Subscribe
Share
Share
Embed
课代表立正的官方Podcast
深度访谈，有用干货，亲身验证的「真本事」
Superlinear Academy创始人，Maven Top AI Instructor
前Statsig布道师（OpenAI收购），腾讯副总监，Meta，Amazon；康奈尔经济学博士
社区：Superlinear.Academy
课程：ai-builders.com
个人：lizheng.ai
创始工程师创始工程师 Jason CER
J 大型语言模型 J 大型语言模型
路由器，路由器，路由器，用于大型语言
区别在于：集中式和分散
大家好，我们马上就要大家好，
我们马上就要 开始了，所以开始了，
所以开始了，
所以 如果您想喝点东西或吃点零食，
如果您想喝点东西或吃点零食，
如果您想喝点东西或吃点零食，然后找个
座位，那就
一，测试一，测试 二，测试一，
检查，检查，检查，检查，检查，检查，
检查，检查，检查，检查，你能听到我吗？
好的，可以吗？
是的，你好，你好，是的，很好，好的，
你能听到我吗？
好的，可以吗？
是的，你好，你好，是的，很好，好的，
谢谢大家，谢谢大家，
欢迎来到 AB 演讲，
在社交欢迎来到 AB 演讲，
在社交 时间，
很多人问我为什么是 AB 时间，
很多人问我为什么是 AB 演讲，
这是因为本次活动演讲，
这是因为本次活动 由我们公司
Stasik 赞助。
Stasik 由我们公司 Stasik
赞助。
Stasik
由我们公司 Stasik 赞助。
Stasik 是一个用于产品开发的现代化
数据平台，
是一个用于产品开发的现代化数据平台，
我们提供必要的我们提供必要的我们提供必要
的 工具，例如未来之门工具，
例如未来之门工具，
例如未来之门 实验和分析。
sesc 实验和分析。
sesc 举办此次活动是为了举办此次活动
是为了
举办此次活动是为了 社区的利益，
而且我们也为社区的利益，
而且我们也为 许多人工智能公司提供服务，
许多人工智能公司提供服务，
例如 openi、
anthropic 和例如 openi、
anthropic 和
character。
人工智能，
所以我们想向 character。
人工智能，所以我们想向
character。
人工智能，
所以我们想向 人工智能社区学习人工智能
社区学习人工智能社区学习 产品开发的最佳
实践，尤其是在产品开发的最佳实践，
尤其是在产品开发的最佳实践，
尤其是在 基因工程时代。
这就是我们基因工程时代。
这就是我们 团队的职责。
摩根是我们的团队的职责。
摩根是我们的 发明经理，
如果您需要发明经理，如果您需要
发明经理，如果您需要 任何帮助，
请联系摩根。
杰西是我们的任何帮助，请联系摩根。
杰西是我们的 招聘主管，我们招聘主管，
我们招聘主管，
我们 100%在 Bev 现场办公，
但如果您感兴趣，
100%在 Bev 现场办公，
但如果您感兴趣，
100%在 Bev 现场办公，
但如果您感兴趣，我们有很多职位空缺。
布洛克是我们的……是的，
我们有很多职位空缺。
布洛克是我们的……是的，
我们有很多职位空缺。
布洛克是我们的……是的，
那段关系……是的，如果那段关系……是的，
如果那段关系……是的，
如果 您需要任何帮助，
请联系您需要任何帮助，
请联系您需要任何帮助，请联系 我们。
让我简单介绍一下我们我们。
让我简单介绍一下我们 今晚的演讲嘉宾，
我们很荣幸今晚的演讲嘉宾，
我们很荣幸 邀请到 H、Y、邀请到 H、
Y、
邀请到 H、Y、 Jason 和 J。
Jason 和 J。
如果您之前不认识他们，
我准备了一个简单的介绍。
如果您之前不认识他们，
我准备了一个简单的介绍。
如果您之前不认识他们，
我准备了一个简单的介绍。
首先，H 是硅谷资深技术首先，
H 是硅谷资深技术首先，
H 是硅谷资深技术 专家，
他的职业生涯专家，他的职业生涯专家，
他的职业生涯 始于创立 WiW 的网络
始于创立 WiW 的网络
始于创立 WiW 的网络 部门，
如今该部门已发展成为一家数十亿美元的部门
，
如今该部门已发展成为一家数十亿美元的部门
，
如今该部门已发展成为一家数十亿美元的
企业。
他丰富的经验企业。
他丰富的经验 涵盖了为初创公司提供资金、
在涵盖了为初创公司提供资金、
在 行业领先公司担任高管职位、
担任行业领先公司担任高管职位、担任
Greylock Partners 的
驻场企业家，
以及 Greylock Partners
的驻场企业家，
以及 在在在 斯坦福大学等著名机构担任
导师和教师，
并领导斯坦福大学等著名机构担任导师和教师
，
并领导斯坦福大学等著名机构担任导师和教师
，
并领导 B2B 加速器
Alchemist。
H 最近还 B2B 加速器
Alchemist。
H 最近还
B2B 加速器 Alchemist。
H 最近还 开通了一个 YouTube
频道。
这个频道叫做“开通了一个 YouTube
频道。
这个频道叫做“开通了一个 YouTube
频道。
这个频道叫做“ Fight into
Future”，
记得 Fight into Future
”，
记得 Fight into Future
”，记得 现在就订阅！
他将在两周后邀请一些杰出的
现在就订阅！
他将在两周后邀请一些杰出的现在就订阅！
他将在两周后邀请一些杰出的 企业家，
并在企业家，并在企业家，
并在 标志性的纽约标志性的纽约标志性的
纽约 证券交易所进行现场直播。
所以，抓住证券交易所进行现场直播。
所以，抓住 未来，记得订阅！
接下来，未来，记得订阅！
接下来，
我很高兴地向大家介绍我很高兴地向大家介绍
我很高兴地向大家介绍 LEP AI 的
创始人兼 CEO 杨琴。
LEP AI 是性能卓越的生成式 LEP
AI 的创始人兼 CEO 杨琴。
LEP AI 是性能卓越的生成式 LEP
AI 的创始人兼 CEO 杨琴。
LEP AI 是性能卓越的生成式
人工智能人工智能人工智能 基础设施
服务平台之一。
基础设施服务平台之一。
值得一提的是，
杨琴利用 LEP AI 的 INF
基础设施，
值得一提的是，
杨琴利用 LEP AI 的 INF
基础设施，
在不到一周的时间内，
仅用 500 行代码就开发出了一个大型的
基于语言模型的搜索引擎，
并将其在不到一周的时间内，
仅用 500 行代码就开发出了一个大型的
基于语言模型的搜索引擎，并将其 开源。
我开源。
我 还想补充一点，我们将与还想补充一点，
我们将与还想补充一点，
我们将与 Perplexity 的
CEO 杨琴进行 Perplexity
的 CEO 杨琴进行
Perplexity 的 CEO 杨琴
进行 一场轻松愉快的一场轻松愉快的一场
轻松愉快的 对话。
你可以在推特上查看相关讨论。
在 LEP AI 对话。
你可以在推特上查看相关讨论。
在 LEP AI 对话。
你可以在推特上查看相关讨论。
在 LEP AI
之前，杨琴曾是之前，
杨琴曾是 阿里巴巴的副总裁，
也是阿里巴巴的副总裁，也是
Facebook 人工智能基础设施的总监
。
他在那里创建了 Cafe 2。
Cafe 2 Facebook 人工智能
基础设施的总监。
他在那里创建了 Cafe 2。
Cafe 2 实际上是在他还在实际上是在
他还在实际上是在他还在 BIR（一家位于
英国的国际关系学院）读书时创建的。
BIR（一家位于英国的国际关系学院）读书
时创建的。
BIR（一家位于英国的国际关系学院）读书
时创建的。
此外，此外，
此外，他还参与了 PCH 的开发，
PCH 他还参与了 PCH 的开发，
PCH 已经成为最受欢迎的机器已经成为最
受欢迎的机器已经成为最受欢迎的机器 学习
学习学习 框架。
是的，实际上，我们框架。
是的，实际上，
我们 已经…… 你已经…… 你已经……
你 知道，
我们最近在 YouTube 频道和
Har 之
知道，
我们最近在 YouTube 频道和
Har 之知道，
我们最近在 YouTube 频道和
Har 之 类的平台上做广告，嗯，
我们是一家类的平台上做广告，嗯，
我们是一家 空中基础设施公司，
所以人们总是空中基础设施公司，
所以人们总是 好奇空中基础设施公司是做
什么的，好奇空中基础设施公司是做什么的，
好奇空中基础设施公司是做什么的，嗯，
我们做了一个非常嗯，我们做了一个非常嗯，
我们做了一个非常 可爱的 Chrome
扩展程序，
叫做可爱的 Chrome 扩展程序，
叫做 Elmo 聊天，Elmo，
就像你知道的，街头 Elmo，
Elmo 聊天，Elmo，就像你知道的，
街头 Elmo，
Elmo 聊天，Elmo，就像你知道的，
街头 Elmo，所以如果你去 Elmo。
聊天功能所以如果你去 Elmo。
聊天功能 基本上可以下载安装为
Chrome 基本上可以下载安装为
Chrome 扩展程序，
它的功能是扩展程序，它的功能是扩展程序，
它的功能是 为你总结每个网页，
无论为你总结每个网页，无论
为你总结每个网页，无论 是新闻文章、
新闻帖子、是新闻文章、新闻帖子、
是新闻文章、新闻帖子、播放讨论、
YouTube 视频、PDF 播放讨论、
YouTube 视频、PDF 等等。
完全免费。
等等。
完全免费。
等等。
完全免费。
这基本上是我们向用户这基本上是我们向用户
这基本上是我们向用户 介绍一款可以介绍
一款可以介绍一款可以 在在
在 左侧平台上运行的工具的方式。
如果你感兴趣，
可以左侧平台上运行的工具的方式。
如果你感兴趣，
可以左侧平台上运行的工具的方式。
如果你感兴趣，可以 看看这个 elmo。
Che，是的，看看这个 elmo。
Che，是的，完全免费的高质量公关，
很完全免费的高质量公关，
很 抱歉我的大脑袋挡住了抱歉我的大脑袋
挡住了
抱歉我的大脑袋挡住了 屏幕，不，
这很完美，实际上我屏幕，不，这很完美，
实际上我
第一个问题就想把这个也说进去了，
因为第一个第一个问题就想把这个也说进去了
，因为第一个 问题是关于产品的，
这是一个问题是关于产品的，
这是一个 很棒的平台，谢谢很棒的平台，
谢谢很棒的平台，谢谢 Jump，
下一个是 Jason，
Jason 是 Jump，
下一个是 Jason，
Jason 是 Jump，
下一个是 Jason，
Jason 是 Marshan 的创始
工程师，
Marshan 的创始工程师，
Marshan 是一个快速发展的 LLM
路由器，
Marshan 是一个快速发展的 LLM
路由器，
Marshan 是一个快速发展的 LLM
路由器，去年推出。
如果你不知道去年推出。
如果你不知道 路由器是什么，
Marshan 路由器旨在路由器是什么，
Marshan 路由器旨在
路由器是什么，
Marshan 路由器旨在 为我们的任务
选择最佳的 AI 解决方案，
为我们的任务选择最佳的 AI 解决方案，
已被已被
包括 OpenI 和亚马逊在内的 300
多家公司的开发人员采用。
在 Marshan 之前，
包括 OpenI 和亚马逊在内的 300
多家公司的开发人员采用。
在 Marshan 之前，
Jason 曾在芝加哥 Human
Plus Jason 曾在芝加哥
Human Plus Jason 曾在
芝加哥 Human Plus AI
实验室和 Bance 进行研究，他领导着
AI 实验室和 Bance 进行研究，
他领导着 AI 实验室和 Bance
进行研究，
他领导着 湾区最大的 AI 社区之一湾区
最大的 AI 社区之一湾区最大的 AI
社区之一 。
演讲嘉宾和社区。
演讲嘉宾和社区 成员来自 openi
theia Stanford 成员来自
openi theia Stanford
成员来自 openi theia
Stanford 等，
因为我们也在投放广告，等，
因为我们也在投放广告，
请大家关注我们的 Ali AI
Twitter AIG ns。
请大家关注我们的 Ali AI
Twitter AIG ns。
请大家关注我们的 Ali AI
Twitter AIG ns。
我们经常在 C 区举办活动，
所以我们经常在 C 区举办活动，所以
我们经常在 C 区举办活动，所以
欢迎大家参加。
最后一个问题，我欢迎大家参加。
最后一个问题，我 觉得你甚至不需要做，
因为觉得你甚至不需要做，
因为 介绍部分是关于你们的产品。
Jay 介绍部分是关于你们的产品。
Jay 是 Opus Clip 的联合
创始人兼首席技术官，
是 Opus Clip 的联合创始人兼
首席技术官，
是 Opus Clip 的联合创始人兼
首席技术官，
他的创业公司在 2023 年从他的创业
公司在 2023 年从他的创业公司在
2023 年从 流媒体转型为现在的 AI
视频流媒体转型为现在的 AI 视频流
媒体转型为现在的 AI 视频 剪辑产品，
并在剪辑产品，并在剪辑产品，
并在 同年 6 月在 J 区发布。
不到同年 6 月在 J 区发布。
不到
同年 6 月在 J 区发布。
不到 一年，Opus Clip 的一年，
Opus Clip 的一年，
Opus Clip 的 年经常性收入就
达到了 1500 万美元，
而且增长年经常性收入就达到了 1500
万美元，
而且增长年经常性收入就达到了 1500
万美元，而且增长 迅速。
如果你熟悉 Start 迅速。
如果你熟悉 Start Apps，
你应该知道这种增长有多么惊人。
Apps，你应该知道这种增长有多么惊人。
我自己也是 Opus Clip 的重度
用户，
我自己也是 Opus Clip 的重度
用户，
我自己也是 Opus Clip 的重度
用户，
我刚刚发现 H 也是其中之一，
但我是付费会员，
我想 H 但我是付费会员，
我想 H 现在应该还在现在应该还在现在
应该还在 付费用户名单上。
哦，你已经付费了，付费用户名单上。
哦，你已经付费了，
因为我创建了这个 YouTube 因为我
创建了这个 YouTube
因为我创建了这个 YouTube 频道。
说到商业，记得频道。
说到商业，记得 订阅，因为这也能订阅，
因为这也能订阅，
因为这也能 支持 Opus。
不错。
在此支持 Opus。
不错。
在此支持 Opus。
不错。
在此 之前，Jay 曾之前，
Jay 曾之前，
Jay 曾 在 Airbnb 担任工程
经理，
并在 LinkedIn 担任工程师，
在 Airbnb 担任工程经理，
并在 LinkedIn 担任工程师，
在 Airbnb 担任工程经理，
并在 LinkedIn 担任工程师，
拥有广泛的工程拥有广泛的工程拥有广泛的
工程 实践经验。
以上就是我们的介绍。
实践经验。
以上就是我们的介绍。
实践经验。
以上就是我们的介绍。
正如你所看到的，我们邀请了演讲嘉宾。
