迎接与 AI 智能体共生的未来

本节目由津津乐道制作播出。

嗯嗯，

各位听友大家好，

这里是津津乐道与 rte 开发者社区共同制作的博客节目编码人生。

哎，

这期节目呢如果听到我们上期节目的朋友呢就知道了我们这期节目是在填上期节目的坑啊，

上期节目呢我们聊一聊 openai 的这次发布会。

然后呢，

上期节目我们也承诺大家再请来几个更深入的专家，

给大家聊聊关于大模型这方面的事情和他们的一些业务上的实践。

所以今天呢我们就遵守这个诺言，

请来了两位在大模型领域的创业者和开发者。

然后请大家来介绍一下自己吧。

大家好，

我是投资无线的创始人。

不好啊，

然后我们是去年九月份成立啊，

让我们在过去一年里，

其实从大模型的最早起，

那个时候还没有 gbt 啊，

到现在呃围绕 gbt 已经有了各种各样的生态，

然后以及大家最近关心的 agent 的这个方向。

然后我们也有一些进展。

对，

然后我们在过去一年多的时间里面，

基本上见证了大模型的从零到一的发展。

然后我也亲手玩了几乎市场上大家能看到的大模型，

特别期待能等一下跟大家一起做交流。

等于是在有 openai 之前，

你们就在做这件事情。

对，

我们算是见证了大模型的从零到一。

啊，

因为我们自己其实也是没想清楚到底在大模型时代做什么，

但是我们就先下场啊，

然后所以我们基本上是大模型时代的活化石，

每一代大大小小的模型都在我们这里留下了一些印记。

那或或者根据说你们是 openai 的同龄人，

对，

我们跟 openai 那那肯定不是了，

就我们可能是 chinagb 和和 injourney 的同龄人 ok 但是呃 openi 和这个肯定还是早很多的。

好，

我们下一位嘉宾大家好，

我是 hungface 工程师王铁镇。

那 havingface 大家可能都听过啊，

就在很多新闻里面看过一些报道，

具体我们做什么？

大家可能用过的比较少，

因为我们还是一个比较面向这个开发者和比较访问不了的一个网站。

你确定这能说吗？

我们这儿能说别的地儿不一定能说四对的。

我们其实是更就是大家直观的理解啊，

我们应该像是这个 aig 的 getup，就专门为这个大模型去做一些这个分发，

然后做一些这种开源。

然后在上面大家可以找到很多这种呃开源的模型。

然后我们也就是除了这个 hosting 之外呢，

我们也提供了很多这种开源的工具。

比如说 transformersdiffusers，然后大家在这边用非常简单的这个 api 就能把模型用起来。

我相信博浩应该也用过我们的一些产品。

我们最近也推出了一些方便大家做这个大模型微调。

比如说 pft 做 lhf 的 trl 这些啊就比较技术的这个工具。

嗯，

那除了这些就是这些听着可能比较枯燥啊，

那我们还有很多这个呃线上的这种 demo，就我们叫 hangfacespes。

那大家他可能对大模型啊只是听过这个名字，

然后或者说看到一些这个比较好玩的东西。

大家可以到 swiss 上去实际去跟他交互，

然后有一种感觉，

然后知道说这个大模型是否能满足你们的问题。

然后呢，

你去啊比如说看一下这个代码，

它是怎么实现的，

自己下载到自己的本地，

稍微改一改就可以做一个自己比较好玩的这种应用。

对，

大家其实就是就算不是一个就是非常硬核的开发者，

就算不是一个陌生的那个 phd，在我们这个平台上其实都能找到一些乐趣。

欢迎大家到我们平台上去玩。

哎，

这有点儿颠覆我的认知啊，

我去你们的平台基本都是找别人的大模型用。

然后现在看来你们其实还帮助开发者建立一个适用场景，

就像一个沙盒一样。

