对话真格戴雨森：从20分迅速追到50分，国产大模型难在哪儿

硅谷101：我对你特别感兴趣的有两点，第一是想问你对于大模型的使用体验，因为我看你是一个大模型的深度使用者，不管是语言模型还是 Midjourney。第二就是想问作为一个投资人，你是怎么看这些大模型的？今天我们的谈话也会分成这两个部分去聊。你是什么时候开始注意到大模型然后去使用它的？

戴雨森：首先我我非常喜欢尝试新东西，所以我相信在一个大的革命发生的时候，最好的方式就是去使用，体验，而不是只是研究。在 GPT3 出来的时候，我其实也在一些 demo 上尝试过，但坦率来讲，那个时候 GPT3 表现出来的对话能力，尤其是中文对话能力没有那么强。在 ChatGPT 出来的当天晚上，我的一位同事第一时间用上了ChatGPT，他非常的兴奋，一直用到凌晨五六点钟。我当时没有OpenAI账号，所以我还专门弄了一个国外手机号，结果终于在十几二十个小时之后用上了ChatGPT。

我最震撼的是我当时给ChatGPT用自然语言描述了一下“20 问”这个游戏的规则。这个游戏本质上就是我心里想一个东西，你可以通过最多问 20 个问题来尝试猜到我心中想的是什么，而我只能回答是，否，或者不确定。我大概用 100 多个字把这个规则跟ChatGPT描述了一遍，他就可以开始和我进行游戏了。第一次我想的是猫，它用了大概五六步就猜到了是猫。第二次我想的是拜登，它用了大概 14 步就猜到了拜登，我真的彻底被震惊了。

硅谷101：你觉得和真人比，ChatGPT的水平如何？

戴雨森：我觉得第一步是他能够理解我给他的这个规则。第二步是他能够有效地使用二分法去进行查找。如何高效地寻找玩家心中所想的词汇？这时候就需要做一些二分法。比如玩家心里想的词是不是有生命的？如果有生命，那他是不是人？是一个活着的人还是逝去的人？这些查找的方式都还挺不一样的，但我觉得ChatGPT其实做得非常好。后来我还尝试让ChatGPT跟我下棋，写代码，还有当我的英语老师，他可以从初中到研究生水平给我出不同的英语的题，改我写的英语作文，并且给出很多很好的建议。越使用ChatGPT，我越能发现他能不断完成不同的任务。

硅谷101：除了ChatGPT，你也是Midjourney的重度用户，你能感受到它从V3到V5的进化吗？我们刚刚在讲大语言模型，那现在再来说说扩散模型，你觉得它表现的怎么样？

戴雨森：Midjourney我是从 V3 开始用的。那时候它虽然可以产生一些有意思的概念，但和实际使用还有很大的差距，因为它还是不太能做出比较逼真的画面。但 V4 的效果直接上了个大台阶。V4 对于人物、照片的处理，包括一些很风格化的处理，很明显到了一个能够打败大多数的普通艺术从业人员的水平。

接下来再来说说V5。V5 让很多细节和场景变得更真实了，所以有的时候不是那么的风格化，这就更贴近现实生活了。V5还有一个重要的功能就是“describe”。describe 的功能是让你传一张图片，然后模型可以给你生成几个可能的prompt。传统的文生图工具需要你直接对着一个输入框去想你要画什么，这其实很难，因为人的创作往往是先看到某个图片或者物体，被激发了灵感，然后再在这个基础上进行调整。

举个具体例子，假设我看到一个图片的构图不错，但我想改一下图中的对象，或者我看到一个图片景色不错，但我想把画中的“白天”改成“晚上”，这时候我就可以使用describe功能，让模型帮我去生成一个很好用的prompt，然后我在此prompt的基础再进行修改。这与我之前先在脑子里主动想到一个场景，再根据语言详细描述该画面，自己从头写prompt的工作方式相比，简单不少。