人工智能领域不仅包括产品，
还包括中间件和基础设施。
今天还包括中间件和基础设施。
今天 我们希望深入探讨一些问题。
我我们希望深入探讨一些问题。
我 准备了一份问题清单，
即使准备了一份问题清单，
即使 只涵盖一个方面，但只要能从多个
只涵盖一个方面，
但只要能从多个只涵盖一个方面，
但只要能从多个 角度切入，
我认为也是不错的。
所以角度切入，我认为也是不错的。
所以 我会留出 20 分钟进行问答环节。
我会留出 20 分钟进行问答环节。
好的，那我就开始吧。
第一个问题是：第一个问题是：
第一个问题是：
构建人工智能产品与以往的产品在本质上有何
不同？嗯，
好的，可以吗？
是的，好的，可以吗？
是的，确实有一些不同之处，
也有一些不变之处。
确实有一些不同之处，也有一些不变之处。
谢谢。
有些方面谢谢。
有些方面 不同，有些方面保持不同，
有些方面保持不同，有些方面保持 不变。
让我谈谈那些不变的方面。
不变。
让我谈谈那些不变的方面。
不变。
让我谈谈那些不变的方面。
当你构建当你构建当你构建 产品时，
你仍然需要产品时，你仍然需要产品时，
你仍然需要 深入了解用户的需求。
你可以深入了解用户的需求。
你可以
深入了解用户的需求。
你可以 参考一些定理，
例如“待完成任务”（Jobs to Be
Done）。
参考一些定理，
例如“待完成任务”（Jobs to Be
Done）。
参考一些定理，
例如“待完成任务”（Jobs to Be
Done）。
当然，当然，当然，
设计和设计和设计和 营销仍然非常重要。
营销仍然非常重要。
当人们谈论人工智能当人们谈论人工智能
当人们谈论人工智能 应用时，
你可能会认为我们应用时，
你可能会认为我们 需要像聊天机器人
GPT 这样的输入接口。
需要像聊天机器人 GPT 这样的输入接口
。
需要像聊天机器人 GPT 这样的输入接口
。
不需要设计？
嗯，这种说法不需要设计？
嗯，这种说法 大错特错。
至少在我的产品中，大错特错。
至少在我的产品中，
大错特错。
至少在我的产品中，
我们仍然致力于打造相对优秀、
美观且易于使用的产品。
同时，营销也至关重要。
我们同时，营销也至关重要。
我们 取得了不错的增长，
这取得了不错的增长，这取得了不错的增长，
这 得益于我们在之前不太成功的产品发布
得益于我们在之前不太成功的产品发布
得益于我们在之前不太成功的产品发布 期间
与不同的有影响力人士建立了联系。
期间与不同的有影响力人士建立了联系。
当我们推出这款产品时，
我们认识的人非常兴奋，
他们我们认识的人非常兴奋，
他们 决定免费宣传我们的产品，
决定免费宣传我们的产品，
因为这让他们觉得自己很酷，
而且因为这让他们觉得自己很酷，
而且 他们真的很喜欢这款产品。
但如果他们真的很喜欢这款产品。
但如果
他们真的很喜欢这款产品。
但如果 你不认识这些人，
或者你不认识这些人，或者你不认识这些人，
或者 你对你对你对 营销准备不足，
那么你可能只是一个追随者。
营销准备不足，那么你可能只是一个追随者。
类似的产品可能已经占据了类似的产品可能
已经占据了类似的产品可能已经占据了 市场
领先地位，而你市场领先地位，
而你市场领先地位，
而你 可能无法获得这些免费流量。
当然，也有一些
可能无法获得这些免费流量。当然，也有一些
不同之处，例如，用户容忍度不同之处，
例如，
用户容忍度 通常比那些更通常比那些更通常
比那些更 成熟的产品更高。
人们成熟的产品更高。
人们 知道这是一款人工智能产品，
也知道这是一款人工智能产品，
也 知道它非常新颖，知道它非常新颖，
知道它非常新颖，技术方面也存在一些问题。
嗯，这方面可能有所不同，
技术方面也存在一些问题。
嗯，这方面可能有所不同，
技术方面也存在一些问题。
嗯，这方面可能有所不同， 也充满挑战。
人们对此感到非常兴奋，也充满挑战。
人们对此感到非常兴奋，
因为它能显著提高生产力，
但同时他们也能接受但同时他们也能接受但
同时他们也能接受 一些 bug，
而且成本也是一个一些 bug，
而且成本也是一个
一些 bug，
而且成本也是一个 很大的问题。
所以一开始，很大的问题。
所以一开始，
我们提供给用户的每处理能力成本是现在的
5 倍甚至 10 倍，
我们提供给用户的每处理能力成本是现在的
5 倍甚至 10 倍，
我们努力我们努力我们努力 降低成本，
以便降低成本，以便降低成本，
以便 实现现金流为正，实现现金流为正，
实现现金流为正，
否则我们否则我们否则我们 基本上就只能为
OpenAI 工作了。
与此同时，
基本上就只能为 OpenAI 工作了。
与此同时，
基本上就只能为 OpenAI 工作了。
与此同时，
我看到很多我看到很多我看到很多 竞争对手
没有获得竞争对手没有获得竞争对手没有获得
规模效应，也就是规模经济，规模效应，
也就是规模经济，规模效应，
也就是规模经济，
所以他们可能会因为所以他们可能会因为所以
他们可能会因为 更高的成本而遭受损失。
从长远来看，更高的成本而遭受损失。
从长远来看，更高的成本效益更高的成本效益
更高的成本效益 对你的产品至关重要。
所以，对你的产品至关重要。
所以，一个非常不同的是，
一个非常不同的是，一个非常不同的是，
即时工程成为了一个概念，
它相当即时工程成为了一个概念，
它相当 新颖，并且新颖，并且新颖，
并且 在你的在你的在你的 合作过程中有
一些实际的影响。
因为以前你可能合作过程中有一些实际的影响
。
因为以前你可能
合作过程中有一些实际的影响。
因为以前你可能 有很多研究工程师，
有很多研究工程师，有很多研究工程师，
他们都是人工智能工程师。
工程师负责训练他们都是人工智能工程师。
工程师负责训练 模型并完成所有工作，
但模型并完成所有工作，
但 在提示工程时代，你在提示工程时代，
你在提示工程时代，
你 可能不需要很多核心的 AI 可能不
需要很多核心的 AI
可能不需要很多核心的 AI 工程师，
但你需要能够工程师，但你需要能够工程师，
但你需要能够 编写提示的人，
这些人可以是编写提示的人，
这些人可以是 产品经理或产品运营产品经理
或产品运营产品经理或产品运营 人员，
他们需要与人员，他们需要与人员，
他们需要与 你的 AI 工程师合作，
编写、你的 AI 工程师合作，编写、
你的 AI 工程师合作，编写、
调整提示并确保一切正常运行。
嗯，我的回答大概就是这样，嗯，
我的回答大概就是这样，嗯，
我的回答大概就是这样，谢谢。
你可以自由发挥，或者谢谢。
你可以自由发挥，
或者 我们可以绕着……顺时针方向……所以
你我们可以绕着……顺时针方向……所以你
我们可以绕着……顺时针方向……所以你
确定吗？
嗯，我认为这与上一代软件非常非常不同，
无论
嗯，我认为这与上一代软件非常非常不同，
无论
是企业软件还是是企业软件还是 消费软件。
让我再多谈谈消费软件。
让我再多谈谈
我比较了解的企业软件。
如果你我比较了解的企业软件。
如果你 考虑企业软件，考虑企业软件，
考虑企业软件，精确性、正确性、精确性、
正确性、
可预测性和可预测性和 可复现性都非常重要
，而可复现性都非常重要，而
现在的 Gen 应用程序没有可复现性。
有些用例，
比如文本到现在的 Gen 应用程序没有可
复现性。
有些用例，
比如文本到 代码生成表格并代码生成表格并
代码生成表格并 生成结果，
你不能生成结果，你不能生成结果，
你不能 出错，即使是出错，即使是出错，
即使是 百万分之一的概率，
百分之一的概率，这百万分之一的概率，
百分之一的概率，这 已经相当不错了。
已经相当不错了。
99% 的情况下都是正确的，
所以你 99% 的情况下都是正确的，
所以你 必须重新思考如何才能正确地完成它
。
必须重新思考如何才能正确地完成它。
这并不是世界末日，这并不是世界末日，
这并不是世界末日，因为你正在做的，
或者说你将因为你正在做的，
或者说你将 要做的，实际上是限制
要做的，实际上是限制要做的，
实际上是限制 输入空间和输出空间，
并输入空间和输出空间，
并输入空间和输出空间，并 找到一种方法，
使结果更加找到一种方法，
使结果更加 可预测，可预测，可预测，
比你想象的要好得多。
开放的 API 允许你比你想象的要好得多
。
开放的 API 允许你比你想象的要好得多
。
开放的 API 允许你 做的要好得多。
所以你必须重新思考
做的要好得多。
所以你必须重新思考做的要好得多。
所以你必须重新思考 它。
这有点像是它。
这有点像是 软件设计方面的一个问题。
然后，软件设计方面的一个问题。
然后，我们都知道，
质量保证 (QA) 是软件我们都知道，
质量保证 (QA) 是软件 的另一个重要
方面，的另一个重要方面，
的另一个重要方面，而且 QA 完全
而且 QA 完全而且 QA 完全 不同，
尤其是在不同，尤其是在不同，
尤其是在 基于文本的情况下，
比如什么是正确的，
什么是基于文本的情况下，
比如什么是正确的，
什么是基于文本的情况下，
比如什么是正确的，什么是 错误的，
谁来给错误的，谁来给错误的，
谁来给 你标记？
谁来告诉你这是你标记？
谁来告诉你这是 正确的？
在传统的软件中，正确的？
在传统的软件中，
正确的？
在传统的软件中，你会先运行一个正常流程，
然后你会先运行一个正常流程，
然后 找出一些特殊情况，
比如找出一些特殊情况，
比如找出一些特殊情况，比如 极大的数字、
极小的极大的数字、极小的极大的数字、
极小的 数字、零减数等等。
这样数字、零减数等等。
这样 你就知道，如果输入是你就知道，
如果输入是你就知道，如果输入是 5、
6 和 8，这个软件是正确的；
5、6 和 8，这个软件是正确的；5、
6 和 8，这个软件是正确的；
如果输入是 10，
那么……如果输入是 10，
那么…… 11，这很可能是正确的，
但你需要 11，这很可能是正确的，
但你需要 弄清楚当输入为零时，
它弄清楚当输入为零时，
它弄清楚当输入为零时，它 是零、
-1 还是是零、-1 还是是零、
-1 还是 无穷大数，这是否
无穷大数，这是否无穷大数，
这是否 仍然正确。
但在仍然正确。
但在 生成式编程中，我不清楚，
如果我生成式编程中，我不清楚，
如果我 添加一个字符，添加一个字符，
添加一个字符，
输出可能由于某种原因完全不同，对吧？
所以输出可能由于某种原因完全不同，对吧？
所以 它的可它的可它的可 预测性大大降低
。
因此，我
预测性大大降低。
因此，我预测性大大降低。
因此，
我 认为我们整个行业需要重新思考认为我们
整个行业需要重新思考认为我们整个行业需要
重新思考 如何进行质量保证（QA），
也就是如何进行质量保证（QA），
也就是 在在在 企业软件中进行质量保证
意味着什么。
我企业软件中进行质量保证意味着什么。
我 举几个例子。
举几个例子。
企业级生成式企业级生成式 应用程序在生产
环境中应用不足的原因之一是，
应用程序在生产环境中应用不足的原因之一是
，
应用程序在生产环境中应用不足的原因之一是
，
正如正如正如 我在 2023 年 12
月提到的那些问题，
我在 2023 年 12 月提到的那些
问题，
CNBC 发表了一篇文章，
你可以搜索一下。
CNBC 发表了一篇文章，
你可以搜索一下。
文章标题是“文章标题是“文章标题是“
2023 年是 2023 年是 2023
年是 英伟达利润丰厚的一年，以及……”。
英伟达利润丰厚的一年，以及……”。
其余部分其余部分其余部分 相当准确地
捕捉到了相当准确地捕捉到了相当准确地
捕捉到了 2023 年的情况。
我很确定
2023 年的情况。
我很确定 2023 年的情况。
我很确定 2024 年会好很多，
有些方面会更好，
有些方面会 2024 年会好很多，
有些方面会更好，有些方面会
更糟。
嗯，如果你思考一下更糟。
嗯，
如果你思考一下 为什么会有这么多高瞻远瞩
的为什么会有这么多高瞻远瞩的为什么会有
这么多高瞻远瞩的 实验，
但实际产出却少得多，嗯，实验，
但实际产出却少得多，嗯，
这与软件的本质这与软件的本质这与软件的
本质 截然不同有关。
嗯，就是这样。
截然不同有关。
嗯，就是这样。
截然不同有关。
嗯，就是这样。
当然，你知道，当然，你知道，
当然，你知道，
我并非我并非我并非 消费软件方面的专家，
但我认为两者之间有很多消费软件方面的专家
，
但我认为两者之间有很多消费软件方面的专家
，但我认为两者之间有很多 相似之处。
相似之处。
现在，消费软件的情况截然不同。
消费现在，消费软件的情况截然不同。
消费 软件的一个潜在软件的一个潜在软件的
一个潜在 优势是，嗯，就像优势是，嗯，
就像
优势是，嗯，
就像 J 正在 J 正在 J 正在 做的
那种事情一样，你知道，做的那种事情一样，
你知道，做的那种事情一样，你知道，
基本上，我给你一个视频，你基本上，
我给你一个视频，你基本上，
我给你一个视频，你 生成一些片段，
但没有生成一些片段，但没有生成一些片段，
但没有 正确答案，对吧？
可能是正确答案，对吧？
可能是 一分半钟，也可能是一一分半钟，
也可能是一
一分半钟，也可能是一 分钟。
嗯，所以你有更大的分钟。
嗯，所以你有更大的 灵活性，
可以确保灵活性，可以确保灵活性，
可以确保 客户，或者我自己——客户，
或者我自己——客户，
或者我自己—— 我实际上也是客户——我
实际上也是客户——我实际上也是客户——
即使 给我一分钟或者一分即使 给我一分钟
或者一分即使 给我一分钟或者一分 半钟都
可以，对吧？
半钟都可以，对吧？
所以你有一定的余地，所以你有一定的余地，
所以你有一定的余地，容错率更高，
我想 J 也提到过。
但这容错率更高，我想 J 也提到过。
但这 并不并不并不 意味着问题就容易解决
，比如，意味着问题就容易解决，比如，
意味着问题就容易解决，比如，
我可能不太在意我可能不太在意我可能不太
在意 最终结果是最终结果是最终结果是
一分半钟还是一分钟，
一分半钟还是一分钟，一分半钟还是一分钟，
但最终还是能得到但最终还是能得到但最终
还是能得到 满足的，对吧？
所以，一分满足的，对吧？
所以，
一分 半钟的视频总是低于我的半钟的视频
总是低于我的半钟的视频总是低于我的 预期
，它仍然会……它仍然预期，
它仍然会……它仍然预期，
它仍然会……它仍然 不行，你知道，
如果真是那样，不行，你知道，
如果真是那样，
不行，你知道，如果真是那样，
我就不会用这个我就不会用这个我就不会用
这个 软件了，对吧？
我觉得软件了，对吧？
我觉得 高于预期我才会用，
但高于预期我才会用，但高于预期我才会用，
但 你怎么确保你的软件真的能你怎么确保你
的软件真的能你怎么确保你的软件真的能
达到那个阈值，并且能够可达到那个阈值，
并且能够可达到那个阈值，
并且能够可 预测地达到那个状态呢？
这预测地达到那个状态呢？
这
预测地达到那个状态呢？
