每到年底總要複盤，我複盤了下自己過去 2 年的注意力，2023 年主要放在大模型的新進展，2024 年開始比較多地關注應用的發展。超簡單地總結下，那就是 2023 年被技術的跳躍弄得眼花缭亂，2024 年被很少看到 PMF 弄得抓耳撓腮。
你會發現，當把目光放在消費級應用時，無論是軟件還是硬件，面對的問題其實很複雜。除了 AI 技術本身的能力夠不夠，還有産品和工程上的可實現性，交付用戶價值的成本和收益的設計，躲開必然的巨頭的陰影和同行的内卷競争……當然，這一切還有個大前提，還要基于需求有創新性的洞察。
必須面對這麽多複雜要素的組合，可能就是今年全球 AI 應用的投融資項目數量基本與去年持平，而且大頭還在 ToB 端，并沒有迎來想象中的 AI 應用爆發的原因。
前段時間接到了「創原會」的邀請，說可以來看看在工業和科研領域的一些 AI 應用進展，我就以「世界觀旅行」的心态昨天去學習了下，突然感覺，果然看看更大的世界總會有收獲，這次甚至治愈了不少内心對 AI 價值的焦慮。
在這次的「2024 創原會年度技術峰會」裏，簡單說最大的感受是，過去一年 AI 實體産業裏中帶來的正反饋是超預期的。核心的原因是，這裏值得用「錘子」去敲的「釘子」太多了，技術的供給隻要改變，價值就會被立即釋放。
所以趁着熱乎勁，我也在第一時間把我「世界觀旅行」裏的一些感受，記錄下來分享給大家。
實驗室、田間地頭、生産車間，AI 改變了什麽
1，「AI+ 水泥」比「鼠标 + 水泥」更厲害
我從國内這領域的巨頭海螺水泥那裏增加了不少「奇怪的知識」，比如在水泥行業的生産管線上，至少有 15 類 200 多個場景，正在因爲 AI 的到來，讓水泥的天花闆再次打開，其中涵蓋了從礦山開采到水泥發運再到商品混凝土所有工序。
舉個例子，就在質量預測這一個場景，AI 通過分析不同的生産條件、不同的原料對于質量的影響，可以實現熟料 3 天、28 天兩個強度的預測，這樣就可以減少生産過程中的冗餘調整，更精準地提升水泥混合摻比、來降低生産的成本。
海螺水泥覺得從設備、安全、質量、園區、決策等各個場景，水泥生産的效率都有大量的改進空間。人家滿眼都是看到 AI 帶來的技術能力新供給後，想要做事的興奮。你會發現在這樣長流程管線、真實的制造業環境裏，AI 帶來的價值非常确定。「釘子就在那裏」，你不用去想象它是否存在。
2，AI 就是藥神！
再拿人們都深有體感的醫療健康痛點來說，AI 正在裏面「大殺四方」，在藥物研發的整個流程中大幅加速研發周期和成功率、降低成本，那些冷門、偏門的病也有機會被看見、被治愈。
以疾病藥物研發爲例，傳統藥物研發往往在 10 年以上，成本高到可能超過 20 億美元，研發過程中統計上的失敗率在 90% 以上。那也就不難理解，爲什麽冷門偏門的疾病不被投入資源和精力了，并且一個有效的藥物出來後往往會經過很長的價值回收周期才能變成「普通人能負擔的藥」。
但随着以 Alphafold 系列模型在蛋白質結構預測和設計領域的效率提升和效果改進，藥物研發徹底變天了。比如這次就在「創原會」上，聽到了針對一種過去無人問津的利什曼病（黑熱病），AI 發現了世界上首個具有預防效果的小分子藥物。
疊了 AI buff 後的生命科學正在迎來它的時代。Alphafold2 已經充分論證了 AI 在蛋白質結構預測上的「無敵」，過往用實驗的方法花費幾十萬、數年的工作量，現在隻需要幾十秒，而且預測準确率也比過往高幾十個百分點。蛋白質結構的精确預測對于疾病治療和藥物研發至關重要。
總體感覺，現在 AI 模型通過加速靶點發現、藥物篩選和藥物結構設計，傳染病靶向藥物的研發周期便可以從 10 年縮短到 3 年或更短，同時也降低了研發成本，讓小型制藥公司和學術機構也能參與原創藥物研發，當然也會讓病人也越來越負擔得起。
