現(xiàn)在媒體上普遍的看法是：中美在人工智能領(lǐng)域處于世界上第一梯隊，與其他國家已經(jīng)拉開差距，而美國又明顯領(lǐng)先中國。具體來說，美國在基礎(chǔ)人工智能技術(shù)，尤其是大模型，人工智能芯片等方面明顯領(lǐng)先，中國在人工智能的具體行業(yè)應(yīng)用上具有優(yōu)勢。

我在上一篇文章“”對以上看法總體上也算是認同的前提下，對AI大模型、中模型和小模型各自的不同應(yīng)用前景進行了具體分析。本文是在參觀過2024年10月22號開幕的北京安博會之后，有了更深入的理解，將更進一步特別細化地討論，中國人工智能技術(shù)為什么事實上已經(jīng)處于遙遙領(lǐng)先世界的狀態(tài)，以及究竟領(lǐng)先在何處。

一、傳統(tǒng)人工智能應(yīng)用的普及

事實上，在大模型出現(xiàn)之前，中國在人工智能實際落地的能力上就已經(jīng)處于世界非常領(lǐng)先的水平。因為以往人工智能最成功的技術(shù)，就是車輛、人、語音等的識別。相應(yīng)成功的應(yīng)用是停車收費，社區(qū)、道路等人工智能的安防監(jiān)控。這些已經(jīng)在中國獲得廣泛的普及，并且產(chǎn)生了巨大的經(jīng)濟和社會效益。大模型技術(shù)的出現(xiàn)，是沿著原有的人工智能應(yīng)用進行了更大范圍和更深程度的擴展。以往的人工智能安防應(yīng)用是這樣的：

在模擬時代，記錄的視頻是獨立的數(shù)據(jù)，按行業(yè)術(shù)語說就是沒有進行“結(jié)構(gòu)化”。如果要在視頻中找尋某個對象，得依靠人工逐個時間點地去翻看，這個效率實在是太低了，要查尋到某個視頻記錄，耗費很多人力資源花上幾天時間都有可能。

采用人工智能技術(shù)后，可以實現(xiàn)視頻的結(jié)構(gòu)化。也就是可以智能地識別出視頻中車輛的車牌、顏色、車輛型號，甚至司機是否系安全帶，另外還有行人智能識別等。有了這些識別出的數(shù)據(jù)并與視頻內(nèi)容相對應(yīng)地進行記錄，如果再查尋視頻就會變得極為方便，只要輸入某個車牌號或其他信息內(nèi)容，就可以瞬間查尋到相應(yīng)時間點的視頻片段。

可以說，雖然人工智能的出現(xiàn)很早，并且持續(xù)地有人提出各種人工智能的應(yīng)用。例如下各種棋勝過人類職業(yè)冠軍選手等，但人工智能第一次真正獲得大規(guī)模商業(yè)回報，就是視頻安防領(lǐng)域。其他的技術(shù)如語音識別，它只是其他各類應(yīng)用的一個免費的功能（如微信的語音輸入、語音識別鼠標等），它自己很難形成獨立的產(chǎn)品。

但這個階段的人工智能也有一些限制，就是要想識別什么類型的信息，必須是提前確定好，由企業(yè)研發(fā)人員進行相應(yīng)數(shù)據(jù)的訓練和優(yōu)化。這樣，如果要增加某個功能，比如說要新增識別三輪車，就需要企業(yè)研發(fā)人員來建模和對前方市場人員收集回來的數(shù)據(jù)進行訓練。這樣新增某個應(yīng)用的周期就會非常長，成本也會非常高。

二、采用大模型技術(shù)后的人工智能應(yīng)用極大擴展

采用大模型技術(shù)以后會是什么情況？

首先是數(shù)據(jù)訓練的工作可以非常簡化，能前移到代理商或其他本地專業(yè)服務(wù)者那里進行。這樣他們就可以對自己特定環(huán)境的對象進行針對性的訓練。例如，動物園可以用相同的軟件來訓練識別動物，而不再局限于車輛；學?？梢杂柧毚蚧@球、跳遠等，是判斷運動員有沒有犯規(guī)，而不是判斷司機有沒有系安全帶.....這一下就打開了非常廣闊的應(yīng)用空間。要實現(xiàn)這一點需要什么具體產(chǎn)品來支撐呢？首先當然就是得開發(fā)出本地或特定領(lǐng)域應(yīng)用的數(shù)據(jù)訓練平臺。

這是浙江宇視建立在自己梧桐2.0大模型基礎(chǔ)上的算法訓練平臺，客戶可以根據(jù)自己的需要訓練特定應(yīng)用的數(shù)據(jù)。

這一下就讓行業(yè)的應(yīng)用拓寬到近乎無限的領(lǐng)域。例如，可以用來監(jiān)控特定受保護的動物。

可以應(yīng)用到各種智慧社區(qū)細分應(yīng)用場景 —— 如寵物狗佩戴的安全罩是否合規(guī)？ 車輛停放是否占道？ 是否有著火點？ 是否有人違規(guī)從高層樓房拋物？ 垃圾袋放置是否合規(guī)？ 廚房的廚師工作中是否有不合衛(wèi)生的行為？ 生產(chǎn)工位上的生產(chǎn)是否正常？ 被生產(chǎn)的零件是否正常？ 生產(chǎn)設(shè)備是否出現(xiàn)意外情況？ 嚴禁煙火的地方是否有人吸煙？ ......

