02AGI 技术路线

但就可以替代天下的人了，所以我们离下一步还差一个学习去学习。

AI 的发展，我们可以理解成它是一个阶梯。去年走的阶梯是 CoT ，就是思维链。因为我们发现，通过思维链的方式，可以让智能达到一个更高的水平。通过它自己思考，可以让这个上限，可以让这个 AI 能做更多的事情。

那么我们又跨过了一个阶梯。今年的阶梯就是 Agent ，因为我们发现，用 Agent 的方式，即便多有事情也可以做，它的能力范围会更大，它的智能上限会更高。

为什么是阶梯呢？因为后面的每一步都是基于前面的基础上的。 Agent 要用到 CoT ，然后 CoT 也要用到前面的阶梯，前面的阶梯就是语言模型，所以它并没有一步是白走的。

所以， AI 的发展，智能的走向是有迹可循的。说今年走的这个阶梯是 Agent ，但是 Agent 这个阶梯，它也是会走完的。就是它把所有可能解决的问题都解决完之后，但是它还是不能替代你的员工，但是它已经到它能力的上限了。

就好像 CoT 一样， CoT 到它的上限之后，它已经超过最顶尖的人类了，在做奥数题、写程序上面已经超过最顶尖的人类了。但是它还是停在那个地方，它那个技术并没有能够到达 AGI 。

所以你看， AI 这个智能的走向，它是有迹可循的。然后在 Agent 之后，我们觉得应该要解决的问题是持续学习，就是怎么让模型可以持续地学习，而不是说你要给它一个很强的训练，它应该能够像人一样做一个比较长时间的持续学习。

这个问题跟完成任务等等是同一回事，它们相关，解决的是同一个问题。我们现在站在 Agent 这个地方，能看到的是下一个瓶颈，就是持续学习。下一个要解决的问题，就是解决怎么持续学习，这个是看得到的，是相对来讲比较明确的。

就是卡在前面的这个障碍，你必须要跨过去，而且一定是有办法能跨过去的，但需要时间。持续学习之后，可能我们就会来到一个奇点。这个奇点就是，当这个模型能够持续学习之后，它已经能够做人类能做的所有事情了。

它就能够自己开发自己的版本，能够自己再研究，然后开发自己的下一个版本，开发更前的人工智能模型。所以它就会到一个奇点，能够实现自己的迭代。

但这个奇点，它并不是一个奇点，它也是一个渐进的过程。这个过程可能也是一个比较长的渐变，它不是个突变。但是习惯性地，我们都认为它可能是个奇点。

因为在很早之前，那些预言家认为这里会有个奇点，但其实它不是一个奇点，它是一个连续的过程。然后这一步走完之后，我觉得才是具身智能。

这是我们的推测，这是我们觉得这个时间表应该是：先解决学习去学习，然后再到那个智能的奇点，能自我迭代的奇点，然后才是具身智能。到具身智能之后，它就走进现实世界，可以给你做家务，可以给你养老。

我们觉得这是一个比较理想的路线图，但每个人的观点不一样，没有对错之分。只是我们觉得，这个路线图是最轻松的。

这个路线图是因为每一步你要做新的都很少。这个路线图我们可以不用加班。但是如果路线图是反过来的，比如说它要先实现具身智能，那么这里自己做得很累，这是一个很苦的活。我们不希望是这样的路线图，我们希望做得轻松一点。

如果说我们先解决持续学习，再解决那个自我迭代的奇点，再解决具身智能，这个路上就很轻松。因为到后面之后，你可以用前面的技术来帮助开发后面的技术。奇点之后再做具身智能，那个就不用人来做，就不用我们来做了，那个模型自己就可以出来了。

所以这个是回答我们的长期目标是什么。我就跟他说，这就是我们的长期目标，就是我们说的 AGI 。

大家回到现实。去年最重要的现实就是，大家都要做 Chatbot ，要抢C端的流量。那么今年的现实是，大家都要抢 To B的收入，要参与到这里面去，因为如果不参与的话，根本就不在牌桌上，对不对？

但我们并不认为它是一个重要事情，或者说，在我们公司内部，我们真正关心的，其实是刚刚我说的这些 AGI 的路线图，以及下一步这个技术怎么突破。

但是有一点很奇怪的是，最想得到的东西，反而你就得不到。那个并没有那么在意的事情，反而是还蛮容易能够得到。

这里边有一个战略上的优势，就是我们心里面想着 AGI ，我们做的是 AGI 。那我们再做那个应用，再做那个C端、B端的时候，根本就不用太多的心思去做那个事情，其实花很少的精力就可以了。

我觉得是说，你站在一个技术的高位上来做相对低一级别的技术，是有这样降维打击的。

至少在去年的C端，我们看到确实是这样。我们没有在C端上花很多力气，甚至一度我们都不想维护那些用户了，但是用户赶都赶不走。

因为真的是赶不走，所以最终都还在。但稍微 …… 然后今年B端的这个收入，现在看起来这个增长还比较乐观。我觉得可能这个数字跟同行比的话，应该也是比较好的，我估计。但是我们并没有花很大的精力去做这事情，我们根本就没有

