从"数据智能"到"人造智能"：产业实践者的观察 - AI发展经历了三波高潮和两波低潮，"人造智能"比"人工智能"更贴切地描述了AI的本质 [2] - AI发展长期以拟人、类人为方向，如棋类博弈，科学家从人类身上提取高度抽象特征塑造了今天的AI [2] - 人类需要从AI中重新学习被抽象化的精华 [2] AI发展的三阶段启示 - 吃透规则：精研行业规则，在规则范围内把事情搞清楚，如五子棋程序的核心是掌握有限规则 [3] - 多想几步：深蓝能推演12步远超人类的10步极限，工作中预见问题并准备方案的人更容易脱颖而出 [3] - 笨鸟先飞：AlphaGo通过自我对弈和强化学习超越人类，体现持续进步的力量 [3] 大模型时代的核心挑战 - AI的注意力机制通过多头注意力和混合专家模型实现高效信息处理，人脑功耗仅二三十瓦而英伟达显卡高达4000瓦 [5] - 机器模仿人脑有一百倍提升空间，摩尔定律将驱动快速进步，未来比拼的是对数据的理解而非计算速度 [5] - 医学影像识别中AI准确率达95%-97%，人类专家准确率92%-93%，未来趋势是人类后发制人与AI协作 [6] 大数据应用的核心构成 - 数据、机器、人是大数据应用的三个关键要素，人对场景的理解能力永远不会过时 [7] - 过去一个产品经理配七个程序员，现在可能只需配半个程序员，纯技术实现环节变得次要 [7] - 知识层级演进从数据变信息到知识变智慧，AI时代能力递进从聊天交互到组织者 [7] 未来职业选择 - 未来职业应选择AI难以替代的底层学科如物理、数学，或成为AI时代的组织者 [9] - 编导类工作的价值将凸显，其核心在于创造力，执行层面事务将交给AI [9] 未来路径：端云协同与开放生态 - 未来AI应用关键在于端与云协同，形成"云派"和"本地派"两大技术流派 [10] - 企业投入意愿与市值规模挂钩，国产算力本地部署成本高达五六百万 [10] - 自研低成本设备将671B参数模型塞入，但存在输出缓慢和处理能力有限的问题 [10] 大模型应用落地的经验 - 数据质量至关重要，模型存在"老实学生综合征"，会天真引用输入信息 [11] - 高质量提示词工程和个性化数据积累是关键，模型能力走向平权但数据价值永不平权 [11] - 私有云成本高昂，公有云怕数据泄露，中国互联网生态面临封闭还是开放的选择 [11] 生态开放：AI发展的必然选择 - 中国不必完全复制美国开放互联网模式，需找到适合国情的开放路径 [13] - 构建通用技术层如AI SDK，降低接入门槛 [13] - 共建开放应用生态，由主管部门牵头确立技术标准 [13] 行业共生：边界感与多元化 - 基础功能服务如天气查询、日历能穿越周期存活，满足用户刚性需求 [16] - "摩卡"概念将多模态服务卡片嵌入对话流，形成"全能Agent"和"边界感"两种路线 [16] - 未来智能生态需要明晰的价值边界与协作精神，避免大模型包办所有功能 [16] 大模型开源与创业机会 - 大模型开源带来AI行业的Linux时刻，专注于做AI时代的操作系统内核 [17] - 四层创业机会包括OS层、生产工具层面、垂直应用和超级IP层 [17][18] 未来智能生态的基石 - "云-边-端"相结合是未来智能生态的基石，分层部署按需融合 [19] - 众筹云由十数家企业联合共建共享算力池，平衡成本、性能与数据主权 [19] - 用户需要"看得见的安全感"，物理掌控感比理论安全更重要 [19]