文｜硅谷101

在世界人工智能大會WAIC期間，我們硅谷101從硅谷飛到了上海，采訪了百度創(chuàng)始人、董事長兼CEO，李彥宏（Robin Li）先生，就目前市場非常關心的AI議題進行了深度討論。

很有趣的是，這一輪生成式AI，中國市場的打法和海外截然不同，在硅谷大家開始卷多模態(tài)模型和交互，創(chuàng)業(yè)企業(yè)還側重infra基礎設施，同時市場在等GPT-5來驗證Scaling Law的時候，中國市場的“百模大戰(zhàn)”已經(jīng)發(fā)展到打響價格戰(zhàn)的階段了，速度比很多人想象中都要早很多。

接下來中國市場要開始卷AI應用了，所以在采訪中，李彥宏對中國市場大模型的價格戰(zhàn)、AI的To B企業(yè)級機會、開源/閉源路線選擇、AI超級應用、AI Agent智能體的看法、以及AGI和Scaling Law的思考，都和我們做出了分享。

這是李彥宏2024年首次接受媒體采訪，非常難得，以下是我們的對話實錄，希望能為大家?guī)硪恍┬碌乃伎己徒嵌取?/p>

01 不可避免的價格戰(zhàn)：燒錢不是事情的本質

楊宇東：

我們看到這個很多閉源大模型的API調用的費用越來越低了，而且很多又有開源大模型可以選，所以在這么一個市場的這么一個商業(yè)環(huán)境之下，那我們很關注，就百度肯定是身在其中，那大模型靠推理這樣收費的這種商業(yè)模式，它未來成立不成立？以后我們市場再去比拼大模型的話，會比拼哪些點？就是你剛才提到的可能是速度、成本等等的，你怎么看？

李彥宏：

說實話，我們內部不斷在思考、討論這個問題，我覺得價格戰(zhàn)幾乎是不可避免的，在中國互聯(lián)網(wǎng)干了這么長時間，其實已經(jīng)對價格戰(zhàn)非常熟悉了，確實他來的比我想象還要更早一點，這么早就開始把這個價格打到了幾乎不可思議這種低的地步。

但我覺得某種意義上講，也不是壞事兒，當你價格足夠低、甚至免費的時候，就會讓更多人有積極性，來嘗試在大模型基礎上，去開發(fā)各種各樣的應用，也就是說大模型對于各行各業(yè)的這個滲透速度會更快。

那你都免費了，或者說價格足夠低的話，你大模型公司靠什么賺錢呢？我是這樣想的，大模型技術的天花板還是很高的，今天我們還是對于大模型的能力，有很多不滿意的地方，那我們仍然需要很多非常優(yōu)秀的技術人員、需要很多的算力、需要很多很多的數(shù)據(jù)，才能夠訓練出來下一代的大模型，我們還可能需要下下代，甚至下下下代這種大模型。

所以最終我覺得，大家是要去拼誰的技術更好，你的技術好，你為客戶產(chǎn)生了更好的價值，將來你還是能夠收到費的。

今天之所以把價格打到足夠低，是因為現(xiàn)在模型的能力，其實技術還沒有到最好，大家能力都差不多的時候，那行就拼價格唄，誰的價格低就用誰的。

時間長了之后，市場本身會回歸理性，那同樣的效果，就是當我的成本比你低的時候，你打價格戰(zhàn)你肯定打不過我，時間久了之后你就退出了。

這個過程我們在百度網(wǎng)盤上是經(jīng)歷過的，那些年大家在卷網(wǎng)盤的時候，我今天給你10G的免費空間，明天100G，后天給1T，再后天說無限空間永久免費，當你說無限空間永久免費的時候，大家也會說這怎么能夠持續(xù)呢？這一定是不可持續(xù)的。

但是某一段時期，可能有個一兩年左右，大家這樣不理性的去打價格戰(zhàn)，慢慢就一個一個退出，那為什么百度沒有退出呢？因為我敢打呀，我的技術、存儲成本低，所以最終還是說誰的技術好，誰的效率高，誰會勝出。

陳茜：

剛才說這個價格來的時間比你想象中的早很多，也比我想象中的早很多，這個才一年半的時間，已經(jīng)開始打價格戰(zhàn)了，但你覺得價格戰(zhàn)會持續(xù)多久呢？可能大家有一些人就覺得說技術不行，沒油水我要退出了，可能就最后的市場贏家會浮現(xiàn)出來。

李彥宏：

這個很難講，現(xiàn)在有些創(chuàng)業(yè)公司是玩家，但是也有很大型的這種互網(wǎng)平臺公司是玩家，那么燒錢的話，其實理論上講是可以燒很長時間的，但我覺得，燒錢不是這個事情的本質，本質仍然是誰的技術更好、誰的效率更高，當你的技術好、效率高的時候，你就不怕去打價格戰(zhàn)，所以多長時間都OK，最終它會是優(yōu)勝劣汰的這樣一個過程。

陳茜：

你覺得在中國市場會是一個贏家通吃的局面嗎？還是說等價格戰(zhàn)之后會剩下幾個主要的？可能還有一些更小模型這樣的生態(tài)？

李彥宏：

我是這樣想的，這次生成式AI，它是對于整個IT技術棧的一個大的變革，我們一般認為，過去的IT技術棧，就是芯片層、操作系統(tǒng)層、應用層或軟件層，就這三層。到生成式AI之后，我們認為IT的技術棧變成了四層，芯片層、框架層（深度學習框架）、模型層、然后是應用層，我認為在每一層可能都會誕生至少2~3個大玩家。

那到應用層的話，可能數(shù)以百萬計，甚至千萬的各種各樣的應用都會出來，也會逐步的出現(xiàn)超級應用。當然根據(jù)“超級”的定義來看，它是不會很多，可能是三五個之類的。

