题图由我厂AI生成
谷歌CEO的闭门讲话中的AI前沿
一、施密特的讲话
最近，谷歌前CEO施密特在斯坦福给大学生们做了一个关于AI的讲话。
媒体炒作说，
施密特本来以为是一个闭门讲话，所以讲了很多不公开的秘密
。
在演讲进行的过程中，别人告诉他，这个演讲正在直播。
有没有这件事情呢？
有。
施密特开始确实以为是一个闭门讲话，当他得知这个讲话正在被直播，他就有些吃惊。
但是施密特讲的东西，并没有什么桌面低下的话，而是可以公开讲的。
我第一时间，就把讲话内容给我们AI社群的人进行了分享。
施密特这个人，在IT互联网行业影响力还是很大的，以精明著称。
2006年，施密特就上了福布斯富豪排行榜，位列129位。
2023年，施密特在福布斯美国富豪排行榜上，以200亿美金的身价位于36位。
2024年，施密特在胡润全球富豪榜上，以200多亿美金，排名87位。
施密特是世界上第一批，以打工的身份，通过获得股权而得以成为富豪的人。
他的特长是什么呢？
就是善于把技术变现，构建持久的盈利模式。
他原来在Sun公司的时候，就把当时Sun认为是失败技术的Java搞起来了。
Java现在依然是企业领域内的王者。
他在谷歌的时候，巧妙的把搜索和广告结合起来，找到了变现路径。
现在大家都知道，
搜索业务简直就是印钞机
。
施密特这么精明的老狐狸，都投了他看好的所有AI公司，包括法国的Mistral。
从施密特的讲话中，还是能看出几点有用的东西的。
其中一点，就是整个硅谷、甚至整个美国科技界，都在豪赌人工智能这件事情。
马斯克构建了
10万
张卡的超算中心，扎克伯格可能有
30-60万
张卡。
他们几百亿美金地猛砸，就是希望通过AI与别的国家，比如中国，
拉开十年以上的差距
。
一个系统分为道法术器。
做事情，就像搭积木一样，你要先搞定基本的积木，才能根据积木搭出一个大厦。
像施密特这种赚到大钱的，根本就不关心怎么做AI视频，而是关注最基本的积木。
在基本的积木中，施密特认为
3件事情比较重要
。
第一点就是“长文本”。
长文本，你可以理解成大脑的“记忆”能力。
记忆是推理的基础，因为你记得的东西越多，才能做好推理。
这个长文本，就像人类大脑的
长时记忆
一样，决定了AI的理解和推理能力。
长文本这块，Kimi做的就比较好，主攻这个方向。
美国很难说在这方面与中国拉开差距。
同时，还有一些技术，可以替代长文本，比如说RAG，就是检索增强技术。
这个就等于说，你记不住，可以翻书，通过检索来增强理解能力。
其实我们前面说过的“欧神大模型”，就是采用的RAG技术。
效果不错。
只是现在很多资料还没有添加，资料添加的越多，就越聪明。
事实上，我们社群有几个小伙伴，用这个技术为企业的文档进行定制搜索，已经拿下好几个项目，赚到钱了。
二、第二块积木
很多人不了解的人，以为我们就是搞一些画画什么的。
不是的。
我们当然也搞大模型的，其中就有一个架设了各种开源大模型的板块。
这个里面，一些知名的开源模型都部署了，供大家研究。
比如清华智谱的GLM大模型、李开复的YI大模型、阿里的通义千问、闭源的文心一言等等。
除了闭源的模型，我们
都是教大家本地架设的
。
开源大模型这种事情，你自己在电脑上
架设1-2次
，把基本的技能学会了，你也就不想再尝试了。
因为这个里面有无数的坑，你也不想再折腾了，觉得浪费时间和精力，甚至硬盘都被各种模型占满了。
就像装机一样，你就装
1-2次就把这块搞懂了
。
如果不是为了工作，后面就不想再折腾了。
但是开源模型又不断地出来，你也想测试、研究一些新能力。
这个时候，就不如用我们这个板块，节省自己架设的精力和时间。
