英伟达创始人兼首席实行官黄仁勋称天生式AI的推出为“AI家当的i－Phone时候”，意指其颠覆性的技能打破和产品形态或引发了Al家当的全面变革。

投资公司a16z的合资人马丁·卡萨多（MartinCasado）称其为“第三个打算时期”，意指继微芯片将打算的边际本钱降到零、互联网将分发的边际本钱降到零之后，大模型将创作内容的边际本钱降到零的第三次飞跃。

麦肯锡技能合资人莱瑞拉·余（LareinaYee）则将其类比为打算家当所经历过的大型机到个人电脑（PC）的剧变，意指天生式AI将技能利用权从精英转向大众，实现了AI技能的民主化。

但以上解读局限于AI家当自身，没有考虑天生式AI如何重塑更广泛的经济。
在笔者看来，天生式AI和大模型有潜力成为全体国民经济智能根本举动步伐，进而奠定所谓的大智能时期。

展望未来：时期跃迁

不同于专注于阐明现有数据的剖析式AI或根据给定输入推断输出的预测式AI，天生式AI专注于天生新内容，或称合成数据（syntheticdata）。
ChatGPT（美国AI公司OpenAI旗下的对话大模型产品）仅是大模型的一种。
准确地说，它仅是文今年夜模型的一种。
文今年夜模型之外，还有音比年夜模型和视觉大模型。

不同于预设规则或试图探求构造化规则的传统AI，天生式AI直接从海量未经标签化的非构造化数据中提取根本模型（foundationmodel），由于根本模型的参数巨大，常被称为大模型。
大模型的演习极其昂贵，但具备一系列传统AI模型不具备的上风。
一是其采纳的非监督演习的办法极大降落了人工标注的须要；二是模型具有更好的通用性，可灵巧搪塞多种任务；三是大模型可以理解并利用人类措辞，交互体验非常自然。

归根到底，大模型是人类全量知识的压缩。
传统AI利用有限的知识（预设的算法）从丰富的场景数据中提取结果，而大模型利用近乎完备的知识去解读场景数据（只管它不一定丰富）。
大数据时期和大智能时期，分别建立在这两种不同的模式上。

与此同时，时期生产力的进步还常日表示为某种新型根本举动步伐的建立。
工业时期涌现电力根本举动步伐，网络化时期涌现网络根本举动步伐，而智能时期将涌现何种根本举动步伐呢？在笔者看来，大模型具备成为智能根本举动步伐的潜力，因其具备根本举动步伐的三个基本特色。

一是通用性。
传统AI须要针对特界说务设计，表现出更多的专用性与垂直性。
比较之下，经由高强度预演习的大模型具备灵巧应对多种非预设任务的能力，可通过微调及提示词工程实现运用情景的高扩展，进而在通用性上大大提升。

二是规模经济。
大模型的规模经济与两个观点有关。
一是智能呈现。
只有模型参数规模超越临界点之后，智能才开始呈现。
工业经济情景下，低于最小有效生产规模的厂商无法有效参与市场竞争。
类似地，厂商必须投入高昂的前期演习本钱，才能参与大模型市场竞争。
二是智能摩尔定律。
传统摩尔定律预测硅片上的晶体管密度随韶光推移指数级增长，而本钱保持不变。
智能摩尔定律则预测大模型智能所能覆盖的场景数（智能密度）具有类似的规律。
这意味着，随着大模型参数的增长，其覆盖智能场景的单位本钱呈指数级降落。

三是外部性。
修睦的路上不跑车，代价即是零。
只管大模型语境下的“车”是什么尚未完备确定，但确定的是大模型的涌现将促进各种“车型”的创新。
因此，大模型对经济的推动浸染要远远大于天生式AI家当产值本身。
谈天类运用仅仅是大模型运用的低级形态，而创意和想象力与未知场景进行结合所迸发落发当能量，才是大模型作为根本举动步伐最具想象空间之处。