模型層我覺得也許兩三個就足夠了，因為最后還是大家比拼的是效率嘛，你的效率如果不夠高的話，慢慢就覺得，還不如用別人的，去在這之上，再去開發(fā)更多的應用，是更劃算的。

所以在每一層其實都有機會，但是不同的層發(fā)展規(guī)律，需要的專業(yè)知識什么的都不太一樣。

陳茜：

非常同意您的說法，之前我問Dario Amodei from Anthropic（百度前高管）他也說過，他當時在做語言還有翻譯方面的工作，剛剛從斯坦福畢業(yè)之后在百度，他說在國際市場，可能最后也就剩四個左右的大模型，因為其他可能都跑不出來，就是跟您的想法非常一致。

02 商業(yè)落地：AI企業(yè)需求比互聯(lián)網(wǎng)時期大得多

楊宇東：

你說過，大模型對于B端的影響會超過互聯(lián)網(wǎng)，你為什么認為，大模型對B端的改造，比互聯(lián)網(wǎng)對B端的影響更大？

李彥宏：

其實你想一想，互聯(lián)網(wǎng)對C端的改造，我們都是感同身受的，是非常徹底的，是顛覆性的。

但是互聯(lián)網(wǎng)對B端的改造，其實我覺得一般般吧，雖然不能說沒有，但是“互聯(lián)網(wǎng)+”其實最后，可能只是一個信息化、或者數(shù)據(jù)化的過程，用的技術比較簡單，產(chǎn)生的增益也沒有那么明顯。

但是大模型確實不一樣，各種AI應用，比如說小說創(chuàng)作，讀小說叫做C端，小說創(chuàng)作就可以當做是B端，法律援助其實在幫助律師在提升效率。

我們接觸到的一些能源電力行業(yè)，生產(chǎn)制造業(yè)等等，都有類似的需求，比如說像現(xiàn)在國內電動車卷的也很厲害，車里頭對話系統(tǒng)，很多也在用文心大模型，使用量也不小，但是對于百度來說，這就是一個To B的應用，我們不直接提供給用戶，它是經(jīng)過了OEM，經(jīng)過了車廠，他們的集成之后，把這個應用提供給了終端消費者。

這種事情其實非常多，而且我們就看調用量，如果調用量上的很快，這就說明我們的客戶需要這些東西，B端靠著這個大模型，靠著AI原生應用產(chǎn)生了價值。

楊宇東：

最近我跑制造業(yè)比較多，你前面說的有些像車企它直接調用了，直接把文心一言或者大模型調用了，在制造業(yè)里面，很多企業(yè)家說，我們覺得未來AI對于我們高端制造業(yè)，智能制造顯然是重要的價值，是一種革命性的突破，但是一直就搞不明白，比如說通用大模型，和我自己的行業(yè)垂直領域，垂直大模型，它將來到底是什么樣的關系，你說的OEM，他們也希望，到底是什么樣的供應商，和你們這樣平臺型的大廠商之間，形成什么樣的業(yè)務鏈條，這個問題是制造業(yè)，尤其是先進制造業(yè)特別關注的。

李彥宏：

這個問題確實很重要，實際上大模型在各個垂直的場景里怎么用，我們也經(jīng)過了探索過程，最初我們的想法是，我把基礎模型做得越來越強大，大家叫通用人工智能（AGI），在什么場景我都能做得很好。

后來發(fā)現(xiàn)這件事情沒有那么容易，每個場景都有它自己的道，而且要求也不太一樣，有些地方，大模型思考兩分鐘再給結果也OK，只要給出來的結果是準確的、是全面的就可以了。但是有些場景，如果你一秒鐘不出結果，用戶就放棄了，所以這兩個場景對大模型要求是不一樣的。

今天即使是最強大的模型，還不能做到反應又快又準，所以當應用場景需要反應快的時候，我們需要更小的模型，它由于沒有大模型通用的能力，所以在垂直場景當中，還要對它做精調，就是做SFT（監(jiān)督微調），把你行業(yè)的數(shù)據(jù)灌進去，再經(jīng)過各種各樣的調教，在這個場景里的效果，能夠跟大模型相比差不多。

類似這種場景，我們也見了很多，去年10月份，我們發(fā)了文心4.0之后，主要精力在做什么呢？根據(jù)最強大的模型，去裁剪各種體量的小模型，比如說十億量級的模型，百億量級的模型，千億量級的模型。

這個模型也許擅長角色扮演，那個模型也許擅長邏輯推理等等，根據(jù)客戶的不同使用場景不同的要求，出來各種各樣的模型。

這些模型的大多數(shù)速度都比文心EB4要快，推理成本比它要低，所以這種應用是大家更愛用的。

即使到今天，我剛才講的5億的調用量，調用量最大的，一定不是最強大的模型，大家都覺得，反應太慢了，成本太高了。

但是隨著時間推移，成本會下降，反應速度也會提升，比如說前幾天剛剛發(fā)布EB4的Turbo，Turbo就是在EB4的基礎上，效果有提升，但更重要的是，響應速度比以前快了很多，成本下降了很多，因為什么呢？

我們發(fā)現(xiàn)真正的市場需求，是要求你響應速度一定要足夠的快，成本一定要足夠的低，這樣我才能用起來，至于說下一代的大模型，到底有多強大，在哪些場景能夠用到，那是我們會繼續(xù)去探索的過程，但是今天你要看市場需求的話，規(guī)模更小一點的模型，市場需求量是更大的。