當然，最可能點燃新一代人工智能新的大規(guī)模應(yīng)用的，可能不是那些看起來有些嚴肅的業(yè)務(wù)，而是娛樂性的AI體育。正如我年初寫的一篇文章中的說的那樣：科技以好玩為本。這也是電信運營商可以大力開發(fā)的領(lǐng)域。

人們可能會問一個問題：大模型出現(xiàn)以后，以上應(yīng)用的識別率是否有實質(zhì)性的提升呢？回答是肯定會有一些提升。

屏幕中左下角是手機拍攝的晚上的視頻效果。主屏是硬件進步加上采用現(xiàn)在人工智能所達到的晚間視若白晝的效果。

這是在暗室里拍攝的圖像效果。上面四個圖像分別是不同時期技術(shù)效果的對比。左上角是早期黑白紅外效果。右下角是獲得彩色和較高分辨率的效果。這同樣是硬件進步加上人工智能算法進步共同作用的功勞。而且以上人工智能的進步也未必全都與大模型有關(guān)系。

可以告訴大家一個可能令人非常意外的情況是：以上這些圖像識別率和還原效果等的提升的確是非常好的進步，但對人工智能尤其大模型技術(shù)來說并不是革命性的。真正重要的只是因為遠比過去更方便，所以才能讓各種細分的應(yīng)用成為現(xiàn)實。也就是說，原來的人工智能，單純從技術(shù)上說早就可以獲得很多應(yīng)用，只是因為細分市場收益與研發(fā)投入之間不成比例，所以主要是經(jīng)濟性上的原因阻礙了這些應(yīng)用成為現(xiàn)實。大模型的真正價值是使大量不同細分應(yīng)用的數(shù)據(jù)訓練變得極為方便，可以不再需要研發(fā)人員參與，這才使性價比達到可以實用化的程度。

能把這種性價比實際變現(xiàn)的，主要就是中國企業(yè)。

將這種大模型真正落地的，就是中模型。

三、采用大模型技術(shù)靈活訪問中模型的應(yīng)用

中模型可以使人工智能的應(yīng)用領(lǐng)域無限地擴展，那么最終用戶如何同樣方便地訪問和 應(yīng)用它們呢？大模型技術(shù)的確也在這方面提供了同樣的方便性。以往在視頻結(jié)構(gòu)化以后，進行訪問時是采用精確或模糊的關(guān)鍵詞匹配。例如要查某個車輛號的車的行進軌跡，是輸入某個車輛號后進行精確匹配或一定程度的模糊匹配。這個對使用者輸入的關(guān)鍵詞是有一定要求的。

采用大模型技術(shù)以后，相當于有了接近語義理解的能力。輸入某個問題后，并非是精確或模糊的關(guān)鍵詞匹配，而是會通過大模型進行語義搜索。例如，浙江宇視的萬物搜，只要輸入一個問題，系統(tǒng)會根據(jù)問題搜索出符合要求的視頻。

輸入“一個穿著京東快遞衣報的人”，萬物搜系統(tǒng)就可以把視頻庫中符合要求的相應(yīng)圖像給找出來。

如果輸入的是“穿著閃送衣服的人”，萬物搜的結(jié)果就是圖像中有穿著閃送衣服的人員。

你也可以輸入“帶著寵物狗的顧客”“帶小孩的顧客”“穿紅衣服的人”“手拿提包的女士”“一群打架的人”“兩個吵架的男士”“出現(xiàn)老虎的畫面”“出現(xiàn)猛禽大鵟”“猛禽入水捕魚”等，系統(tǒng)都可以根據(jù)要求迅速搜索出符合語義要求的視頻結(jié)果。

這樣就使應(yīng)用變得極為方便，也有利于非專業(yè)人員的應(yīng)用。當然，如果增加一個語音識別輸入，就可以實現(xiàn)語音訪問。

四、實現(xiàn)中模型的設(shè)備

人們往往把對人工智能的期待集中在那些性能最強的英偉達芯片，或大型的計算中心上。但真正要實現(xiàn)大規(guī)模商業(yè)化應(yīng)用，必須使得其成本在可控的范圍。與上述中模型應(yīng)用相配合的，可以是云，也可以是如下盒子里的設(shè)備。通過將需要訓練的數(shù)據(jù)和應(yīng)用高度約束在極為有限的范圍，就可以極大地降低數(shù)據(jù)訓練的規(guī)模和存儲容量、計算能力。使得在非常有限成本的前提下，實現(xiàn)所需要的功能。