这 其实并不容易，
你的反馈回路在判断其实并不容易，
你的反馈回路在判断 什么什么什么 是对的
、什么是错的方面有点模糊。
所以是对的、什么是错的方面有点模糊。
所以 总的来说，我的感觉是，
这个软件在总的来说，我的感觉是，
这个软件在 人工智能方面与人工智能方面与
人工智能方面与 上上
上 一代软件在错误率方面非常非常不同。
谢谢。
我一代软件在错误率方面非常非常不同。
谢谢。
我一代软件在错误率方面非常非常不同。
谢谢。
我 从你的回答中得到的一点是…… 看起来
J 代表着从你的回答中得到的一点是……
看起来 J 代表着从你的回答中得到的
一点是…… 看起来 J 代表着 范式转变
，而范式范式转变，而范式范式转变，
而范式 转变意味着从根本上来说是全新的，
那么转变意味着从根本上来说是全新的，那么
转变意味着从根本上来说是全新的，
那么 旧的方法就不能再继续旧的方法就不能
再继续旧的方法就不能再继续 下去了，
你必须思考一种下去了，
你必须思考一种 新的方法。
我们可以在我的新的方法。
我们可以在我的 第三个问题中深入探讨这个
问题，但在此之前，是的，
第三个问题中深入探讨这个问题，
但在此之前，是的，
第三个问题中深入探讨这个问题，
但在此之前，是的，
我认为我已经做了一个我认为我已经做了一个
我认为我已经做了一个 很好的总结，
但很好的总结，但很好的总结，
但 让我用数学的方式来解释一下。
让我用数学的方式来解释一下。
我认为它将会有所不同，
主要是因为交互方式主要是因为交互方式主要
是因为交互方式 不同。
在过去，计算机
不同。
在过去，计算机不同。
在过去，
计算机 科学的核心在于将科学的核心在于将
科学的核心在于将 零散的输入（例如抽象的
需求）零散的输入（例如抽象的需求）零散的
输入（例如抽象的需求） 迅速转化为迅速
转化为迅速转化为 逻辑世界，
无论是逻辑世界，无论是逻辑世界，
无论是 代码、JSON 数据、
API 代码、JSON 数据、
API 等等。
我们拥有非常等等。
我们拥有非常
等等。
我们拥有非常 零散的输入和非常固定的零散
的输入和非常固定的零散的输入和非常固定的
输出。
而现在，随着输出。
而现在，随着 CHGBT 的出现，
这一切都发生了改变。
你会发现 CHGBT 的出现，
这一切都发生了改变。
你会发现 CHGBT 的出现，
这一切都发生了改变。
你会发现 人工智能变成了一个黑箱，
人工智能变成了一个黑箱，
输出非常随机且零散。
我的
输出非常随机且零散。
我的输出非常随机且零散。
我的 意思是，就功能而言，这没问题，
但问题是，意思是，就功能而言，这没问题，
但问题是，
你如何将你如何将你如何将 CHGBT 的
输出与数据库 CHGBT 的输出与数据库
CHGBT 的输出与数据库 查询
连接起来？
因此，我认为查询连接起来？
因此，我认为 基本上出现了两种情况。
基本上出现了两种情况。
你知道，你知道，你知道，
在以前在以前在以前 我们都使用 API
，计算机之间互相通信的时候，
这并不是什么重要的事情。
我们都使用 API，
计算机之间互相通信的时候，
这并不是什么重要的事情。
我们都使用 API，
计算机之间互相通信的时候，
这并不是什么重要的事情。
基本上，我们基本上，我们基本上，
我们 开始在输入开始在输入开始在输入
输出混乱的
输出混乱的输出混乱的 情况下构建应用程序
，对吧？
各种各样的情况下构建应用程序，对吧？
各种各样的 AIGC 公司，
有聊天机器人，AIGC 公司，
有聊天机器人，你知道，就连搜索也你知道，
就连搜索也你知道，
就连搜索也 变得有点松散，
因为你变得有点松散，因为你变得有点松散，
因为你 搜索的内容搜索的内容搜索的内容
并不能给你一个固定的
并不能给你一个固定的并不能给你一个固定的
结果或页面，结果或页面，结果或页面，
它只会给你一个不完整的答案，
甚至都不甚至都不甚至都不 完全正确。
所以，完全正确。
所以， 用户体验开始发生变化。
我们看到用户体验开始发生变化。
我们看到 很多非常优秀的产品很多非常优秀
的产品
很多非常优秀的产品 经理正在利用这些经理
正在利用这些经理正在利用这些 工具来创造
新的体验、工具来创造新的体验、
工具来创造新的体验、
新的功能新的功能新的功能 等等。
因为等等。
因为 我们与这个世界互动时，
已经我们与这个世界互动时，
已经 习惯了习惯了习惯了 线性交互。
这是一方面。
线性交互。
这是一方面。
线性交互。
这是一方面。
另一方面，另一方面，
另一方面，
我们实际上只是我们实际上只是我们实际上
只是 开始巩固旧的开始巩固旧的开始巩固旧
的 方式，但使用的技术，
我们仍然希望方式，但使用的技术，
我们仍然希望 从一个混乱的世界、
一个混乱的输入，从一个混乱的世界、
一个混乱的输入，到一个固定的逻辑世界。
代码到一个固定的逻辑世界。
代码 生成是其中之一，你
生成是其中之一，你生成是其中之一，
你 可能听说过，比如将可能听说过，
比如将可能听说过，
比如将 语言转换为 SQL，
这是另一个例子，语言转换为 SQL，
这是另一个例子，还有很多其他例子。
还有很多其他例子。
这就是为什么我们看到很多工作开始这就是
为什么我们看到很多工作开始这就是为什么
我们看到很多工作开始 真正地给真正地给
真正地给 大型语言模块戴上枷锁，
比如大型语言模块戴上枷锁，比如
函数调用等等。
在最底层，我们捍卫的是在最底层，
我们捍卫的是在最底层，
我们捍卫的是 旧模型，
即松散的输入旧模型，即松散的输入旧模型，
即松散的输入 和固定的输出，
一个固定的逻辑世界，和固定的输出，
一个固定的逻辑世界，因为这仍然非常重要。
因为这仍然非常重要。
所以我认为，第一个所以我认为，
第一个所以我认为，第一个 是全新的，
是全新的，是全新的，
由 AIGC 和 LLM 实现的输入输出
。
第二由 AIGC 和 LLM 实现的
输入输出。
第二由 AIGC 和 LLM 实现的
输入输出。
第二 个基本上是，
因为我们想把个基本上是，
因为我们想把 这些新技术引入这些新技术
引入这些新技术引入 现有的工作流程，
所以有现有的工作流程，
所以有 很多外围工具和很多外围工具和很多
外围工具和 功能功能
功能 需要完成。
我认为我们已经开始了两个需要完成。
我认为我们已经开始了两个 不同的部分。
这让我想起了不同的部分。
这让我想起了 podast 和
Jason 一起做的，
我用了 podast 和 Jason
一起做的，
我用了 podast 和 Jason
一起做的，
我用了 fzy 输入 fzy 输出这个词
。
SL 是
fzy 输入 fzy 输出这个词。
SL 是 fzy 输入 fzy 输出这个
词。
SL 是 行业标准，有点像是我自己造的，
行业标准，有点像是我自己造的，行业标准，
有点像是我自己造的，所以它肯定不是标准。
酷，是的。
所以它肯定不是标准。
酷，是的。
所以它肯定不是标准。
酷，是的。
我认为 Ying 的观点我认为 Ying
的观点我认为 Ying 的观点 非常
有趣，我们看到非常有趣，我们看到
非常有趣，我们看到 不同的模态模式，
比如不同的模态模式，比如不同的模态模式，
比如 语言模型计算如何与语言模型计算如何
与语言模型计算如何与 传统计算交互。
一方面，传统计算交互。
一方面，
我们有我们有我们有 完全确定性的传统软件
；另一方面，完全确定性的传统软件；
另一方面，完全确定性的传统软件；
另一方面，我们有 JSON 格式的输出，
它我们有 JSON 格式的输出，它
我们有 JSON 格式的输出，
它 试图使语言模型更具确定性；
还有试图使语言模型更具确定性；
还有 像 DSP 这样的技术，
它像 DSP 这样的技术，
它 是斯坦福大学 NP 团队的一个项目，
旨在是斯坦福大学 NP 团队的一个项目，
旨在 尝试复制这种尝试复制这种尝试复制
这种 架构，但其底层架构，但其底层
架构，
但其底层 计算完全基于语言模型的文本。
计算完全基于语言模型的文本。
我们还有一些最模糊的模式，
比如 chbt 模式。
我认为比如 chbt 模式。
我认为 观察这些观察这些观察这些 计算
模式在计算模式在计算模式在 什么样的场景
下会占主导地位非常有趣。
还有一些
什么样的场景下会占主导地位非常有趣。
还有一些什么样的场景下会占主导地位非常
有趣。
还有一些 其他观点我想提出。
我其他观点我想提出。
我 认为人工智能软件认为人工智能软件认为
人工智能软件 和传统软件之间的区别首先是
和传统软件之间的区别首先是和传统软件之间
的区别首先是 边际成本的差异。
我认为边际成本的差异。
我认为 在传统软件中，随着使用量的
在传统软件中，随着使用量的在传统软件中，
随着使用量的 增加，增加，增加，
成本是使用量的亚线性函数。
比如，
我可以花 100 美元买一台服务器，
比如，
我可以花 100 美元买一台服务器，
比如，
我可以花 100 美元买一台服务器，
它可以服务 100 个人，
它可以服务 100 个人，成本是一样的。
同样的
成本是一样的。
同样的成本是一样的。
同样的 成本，
10,000 个产品成本相同，所以成本，
10,000 个产品成本相同，
所以 可能稍微可能稍微可能稍微 贵一点，
但不会贵太多。
但对于 LM 来说，贵一点，
但不会贵太多。
但对于 LM 来说，贵一点，
但不会贵太多。
但对于 LM 来说，就像我所说的，
一次 GP4 可能是 10
就像我所说的，
一次 GP4 可能是 10 就像我所说的
，一次 GP4 可能是 10 美分，
两次可能是 20 美分，
这是一个线性美分，
两次可能是 20 美分，
这是一个线性美分，
两次可能是 20 美分，
这是一个线性 函数。
实际上，我们正在与函数。
实际上，
我们正在与 许多应用程序客户合作，
他们比使用许多应用程序客户合作，
他们比使用
广告或传统云广告或传统云 服务的客户活跃
得多，因为服务的客户活跃得多，
因为服务的客户活跃得多，
因为 使用 AI 的边际成本非常高。
另外，使用 AI 的边际成本非常高。
另外，我想提一点，我我想提一点，
我我想提一点，
我 认为我们需要思考认为我们需要思考认为
我们需要思考 AI 应用程序在多大程度上
能够像 AI 应用程序在多大程度上能够像
AI 应用程序在多大程度上能够像 传统
传统传统 社交媒体那样获得网络优势。
因为社交媒体那样获得网络优势。
因为 比如说，
在 Google 或 Facebook
中，比如说，
在 Google 或 Facebook
中，
如果用户越多，如果用户越多，
平台上的数据就越多，
它们的推荐引擎就会越好。
平台上的数据就越多，
它们的推荐引擎就会越好。
平台上的数据就越多，
它们的推荐引擎就会越好。
然而，
对于使用 OpenI API 的用户来说
，然而，
对于使用 OpenI API 的用户来说
，然而，
对于使用 OpenI API 的用户来说
，很难利用自己的数据很难利用自己的数据
很难利用自己的数据 来提升所调用 AI
API 的性能。
来提升所调用 AI API 的性能。
那么，从那么，从那么，从 长远来看，
对于长远来看，对于长远来看，
对于 应用程序公司来说，
什么才是最重要的呢？
我认为这是应用程序公司来说，
什么才是最重要的呢？
我认为这是应用程序公司来说，
什么才是最重要的呢？
我认为这是 每个应用程序都必须面对的问题
。
公司可以
每个应用程序都必须面对的问题。
公司可以每个应用程序都必须面对的问题。
公司可以
弄清楚，我想双击弄清楚，
我想双击 成本部分，因为线性成本部分，
因为线性成本部分，
因为线性 关系是……嗯，
我听到关系是……嗯，我听到关系是……嗯，
我听到 Jay 提到了规模经济，
所以 Jay 提到了规模经济，
所以 肯定采取了一些措施来降低肯定采取了
一些措施来降低肯定采取了一些措施来降低
成本，或许是为了将曲线弯曲成亚成本，
或许是为了将曲线弯曲成亚
成本，或许是为了将曲线弯曲成亚 线性。
你们是一家基础设施公司，所以肯定线性。
你们是一家基础设施公司，
所以肯定 有很多有很多有很多 优化经验。
有什么见解吗？
如何优化经验。
有什么见解吗？
如何优化经验。
有什么见解吗？
如何 使成本与使用量呈线性使成本与使用量
呈线性使成本与使用量呈线性 关系？
从我们的使用情况来看，关系？
从我们的使用情况来看，
关系？
从我们的使用情况来看，
建设基础设施建设基础设施建设基础设施 或
优化成本的方法基本上和或优化成本的方法
基本上和或优化成本的方法基本上和 特斯拉
公司一样。
特斯拉公司一样。
他们最初生产售价他们最初生产售价他们最初
生产售价 500 美元的 Model S
，我 500 美元的 Model S，
我 500 美元的 Model S，
我 想应该不止 50000 美元，
是 10000 美元。
想应该不止 50000 美元，
是 10000 美元。
想应该不止 50000 美元，
是 10000 美元。
然后他们开始然后他们开始然后他们开始
生产 Model 3，
这是一款相对生产 Model 3，
这是一款相对 高端的车型，
他们开始销售双电机高端的车型，
他们开始销售双电机 版本，
然后开始销售版本，然后开始销售
版本，然后开始销售 更基础的版本，
从而更基础的版本，从而更基础的版本，
从而 降低成本。
所以并不是说他们提供的降低成本。
所以并不是说他们提供的 汽车越来越差。
呃，或者说更简单的汽车越来越差。
呃，或者说更简单的 汽车，但它们在汽车，
但它们在汽车，
但它们在 生产过程中也会优化所有生产过程
中也会优化所有
生产过程中也会优化所有 技术，
优化供应技术，优化供应技术，
优化供应 链，从而降低成本。
这和链，从而降低成本。
这和 开发 AIGC 相关开发 AIGC
相关开发 AIGC 相关 产品的情况
类似。
一开始，你的产品的情况类似。
一开始，你的 CA 架构可能非常昂贵，
CA 架构可能非常昂贵，
CA 架构可能非常昂贵，使用率低，
而且 OpenAI
使用率低，而且 OpenAI 使用率低，
而且 OpenAI 不会给你折扣。
但随着不会给你折扣。
但随着 使用量的增加，
你会开始使用量的增加，
你会开始 从 OpenAI 等供应商那里
获得优惠，
从 OpenAI 等供应商那里获得优惠，
从 Google Gemini 获得折扣
，同时你也会
从 Google Gemini 获得折扣
，
同时你也会从 Google Gemini
获得折扣，同时你也会 开始优化集群，
开始优化集群，开始优化集群，
优化 GPU 的使用。
所有这些加在一起，你所有这些加在一起，
你所有这些加在一起，
你 预计整体成本可以节省 80%。
预计整体成本可以节省 80%。
所以，你需要将所以，你需要将
所以，你需要将 定价策略调整到 20%，
