Transcription
谢谢。 [清嗓子] 早上好。 各位早上好。 我知道这次会议会很受欢迎。 嗯，欢迎。 我是迈克尔·简，今天将担任本次小组讨论的主持人。 嗯，我本人曾是一家人工智能公司的初创企业运营者。 嗯，现在我是 Solasto Ventures 的风险投资人，嗯，这是一家总部位于旧金山的、专注于企业人工智能和机器人领域的、前沿科技投资风险投资公司。 所以，我特别期待今天与我们尊贵的嘉宾的对话。 嗯，我想让这次对话保持非正式和相对随意的氛围，在最后，我们可能会留出几分钟时间听取观众的提问。 那么，事不宜迟，请允许我简单介绍一下我们的嘉宾。 曾博士，嗯，是北京长江商学院的会计学副教授。 >> 长江教授。 >> 哦，恭喜。 是北京长江商学院的教授。 嗯，他的研究兴趣包括财务分析、公司披露、投资者关系管理、公司治理、互联网平台业务和战略财务管理。 他还与中国国务院发展研究中心和美国能源基金会合作开展研究项目。 曾教授曾为中国多家领先的人工智能公司提供咨询，并帮助中国一百多家公司在其组织中实施人工智能。 安迪亚·戈博士是纽约大学斯特恩商学院的 Hines Real 讲席教授，他在技术运营与统计学系和市场营销系拥有联合任命。 有什么晋升要说的吗？ 没有。 [笑声] 好的。 戈教授被公认为最有可能塑造组织未来的十大管理思想家之一，也是其领域内影响力排名前 1% 的研究人员，他是技术、数据和数据转型方面的全球专家，近年来，他已为世界各地数十家公司进行了深入的人工智能转型工作。 因此，我们将与我们尊贵的嘉宾一起讨论我们今天会议的主题，数字丝绸之路与硅谷，中国的创新驱动与美国科技竞争，这来得非常及时。 一方面，我们看到中国以惊人的速度发展。 嗯，截至去年，不到两年时间里，已有 2.3 亿生成式人工智能用户。 像 DeepSeek 和阿里巴巴这样的公司正在进军人工智能模型和芯片领域，而这在几年前似乎是遥不可及的。 另一方面，美国在基础研究、尖端大型模型和人工智能芯片设计方面继续领先。 现在，这种竞争不仅仅是技术成就和能力的问题。 这是关于不同的创新理念和方法。 嗯，一个工程驱动的国家以速度和规模推动发展，而一个市场驱动的生态系统则重视基础研究和创业创造力。 在接下来的 50 分钟里，我们希望探讨这些对比鲜明的模式如何塑造商业政策和全球数字秩序。 现在，我想我们先花一半的时间来关注人工智能在组织中的应用。 所以，人工智能在公司和组织中的转型，然后将另一半时间集中在人工智能的创新方面。 所以，我们将讨论一些前沿的嗯人工智能创新以及类似的东西。 所以 [清嗓子] 嗯，所以让我们开始深入探讨嗯，看看，所以转型嗯，所以谈论人工智能的采用方面嗯，这是最终的唯一理由嗯，我们一直在人工智能创新方面投入巨额成本。 嗯，今年早些时候，中国公司 DeepSeek 震惊了市场，因为它以西方竞争对手成本的一小部分开发出了产品。 嗯，市场终于看到，人工智能可以被全球众多不同行业的公司快速而广泛地采用。 嗯，即使在我自己的经验中，嗯，我们投资组合中的许多公司今年在董事会会议上已经开始谈论成为一家人工智能优先的公司，但我想先看看这到底意味着什么，所以戈教授，我先请教您，您在这方面做了很多工作嗯，您如何定义首先是公司或组织的人工智能转型，成为一家人工智能优先的公司意味着什么嗯，这是否意味着一切都通过人工智能自动化了。 >> 谢谢你，迈克尔。 嗯，所以我想说的是，我们实际上嗯，最近出版了一本关于这个主题的书，我们在其中概述了人工智能优先或人工智能采用的框架。 嗯，基本上，思考这个问题的方式是，我们有三层和四个支柱。 好的，这就是我将如何构建它。 最底层的第一层是数据工程。 数据工程是一个层面，基本上，你知道，在过去 20 年里，我处理过的几乎所有数据集都很混乱，原始，嘈杂，有很多缺失的观测值和缺失值，所以在将任何人工智能算法输入任何人工智能算法之前整理数据集就是数据工程部分，好的，这不能完全自动化，你仍然需要大量的人工干预，所以，例如，拥有 Python、R、大数据嗯，以及嗯，云计算等技能的人，这些是数据工程层所需的技能。 现在，一旦数据集被清理干净，它就可以输入任何类型的算法了，在这个阶段，我们将人工智能的房子定义为拥有四个支柱的东西。 第一个支柱是我们称之为描述性人工智能。 在这个阶段，描述性人工智能，你正在回答“到目前为止发生了什么？”这个问题，好的，你还没有施加任何模型，你正在回答“发生了什么？”这个问题，这需要数据可视化等技能。 好的。 接下来是预测性问题，即“接下来会发生什么？” 好的。 嗯，在那里你需要机器学习、预测、数据挖掘等技能。 接下来，也是所有这些中可能最重要的一点是因果推断。 其思想是，你正在试图理解为什么会发生某事。 好的。 最后，我们有我们称之为规范性人工智能的支柱，即“之后我们应该做什么？”这需要优化技能。 好的，所以四个阶段是四个问题，对吧？ 发生了什么？ 接下来会发生什么？ 为什么会发生某事？ 我们应该怎么做？ 然后是第三层，我们称之为第三层，即现代人工智能生成式人工智能支柱。 