再总结一下，describe 就是图生文，只不过生成的文是prompt，然后你可以直接用这个 prompt 再生成图。

（图片来源于网络 Midjourney的describe功能）

硅谷101：我记得你之前说你一直想画一个大教堂，但是一直没画出理想的，卡在哪了？

戴雨森：可能我当时没用describe这个功能去尝试，如果我上传一张科隆大教堂的图，让模型给我生成一个prompt，再基于这个prompt进行修改，没准就能画出理想的图片了。但说实话，如果你想很仔细的画一个东西，Midjourney不太行，在这方面stable diffusion加control net会更有优势。Midjourney的特长在于帮你进行头脑风暴和画出很有艺术感的图。但当加入了 describe 这些元素之后，模型的可控性就会变强一些，因为我相信大多数公司都是需要有时候发散，有时候可控。大量的商业场景是还是需要可控的，如果它完全不可控，那肯定不是一个最有效率的方式，但是可能是一个最有意思的方式。

硅谷101：刚刚你提到了很多大模型让你惊艳的部分，但如果反过来想，你觉得这些模型有哪些地方表现得还不够好？有一个AI研究员告诉我们说如果你不知道某个问题的答案，就不要问ChatGPT，因为他给你的可能是对的，也可能是胡诌的。从你的角度，你觉得ChatGPT在哪些任务中可以被直接应用，而哪些方面还不太行？

戴雨森：首先，我觉得所有和语言相关的任务ChatGPT都可以直接应用。这个语言包括自然语言和编程语言。实际上现在很多人的代码已经有超过一半是 Copilot 写的了。ChatGPT 能够很好地完成像翻译、总结、改写、扩写等一系列语言任务，因为它本身就是大语言模型。其次，需要头脑风暴的任务ChatGPT也可以很好的处理。比如列提纲，写信，或者写job description，针对这些任务，我都可以先让ChatGPT把大概的内容列出来，然后我再进行修改。

但是，如果你长期使用ChatGPT，你会意识到它的缺点非常多，但同时你应该也能发现它在非常快地迭代和修正。在ChatGPT刚出的时候，它连三位数的加法都还没法准确计算，但现在它其实能做更多位数的加法了，不过在乘法运算上还是差一些。另外，它对于事实性问题的回答肯定还是不太行。

所以，你要从语言和逻辑的角度使用ChatGPT。但如果你想从知识的角度去使用它，很多时候还是要通过 prompt 或者 embedding 的方式把增值的新信息给它快速灌进去，否则他就很可能会胡诌答案。整体来讲，当你意识到它有这些缺点的时候，就不太会被它骗。但如果有一天ChatGPT的知识准确度达到了99%，只有 1% 的时候胡说八道，那个时候可能才是最危险的。

硅谷101：我看到你们做了一个专门评价大模型评估的Benchmark，为什么要设计这样一款模型？从你的评估模型来看， GPT 4 比 GPT 3. 5 好在哪？如果再把它跟一些国产的大模型比，好在哪？

戴雨森：先来介绍一下我们做这个评估模型的背景。当 ChatGPT 火了之后，出现了很多做聊天机器人或者做国产大模型的初创公司，有的公司用了ChatGPT，有的说自己训了模型。但是，哪怕很多资深的投资人在面对一个新的类似GhatGPT的应用时，能做的也就是随便问几个问题，这种问题可能是随便想的，或者说是难度比较低的，但这样的测试其实很难反映出这个类似ChatGPT软件的真实水平。

我们作为非技术人员，其实也不想做一个特别严谨的测试集，但我们希望能实现手工检验模型的边界能力，因此，我们希望让这些测试问题有区分度，有来历。我们有时候会问一些日常中比较有意思的问题，比如问它麻辣螺丝钉的做法，看它会不会跟着胡编乱造。同时学界也有很多 NLP 任务的研究，比如OpenAI在 ChatGPT 出来的时候就公布说 ChatGPT 已经具备了 48 种基础能力，然后我们就通过这个构建了第一版版本的测试问题。