没错，

我们这个 space 跟 github 有一个区别啊，

就 kita 上面大家看到的都是静止的代码。

嗯，

上面可能说哦你要 follow 这个 instruction，说一二三四步，

然后他们自己怎么样才能用起来。

我们这边就给大家一个动态的，

可以马上弄起来，

可以马上弄起来。

对你不需要有太多背景，

你就可以直接把它跑起来。

就是我先试试这大模型，

好用不好用？

没错哦，

明白了，

我们第三位嘉宾也是我们的老好朋友和我们的常驻主播了。

会见。

那好，

大家好啊，

我是 rte 开发者社区的杨慧。

啊，

今天就跟大家打个招呼吧。

因为其实之前已经跟大家这个沟通过很多次了。

但是我要再再说一句啊，

那个实际上今天两位嘉宾跟我们的这个开发者社区都挺有渊源的铁证。

就是之前是在参加我们的开发者社区的这个活动啊，

然后包括博浩，

其实是我们整个开发者生态里边，

我们有一个加速计划超音速计划的这个成员。

所以啊今天非常开心，

能够两位一起来讨论这个话题。

就是我这块想要加一下，

就是我们跟深网的渊源其实还蛮深的。

因为我们有一本社区贡献的书，

就是我们出了一个课程当中这个 delusioncourse。

然后呢，

有几个开发者者就是作志愿者，

然后把这个课程翻译成中文，

并且在人油哦，

就是人民邮电出版社老师的这个帮助下，

把它出版成一本书。

其中四位作者中的一半都是申网的这个员工，

特别感谢声网对我们的支持，

谢谢谢谢。

没错，

不在这样，

彩虹屁阶段没有没有，

但这个书为什么？

我没有说，

就是因为实际我们在之前的这个博客里面已经提到了这本书。

而且我们在这段时间内，

实际上我们请新伟，

他们都出来讲过很多这样子的这个方面的这个书籍对的内容。

对哎，

那我们今天就跟这个两位大模型的从业者聊聊这些。

我们今天可能不不管你懂不懂开发，

不管你有没有接触过 ai 可能都会听到这个词儿。

大模型这个东西那大模型究竟是什么呢？

博浩给大家介绍介绍吧。

嗯，

对呃，

我觉得大模型这个概念。

首先顾名思义就是我们不说技术原理，

我们顾名思义它是大的，

那大是怎么来去看。

比如说我们哪怕最小的大模型，

拉玛系列，

它是一个七 b 到七十 b 这个 b 呢就是 b 类十亿参数。

也就是说，

最小的拉玛模型也是七十亿参数，

最大的可能是七百亿参数。

然后甚至比如说 hungryface 出的 bloom，然后它实际上是对 gbd 三的开源复现是一百七十五 b 你想到这是一千七百五十亿参数。

如果你拿着这个指标去回顾，

在过去十年我们大家聊模型的时候说的参数。

其实你发现大家都是以兆为单位啊，

然后或者说偶尔是一点几二点几三点几 b 的单位的模型。

所以你可以看到我们聊大模型，

最直接的感知就是它的参数量大。

那参数量到底是什么意思？

我们就不展开说。

但是啊从具体的啊大家能感知到的就是大模型懂得多。

对，

那意味着说大模型它看的信息比过去我可能只看了领域的知识，

变成我几乎看了所有知识。

比如现在哪怕是最小的开元大模型，

拉玛七 b 啊，

或者说 glm 六 b 这样大小的模型。

我们发现我问他金融问他法律，

让他写代码，

让他写 circle 都是能做的啊，

这是我们跟上一代模型很大的一个不一样。

然后至于这样的一个模型形态，

它到底有哪些被高估和被低估的地方，

就等下我们可以再展开来聊。

对我先简单啊，

就开个场，

然后聊聊这个大模型，

这是我们对大模型的一个基础的判断。

对所以大模型可以理解成是一个 ai 产品，

或者是一个 ai 应用的底座。

