文｜硅谷101
在世界人工智能大会WAIC期间，我们硅谷101从硅谷飞到了上海，采访了百度创始人、董事长兼CEO，李彦宏（Robin Li）先生，就目前市场非常关心的AI议题进行了深度讨论。
很有趣的是，这一轮生成式AI，中国市场的打法和海外截然不同，在硅谷大家开始卷多模态模型和交互，创业企业还侧重infra基础设施，同时市场在等GPT-5来验证Scaling Law的时候，中国市场的“百模大战”已经发展到打响价格战的阶段了，速度比很多人想象中都要早很多。
接下来中国市场要开始卷AI应用了，所以在采访中，李彦宏对中国市场大模型的价格战、AI的To B企业级机会、开源/闭源路线选择、AI超级应用、AI Agent智能体的看法、以及AGI和Scaling Law的思考，都和我们做出了分享。
这是李彦宏2024年首次接受媒体采访，非常难得，以下是我们的对话实录，希望能为大家带来一些新的思考和角度。
01 不可避免的价格战：烧钱不是事情的本质
杨宇东：
我们看到这个很多闭源大模型的API调用的费用越来越低了，而且很多又有开源大模型可以选，所以在这么一个市场的这么一个商业环境之下，那我们很关注，就百度肯定是身在其中，那大模型靠推理这样收费的这种商业模式，它未来成立不成立？以后我们市场再去比拼大模型的话，会比拼哪些点？就是你刚才提到的可能是速度、成本等等的，你怎么看？
李彦宏：
说实话，我们内部不断在思考、讨论这个问题，我觉得价格战几乎是不可避免的，在中国互联网干了这么长时间，其实已经对价格战非常熟悉了，确实他来的比我想象还要更早一点，这么早就开始把这个价格打到了几乎不可思议这种低的地步。
但我觉得某种意义上讲，也不是坏事儿，当你价格足够低、甚至免费的时候，就会让更多人有积极性，来尝试在大模型基础上，去开发各种各样的应用，也就是说大模型对于各行各业的这个渗透速度会更快。
那你都免费了，或者说价格足够低的话，你大模型公司靠什么赚钱呢？我是这样想的，大模型技术的天花板还是很高的，今天我们还是对于大模型的能力，有很多不满意的地方，那我们仍然需要很多非常优秀的技术人员、需要很多的算力、需要很多很多的数据，才能够训练出来下一代的大模型，我们还可能需要下下代，甚至下下下代这种大模型。
所以最终我觉得，大家是要去拼谁的技术更好，你的技术好，你为客户产生了更好的价值，将来你还是能够收到费的。
今天之所以把价格打到足够低，是因为现在模型的能力，其实技术还没有到最好，大家能力都差不多的时候，那行就拼价格呗，谁的价格低就用谁的。
时间长了之后，市场本身会回归理性，那同样的效果，就是当我的成本比你低的时候，你打价格战你肯定打不过我，时间久了之后你就退出了。
这个过程我们在百度网盘上是经历过的，那些年大家在卷网盘的时候，我今天给你10G的免费空间，明天100G，后天给1T，再后天说无限空间永久免费，当你说无限空间永久免费的时候，大家也会说这怎么能够持续呢？这一定是不可持续的。
但是某一段时期，可能有个一两年左右，大家这样不理性的去打价格战，慢慢就一个一个退出，那为什么百度没有退出呢？因为我敢打呀，我的技术、存储成本低，所以最终还是说谁的技术好，谁的效率高，谁会胜出。
陈茜：
刚才说这个价格来的时间比你想象中的早很多，也比我想象中的早很多，这个才一年半的时间，已经开始打价格战了，但你觉得价格战会持续多久呢？可能大家有一些人就觉得说技术不行，没油水我要退出了，可能就最后的市场赢家会浮现出来。
李彦宏：
这个很难讲，现在有些创业公司是玩家，但是也有很大型的这种互网平台公司是玩家，那么烧钱的话，其实理论上讲是可以烧很长时间的，但我觉得，烧钱不是这个事情的本质，本质仍然是谁的技术更好、谁的效率更高，当你的技术好、效率高的时候，你就不怕去打价格战，所以多长时间都OK，最终它会是优胜劣汰的这样一个过程。
陈茜：
你觉得在中国市场会是一个赢家通吃的局面吗？还是说等价格战之后会剩下几个主要的？可能还有一些更小模型这样的生态？
李彦宏：
我是这样想的，这次生成式AI，它是对于整个IT技术栈的一个大的变革，我们一般认为，过去的IT技术栈，就是芯片层、操作系统层、应用层或软件层，就这三层。到生成式AI之后，我们认为IT的技术栈变成了四层，芯片层、框架层（深度学习框架）、模型层、然后是应用层，我认为在每一层可能都会诞生至少2~3个大玩家。
那到应用层的话，可能数以百万计，甚至千万的各种各样的应用都会出来，也会逐步的出现超级应用。当然根据“超级”的定义来看，它是不会很多，可能是三五个之类的。