我们还从MMLU和BIG-bench这些比较成熟的NLP测试集中抽取了一些能在各个领域反映模型不同能力的内容。同时，我们也参考了 ChatGPT 新具备的能力，如涌现能力，写代码能力，用 SVG 语言画图的能力，处理更复杂应用题的能力，最后总共设计了 300 个问题。这样一来，非技术人员也能够通过手工输入测试，来对一个大模型的整体能力进行评价了。

（备注：MMLU是一个2020年推出的包含57个不同学科的数据集，科目从STEM到人文，题目难度从初级到高级不等，主要目的是为了检验预训练模型的知识获取程度。BIG-bench同理也是一个自然语言理解基准测试，旨在评估人工智能模型的泛化能力、理解力和创造性。）

在三月份的时候我们测试了一下，GPT 3.5的分数是60多分，而GPT 4则是大概70分。

硅谷101：这个 60 多分是怎么打的？怎么样的评价标准？

戴雨森：用回答正确数量除以300。国产的文心一言大概是20分左右的水平，我们还测试了几家创业公司的模型水平，一家是30分，一家是19分，虽然我们需要鼓励创业公司，但是差距还是比较大。前两天我们也陆续拿到一些国产的上市公司或者大型公司做的模型，又进行了一些测试，整体来讲进步还是很快的。比如说商汤的模型已经到了 50 分的水平。到了现在，GPT 4 现在也许已经可以打 80 多分了，这也就是说国产大模型得分一开始和GPT差距很大，但现在的差距的确在不断缩小。但这里面同时也会有一个问题，就是说模型的提分会不会有个平台期，可能你从 20 追到 50 是容易的，但 50 到 80 可能就很难了。

硅谷101：除了从分数角度对比不同的模型，能不能给大家举个例子，假设针对同一个问题，GPT3.5， GPT 4还有文心一言的回答都是怎么样的？

戴雨森：假设你问这些大模型麻辣螺丝钉的做法，应该只有 GPT4会瞬间告诉你螺丝钉不是一个菜，不能吃；但其他的模型都会假模假样的说麻辣螺丝钉的做法是放上辣椒，加上红油，然后再加入螺丝钉少许。同样，当时我们还有一个很经典的问题，就是问大模型为什么爸妈的婚礼没邀请我参加。只有GPT 4 回答了正确答案——你当时还没出生；而其他模型都回答说可能因为当时他们太忙没邀请你，或者你没时间。

硅谷101：你刚提到的这个麻辣螺丝钉的例子特别有趣。我们之前在播客录制的时候，有一个嘉宾直接在播客里问我晚上有没有吃爆炒篮球。后来在这个播客播出去了以后，就有很多听众在 GPT 3.5上搜爆炒篮球，我看按照他们评论的时间，最开始 GPT3.5 还会一本正经地解释这个爆炒篮球怎么做。但是隔了一两天后，GPT 3.5第一次告诉大家爆炒篮球不能吃，或者这样做是有风险的。再隔一天 GPT 3.5就会告诉大家，爆炒篮球不是一个菜，就不应该这样做，由此可见GPT3.5是在不断进化的，而且进化速度很快。

戴雨森：你去用 ChatGPT 的时候，你会发现下面有一行小字，这个小字就是告诉你现在用的是ChatGPT 哪一天的版本。在我们不断和ChatGPT进行交互的过程中，用户可以顶，可以踩，也可以重新让ChatGPT生成新的回答，生成新回答之后ChatGPT可能还会问你这个新答案比原来的更好还是更差。所以其实我们用户是在不断的通过人工反馈，来让模型训练的越来越好，这就形成了数据的飞轮效应。虽然很多地方都有这种用户的对话数据，但是就用户跟特定聊天机器人的对话数据而言，ChatGPT 的数据量远远大于其他人。