誰都不是藥神，但 AI 就是藥神，這确實令人期待。
3，領域專有數據的魅力，誰用誰知道。
基礎大模型的通用能力加上領域專有數據的訓練，在很多領域的價值是超預期的。
比如，這次學到了一個我們平時很難接觸的油氣開采領域的進展——地球物理大模型，已經應用在深層複雜構造形油氣田的勘探、安全監測等各個方面，提高了油氣發現的效率和勘探空間。這背後主要是通過把過去行業數據和經驗積累「喂」進大模型，帶來了場景特有的理解能力，使解決方案的改進效率與效果都立竿見影，哪怕在構造複雜、深地信号弱、幹擾大的環境中，也可以進一步勘探。
再比如衛星遙感領域，我們都知道火箭發射成本未來會越來越低，衛星獲得的太空視角的空間數據會越來越充分和實時，那麽獲得數據以後需要用 AI 對于數據進行有效的處理，就是非常關鍵的問題。
現在遙感影像大模型的運用可以讓原先人工用鼠标标注一個月的數據，在 10 分鍾内完成完整的解析過程。這樣數據處理效率的提升，就可以給衛星遙感的應用拓展新的市場，因爲顯然 AI 技術的應用也會使遙感衛星能夠更好地識别和理解更多有意義的信息，比如像天氣、農作物收成、道路規劃、路運海運交通等等。
把各種空間數據信息，通過 AI「從看見到看懂」，這是正在被解鎖的新資源，我相信這個資源對很多産業都會帶來效率提升的連鎖反應。
另一種 AI 世界觀
4，工業領域的 AI 變革不是一次「沖鋒」，是一場「沖浪」
「創原會」裏我這次認識的人，其實有很多來自工業領域，他們的風格和思考的問題角度和互聯網圈子的 AI 創新思路還挺不一樣的。聽他們分享和與他們交流，我感覺人家最不缺的就是進取心和用 AI 的決心，也沒有什麽特别的焦慮，因爲現在就可以摘的果實（AI 确實可以解決的問題）太多了。
如果說有什麽共性問題：那就是 AI 技術還在迅速地變化，很多對産業技術鏈條的重塑，沒有辦法一次沖鋒就一步到位，在這個覺悟下，要從哪開始到哪去？該練的「核心力量」到底是什麽是他們思考和我讨論最多的。
以往的信息化和數字化時代，大家可以通過上套系統，用一次沖鋒來實現跨時代，但 AI 時代是一場「動态沖浪」，這個情況下，把基本功做好，實踐上穩紮穩打，技術上與時俱進，才會讓生産力再上一個又一個台階。
當年從蒸汽機時代進化到電氣時代，所有率先跨時代的工廠，第一個重要動作就是「改廠區格局」，把圍繞着蒸汽機和各種管道，齒輪形成的「動力鏈條」來設計的廠區，變成通過電線就能賦能，但對于生産流程更合理的新生産線結構。
我聽了華爲雲 CTO 張宇昕的分享，感覺他說的也是這個問題。大模型這個變量正在改變雲、也正在改變雲的使用。以 AI Native 的視角重塑算力、雲和模型，在業務裏形成「以知識爲中心」的數據飛輪，才能帶來源源不斷的 AI 原生應用的競争力。這就是從數字化向智能化跨越，在「沖浪運動」裏最會被用到的那個「基本功」吧。
5，算力！算力！
聽華爲雲講，預計今年年底，企業對 AI 算力的需求就會超過對通用算力的需求。當以 CPU 爲中心的主從架構跟不上千億、萬億模型的訓練和推理，數據中心逐漸演進到以 AI 算力爲主的多元算力對等全互聯的架構。其實這波 AI 的突破就是算力帶來的，Scaling Law 首先是算力能 Scaling。
過去短短 2 年，從萬卡集群這個世界上隻有幾個人有能力搭建，到現在沒有 10 萬卡集群能力在基礎大模型上就不能上牌桌，再到最近馬斯克号稱要邁向百萬卡集群的搭建，真是令人感慨。
