，呈现出愈发浓厚的氛围，国产大模型明星公司也成为参会者关注的焦点。

不同于上届以国外技术人员、从业者为主，围绕技术探索展开的大会，今年国产大模型公司成为主论坛的重头戏——百度、月之暗面、智谱AI、零一万物、面壁智能等大模型公司成为论坛主角。与此同时，随着大模型从技术竞速逐步迈向落地应用，一些新的变化正在发生。

图片来源：主办方提供

新主角：国产大模型站在舞台中央

在今年的“AI界春晚”上，国产大模型成为主角。

“进入到2023年，大模型从研究机构的科研成果开始向产业界逐步发展，我们也看到，百花齐放，有越来越多的大模型在过去的这一年发布。”智源研究院院长王仲远在发言中提到。

王仲远认为，以2023年为界，人工智能基本上可以分为两个大的阶段：2023年之前都属于弱人工智能时代，即人工智能的模型是针对特定的场景、特定的任务，需要去收集特定的数据，训练特定的模型。比如说，战胜人类世界围棋冠军的AlphaGO在围棋上表现得非常好，但是却无法用来直接解决医疗问题，虽然方法可以借鉴，但是针对不同的场景任务都需要做数据和模型重新的收集和训练。进入2023年，随着大模型的发展，人工智能逐步进入通用人工智能时代，而通用人工智能最大的特点就是它的规模非常大，模型具备涌现性，同时能够跨领域的通用性。

2023年和2024年的北京智源大会，如同两个对比鲜明的画面，尤其是在大模型技术的发展和应用上，两届大会的嘉宾构成和议题变化，成为大模型时代飞速发展的注脚。

2024年的智源大会，嘉宾阵容发生了显著的变化。更引人瞩目的是国内大模型公司，如百度、月之暗面、零一万物、智谱AI、面壁智能等大模型明星公司的CEO（首席执行官）与CTO（首席技术官），以及来自国内顶尖院校和研究机构的代表。此次会议更加聚焦于人工智能关键技术路径和应用场景，从理论探讨向实际应用迈进了一大步。

在2023年的大会上，ChatGPT刚刚推出半年，国内大模型启动跟进，“百模大站”刚刚迎来开端。彼时，大会的主角是来自全球的顶尖学者和科技巨擘，国内则更多以学界为主。在彼时的主论坛环节，两组对谈嘉宾分别是：Meta首席AI科学家、纽约大学教授杨立昆与清华大学计算机系教授朱军；未来生命研究所创始人Max Tegmark与清华大学智能产业研究院（AIR）院长张亚勤，对谈内容围绕AI技术层面的探索展开。

变化已经非常明显：“百模大战”愈演愈烈，折射出国内大模型市场的快速崛起和自主创新能力的显著提升。

随着大模型由科研走向产业，人们对AGI（人工通用智能）有了更多想象，王仲远也提到，当多模态大模型能够理解和感知、决策这个世界的时候，它就有可能进入到物理世界。如果进入到宏观世界跟硬件结合，这就是具身大模型的发展方向。如果它进入到了微观世界，去理解和生成生命分子，那么这就是AI For Science。无论是具身模型还是AI For Science亦或是多模型模态，都会促进整个世界模型的发展，最终推动人工智能技术向AGI方向发展。

一个共识：落地，落地，落地

尽管面临挑战，但技术的普及与落地已经显著加速，预示着人工智能正迈向一个全新的发展阶段。一个重要的共识是，在将AGI的理想带入现实世界的路上，落地应用是重要的必答题。

“零一万物坚决做to C（面向个人），不做‘赔钱的to B（面向企业）’，找到能赚钱的to B，我们就做，不赚钱就不做。”李开复表示。

图片来源：主办方提供

对于大模型的落地应用，李开复认为，在中国to C短期更有机会，国外两者都有机会。在to C端，大模型就如同互联网时代或PC时代的新技术、新平台，将会带来新应用，这是巨大的机会。他判断，AI时代，第一个阶段突围的应该是生产力工具；第二个阶段可能会是娱乐、音乐、游戏；第三个阶段可能会是搜索；再下一个阶段可能会是电商；然后可能会有社交、短视频、O2O，这是不变的定律。

张亚勤则认为，再分层来看，目前真正赚钱的是to B，是在硬件、在芯片、在基础设施层，这个是目前已经发生的，但是从应用来讲，是先to C再to B。对于当前的AI分层，张亚勤将其划分为信息智能、物理智能（也称为具身智能）以及生物智能。在具身智能阶段，面向企业的应用可能会发展得更为迅速。而到生物智能阶段，情况可能恰好相反，面向个人的应用会超过面向企业的应用。各个领域的情况可能不尽相同，但总体来看，面向企业和面向个人的应用，包括开源模型、商业闭源模型、基础大模型、垂直行业大模型以及边缘模型，都会存在。