楊宇東：

幫我們介紹一下，大模型在B端的應用比較成功的商業(yè)案例，或者是商業(yè)模式、產(chǎn)品形態(tài)。

李彥宏：

除了我剛才舉了小說創(chuàng)作，還有比如電商的數(shù)字人直播，通過大模型來生成直播的話術，很多數(shù)據(jù)人不容易記得特別清楚，比如說我要賣一個營養(yǎng)品，這個營養(yǎng)品在哪一年，哪一個大學，哪一個教授做了多少實驗，實驗出來之后結果是什么樣子，讓自然人去記這些東西，他記不住的，但是這些數(shù)據(jù)恰恰能夠很好的說明，這個產(chǎn)品到底有什么作用，這些東西靠數(shù)字人把它表達出來，靠大模型把它生成出來，很多時候比真人的直播效果反而要更好，幾乎任何一個行業(yè)，我們都可以取出來類似的東西。

陳茜：

現(xiàn)在企業(yè)們，他們對AI調用成本怎么去看？我們幫企業(yè)去算一下賬，我花100塊錢，買各種各樣的AI服務，我可能要乘以五，我要賺500塊錢，我的商業(yè)才能跑得通?，F(xiàn)在企業(yè)們是否會愿意去為AI去付費，你在跟一些企業(yè)客戶交流的時候，他們的態(tài)度是什么樣子的？

李彥宏：

這個問題特別好，當你處在市場經(jīng)濟環(huán)境當中的時候，這些企業(yè)其實是非常理性的，尤其是中小企業(yè)，它賬是算得非常精的，如果這件事情能夠讓我降本增效，能夠讓我賺到更多的錢，那我就會用它，如果不能，你再吹破天，我也不會用。

其實市場會告訴你，大模型到底有沒有用，我們看到調用量的迅速提升，確實是因為在用戶側，在客戶側，它為這個企業(yè)確實產(chǎn)生了降本增效的作用。

我再舉個例子，比如招聘場景，雇主要找一個具備什么技能的人，對于技能的描述，它可以是千差萬別的，在這種情況下，用大模型去理解這是一個什么人，理解老板要招什么樣的人，去進行匹配的話，大模型的效率就會高很多。

過去是HR坐在那，一份一份簡歷篩查，然后一個一個人去面試，面試100個人，最后篩出來10個人來，這個效率是非常非常低的，但是大模型進來之后，它可以非常明顯的去提升這方面的效率，有了這樣的場景之后，你去算一算模型的推理成本，其實幾乎是可以忽略不計的。

尤其在國內，現(xiàn)在大模型價格戰(zhàn)是非常厲害的，所以像一些比較輕量級的模型，百度的輕量級模型都是免費的，這個免費不僅僅指的是模型免費，實際上算力也送你了，你本來要有電腦，我得要有帶寬等等，這些都沒有了，你只要來用就好。

陳茜：

后面的推理也很便宜是嗎？

李彥宏：

推理是免費的。

陳茜：

有一個比較好奇的問題，在SaaS時期，在互聯(lián)網(wǎng)時期，SaaS在中國To B沒有做出來，為什么您會覺得在AI時期，AI as a service可以在中國做起來呢？To B方面的話。

李彥宏：

我覺得在SaaS時期，之所以沒有做起來，更多的是因為，比如像互聯(lián)網(wǎng)大的平臺，它既做了To C的事，也做了To B的事。

像在美國的話，每一個商家都有一個自己的電商網(wǎng)站，用戶也可以到它網(wǎng)站上去購物，在中國的話，大家都到電商平臺去購物，商家所需要的To B能力，電商平臺都替他做了，所以他不需要這種東西了，但是在美國的話，你自己比如說你要建立一個自己的網(wǎng)站，上面要能夠賣東西，要有各種各樣的這種功能，要對自己的用戶進行了解，那是需要做很多投入的。

所以在某種意義上講，其實中國并不是沒有這樣的需求，而是說這些需求，被更大的平臺所滿足掉了。

但是在AI時代，我覺得情況又發(fā)生了變化。剛才也講了，它不是從0到1的、大家過去從來沒有見過的這個業(yè)態(tài)，它先誕生的恰恰是對于現(xiàn)有業(yè)態(tài)的一個增強，所以當現(xiàn)有業(yè)態(tài)被增強效率越來越高的時候，他可能就更能夠抵御，類似于互聯(lián)網(wǎng)平臺這樣的公司，對他的這種業(yè)務的侵蝕，所以這方面我是我倒是覺得，AI的這種ToB的需求，在中國會比互聯(lián)網(wǎng)To B的需求要要大很多。

03 開源vs閉源：大模型商業(yè)化路徑的選擇

陳茜：

在國際上對開源閉源大家也爭論的很厲害，比如說馬斯克他噴OpenAI， 說你這么閉源，你要不然就叫CloseAI好了，我們看到馬斯克的xAI也開源了，Meta的Llama也是開源的，為什么你對閉源這么堅持呢？

李彥宏：

我覺得開源其實是一種智商稅，你仔細想一想，我們?yōu)槭裁匆龃竽Ｐ?？它能夠有應用，這些應用在各種場景下，能夠為客戶為用戶提升效率，降低成本，產(chǎn)生過去產(chǎn)生不了的作用。

所以當你理性的去想，大模型能夠以什么樣的成本，給我?guī)硎裁磧r值的時候，你就會發(fā)現(xiàn)你永遠應該選擇閉源模型。

今天閉源的無論是ChatGPT也好，文心一言也好，以及各種各樣的模型，你看一下它的平均水平，一定是比開源模型要更強大的，它的推理成本它一定是比這個開源模型更低的。