硅谷101：说到大模型的变化，过去两个月的进展真的太快了。在过去一两个月内，大模型领域有哪些进展？你现在的认知跟两个月以前有什么不一样？

戴雨森：我觉得进展非常大。在ChatGPT刚出来的时候，我只是把它当作一个聊天机器人，我们惊讶的是它能够进行多轮对话，还能够根据下文给出合适的回答，但这基本都属于 NLP 的任务。

后来，我们逐渐发现它可以写代码，写营销文案，甚至图像类的生成模型还能帮我们生成精美的图片、照片、还有漫画。这时候，ChatGPT就从聊天机器人进入到下个Copilot阶段。在这个阶段，它能够帮助我们去做很多事情，而我们要做的就是给出目标，帮助Copilot进行选择和调整。

接下来，得益于像reflection、Hugging-GPT 这几篇论文，Auto-GPT和Baby AGI这类大模型也逐渐发展起来了。这些模型能够识别一个任务，把它进行拆解，分解成子任务，调动合适的工具去完成子任务，观察自己完成的结果，对结果进行反思，并且调整他要做的任务，实现了从识别任务到调整任务的一整个循环。

同时，GPT 4 也出了插件系统，之后它就可以调用外部的插件去检索信息，写代码，然后完成很多更复杂的任务。在这个阶段，大模型又从 Copilot 进一步变成了Agent。那么在 Agent 的设定下，大模型就可以基于人给出的初始目标，然后通过自我迭代去完成目标了。

如果我们把大模型的迭代跟自动驾驶去对比的话，大模型也可以有一个五级分类：

硅谷101：中国最近也有很多大厂的大模型在密集发布，比如说百度、阿里、华为；另外，上一批移动互联网创业的成功者也在做大模型，比如王慧文，王小川；像贾扬清、李志飞之前说要做大模型，但现在做的应该算是应用。你能否介绍一下，中国市场大家做的大模型分别都是什么？

戴雨森：目前来看，像百度、字节、阿里、腾讯、商汤、360这些大厂，包括王慧文、王小川的公司，唐杰带队的智谱，这些都是想做一个类似GPT 3.5或者GPT 4的大模型。这类大模型一般都有上百亿参数，能够解决很多 NLP 和通用领域的问题。但是像贾扬清，他可能是想做一个偏中间层的创业公司。我觉得在这过程中肯定大家也会去思考到底大模型是不是适合我做，以及现在是不是做这件事的最好的时机。
同样，大家现在是基于有了ChatGPT才能够去延申的这么一个逻辑。但越到后来大家可能越会有不同的观点出现：第一，如果出现了一个很好用的国产大模型，没有抢到头筹的团队可能就会去想是不是转去做应用会更好？第二，做大模型真的是了解现在的 AGI 或者未来 AGI 能力的唯一途径吗？也许大家未来会有其他理解方式，所以其实也没必要做大模型。
举个更形象一点的例子，目前大家只有坐船才能到美洲，所以所有人都先造船。如果有一天大家有飞机了，那也不用造船了。但就目前没有飞机的情况来看，还是得先造船。现在在中国，所有人都没有船，因此大家的第一反应都是要自己造，这是个很正常的情况。美国为什么没有什么独立做大模型的新公司了？因为美国已经有几条固定的“大船”了，如OpenAI号，Claude号（Claude是由Anthropic开发的聊天机器人，Anthropic是由OpenAI黑手党创立的AI公司），Cohere号（Cohere是一个在多伦多的NLP处理平台公司，由Google前研究人员创立），还有Bard号（Bard是Google开发的基于LaMDA大语言模型的聊天机器人）。有了船之后，人们就该思考“到美洲之后我该做什么” 了，有的人去种棉花，有的人去挖煤炭，于是各种用于不同场景的应用就相继出现了。