我们通常都是第一时间上架各种新的模型，现在已经下架很多了。
当然，也有视觉模型，就是你发一张图片，模型就帮你识别图片里面有什么。
施密特提到的第二点，就是文本到行动（Text to Action）
很多人以为AI只能写写画画，那是对AI完全不了解。
当人类看见一只老虎出现在面前的时候，请问，老虎在人脑中的形象，是真实的老虎吗？
不是的。
人脑中的形象，其实是
人脑模拟出来的一支老虎
。
这只老虎和真实的老虎，还是有点区别的。
人脑之中，其实有一个模拟的小世界，是对现实的投射。
已经有很多视觉错觉的例子证明这其中的区别。
比如下面这张图，根本就不是一张动图，但是你在盯着看的时候，就觉得是动图。
这个就是大脑产生的错觉。
所谓的AI“写写画画”，只是AI目前在模拟这个世界而已。
只有AI能成功的模拟这个世界，然后才能产生成功的行动。
文本产生文本，这个就是大模型，也是chatgpt的主要功能。
文本产生图像，这个就是文生图模型，比如mj、sd等等。
文本产生声音，这个就是文生音频模型，目前suno做的比较好。
文本产生视频，目前有sora、luma、runway，国内有快手的可图、清华智谱的清影等等。
这些，都是对世界某个维度的一种模拟。
现在俄乌战场上，一架几千块的无人机，就可以干掉一辆几千万的坦克。
但是这个主要还是人在控制无人机。
文本一旦可以产生行动，大模型就可以直接控制物理世界了。
比如说，用大模型控制无人机、坦克、飞机、大炮，当然还有家用设备等等。
文本产生行动，最简单的方式，就是让大模型调用工具。
大模型本身就是训练的产物，里面是没有实时信息的。
比如说，你让大模型告诉你今天哪个城市的天气，大模型是没办法的。
因为天气是气象台实时获得后，分发给各个平台的。
但是看看我们这个平台的演示，武汉的天气和海口的天气是实时获得的。
可以说，非常准确。
当你问大模型哪个城市的天气的时候，大模型就判断这个需要行动，然后通过接口去获得某个城市的天气。
这个我们已经在本地实现了，成功的让大模型产生了行动。
如果不是让大模型获得天气，而是向坦克开火呢？
这个威力就巨大了。
当然，让大模型产生代码，让代码再产生行动，就更复杂了。
比如说，我们让大模型写一段代码，画一个心型。
然后，一直不改的执行这段代码：
谁说AI不能写代码的？
只是写复杂的代码，还需要时间。
三、智能体
第三点，施密特认为是智能体（Agent）
所谓的“智能体”，简单的说，就是把一个推理分为很多步骤。
一个大问题，分为很多小问题。
每个小问题的解决，都可以让大模型或者其它工具来解决。
最后，整个问题就解决了。
这个是一个挺好的思路。
通过这种方式，可以解决非常复杂的问题。
比如，我们问，武汉和海口，哪个城市的天气更热？
这个问题看起来简单，其实可以分解为3步：
第一步：获得武汉的天气，得到武汉的温度。
第二步：获得海口的天气，得到海口当前的温度。
第三步，比较武汉和海口的温度，得出最后的答案，并回答。
这个就是一个小的“智能体”，可以说非常准确。
请注意，在这段对话中，我们并没有让大模型做第一步，做第二步，然后做第三步。
具体要怎么做，是大模型自己判断，分解推理步骤，然后执行。
这个在这波AI出现之前，是没法做到的。
这里只是
3步
推理。
如果一些复杂的问题，可能需要十几步，几十步，甚至上百步的推理。
这个时候，就需要分解成不同的智能体去执行任务，最后获得一个结果。
你可能只是问了一句话，但是大模型可能在后面进行了几百步的推理。
如果AI可以进行这么长的推理，那就具有相当高的智能了。
当然，不止这些，我们还上线了