这样在节省定价策略调整到 20%，
这样在节省 80%的成本后，
你才能获得 80%的成本后，
你才能获得 合理的利润。
因此，在初期，合理的利润。
因此，在初期，你可能处于亏损状态，
你可能处于亏损状态，你可能处于亏损状态，
但只要你投入工程但只要你投入工程
但只要你投入工程 精力进行优化，
精力进行优化，精力进行优化，
你就能获得更好的你就能获得更好的你就能
获得更好的 成本。
我有一个问题，
关于这 80%的节省……成本。
我有一个问题，
关于这 80%的节省……成本。
我有一个问题，
关于这 80%的节省…… 成本降低方面，
成本降低方面，成本降低方面，
与与与 OpenAI 等 AI 提供商
谈判能降低多少百分比？
OpenAI 等 AI 提供商谈判能降低
多少百分比？
OpenAI 等 AI 提供商谈判能降低
多少百分比？
与与与 传统云服务提供商（例如 A 或
传统云服务提供商（例如 A 或传统云
服务提供商（例如 A 或 GC）谈判又能
降低多少百分比？
OpenAI 有一款名为“GC）谈判又能
降低多少百分比？
OpenAI 有一款名为“GC）谈判又能
降低多少百分比？
OpenAI 有一款名为“ 预置吞吐量”
的产品，
预置吞吐量”的产品，预置吞吐量”的产品，
基本上就是你承诺基本上就是你承诺基本上
就是你承诺 每分钟一定数量的令牌，
持续每分钟一定数量的令牌，
持续 三个月或一个月，
他们就会给你三个月或一个月，
他们就会给你 折扣，折扣幅度折扣，
折扣幅度折扣，
折扣幅度 大致取决于你承诺的大致取决于你
承诺的大致取决于你承诺的 数量，
大概在 5% 到
数量，大概在 5% 到数量，
大概在 5% 到 50% 之间。
而传统云服务提供商，50% 之间。
而传统云服务提供商，
如果你使用如果你使用如果你使用 按需实例
，按需实例，按需实例，
通常可以降低 70% 的成本。
如果你通常可以降低 70% 的成本。
如果你 使用价格非常低的竞价使用价格
非常低的竞价
使用价格非常低的竞价 实例，
加入他们的承诺计划，可能还能再节省实例，
加入他们的承诺计划，
可能还能再节省 20%。
20%。
除此之外，还有集群除此之外，
还有集群 优化和算法优化和算法优化和算法
优化。
就我而言，我聘请了一位优化。
就我而言，
我聘请了一位 音视频工程领域的超级明星，
音视频工程领域的超级明星，
他编写了一个程序来替换我庞大的他编写了
一个程序来替换我庞大的
他编写了一个程序来替换我庞大的 FFM
Peg 代码，节省了大量成本。
在渲染管线中节省 60% 到 80% 的
成本，FFM Peg 代码，
节省了大量成本。
在渲染管线中节省 60% 到 80% 的
成本，FFM Peg 代码，
节省了大量成本。
在渲染管线中节省 60% 到 80% 的
成本，所以所以所以 这些都是巨大的节省。
我得在这些都是巨大的节省。
我得在
这些都是巨大的节省。
我得在 这里加个插件。
最近，Al 向这里加个插件。
最近，
Al 向 我们的企业用户发送了
Stasic，
我们的企业用户发送了 Stasic，
所以使用 Stasic 很贵。
AD 所以使用 Stasic 很贵。
AD 测试有测试有测试有 帮助吗？
我准备帮助吗？
我准备
帮助吗？
我准备 在 QA 部分回答这个问题。
是的，是的，在 QA 部分回答这个问题。
是的，是的，
当我们谈到这个问题时，
我无法给出更详细的答案。
嗯，当我们谈到这个问题时，
我无法给出更详细的答案。
嗯，
我其实并不特别担心我其实并不特别担心我
其实并不特别担心 成本。
原因很简单。
成本。
原因很简单。
成本。
原因很简单。
供应链都是如此，而且有供应链都是如此，
而且有供应链都是如此，
而且有 很多现有的知识可以做到这一点，
很多现有的知识可以做到这一点，
我们刚才也在讨论
我们刚才也在讨论我们刚才也在讨论 这个。
这个。
供应链中有一条简单的规则也适用于供应链
中有一条简单的规则也适用于供应链中有一条
简单的规则也适用于 人工智能，
那就是可预测性会人工智能，
那就是可预测性会 得到更低的价格。
现在，得到更低的价格。
现在，让我举个例子，
那些疯狂的让我举个例子，那些疯狂的
让我举个例子，那些疯狂的 组织，
比如 NOA、Kels 之类的，组织，
比如 NOA、Kels 之类的，
它们太疯狂了。
我举个例子，我们来做杯它们太疯狂了。
我举个例子，我们来做杯 咖啡。
咖啡。
你走进星巴克，
想随机点一杯拿你走进星巴克，
想随机点一杯拿 铁，大概 5 美元，铁，
大概 5 美元，
铁，大概 5 美元，
或者差不多是这个或者差不多是这个或者
差不多是这个 价格。
另一个例子是，你走进价格。
另一个例子是，你走进 星巴克…… 就像，
我现在要 100 杯星巴克…… 就像，
我现在要 100 杯 拿铁，结果拿铁，
结果拿铁，结果 会怎样？
5 美元一单，会怎样？
5 美元一单， 价格不变，但你会受苦，
价格不变，但你会受苦，价格不变，
但你会受苦，
调酒师或者其他什么人调酒师或者其他什么人
调酒师或者其他什么人 也会受苦，
因为你也会受苦，因为你也会受苦，
因为你 得等很久才能拿到这得等很久才能
拿到这得等很久才能拿到这 100 杯咖啡
。
但如果你告诉 100 杯咖啡。
但如果你告诉 星巴克，接下来一整年，
每天星巴克，接下来一整年，每天星巴克，
接下来一整年，每天 早上我基本上是
早上我基本上是早上我基本上是 公司的
负责人，我们有 100 名员工，
我每天早上公司的负责人，
我们有 100 名员工，
我每天早上公司的负责人，
我们有 100 名员工，
我每天早上 9 点都会 9 点都会 9
点都会 要求给我朋友送 100 杯咖啡，
送到要求给我朋友送 100 杯咖啡，
送到 我朋友那里，你能拿到多少钱？
我朋友那里，你能拿到多少钱？
你能拿到非常你能拿到非常你能拿到非常 好
的折扣，而且送货时间也很快，对吧？
好的折扣，而且送货时间也很快，对吧？
因为你的因为你的因为你的 供应链实际上
非常可预测。
供应链实际上非常可预测。
这种情况经常发生。
你知道，你知道，你知道，
零售价格总是更高，零售价格总是更高，
零售价格总是更高，
如果你去咖啡学校或者如果你去咖啡学校或者
如果你去咖啡学校或者 批量购买，
价格就会更高。
批量购买，价格就会更高。
你今天享受到的折扣率是可预测的，
很多人工智能很多人工智能 应用才刚刚起步
，应用才刚刚起步，应用才刚刚起步，
基本上我们就像星巴克一样，
或者在某些情况下，因为或者在某些情况下，
因为 人们不了解使用情况，
所以人们不了解使用情况，
所以 有时会出现 100 杯星巴克咖啡的
有时会出现 100 杯星巴克咖啡的有时会
出现 100 杯星巴克咖啡的 集中销售，
这让每个人都很集中销售，
这让每个人都很集中销售，这让每个人都很
痛苦。
但我的意思是，就像你痛苦。
但我的意思是，就像你 刚才提到的，
随着我们看到这项刚才提到的，
随着我们看到这项
技术的应用越来越成熟，
技术的应用越来越成熟，产品也越来越普及，
产品也越来越普及，产品也越来越普及，
流量也越来越稳定，流量也越来越稳定，
流量也越来越稳定，
传统的供应链智慧就会发挥作用，
我认为价格会我认为价格会我认为价格会
大幅下降。
然后，
我们再加入一个未支付的 Transal
然后，
我们再加入一个未支付的 Transal
然后，
我们再加入一个未支付的 Transal
Martian，对吧？
利润率的 Martian，对吧？
利润率的 逻辑非常简单，
如果我错了请纠正我。
现在有逻辑非常简单，如果我错了请纠正我。
现在有 很多零售流量，很多零售流量，
很多零售流量，
人们都在认真使用各种人们都在认真使用各种
人们都在认真使用各种 API 之类的
东西。
Martian 就像是，
API 之类的东西。
Martian 就像是，
API 之类的东西。
Martian 就像是，
人们不再去人们不再去人们不再去 单个地方
，而是直接来找我，对吧？
单个地方，而是直接来找我，对吧？
Martian 只做了一 Martian
只做了一 Martian 只做了一 件
事，那就是将零售
件事，那就是将零售件事，
那就是将零售 流量转化为批量流量转化为
批量流量转化为批量 购买，这让我们购买，
这让我们购买，
这让我们 对供应有了更好的预测性。
对供应有了更好的预测性。
比如我们留下了一条供应链，
我们都是 API 比如我们留下了一条
供应链，
我们都是 API 比如我们留下了一条
供应链，我们都是 API 提供商，对吧？
提供商，对吧？
如果有人如果有人
如果有人 进来，说他们只想进来，
说他们只想进来，说他们只想 做零售，
那当然要考虑做零售，那当然要考虑做零售，
那当然要考虑 价格。
但如果，比如说，未来价格。
但如果，比如说，
未来 Martian（我其实开始
Martian（我其实开始
Martian（我其实开始 谈论合同了）
，如果 Martian 谈论合同了），
如果 Martian
谈论合同了），如果 Martian 说，
嘿，我这里有说，嘿，我这里有说，嘿，
我这里有 可预测的流量，
你能给可预测的流量，你能给可预测的流量，
你能给 我折扣吗？
你知道，万豪我折扣吗？
你知道，
万豪 酒店实际上会给 Booking.
com 10%的酒店实际上会给
Booking.com 10%的酒店
实际上会给 Booking.com
10%的 佣金，因为他们有流量，
佣金，因为他们有流量，佣金，
因为他们有流量，
而且他们也遵守联盟营销原则。
所有而且他们也遵守联盟营销原则。
所有 这些事情都是从这里开始的，
这些事情都是从这里开始的，
然后适用于各种行业。
我们已经让供应链变得非常我们已经让供应链
变得非常我们已经让供应链变得非常 高效，
只是在高效，只是在
高效，
只是在 人工智能的应用和基础设施方面还
没有达到目标，
人工智能的应用和基础设施方面还没有
达到目标，
人工智能的应用和基础设施方面还没有
达到目标，但这并不是一件很难的事情，
我但这并不是一件很难的事情，
我 认为这是将会认为这是将会认为这是将会
发生并且正在发生的事情，对吧？
我想这就是为什么我不太担心
我想这就是为什么我不太担心我想这就是
为什么我不太担心
成本的原因。
补充一点，我成本的原因。
补充一点，
我 认为聚合零售需求认为聚合零售需求认为
聚合零售需求 是我们面临的一个更大的问题
，但是我们面临的一个更大的问题，
但是我们面临的一个更大的问题，
但 我们还有另一种智能路由逻辑，
它我们还有另一种智能路由逻辑，
它 也能降低成本。
好的，也能降低成本。
好的，
假设我们正在开发一个数学假设我们正在开发
一个数学
假设我们正在开发一个数学 题库，
其中 90%的数学题题库，
其中 90%的数学题 都很简单，
可以用都很简单，可以用都很简单，
可以用 GP45 解答，
剩下的 10%非常难，
必须用 GP45 解答，
剩下的 10%非常难，
必须用 GP45 解答，
剩下的 10%非常难，
必须用 GP4 才能解答。
为了保证用户 GP4 才能解答。
为了保证用户
GP4 才能解答。
为了保证用户 体验，人们通常会用体验，
人们通常会用体验，
人们通常会用 GP4 来服务所有客户，
但这 GP4 来服务所有客户，
但这 非常昂贵，GP4 非常昂贵，
GP4 非常昂贵，
GP4 比 GP4 贵 30 倍。
所以比 GP4 贵 30 倍。
所以 我们的做法是，对于每个新题目，
我们的做法是，对于每个新题目，
我们会自动识别我们会自动识别我们会
自动识别 它是难题还是简单题。
它是难题还是简单题。
简单题用 GP5 Turbo，
难题用 GP4。
由于难题用 GP4。
由于 成本相差 30 倍，
我们可以节省大约成本相差 30 倍，
我们可以节省大约
成本相差 30 倍，
我们可以节省大约 85%的成本。
这是 85%的成本。
这是 Martian 可以帮助解决的另
一个问题。
Martian 可以帮助解决的另一个问题
。
Martian 可以帮助解决的另一个问题
。
零售流量应用零售流量应用零售流量应用
绝对是其中之一。
是的，我非常绝对是其中之一。
是的，我非常 赞同这一点，
因为这类赞同这一点，因为这类
赞同这一点，
因为这类 事情在传统供应链中也会发生。
事情在传统供应链中也会发生。
如果我们有点不如果我们有点不如果我们有点
不 舒服，你不会去找舒服，
你不会去找舒服，你不会去找 专科医生，
比如说，比如专科医生，比如说，
比如专科医生，比如说，比如 圣帕斯瓦里。
因为这些圣帕斯瓦里。
因为这些 对医生和我们来说都非常昂贵，
所以必须马上进行。
对医生和我们来说都非常昂贵，
所以必须马上进行。
对医生和我们来说都非常昂贵，
所以必须马上进行。
但是家庭医生，也就是家庭但是家庭医生，
也就是家庭但是家庭医生，
也就是家庭 医生，他们在做什么呢？
他们医生，他们在做什么呢？
他们 会进行初步分析，就像火星人那样，
还会进行转诊，会进行初步分析，
就像火星人那样，还会进行转诊，
如果需要的话，他们会把你转诊给专科医生，
或者他们基本上会如果需要的话，
他们会把你转诊给专科医生，
或者他们基本上会 说，
吃点阿司匹林之类的药就完事了，对吧？
说，吃点阿司匹林之类的药就完事了，对吧？
这些做法就像这些做法就像
供应链中的传统智慧，
而且它们供应链中的传统智慧，
而且它们 在人工智能领域也做得非常好。
不错，我在人工智能领域也做得非常好。
不错，我 喜欢这个比喻，
因为我们喜欢这个比喻，
因为我们 之前在之前在之前在 这个
小组讨论中和 H 聊过，
我们经常看到这个小组讨论中和 H 聊过，
我们经常看到 历史重演。
是的，现在是
历史重演。
是的，现在是历史重演。
是的，
现在是 时候进入下一个时候进入下一个时候
进入下一个 关于历史重演的话题了。
关于历史重演的话题了。
我想先问问 H，我想先问问 H，
我想先问问 H，
生成式人工智能会是集中式的还是生成式
人工智能会是集中式的还是生成式人工智能会
是集中式的还是 分散式的？
因为就像我们分散式的？
因为就像我们 提到的，个人电脑最初
提到的，个人电脑最初提到的，
个人电脑最初 是集中式的，
后来变成了分散式的，而是集中式的，
后来变成了分散式的，
而 云计算现在又变成了云计算现在又变成了
云计算现在又变成了 集中式的。
如何集中式的。
如何 概括呢？
是的，我想，你对概括呢？
是的，我想，你对 背景了解得更多一些，
就是在背景了解得更多一些，就是在
过去的五六十年里，
从 IB 过去的五六十年里，
从 IB 大型机到个人电脑，你知道的，
客户端/服务器，大型机到个人电脑，
你知道的，客户端/服务器，
大型机到个人电脑，你知道的，
客户端/服务器，然后到云计算，
在很多方面，
这都是一个…… 你然后到云计算，