模型层我觉得也许两三个就足够了，因为最后还是大家比拼的是效率嘛，你的效率如果不够高的话，慢慢就觉得，还不如用别人的，去在这之上，再去开发更多的应用，是更划算的。
所以在每一层其实都有机会，但是不同的层发展规律，需要的专业知识什么的都不太一样。
陈茜：
非常同意您的说法，之前我问Dario Amodei from Anthropic（百度前高管）他也说过，他当时在做语言还有翻译方面的工作，刚刚从斯坦福毕业之后在百度，他说在国际市场，可能最后也就剩四个左右的大模型，因为其他可能都跑不出来，就是跟您的想法非常一致。
02 商业落地：AI企业需求比互联网时期大得多
杨宇东：
你说过，大模型对于B端的影响会超过互联网，你为什么认为，大模型对B端的改造，比互联网对B端的影响更大？
李彦宏：
其实你想一想，互联网对C端的改造，我们都是感同身受的，是非常彻底的，是颠覆性的。
但是互联网对B端的改造，其实我觉得一般般吧，虽然不能说没有，但是“互联网+”其实最后，可能只是一个信息化、或者数据化的过程，用的技术比较简单，产生的增益也没有那么明显。
但是大模型确实不一样，各种AI应用，比如说小说创作，读小说叫做C端，小说创作就可以当做是B端，法律援助其实在帮助律师在提升效率。
我们接触到的一些能源电力行业，生产制造业等等，都有类似的需求，比如说像现在国内电动车卷的也很厉害，车里头对话系统，很多也在用文心大模型，使用量也不小，但是对于百度来说，这就是一个To B的应用，我们不直接提供给用户，它是经过了OEM，经过了车厂，他们的集成之后，把这个应用提供给了终端消费者。
这种事情其实非常多，而且我们就看调用量，如果调用量上的很快，这就说明我们的客户需要这些东西，B端靠着这个大模型，靠着AI原生应用产生了价值。
杨宇东：
最近我跑制造业比较多，你前面说的有些像车企它直接调用了，直接把文心一言或者大模型调用了，在制造业里面，很多企业家说，我们觉得未来AI对于我们高端制造业，智能制造显然是重要的价值，是一种革命性的突破，但是一直就搞不明白，比如说通用大模型，和我自己的行业垂直领域，垂直大模型，它将来到底是什么样的关系，你说的OEM，他们也希望，到底是什么样的供应商，和你们这样平台型的大厂商之间，形成什么样的业务链条，这个问题是制造业，尤其是先进制造业特别关注的。
李彦宏：
这个问题确实很重要，实际上大模型在各个垂直的场景里怎么用，我们也经过了探索过程，最初我们的想法是，我把基础模型做得越来越强大，大家叫通用人工智能（AGI），在什么场景我都能做得很好。
后来发现这件事情没有那么容易，每个场景都有它自己的道，而且要求也不太一样，有些地方，大模型思考两分钟再给结果也OK，只要给出来的结果是准确的、是全面的就可以了。但是有些场景，如果你一秒钟不出结果，用户就放弃了，所以这两个场景对大模型要求是不一样的。
今天即使是最强大的模型，还不能做到反应又快又准，所以当应用场景需要反应快的时候，我们需要更小的模型，它由于没有大模型通用的能力，所以在垂直场景当中，还要对它做精调，就是做SFT（监督微调），把你行业的数据灌进去，再经过各种各样的调教，在这个场景里的效果，能够跟大模型相比差不多。
类似这种场景，我们也见了很多，去年10月份，我们发了文心4.0之后，主要精力在做什么呢？根据最强大的模型，去裁剪各种体量的小模型，比如说十亿量级的模型，百亿量级的模型，千亿量级的模型。
这个模型也许擅长角色扮演，那个模型也许擅长逻辑推理等等，根据客户的不同使用场景不同的要求，出来各种各样的模型。
这些模型的大多数速度都比文心EB4要快，推理成本比它要低，所以这种应用是大家更爱用的。
即使到今天，我刚才讲的5亿的调用量，调用量最大的，一定不是最强大的模型，大家都觉得，反应太慢了，成本太高了。
但是随着时间推移，成本会下降，反应速度也会提升，比如说前几天刚刚发布EB4的Turbo，Turbo就是在EB4的基础上，效果有提升，但更重要的是，响应速度比以前快了很多，成本下降了很多，因为什么呢？
我们发现真正的市场需求，是要求你响应速度一定要足够的快，成本一定要足够的低，这样我才能用起来，至于说下一代的大模型，到底有多强大，在哪些场景能够用到，那是我们会继续去探索的过程，但是今天你要看市场需求的话，规模更小一点的模型，市场需求量是更大的。
杨宇东：
帮我们介绍一下，大模型在B端的应用比较成功的商业案例，或者是商业模式、产品形态。
李彦宏：