人工智能各種應(yīng)用中最重要的就是識別，完成識別之后，進行控制相對來說就比較容易了。無論是機器狗、無人機還是智能生產(chǎn)設(shè)備等都是如此。

深圳無人機團隊在沙特秀出的無人機群展現(xiàn)國王頭像。

五、大模型的價值還有多少提升的空間？

最后，我們再來談一下大模型技術(shù)以及為什么本文主題要說“中國人工智能已經(jīng)遙遙領(lǐng)先全球”。大模型本質(zhì)上的價值就是一個智能化的人機接口。簡單回顧一下人機接口的某些發(fā)展歷史是很有參考意義的。我使用電腦的歷史是從20世紀80年代初的蘋果II開始，使用過IBM的8086 AT機，蘋果的麥金塔，對微軟操作系統(tǒng)是從DOS 2.0版本開始用，一直到今天的Windows 11。我在20世紀90年代初北京郵電大學研究生期間學習圖像處理時，使用的軟件開發(fā)平臺是當年SGI公司的專業(yè)圖形工作站。微軟的操作系統(tǒng)從命令行的DOS5.0到Windows3.1是一個真正的飛躍。直到Windows95，才算趕上蘋果麥金塔視窗系統(tǒng)最初的效果?？赡軙尨蠹腋械椒浅Ｒ馔獾囊患虑?，可以說直到今天的Windows 11，效果都沒有超越上個世紀90年代初SGI工作站X-Windows 的專業(yè)水準。從Windows95大致穩(wěn)定，一直到今天的Windows 11，硬件性能有近百萬倍的提升，軟件技術(shù)水平也有巨大進步，但使用者很難感覺到它有什么本質(zhì)的變化。

怎么會是這樣？因為人類對人機接口的需求也是有限的。面向普通用戶使用的微軟Windows系統(tǒng)并不需要最專業(yè)的視窗效果，重在普通人便于使用。普通人甚至不太希望界面有過多的變化。正因如此，才導(dǎo)致了界面變化太多的Windows8市場銷售上的很不成功。

但是，人們接受到的技術(shù)概念多是大眾媒體上非專業(yè)人員的炒作。美國人又特別善長于炒作概念，每隔一段時間就會換一個IT技術(shù)概念來炒作。包括炒作者本人都不完全理解這些技術(shù)內(nèi)涵到底是些什么東西。但凡出現(xiàn)一個新東西，都是一場“革命”，要帶來顛覆性的結(jié)果。不僅中國是如此，美國同樣是如此。甚至美國在這個領(lǐng)域的那些專欄作家，暢銷書作者大多也都是外行。這很容易給人們在技術(shù)上造成偏差過大的理解。

未來學家和數(shù)學家維爾諾·文奇 (Vernor Vinge)所理解的技術(shù)發(fā)展路徑

真實世界一切實際技術(shù)的發(fā)展路徑。只是在跨越新臺階的瞬間，才出現(xiàn)讓人誤以為是奇點的特征。

美國在大模型上的確是領(lǐng)先的，但這種領(lǐng)先就如同新的視窗系統(tǒng)，最容易秀出新花樣，最容易吸引外行人，但卻并不是技術(shù)進步真正能落地的商業(yè)應(yīng)用所在?？v觀人工智能以及其他類似技術(shù)的發(fā)展歷史，并不是什么到一定時間點會出現(xiàn)一個奇點，然后就無限地涌現(xiàn)或指數(shù)級提升，而是的確在某一個時間點上會出現(xiàn)一個瞬間指數(shù)級提升的飛躍，然后很快就基本上停滯在這個新的平臺上，以非常緩慢的、甚至人們都察覺不到的進步速度繼續(xù)提升。所以，從來都沒有，未來也不會有什么奇點，只不過是一個又一個高度有限的技術(shù)或產(chǎn)品臺階的階段性飛躍而已。

也就是說，美國領(lǐng)先的大模型，已經(jīng)完成了邁向新臺階的過程，中國也已經(jīng)完成了這個新臺階的躍升過程。后續(xù)在大模型上的進步，就基本上屬于沒多大實際意義的、在新臺階上緩慢的變化。中國企業(yè)在過去人工智能技術(shù)的落地能力上就已經(jīng)遙遙領(lǐng)先全世界，例如浙江宇視可以說核心能力就是AI+視頻，在將AI技術(shù)落地上從一開始能力就非常強。在今天的中模型和小模型領(lǐng)域，中國企業(yè)的AI落地能力更是獨步全球，而這些工作才是有實質(zhì)性意義的商業(yè)應(yīng)用和進步。