尤其在國內的話，我們連算力都送你了，所以當你想要一個開源模型的時候，你得把這個模型拿過來，根據(jù)你的場景去做這個SFT（監(jiān)督微調），很有可能還要做這種安全上的對齊，就是哪些風險要去進行規(guī)避，你還要根據(jù)自己的場景，去準備各種各樣的數(shù)據(jù)，去一輪一輪的去迭代，最后剛才說的買算力，你要把它放上去，由于是你自己獨有的一個模型，你還沒有辦法，跟別的應用去共享這個算力，最高峰的時候用多少，那就要準備多少算力，這個是非常非常不經(jīng)濟的。

反過來你用閉源的模型，算力可以和大家共享，這些個能力在同等的參數(shù)下，閉源模型一定比開源模型的量更強，那同等能力下，由于閉源模型可能參數(shù)規(guī)模會更小一點，它的推理成本就會更低。所以長久來看，我覺得閉源模型，它使用一定是非常大的比例，會超過開源模型。

當然，我也不能說開源模型沒有存在的價值，從學術研究的角度，你是一個科學家，你想研究大模型的原理是啥，因為業(yè)界其實也一直在抱怨就是說，大模型的不可解釋對吧，你怎么解釋大模型為什么會具有這種能力，或者說你是一個高校學生，你想學這些東西，你想拿來練練手，那開源大模型我覺得有它的價值。

但如果你是一個企業(yè)，要的就是大模型能夠帶來價值上的增益，你只要一算賬，就會發(fā)現(xiàn)開源模型是沒有機會的。

陳茜：

我看百度是用的公有云的方式對吧，就是閉源大模型，但再加一個公有云，上面有集合了不同的閉源和開源的模型，供客戶去調用，那我看比如說亞馬遜云科技，還有微軟他們其實也是采取這樣的一個方式。所以百度本身大模型閉源加公有云，你對這樣的一套的打法，對企業(yè)的客戶來說有什么考量嗎？

李彥宏：

我覺得ToB的客戶要選擇一個模型，對他來說性價比最好的，一方面模型要對他的這個應用能夠產(chǎn)生價值，另外一方面就是成本要足夠的低。

很多時候就是你看著有用，一算成本不劃算，那么客戶就放棄了，這是為什么我剛才講，開源模型打不過閉源模型，你只要理性的去看待，你的收益是啥、成本是啥，你就會發(fā)現(xiàn)，最好還是去選擇閉源模型。

當然，閉源模型不是一個模型，它是一系列的模型，根據(jù)你的使用場景，你去平衡一下，到底要多好的效果，要多快的推理速度，要多低的成本，所以我的模型非常多的變種，可以根據(jù)用戶的需求，讓他來選擇。

而這些相對來說規(guī)模更小的模型，都是從最大最強的模型裁剪出來的，這也是我覺得開源模型不具備的一個優(yōu)勢，當最先進的模型是閉源的時候，我根據(jù)閉源往下去裁剪，裁剪出來一些規(guī)模更小的模型，仍然比那些同樣規(guī)模的開源模型效果更好。

我們也看到一些參數(shù)規(guī)模比較大的這種開源模型，其實這個就更沒有道理了，當規(guī)模越大的時候，你會發(fā)現(xiàn)他的推理速度變得更慢了，如果不在乎推理速度的話，你就用最強大的閉源模型，那它效果一定是更好的。

而且參數(shù)規(guī)模越大意味著什么？意味著對算力的消耗也越大，也就是說你得準備更多服務器，來伺候這個大模型，其實這東西是根本不劃算的，越往上走，越應該去共享這個算力，這樣才能算過來賬。

所以我覺得大家只要是不是在那兒坐而論道，而是真的說，我對模型有需求的時候，你就會發(fā)現(xiàn)幾乎是無需思考，不可能去選擇開源模型。

04 AI超級應用：AI時代不再卷日活10億？

楊宇東：

由ChatGPT掀起的熱潮已經(jīng)一年多了，你也曾經(jīng)表達過，接下來超級應用什么時候出現(xiàn)。我們看到國內面向C端的大模型產(chǎn)品形態(tài)，看起來差不多都是搜索框問答這種模式，你怎么看？有沒有可能產(chǎn)生一種差異化的競爭？什么樣好的產(chǎn)品會出現(xiàn)？

李彥宏：

準確的講，我倒不是一定在等待一個超級應用的出現(xiàn)，我更覺得在基礎模型之上，在大模型之上，應該能夠誕生數(shù)以百萬計的、各種各樣的應用。

這些應用有些是很小的領域，大家可能不太容易想到的應用，但是它對于那個領域的問題，解決得就比以前好很多。也有可能是用戶量龐大，用戶使用時長非常長的，類似于移動互聯(lián)網(wǎng)的超級應用。

確切的講，我覺得現(xiàn)在還沒有看到，能夠比肩移動互聯(lián)網(wǎng)時期超級應用的AI原生應用，但是已經(jīng)看到，越來越多、各種各樣場景，尤其是ToB（對企業(yè)）場景，利用大模型提升效果，提升效率，產(chǎn)生更多的收入，或者說能夠節(jié)省更多的成本的情況出現(xiàn)。

尤其是今年以來，我們看到在各個領域，各行各業(yè)都有AI的應用場景出現(xiàn)了，它的出現(xiàn)使得我們大規(guī)模節(jié)省了人力成本，或者是效率大規(guī)模的提升，也許對于投資者、創(chuàng)業(yè)者，他們沒有覺得這個東西很令人興奮。

因為大家都在想，我能不能有一天，從0到1做出一個人們想也沒想到過的東西，變成一個DAU（日活用戶）10億的超級應用，這個當然很重要，假以時日也一定會出現(xiàn)，但是目前已經(jīng)看到的，甚至是更重要的是，大模型在各個領域、各個場景的應用。