除了我刚才举了小说创作，还有比如电商的数字人直播，通过大模型来生成直播的话术，很多数据人不容易记得特别清楚，比如说我要卖一个营养品，这个营养品在哪一年，哪一个大学，哪一个教授做了多少实验，实验出来之后结果是什么样子，让自然人去记这些东西，他记不住的，但是这些数据恰恰能够很好的说明，这个产品到底有什么作用，这些东西靠数字人把它表达出来，靠大模型把它生成出来，很多时候比真人的直播效果反而要更好，几乎任何一个行业，我们都可以取出来类似的东西。
陈茜：
现在企业们，他们对AI调用成本怎么去看？我们帮企业去算一下账，我花100块钱，买各种各样的AI服务，我可能要乘以五，我要赚500块钱，我的商业才能跑得通。现在企业们是否会愿意去为AI去付费，你在跟一些企业客户交流的时候，他们的态度是什么样子的？
李彦宏：
这个问题特别好，当你处在市场经济环境当中的时候，这些企业其实是非常理性的，尤其是中小企业，它账是算得非常精的，如果这件事情能够让我降本增效，能够让我赚到更多的钱，那我就会用它，如果不能，你再吹破天，我也不会用。
其实市场会告诉你，大模型到底有没有用，我们看到调用量的迅速提升，确实是因为在用户侧，在客户侧，它为这个企业确实产生了降本增效的作用。
我再举个例子，比如招聘场景，雇主要找一个具备什么技能的人，对于技能的描述，它可以是千差万别的，在这种情况下，用大模型去理解这是一个什么人，理解老板要招什么样的人，去进行匹配的话，大模型的效率就会高很多。
过去是HR坐在那，一份一份简历筛查，然后一个一个人去面试，面试100个人，最后筛出来10个人来，这个效率是非常非常低的，但是大模型进来之后，它可以非常明显的去提升这方面的效率，有了这样的场景之后，你去算一算模型的推理成本，其实几乎是可以忽略不计的。
尤其在国内，现在大模型价格战是非常厉害的，所以像一些比较轻量级的模型，百度的轻量级模型都是免费的，这个免费不仅仅指的是模型免费，实际上算力也送你了，你本来要有电脑，我得要有带宽等等，这些都没有了，你只要来用就好。
陈茜：
后面的推理也很便宜是吗？
李彦宏：
推理是免费的。
陈茜：
有一个比较好奇的问题，在SaaS时期，在互联网时期，SaaS在中国To B没有做出来，为什么您会觉得在AI时期，AI as a service可以在中国做起来呢？To B方面的话。
李彦宏：
我觉得在SaaS时期，之所以没有做起来，更多的是因为，比如像互联网大的平台，它既做了To C的事，也做了To B的事。
像在美国的话，每一个商家都有一个自己的电商网站，用户也可以到它网站上去购物，在中国的话，大家都到电商平台去购物，商家所需要的To B能力，电商平台都替他做了，所以他不需要这种东西了，但是在美国的话，你自己比如说你要建立一个自己的网站，上面要能够卖东西，要有各种各样的这种功能，要对自己的用户进行了解，那是需要做很多投入的。
所以在某种意义上讲，其实中国并不是没有这样的需求，而是说这些需求，被更大的平台所满足掉了。
但是在AI时代，我觉得情况又发生了变化。刚才也讲了，它不是从0到1的、大家过去从来没有见过的这个业态，它先诞生的恰恰是对于现有业态的一个增强，所以当现有业态被增强效率越来越高的时候，他可能就更能够抵御，类似于互联网平台这样的公司，对他的这种业务的侵蚀，所以这方面我是我倒是觉得，AI的这种ToB的需求，在中国会比互联网To B的需求要要大很多。
03 开源vs闭源：大模型商业化路径的选择
陈茜：
在国际上对开源闭源大家也争论的很厉害，比如说马斯克他喷OpenAI， 说你这么闭源，你要不然就叫CloseAI好了，我们看到马斯克的xAI也开源了，Meta的Llama也是开源的，为什么你对闭源这么坚持呢？
李彦宏：
我觉得开源其实是一种智商税，你仔细想一想，我们为什么要做大模型？它能够有应用，这些应用在各种场景下，能够为客户为用户提升效率，降低成本，产生过去产生不了的作用。
所以当你理性的去想，大模型能够以什么样的成本，给我带来什么价值的时候，你就会发现你永远应该选择闭源模型。
今天闭源的无论是ChatGPT也好，文心一言也好，以及各种各样的模型，你看一下它的平均水平，一定是比开源模型要更强大的，它的推理成本它一定是比这个开源模型更低的。
尤其在国内的话，我们连算力都送你了，所以当你想要一个开源模型的时候，你得把这个模型拿过来，根据你的场景去做这个SFT（监督微调），很有可能还要做这种安全上的对齐，就是哪些风险要去进行规避，你还要根据自己的场景，去准备各种各样的数据，去一轮一轮的去迭代，最后刚才说的买算力，你要把它放上去，由于是你自己独有的一个模型，你还没有办法，跟别的应用去共享这个算力，最高峰的时候用多少，那就要准备多少算力，这个是非常非常不经济的。