顯然華爲雲在這方面在做很多工作，而且可能不隻是單純堆算力的問題。其實單在算力這一個點上，門道還很多，我印象比較深的還有一點是華爲雲提到的現在影響大模型訓練和推理效率的一大瓶頸——内存，「沒有先進存力、算力也無法充分發揮作用」，因爲模型放不進去算不過來。這也是不斷能看到不同算力廠商抗衡英偉達的突圍點，比如 AMD。
6，Agent 能不能把金字塔倒過來
會上看到這樣一張圖，很體現像如今的 AI 價值焦慮問題。
整體看，現在 AI 産業呈現出一個金字塔的分布，最上層所有應用加起來可能都敵不過芯片層年入千億美金的英偉達。但是相對成熟的雲這個産業，已經是一個倒金字塔的分布了，這意味着應用已經非常豐富，獲得了充分的商業回報，享受到雲的紅利，形成正循環。
AI 很明顯還沒有走到這個狀态。但今年全球所有大公司在基礎設施上的巨額砸下 Capex（資本支出），拼命做芯片、擴算力背後，其實是對上層的應用爆發有非常大的期望。
現場看到的 AI 落地實踐，也讓我感覺 AI 應用開始爬坡了，相應地，更廣普的應用也值得期待。現在也覺得共識是，Agent 這種形态，在被領域和場景數據加強的「行業模型」支持下，是核心的突破口。
2025 年的看點，應該就在這裏。
7，用 AI，改變供給
有一位嘉賓分享的時候提到要充分應用數據和 AI 的能力「從滿足需求，到激發需求」，他當時舉的例子是就像字節跳動一樣充分利用數據和 AI，激發了新需求，引領了短視頻。以及他也認爲 SHEIN 也是一個例子，在服裝、零售這麽卷的行業，它能夠把它幾年之間做到去年 300 多億還在百分之三四十的增長，充分應用了數據和 AI 能力。
大方向我覺得說的沒錯，但是我稍有不同的觀點是，改變需求是一件非常難的事情，或者說激發需求就是需要從滿足需求開始的，隻有對滿足需求的「供給」足夠充分，才有機會談到「激發」的問題。
字節和 SHEIN 在「改變供給」上是怎麽解決的，是「激發需求」的前序問題。還是要順着明确的存在的需求去通過 AI 改變供給，能改變供給就能改變需求，最終供給和需求的雙向豐富，也一定可以重塑連接，這是 AI 商業創新的「本壘打」。
把 AI 生産力組織好，改變供給，就是第一壘。
8，2025 可以預期的 AI 場景：合成數據、ASIC 芯片、編程、具身智能、AI 搜索和智能體。
這個基本上是共識，隻結合最近的新聞兩個點：
這兩天 Databricks，以 690 億美金的估值融資 100 億美金，比 OpenAI 最高的一筆融資（66 億美元）還多，這就是在用真金白銀印證：AI 是基于數據的，所以在做 AI 應用的過程中，數據是最值得思考的管線和資産。
另一個新聞是上周五博通的股票在一天之内上升了 24%，因爲微軟、Meta 和谷歌跟博通談了定制 AI 芯片，定制的 ASIC 能夠做到在特定場景下的性價比和功耗最低。
英偉達是通用之王，但是在特定場景下就會出專項冠軍，博通享受了這個紅利，這是「模型定義芯片」的現在進行時，也是做 AI 落地應用要考慮的一個要素。
9，「求解器」和「行業 AI」，可能是中國最強烈的 AI 需求
會上記了一組數據，
「在中國，制造業仍是經濟核心，在聯合國所定義的 666 個小的産業中，中國是全球唯一一個各種産業門類齊全的國家，并且其中有 220 多個行業是全球第一的，中國制造業的規模連續 14 年全球第一。」
這串數據翻譯一下就是，制造業領域的經驗積累正是在中國做 AI 應用時的比較優勢—— knowhow 和場景數據。以服務業爲核心的美國更需要「NLP」（自然語言處理），中國則更需要「求解器」和「行業 AI」，在制造業發揮作用，符合中國國情，當然我理解這可能也确實是華爲雲在努力深耕的方向。
理解環境的特點和需求，也是一個創新者要重點思考的問題。華爲雲對這個問題的觀察，提供了一個新的視角。