這方面從百度文心一言的日調用量來看，已經(jīng)是非常明顯了。我們在4月份的時候，曾經(jīng)公布過一個數(shù)據(jù)，文心一言的調用量，每天有兩億次，到最近一次，前幾天我們在公布的時候，文心一言調用量已經(jīng)到了5億次，也就是說兩個月的時間，調用量翻倍。

調用增長背后意味著什么？意味著它在給應用產(chǎn)生價值，因為沒有價值的話，人家也不會花錢去做這種調用。所以這種增長速度，還是非常令人興奮的。大模型對于實體產(chǎn)業(yè)，對于各行各業(yè)的提效降本這些作用現(xiàn)在已經(jīng)非常明顯了。

楊宇東：

你更多是談到了在垂直的行業(yè)，我們想百度還是有很強C端基因的公司，作為一個普通的消費者和使用者，我們也想請您聊一聊，C端用戶會有什么樣很好的場景？包括我們說端側，甚至最后手機上的APP，可以被手機硬件去調用，而不是經(jīng)過一個APP，這個你怎么看？

李彥宏：

我覺得分兩類，一類是大家比較關注的，過去從來沒有的應用，現(xiàn)在比較流行的，類似于ChatGPT這樣的，我們把它叫做ChatBot（聊天機器人）。

國內每一個大模型公司，都會推出一個相應的APP，或者是網(wǎng)站來做ChatBot，它的作用也比較明顯，如果你有一個很具體的問題，丟給它的話，它就會給你一個還不錯的答案，而且準確率也越來越高了，很多人逐步的對這種ChatBot產(chǎn)生了依賴。

對于現(xiàn)有的這些ToC（對消費者）的應用，其實它信息增益作用也是非常大的。我們在4月份的時候，公布過一個數(shù)據(jù)，就是百度搜索，今天有11%的搜索結果會由AI來生成的，這個比例還在不斷的提升。

也就是說，現(xiàn)有大家比較常見的應用，其實也越來越多的，在被大模型、生成式AI所改造。

另外一個例子，比如說百度文庫，過去是一個大家在上面找現(xiàn)成的文檔，比如中學老師要備課了，初中的物理課，他要找一找人大附中的老師，最優(yōu)秀的老師，他的教案是什么樣子，去找現(xiàn)成的文檔。

今天百度文庫經(jīng)過大模型改造之后，已經(jīng)更多的變成了，生成式AI這種應用，也就是說，不管你想要產(chǎn)生什么樣的文檔，是PowerPoint，是論文的格式，還是什么各種各樣的，甚至是漫畫這樣的，它都可以根據(jù)你的要求來生成。

而且不僅它的用戶量比較廣，這個產(chǎn)品它是收費的，今年以來已經(jīng)有大約2600萬付費用戶，你如果說用超級應用的標準來看的話，它也沒有到超級應用的水準，但是你要是看它實際產(chǎn)生價值的話，有那么多人愿意為這個產(chǎn)品付費，那還是很厲害的。

這些產(chǎn)品都是過去已經(jīng)存在的，只是說你經(jīng)過了大模型的改造之后，它的能力跟以前完全不一樣了，人們對它的認知也在不斷的迭代，不斷的在加深。

楊宇東：

因為它能力的提升，大家更愿意付費了，而原來只是免費搜索。

李彥宏：

是的。

陳茜：

我特別同意您最近在多個場合強調的，去卷AI的原生應用，這樣的話，大模型才有意義。同時我也有一點小困惑，比如說OpenAI它的GPT-4，在8個月之前就推出來了，當時大家都會覺得，AI應用時刻要爆發(fā)了，但是8個月之后的今天，我們看到還沒有爆發(fā)，可能很多應用出來也不太盡人意。

最近最火的Perplexity，這個AI搜索現(xiàn)在是2000萬美元的ARR（年度經(jīng)常性收入），2000萬用戶的量級，其實也還沒有到所謂的Super app（超級應用），或者是killer app（殺手級應用），所以我的問題或者疑惑在于說，如果基于GPT-4的模型能力，是不是我們現(xiàn)在還沒有到去卷應用的時候，這個時刻還沒到？

李彥宏：

剛才你提到了GPT，以及perplexity，還是我剛才說的第一類，過去從來沒有過的東西，它是從0到1去做的。

超級應用確實現(xiàn)在還沒有出現(xiàn)，即使是ChatGPT的話，它的DAU也沒有過億，還算不上一個真正的超級應用，但是對于現(xiàn)有產(chǎn)品的改造，無論是中國也好，美國也好，我們都看到了實實在在的增益。

比如美國的話，微軟的Copilot，它已經(jīng)收到了很多付費，美國更多的是ToB（對企業(yè)）的行業(yè)，Palantir、Snowflake這些，都是通過軟件被大模型、被生成式AI加持了之后，他們的業(yè)績得到實實在在的增長。

所以從這個意義上講，大模型應用其實已經(jīng)逐步在浮現(xiàn)出來，它對于現(xiàn)有業(yè)態(tài)的改造作用，比從0到1顛覆，作用更早到來、更明顯，甚至我覺得也能夠創(chuàng)造更多價值。

以前Satya（微軟CEO）說過，他說過去互聯(lián)網(wǎng)叫做AutoPilot，意思就是，你自己就都把這個結果給弄出來了，現(xiàn)在的生成式AI叫Copilot，它實際上是人和機器共創(chuàng)的過程。

這個過程一開始大家覺得沒有那么性感，但是它對于人的工作效率的提升，對于成本的下降，對于打開新的可能性，產(chǎn)生的促進作用，其實是比那些從0到1的應用，反而要更大。