反过来你用闭源的模型，算力可以和大家共享，这些个能力在同等的参数下，闭源模型一定比开源模型的量更强，那同等能力下，由于闭源模型可能参数规模会更小一点，它的推理成本就会更低。所以长久来看，我觉得闭源模型，它使用一定是非常大的比例，会超过开源模型。
当然，我也不能说开源模型没有存在的价值，从学术研究的角度，你是一个科学家，你想研究大模型的原理是啥，因为业界其实也一直在抱怨就是说，大模型的不可解释对吧，你怎么解释大模型为什么会具有这种能力，或者说你是一个高校学生，你想学这些东西，你想拿来练练手，那开源大模型我觉得有它的价值。
但如果你是一个企业，要的就是大模型能够带来价值上的增益，你只要一算账，就会发现开源模型是没有机会的。
陈茜：
我看百度是用的公有云的方式对吧，就是闭源大模型，但再加一个公有云，上面有集合了不同的闭源和开源的模型，供客户去调用，那我看比如说亚马逊云科技，还有微软他们其实也是采取这样的一个方式。所以百度本身大模型闭源加公有云，你对这样的一套的打法，对企业的客户来说有什么考量吗？
李彦宏：
我觉得ToB的客户要选择一个模型，对他来说性价比最好的，一方面模型要对他的这个应用能够产生价值，另外一方面就是成本要足够的低。
很多时候就是你看着有用，一算成本不划算，那么客户就放弃了，这是为什么我刚才讲，开源模型打不过闭源模型，你只要理性的去看待，你的收益是啥、成本是啥，你就会发现，最好还是去选择闭源模型。
当然，闭源模型不是一个模型，它是一系列的模型，根据你的使用场景，你去平衡一下，到底要多好的效果，要多快的推理速度，要多低的成本，所以我的模型非常多的变种，可以根据用户的需求，让他来选择。
而这些相对来说规模更小的模型，都是从最大最强的模型裁剪出来的，这也是我觉得开源模型不具备的一个优势，当最先进的模型是闭源的时候，我根据闭源往下去裁剪，裁剪出来一些规模更小的模型，仍然比那些同样规模的开源模型效果更好。
我们也看到一些参数规模比较大的这种开源模型，其实这个就更没有道理了，当规模越大的时候，你会发现他的推理速度变得更慢了，如果不在乎推理速度的话，你就用最强大的闭源模型，那它效果一定是更好的。
而且参数规模越大意味着什么？意味着对算力的消耗也越大，也就是说你得准备更多服务器，来伺候这个大模型，其实这东西是根本不划算的，越往上走，越应该去共享这个算力，这样才能算过来账。
所以我觉得大家只要是不是在那儿坐而论道，而是真的说，我对模型有需求的时候，你就会发现几乎是无需思考，不可能去选择开源模型。
04 AI超级应用：AI时代不再卷日活10亿？
杨宇东：
由ChatGPT掀起的热潮已经一年多了，你也曾经表达过，接下来超级应用什么时候出现。我们看到国内面向C端的大模型产品形态，看起来差不多都是搜索框问答这种模式，你怎么看？有没有可能产生一种差异化的竞争？什么样好的产品会出现？
李彦宏：
准确的讲，我倒不是一定在等待一个超级应用的出现，我更觉得在基础模型之上，在大模型之上，应该能够诞生数以百万计的、各种各样的应用。
这些应用有些是很小的领域，大家可能不太容易想到的应用，但是它对于那个领域的问题，解决得就比以前好很多。也有可能是用户量庞大，用户使用时长非常长的，类似于移动互联网的超级应用。
确切的讲，我觉得现在还没有看到，能够比肩移动互联网时期超级应用的AI原生应用，但是已经看到，越来越多、各种各样场景，尤其是ToB（对企业）场景，利用大模型提升效果，提升效率，产生更多的收入，或者说能够节省更多的成本的情况出现。
尤其是今年以来，我们看到在各个领域，各行各业都有AI的应用场景出现了，它的出现使得我们大规模节省了人力成本，或者是效率大规模的提升，也许对于投资者、创业者，他们没有觉得这个东西很令人兴奋。
因为大家都在想，我能不能有一天，从0到1做出一个人们想也没想到过的东西，变成一个DAU（日活用户）10亿的超级应用，这个当然很重要，假以时日也一定会出现，但是目前已经看到的，甚至是更重要的是，大模型在各个领域、各个场景的应用。
这方面从百度文心一言的日调用量来看，已经是非常明显了。我们在4月份的时候，曾经公布过一个数据，文心一言的调用量，每天有两亿次，到最近一次，前几天我们在公布的时候，文心一言调用量已经到了5亿次，也就是说两个月的时间，调用量翻倍。