通用性、规模经济和外部性是根本举动步伐所具备的一样平常性特色。
大模型作为根本举动步伐的分外性何在呢？笔者认为，这是人类历史上第一次实现智能的大规模集中供给，故而称其为智能根本举动步伐。

数字化时期难道不是已经见证各类各样的智能化根本举动步伐（如智好手机、智能电网、智能交通等）了吗？此处需澄清，智能的根本举动步伐化不同于根本举动步伐的智能化。
智好手机的核心是手机，智能电网的核心是电网，智能交通的核心是交通，而授予其各种智能内涵的过程是根本举动步伐的智能化。

不同的是，智能根本举动步伐的核心是相对通用的智能本身，能对接千行百业。
过去几十年，数字化根本举动步伐环绕信息的采集、处理、传输、存储、打算等环节得到了充分的发展，而智能根本举动步伐的发展才刚刚开始。

大智能时期

每轮根本举动步伐的跃迁都会引发一轮新商业机遇的爆发。
这是由于，根本举动步伐将此前须要分散承担的可变成本转化为集中承担的固定本钱，推动新要素遍及、降落创新门槛。

智能根本举动步伐带来的新要素便是智能：大模型压缩了人类所有知识，当场景数据输入大模型，大模型就能根据其知识反馈出相应结果。
当这种智能产生模式广泛运用，我们或将见证前所未有的大智能时期。

大智能时期差异于大数据时期的核心特色是数据与智能的解耦。
谷歌常因所谓数据网络效应的缘故原由被反垄断机构约谈：搜索引擎的市场份额越大，用户数据就越多，而数据演习出来的机器算法就越来越智能，进而进一步提升其用户体验，导致更大的市场份额。
曾鸣教授更是基于阿里巴巴的类似履历，提炼出以“数据智能”为基石的“智能商业”方法论。
这种思维强调企业构建的数据飞轮是智能商业的条件：无数据，不智能。

在大智能时期，这一圭表标准只管在家当层面仍旧成立，但在企业层面的运用却值得考虑：智能不再完备来自于企业自身构建的数据飞轮。
数据作为智能质料的地位无可撼动。
然而，大模型利用这种质料上的效率远超此前分散支配的“小模型”，以至于有志于“智能商业”的企业构建自身数据飞轮损失经济性。
国家电网能稳定输出电力时，为何要在工厂阁下自建小发电厂？

智能根本举动步伐化的后果之一是数据与智能的解耦。
数据与智能的解耦并不虞味着数据不主要，而是意味着小数据也可以撬动大智能。
当前，大模型的进一步发展面临高质量数据源不敷的障碍，可见数据的主要性。

但这不虞味着任何企业都须要花心思囤积数据。
过去，企业要精心构建并掩护一个数据供应链，才有可能实现所谓的数据智能。
而今，大模型使得智能不须要在低水平重复开拓。
企业只须要用小数据去微调这个模型，便有可能开展“智能商业”。
由此，企业可节省精力、聚焦业务创新，开释出所谓智能红利。

家当生态

立足当下，本部分从三个视角来把握高度动态繁芜的天生式AI家当生态。
一是供给侧视角的技能生态，有助于理解天生式AI技能实现所需的生产要素；二是需求侧视角的运用生态，有助于理解天生式AI的运用方向；三是中美竞争背景下的区域生态，有助于理解需求侧和供给侧在不同条件下的互动模式。

1、天生式AI技能生态

大模型技能生态符合范例的IT垂直分工架构。
最底层是根本举动步伐，卖力供应大模型演习以及推理所需的算力。
家当初期，算力紧张用于模型预演习。
随着各大模型纷纭商用，用于响运用户要求所需的推理算力占比快速增加。