如果僅僅是從0到1，你可能會希望出現(xiàn)某幾個Super app，那它也就是公司從中受益，但是今天幾乎各行各業(yè)所有的公司，被大模型加持之后，它都能受益，這種影響力，對于整個社會，對于人類來說，無疑是更大的。

只是大家好像覺得，這個東西我以前見過嘛？所以沒有那種新鮮感，或者他更多誕生在生產(chǎn)力場景，他的受眾群體，或者單一應用受眾群體，不會過億、過十億那樣，尤其在C端，在公眾層面體感沒有那么集中，這是大家現(xiàn)在一直想找一個Super app的原因。

楊宇東：

你的問題是挑戰(zhàn)Robin，Robin說要卷起來，你說怎么沒看到卷，我總結下來，我的感覺，聽完Robin講完之后，我就知道了，我們理解的超級這兩個字，在Robin概念里面，一個是數(shù)以百萬計的應用已經(jīng)開始起來了，第二個，所謂的超級反而是在垂直的，在一些局部的領域，它有非常顯著的加速度或者是增益。

陳茜：

或者是“超級”這個定義在互聯(lián)網(wǎng)時代跟在AI時代是不一樣的。

李彥宏：

是不一樣的。在互聯(lián)網(wǎng)時代可能是某一個單一的從0到1，或者是到100這樣的應用，今天所謂的超級應用，它是對現(xiàn)有場景的一種加持，這種加持還在早期，我必須得承認，它逐步會改變現(xiàn)有產(chǎn)品的形態(tài)。

我再舉一個例子，小說創(chuàng)作、網(wǎng)文，這個在國內是特別火的行業(yè)，過去就是人肉，靠自己的能力、想象，不斷的去更新一篇文章，或者是一個小說，這個效率是很低的?，F(xiàn)在有了大模型的加持，基本上有一個構思，它就會給你相應的文檔，你給的再豐富一點，它就生成的再豐富一點，你說文風太溫柔了，要不要強悍一點，根據(jù)你的想法，它可以不斷的去調整。

這樣的東西，在用戶看來，我仍然在讀一篇網(wǎng)文，在讀一篇小說，但是這個小說的生產(chǎn)成本生產(chǎn)效率，它的內容豐富度，可讀性，優(yōu)良率等等，都是跟以前不一樣的。所以這樣的例子，其實我們在幾乎任何行業(yè)都能夠看到。

05 AI Agent智能體：門檻一定要夠低

楊宇東：

我們前面聊的總結一下叫卷應用，接下來還有一個關鍵詞叫智能體，你說過好多次，AI時代最看好的是智能體，但是目前來看好像也沒有特別強大的爆發(fā)。你為什么認為智能體是AI時代未來的趨勢呢？

李彥宏：

我覺得智能體正在爆發(fā)，只是說它現(xiàn)在基數(shù)還比較小的時候，大家的體感沒有那么強烈，但是你要看業(yè)界大模型公司，都在做智能體，業(yè)界這些意見領袖，基本上算是共識，一般大家都會說，我看好智能體。

智能體為什么代表未來？基礎模型它本身是需要靠應用才能顯現(xiàn)出來的價值，智能體就是，一個幾乎可以放之四海而皆準的、基于大模型的應用。

什么意思呢？根據(jù)我自己的場景，我設定一個角色人設，我連編程都不用，我只要把我想要做的事情跟它講清楚，當然有時候要把自己的私有知識庫對接進來，或者把自己做事情的套路給它說清楚，這個專業(yè)術語叫做工作流，把工作流套進去，它就是一個非常有用的、跟基礎模型不一樣的東西。

今天不能說所有，但是大多數(shù)AI的原生應用，你用智能體的方式都可以做出來，做出來之后效果也不錯。

由于它的門檻足夠低了，可能你連編程都不用編，就可以做出來一個效果不錯的智能體，就意味著越來越多的人可以做出他想要的智能體。

這個有點像什么呢？有點像90年代中期的時候，互聯(lián)網(wǎng)的網(wǎng)站，這個網(wǎng)站你可以把它做得非常復雜，當時比如說雅虎也是很厲害的網(wǎng)站，但是仍然在學校里讀書的大學生，他也可以做一個自己的HomePage，他把他常用的幾個網(wǎng)站鏈接鏈在那，比如說Java學習攻略這些東西，做幾個鏈接，就是他自己的網(wǎng)站，其實很簡單。

由于做網(wǎng)站很簡單，所以在90年代的時候，從中期到末期，就是誕生了數(shù)以百萬計的網(wǎng)站，這種大浪淘沙，最終會出來一些非常優(yōu)秀的網(wǎng)站，像Google、Facebook，這當然是若干年之后才出現(xiàn)，但是早期看的話，你可能看到的都是，這些網(wǎng)站怎么都是亂糟糟的，一個大學生就能做一個網(wǎng)站出來，這有啥價值呀？

但是你必須得門檻足夠低的時候，讓更多人進來，他們發(fā)揮聰明才智，指不定哪條路跑通了，它就是一個Super app，這就是為什么，我覺得智能體代表未來，我特別看好的一個新興的業(yè)態(tài)。

陳茜：

智能體AI Agent它是特別重要的概念，包括在美國硅谷也是這樣的，在業(yè)界大家對AI Agent，它的定義還是有一點不同的探討，我看到有些人說，比如說GPTs，也都是一些智能體，有些人會說，可能更加高級一點的Agent才算智能體，我的Agent要調取不同的工具，要成為一個虛擬世界的機器人，它可能才叫Agent，你對Agent的定義是什么樣子的？