调用增长背后意味着什么？意味着它在给应用产生价值，因为没有价值的话，人家也不会花钱去做这种调用。所以这种增长速度，还是非常令人兴奋的。大模型对于实体产业，对于各行各业的提效降本这些作用现在已经非常明显了。
杨宇东：
你更多是谈到了在垂直的行业，我们想百度还是有很强C端基因的公司，作为一个普通的消费者和使用者，我们也想请您聊一聊，C端用户会有什么样很好的场景？包括我们说端侧，甚至最后手机上的APP，可以被手机硬件去调用，而不是经过一个APP，这个你怎么看？
李彦宏：
我觉得分两类，一类是大家比较关注的，过去从来没有的应用，现在比较流行的，类似于ChatGPT这样的，我们把它叫做ChatBot（聊天机器人）。
国内每一个大模型公司，都会推出一个相应的APP，或者是网站来做ChatBot，它的作用也比较明显，如果你有一个很具体的问题，丢给它的话，它就会给你一个还不错的答案，而且准确率也越来越高了，很多人逐步的对这种ChatBot产生了依赖。
对于现有的这些ToC（对消费者）的应用，其实它信息增益作用也是非常大的。我们在4月份的时候，公布过一个数据，就是百度搜索，今天有11%的搜索结果会由AI来生成的，这个比例还在不断的提升。
也就是说，现有大家比较常见的应用，其实也越来越多的，在被大模型、生成式AI所改造。
另外一个例子，比如说百度文库，过去是一个大家在上面找现成的文档，比如中学老师要备课了，初中的物理课，他要找一找人大附中的老师，最优秀的老师，他的教案是什么样子，去找现成的文档。
今天百度文库经过大模型改造之后，已经更多的变成了，生成式AI这种应用，也就是说，不管你想要产生什么样的文档，是PowerPoint，是论文的格式，还是什么各种各样的，甚至是漫画这样的，它都可以根据你的要求来生成。
而且不仅它的用户量比较广，这个产品它是收费的，今年以来已经有大约2600万付费用户，你如果说用超级应用的标准来看的话，它也没有到超级应用的水准，但是你要是看它实际产生价值的话，有那么多人愿意为这个产品付费，那还是很厉害的。
这些产品都是过去已经存在的，只是说你经过了大模型的改造之后，它的能力跟以前完全不一样了，人们对它的认知也在不断的迭代，不断的在加深。
杨宇东：
因为它能力的提升，大家更愿意付费了，而原来只是免费搜索。
李彦宏：
是的。
陈茜：
我特别同意您最近在多个场合强调的，去卷AI的原生应用，这样的话，大模型才有意义。同时我也有一点小困惑，比如说OpenAI它的GPT-4，在8个月之前就推出来了，当时大家都会觉得，AI应用时刻要爆发了，但是8个月之后的今天，我们看到还没有爆发，可能很多应用出来也不太尽人意。
最近最火的Perplexity，这个AI搜索现在是2000万美元的ARR（年度经常性收入），2000万用户的量级，其实也还没有到所谓的Super app（超级应用），或者是killer app（杀手级应用），所以我的问题或者疑惑在于说，如果基于GPT-4的模型能力，是不是我们现在还没有到去卷应用的时候，这个时刻还没到？
李彦宏：
刚才你提到了GPT，以及perplexity，还是我刚才说的第一类，过去从来没有过的东西，它是从0到1去做的。
超级应用确实现在还没有出现，即使是ChatGPT的话，它的DAU也没有过亿，还算不上一个真正的超级应用，但是对于现有产品的改造，无论是中国也好，美国也好，我们都看到了实实在在的增益。
比如美国的话，微软的Copilot，它已经收到了很多付费，美国更多的是ToB（对企业）的行业，Palantir、Snowflake这些，都是通过软件被大模型、被生成式AI加持了之后，他们的业绩得到实实在在的增长。
所以从这个意义上讲，大模型应用其实已经逐步在浮现出来，它对于现有业态的改造作用，比从0到1颠覆，作用更早到来、更明显，甚至我觉得也能够创造更多价值。
以前Satya（微软CEO）说过，他说过去互联网叫做AutoPilot，意思就是，你自己就都把这个结果给弄出来了，现在的生成式AI叫Copilot，它实际上是人和机器共创的过程。
这个过程一开始大家觉得没有那么性感，但是它对于人的工作效率的提升，对于成本的下降，对于打开新的可能性，产生的促进作用，其实是比那些从0到1的应用，反而要更大。
如果仅仅是从0到1，你可能会希望出现某几个Super app，那它也就是公司从中受益，但是今天几乎各行各业所有的公司，被大模型加持之后，它都能受益，这种影响力，对于整个社会，对于人类来说，无疑是更大的。