就是现在大家都在聊说把大模型当成一个基础设施啊，

就是我所有的应用都应该是过去我可能要调十个不同的小的 lp 模型，

然后包括现在多模态出来，

过去可能大家是不同领域有小的 cv 的模型啊，

比如说我专门去做中文的 ocr，英文的 ocr，然后各各单单语言的的 cr 现在接下来可能就变变成一个 ott 微就能解决。

嗯，

啊过去我可能有专门的用正的表达式啊，

用各种各样的抽取的小模型来去做文本的任务。

现在可能变成一个大模型，

也能做所有事情了。

我觉得这可能是一个范式的变化，

意味着过去我们是很多个模型，

现在变成用一个模型来解决问题了。

对，

然后啊那实际上我们定立了一个新的范式啊，

过去我们是一一一台云上，

然后上面跑着不同多小模型在上面跑一个应用，

现在变成可能是有一个基座的云，

再往上是一个基座，

大模型再往上是应用啊，

那意味着说大模型就是模型在大模型时代，

这个概念被变得更重要了。

对，

然后觉得呃 hungry。

face 其实也在做模型社区，

那其中也有大模型有小模型，

那甚至另外一个方向就是大模型。

它其实可以像人一样去帮我们调度各种各样的小模型啊。

对啊，

所以说呃我们觉得大模型时代啊，

它实际上呃是能够定义一个新的应用的开发。

但是对嗯唉那这个问题就要抛给铁真老师了。

刚才博浩说了啊，

以前的模型可能很小很小。

但是呢可能说一点五兆啊等等等，

这种模型会比较多。

甚至说他要完成一个任务，

要调很多很多不同的模型。

这个时代我们也经历过，

但是是什么样的契机使这这个模型的参量突然一下子出现了一个暴增，

这是怎么来的？

因为我知道 hungface 可能也是在这个时代之前就开始做这个事情，

你们应该会看的比较清楚。

这个趋势。

是的，

我们做这个 hungryface，其实一六年成立嘛，

然后后面我们大概一千一八年开始做这个模型的开发者社区。

那最开始我们做也是上一代 aii 做这种稍微小一点的模型，cv 的模型啊，nop 的模型。

然后当时在大家就做的呃，

其实做应用就做的很痛苦。

因为你对于每一个不同的场景，

你都要拿这个领域的具体数据去调。

嗯，

然后后面就有人就在想说，

那我除了做这种 taskspecificmodel，我如果给他更多的更难的任务，

然后把这个模型 scale 变大。

那它是不是说随着这个模型未进更多的数据，

随着这个模型的参数量变多，

它就有更好的效果。

嗯，

然后就有人就是一直在这个路上就是狂奔。

然后后来发现哎，

确实是这样子，

它到一个阶段的时候，

它就涌现了，

就发现这个模型拥有了以前没有的这个呃这个能量。

所以大家就才是对这个地方就是有这个额外的关注，

然后往这个方向去去。

所以这个涌现是大家试出来的，

不是算出来的啊，

到现在可能也没有人对这个涌现，

有一个非常好的物理建模，

或者说这个逻辑的建模，

知道说它是怎么回事。

现在大家更多的是说发现了这么一个事情，

然后再去呃尝试把这个黑盒拆解成白盒，

了解它背后的原理。

但这个过程我觉得还是比较漫长的，

就是远远落后于我们的时间。

这个就跟我们对计算机科学的认知有一点点不一样哈。

我们知道计算机科学可能大家追求的都是一个确定性，

说哎我知道这个东西跑完了，

它就是这样一个结果。

那到了大模型时代，

好像这个理论不成立了，

好像就是大家突然试了试，

发现它好像好用啊，

对我觉得这个其实不意外啊。

因为我之前是学物理的，

其实你看这个呃物理定律，

其实它最基础的这个定律都是非常简单的。

比如说牛顿一二三定律，

但是呢我们就有了非常复杂的这个气候系统，