众所周知，大模型的算力需求紧张由GPU（图像处理单元）来知足。
但NPU（神经网络处理器）和TPU（张量处理器）等专为大模型推理运算设计的芯片也逐步成熟。
NPU紧张用于手机、无人机等终端产品的打算单元，而TPU是谷歌设计的云打算芯片。
值得把稳的是，硬件集群仅仅只是根本举动步伐的一部分，其上卖力硬件资源调度的云平台也非常主要。

根本举动步伐之上是大模型。
大模型有开源和闭源之分。
OpenAI的GPT是一个闭源模型，而2023年7月，Meta（脸书母公司）的Llama2（一款大模型）宣告支持开源和商用，引爆了大模型领域的开源运动。
选择开源模型还是闭源模型，彷佛和运用有关。
ChatGPT、Mid－journey（美国AI公司Midjourney旗下的文生图模型产品）等广受欢迎的ToC（面向消费者）运用都构建在私有大模型之上。
但ToB（面向企业）领域的运用常日构建在开源大模型之上，由于开源大模型支持私有化支配，并在微调方面供应了更大的灵巧度。

值得指出的是，大模型层与运用层之间存在一个中间层，旨在帮助运用开拓者办理两方面问题。
一方面，基于大模型做二次开拓（微调、提示词工程或基于人工反馈的增强学习）须要一系列工具或模板；另一方面，由于市情上存在多种大模型，运用开拓者可能希望一站式接入和管理。
所谓模型即做事（MaaS）集成了这些工具和功能。

2、大模型运用生态

技能生态紧张是巨子和工程师的场域，而运用生态则是创业者和产品经理的沃土。
在技能生态部分，运用层在技能堆栈中的位置得到了强调。
本部分谈及的运用生态则从需求侧视角展开，根本上是要回答：大模型如何对接应用场景、创造用户代价？这个问题可以沿着两个维度思考：客户属性和产品策略。

一方面，ToC和ToB的大模型运用在代价创造方面具有显著差异。
首先，消费类运用的代价创造险些都在运用内完成，而企业级运用须要与企业内部代价链和IT系统整合。
其次，消费类运用险些都基于公有云，而企业客户因隐私顾虑偏好私有云或稠浊云支配。
末了，消费类运用常日以一对多的办法供应做事进而迅速规模化，而企业级运用做事常日须要一对一定制。

以上ToC和ToB客户市场的一样平常性差异，并不因大模型技能的首创性而改变。
可见，ToC运用的代价创造具备独立性，而ToB运用的代价创造高度依赖其他互补性资源。
进而，ToC运用有望构建出一个以自身为中央的生态，而ToB运用常日嵌入在在位玩家（包括客户）的生态中。

另一方面，无论是ToB还是ToC，大模型运用可考虑增强、替代或整合三种策略。

增强策略为现有产品或做事加入大模型性能，进一步提升产品体验。
比如，Office产品中嵌入了基于大模型赞助工具（Copilot）或者***游戏中引入大模型天生个性化剧情。

替代策略则把大模型运用作为生产力工具替代原有的低效流程。
比如，在客服行业，替代正在大规模发生，而一部分营销设计事情也有望在大模型的支撑下实现自动化。

相较于增强现有产品和替代低效流程，整合策略则跳涌现有产品或流程，重新定义客户体验。
笔者避免利用颠覆一词，由于这种重新定义很大程度上是通过重组现有要素发生的。
大模型并不创造要素，但供应了高超的整合能力（如通过智能体，即Agent）。

3、天生式AI的区域生态

家当不可避免地嵌入在区域中。
纵不雅观环球，天生式AI的家当竞争紧张是在中美之间开展。
对付中美AI家当的一样平常性比拟剖析不是本文的重点。
接下来，紧张剖析两国区域条件的差异如何影响技能生态、运用生态以及两者之间的良性反馈。

静态比拟，中美两国在技能生态方面的差距并不致命。
诚然，美国在聚拢、造就天生式AI技能人才方面具有显著上风。
并且，GPU出口牵制在很大程度上也增加了中国企业的本钱。

