2275
我们的读者用户中，最大的年龄带是36-45岁，占比超过1/3；此外45-60岁这个年龄带，占比亦有25%。可以说，和我们日常聚在一起的，基本是拥有一定阅历的成年人。
即使如此，仍不得不说的是，包括我们在内，对当中大多数人而言，就当前世界所处的经济周期，几乎均是匮乏经验甚至较为迷茫的。
有人说，这个时候，应该去读历史，周期总是重复韵脚，答案都在其中。也有人说，这个时候，要走更远的路，穿过更多的城镇街道，走出国门看看多元的世界，开放的眼界将带来破题的灵感与全新力场。
总而言之，无论读书还是走万里路，核心在于：以一种更开放的心态，去感知历史与现实的温度，是我们处置未来预期，最务实的一种做法。
当然，除了内求之外，我们还必要对对未来几年一些确定性的时代主线保持足够敏感，这对于投资尤其重要。这一点，就需要诉诸于产业深处的人群，聆听并观察他们的实践。
比如，在上周举行的腾讯科技Hi Tech Day上，一些观点，值得分享。
算力是绝对意志
此次活动中，国资委科技强国智库专家委员会主任、中国科学院教授廖奇为发表“中国芯赋能智能算力，助力数字经济高质量发展”的主题演讲，分享了目前国内解决算力瓶颈的最新实践和进展。
他的观点非常鲜明：广义的算力才决定了一个国家未来真正的竞争实力。这使我们不由得联想起本月初英伟达创始人黄仁勋在新加坡的一个主旨演讲，其中一个核心观点亦与此趋同：（异构）算力已经成为主权国家们的绝对意志。
作为观点分享，我们不想过度引申其中的专业逻辑，因为最近一年中，我们对于AI的主要研究基本都是落脚在算力上。时值年末，在我们的认知里，需要再次强调的是，不仅2023年如此，2024年仍将是算力大年。
因为一个显而易见的刚性逻辑在于：无论BAT，还是FAANG，这些互联网时代巨头，都是涌现于互联网基础设施蓬勃发展过程中；AI亦一样，没有以算力网为核心的AI基础设施，AI时代的BAT只是海市蜃楼。
廖奇教授的演讲，给了大家很大的信心。据他介绍，中国已经有了自己的GPU设计生产能力，并进行了产业化的布局，其团队“通过14纳米常规的GPU工艺生产出的芯片，已经可以与NVIDIA的A100对标。作为一种低能耗、低成本、高集成的解决方案，该GPU跟NVIDIA同类芯片相比，边缘计算甚至可以达到1/27的能耗比。”。
廖奇为还表示，这一GPU芯片的第二代正在进一步研发，很快就会流片；除了硅基芯片以外，中科院目前还有几个方向正在推进，包括仿生神经网络芯片的设计。
当然我们知道，2023年大放异彩的主要是英伟达的GPU，但最近谷歌方面主要用于推理的TPU（XPU）也表现出了初步的竞争力。有基于此，无论廖奇教授透露的信息是否是鼓舞人心也好，在XPU这条路上，我们不必需要一点乐观，因为我们都知道，国内其实是有一个具有足够潜力的梯队在彼此竞争的。
至于到流片与量产，能用5NM、7NM最好，用不了，14NM制程做第一代AI基础设施大规模应用实质也未尝不可。
数字时代的“土改”
在数据维度，中国人民大学交叉科学研究院院长杨东教授，提出了一个颇具启发性的观点：数字时代的“土改”。
杨东教授的演讲主题是“从数据大国到数据强国：数据要素在经济发展中的角色”，试图从中厘清中国数据应用方面的诸多卡点。
这个主题，乍听起来，颇具官方话术的色彩。但实际上，此言绝对不虚。
试问这么个问题：大模型为何没有在中国最早出现的问题？本质上还是过去一个时期，我们最多只是口头讲“数据是新一代生产资料”，却没有真正为此付诸实际动作，甚至心口不一，根本没有在将数据作为生产资料这个问题形成基本共识——直到大模型出来，我们才发现，产业间流转的数据都是割裂的，并没有互联互通。