在很多方面，
这都是一个…… 你然后到云计算，
在很多方面，这都是一个…… 你 知道，
知道，知道，架构从集中式架构从集中式
架构从集中式 到分布式，再到云端集中式，
就像钟摆一样来回摆动。
到分布式，再到云端集中式，
就像钟摆一样来回摆动。
你知道，在 IBM 时代，你知道，
在 IBM 时代，
比尔·盖茨在 7 日时说过，
我们想把 PC 带进我们想把 PC 带进
我们想把 PC 带进 每家每户，
当时 IBM 的每家每户，
当时 IBM 的 人都嘲笑他。
但人都嘲笑他。
但 56 年后，56 年后，56 年后，
我们基本上又回到了集中式架构。
我们有
我们基本上又回到了集中式架构。
我们有我们基本上又回到了集中式架构。
我们有 三大主要云服务（AWS、
AWS 云平台和三大主要云服务（AWS、
AWS 云平台和 GCP），
所以我们基本上又回到了原点。
所以现在还 GCP），
所以我们基本上又回到了原点。
所以现在还 GCP），
所以我们基本上又回到了原点。
所以现在还 不清楚谁会笑到最后。
不清楚谁会笑到最后。
但我认为，但我认为，但我认为，
我们讨论过的是，架构会像我们讨论过的是，
架构会像我们讨论过的是，
架构会像 钟摆一样来回摆动，
最终回到钟摆一样来回摆动，
最终回到 Gen。
这是一个 Gen。
这是一个 争论已久的问题，那就是：
哪种争论已久的问题，那就是：
哪种 模型才是主流？
如果你问 Sam
模型才是主流？
如果你问 Sam 模型才是主流？
如果你问 Sam Alman，
他的观点是：Alman，他的观点是：
Alman，他的观点是：
你们不需要到处折腾，
只需你们不需要到处折腾，
只需 使用 OpenAI 的 API，
进行一些使用 OpenAI 的 API，
进行一些 精细的训练和工程，
就精细的训练和工程，就
精细的训练和工程，就 完事了。
你们没有理由完事了。
你们没有理由 拥有自己的模型，
因为拥有自己的模型，因为拥有自己的模型，
因为 无论我们的模型是什么，
它都会更加高效。
无论我们的模型是什么，它都会更加高效。
无论如何，它的能力要好得多。
嗯，我认为在很多嗯，我认为在很多
嗯，我认为在很多 情况下这可能是真的，
但情况下这可能是真的，
但 在很多其他情况下，
这完全是在很多其他情况下，
这完全是 错误的，对吧？
因为你知道，错误的，对吧？
因为你知道，
我不可能为某些我不可能为某些我不可能为
某些 客户提供客户提供客户提供 数据，
所以我不可能把数据给你。
因此，我数据，所以我不可能把数据给你。
因此，我
数据，所以我不可能把数据给你。
因此，我 需要有自己的模型。
嗯，需要有自己的模型。
嗯，但是，在历史但是，在历史但是，
在历史 重演的背景下，
我觉得就像重演的背景下，
我觉得就像 MRE（可能是指某种产品或
软件）一样，它会让你大开眼界。
你知道，
MRE（可能是指某种产品或软件）一样，
它会让你大开眼界。
你知道，
MRE（可能是指某种产品或软件）一样，
它会让你大开眼界。
你知道，它会是分布式的，它会是分布式的，
它会是分布式的，你知道，但它会来回循环。
你知道，但它会来回循环。
你知道，每次你知道，每次你知道，
每次 历史重演时，历史重演时，
历史重演时，创新在哪里？
创新在哪里？
这才是关键所在。
所以我在这才是关键所在。
所以我在
这才是关键所在。
所以我在 想，
为什么 IBM INF 转向了想，
为什么 IBM INF 转向了 PC
架构？
因为 PC 架构？
因为
IBM 没有什么有趣的事情发生，
它很无聊，你知道，
IBM 没有什么有趣的事情发生，
它很无聊，你知道，可用性非常糟糕。
所以人们可用性非常糟糕。
所以人们 想要用自己的方式想要用自己的
方式想要用自己的方式 做事，
所以需要更多的创新。
但是，做事，所以需要更多的创新。
但是，你知道，创新太多了，你知道，
创新太多了，
你知道，创新太多了，管理层会反对，
然后我们又回到了……管理层会反对，
然后我们又回到了…… 嗯，集中式的，
所以我觉得你嗯，集中式的，
所以我觉得你 知道，一旦有人知道，
一旦有人知道，一旦有人 垄断了某些东西，
这是垄断了某些东西，这是垄断了某些东西，
这是 人之常情，你知道，人之常情，
你知道，人之常情，你知道，
创新总会在其他地方发生，对吧？
所以我的观点是，所以我的观点是，
所以我的观点是，
很多模型会很多模型会很多模型会 在边缘
运行，或者相当于在边缘运行，
或者相当于在边缘运行，
或者相当于 移动端或 PC 端，嗯，
这只是移动端或 PC 端，嗯，
这只是 因为你知道，
OpenA 无法因为你知道，
OpenA 无法
因为你知道，
OpenA 无法 支持那么多不同的用例和
支持那么多不同的用例和支持那么多不同的
用例和 功能，嗯，它虽然能功能，嗯，
它虽然能功能，嗯，它虽然能 处理数据，
但总有一天我们会处理数据，
但总有一天我们会 意识到，
我们为什么要管理这么多模型，意识到，
我们为什么要管理这么多模型，这太疯狂了，
所以我们会回到这太疯狂了，所以我们会回到
这太疯狂了，所以我们会回到 集中式模型。
这就是集中式模型。
这就是 我和他讨论的背景，你知道，
我和他讨论的背景，你知道，
我和他讨论的背景，你知道，如果他问你，
那是不是如果他问你，那是不是如果他问你，
那是不是 集中式的，我想你知道，
我们目前主要处于集中式的，我想你知道，
我们目前主要处于 集中式模型，
但集中式模型，但
集中式模型，
但 我们某种程度上会我们某种程度上会我们
某种程度上会 支持更多去中心化的支持更多
去中心化的支持更多去中心化的 分布式模型
，但总有一天，分布式模型，但总有一天，
每个人都开发自己的模型是不合理的，
所以我每个人都开发自己的模型是不合理的，
所以我 会回到会回到会回到 相当于云计算
的时代，它会到来，
但还相当于云计算的时代，它会到来，
但还 没有实现。
我们正没有实现。
我们正 朝着另一个方向发展，嗯，
朝着另一个方向发展，嗯，
我们需要几年时间才能意识到我们需要几年
时间才能意识到
我们需要几年时间才能意识到 这一点
毫无意义，这还需要几年时间。
是的，就这一点毫无意义，
这还需要几年时间。
是的，就
集中化和集中化和 分散化而言，
我可能以后再讨论分散化而言，
我可能以后再讨论 技术部分，技术部分，
技术部分，嗯，嗯，基本上举嗯，嗯，
基本上举嗯，嗯，基本上举 个例子，
我认为集中化和个例子，
我认为集中化和 分散化也可以从另一个维度
来分散化也可以从另一个维度来分散化也可以
从另一个维度来 讨论。
比如说讨论。
比如说 搜索，搜索，
搜索，我们每天都会搜索，
我们每天都会搜索，我们每天都会搜索，
你会用什么搜索引擎？
谷歌这个词几乎成了谷歌这个词几乎成了谷歌
这个词几乎成了 人人都知道的词。
我希望，我的意思是，人人都知道的词。
我希望，我的意思是，统计数据显示，
大约 97%或统计数据显示，
大约 97%或 95%的人在
95%的人在 95%的人在 搜索时会使用
谷歌，对吧？
好的，现在搜索时会使用谷歌，对吧？
好的，现在 我问你另一个问题，
我问你另一个问题，我问你另一个问题，
你可能会意识到这一点，嗯。
你在工作中，在工作中，你在工作中，
在工作中，你在工作中，在工作中，
我们有文档，我们有各种各样的我们有文档，
我们有各种各样的
我们有文档，我们有各种各样的 东西，
东西，东西，你会用什么搜索引擎？
你会用什么搜索引擎？
我可能会说，超过一半的人我可能会说，
超过一半的人我可能会说，
超过一半的人 会说，那可能不是会说，
那可能不是会说，那可能不是 谷歌，对吧？
因为谷歌谷歌，对吧？
因为谷歌 如果我使用 Notion，
它就没有搜索功能。
我把 Notion 当作搜索引擎来用，
对吧？
如果我使用 Notion，
它就没有搜索功能。
我把 Notion 当作搜索引擎来用，
对吧？
如果我使用 Notion，
它就没有搜索功能。
我把 Notion 当作搜索引擎来用，
对吧？
如果我使用 Quip（如果我使用
Quip（如果我使用 Quip（ 天哪，
这东西太老了），Quip 虽然也天哪，
这东西太老了），
Quip 虽然也 有搜索功能，
但并不好用。
我的
有搜索功能，但并不好用。
我的有搜索功能，但并不好用。
我的 意思是，
现在几乎所有东西都有搜索功能，意思是，
现在几乎所有东西都有搜索功能，
也许你们公司也许你们公司也许你们公司
自己也有搜索功能，对吧？
还有一些供应自己也有搜索功能，对吧？
还有一些供应 商，
比如 Elastic 和其他一些商，
比如 Elastic 和其他一些
商，
比如 Elastic 和其他一些 平台，
比如 MongoDB，也平台，
比如 MongoDB，也 提供搜索服务。
所以提供搜索服务。
所以 我们很快发现，在一端，
或者我们我们很快发现，在一端，
或者我们 称之为 TOC 的世界里，
搜索非常称之为 TOC 的世界里，
搜索非常
称之为 TOC 的世界里，
搜索非常 集中，搜索就是谷歌，对吧？
集中，搜索就是谷歌，对吧？
而在 TOB 的世界里，
当我们而在 TOB 的世界里，
当我们 真正与企业打交道时，
搜索功能就真正与企业打交道时，
搜索功能就 高度分散了。
我们实际上并高度分散了。
我们实际上并 没有像谷歌那样的企业
没有像谷歌那样的企业没有像谷歌那样的企业
搜索平台，我们有很多搜索平台，
我们有很多搜索平台，
我们有很多 企业搜索解决方案。
我企业搜索解决方案。
我 觉得人工智能，比如聊天栏，
觉得人工智能，比如聊天栏，觉得人工智能，
比如聊天栏，
在 TOB 的在 TOB 的在 TOB
的 世界里也会类似。
作为消费者，我有点世界里也会类似。
作为消费者，我有点
世界里也会类似。
作为消费者，我有点 懒，
我不太想到处找懒，我不太想到处找懒，
我不太想到处找 各种选择。
Ching 还不错，各种选择。
Ching 还不错，
我愿意我愿意我愿意 每月支付 20 美元
，这相当于五杯每月支付 20 美元，
这相当于五杯每月支付 20 美元，
这相当于五杯 星巴克咖啡，不算贵，对吧？
星巴克咖啡，不算贵，对吧？
嗯，我很乐意使用它，嗯，我很乐意使用它，
嗯，我很乐意使用它，
这就是为什么我们看到这就是为什么我们看到
这就是为什么我们看到 聊天工具正在迅速
普及的原因。
对我们来说，
你聊天工具正在迅速普及的原因。
对我们来说，
你聊天工具正在迅速普及的原因。
对我们来说，你 只是想看到对话部分。
嗯，只是想看到对话部分。
嗯，在当今的企业界，事情在当今的企业界，
事情
在当今的企业界，事情 已经发生了，
已经发生了，已经发生了，
GPD 或 GP4 与云之间正在进行一场
激烈的竞争，
GPD 或 GP4 与云之间正在进行一场
激烈的竞争，
GPD 或 GP4 与云之间正在进行一场
激烈的竞争，你知道，谷歌的各种你知道，
谷歌的各种你知道，谷歌的各种 解决方案。
解决方案。
我相信，我相信，我相信，
这个这个这个 世界上的参与者只会越来越多
，不仅包括这些提供商，还包括
世界上的参与者只会越来越多，
不仅包括这些提供商，
还包括世界上的参与者只会越来越多，
不仅包括这些提供商，还包括 模型、
应用程序，以及模型、应用程序，以及
企业自身构建的一些功能。
所以，企业自身构建的一些功能。
所以，在 B 级世界，
一切都将在 B 级世界，
一切都将 高度去中心化。
现在，让我们高度去中心化。
现在，让我们 稍微谈谈我们看到的情况。
稍微谈谈我们看到的情况。
基本上，我们看到 B 级世界将去基本上，
我们看到 B 级世界将去基本上，
我们看到 B 级世界将去 中心化，因此
中心化，因此中心化，
因此 人们将需要工具。
人们将需要工具。
嗯，当每家公司都在嗯，当每家公司都在嗯，
当每家公司都在 做他们的网站做他们的网站
做他们的网站 等等的时候，数据库 VI，
这些东西等等的时候，数据库 VI，
这些东西 变得很薄，
然后 DataData 或变得很薄，
然后 DataData 或
变得很薄，
然后 DataData 或
Snowflake 之类的
Snowflake 之类的 公司开始涌现
。
人工智能呢？
肯定会有公司开始涌现。
人工智能呢？
肯定会有公司开始涌现。
人工智能呢？
肯定会有 一些公司一些公司一些公司 来做
这件事。
嗯，只是想 抛开来做这件事。
嗯，只是想 抛开 所有这些细节，
我们努力成为一家能够
所有这些细节，
我们努力成为一家能够所有这些细节，
我们努力成为一家能够 帮助去帮助去帮助去
中心化企业运作的公司。
是的，中心化企业运作的公司。
是的，我认为，嗯，前两位发言者的我认为，
嗯，前两位发言者的我认为，嗯，
前两位发言者的 回答都非常棒，
我想回答都非常棒，我想回答都非常棒，
我想 从一个略微从一个略微从一个略微
不同的角度来回答这个问题。
我认为，从
不同的角度来回答这个问题。
我认为，从不同的角度来回答这个问题。
我认为，从 第一个基本角度来看，
第一个基本角度来看，第一个基本角度来看，
决定行业最终状态的决定行业最终状态的决定
行业最终状态的 基本上只有一个因素，
那就是基本上只有一个因素，
那就是 企业的规模经济。
所以，企业的规模经济。
所以，
你知道为什么社交媒体和搜索你知道为什么
社交媒体和搜索
你知道为什么社交媒体和搜索 引擎这两个
最大的行业引擎这两个最大的行业引擎这两个
最大的行业 会被高度垄断吗？
比如谷歌是会被高度垄断吗？
比如谷歌是 唯一的玩家，
Facebook 也是唯一唯一的玩家，
Facebook 也是唯一 玩家。
这是因为这些行业拥有玩家。
这是因为这些行业拥有 巨大的技能经济，
而且
巨大的技能经济，而且巨大的技能经济，
而且 用户使用谷歌越多，
用户使用谷歌越多，用户使用谷歌越多，
谷歌搜索引擎就越好。
我之前和谷歌搜索引擎就越好。
我之前和
微软早期的一位团队负责人聊过，
他微软早期的一位团队负责人聊过，
他 描述了他们当时的绝望，
描述了他们当时的绝望，
他们投入了大量资源到他们投入了大量资源到
他们投入了大量资源到 搜索引擎上，
试图追赶谷歌，搜索引擎上，试图追赶谷歌，
搜索引擎上，试图追赶谷歌，
但他们仍然无法但他们仍然无法但他们仍然
无法 追赶谷歌。
如果你追赶谷歌。
如果你 不介意我插一句，这
不介意我插一句，这不介意我插一句，
这 背后有一个技术原因。
背后有一个技术原因。
你知道你知道你知道 谷歌对搜索结果进行
排名的最重要信号是什么吗？
谷歌对搜索结果进行排名的最重要信号是什么
吗？
谷歌对搜索结果进行排名的最重要信号是什么
吗？
五年前，五年前，五年前，或者说，
当人们不相信或者说，当人们不相信
或者说，
当人们不相信 谷歌大脑（Google
Brain）的说法时，
他们巧妙地宣称谷歌大脑（Google
Brain）的说法时，
