腾讯科技讯 12月14日，以“智能涌现，开启万物”为主题的腾讯科技高新日暨数字化发展大会会议在北京国家会议中心举行。
腾讯科技邀请知名院士、知名经济学家、知名大学教授、研究院院长、行业大师、各大互联网公司高管、知名科技领域龙头企业高管、工业数字化高管转型公司一起聊聊AI趋势。
大会伊始，腾讯新闻运营总经理·黄晨霞作为主办方致辞。
她回顾了2018年新技术的出现和发展，并就这些新技术如何打开真正的产业变革之门、为人类社会创造更多福祉提出了思考。
黄晨霞表示，在落地应用的路上，我们需要明确大模型基础上的卡点是什么、人工智能与工业结合的可能性、人工智能产品的潜在形态。
本次大会，嘉宾首先发表主题演讲，从算力、数据、治理等几个AI基础设施问题出发，对中国大模型行业的现状和未来目标进行了深入分析和分享。
演讲主题涵盖算力瓶颈解决方案、数据共享的基本框架、数据治理的核心痛点。
会议第二章中，业内人士、投资者、专家深入探讨了大规模模式落地的过程，拆解了变革的形式以及产业落地的具体方法。
通过三场圆桌论坛，嘉宾们聚焦人工智能对行业和用户的影响。
每个人对潜在影响和可能性都有自己的看法。
无限可能：今天出现的信息将带来无数的未来。
“今年涌现的这些新技术如何打开真正的产业变革之门，进一步为人类社会创造更多利益？这个问题潜伏着太多的可能性和模糊性。
”通过与嘉宾的讨论，这些技术在过去的一年中爆发了。
腾讯新闻运营总经理黄晨霞认为，2019年的技术进步“不同寻常”，堪称新一轮工业革命的起点。
对于当前展现出无限潜力的AI技术，她提出了三个问题：“在AGI的道路上我们还需要克服哪些障碍？”、“大型模型将如何嵌入行业？” “以及“人工智能带来的前所未有的能力将带来哪些产品可能性？”针对大家面对新技术时的矛盾心理，黄晨霞认为焦虑是可以理解的，但不应该导致鲁莽的行动，而应该引发更深入的思考。
黄晨霞表示，虽然我们面临许多挑战，但在讨论这些问题的过程中，出现的信息将通向无数的未来。
2020年对于科技行业和人类的未来具有特殊意义。
科智集团董事长、数字开物创始人黄超也在主办方主题演讲中表示，2020年是全球数字科技领域变革的重要一年，也是中国数字经济的决定性一年。
加速前进的一年。
在科技创新的背景下，数字化正在成为中国经济社会的变革力量。
AI算力：中国已经具备可以与A抗衡的GPU产能。
AI发展的硬件基石：算力建设。
国资委科技强国智库专家委员会主任、中国科学院教授廖奇发表《中国芯赋能智能》主题演讲《算力强国，助力数字经济高质量发展》 ”分享了中国解决算力瓶颈的最新实践和进展。
进入AI时代，GPU和通用AI芯片逐渐取代CPU成为算力发展的核心。
在中美相互竞争、芯片出口限制不断增加的环境下，中国如何在GPU研发和制造上突围？廖启伟认为，广义的算力决定了一个国家未来真正的竞争实力。
除了硅基芯片之外，中科院目前正在几个方向推进，包括量子芯片、仿生神经网络芯片的设计。
不过，廖启伟也强调，中国已经具备了自己的GPU设计和生产能力，并进行了产业布局。
通过团队的努力，他攻克了独立RPP架构的技术难关。
他的团队“通过14纳米传统GPU工艺生产的芯片已经可以与NVIDIA的A对标。
作为低能耗、低成本、高集成度的解决方案，该GPU与同类NVIDIA芯片相比具有边缘计算能力。
”甚至可以达到1/27的能耗比。
”廖启伟还表示，这款GPU芯片的第二代正在进一步开发中，很快就会流片。
数据：只有安全流通的数据才有价值。
数据是人工智能发展的另一个重要基石。
微软近期发布的最新小型模型Phi-2，通过优化数据供给，将其能力提升至与25倍大模型相同的水平。
然而，中国数据在大型模型开发中的利用还远远没有得到充分利用。
对此，中国人民大学院长交叉科学研究所、长江学者、教育部特聘教授杨东教授发表主题演讲《从数据大国到数据强国：数据要素的作用》 《经济发展》，试图厘清中国数据应用的方方面面。
许多卡点，并制定了转型为数据强国的路线图。
对于大模型为何没有在中国首先出现的问题，杨东指出，在过去的移动互联网时代，中国存在严重的数据风险主义。
为什么不能更早生产和开发大型车型？主要原因不在于计算能力，也不在于算法，而在于数据缺乏互联。