非常复杂的所有的这些，

比如蝴蝶效应啊，

所有这些东西。

所以我觉得这种系统科学和这个一个事情，

它具体的这个原理其实是就是分的比较开的。

比如说我们知道说每一个细胞它是怎么跟啊别的细胞去去沟通的，

可能是电信号，

然后在我们大脑里面进行进行一个传播。

那为什么人就突然有智能？

其实我们也不知道。

那呃为什么说我们就就就是在用大模型预测下一个词，

然后就是一堆矩阵乘法，

怎么这个大模型看起来就变得更加聪明？

其实现在我们也没有一个特别好的答案。

那我也希望后面有更多的这个呃在这方面的研究去把这个打开，

然后了解这个事情发生了什么。

嗯，

那现在这些大模型的研发，

当然我们知道 openai 这种大公司自己做的这些，

我们可以叫 b 端大模型啊，

这个我们就不说了。

那在大模型的这个研发领域，

现在有什么样的趋势和新的一些事情可以告诉我们吗？

我觉得有几个趋势啊，

第一个就是说呃就是大家尝试就是去把这个模型就是做到一个尺度之后，

然后发现哎我这个模型的能力已经有已经有我们想要的能力可以解决一些场景。

那现在我们是不是可以把成本做下来？

嗯，

那这个其实就解决了很多，

就之前的一个痛点，

就是哎它模型 gpd 思维好像能做做一切事情。

但是我不可能把这个东西用在我的场景里面，

因为它太贵了。

那我们看到现在有很多人在做，

比如说三 b 的模型，

一点五 b 的模型啊，

其实也能做到很多这个事情。

我自己其实在我电脑上就跑了很多这种在我电脑上可以跑这个端上的模型，

然后不需要网络。

然后他就是全面的保护我的这个所有的数据和隐私，

我可以跟他做一些很很私人的这个事情。

我觉得这种体验其实是蛮好的。

然后这种趋势我相信随着就是现在大家都在讲 aipc 嘛，

然后往这个方向去走的话，

可能我可能比较保守，

觉得可能两年之后会大规模铺开，

但也有可能说明年就会有一个非常不一样的这个东西。

说不定我们可以在呃我们的手机上就跑一个非常聪明的大模型，

帮我们去订机票啊，

去去做我们的这个非常私人的助理。

也就是说模型的参量由一个由小到大的过程，

现在由变成了由大到小的过程。

啊，

我觉得这个符合技术发展的一般规律，

就是我们先有一个能力把这个能能力上线能力上线对我们找到它的边界之后，

然后再去用工程的方法去降低它的成本。

嗯，

嗯嗯就跟前面一段时间我们可以看报道，

其实也有这个趋势嘛。

就是刚开始的时候，

大波 c 百魔大战的时候，

大家都在追求我能跑万亿啊，

然后，

对吧？

大家都在追求追求那个参量嘛，

这个餐量的大就是说明这个。

但是后来就大家就会发现，

就是你大和你的试用是不是真的就是能够落到这个大家那 daily 的的这样子的一些场景里面，

它中间还有一个适用适度的这样的一个问题。

所以最近在刚才我跟铁真在线下，

在闲聊的时候，

我们的时候，

我说你对田区这个事情怎么看？

就是实际上并不一定是说模型越大越好，

模型越能解决问题。

它刚好它的这个投入，

它的这个对规模和他的这个使用的场景，

能够匹配上这个东西，

平衡的东西才是最好的。

所以就像刚刚说铁证，

说我现在需要的就是一个私人助力。

这个小模型不仅能够保护我的数据，

其实它已经能够满足我的 dailyuse 了。

我又不会说拿它去做一些什么很深度的这个情感交流或者什么东西。

它就是我一个个人助手嘛，

帮我去做一些归纳和总结，

这样子的事情我觉得就够了。

对，

是其实上这个这个是目前来说跟越来越多人在讨论的事情，

嗯，

所以它可以叫专用的通用大模型。

是不是可以思对我正好接着铁振和慧姐刚刚在说的这个就是我觉得啊就是红呃，