只是大家好像觉得，这个东西我以前见过嘛？所以没有那种新鲜感，或者他更多诞生在生产力场景，他的受众群体，或者单一应用受众群体，不会过亿、过十亿那样，尤其在C端，在公众层面体感没有那么集中，这是大家现在一直想找一个Super app的原因。
杨宇东：
你的问题是挑战Robin，Robin说要卷起来，你说怎么没看到卷，我总结下来，我的感觉，听完Robin讲完之后，我就知道了，我们理解的超级这两个字，在Robin概念里面，一个是数以百万计的应用已经开始起来了，第二个，所谓的超级反而是在垂直的，在一些局部的领域，它有非常显著的加速度或者是增益。
陈茜：
或者是“超级”这个定义在互联网时代跟在AI时代是不一样的。
李彦宏：
是不一样的。在互联网时代可能是某一个单一的从0到1，或者是到100这样的应用，今天所谓的超级应用，它是对现有场景的一种加持，这种加持还在早期，我必须得承认，它逐步会改变现有产品的形态。
我再举一个例子，小说创作、网文，这个在国内是特别火的行业，过去就是人肉，靠自己的能力、想象，不断的去更新一篇文章，或者是一个小说，这个效率是很低的。现在有了大模型的加持，基本上有一个构思，它就会给你相应的文档，你给的再丰富一点，它就生成的再丰富一点，你说文风太温柔了，要不要强悍一点，根据你的想法，它可以不断的去调整。
这样的东西，在用户看来，我仍然在读一篇网文，在读一篇小说，但是这个小说的生产成本生产效率，它的内容丰富度，可读性，优良率等等，都是跟以前不一样的。所以这样的例子，其实我们在几乎任何行业都能够看到。
05 AI Agent智能体：门槛一定要够低
杨宇东：
我们前面聊的总结一下叫卷应用，接下来还有一个关键词叫智能体，你说过好多次，AI时代最看好的是智能体，但是目前来看好像也没有特别强大的爆发。你为什么认为智能体是AI时代未来的趋势呢？
李彦宏：
我觉得智能体正在爆发，只是说它现在基数还比较小的时候，大家的体感没有那么强烈，但是你要看业界大模型公司，都在做智能体，业界这些意见领袖，基本上算是共识，一般大家都会说，我看好智能体。
智能体为什么代表未来？基础模型它本身是需要靠应用才能显现出来的价值，智能体就是，一个几乎可以放之四海而皆准的、基于大模型的应用。
什么意思呢？根据我自己的场景，我设定一个角色人设，我连编程都不用，我只要把我想要做的事情跟它讲清楚，当然有时候要把自己的私有知识库对接进来，或者把自己做事情的套路给它说清楚，这个专业术语叫做工作流，把工作流套进去，它就是一个非常有用的、跟基础模型不一样的东西。
今天不能说所有，但是大多数AI的原生应用，你用智能体的方式都可以做出来，做出来之后效果也不错。
由于它的门槛足够低了，可能你连编程都不用编，就可以做出来一个效果不错的智能体，就意味着越来越多的人可以做出他想要的智能体。
这个有点像什么呢？有点像90年代中期的时候，互联网的网站，这个网站你可以把它做得非常复杂，当时比如说雅虎也是很厉害的网站，但是仍然在学校里读书的大学生，他也可以做一个自己的HomePage，他把他常用的几个网站链接链在那，比如说Java学习攻略这些东西，做几个链接，就是他自己的网站，其实很简单。
由于做网站很简单，所以在90年代的时候，从中期到末期，就是诞生了数以百万计的网站，这种大浪淘沙，最终会出来一些非常优秀的网站，像Google、Facebook，这当然是若干年之后才出现，但是早期看的话，你可能看到的都是，这些网站怎么都是乱糟糟的，一个大学生就能做一个网站出来，这有啥价值呀？
但是你必须得门槛足够低的时候，让更多人进来，他们发挥聪明才智，指不定哪条路跑通了，它就是一个Super app，这就是为什么，我觉得智能体代表未来，我特别看好的一个新兴的业态。
陈茜：
智能体AI Agent它是特别重要的概念，包括在美国硅谷也是这样的，在业界大家对AI Agent，它的定义还是有一点不同的探讨，我看到有些人说，比如说GPTs，也都是一些智能体，有些人会说，可能更加高级一点的Agent才算智能体，我的Agent要调取不同的工具，要成为一个虚拟世界的机器人，它可能才叫Agent，你对Agent的定义是什么样子的？
李彦宏：
我首先要考虑这个门槛要足够的低，就一个小白，比如说大一的学生，他也可以很方便的能够制作一个智能体出来。
当然在此之上，可以有各种各样比较有趣的玩法，刚才你讲的调用工具、反思呀、长期的记忆等等，这些能力会逐步的加进去。