他们巧妙地宣称谷歌大脑（Google
Brain）的说法时，
他们巧妙地宣称 谷歌大脑的深度学习正在
谷歌大脑的深度学习正在谷歌大脑的深度学习
正在 支持谷歌搜索。
他们在支持谷歌搜索。
他们在 帖子中说，你可以搜索到帖子中说，
你可以搜索到
帖子中说，
你可以搜索到 人工智能或深度学习已经成为
影响人工智能或深度学习已经成为影响
搜索排名的第三大信号，
也就是第三重要的信号。
他们从未提及最重要的信号是什么，
搜索排名的第三大信号，
也就是第三重要的信号。
他们从未提及最重要的信号是什么，
而最重要的信号最终被证明是而最重要的信号
最终被证明是 人类的反馈。
如果我搜索某个内容人类的反馈。
如果我搜索某个内容 并点击了某个结果，
这并点击了某个结果，这并点击了某个结果，
这 意味着其他人更有可能认为意味着其他人
更有可能认为意味着其他人更有可能认为
这个结果很重要。
由于谷歌占据了超过由于谷歌占据了超过
由于谷歌占据了超过 90%的流量，
其他任何公司都无法 90%的流量，
其他任何公司都无法 与之竞争。
我的与之竞争。
我的 意思是，
为什么我认为某个搜索结果意思是，
为什么我认为某个搜索结果 很好？
因为其他人也认为很好？
因为其他人也认为 它很好。
这是自然而然的，甚至它很好。
这是自然而然的，甚至
它很好。
这是自然而然的，甚至 与人工智能无关。
所以，这就是与人工智能无关。
所以，这就是 你所说的，本，
情况正是如此。
你所说的，本，情况正是如此。
这是这是这是 经济学技能或新威效应的经典
定义，对吧？
经济学技能或新威效应的经典定义，对吧？
Facebook、Facebook、
Facebook、
微信以及所有社交媒体也是如此。
现在的问题是，要理解现在的问题是，
要理解现在的问题是，
要理解 基础模型 LM 是否具有这种基础
模型 LM 是否具有这种基础模型 LM
是否具有这种 所谓的技能。
我必须承认，大约有…… 一所谓的技能。
我必须承认，大约有…… 一
所谓的技能。
我必须承认，大约有…… 一 年前，
当我第一次看到 Chbp 时，年前，
当我第一次看到 Chbp 时，
我非常害怕，你知道，
Open 可能我非常害怕，你知道，
Open 可能 是一家能攫取全球 GDP
95% 的公司，对吧？
是一家能攫取全球 GDP 95% 的公司
，对吧？
是一家能攫取全球 GDP 95% 的公司
，对吧？
因为它因为它因为它 看起来就像一个拥有
庞大经济的企业，
把看起来就像一个拥有庞大经济的企业，
把 更多的数据和计算资源投入到更多的数据
和计算资源投入到更多的数据和计算资源投入
到 一个模型中，
这个模型就能解决一个模型中，
这个模型就能解决 世界上所有的问题，
那么一个如此
世界上所有的问题，
那么一个如此世界上所有的问题，
那么一个如此 庞大的企业究竟有什么意义呢
？
庞大的企业究竟有什么意义呢？
但是，随着我深入了解但是，
随着我深入了解但是，
随着我深入了解 这个行业，不断这个行业，
不断这个行业，不断 学习，服务更多客户，
学习，服务更多客户，学习，服务更多客户，
我发现情况并非如此。
我认为，人们正在不断
我认为，人们正在不断我认为，
人们正在不断 发现训练模型的新方法，
发现训练模型的新方法，
这些方法效率更高。
这些新技术就像是这些方法效率更高。
这些新技术就像是 灵感的源泉，
灵感的源泉，灵感的源泉，
Open 不可能 Open 不可能
Open 不可能 垄断这些新想法。
Llama 垄断这些新想法。
Llama 3 就是一个很好的例子，
我相信在座的 3 就是一个很好的例子，
我相信在座的 很多人都听很多人都听
很多人都听 说过它。
我们内部有 Llama 3 的基准测试，
说过它。
我们内部有 Llama 3 的基准测试，
它非常出色，比许多
参数规模更大的旧模型都要好得多，
而且效率极高。
参数规模更大的旧模型都要好得多，
而且效率极高。
它并非它并非它并非 Open 开发的，
我认为在任何情况下都是如此。
任何时候，模型本身，Open 开发的，
我认为在任何情况下都是如此。
任何时候，模型本身，
你投入到模型训练中的资源量，
实际上并不……经济效益并没有实际上并不…
…经济效益并没有实际上并不……经济效益并
没有 那么大，对吧？
我投入 10 亿美元那么大，对吧？
我投入 10 亿美元 训练一个模型，
和一个投入 20 亿美元训练一个模型，
和一个投入 20 亿美元
训练一个模型，
和一个投入 20 亿美元 训练另一个模型
，
第二个模型并不是第一个的两倍更训练另一个
模型，
第二个模型并不是第一个的两倍更训练另一个
模型，
第二个模型并不是第一个的两倍更 聪明，
对吧？
就像聪明，对吧？
就像 投入投入投入 更多计算机和资源带来
的边际收益递减一样。
所以我认为更多计算机和资源带来的边际收益
递减一样。
所以我认为更多计算机和资源带来的边际收益
递减一样。
所以我认为 这是
这是这是 OPI 无法 OPI 无法
OPI 无法 统治世界的根本原因之一，
因为……这个行业并统治世界的根本原因之一
，
因为……这个行业并统治世界的根本原因之一
，
因为……这个行业并 没有那么强大的没有
那么强大的没有那么强大的 经济效益。
我认为 OPI 经济效益。
我认为 OPI 无法统治世界的另一个原因
是……通用人工智能（无法统治世界的另一个
原因是……通用人工智能（
无法统治世界的另一个原因是……通用
人工智能（ AGI）并非由……构建。
AGI 需要 AGI）并非由……构建。
AGI 需要 情境和特定知识才能情境和
特定知识才能情境和特定知识才能 在特定
场景中发挥作用。
我们在特定场景中发挥作用。
我们 可以把世界上最聪明的模型想象成可以
把世界上最聪明的模型想象成可以把世界上最
聪明的模型想象成 一个天才大学
一个天才大学一个天才大学 毕业生，
比如爱因斯坦，他 18 岁，
非常非常毕业生，比如爱因斯坦，
他 18 岁，非常非常毕业生，
比如爱因斯坦，他 18 岁，
非常非常 聪明，学习能力很强，聪明，
学习能力很强，聪明，学习能力很强，
但他对但他对但他对 谷歌或火星救援之类的
公司来说没什么用。
谷歌或火星救援之类的公司来说没什么用。
我们有太多的内部我们有太多的内部
我们有太多的内部 情境、内部规则、
内部……情境、内部规则、内部……情境、
内部规则、内部…… 微妙的东西，
比如人际关系微妙的东西，
比如人际关系 管理等等，
这些都需要……管理等等，
这些都需要…… 在入职流程中，
在入职流程中，在入职流程中，
OPI 无法获取这 OPI 无法获取这
OPI 无法获取这 部分知识，
所以需要部分知识，所以需要
部分知识，所以需要 第三方机构，
比如 SAS，或者第三方机构，
比如 SAS，或者 2B 或 2C，
将 2B 或 2C，将 2B 或 2C，
将 通用智能转化通用智能转化通用智能转化
为特定领域的智能，从而为特定领域的智能，
从而为特定领域的智能，
从而 真正实现经济效益。
真正实现经济效益。
伯克利大学的学者和伯克利大学的学者和
Databreak 的联合创始人撰写了
一篇非常好的论文，
Databreak 的联合创始人撰写了
一篇非常好的论文，
Databreak 的联合创始人撰写了
一篇非常好的论文，叫做复合人工智能系统。
这篇论文的核心论点是：
叫做复合人工智能系统。
这篇论文的核心论点是：
最佳收益并非来自最佳收益并非来自 最新的
尖端、最最新的尖端、最最新的尖端、
最 智能的基础模型，
而是来自复合人工智能系统，例如智能体、
思维链智能的基础模型，
而是来自复合人工智能系统，例如智能体、
思维链
以及以及 其他基于这些系统构建的应用。
其他基于这些系统构建的应用。
这才是我们实现真正通用人工智能的方式，
而这个过程将是去中心化的。
嗯，这可以展开很长的讨论，所以嗯，
这可以展开很长的讨论，所以 我长话短说。
这是一个关于我长话短说。
这是一个关于
去中心化的相关思考，
当你去中心化的相关思考，
当你 创建一家初创公司时，
人们或 DCS 会创建一家初创公司时，
人们或 DCS 会 问你：
你的模式是什么？
问你：你的模式是什么？
这些大公司会如何击败你？
这些大型模型公司会变得这些大型模型公司会
变得这些大型模型公司会变得 非常强大，
以至于你
非常强大，以至于你非常强大，
以至于你 的应用程序将不再的应用程序将
不再的应用程序将不再 有用。
这一点在有用。
这一点在 Jasper 在 ChatGP
发布后基本上销声匿迹时尤为明显。
关键在于，
Jasper 在 ChatGP 发布后
基本上销声匿迹时尤为明显。
关键在于，
Jasper 在 ChatGP 发布后
基本上销声匿迹时尤为明显。
关键在于，
我认为在我认为在我认为在 谈到去中心化时
，我
谈到去中心化时，我谈到去中心化时，
我 同意 Jason 的观点，
即同意 Jason 的观点，
即 领域知识或背景非常领域知识或背景非常
领域知识或背景非常 重要。
它可能是你的重要。
它可能是你的 模型，
至少能让你在一段时间内生存下去。
模型，至少能让你在一段时间内生存下去。
例如，在我们公司，“如何例如，
在我们公司，“如何
例如，在我们公司，
“如何 剪辑一个好视频”正变得越来越重要
。
剪辑一个好视频”正变得越来越重要。
这些这些这些 领域知识领域知识领域知识
在互联网上并不显眼，
它们会在互联网上并不显眼，它们会
在你构建产品、在你构建产品、与客户互动、
与客户互动、与客户互动、
通过 A/B 测试获得大量反馈时产生。
所以，是的，所以，是的，
我们广泛使用统计数据进行测试。
这些数据对这些数据对这些数据对 你的公司
来说非常有价值，
并能为你赢得时间来开发你的公司来说非常有
价值，
并能为你赢得时间来开发你的公司来说非常有
价值，
并能为你赢得时间来开发 更高层次的模型。
因此，没有所谓的黄金模式。
更高层次的模型。
因此，没有所谓的黄金模式。
更高层次的模型。
因此，没有所谓的黄金模式。
你可以不断构建你可以不断构建你可以不断
构建 模型，最终，如果你模型，最终，
如果你模型，最终，如果你 停下来休息，
那么…… 呃，你停下来休息，
那么…… 呃，你 很快就会被淘汰，
所以是的，很快就会被淘汰，所以是的，
很快就会被淘汰，所以是的，
领域知识对领域知识对领域知识对 创业公司
来说非常重要，谢谢你提到这一点。
创业公司来说非常重要，谢谢你提到这一点。
我确实认为 A/B 我确实认为 A/B
我确实认为 A/B 测试是关于衡量和测试
是关于衡量和测试是关于衡量和 学习的，
这将会成为 OTE（在线技术应用）。
嗯，学习的，
这将会成为 OTE（在线技术应用）。
嗯，学习的，
这将会成为 OTE（在线技术应用）。
嗯，当我们谈论技术话题时，时间过得很快，
当我们谈论技术话题时，时间过得很快，
我们已经超时了，我们已经超时了，
我们已经超时了，
因为我们也想为观众节省一些时间。
实际上，我们准备了六个实际上，
我们准备了六个实际上，
我们准备了六个 问题，现在只收到了两个。
剩下的问题，现在只收到了两个。
剩下的
问题，现在只收到了两个。
剩下的 问题是：挑战是什么？
问题是：挑战是什么？
J 的总目标市场是多少？
专有数据扮演什么角色？
哪些专有数据扮演什么角色？
哪些 公司能够很好地获取公司能够很好地
获取公司能够很好地获取 这些专有数据？
以及这些专有数据？
以及 在进行 J 测试时有什么有效的技巧
？
在进行 J 测试时有什么有效的技巧？
但我想因为我们没有时间，
我们可以把这些问题留到以后再讨论。
如果你能在我们的社交媒体上采访他们，
请订阅我们的 Static 账号（如果请
订阅我们的 Static 账号（如果请
订阅我们的 Static 账号（如果 你
对这类话题感兴趣）。
你对这类话题感兴趣）。
然后，也请购买未来 BT（BT）产品，
现在就行动！
是的，我们将现在就行动！
是的，我们将 开放观众问答环节，
开放观众问答环节，开放观众问答环节，
如果你有疑问，请举手。
谢谢所有演讲嘉宾，谢谢所有演讲嘉宾，
精彩的讨论！
嗯，我可以先问一个精彩的讨论！
嗯，我可以先问一个 非常非技术性的问题。
在非常非技术性的问题。
在 K 的一个视频里，
你谈到了如何预测 K 的一个视频里，
你谈到了如何预测 人工智能的发展，
也就是在它真正普及之前。
所以，
人工智能的发展，也就是在它真正普及之前。
所以，人工智能的发展，
也就是在它真正普及之前。
所以，我想找一些建议、
工具或我想找一些建议、
工具或我想找一些建议、工具或 资源，
给像我这样的普通科技工作者，资源，
给像我这样的普通科技工作者，
不是要预测未来，
而是想了解如何不是要预测未来，
而是想了解如何 在这个人工智能环境中保持
最新状态。
在这个人工智能环境中保持最新状态。
谢谢，但我刚才已经回答过了。
嗯，说正经的，
这是一个很好的问题。
我觉得尤金和我这是一个很好的问题。
我觉得尤金和我 之前在线上线下都讨论过很
多次这个问题，
现在有之前在线上线下都讨论过很多次这个
问题，
现在有之前在线上线下都讨论过很多次这个
问题，现在有 很多噪音。
我很多噪音。
我 觉得这是一个很有意思的觉得这是一个很
有意思的觉得这是一个很有意思的 角度。
过去几年我一直在思考这个问题：角度。
过去几年我一直在思考这个问题：
互联网究竟是帮助互联网究竟是帮助 我们
获取新知识还是好我们获取新知识还是好我们
获取新知识还是好 知识？
在最初的知识？
在最初的 十年左右，我的答案十年左右，
我的答案十年左右，我的答案 显而易见，
对吧？
你知道，显而易见，对吧？
你知道，获取知识太容易了，
谷歌让我可以访问获取知识太容易了，
谷歌让我可以访问 地球上的一切。
但在
地球上的一切。
但在地球上的一切。
但在 过去的几年里，我对此并不确定。
嗯，过去的几年里，我对此并不确定。
嗯， 我不确定。
我不确定。
我不是说我自己或者《每日邮报》，
我我不是说我自己或者《每日邮报》，
我 只是说，总的来说，只是说，总的来说，
只是说，总的来说，
我们是否应该改善我们对我们是否应该改善
我们对
我们是否应该改善我们对 种族问题的信号，
或者说，
我们是否应该改善对种族问题的信号？
效率种族问题的信号，或者说，
我们是否应该改善对种族问题的信号？
效率种族问题的信号，或者说，
我们是否应该改善对种族问题的信号？
效率 比率（ise Ratio）对我来说
不太清楚，
比率（ise Ratio）对我来说不太
清楚，
比率（ise Ratio）对我来说不太
清楚，所以对包括我在内的所有人来说，
切实可行的
所以对包括我在内的所有人来说，
切实可行的所以对包括我在内的所有人来说，
切实可行的 是，我们需要关注是，
我们需要关注是，
我们需要关注 如何获取如何获取如何获取