硅谷101：那中国的大模型未来是一个怎么样的格局？是一家独大，还是百家争鸣？

戴雨森：我觉得这个问题目前来看还没有答案，我觉得未来的大模型格局会是一个光谱。
第一种就是集中度最高，也就是赢者通吃的局面。如果大模型未来是一个主要ToC 的场景，也就是说未来很多人都会用像 ChatGPT 这样的助理，那么我可以想象，大部分人最后都只会用某一个最领先的助手，可能是ChatGPT，也可能是另一家公司，但我完全没有理由用一个第二名的。就像Google的搜索引擎占了93%的搜索引擎份额，你如果做的引擎超不过Google，我肯定不用你，就算你超过了，但没超过太多，我也没动力为你改变我之前的习惯。
第二种，也有可能形成一个寡头垄断的局面。假设未来使用大语言模型的场景是 ToB而非ToC，并且OpenAI没办法长期保持一个特别遥遥领先的状态，那么第一梯队可能会有 2 到 3 家或者3 到 4 家都还不错，各有特点的公司。这就像公有云一样，有的公司跑在AWS上，有的跑在Azure上，还有的跑在 Google Cloud Service 上。
第三也有可能形成一个百家争鸣的局面。大模型这事现在很厉害，但当它逐渐变成开源的，越来越多的人都可以把开源的模型微调之后部署在自己的服务器上，那这个时候可能就变成了一种百家争鸣状态。也许 OpenAI 就是一个开创者，未来它的大量技术都变成了人类共有的技术。

硅谷101：在聊到中美大模型的时候，大家都会谈到芯片。如果未来芯片不能持续的供应给中国，或者说中国的芯片性能跟不上，但美国的芯片还在持续进化中，你是否觉得中美大模型之间的差距会越来越大？

戴雨森：第一，我们要弄清楚大模型训练是个百米赛跑，还是百公里长跑？如果它是一个很快会遇到瓶颈的事情，那可能现有的算力就够了。但是，如果模型未来会变得越来越大，那现在这些芯片就不太能用了。虽然现在很多人认为后者是未来格局，但是也不一定。
第二，模型训练的效率和方法本身也在不断提高，在之前需要很多算力才能被训练的模型，现在也许会有更省算力的训练方式。
第三，芯片虽然是我们现在看到的一个显著问题，但我们在数据、基础设施、算法这些方面其实都有很多待解决的问题，因此我们不能把问题的解决方式只简化成“买一万块A100芯片”。你如果非要一万块A100，其实国内是有这个数量的，但是我们离用好1万块 A100 还差很远。
假设你想探索怎么去做一个像GPT 3.5那样的模型，其实根本用不到一万块A100，你想想GPT 3其实是在一万块V100上训练出来的，而且GPT 3.5 本身就是一个更小的模型。所以，这件事反映出来我们其实有很多跟芯片一样重要，甚至在短期比芯片更重要的问题还没有被解决。

硅谷101：中文互联网的数据你觉得会是一个问题吗？

戴雨森：我觉得完全不是问题。简单来说，ChatGPT 并没有用什么独有的中文数据，它就已经在中文上具有这么好的表现了。如果从预训练的部分来看GPT 4的话，实际上维基百科和Common Crawl对应的论文都是通过英文然后泛化到中文来的。
所以，我并不觉得Open AI 有什么我们没有的中文数据，但如何用将现有的中文数据进行清洗，标注，提供人工反馈，这才是真正的难点。可见我们需要解决的是一个工程问题，而非语料问题。

硅谷101：GPT 是怎么被做出来的，它中间经历了哪些重要的时刻？能否介绍一下几个关键节点？

戴雨森：现在微软可以每天训练一个 GPT3，因为训练 GPT3 已经变成了一个顺手可做的事情。但是微软自己没办法训练 GPT4 ，只有在 Azure 那一台专门为训练 GPT4 打造的超算上才可以进行GPT4的训练，可见 GPT4的训练难度高了很多。