这个跟90年代时候的网站诞生过程，也有类似之处，我们一开始的网站，都是很简单的，后来我可以用Java把一些动态的东西放在一个网站里，再后来我可以加上cookie，这样从一个网页转到下一个网页的时候，我还记得上一个网页你干了什么，这些东西在早期的时候，网站生态里头是没有的，但是一旦有越来越多的人在生产网站，技术就会跟进说，你有什么需求，我去解决你的问题。
Agent是一样的，不是说用了最先进的，刚才讲的这些能力之后，它才叫一个AI Agent，我反而觉得我们要把这个门槛降的足够低，让大家觉得说，我也可以搞一个AI Agent，进来之后随着时间的推移，随着你遇到新问题，解决问题的过程，会把各种各样最先进的技术用进来。
说实话，我认为现在AI Agent用到的这些能力，仍然是非常初级的，未来还会产生我们今天想也想不到的Agent能力。
但是这些能力的诞生，反而要依赖数以百万计的开发者，去开发各种各样的应用，在他们使用的过程当中，产生新的需求，这些需求被解决的过程，就是一个创新的过程，就是AI Agent进化的过程，这个我还是非常期待的。
陈茜：
百度有什么比较有意思的AI Agent的案例可以给我们分享一下吗？
李彦宏：
有很多，国内高考是一个非常大的事件，不仅是学生，还有家长都非常重视。过去大模型在干什么事呢？高考有个作文题，我们用大模型来写一个作文，看它能得多少分。
其实你想一想，这个东西在哪用呢？不可能让考生带着大模型去参加高考嘛，但是高考完了之后，你要估分，你要报志愿，你要选择学校，你要选择专业，可能有人在乎说，这个宿舍里头，一个宿舍要住几个人，那个人在乎这个学校有没有游泳池，或者说哪个专业更适合我未来发展，每个人的情况都是不一样的，每个人的问题也都是不一样的。这种情况下，哪有一个全能的辅导老师可以告诉你说，你最适合的是哪个学校哪个专业，但是AI Agent就可以干这个事情。
所以过去大家来百度或者到其他地方去搜索，都是找世界上已经存在的内容，他没有专门为这个人、这个时刻、这个地点、这样的环境生产内容。
而今天的AI，尤其是智能体，它就可以做到，你告诉我你是什么情况，你的情况可以不用一句话就说清楚，你用十句话也可以，我都记得，这样的例子非常非常多。
陈茜：
而且它会非常个人化的给你很多的规划，包括我看到你们跟新加坡旅游局也是有合作的。
李彦宏：
是的。你自己消费水平是多少、有多长时间、有什么喜好、爱吃什么、不爱吃什么，每个人都是不一样的，它可以完全根据你的情况来生成你要的答案。
06 AGI与Scaling Law：值得长期奋斗的信仰
杨宇东：
我们说Scaling Law，以前大家都觉得没问题，但是最近开始不同的声音出来了，那确实我看很多行业，做一些速度更快，效率更高的小模型，那Scaling Law会不会这么快又被颠覆掉了？
李彦宏：
Scaling Law本身可能还会有若干年的生命周期，但与此同时的话，就是在此之上会叠加出来各种各样的创新。
刚才讲的智能体、它的反思能力、它的进化的能力等等，其实跟Scaling Law已经有点分离了，它是两个路线在发展，但是它仍然是基于Transformer这类大模型在往上在做。
那未来再过一两年，还会出现什么新的技术创新，在此基础上再去叠加，我们也不知道，大家都在探索。
换句话说，我觉得Scaling Law短期之内倒不会被颠覆，但是在Scaling Law之上会叠加出来很多很多、现在还无法想象的创新。
杨宇东：
你个人认为AGI实现的标准是什么？还有哪些路径可以让我们更快的去通向AGI？
李彦宏：
我觉得这个问题确实业界没有一个标准答案，以前大家觉得，通过图灵测试就实现AGI了，实际上现在大模型已经通过了图灵测试，但是人们所说的AGI，其实大多数时候已经不是只通过图灵测试。
那什么叫AGI？在我的心目当中，AGI就是说是机器、或者AI，它能够具备人在任何场景下所具备的能力，就是general intelligence（普遍能力）是通用的，我不管在什么场景，我的能力都是跟人是一样的，这是一个很高的要求。
其实今天你看像我们做这个无人驾驶，做了有11年的时间了，仍然不能说这个技术成熟，它还是只一个专用场景，AI都做不到非常成熟，你不能容错的话这个就不行了。
所以，真正要实现AGI，我认为确实是还需要很多很多年。但是业界有人说AGI可能再过2年，或者5年就能实现，但是我自己的判断是10年以上，也许10年，也许20年，也许更长的时间。
我们听到很多人在讲，AGI是一种信仰，当你把它当做信仰的时候，谁的信仰会明年就实现？这是自相矛盾的。如果是一个信仰，它就是值得为之长期奋斗的目标，啥叫长期呢？但是如果连10年都没有的话，不能把它叫做信仰。