直接相关那一块，我觉得可能对于我们的很多产业伙伴来讲，他们比我们更关注类似 ……

应该是别人的意义，不应该我把它诠释了。

未来我们会不会自建大型的集群？我觉得自建大型的集群是肯定要的，我们自己一直在做这个事情，我们所有的集群都是自己建的。但是未来要不要自研芯片，我觉得取决于这里的收益有多大，取决于收益有多大。

Tesla 、培育 …… 这个事情。假如说你是运营发电厂的，你并不一定需要去造发电机，对不对？发电设备可以是别人造的，只要它的价格合理，你为什么要自己造？

所以，我希望不用去做芯片。我希望能够以合理的价格买到芯片，这样我就不用去做芯片。我觉得这个很有可能是这样的，就是最近英伟达芯片的利润，不见得是可以 …… 虽然 ……

我们希望只做一块。我觉得 AI 这个事情很大，并不需要我 …… 我只做一块。如果聚焦，并且我认为这里的生意利益已经足够大，就如果是 AI 时代会产生很多家万亿级别的公司，我觉得我们是其中一家。

我们一直做其中一小块，我们是其中一家已经没有什么问题了，并不需要我 …… 我并不是信心勃勃要做地方。我觉得最可能是比较难变，且你真的想做别的话，你还是会有更多的主意，这个会 …… 这是我们的态度。

譬如说，至少在 To B、 To C这两个业务上，目前能看到的，真的想做 To C闭环的，反而我们做得好；真的想做 To B闭环的，说不定也没有我们做得好。你想要得越多 ……

然后还有， To B这个可以多说几句。 To B业务的上限应该还是需求，在现在这一代 AGI 、 AI 技术的背景下， To B的需求应该是有限的。它会快速增长，但并不是一个无穷大的事情，最终还是受制于需求，不是算力。

在当前技术的条件下，收入有多大，最终还是取决于需求。因为你这样想，我十个月就能收回成本，我肯定是如果有去处，我一块买，是因为没有那么多事情。对，需求应该会越来越大，如果随着技术持续有突破，这个需求会越来越大。

多模态布局，我们一直在做。对产品来讲，它很重要；对C端用户产品来讲，它很重要。但是对智能的上限，它是一个组件，它不是主线本身。

但是它作为一个组件，多模态我们肯定会做，而且我们也在做。我们应该会上相关的模型，就是我们 V4 、 V4 的后续版本会支持原生的多模态。但是我们对多模态、对智能来讲，它是个组件，我们不把它当作智能本身，它的主线跟搜索一样。

搜索也是一个组件，多模态也可以，我们的理解它也是一个组件。 Scaling ，我们是信 Scaling ，肯定是规模越大，效果越好，能够解锁更多的功能。阻止我们 Scaling 的其实就是算力，并不是我们不想 Scaling ，是我们没有那么多的算力去做这个 Scaling 。

我们没有触摸到这个上限在哪里。我们训练这么大的模型，并不是因为我觉得这么大的模型就够了，而是我刚好有这么多资源。我是按照我的资源来算，我能够接受、能够训练的模型是多大，是这样算出来的，并不是这个模型就够了。

目前来看，模型收益还是非常明显的。我们还没有机会碰到这个 Scaling 的墙，这离我们还很远。硅谷在说 Scaling 到头的时候，那是对硅谷来说；对中国人来讲，我们离那个还很远，我们根本就没有 Scaling 到那个程度。

这个 Scaling 包括数据的 Scaling 、模型规模的 Scaling ，然后训练成本。我们离探索这个 Scaling 的上限还比较远，就是没有那么多算力。但我们也会不遗余力地去推进这个 Scaling 的上限。

包括我们融资完之后，我们有更多的算力，可能训练更大的模型。时间内买到，就在越短时间内买到；如果能半年精力全花完，那么这是最好的，实际上做不到。

下一代模型的核心能力，我觉得它必须要有持续学习的能力，它才能叫下一代模型。在那之前，我们能做的就是成本，然后效果做得更好，速度做得更快。但是要有大突破，它应该是具备持续学习的。

然后还有一个问题，就是为什么好像我们特别在乎这个模型的计算效率？因为我确实发现，不是所有人都很在乎这个模型的效率。一个商业化公司来讲，没有动力去追求模型的效率，因为模型效率高一点 ……

所以，它没有那么大的动力去追求模型效率要非常高。所以几个创业公司，他们自己并不会 …… 你没有听到他们说低成本是他们追求的东西，因为那个不符合他们的利益。低成本了，你还赚什么钱？低成本了，你就收不到什么钱了。

相反，这是我们愿景的一部分。或者说，我们的愿景，我们的同学在乎这个成本，因为我们的同学都是普通人，他知道用这个都是要花钱的。他能够有这个同理心：别人要花钱来用，那么别人如果便宜一点，别人能够接受的程度会更高。

所以我们有很多同学还是希望我们能够把成本做到更低。但是如果你从商业角度讲的话，其实不会这么考虑。从商业来讲 ……