硅谷101：为什么微软可以随便训练一个 GPT3？而GPT4就不行？

戴雨森：GPT3 所需要的算力以及对应的架构已经很成熟了，你可以直接通过云服务获得算力，但 GPT4所需要的算力达到了一个新的级别。其实 GPT4 初始的能力比现在强很多，我看过一些没有经过微调的GPT4 画出来的图像，它比现在GPT4 画出的图像精细很多。如果你看了“通用人工智能的火花”这篇论文，你会发现 GPT4 是可以画图的。在论文中它画了个独角兽，但是那已经是经过微调之后的 GPT4 画的了。没有经过微调的 GPT4 画的图其实要比那个精细很多。就换句话说，GPT4 为了和人类对齐，牺牲了很多它的能力。

硅谷101：你刚提到GPT4没有经过微调的版本比现在强大很多，为了让它符合安全标准，不要说不该说的话或者有种族歧视，它经历了八个月的安全测试。你觉得OpenAI的下一步会怎么走？它有可能会把之前未阉割的模型版本再放出来一些吗？

戴雨森：这个问题可能只有Sam Altman（OpenAI总裁）能回答。首先，OpenAI让我觉得很厉害的一点就是他们一开始是一个研究机构，而且研究内容比较发散，但后来就变成了一个做产品的公司。
GPT4发布之后，我听到两种声音：一部分人觉得很失望，因为它没有做文生图或者多模态，主要还是文字。但同样还有一部分人觉得很厉害，当然后面插件和Auto-GPT出现之后，就更厉害了。这恰恰反映了 OpenAI 在用一种做好产品，做一个上亿人使用的基础产品的态度去做这件事情。如果是个学术研究机构，他可能会更有动力去发表一个视频到文字，或者说文字到视频的研究结果。

OpenAI不光把已有的基础打好了，它还在努力的让产品去和现有的价值观匹配，那么这个价值观主要是美国加州白人男性的价值观。全世界有很多文明，在一个文明完全正确的事情，在另外一个文明可能就是不正确的。同样我们的价值观变化也非常快。十几年前我在美国读书的时候，同性婚姻还是非常禁忌的话题，当时奥巴马竞选的时候都说不允许同性婚姻，但现在同性婚姻当确是一个很受欢迎的价值观。
在价值观不断演变的过程中，你会发现 AI 该跟什么价值观对齐，该如何动态调整，都还存在很多问题。那么在这个过程中我觉得也需要一些跨国的合作，就像核不扩散国际公约一样，但核不扩散条约大家是否遵守还比较好检验，但是在计算机里运行着的最先进的 AI 实际上很难被看出来。因此，我们一定要去思考该如何对这种未知，同时又可能具有很大破坏性的应用进行监管。

举个例子，电话诈骗、杀猪盘，现在可能是比较弱智的骗术，但以后有了AI的加持，就会变的更加强大。进一步去想，假设在一个选举中可以用 AI 打电话给100 万个关键选民，结果有1万人改了投票，也许美国总统就变了，这可能就是非常大的一个变化。另外，如果Auto GPT 调用了一个发消息应用的API，它完全可以不知疲倦地生成虚假内容，去添塞整个互联网。AI 消灭人类还是比较偏科幻，但是它目前是个强大的语言工具，而我们又缺乏对于一个看似形式很完善的谎言的识别能力，所以这其实非常危险。现在有些人抨击OpenAI说它不开源，但我认为如果我们还没意识到GPT的能力，冒然开源可能会有很大的风险，至少我们等到知道该怎么防御，再进行开源。

硅谷101：除了AI的安全风险，我觉得 OpenAI 的股权设置也很值得讨论。Sam 本人他是没有任何 OpenAI 的股权的，主要股权都给了OpenAI的科学家。OpenAI一开始是一个非盈利型公司，但后来又在非盈利下面设了一个盈利型公司。如果在盈利型公司有股权，就意味着可以获得财务回报，但是在董事会就会没有投票权。Sam 不持盈利性公司的股权，也就是说不要财务回报，而要投票权，我在想为什么Sam要去做这样一种设置？

