"AI 超级周期启动，智能经济机会无限。"

正当我们讨论 AI 浪潮时，一个被忽视的宏大背景正在展开：AI 不仅是一个独立的技术赛道，它正站在一个高达 10 万亿的基础产业之上。这意味着，我们今天所见的 AI 趋势，将是下一轮对现有工种和组织形态进行 " 彻底改变 " 的巨大力量。

百度集团执行副总裁、百度智能云事业群总裁沈抖博士在江阴飞马水城带来了《智能，生成无限可能》的分享，从趋势、原理、场景、基建、变革五方面带领我们透视智能经济的整个面貌，包括深入浅出的技术解析与丰富生动落地实践分享。

此次分享是一份面向未来的生存指南，帮助创业者抓住这波以大模型为核心的技术浪潮，实现企业的高效、变革与增长。

本文仅为部分内容，打开混沌 APP，观看完整版课程《智能，生成无限可能》。

我们正在 AI 超级周期的起点，智能经济带来的机会是无限的。

等 AI 进一步发展的时候，不但会使得自身的规模变得更大，而且会把整个产业做得更大。所以，尽管今天 AI 可触达的市场虽然只有 200 亿，但它实际上改造的会是 10 万亿的市场。——从注册护士、软件开发师到销售、教师，今天的人工智能会彻底地改变每一个工种，包括为其赋能，或者帮助其找到新的机会，总之是给各行各业都带来变化。

离我们最近的技术浪潮是互联网。从 PC 互联网到移动互联网，我们大多数人无非是上网刷刷帖子、看看文章、看看小视频。厉害一点的，可能会写点文章、拍点视频，让别人来刷你的内容。

但除此之外，互联网究竟对我们企业带来改变，其实大部分变化集中在营销层面，而在其他环节的帮助相对有限。正因如此，互联网时代真正赚钱的是信息平台。对实体产业的赋能，其实并没有那么深入。

而到了人工智能时代，情况发生了根本性的变化。AI 不再停留在信息层面，而是深入到 " 研、产、供、销、服 " 的每一个环节。

那么什么是大模型？简单来说，参数规模大的模型，就是大模型。我们经常把大模型和人脑做类比。人脑大约有 860 亿个神经元，它们通过轴突和树突相互连接，传递电信号，形成复杂的神经网络。人工智能从诞生之初，就一直在试图模仿人类的思考方式和思维过程。所以我们可以做一个类比，人工智能本质上是基于模型的。模型参数不断扩大，量变带来了质变，智能开始涌现。

训练模型，就是大家常讲的三大要素：足够多的数据、足够强的算力，以及足够好的模型架构。模型架构，就是大脑结构，它内部还在不断迭代。而算力和数据，基本上就是 " 大力出奇迹 "。

大模型的整个训练过程大致是这样的，就像小孩上学一样：

首先，要 " 读万卷书 "。就像小孩熟读熟读《唐诗三百首》，不用自己创作，但也可以顺下来。大模型也需要海量阅读，通常要把互联网上几乎所有的文本都看一遍。这时，你随便开个头，它就能根据之前看过的内容，自己顺下去。

但问题在于，这时候它接出来的内容常常是毫无意义的，只是机械地统计下一个最可能的词是什么，然后顺下来，并不理解其中的意义。

所以，接下来就需要 " 后训练 " 来调教它。通过人工标注和指令微调，告诉它应该用什么方式、什么风格来输出内容，让它变得更符合我们的需求。

从数量上看，预训练通常需要消耗约 25 万亿文字。后训练阶段则需要大量的人工标注数据。

这也解释了为什么现在算力如此紧张。美国常说因为训练大模型连电力都短缺了，原因就在于训练一次的代价极其巨大。如果把一次训练的计算量换算成人力来打算盘，大概需要全球 80 亿人不间断地打上 1000 万年才能完成。从这个角度说，机器智能确实是以一种极其庞大的能量代价换来的。

扫描海报二维码，立即学习完整课程

智能体 ( Agent ) 是大模型产业落地的最佳形态。因为在企业里，一个通用大模型通常无法直接解决你的具体问题，因为你需要的是大量的企业专属知识。这时，你可以通过 RAG（检索增强生成），提高 AI 模型回答的准确性、时效性和相关性，也可以设计自己的专精模型，或为内部工具增加外围一些系统，整合搭建出一个能够自主处理任务的智能体。

Agent 已经加速进入产业高价值场景。我们来看几个例子。

  编程领域  

我想绝大多数人经过红绿灯路口都会烦恼：明明两边没车，却偏偏是红灯。现在大多数路口的红绿灯其实都做过优化，加入了一定的人工调优。比如早高峰东西向车流多，就让绿灯时间长一点。通过这种方式，大概能减少 8% 的等待时间。如果再用上一些更先进的算法，还能再优化到 15%。

很多高校的专业课上，教授和学生常常花费大量精力去研究早上车流的通行分布。但如果你把同样的问题交给大模型，它会给出不同的思路。当它思考到第 1400 轮时，已经产生了很多个方案，这时候就能在人类最优解的基础上，再优化 11.9%。如果还不停，让大模型想到 2500 多轮的时候，它的效果会比人类解法优化 18.9%。