我可以引用一下红美国他们发了一篇文章，

就是说啊生成谁？i 从第一幕到第二幕，

第一幕是技术驱动的啊，

我要去关注技术场景啊，

到第二幕的时候开始关注应用场景。

那它其实背后就意味着说，

大家开始意识到我要先用大模型解决问题。

那这里面其实呃我们开始提哎海湾大家，

他又回到去做小模型的时候，

是不是大模型这个范式又又发生变化了？

但我们发现其实也不是，

比如说很重要的一个概念，

就是用 ai 做 ai 就是当我有了一个很大的大模型，

比如我有了 gbt 四这样的模型的时候，

其实它是很好的能帮助我去做小模型的数据清洗数据的蒸馏的。

啊，

比如说我们看看到今年年初最火的 stanford 的一个叫奥巴卡的模型。

它其实的逻辑就是我用 gbt 三点五去蒸馏出了一些 jb 三点五的对话数据。

然后呢它在七 b 的拉码上训出来啊，

翻译效果还不错啊。

那事实上很多公司也在用这样的方式啊，

去把大模型的能力去蒸馏出来一些小模型。

包括前段时间很火的微软软有篇论文偷偷爆出来说，

现在用的 gb 三点五 turbo，它只有一个二十 b 的模型。

那其实本质上如果让 openi 在没有 jbt 三点五，

就是原生的三点五，

一百七十五 b 那个版本下去做模型啊，

它一定没办法在二十 b 这个尺度下做的这么好。

他的思路其实我是要先做一个一百七十五 b 的模型，

然后我基于一百七十五 b 这个模型就很聪明的模型，

用 ai 做 ai，然后帮助我去做一些更便简易的模型。

对，

这是一个我们觉得接下来大家的范式的一个新的变化。

就是我把超级大模型作为一个工具来帮助我去训练小模型。

所以我们判断说接下来同样是一个尺度，

可能就是一 b 两 b 的模型。

如果你去看一八年的时候，bert 出来之后的那些模型，

现在的一 b 两 b 的模型会比那个时候的性能好很多。

嗯，

因为现在我们有了大模型的帮助，

帮助我去做处理数据啊，

帮助我去做架构的设计。

对，

这是一个我觉得挺大的变化。

所以大模型未必是一个超级大的模型，

也可能是帮助我们去做小模型的一个很神奇的像人一样的模型。

对我是觉工科的。

你说的这个理论好像就就特别像是在工业领域的这个工业母机的这个概念。

就是比如说有 nvni，它可能能够帮你去蒸馏数据，

它能够帮你去做训练集等等去做这些事情。

而它的这个精度就决定了，

下面你利用他去做蒸馏的这些模型的精度。

是这样吧？

是这样的，

我觉得铁证应该是更有感受的。

因为 haneyface 对它上面应该有大量的模型，

可能就是这么出来的，

是吧？

通了非常多呃，

用 gpt 蒸馏出来的数据和用 gpt 蒸馏出来的数据训的模型啊，

但其实我觉得这些模型未必都是很高质量的。

因为你本身你就是我们说蒸馏的时候，

学生模型一定没有教师模型做的好啊。

就是我本身 gbt 可能在某个领域提醒未必很专业。

他可能只能说些片儿的话的时候拿它去蒸馏它可能就变得更差了。

对所以我们觉得呃他应该是帮助我去辅助去清洗数据，

而不是我直接把它做母鸡去蒸馏数据。

嗯，

对他应该是一个种子，

而不能把它当成一个完全的老师。

是我同意。

对，

大家如果关注这一块的话，

可以上行业 face 上去找到我们津津乐道公开的一个中文播客的一个训练机的语料。

现在那个好像也有一万多次的下载了。

因为确实只是大家，

比如说你去做对话数据的训练，

特别是一些媒体内容的一些对话训练的话，

他可能会用到这个东西。

当时我们好像这个推出的时候，

还是受到了很大的关注，

非常不错。

对，

我会去下一下，

回去这个点赞一下。