知识、如何分配时间知识、
如何分配时间知识、
如何分配时间 以及如何思考这些问题。
对了，还有以及如何思考这些问题。
对了，还有 一点，这可能有点一点，
这可能有点一点，这可能有点 争议，
那就是每次我接受
争议，那就是每次我接受争议，
那就是每次我接受 采访，或者说，在采访，
或者说，在采访，或者说，在 采访的最后，
经常会有人问我采访的最后，
经常会有人问我 读过哪本书，
我想读过哪本书，我想读过哪本书，
我想 推荐一下。
而且，还有一种推荐一下。
而且，还有一种 隐含的理论认为，
隐含的理论认为，隐含的理论认为，
读的书越多越好，但我对此并不
读的书越多越好，
但我对此并不读的书越多越好，
但我对此并不 确定。
我觉得，你知道，确定。
我觉得，你知道，现在，我宁愿把一本现在，
我宁愿把一本现在，
我宁愿把一本 好书读三遍，
也不愿读好书读三遍，也不愿读好书读三遍，
也不愿读 三本书。
这就像训练数据一样，对吧？
三本书。
这就像训练数据一样，对吧？
三本书。
这就像训练数据一样，对吧？
是数据是数据是数据 越多越好，
还是拥有高质量的
越多越好，还是拥有高质量的越多越好，
还是拥有高质量的 数据？
我认为，《羊驼 3》告诉我们，数据？
我认为，《羊驼 3》告诉我们，
不仅仅是《羊驼 3》，
《不仅仅是《羊驼 3》，
《 羊驼 3》再次告诉我们，
羊驼 3》再次告诉我们，
高质量的数据至关重要。
最后，我想说说高质量的数据至关重要。
最后，我想说说
我们之前讨论过的一点。
播客，另一个播客，视频播客，另一个播客，
视频播客，另一个播客，视频 采访，嗯，
在那之前，嗯，每当采访，嗯，在那之前，
嗯，每当采访，嗯，在那之前，嗯，
每当 他做节目或者我做他做节目或者我做他
做节目或者我做 节目的时候，
我几乎都想做一些节目的时候，
我几乎都想做一些 人们可以听人们可以听
人们可以听 十遍仍然感觉有所十遍仍然感觉
有所
十遍仍然感觉有所 收获的东西。
我想这可能就是标准，收获的东西。
我想这可能就是标准，你知道，标准很高，
我不你知道，标准很高，我不你知道，
标准很高，
我不 知道我能不能达到那个水平，
但这知道我能不能达到那个水平，
但这 几乎是我想要达到的标准。
几乎是我想要达到的标准。
我几乎觉得，当我们从我几乎觉得，当我们从
我几乎觉得，
当我们从 互联网上获取知识时，
互联网上获取知识时，互联网上获取知识时，
我们应该认真我们应该认真我们应该认真
思考，而不仅仅是想着思考，
而不仅仅是想着思考，
而不仅仅是想着 越多越好。
这是越多越好。
这是 我过去几年一直在思考的一件事。
我过去几年一直在思考的一件事。
你知道，在某些方面，互联网你知道，
在某些方面，互联网
你知道，在某些方面，
互联网 让我们获取知识的速度太快、
让我们获取知识的速度太快、
让我们获取知识的速度太快、太容易了，
这真的是好事吗？
太容易了，这真的是好事吗？
这是一个值得我们所有人这是一个值得我们
所有人这是一个值得我们所有人 思考的问题
，也是一个很好的思考的问题，
也是一个很好的思考的问题，
也是一个很好的 问题。
嗯，我想问题。
嗯，我想 提供一些实际的
提供一些实际的提供一些实际的 答案。
比如，Twitter，
上面有很多很酷的答案。
比如，Twitter，
上面有很多很酷的答案。
比如，Twitter，
上面有很多很酷的 技术和一些技术和一些
技术和一些 像《唐顿庄园》或《老爸像《
唐顿庄园》或《老爸像《唐顿庄园》或《老爸
老妈的浪漫史》之类的戏剧性内容。
还有老妈的浪漫史》之类的戏剧性内容。
还有
老妈的浪漫史》之类的戏剧性内容。
还有 Hacker News。
对于酷炫的科技和 Nery 的
Hacker News。
对于酷炫的科技和 Nery 的
Hacker News。
对于酷炫的科技和 Nery 的 讨论之类
的东西，我会用讨论之类的东西，
我会用讨论之类的东西，
我会用 LinkedIn；
对于严肃的商业 LinkedIn；
对于严肃的商业
LinkedIn；
对于严肃的商业 机会之类的东西，
我会用 LinkedIn；
机会之类的东西，
我会用 LinkedIn；
机会之类的东西，
我会用 LinkedIn；当然，
你也知道一些很棒的当然，
你也知道一些很棒的 播客，比如这些播客。
我播客，比如这些播客。
我 觉得这基本上就是我觉得这基本上就是我
觉得这基本上就是我 收集信息的方式，
因为现在
收集信息的方式，因为现在收集信息的方式，
因为现在 信息太多了。
信息太多了。
如果你如果你如果你 找到一些文章，
找到一些文章，找到一些文章，
可以打开 ELO 聊天记录，
看看可以打开 ELO 聊天记录，
看看 摘要。
通常来说，这些摘要。
通常来说，这些 网站的内容都很全面。
网站的内容都很全面。
原因在于，我认为人和
原因在于，我认为人和原因在于，
我认为人和 平台是共同发展的。
你知道，平台是共同发展的。
你知道，
在 Twitter 上你不能发布一些在
Twitter 上你不能发布一些在
Twitter 上你不能发布一些 严肃的
商业内容，但在 LinkedIn 上，
严肃的商业内容，
但在 LinkedIn 上，
严肃的商业内容，
但在 LinkedIn 上，
人们总是会人们总是会
人们总是会 精心包装，然后发布内容。
所以，精心包装，然后发布内容。
所以，
这些平台自然会这些平台自然会这些平台自然
会 提供不同的视角，提供不同的视角，
提供不同的视角，
帮助你筛选大量帮助你筛选大量帮助你筛选
大量 信息。
信息。
既然你提到了 Twitter，
Andre Capassi
Andre Capassi Andre
Capassi 几个月前，大概两个月前，
发了一条推文，他几个月前，大概两个月前，
发了一条推文，
他 说发推文就像说发推文就像说发推文就像
在互联网上下载可执行文件一样，
很在互联网上下载可执行文件一样，
很 明显，明显，明显，
不管是不是恶意软件。
这正是我不管是不是恶意软件。
这正是我
不管是不是恶意软件。
这正是我 要说的重点。
没错，但亚宁要说的重点。
没错，但亚宁 说的没错，某种说的没错，
某种说的没错，
某种 信息信息信息 在哪些网站上比较
受欢迎，但在哪些网站上比较受欢迎，
但在哪些网站上比较受欢迎，
但 我之前的观点是，我之前的观点是，
我之前的观点是，当你获取知识时，
你需要当你获取知识时，
你需要当你获取知识时，你需要 小心，
对吧？
小心，对吧？
你知道，那是可执行文件，你是你知道，
那是可执行文件，你是你知道，
那是可执行文件，你是 从网上下载的。
想想看，在推特上，从网上下载的。
想想看，在推特上，
你必须出格才能你必须出格才能你必须出格
才能 受欢迎，
这就是为什么推特上充斥着出格的内容。
受欢迎，
这就是为什么推特上充斥着出格的内容。
受欢迎，
这就是为什么推特上充斥着出格的内容。
比如，有比如，有
比如，
有 一位非常著名的搜索公司 CEO，
他一位非常著名的搜索公司 CEO，
他 看起来很傲慢，但看起来很傲慢，
但看起来很傲慢，但 他很受欢迎，对吧？
所以，我的意思是，他很受欢迎，对吧？
所以，我的意思是，每个平台都有偏见，
我也有，每个平台都有偏见，我也有，
每个平台都有偏见，我也有，没错。
而且，我认为没错。
而且，我认为
没错。
而且，
我认为 我们刚才很好地指出了这一点，
我们刚才很好地指出了这一点，
我们应该在实际获取这些信息时消除这些偏见
。
我们应该在实际获取这些信息时消除这些偏见
。
抱歉刚才的评论，抱歉刚才的评论， 别告诉
他我们的下一个他我们的下一个 问题。
首先，我要问题。
首先，
我要 感谢大家感谢大家感谢大家 今天与
我们分享你们的专业知识和智慧。
今天与我们分享你们的专业知识和智慧。
其次，我认为目前其次，我认为目前其次，
我认为目前 所有公司都在试图找到如何所有
公司都在试图找到如何所有公司都在试图找到
如何 利用基因来赋能。
利用基因来赋能。
要想在竞争中保持竞争力，
企业需要做些什么？
要想在竞争中保持竞争力，
企业需要做些什么？
要想在竞争中保持竞争力，
企业需要做些什么？
我想假设我想假设我想假设 这样的场景：
你拥有一家公司，有这样的场景：
你拥有一家公司，
有 一些相当不错的用例可以一些相当不错的
用例可以一些相当不错的用例可以 利用机器
学习（LM），而且实际上已经有了
利用机器学习（LM），
而且实际上已经有了利用机器学习（LM），
而且实际上已经有了 概念验证，
但要概念验证，但要概念验证，
但要 真正将其转化为真正将其转化为真正将
其转化为 商业价值，仍然存在一些差距。
你正在尝试商业价值，仍然存在一些差距。
你正在尝试 组建一个更扁平化的团队来组建
一个更扁平化的团队来组建一个更扁平化的
团队来 赋能这些产品。
由于机器学习与
赋能这些产品。
由于机器学习与赋能这些产品。
由于机器学习与 传统的机器学习传统的机器
学习传统的机器学习 基础设施截然不同，
我很好奇基础设施截然不同，
我很好奇 你认为要实现这一点，
必须做对哪些关键你认为要实现这一点，
必须做对哪些关键 组件和注意事项？
组件和注意事项？
我想我们之前提到过评估、
我想我们之前提到过评估、监控和成本，
是的，我想更深入地了解这方面。
监控和成本，是的，
我想更深入地了解这方面。
也许我可以先从这方面入手，
因为我开发也许我可以先从这方面入手，
因为我开发 产品，所以我们并没有产品，
所以我们并没有产品，
所以我们并没有 非常深入的人工智能，
比如非常深入的人工智能，
比如 使用数万个 GPU 训练大型模型，
使用数万个 GPU 训练大型模型，
但我们仍然使用人工智能来构建但我们仍然
使用人工智能来构建
但我们仍然使用人工智能来构建 有用的产品
。
因此，有用的产品。
因此，了解用户的真实需求，
了解用户的真实需求，了解用户的真实需求，
然后利用人工智能的力量来满足这些需求
至关重要。
然后利用人工智能的力量来满足这些需求
至关重要。
然后利用人工智能的力量来满足这些需求
至关重要。
我认为，如果你不了解用户的需求、我认为，
如果你不了解用户的需求、
我认为，如果你不了解用户的需求、
问题或痛点，就很难真正解决问题。
客户的痛点，客户的痛点，客户的痛点，
基本上就像是用一把基本上就像是用一把
基本上就像是用一把 炫酷的新锤子去敲钉子
，结果炫酷的新锤子去敲钉子，
结果炫酷的新锤子去敲钉子，
结果 却没什么效果。
所以，找到这些痛点至关重要。
对于却没什么效果。
所以，找到这些痛点至关重要。
对于
却没什么效果。
所以，找到这些痛点至关重要。
对于 很多很多很多 技术背景的人来说，
技术背景的人来说，技术背景的人来说，
学习学习学习 产品思维，阅读《产品思维，
阅读《产品思维，阅读《 创新者的困境》、
《待创新者的困境》、《待创新者的困境》、
《待 完成的任务》之类的书籍，
掌握商业完成的任务》之类的书籍，
掌握商业 知识就显得尤为重要。
对于知识就显得尤为重要。
对于
知识就显得尤为重要。
对于 技术人员来说，技术人员来说，
技术人员来说，
了解客户并找到了解客户并找到了解客户并
找到 产品开发的机会至关重要。
产品开发的机会至关重要。
人工智能作为一项新人工智能作为一项新
人工智能作为一项新 技术，
可以帮助你打造一把闪亮的新锤子。
技术，可以帮助你打造一把闪亮的新锤子。
关键在于找到那些关键在于找到那些
关键在于找到那些 还没被还没被还没被
其他老旧其他老旧其他老旧 锤子敲过的钉子
。
补充一下 Jay 的回答，
我锤子敲过的钉子。
补充一下 Jay 的回答，
我锤子敲过的钉子。
补充一下 Jay 的回答，
我 认为从更实际的角度来看，
认为从更实际的角度来看，
评估可能是评估可能是
构建类似 JI 用例的首要且最重要的步骤
。
构建类似 JI 用例的首要且最重要的步骤
。
因为我们与因为我们与因为我们与 许多应用
端公司合作，我看到许多应用端公司合作，
我看到许多应用端公司合作，
我看到 很多公司甚至不很多公司甚至不很多
公司甚至不 明白如何评估他们的用明白如何
评估他们的用明白如何评估他们的用 例，
然后就直接跳到 JI 用例上。
例，然后就直接跳到 JI 用例上。
我认为尝试所有那些花哨的技术，
以及在评估 JAG 时遇到的以及在评估
JAG 时遇到的以及在评估 JAG 时
遇到的 困难，对吧？
基本上，它就像困难，对吧？
基本上，它就像 我们评估人类的方式一样，
我们评估人类的方式一样，
类似于我们评估语言模型的方式，对吧？
但是类似于我们评估语言模型的方式，对吧？
但是 我们需要一个一致且可靠的指标来我们
需要一个一致且可靠的指标来我们需要一个
一致且可靠的指标来 判断我们的判断我们的
判断我们的 表现是在提高还是在退步，
表现是在提高还是在退步，
以便从以便从以便从 起点继续发展。
我认为，
起点继续发展。
我认为，起点继续发展。
我认为，
意识到评估重要性的人意识到评估重要性的人
意识到评估重要性的人 比应该有的要少。
比应该有的要少。
你有什么工具或你有什么工具或你有什么工具
或 供应商推荐吗？
你供应商推荐吗？
你 觉得某个组件可以更好地完成一些觉得
某个组件可以更好地完成一些觉得某个组件
可以更好地完成一些 评估工作，
或者提供更好的评估工作，或者提供更好的
评估工作，
或者提供更好的 评估解决方案吗？
评估解决方案吗？
我我我 认为它是一个框架。
我认为认为它是一个框架。
我认为 评估是一个非常长的流程，对吧？
评估是一个非常长的流程，对吧？
我认为静态评估是其中一个我认为静态评估是
其中一个我认为静态评估是其中一个
组成部分，显然它是一个非常好的组成部分，
显然它是一个非常好的
组成部分，显然它是一个非常好的 工具。
关于这个流程，你还有其他什么了解吗？
工具。
关于这个流程，你还有其他什么了解吗？
工具。
关于这个流程，你还有其他什么了解吗？
我只是好奇我只是好奇我只是好奇 你的看法
。
是的，由于语言模型固有的复杂性，
没有简单的答案。
你的看法。
是的，由于语言模型固有的复杂性，
没有简单的答案。
我认为评估的范围我认为评估的范围 从更
静态到更从更静态到更从更静态到更 动态。
在最静态的方面，我们有动态。
在最静态的方面，
我们有 像 MLU 这样的评估基准，
它像 MLU 这样的评估基准，
它 实际上是让语言模型回答多项实际上是让
语言模型回答多项实际上是让语言模型回答
多项 选择题。
没错，这些都很选择题。
没错，这些都很
选择题。
没错，这些都很 简单，很容易评估。
简单，很容易评估。
但有些情况稍微复杂一些，
也更但有些情况稍微复杂一些，
也更但有些情况稍微复杂一些，也更 微妙，
比如 GSM AK，我们让微妙，
比如 GSM AK，
我们让 LM 解决数学问题，
但 LM 解决数学问题，
但 数学问题的答案有时数学问题的答案有时
