撰文?| 吳先之??
編輯?| 王? ?潘
新舊年交替之間，人們的關注正在悄然變化。
無論是此前炮轟PPT的劉強東，還是張勇從“定”到“進”的轉變，抑或是馬化騰不再相信買量與李彥宏的內部講話，科技巨頭們在年前針對時弊，透露出兩個明顯特征，一個是重視一線工作實態，另一個是著眼于可持續的增長。
1月10日，百度Create AI開發者大會上，李彥宏在演講中用2000年世界人均GDP變化，以宏大敘事講述了一個基本常識：拉動經濟增長的從來都不是風口，而是一次又一次科技革命。
與此同時，這些年不斷有人提及第四次科技革命。
前三次科技革命都有如下共性，即：引發生產資料革命，改變傳統價值鏈，從而提升整個社會效能。眼下，以深度學習算法為特征的第四次科技革命或許已經到來。
從人工駕駛到自動駕駛，從傳統能源調度到智能調度，內容創作形式從PGC、UGC到AIGC，深度學習算法在方方面面加速落地，重構交通、政務、電力、教育、工廠、醫療、金融、文旅、農業等領域的價值鏈條。
科技革命的道路根本不是什么康莊大道，只有一條“獨木橋”，那就是創新，這或許是大廠不約而同轉向增長的內生動因。
盲人與魔方
“科技創新驅動了大的增長，那創新本身，它又是從何而來呢？”李彥宏提出問題的同時，也為行業提供了他的解法，即：反饋式創新。
為了解釋這個抽象的名詞，他在百度Create AI開發者大會講了一個“盲人與魔方”的故事。
科學家把魔方打亂，交給盲人還原，假設盲人每秒轉動一次，復原需要137億年。如果盲人每轉動一次魔方，有人提供一次接近目標的反饋，那么最快兩分半鐘即可完成復原——是反饋讓結果有了云泥之別。
同樣的道理，企業作為創新主體，也像盲人一樣拆解著魔方，在沒有得到正向反饋的情況下，一切創新都將陷入遲滯。因而，李彥宏在大會上才會有如下帶有開放色彩表述：創新不是閉門造車而是有機會進入市場。
較為典型的案例便是百度自動駕駛商業化場景之一的蘿卜快跑。
一年前，蘿卜快跑每個季度都會發布訂單數據，在市場眼中，訂單增長情況通常只是狹義地反映商業化進程。過去五個季度中，除2022年第一季度受到眾所周知的影響外，其余四個季度保持了環比高速增長的勢頭，一定程度上消除了外界對于tobotaxi變現難的擔憂。
對百度而言，訂單增長的價值要豐富得多。在訂單面前，企業就像參與季考的學生一樣，通過橫向對比，從全球同行中完成自我定位。更為重要的是，每一筆訂單就相當于提供了一次正向反饋，當一家企業長期保持訂單規模上的絕對優勢時，那么就能從中獲得最多的市場與用戶反饋，全面感知市場。
聽起來就像人們耳熟能詳的一句俗語：走過的路比你吃過的鹽都多。
李彥宏在大會上提到，北京一位小伙，一年打了600多次無人車的次數已經超過傳統出行方式，成為出行首選。大量社交媒體中，用戶反饋的信息大多希望無人車能夠開到家門口，這意味著robotaxi可能會比傳統網約車，有更多可挖掘的服務潛力。
“司機師傅總能在早晚高峰時，找到讓你位移的理由，而robotaxi只會無限接近你。”
這表明，創新技術驅動的全新場景，并不是只有商業價值這一個維度，而是企業究竟能有多少渠道感知市場反饋，從而完成“創新-修正-創新”的螺旋上升過程。
另一個李彥宏沒有在大會上深入展開的案例是AIGC，眼下它正在顯著改變傳統內容生產形式。
上一次內容市場變革由“兩微一抖”引發，PGC獨霸市場的格局，因為UGC崛起而發生改變，內容去中心化大潮讓兩種生產模式平起平坐。然而無論UGC還是PGC，都只是內容創作主體發生變化，無涉創作本身，而AIGC則直接改變了傳統內容生產形式。
TTV為純圖文創作者提供了“兩低一高”（低門檻、低成本、高效率）的視頻化解決方案；AI作畫平臺“文心一格”能夠滿足個性化圖片的需求。大模型響應需求的同時，也在感知來自市場的反饋信息。