而对于B端的落地应用，李开复也谈到，to B是大模型带来更大的价值，而且应该更快实现，但是可惜的是在to B这个领域面临几个巨大的挑战。

一方面大公司、传统公司看不懂大模型技术，不敢采取巨大颠覆式的东西。

与此同时，对企业来说这一年带来的最大的价值是降本，而不是创造价值。而降本说实在的就是取代人类的工作。大公司会有很多高管或者中层管理不愿意做这个事情，因为做了这个，可能团队就要被砍掉了，他在公司的政治资本就没有了，他的权力就变小了，甚至他自己的工作都没有了，所以大公司有时CEO是很想做，但是下面的人会有阻力，这些理由造成to B理论上应该马上可以落地的，但实际上没有那么快。

另一个在中国比较严重的问题是，很多大公司没有认识到软件的价值，不愿意为软件付费，而且有这么多大模型公司来竞标，结果价格越竞越低，做到最后是做一单赔一单，都没有利润。“我们在AI1.0时代看到这个现象，现在很不幸在AI2.0时代（它）又重现了。”

百度CTO王海峰的观点是，在人类历史上，每次工业革命的核心技术，不论是机械、电气还是信息技术，均具备一些共同特性：首先，核心技术具有强烈的通用性，能够广泛应用于各个领域。其次，当这些技术具备了标准化、模块化和自动化的工业大生产特征时，这些技术就会进入到工业大生产阶段，从而更快地改变人们的生产生活方式，并为人们带来巨大的价值。当前，人工智能基于深度学习和大模型工程平台已经具备了极强的通用性，以及良好的标准化、自动化和模块化特性。因此，王海峰认为，深度学习和大模型工程平台的结合，正在推动人工智能步入工业大生产阶段，从而加速通用人工智能的来临。

一个分歧：是否仍坚信Scaling Law

围绕“Scaling Law”（规模定律）的讨论开始出现分歧，对于Scaling Law会否失效、何时失效，明星大模型公司的掌舵者们，也给出了不同的判断。

杨植麟依旧是坚定的Scaling Law信仰派。“Scaling Law没有本质的问题，而且接下来3~4个数量级，我觉得是非常确定的事情。这里面更重要的问题是你怎么能够很高效地去scale（扩展）？”

杨植麟指出，如今仅仅像现在这样，依赖一些web text（网页文本）进行scale，未必是正确的方向。因为在这个过程中可能会面临诸多挑战，如推理能力等问题，未必能够得到有效解决。因此关键在于如何界定Scaling Law以及其实质是什么。如果仅按照现有方法，进行next token prediction（下一标记预测），然后在此基础上扩展多个数量级，用当前的数据分布，其上限是显而易见的。

然而，Scaling Law本身并不受此限制，其核心观点是，只要具备更多的算力和数据模型，扩大参数规模，就能持续产生更多的智能。但在此过程中，它并没有定义模型的具体形态，例如模型的模态数量、数据的特性和来源等。因此，杨植麟认为Scaling law是一种会持续演进的第一性原理（first principle）。只是在这一过程中，scale的方法可能发生很大变化。

百川智能CEO王小川则认为，Scaling Law到目前没有看到边界，依旧在持续地发挥作用，“我们看到美国埃隆·马斯克号称要买30万片B100、B200来做，所以美国确实在这方面的认真程度，甚至包括投入程度是远高于中国的”。

在他看来，我们需要在Scaling Law之外，去寻找范式上新的转化，而在Scaling Law上，很明确，就是在美国后面跟进。从战略上看，在Scaling Law之外都还存在范式的变化，走出这样的体系，才有机会走向AGI，才有机会跟最前沿的技术较量。

智谱AI CEO张鹏与面壁智能CEO李大海，则持相对谨慎乐观的态度。张鹏认为，包括Scaling Law在内，目前为止人类认识到的所有的规律都有可能有被推翻的一天，只是看它的有效期是多长。但目前为止还没有看到Scaling Law会失效的预兆，未来的相当一段时间之内它仍然会有效。“随着大家对规律的认知越来越深，规律的本质越来越（被）揭示，所以掌握本质就能掌握通往未来的钥匙。基于现在大家对本质认识的深浅，至少在我们看来，仍然还会起效，会是未来我们主力想要推进的方向”。张鹏说。

李大海同样表示，Scaling Law是一个经验公式，是行业对大模型这样一个复杂系统观察以后的经验总结，随着训练过程中实验越来越多、认知越来越清晰，会有更细颗粒度的认知。比如模型训练中的训练方法本身对于Scaling Law、对于智能的影响是比较显著的。在将模型参数控制在一定规模后，这种显著影响变得尤为重要，在确保终端芯片能够支持该规模模型的同时，实现优质智能，数据质量和训练方法等因素亦至关重要。

毫无疑问的是，Scaling Law在当前阶段仍然是驱动大模型发展的重要理论基础，但其在未来的应用和扩展方式可能会面临更多挑战和变化。随着技术的进步和对规律本质认识的深化，行业也可能需要进一步优化模型训练方法，才能应对智能推理等更高级别的挑战。