当不同维度的数据无法高效流通与集结，即使算力足够，我们依然没有用以计算的足够数量级真实、优质数据语料。这是当前制约AI发展的最大症结之一。
有基于此，杨东教授提出了“数字时代的‘土改’”的观点，认为解决数据垄断、共享度低的问题，须要尽快建立基于三权的数据收益分配机制。
对于敏感度强的投资者而言，对于过去一个时期市场里数据要素这个题材，肯定深有感触——题材新颖，有赚钱效应，但不懂主线逻辑。在我们看来，这个观点，很大程度上厘清了市场关切的这个问题。
有人会说，用杨教授的演讲主旨迁就二级市场投资似乎显得就很轻佻。但实际上，唯有服务于经济发展的产业研究才是最有价值的。二级市场是产业经济的最有效映射，具有强大的资源配置能力，因此我们格外期待“数据土改”能在2024年于市场与产业形成同频共振。
大模型是时代宠儿，但不是万能灵药
对于投资而言，逆向思维是一种最可宝贵的投研框架。因此，在这次活动中，有一个观点值得大家共同思考：大模型是时代宠儿，但不是万能灵药。
众所周知，中国当前的比较优势是制造业。而当时当下，又是制造业转型升级的关键窗口期，即从传统制造走向先进制造，其中典型的标志物是新能源、创新药与AI大模型。
比较来看，新能源与创新药本身即是创新载体，而AI大模型目前的应用趋势还是在于嵌入到具体的载体中，赋能于效率，使汽车成为自动驾驶汽车、使办公软件成为办公助手，使手动绘制图片成为自动绘制图片，也就是它的工具效应更强。
它的效率化实现，本质是通过指数级算力对数量级数据的计算。其中会有幻觉、谬误，而这些问题极大可能无法根治。因此作为工程师助手，作用会显著，但作为独立的智能体，实质在相当一个时期内，作用可能未必比得上高度一致性的自动化生产工具。
也就是说，它的启发性与创造力是优势，而短时期内大规模应用于对一致性要求苛刻的生产制造，可能并不能对自动化设备形成替代（也可以说大材小用）。因此它在制造业升级中，扮演怎样的角色，是值得长考的。
本次活动中，腾讯云智能制造首席专家邴金友即提出了类似思考：工业企业在接纳大模型方面存在两个问题，一是成本问题，数据散，模型训练成本高；二是幻觉问题，工业里面要么是经济产出，需要100%正确，大模型难以达成。
不过产业界倒还是较为乐观的，来自一线的中工互联科技集团董事长智振介绍说，现在工业大模型已经能够做到的专家系统100%无害化，90%以上的准确度，具有了初步落地的基础。
但对于工业大模型的定义，其实大家还是较有歧义的——一则这些大模型究竟与大模型之前的AI自动化算法程序有多少区隔？二则因为主要还是被部署应用于客服，流程管理、人力资源、营销、内容产出和设计等方面，距离制造业第一性价值还有多少距离？
就这个问题，北京信息化和工业化融合服务联盟理事长闫同柱的观点更为务实：高端制造业积极拥抱是因为高端制造业本身对知识的要求比较密集，大模型起到的是优化作用，有比较大的价值。但传统制造业来说，它的数据量不大，而大模型的门槛相对比较高，投入产出比并不那么明确。
总而言之，就目前这个时点来说，对于大模型，特别是工业场景下大模型，我们还是有必要保持一定的审慎。可以借假修真，但切勿过度渲染，路漫漫其修远。
是为结语，腾讯科技Hi Tech Day这次活动中，主办方所引用的一段话在合适不过：
深度学习之父辛顿曾说过，创造真正智能机器的旅程是漫长而富有挑战性的，但这是一段值得走的旅程。同样，应用智能机器的旅程也并非一朝一夕能够走完，但拥抱新技术是我们超越现在和自己，迈向未来的值得走的旅程。路也许还模糊不清，但先行者走的多了，就有了路。
下载ECAD模型