百度大腦是百度AI能夠實現“反饋式創新”的基石。芯片層、框架層、模型層和應用層，為AI應用創新提供了一片廣袤的試驗田。
“反饋式創新”的實質其是本體與客體的交互，回溯歷次科技革命可以看到，創新從理論到實踐的周期，很大程度上取決于規模化與商業化實踐的廣度與深度。
創新應用既要“通”還得“專”
“盲人魔方”是反饋式創新最經典的敘述，然而創新本身是需要長久的耐心與持續不斷的投入才能實現。
如果沒有過去十年，持續投入上千億研發資金，百度不可能建立自己的AI技術架構，事實上，這套由芯片層、框架層、模型層和應用層組成的AI技術架構本身就是一系列反饋式創新的結果。
百度的搜索服務，每天響應幾十億次真實的用戶使用需求，并進行1萬億次深度語義推理與匹配，使搜索引擎能夠提供真實與及時的反饋，從而倒逼大模型、深度學習框架以及芯片的優化。
此前百度所發布的昆侖芯片能夠從一眾AI芯片中脫穎而出，便是仰賴其十年優化的搜索服務所提供的正向反饋。在數實融合的大背景下，百度四層AI技術架構的通用性與專用性有了橫向與縱向的拓展空間。
隨著人工智能技術走向成熟，開發與應用的門檻和成本勢必下降。
例如百度自研的開源深度學習框架百度飛槳，聚集了535萬開發者，服務20萬家企事業單位，基于飛槳創建了67萬個模型，已建立起一個繁榮的深度學習生態。可以將飛槳視為AI時代的OS，開發者可以像搭積木一樣開發AI應用，加速各類場景落地。
此前，人們關注硬件卡脖子問題，而忽略了軟件卡脖子的問題，基于飛槳的大模型大規模部署，讓人們看到了解決AI新型基礎設施自主可控的希望。
在數字經濟與智能經濟時代，基礎軟件自主可控關系到個人與整體安全。一個眼前的案例便是俄羅斯遭受Oracle、Apple、Google等科技巨頭斷供，這場危機所造成的后果完全不亞于基礎硬件方面的斷供危機。因此，軟件層面的獨立自主創新如何強調也不為過。
過去的一年，對于人工智能而言是大模型產業化的元年。由于大模型集成了NLP、CV、ASR與TTS，具備多模態能力，結合多種行業和業務場景的調優，解決了傳統AI應用低效、分散的開發方式，截至目前，百度文心已經累計發布了11個行業大模型。
大模型的通用性，類似于蒸汽機、內燃機以及第三次科技革命中的核反應堆與發電機。而專用性則為人工智能深入產業創造了條件，如同蒸汽機、內燃機、核反應堆與電機在交通、制造、能源領域的應用一樣。
智能交通所創造的價值鏈條將多層次激活實體經濟，如城市交通擁堵所吞沒的成本、傳統擁堵治理徒耗的資源以及不斷增長的人貨流通問題。
除了提升交通效率與節約社會能源成本，李彥宏在會上還預測，智能交通方案可以在2027年以前，讓中國一線城市不再需要限購限行。此外，智能交通所激發的效率革命，還將從微觀上為實體經濟復蘇注入活力。試想，如果解決了擁堵問題，限購隨之松綁，汽車消費市場將迎來噴涌時刻。
困難與凱旋是一體兩面
過去一年，人工智能這條路少不了崎嶇。
哪怕是被寄予厚望的自動駕駛領域，也經歷了一次次認知修正與路線變化。此前業內認為自動駕駛商業化落地會因循L2到L5的線性發展邏輯，然而L3的事故認定悖論，極有可能被L4替代。
L3一邊言辭鑿鑿說要解放駕駛員的手腳，汽車獨立完成幾乎全部的駕駛操作，可是另一邊又要求駕駛員保持注意力集中，以便隨時介入、干預。這相當于在食品標簽上標注一句“產品很營養，要吃得備藥”。
目前來看，L2很可能跳過L3，直接過渡到L4。因而大眾與上汽這類主機廠，才會同時開發L3與L4來規避前者的權責悖論。
智能交通這段曲折之路只是諸多落地場景中的一個，像AIGC版權與權責界定，內容質量不佳、效率提升并不明顯等問題，都預示著人工智能的前途依然充滿挑戰。
對于百度而言，即便AI已過寒冬，但是依然春寒料峭，挑戰無處不在，正如所有美麗的鳥兒，都會經歷破殼時的聲嘶力竭，一家偉大的公司也勢必同時面對困難與凱旋。