我们总以为自己想得足够充分了，但大模型往往能做得更好。今天遇到难题，我们的第一反应是去找全世界最好的专家，请每人出一个方案，再从中挑最好的。而大模型现在做的就是这件事，把问题抛给它，告诉它；" 给我最好的想法，一遍不行就想两遍，不断地想。" 可能在 2500 轮的思考后，最终得到一个令人满意的答案。而且，可能还有进一步优化的空间。

实际上就是这样一个简单的过程，人把问题定义好，把这个东西丢给大模型。

那它为什么能想出解法呢？核心就在于它的编程能力——写代码。代码写完后，通过一个评估器，比如这个路口有一个模拟器，你把新算法放进去，按照它的逻辑控制红绿灯，看最终能省下多少时间。评估完成后，再把结果反馈给大模型，让它一轮一轮不断优化。

这个过程在众多领域都适用，大家使用大模型可以借鉴这样的思路。

  数字员工  

前段时间，我们和罗永浩合作，他在百度做了几场直播，我们就此为他生成了一个数字人。如果你去看那个视频，真正厉害的地方不在于模仿他的声音和形象，而在于直播间里回答粉丝问题的互动。罗永浩非常幽默，很多梗都是在和粉丝互动时即兴创作的。而这正是大模型能力的优势所在。

我们做了一系列实验，发现数字人在直播间的带动效果非常好。可能直播前半小时，真人的带货量确实比数字人好；但半小时后，真人就不行了。原因很简单，他喊累了，而数字人完全没问题。

更何况，现在很多时候数字人全程表现都比真人好。因为数字人的知识几乎是无限的，风格也可以随意配置。你可以根据粉丝的实时反应，不断迭代它的状态和回应。

  AIGC 生成内容  

现在 3D 技术很受欢迎，但 3D 建模本身是件很复杂的事。我们的合作伙伴 VAST，在百度百舸 AI 计算平台上完成了他们 Tripo 3D 大模型的训练，大大提升了 3D 模型的生成效率。有了这样的能力，无论是打印 3D 物品，还是开发 3D 游戏都会变得容易很多。

  制造与能源  

我们与三一能源装备合作了一个关于井架二层台伺服电机控制器加热器安装 SOP 安装。即便是这样一个相对标准化的操作，在实际生产线上，工人要完全按规程一步步执行也极易出错。尤其是在产线复杂、产品频繁更换的情况下，错误率更高。

这时，大模型就能发挥作用。

当前的人工智能可以让这个过程变得非常简单。只需一键进入百度一见平台，上传一段正确的操作视频，系统就能自动拆解操作步骤，生成 SOP。当然，关键工序还是需要人工把关。核对完成后，就可以发布这个 SOP 技能。

规则设定好之后，我们可以把它部署到摄像头上。在摄像头识别下操作，系统就能实时提醒哪一步错了，工人在操作时就能随时获得提示。这不仅保障了出厂产品的质量，还能从中发现哪些环节容易出错，进而从生产流程上做出改进，避免问题重复发生。

这种应用场景远不止于工业制造。实际上，在餐饮行业，很多后厨已经采用这种方式，确保食品制作过程符合标准。尤其是在外卖订单多的时候，经常出现漏放勺子、配错餐等问题，这类错误都可以通过这样的控制系统来避免。

现在我们看到市场很大，空间很大，成功案例很多，工具也都很齐全。但问题在于，我们是否真的能把这些用起来？这是就涉及到组织的问题。如果推动变革，打造 AI 原生组织。

吴晓波引用过一句话：" 我们也许是最后一代只管理人的管理者 "。未来数字员工和人类员工并存，我觉得这大概率已经是一个不用再争论的命题了，但这确实会给我们未来的管理带来巨大的变量。

这也是为什么现在很多地方都在谈论 "One   Person   Company"（一人公司）。我认为，这种现象确实会越来越多。就像我前面讲的很多案例，如果你把它们看作一个创业公司，那么你确实有可能做到一个人就让整个公司运转起来。

对于现有企业来说，未来的组织会变成这样的形状。

未来中层干部很有可能大幅缩减。我们只需要强有力的领导层和决策层来指明方向，下面则由一堆智能体来落实。这样一来，中间管理层收缩，既不影响执行效率，还能促进高层与基层员工的直接对话。这种结构会大幅提升整个组织的创新速度，但也更需要自上而下地推动落地与执行。

尤其对创业公司和创业者而言，AI 战略必须是自上而下推动的。这主要有两个原因。

第一，AI 的落地是有成本的。虽然试错成本在降低，但短期内投入不一定立刻见效。长期来看这是必然趋势，可短期内效果未必明显，因此很多人往往不愿主动试错。

第二，也是更重要的一点，任何一次技术变革，在创造新就业机会的同时，也一定会淘汰传统的岗位。当前 AI 的落地，很大程度上正具有这样的效应。

这是为什么当你去跟一个客服经理说，我可以用数字人帮你做客服的时候，他第一反应就是这东西不能用，因为要用了，我就没事了。当你告诉 CTO，他可以用 AI 去写代码的时候，他第一反应就是不好用，我们还是得招人类员工。之所以 AI 落地是一把手工程，正是因为它在真正落地的过程中会面临很多挑战。

所以，这必须是一个自上而下的决策。

在智能时代，从我所分享的案例来看，我们最需要的其实不是算法专家，而是那些能够定义需求、定义评估标准的人。

扫描海报二维码，立即学习完整课程