为了解决数据垄断和开放共享程度低的问题，杨东提出建立基于三权的数据收益分配机制。
针对当前用户数据确权难的问题，杨东将其比作数字时代的“土地改革”。
数据要转化为“能够获得价值的利益，公平合理地分配给不同的流通主体”。
这样，个人、企业、政府都可以为数据价值创造过程做出贡献并获得收入分配。
对于数据的重要性，杨东表示，“十年后的今天，数据要素层可能会成为我们的主体，成为未来经济发展的根本核心驱动力。
”数据流通的基础是数据安全。
只有在保护隐私和版权的基础上，每个用户产生的数据才能被放心地使用和商业化。
对此，中国信息通信研究院云研究院大数据与区块链部主任姜春雨在本次大会上发表了《AI数据治理发展思考》主题演讲。
针对数据应用中的安全和隐私风险等核心风险点，如何管理生成内容、合成内容、大模型的错觉等，姜春雨表示，要构建全生命周期的数据安全和隐私保护能力，覆盖整个培训过程。
对于幻觉问题，“不同领域的真实性和准确性可以通过规则、内容生成要求、监控机制和真实性评估来限制。
通过内容识别和过滤+人工审核可以自动发现有害问题。
”然而，目前国内这些领域都处于空白阶段，亟待完善。
据蒋春雨介绍，信息通信研究院正在编写人工智能数据治理白皮书，目的是建立该领域的方法和规则体系。
除了安全性的提升，蒋春雨还强调了数据质量的价值：没有好的数据，模型的能力肯定会有所欠缺。
目前的现状是，国内IT发展路径是先污染后治理，因此质量普遍存在偏差。
数据质量相关的评价维度需要改变，提高数据质量的流程和工程能力需要加强。
AI+产业：增量创新在B端落地，颠覆性创新在C端大放异彩。
在解决大模型基础问题的同时，工业应用和实践也被提上日程。
随着这项新技术所带来的强大可能性，整个行业将如何改变，可能是目前大多数企业最关心的问题。
对此，筑见智能总裁兼COO孙斌在《AI大语言模型引爆产业变革》演讲中，分享了作为AI变革一线企业家的感悟。
孙斌表示，大语言模型解决了生产力三要素，所以一定会带来To B端使用的生产力。
这种生产力的后续承载模型是基于大语言模型的数字化员工，这是成本与效率的完美结合。
因为大模型可以为企业提高效率，没有人能够阻止这一趋势。
孙斌认为，“甲方和行业从业者都应该记住，不能变成大模型的企业不是好企业。
”对于使用大型人工智能模型的企业，孙斌建议采用外部采购、联合建设的方式。
如果不是行业龙头企业，自身不具备足够IT开发能力的企业，不建议从事自主研发。
对于大语言模型未来的发展，孙斌认为它将成为每个人工作、能力、生活的依赖，就像手机现在成为每个人的依赖一样。
由于人工智能可能扰乱人们的工作和生活而引发的“人工智能焦虑”今年在企业家和员工中流行。
焦虑的根源是担心被新技术颠覆。
对此，昆仑万维董事长兼CEO方瀚先生、英诺天使基金合伙人王胜、腾讯科技《AI 未来指北》专栏经理郭晓静讨论了“生成式AI的爆发是否会带来颠覆性创新”还是渐进式创新？”迭代？”这个问题引发了讨论。
对于人工智能带来的颠覆，王胜表示，新的技术范式从诞生到成熟都有一个时间点，明年可能是应用元年。
但这今年绝对不是时候，今年是Infra（基础设施）年，他进一步解释说，人工智能与工业的融合不仅仅是开始，大模型只是拓宽了融合的可能性，但只要商业模式确实如此。
不会改变，这个进展依然会是渐进的，对此，方瀚补充道：“增量创新在B端会落地得更快，而颠覆性创新则在C端大放异彩。
”对于最近被广泛讨论的AI Native的概念，两位嘉宾也表达了非常明确的观点，“AI Native完全是一个伪命题。
” 王胜认为，AI只是一个工具，是过去应用的延伸，与Native的关联性有限。
AI+行业：并不是所有企业都需要，很多行业的实施依赖于专家模型。
对于发展速度较快的企业来说，AI早已是一个非常熟悉的概念。
大模型的出现，带来了更多AI能力的飞跃和形态的变化。
因此，他们可能已经面临了这波AI浪潮。
然而，对于制造业来说，大模型的概念更加陌生和遥远。
之前的数字化转型浪潮尚未完全消化，需要面对新的技术范式是否以及何时发生改变。
变革是制造业从业者面临的首要问题。