数学问题的答案有时 不是一个可以不是一个
可以不是一个可以 单独查询的数字，
而是一个完整的单独查询的数字，
而是一个完整的 推理过程，
所以我们需要其他推理过程，
所以我们需要其他 人或其他 AI 系统来
评估。
人或其他 AI 系统来评估。
类似地，我们还有如何类似地，我们还有如何
类似地，
我们还有如何 评估代码生成能力的问题，
评估代码生成能力的问题，
我们需要实际执行代码。
我认为最微妙的场景是我认为最微妙的场景是
我认为最微妙的场景是 如何评估 CHT，
或者如何如何评估 CHT，
或者如何 评估通用聊天框，
就像评估通用聊天框，就像评估通用聊天框，
就像 如何评估人类一样。
如何评估人类一样。
在 Martian，
我们有一整套在 Martian，
我们有一整套 工具和框架来进行这类工具和
框架来进行这类工具和框架来进行这类 复杂
的评估，它复杂的评估，它复杂的评估，
它 基本上结合了人工基本上结合了人工
基本上结合了人工 标注、
机器辅助标注和标注、机器辅助标注和标注、
机器辅助标注和 自动化评估。
这自动化评估。
这
自动化评估。
这 相当复杂，相当复杂，相当复杂，
我们我们我们 在处理模糊输出方面拥有丰富
的经验和广泛的需求，
因此在处理模糊输出方面拥有丰富的经验和
广泛的需求，因此
使用 AI 来评估 AI 对我们来说非常
有趣或直观。
使用 AI 来评估 AI 对我们来说非常
有趣或直观。
我们所做的就是，我们我们所做的就是，
我们我们所做的就是，
我们 在视频片段生成方面超越了竞争对手。
这些在视频片段生成方面超越了竞争对手。
这些 视频片段的质量如何？
视频片段的质量如何？
它们有多有趣？
这并不是因为
它们有多有趣？
这并不是因为它们有多有趣？
这并不是因为 我们有多么神奇的提示，
而是因为我们使用了我们有多么神奇的提示，
而是因为我们使用了 GBT 3.5，
这是一个相当笨拙的模型，GBT 3.5，
这是一个相当笨拙的模型，而且它很便宜，
几乎而且它很便宜，几乎而且它很便宜，
几乎 相当于 GP4 的 95 折。
我们的做法
相当于 GP4 的 95 折。
我们的做法相当于 GP4 的 95 折。
我们的做法 是，我们有很多提示尝试是，
我们有很多提示尝试是，
我们有很多提示尝试 剪辑视频，不是一个，
而是剪辑视频，不是一个，而是剪辑视频，
不是一个，而是 至少四个。
它们有不同的方法，至少四个。
它们有不同的方法，尝试不同的方法，
它们尝试不同的方法，它们尝试不同的方法，
它们 非常努力。
每个视频我们可能
非常努力。
每个视频我们可能非常努力。
每个视频我们可能 都有大约 100 个
候选片段。
都有大约 100 个候选片段。
我们如何选出最好的呢？
我们使用另一我们如何选出最好的呢？
我们使用另一 组提示。
这组提示会组提示。
这组提示会
从多个维度评估这些片段的质量，例如，
它们是否有趣？
故事性如何？
它们是否有趣？
故事性如何？
它们是否有趣？
故事性如何？
开头是否引人入胜？
是否开头是否引人入胜？
是否 有缺陷，例如突然结束？
是否有有缺陷，例如突然结束？
是否有 赞助商信息？
等等。
赞助商信息？
等等。
赞助商信息？
等等。
我们会对这些评分进行
我们会对这些评分进行我们会对这些评分进行
组合，最终得出组合，最终得出组合，
最终得出 最终得分。
然后我们对最终得分。
然后我们对 候选片段进行排名，
只选择前 20%。
候选片段进行排名，只选择前 20%。
例如，在任何工业流程中，例如，
在任何工业流程中，例如，
在任何工业流程中，如果 你在农场工作，
种了如果 你在农场工作，种了
如果 你在农场工作，种了 很多农产品，
比如草莓。
很多农产品，比如草莓。
卖的时候，你会把好的卖给卖的时候，
你会把好的卖给卖的时候，
你会把好的卖给 Safe Way，
然后扔掉一些 Safe Way，
然后扔掉一些 坏的，中等的坏的，
中等的坏的，
中等的 可能就送到档次更低的可能就送到
档次更低的可能就送到档次更低的 杂货店。
杂货店。
开发产品也是一样，你开发产品也是一样，
你开发产品也是一样，
你 希望你的系统能够更努力地工作，
并且希望你的系统能够更努力地工作，
并且 能够筛选出好的产品。
一种能够筛选出好的产品。
一种 方法就是使用人工智能进行评估。
方法就是使用人工智能进行评估。
不过，这里也有一些需要注意的地方，
不过，这里也有一些需要注意的地方，不过，
这里也有一些需要注意的地方，
有些人工智能系统无法识别问题。
我在有些人工智能系统无法识别问题。
我在 我的推特我的推特我的推特 账号 J
of Opus 上举了一个例子，
这是我账号 J of Opus 上举了
一个例子，
这是我账号 J of Opus 上举了
一个例子，
这是我 唯一一条比较有趣的推文。
这是
唯一一条比较有趣的推文。
这是唯一一条比较有趣的推文。
这是 一张人工智能生成的
Craftsman 的图片，
图中一张人工智能生成的
Craftsman 的图片，
图中一张人工智能生成的
Craftsman 的图片，
图中 人物的头部和颈部人物的头部和颈部
人物的头部和颈部 明显是分离的，
你可以明显是分离的，你可以明显是分离的，
你可以 从视频或从视频或从视频或 图片
中看出来。
我把这张图片分别发给了
图片中看出来。
我把这张图片分别发给了图片中看出来。
我把这张图片分别发给了 GB、GBD4、
GB、GBD4、GB、GBD4、
Gemini 和 Ananthropic
等人工智能系统，
Gemini 和 Ananthropic
等人工智能系统，
Gemini 和 Ananthropic
等人工智能系统，
它们都说这张图片“还可以”。
嗯，它们都说这张图片“还可以”。
嗯，
它们都说这张图片“还可以”。
嗯，这张图很不错，很合理，这张图很不错，
很合理，这张图很不错，很合理，
没有任何奇怪的地方。
即使你问即使你问即使你问 他们头部和颈部
是否有问题，他们头部和颈部是否有问题，
他们头部和颈部是否有问题，
AI 也会说一切正常。
所以 AI 也会说一切正常。
所以 你可以 100%信赖它，
但这仍然是一个
你可以 100%信赖它，
但这仍然是一个你可以 100%信赖它，
但这仍然是一个 有用的框架，
可以让你更加努力地尝试，然后有用的框架，
可以让你更加努力地尝试，
然后 使用 AI 进行评估，
最终使用 AI 进行评估，
最终 获得最佳结果。
很好，我喜欢，我很期待获得最佳结果。
很好，我喜欢，我很期待
获得最佳结果。
很好，我喜欢，我很期待 这些答案，
但这些答案，但这些答案，
但 可惜时间有限。
可惜时间有限。
我们还有一个问题，我们还有一个问题，
我们还有一个问题，所以，
谢谢你提供这个所以，谢谢你提供这个所以，
谢谢你提供这个 机会。
嗯，我的问题机会。
嗯，我的问题 有点技术性，
我想很多有点技术性，我想很多有点技术性，
我想很多 有技术背景的听众可能有技术背景
的听众可能
有技术背景的听众可能 会感兴趣。
我会感兴趣。
我 最近最近最近 在 AWS 和一位教授
及其合作团队一起做一项关于机器学习系统在
AWS 和一位教授及其合作团队一起做
一项关于机器学习系统在 AWS 和一位
教授及其合作团队一起做一项关于机器学习
系统 可靠性和可观测性的研究，
可靠性和可观测性的研究，
我的我的我的 问题与你问题与你
问题与你 分享的 QA 部分有点关系，
你知道 QA 分享的 QA 部分有点关系
，
你知道 QA 分享的 QA 部分有点关系
，你知道 QA 部分。
例如，我们知道部分。
例如，我们知道 为了高效地训练模型，
为了高效地训练模型，为了高效地训练模型，
我们必须采用分布式我们必须采用分布式我们
必须采用分布式 策略进行训练，
例如使用传感器参数或策略进行训练，
例如使用传感器参数或
策略进行训练，
例如使用传感器参数或 管道参数。
但这会…… 呃，我们管道参数。
但这会…… 呃，我们 遇到了一个问题，
就是给定一个固定的遇到了一个问题，
就是给定一个固定的 输入，
比如固定的数据、固定的输入，
比如固定的数据、
固定的 参数或者固定的模权重，
参数或者固定的模权重，
但是使用这种分布式但是使用这种分布式但是
使用这种分布式 策略，
模型的输出结果却会有策略，
模型的输出结果却会有 巨大的差异，
这让巨大的差异，这让巨大的差异，
这让 开发者很难进行调试或构建。
开发者很难进行调试或构建。
我们现在听到了很多我们现在听到了很多我们
现在听到了很多 亚马逊开发者的抱怨，
他们说他们无法
亚马逊开发者的抱怨，
他们说他们无法亚马逊开发者的抱怨，
他们说他们无法 定位这个故障，
因为定位这个故障，因为定位这个故障，
因为 数值差异会不断累积，
数值差异会不断累积，数值差异会不断累积，
但在这个过程中，并没有但在这个过程中，
并没有但在这个过程中，
并没有 非常有效的方法来发现它。
所以非常有效的方法来发现它。
所以 我的问题是，如何提高我的问题是，
如何提高
我的问题是，
如何提高 可靠性和可靠性和可靠性和 可及
性，尤其是在分布式可及性，
尤其是在分布式可及性，
尤其是在分布式 系统训练中？
非常感谢。
是的，系统训练中？
非常感谢。
是的，系统训练中？
非常感谢。
是的， 我有很多话想说。
我有很多话想说。
我已经开始说了。
首先，这并不是一个新问题。
从 20 世纪 70 年代开始，
科学计算或高性能计算领域就已经科学计算或
高性能计算领域就已经科学计算或高性能计算
领域就已经 知道，当你知道，当你知道，
当你 进行数值计算时，
有些事情是进行数值计算时，
有些事情是 无法复现的。
无法复现的。
我认为现在我认为现在
我认为现在 人工智能社区（人工智能社区（
人工智能社区（ 包括我）有点像被宠坏的
包括我）有点像被宠坏的包括我）有点像被
宠坏的 孩子，他们不愿意考虑孩子，
他们不愿意考虑孩子，
他们不愿意考虑 现有的解决方案。
其实有一个现有的解决方案。
其实有一个 现有的解决方案，
那就是数值现有的解决方案，
那就是数值 稳定性。
如果你把四个稳定性。
如果你把四个
稳定性。
如果你把四个 浮点数相加，比如 1、2、
3、4 或浮点数相加，比如 1、2、3、
4 或浮点数相加，比如 1、2、3、
4 或 4、32、1，结果都不一样。
但是你 4、32、1，结果都不一样。
但是你 可以统计地测量稳定性，
可以统计地测量稳定性，
这在数值计算中非常重要。
如果你对如果你对
如果你对 某个数进行指数运算，
那么你需要某个数进行指数运算，
那么你需要 确保这个数不会确保这个数不会
确保这个数不会 大得离谱。
比如大得离谱。
比如 x62，结果肯定是 0。
所以，x62，结果肯定是 0。
所以，
所有这些问题实际上都已经所有这些问题
实际上都已经所有这些问题实际上都已经
存在了。
因此，我基本上认为，
存在了。
因此，我基本上认为，存在了。
因此，我基本上认为，
解决方案只需要将解决方案只需要将解决方案
只需要将 数值稳定性应用数值稳定性应用
数值稳定性应用 到计算中。
这是一方面。
到计算中。
这是一方面。
到计算中。
这是一方面。
你提到的第二点是关于可你提到的第二点是
关于可你提到的第二点是关于可 解释性的，
对吧？
解释性的，对吧？
这其实也相当这其实也相当这其实也相当
学术化，学术化，
学术化，
人们并不关心可人们并不关心可人们并不关心
可 解释性。
让我举解释性。
让我举 个例子。
比如，我们用个例子。
比如，我们用 计算机视觉之类的工具，
让计算机用像素解释一下计算机视觉之类的
工具，
让计算机用像素解释一下计算机视觉之类的
工具，让计算机用像素解释一下
猫猫 是什么形状。
我们强迫计算机是什么形状。
我们强迫计算机 说，我们需要一个说，
我们需要一个说，
我们需要一个 可解释的计算机视觉系统来对
可解释的计算机视觉系统来对可解释的计算机
视觉系统来对 猫进行分类。
这就好比猫进行分类。
这就好比 解释我们自己的大脑一样，
它们会解释我们自己的大脑一样，
它们会 说，哦，猫有说，哦，猫有
说，哦，猫有 尖耳朵。
就像什么是尖耳朵。
就像什么是 尖锐的，什么是接近的，
有些尖锐的，什么是接近的，有些尖锐的，
什么是接近的，
有些 东西本身就很东西本身就很东西本身就
很 复杂，难以解释，复杂，难以解释，
复杂，难以解释，
我认为我认为我认为 在很多情况下这都没
问题。
嗯，我的意思是，想想看，
在很多情况下这都没问题。
嗯，我的意思是，想想看，
在很多情况下这都没问题。
嗯，我的意思是，想想看，
你你你 今天开车回家，
我们不知道今天开车回家，
我们不知道 这辆车会不会这辆车会不会这辆
车会不会 抛锚，对吧？
也许只是抛锚，对吧？
也许只是 中途疲劳了，然后就中途疲劳了，
然后就中途疲劳了，然后就 抛锚了。
有些事情是抛锚了。
有些事情是 无法解释的，无法解释的，
无法解释的，
只要我们有更安全可靠的统计只要我们有更
安全可靠的统计只要我们有更安全可靠的统计
方法来处理这些问题，
那就没方法来处理这些问题，
那就没方法来处理这些问题，那就没 问题。
我认为问题。
我认为 这有点像回到这有点像回到这有点像
回到 最初的问题：最初的问题：
最初的问题：
人工智能和非人工智能的 ER（环境）有
什么变化？
人工智能本质上就是
人工智能和非人工智能的 ER（环境）有
什么变化？
人工智能本质上就是人工智能和非人工智能的
ER（环境）有什么变化？
人工智能本质上就是 统计性的，
它统计性的，它统计性的，
它 不像你调用一个函数不像你调用一个函数
不像你调用一个函数 就能定义 API，
固定输入固定就能定义 API，
固定输入固定 输出，世界已经改变了，
输出，世界已经改变了，
我们只需要接受这一点，
然后我们只需要接受这一点，
然后 围绕这些东西建立安全屏障，
围绕这些东西建立安全屏障，
围绕这些东西建立安全屏障，这样在统计上，
或者这样在统计上，或者这样在统计上，
或者 说在这个界限之后，
事情就能说在这个界限之后，
事情就能 正常工作。
好的，非常感谢，抱歉，我租了好的，
非常感谢，抱歉，我租了 太多东西，哦不，
我认为这一点非常重要。
太多东西，哦不，我认为这一点非常重要。
结尾很棒，我喜欢李尔王结尾很棒，
我喜欢李尔王结尾很棒，
我喜欢李尔王 说的，世界已经改变了，
我们只说的，世界已经改变了，我们只说的，
世界已经改变了，我们只 需要接受它。
所以我们还有需要接受它。
所以我们还有
需要接受它。
所以我们还有 房间，直到晚上 9 点。
演讲结束后，欢迎大家自由地进行房间，
直到晚上 9 点。
演讲结束后，欢迎大家自由地进行房间，
直到晚上 9 点。
演讲结束后，
欢迎大家自由地进行 社交活动。
好了，让我们为社交活动。
好了，让我们为 演讲嘉宾们欢呼吧！
好的，谢谢大家，谢谢大家，再见！