李彥宏：

我首先要考慮這個門檻要足夠的低，就一個小白，比如說大一的學生，他也可以很方便的能夠制作一個智能體出來。

當然在此之上，可以有各種各樣比較有趣的玩法，剛才你講的調用工具、反思呀、長期的記憶等等，這些能力會逐步的加進去。

這個跟90年代時候的網(wǎng)站誕生過程，也有類似之處，我們一開始的網(wǎng)站，都是很簡單的，后來我可以用Java把一些動態(tài)的東西放在一個網(wǎng)站里，再后來我可以加上cookie，這樣從一個網(wǎng)頁轉到下一個網(wǎng)頁的時候，我還記得上一個網(wǎng)頁你干了什么，這些東西在早期的時候，網(wǎng)站生態(tài)里頭是沒有的，但是一旦有越來越多的人在生產(chǎn)網(wǎng)站，技術就會跟進說，你有什么需求，我去解決你的問題。

Agent是一樣的，不是說用了最先進的，剛才講的這些能力之后，它才叫一個AI Agent，我反而覺得我們要把這個門檻降的足夠低，讓大家覺得說，我也可以搞一個AI Agent，進來之后隨著時間的推移，隨著你遇到新問題，解決問題的過程，會把各種各樣最先進的技術用進來。

說實話，我認為現(xiàn)在AI Agent用到的這些能力，仍然是非常初級的，未來還會產(chǎn)生我們今天想也想不到的Agent能力。

但是這些能力的誕生，反而要依賴數(shù)以百萬計的開發(fā)者，去開發(fā)各種各樣的應用，在他們使用的過程當中，產(chǎn)生新的需求，這些需求被解決的過程，就是一個創(chuàng)新的過程，就是AI Agent進化的過程，這個我還是非常期待的。

陳茜：

百度有什么比較有意思的AI Agent的案例可以給我們分享一下嗎？

李彥宏：

有很多，國內高考是一個非常大的事件，不僅是學生，還有家長都非常重視。過去大模型在干什么事呢？高考有個作文題，我們用大模型來寫一個作文，看它能得多少分。

其實你想一想，這個東西在哪用呢？不可能讓考生帶著大模型去參加高考嘛，但是高考完了之后，你要估分，你要報志愿，你要選擇學校，你要選擇專業(yè)，可能有人在乎說，這個宿舍里頭，一個宿舍要住幾個人，那個人在乎這個學校有沒有游泳池，或者說哪個專業(yè)更適合我未來發(fā)展，每個人的情況都是不一樣的，每個人的問題也都是不一樣的。這種情況下，哪有一個全能的輔導老師可以告訴你說，你最適合的是哪個學校哪個專業(yè)，但是AI Agent就可以干這個事情。

所以過去大家來百度或者到其他地方去搜索，都是找世界上已經(jīng)存在的內容，他沒有專門為這個人、這個時刻、這個地點、這樣的環(huán)境生產(chǎn)內容。

而今天的AI，尤其是智能體，它就可以做到，你告訴我你是什么情況，你的情況可以不用一句話就說清楚，你用十句話也可以，我都記得，這樣的例子非常非常多。

陳茜：

而且它會非常個人化的給你很多的規(guī)劃，包括我看到你們跟新加坡旅游局也是有合作的。

李彥宏：

是的。你自己消費水平是多少、有多長時間、有什么喜好、愛吃什么、不愛吃什么，每個人都是不一樣的，它可以完全根據(jù)你的情況來生成你要的答案。

06 AGI與Scaling Law：值得長期奮斗的信仰

楊宇東：

我們說Scaling Law，以前大家都覺得沒問題，但是最近開始不同的聲音出來了，那確實我看很多行業(yè)，做一些速度更快，效率更高的小模型，那Scaling Law會不會這么快又被顛覆掉了？

李彥宏：

Scaling Law本身可能還會有若干年的生命周期，但與此同時的話，就是在此之上會疊加出來各種各樣的創(chuàng)新。

剛才講的智能體、它的反思能力、它的進化的能力等等，其實跟Scaling Law已經(jīng)有點分離了，它是兩個路線在發(fā)展，但是它仍然是基于Transformer這類大模型在往上在做。

那未來再過一兩年，還會出現(xiàn)什么新的技術創(chuàng)新，在此基礎上再去疊加，我們也不知道，大家都在探索。

換句話說，我覺得Scaling Law短期之內倒不會被顛覆，但是在Scaling Law之上會疊加出來很多很多、現(xiàn)在還無法想象的創(chuàng)新。

楊宇東：

你個人認為AGI實現(xiàn)的標準是什么？還有哪些路徑可以讓我們更快的去通向AGI？

李彥宏：

我覺得這個問題確實業(yè)界沒有一個標準答案，以前大家覺得，通過圖靈測試就實現(xiàn)AGI了，實際上現(xiàn)在大模型已經(jīng)通過了圖靈測試，但是人們所說的AGI，其實大多數(shù)時候已經(jīng)不是只通過圖靈測試。

那什么叫AGI？在我的心目當中，AGI就是說是機器、或者AI，它能夠具備人在任何場景下所具備的能力，就是general intelligence（普遍能力）是通用的，我不管在什么場景，我的能力都是跟人是一樣的，這是一個很高的要求。

其實今天你看像我們做這個無人駕駛，做了有11年的時間了，仍然不能說這個技術成熟，它還是只一個專用場景，AI都做不到非常成熟，你不能容錯的話這個就不行了。

所以，真正要實現(xiàn)AGI，我認為確實是還需要很多很多年。但是業(yè)界有人說AGI可能再過2年，或者5年就能實現(xiàn)，但是我自己的判斷是10年以上，也許10年，也許20年，也許更長的時間。

我們聽到很多人在講，AGI是一種信仰，當你把它當做信仰的時候，誰的信仰會明年就實現(xiàn)？這是自相矛盾的。如果是一個信仰，它就是值得為之長期奮斗的目標，啥叫長期呢？但是如果連10年都沒有的話，不能把它叫做信仰。