陈茜：
太容易了就不能叫信仰。
李彦宏：
对呀。
陈茜：
现在大家其实都在等GPT-5，但是GPT-5一直在延后，所以我在周围听到的担忧的声音也是越来越高，就怕说比如说5~10万亿这样的参数加上去，但是最后大家发现它的效果并没有跃升这么多，是不是会打击一些人们对Scaling Law的信仰，可能我们的AGI没有办法用Scaling Law的这个方式去带我们去实现了，你对这个有担忧吗？
李彦宏：
我不是很担心这件事情，我觉得大家应该更关注应用，而不是关注基础模型，某种意义上讲，基础模型迭代速度稍微放缓一点不是坏事，就是今天的这些应用的开发者，他有一个相对稳定的base（基础），来开发应用的话，其实是效率更高一些的，如果模型天天在那儿练，他每天都要重写一遍过去的这个代码，那是很累的。
但是在现有基础模型基础上不断的去做微调，去做一些渐进式的迭代和和创新，其实你看到它是一直在发生的，无论是OpenAI不断在推的东西，还是我们百度的turbo模型、更小量级的模型等等，都是在根据市场需求做迭代。
但是长远来讲，我确实认为下一代的大模型，一定会比现在这一代模型强大的多。什么时候推出来我不是很着急，我觉得应该多看一下真实的市场需求是啥，然后我们下一代模型迭代的时候，根据市场需求来迭代。
如果我们认为AGI 10年都达不到，下一代模型离AGI其实还有很远的距离，也就是说他有他擅长的、也有不擅长的地方，如果擅长的恰好不是市场需求的，那这个意义是不大的，如果他不擅长的恰好是市场需求的，那我们浪费了很多资源，去做一些不该做的事情。
这是为什么我更关注应用，我想知道市场上（的需求）。比如说我是一个卖车的销售，我用什么样的话术，能够说服进店的这个人来买我的车，而不是说我怎么能够考过高考数学。这就是市场需求，当不是很清楚的时候拼命往前跑，去做一个名义上更强大的模型，其实很有可能是会走弯路，是浪费资源的。
陈茜：
我非常同意，那你觉得接下来大家在卷应用之余，会不会开始卷一些中小模型，比如说国际上Mistral这样的中小模型，也是受很多开发者欢迎的。那接下来你觉得百度在对于中小模型上，还有一些模型蒸馏上有什么样的这个策划？
李彦宏：
我觉得我们看到的真实需求，确实在绝大多数情况下都不是最大的模型，它都要求这个模型变小，变小意味着什么？速度快，成本低。比如说我干这个事儿，总共能够给我带来每年100万的增益，我一算，最大的模型要120万的成本，那我肯定不干了嘛。
那我给你这个大模型公司提的要求，就是说你能把成本给我降到80万，甚至降到8万，那我们就得想，怎么最强大的模型蒸馏到足够小，也就是成本足够足够低的时候，仍然能够满足你这个场景的需求。
我觉得这一方面，闭源模型仍然有优势，因为闭源有最强大的基础模型，那他根据这个模型蒸馏或者裁剪出来的小模型，会比那些开源模型蒸馏的会更好。毕竟你的基础没有人家好，做出来的东西在竞争力上也会显得劣势。
所以这方面我们看到真实的需求确实是非常非常多的，我们也觉得这方面的机会，仍然在闭源不在开源。
以上就是我们与李彦宏的采访内容，这次采访其实对我个人理解市场很有帮助，因为这让我理解到，企业家是如何去思考大模型商业化落地这件事情，特别是在大厂们容易各种卷的中国市场。
当全球的生成式AI公司们，无论是科技巨头还是创业公司，都耗费大量资源、算力、金钱和人力去押注“Scaling Law是人类未来发展的正确途径”的时候，总是有种声音在提醒我们，我们需要算账，这件事情如何以更经济、更合理的方式去发展。
飞往上海采访李彦宏的前一个周末，在硅谷的一个聚会上，一位资深人士给我算了一笔账：
全球芯片用于AI上的支出是4000亿美元，这相当于1.1万亿美元的数据中心支出，如果我们要求 25%的ROIC（投资资本回报率），这相当于企业们需要产生1.4万亿美元的成本节省。
1.4万亿美元是全球技术工人工资的5%，全球总工资的3%，也是全球EBIT（息税前利润）的5%。或者，如果我们假设利润率为50%，则需要企业们用AI去创造2.8万亿美元的收入，即全球上市公司收入的3%，或全球GDP的2%。
这样算起来的话，是不是可以说，以现在的投入量，只要AI能让全球企业们创造2.8万亿美元的收入，那么发展AI这笔账就是能算得过来的，到底什么时候能打平这笔帐呢？
反正我看高盛是预测，生成式AI可能会在10年内推动全球 GDP 增长7%，也就是接近7万亿美元，并将生产率增长提高1.5个百分点。
所以，你会怎么去算AI发展的这笔帐呢？