对，

但是那个我们也就是这种大模型去去提取和蒸馏出来的。

因为我如果是自己整理的话，

其实也蛮难的。

因为毕竟它是一个对话集嘛。

你像咱的博客，

可能对话只是说很长的一段的访谈，

但是你变成对话，

但是还是需要去处理一下的。

大家如果关注的话，

也可以去看那个关于工业母机。

这个我还想就是在符号的那个基础上加一点啊，

就是大家做这个工业母机的时候，

可能要额外关注一下这个模型的 license。

比如说 openai 或者拉玛，

其实它对模型生成的内容用来训练新的模型，

其实是有一定限制的。

这方面就是我就不展开了，

就是大家可以去关注一下这方面的一些套路。

对，

说了这么久，

其实我们的话题还是要要回到这个模型的制造上，

对吧？

刚才我们说了有众多办法，

其实现在可以辅助大模型的这个生成训练制这些事情。

但是呢我们总觉得现在可能我们在市场上看到了形形色色的很多的这个大模型。

嗯嗯，

大家有可能像一家的公司跟 open 爱的这些大模型同期做出来。

你可能跟了它整个的一个进展。

但也会发现有很多我们就不点名了。

很多模型可能是近期这几个月突然出现一个大模型这种。

所以在这个过程当中，

你觉得现在市场上的这些大模型，

别管是专用的大模型，

还是很多大厂做的这种我就不点名名了啊，

叫通用的大模型。

它在这个训练的这个挑战还有难度上，

会存在怎样的机会，

或者是会存在怎样的问题。

因为我们现在看起来就突然一夜之间 opena 出出这个东西之后，

一夜之间就出了这么多大模型，

难道他是从土里冒出来的吗？

对吧？

他们都是怎么来的？

然后在这个过程当中，

咱们又遇到了怎样的挑战？

对我觉得这是个特别好的问题。

然后呃我要引用一下那个百度的 ceo 李彦宏说的一句话，

嗯，

啊就是他在讲中国啊在中国重复造大模型是巨大的资源浪费啊，

虽然大家看这个百度很不爽，

觉得，

所以他说你用百度就行了，

是吗？

对啊，

这话如果从铁证嘴里说出来就是特别好的一句话啊，

嘴里说出来就有立场了。

是吧但这句话其实道理是对的啊，

就是我觉得接下来造模型它除了技术炫技之外，

更重要的是解决具体的问题。

所以你会发现在国内现在啊主流的大模型厂商，

其实在主动寻找一些差异化。

我举个例子，

比如说百川，

那百川可能是国内最早开始做啊相对大一点尺度的高质量的开源模型啊，

然后有一些啊这个呃团队，

他可能关心的是啊长上下文。

嗯，

啊有的团队可能关心的是高性能啊，

比如说我用啊，

比如说小米的开源模型，

可能是呃一点几 b 这样的模型。

嗯，

对啊，

就是大家开始逐渐去寻找差异化。

那这个时候我觉得如果找不到自己的差异化，

要么是你在性能层面的差异化，

要么是在场景层面的差异化。

啊，

要么你是在使用的这个训练的数据的合规程度上的干净化。

嗯，

比如说 bloom，就是在非常干净的数据集下，

以非常好好的协议去啊开源的模型啊。

比如说啊百川可能也是国内最早用不同于拉玛一代的那个开源协议，

然后来去放出来的模型。

对啊，

如果你没有这些差异的话，

可能它就是重复造轮子。

对啊对，

这是我们看到接下来可能在接下来一年里面啊，

百魔大战可能依然会继续啊，

不过可能会变得用户更加能感知到啊，

用户会能更加看到啊一些啊，

好像这个模型确实跟我之前看的每一个模型都稍微有那么一点不一样的场景。

那会不会以后大模型就变成了像运营商一样的基础设施？

呃，

我觉得刚刚说工业母机可能全世界只有一家啊，

但是各种各样的小模型，

我觉得全世界会非常多啊。

对，

就是接下来我觉得大模型的趋势就是一超多强啊，