但同时我们要看到三方面的有利成分。
第一，得益于开源运动的知识溢出效应，中美技能差距并没有大到足以阻碍中国的家当进步；第二，中国企业对开源的贡献也在日益壮大，中国也吸引了一些顶级科学家返国创业；第三，盲目的科技武备竞赛并不可取，大模型家当竞争的焦点已转向工程化和商业化。

反倒是中美运用生态的差距令人担忧。
高科技家当的发展，短期内可以靠成本维系，长期来看要靠市场支付发展所需的本钱，包括消费者侧和企业侧的支付。
然而，中国消费者的付费能力远不如美国消费者。
中国移动通信用户的月均支出约为50元，而美国约为50美元，但中国企业购买GPU的本钱要高于美国企业。

在ToB市场，支付能力且不谈，最大的问题是中国企业数字化水平低，尤其表示在SaaS（软件即做事）的渗透率上。
大模型运用更随意马虎支配到SaaS化程度较高的企业，因其底层数据管理较规范、流程标准化程度较高。
反之，SaaS化程度不高的企业须要花费大量韶光和精力去做前期准备，耗散掉精力、耐心和资源，这会导致大部分企业浅尝辄止或望而生畏。

值得强调的是，中国在移动互联网时期的场景上风，在天生式AI家当不成立。
场景上风建立在迭代之上，而迭代的条件是发展用户。
纵不雅观所有海内大模型企业，没有一家像推广移动互联网APP那样去不遗余力地发展用户。
关键缘故原由在于，移动互联网APP做事一个新用户的边际本钱险些为零，而大模型运用发展一个用户的边际本钱恒不为零。
在商业模式清晰之前，地主家也没这么多余粮。

如果说中国移动互联网的成功履历之一在于前端场景上风与后端技能进步的正反馈，笔者担心中国天生式AI家当正在经历一个截然相反的过程。
从这个动态视角再去看待中美之间技能生态的差距，恐怕会得到与静态比拟不同的结论。

几点思考与建议

听说，人们随意马虎高估一件事的短期影响但低估其长期潜力。
事关天生式AI家当，本文恰好供应了一剂对症解药：笔者长期看好其作为智能根本举动步伐的出息，但短期内对其构造性障碍持悲观态度。

本文没有论述中美天生式AI家当发展面临的共性寻衅，而聚焦中国相对付美国的比较劣势。
那么，中国有没有比较上风呢？笔者相信，发挥以下三方面的比较上风或有助于填补劣势：移动互联网生态、家当协同管理和商业模式创新。

一是打通移动互联网生态与天生式AI家当生态。
我国移动互联网家当在网络、终端与运用环节具备端到真个竞争上风，有望加持孱弱的ToC天生式AI运用生态。
比如，微信生态如何引入天生式AI、国产手机操作系统如何与天生式AI领悟、云网一体如何助力AI算力网络效率提升等议题都应沿着如何利用业已建立的比较上风去哺育天生式AI家当。

二是推动智能家当群协同发展。
智能根本举动步伐的培植端须要整合算法、算力和数据等要素，是数字根本举动步伐和数字资源体系的有机领悟和升级。
支持数字根本举动步伐运营企业向智能根本举动步伐运营企业升级，履行算力、数据、算法的一体化运营。
在需求侧，通过降落各行业利用天生式AI的本钱，拉动运用、工程、运营等配套做事的发展。

三是武断鼓励商业模式创新。
天生式AI家当面临的问题归根到底是代价创造和代价分配的问题，即商业模式。
无论打通移动互联网生态还是推动家当协同发展，都旨在为天生式AI生态的发展创造一个更广阔的环境和更坚实的根本。
这些比较上风是否能够精准转化为可填补比较劣势的方面，商业模式设计起决定性浸染。

（作者系北京大学国家发展研究院助理教授）