虽然AI带来的数字化转型趋势已经非常明显，但企业该如何落地呢？目前业界主流的解决方案有哪些？ SmartMore联合创始人刘舒作为人工智能在工业实践中的践行者，通过《IndustryGPT：工业大模型的实践与思考》主题演讲给出了自己的解决方案。
刘舒表示，虽然通用大模型已经很好了，但在专业领域和专业知识方面还比较缺乏，能力还有待提高。
因此，在实现真实的工业场景时，还需要一个相应的模型，这就是IndustryGPT。
解决专业知识的方法就是提供行业内才有的专业数据。
在训练IndustryGPT时，刘舒团队收集了约1亿Token的原始数据，相当于10万名博士的阅读量。
此外，为了应对特定的行业场景，他们精简了上下文长度，使模型输出更加符合运营需求。
为了让业界更好地了解人工智能与制造融合的前沿观点，中国工业互联网研究院智能所副所长顾维熙、北京信息化和工业化融合服务联盟理事长严同柱、中国工业互联网技术集团董事长志真与腾讯云智能制造首席专家冰金友带来了精彩的话题对话：“大模型是制造业数字化转型的必然选择吗？”严同柱表示，大模型对于不同的企业来说意义不同。
高端制造积极拥抱它，因为高端制造本身知识要求相对密集，大模型起到优化作用，具有更大的价值。
但对于传统制造来说，数据量不大，大模型的门槛比较高，投入产出比也不是那么清晰。
腾讯云智能制造首席专家冰金友认为，工业企业在接受大模型方面存在两个问题。
一是成本问题，数据分散，模型训练成本高；另一个是错觉问题。
在工业上，要么经济产出需要%正确，大型模型很难实现。
对于冰金友提到的大模型幻觉问题，中国工业互联网技术集团董事长志真表示，现在能够实现工业大模型的专家系统是100%无害的，准确率达到90%以上。
有一个接地的基础。
虽然目前的大模型还不能适用于所有的工业场景，但在它擅长的场景中已经有很多实现的例子。
冰金友表示，大模型的运用在客户服务、流程管理、人力资源、营销、内容制作和设计等方面已得到广泛实践。
对于大模型对产业的意义，严同柱还提出了另一个观点。
他表示，中国工人的工业知识、工业数据在很多地方因人才离职而流失，没有转化为企业知识资产。
因此，很多创新都是白费力气，但大模型的出现可以更有效地将经验数据转化为可用的知识资产。
AI+产品：人工智能将解决关键节点问题，图像处理应用或将成为西安首个爆点。
自大模型诞生以来，诸如GPT将取代搜索、Vincentian软件将重塑摄影和绘画软件等预测就已屡见不鲜。
但我们现在看到的更多的是融合而不是颠覆。
大模型与各种应用场景之间的关系变得更加融为一体。
整合也是一种改变。
对于想要寻找机会的企业家来说，抓住人工智能的优势。
在变化最大的场景中，才有可能找到新的蓝海。
腾讯科技创始人胡军、鲲中资本投资副总裁陈曦、清华大学交叉信息学院助理教授袁扬、牧牛机器人CEO郭林与腾讯科技创始人、互联网基金公司AI业务负责人张人杰共同探讨“人工智能在人工智能领域的应用有哪些”在“场景首先被AI改变”的讨论中，陈希贤开始了对AI行业格局的丰富探索，他将AI分为三个层：基础大模型层、中间层和基础应用层。
大模型层壁垒最高，应用层发展机会最多。
袁杨认为大模型更擅长系统1思维，但现在通过对大思维流程的调整。
模型，还可能涵盖医疗、教育、法律等更复杂的领域，这些领域的价值非常高。
郭林认为，AI不能解决场景实施中的所有问题，但会解决关键节点问题。
与以往的产品不同，大型号覆盖的场景更加广泛。
陈曦表示，大模型时代产品的特点是没有办法明确说To C或To B。
它既可以让C端用户玩起来，也可以为B端产生价值。
同时，这也是张仁杰在尝试了市面上流行的AI产品后的感受。
对于Killer App的现状和未来，他认为ChatGPT在海外已经是Killerapp，但在中国还不是。
这主要是因为国内普通用户的使用场景很难与AI结合。
对于未来，他认为普通C端用户对图像处理应用会有更强烈的需求，第一个热门产品可能会出现。
深度学习之父辛顿曾说过：创造真正智能机器的旅程是漫长而充满挑战的，但这是一段值得走的旅程。
同样，应用智能机器的旅程不可能一蹴而就，但拥抱新技术却是我们超越当下、超越自我、走向未来的值得走的旅程。
路或许还不清楚，但先驱者走得越多，路就会越清晰。
腾讯科技高科技日邀您引领无数可能的未来。