就是呃在这个超级大模型上，

我我觉得全世界可能只有一家啊，

一或者两家啊，

对或者两家或者三家。

但是呃超级大模型一定是非常有限的。

但是很多人会觉得全世界只有几个大模型，

我觉得这就跟 ibm 这一开始说，

全世界有三台计算机就够了，

需要三台。

但但他其实说的是，

全世界只需要三台巨大的中转的机器啊，

它实际上是计算中心。

对，

如果 ibm 说全世界会有三个计算中心，

我觉得很合理。

嗯，

对，

但是全世界会有非常多的个人电脑啊，

所以说我们啊辩证的去看 ibm 当时说的话有合理的部分，

全世界确实可能只需要几个关键的计算中心，

但全世界一定会有无数台个人电脑。

那我一大模型的趋势也是一样的，

全世界很有可能只有几个超级的大模型啊。

超级大模型可能作为工业武器来去供给小模型，

或者支持小模型的训练啊，

然后但是会有无数多的垂直场景的小模型啊，

而且它会找到自己的差异化。

接下来模型就会像一个差商品一样，

它也要找和自己的 productmarketfit。

对，

嗯，

你说的这个 ibm 的这个故事真的挺启发。

我的我是觉得当年有很多话，

在今天的这个时代又被印证了。

一个呢就是 ibm 说的这句话，

世界上有几个几个计算机就够了，

我忘了几个是三个，

是五个了，

五五个是吧？

对我可能忘了，

呃，

反正他说过这个话。

然后呢，

呃比尔盖茨好像还说过一一句话，

就是电脑有三百六十 k 的内存就够了。

好像他们都说过这种，

他说被后来都被印证成哎，

好像随着技术的发展，

往往不是这么回事。

但是在他当时的这个历史条件下，

可能有他自己己的这个道理在里面，

这我们不排除。

但是我回到今天去看今天会不会如果过十年再看我们今天几个人言论发现。

那也很可笑，

有可能哈我觉得非常有可能这个整个领域这一年我们就看到就是大家的认知是天翻地覆的。

就是从一开始觉得哎呀，

你花那么多钱搞几个亿，

然后搞几千个卡训练一个不知道就是干嘛的模型有什么价值。

到现在大家每个人都认可大模型，

非常非常有价值。

我们应该早点这个在这个方向去投入。

我觉得就是随着这个技术的发展啊，

就是大家对这个事情的理解其实是变化的非常快的。

比如说我在实际用 checkgpt 或者说 checkgpt。

四四之之前我其实想象不到，

他现在能被大家玩到这么多应用场景里面。

那后面就是随着这个技术再往前进步，

那我们可以看到说呃，

有很多我们现在完全想想象不到的这个场景会呃被大模型去去赋赋能。

然后呃我觉得大家的认知也会跟着变得非常非常的快。

嗯，

而且我是觉得他们当时说的这个话，

跟当时的呃设备的算力，

还有当时的技术发展也有关系。

比如他说这个三百六十 k 的呃内存就够了，

是因为当年当时八零八八那个芯片，

它的选址范围可能就不会更大了，

是吧？

那可能就够了。

然后说只有五个计算中心这件事情，

也是因为当时去造一台大型计算机的代价和成本还是蛮高的，

因为它芯片没有做到小型化嘛。

然后当通用的芯片出来之后，

我们会发现唉好像在每一加放一个计算机就变成了一个非常合理的事儿。

因为成本下来了啊，

所以到了今天好像又回到了当时的这个情况。

比如现在我们在提混合计算，

或者是呃刚才我们说的这个 aiagency 对吧？

这些东西那这些东西是不是也会像像当年的计算机时代，

信息时代发展一样，

由中心计算变成了混合计算，

变成了我们今天的边缘计算等等。

这些事情会不会也会有这样的一个趋势？

对，

我记得就是微呃，

就是我其实特别佩服这个比比尔盖茨。

因为我小的时候，

我就记得他做过一个预言，