陳茜：

太容易了就不能叫信仰。

李彥宏：

對呀。

陳茜：

現(xiàn)在大家其實都在等GPT-5，但是GPT-5一直在延后，所以我在周圍聽到的擔憂的聲音也是越來越高，就怕說比如說5~10萬億這樣的參數(shù)加上去，但是最后大家發(fā)現(xiàn)它的效果并沒有躍升這么多，是不是會打擊一些人們對Scaling Law的信仰，可能我們的AGI沒有辦法用Scaling Law的這個方式去帶我們去實現(xiàn)了，你對這個有擔憂嗎？

李彥宏：

我不是很擔心這件事情，我覺得大家應該更關注應用，而不是關注基礎模型，某種意義上講，基礎模型迭代速度稍微放緩一點不是壞事，就是今天的這些應用的開發(fā)者，他有一個相對穩(wěn)定的base（基礎），來開發(fā)應用的話，其實是效率更高一些的，如果模型天天在那兒練，他每天都要重寫一遍過去的這個代碼，那是很累的。

但是在現(xiàn)有基礎模型基礎上不斷的去做微調，去做一些漸進式的迭代和和創(chuàng)新，其實你看到它是一直在發(fā)生的，無論是OpenAI不斷在推的東西，還是我們百度的turbo模型、更小量級的模型等等，都是在根據(jù)市場需求做迭代。

但是長遠來講，我確實認為下一代的大模型，一定會比現(xiàn)在這一代模型強大的多。什么時候推出來我不是很著急，我覺得應該多看一下真實的市場需求是啥，然后我們下一代模型迭代的時候，根據(jù)市場需求來迭代。

如果我們認為AGI 10年都達不到，下一代模型離AGI其實還有很遠的距離，也就是說他有他擅長的、也有不擅長的地方，如果擅長的恰好不是市場需求的，那這個意義是不大的，如果他不擅長的恰好是市場需求的，那我們浪費了很多資源，去做一些不該做的事情。

這是為什么我更關注應用，我想知道市場上（的需求）。比如說我是一個賣車的銷售，我用什么樣的話術，能夠說服進店的這個人來買我的車，而不是說我怎么能夠考過高考數(shù)學。這就是市場需求，當不是很清楚的時候拼命往前跑，去做一個名義上更強大的模型，其實很有可能是會走彎路，是浪費資源的。

陳茜：

我非常同意，那你覺得接下來大家在卷應用之余，會不會開始卷一些中小模型，比如說國際上Mistral這樣的中小模型，也是受很多開發(fā)者歡迎的。那接下來你覺得百度在對于中小模型上，還有一些模型蒸餾上有什么樣的這個策劃？

李彥宏：

我覺得我們看到的真實需求，確實在絕大多數(shù)情況下都不是最大的模型，它都要求這個模型變小，變小意味著什么？速度快，成本低。比如說我干這個事兒，總共能夠給我?guī)砻磕?00萬的增益，我一算，最大的模型要120萬的成本，那我肯定不干了嘛。

那我給你這個大模型公司提的要求，就是說你能把成本給我降到80萬，甚至降到8萬，那我們就得想，怎么最強大的模型蒸餾到足夠小，也就是成本足夠足夠低的時候，仍然能夠滿足你這個場景的需求。

我覺得這一方面，閉源模型仍然有優(yōu)勢，因為閉源有最強大的基礎模型，那他根據(jù)這個模型蒸餾或者裁剪出來的小模型，會比那些開源模型蒸餾的會更好。畢竟你的基礎沒有人家好，做出來的東西在競爭力上也會顯得劣勢。

所以這方面我們看到真實的需求確實是非常非常多的，我們也覺得這方面的機會，仍然在閉源不在開源。

以上就是我們與李彥宏的采訪內容，這次采訪其實對我個人理解市場很有幫助，因為這讓我理解到，企業(yè)家是如何去思考大模型商業(yè)化落地這件事情，特別是在大廠們容易各種卷的中國市場。

當全球的生成式AI公司們，無論是科技巨頭還是創(chuàng)業(yè)公司，都耗費大量資源、算力、金錢和人力去押注“Scaling Law是人類未來發(fā)展的正確途徑”的時候，總是有種聲音在提醒我們，我們需要算賬，這件事情如何以更經(jīng)濟、更合理的方式去發(fā)展。

飛往上海采訪李彥宏的前一個周末，在硅谷的一個聚會上，一位資深人士給我算了一筆賬：

全球芯片用于AI上的支出是4000億美元，這相當于1.1萬億美元的數(shù)據(jù)中心支出，如果我們要求 25%的ROIC（投資資本回報率），這相當于企業(yè)們需要產(chǎn)生1.4萬億美元的成本節(jié)省。

1.4萬億美元是全球技術工人工資的5%，全球總工資的3%，也是全球EBIT（息稅前利潤）的5%。或者，如果我們假設利潤率為50%，則需要企業(yè)們用AI去創(chuàng)造2.8萬億美元的收入，即全球上市公司收入的3%，或全球GDP的2%。

這樣算起來的話，是不是可以說，以現(xiàn)在的投入量，只要AI能讓全球企業(yè)們創(chuàng)造2.8萬億美元的收入，那么發(fā)展AI這筆賬就是能算得過來的，到底什么時候能打平這筆帳呢？

反正我看高盛是預測，生成式AI可能會在10年內推動全球 GDP 增長7%，也就是接近7萬億美元，并將生產(chǎn)率增長提高1.5個百分點。

所以，你會怎么去算AI發(fā)展的這筆帳呢？