戴雨森：Sam其实提到了一点，微软现在虽然有 49% 的收益权，可以赚钱，但是它没有控制权。因为他们从一开始就相信这样的技术很危险，需要得到有效的监管和控制，不能够落入邪恶的大公司手里。但是，又因为大公司有钱，能够帮助小初创公司去开发，所以大家才定下来这种收益和控制分开的协定。这是一个很有意思的设定，大家提前把话说清楚，赚钱，控制，你只能选择一个。最开始，OpenAI就是因为不在这种大集团里，才吸引了很多优秀人才，但是随着公司未来越做越大，还是得解决被资本裹挟的问题。

硅谷101：我看到你们也投大模型的应用层，我很好奇从投资的角度，你会怎么去判断一个项目，甚至是一个人他值不值得投？

戴雨森：底层能力我们一直认为是类似的，比如说学习力、领导力、创新力、意志力，这些都是普世的优秀品质。但是，每个公司的情况不一样，创始人所需要具备的技能也不一样。某个新领域的第一家公司可能需要创始人有很强的探索能力，但第二家公司可能就需要更强的执行能力，所以我觉得不宜直接去类比。
另外，OpenAI几个人的搭配非常厉害，每个人在自己应该做的事情上都是世界顶级的。比如Greg Brockman 90%的时间都在写代码，在这里我不是想强调他代码写的多么好，而是想说在公司早期很多事情都不确定的时候，组织里面有一个非常有话语权，执行力非常高，且知道每一个环节都在具体做什么的人非常重要。当公司业务已经比较清楚，且到达了一个学习，研究和探索的阶段后，如果核心成员会的东西牵涉到的领域多，牵涉到团队多，就会很有帮助了。但不管怎么说，有技术背景的人当 CEO ，也有老王这种商业业务背景人的人当 CEO，创业它永远无法是一副完美的牌，哪怕你有看上去完美的牌，你也未必能打得完美它。

硅谷101：最后还有什么要补充的吗？

戴雨森：首先，我觉得 AI 这一波跟之前的元宇宙， Web 3 这种大家觉得有泡沫的浪潮，我觉得还有些不太一样的地方。任何科技进步都有很多泡沫，没有泡沫的地方也不会有啤酒，但是我觉得判断一个事情是不是只有泡沫，取决于他是否给普通的用户提供了直接的价值。不管是AIGC还是Chatgpt，都做到了在使用门槛低的情况下给普通用户提供了价值。原来我们所有的技术其实都在改进我们使用的工具，而这次是第一次我们直接改变了工具，并且这个新工具可能是比我们人类还要更强大。数字世界的迭代是非常快的，我们看到的像Auto-GPT这样的雏形，可能三五年之后就会变得完全不一样，会完善、成熟很多。所以在这个过程中我们要保持开放心态。

然后最重要的一点，在一个技术革命的早期去预测未来，基本上都是错的。试想 2010 年的时候，移动互联网的浪潮其实已经开始了，然后移动互联网跟互联网比其实也差不太多，但如果让你在 2010 年预设 2023 年的移动互联网赢家，你会想到字节、快手、小红书、拼多多、美团、滴滴、Uber吗？我觉得非常难。如果移动互联网都这么难，那预测AI 我觉得就更难。就有人说大模型会吞食掉应用的空间，有人说开源会战胜闭源，我觉得我们一定要记住，这是一个大部分人就只接触了几个月的技术，所以这个时候大家可以猜测，但不用特别在意它的精确度。尤其是对于年轻人来讲，早点的去投身其中，去尝试、去探索其实是才是代表命运最好的方式。

在过去几年我经常听人说 80 后很幸运，因为赶上了互联网的浪潮。我觉得20 年之后，大家会说 00 后很幸运，因为赶上了AGI火花的诞生。我相信技术成熟有利于成熟创业者，但新技术反而利好年轻人。