这包括嗯，你提到了 DeepSeek。 嗯，DeepSeek 是强化学习的一个基本例子。 嗯，我们有生成式人工智能，我们有现代人工智能，我们有嗯，强化学习。 嗯，显然，所有这些都必须以一种非常公平、透明、公平的方式进行，这样人们就知道为什么嗯，使用的数据集已经被去偏了。 没有嗯，所有这些根本性问题。 好的。 所以，嗯，所以到目前为止，在过去的几年里，你知道，我们帮助了嗯，正如你提到的，大约七八十家公司采用了这个框架，然后在此基础上进行实施、执行等。 这不一定是一帆风顺的，但是嗯，这个框架有相当坚实的基础，这就是为什么它似乎效果很好。 >> 我明白了。 谢谢。 这是一个非常有趣的嗯，框架。 嗯，这是我第一次听到这个。 嗯，我稍后会再回来请教您，深入探讨一下。 但现在请允许我转向曾教授。 嗯，您目前正在教授一门名为“人工智能时代的组织重构”的课程。 嗯，您已经帮助了中国大约 100 家公司，这非常令人印象深刻嗯，在他们的人工智能平台和应用程序的实施方面。 您认为在公司采用或实施人工智能时，哪些组织变革最为关键？ 所以，嗯，从组织的视角来看嗯，所以，组织的基本问题是这个。 所以，当组织变得越来越大时，当规模扩大时，复杂性呈指数级增长。 所以，以前我们通过两种方式解决这些问题：第一种方式是劳动分工加上流程。 所以，我们只是将复杂的问题分解成非常简单的问题，这样我们就可以用简单的人来解决简单的问题，从而解决复杂的嗯，问题。 第二种方式是对于不确定的任务，我们需要好的信息，我们需要好的人，我们需要有良好信息的人来做出好的决定。 所以，以前我们通过两种方式解决了这些嗯，组织的根本问题：第一种方式是流程。 第二种方式是人才密度。 但是人工智能将从根本上改变嗯，我们的来源，因为人工智能的能力跨越了专业知识。 所以，例如，OpenAI 或 DeepSeek，他们至少宣布他们可以解决嗯，不同领域不同专业知识的不同问题，而且大多数能力可能超过博士学位。 所以，嗯，这意味着人工智能的能力跨越了嗯，不同的专业知识，这意味着它们可以占据整个过程中的不同职位。 所以，理论上，公司中的所有这些流程都将崩溃，因为如果大多数流程被人工智能占据，那么最终组织就可以实现自动化。 所以，第二个，第二个方式嗯，以前我们可能只有一个非常好的人，最好的那个人，好的，拥有最佳实践，拥有最好的大脑，但我们的大多数员工都不如最好的那些人好，但如果我们能够积累知识库，并从这些最好的人那里积累数据，数据治理，这意味着我们可以产生无限的人才，并以非常非常低的成本，边际成本可能为零，来提高嗯，人才密度。 所以，这意味着我们可能用人工智能优先来解决嗯，组织的根本问题，如果我们嗯，如果我们融合了所有这些嗯，流程，第二个是，我们不需要那么多嗯，具有非常高专业知识的人，因为人工智能可以帮助我们做到这一点。 所以，最终，如果一家公司能够采取这两种方式并重新思考如何组织公司，那么一切都可能在改变。 >> 我明白了 [清嗓子] 非常感谢。 所以，戈教授，您提出了一个框架，通过这个框架我们可以审视公司嗯，关于人工智能优先公司如何构建。 所以，基本上，一家成功的人工智能嗯，人工智能优先公司的核心要素，然后曾教授提出了嗯，人工智能的含义以及在采用人工智能时如何解决这些复杂的组织问题。 所以，让我将它们结合起来，问你们两位嗯，根据你们各自的经验，哪些公司成功地重塑了自己以适应人工智能，而哪些公司却步履维艰，也许，戈教授。 >> 当然，所以嗯，首先我想说，你知道，我们都听说了很多关于生成式人工智能的事情，在我们目前的研究中，我们已经表明，尽管对生成式人工智能有很多炒作，但在未来两到三年内，大部分商业价值仍将来自传统人工智能。 >> 所以这回到了您关于公司犯了哪些错误的问题。 我看到了很多关于生成式人工智能的兴奋和炒作。 每个人都想采用它。 每个人都想分一杯羹，但我认为他们犯的一个错误是他们没有为传统人工智能打下基础，因为生成式人工智能本质上是传统人工智能之上的一个层面。 所以，这是我首先要说的。 第二点是，你知道，我们很多人都听说过代理式人工智能，对吧？ 所以，想法是，将要发生的很多自动化将通过代理来完成。 好的。 但问题是。 所以，今年夏天，我去了世界各地，与嗯，为一些公司提供咨询，我注意到的是，每个人都想再次搭上代理式人工智能的顺风车，但他们还没有完成所需的基础工作，那就是对工作流程进行编码。 好的，所以你不能在你的组织中释放一个代理人，而没有对工作流程进行编码。 你知道，这回到了大约 30 年前，当 SAP 从欧洲首次出现时，他们说我们要将一切数字化。 他们意识到，嗯，只有那些投资了基本基础数字化建设的公司才能采用 SAP。 所以，我认为这是我看到的第二个错误。 人们在没有对工作流程进行编码的情况下就跳入了代理式人工智能。 所以，不要指望 70% 的工作流程仍然来自传统人工智能。 >> 并对工作流程进行编码，然后再进入代理式人工智能。 有趣。 >> 嗯，首先我同意戈教授的观点。 我只是在这里补充一些我的观点。 嗯，所以首先我认为在整个转型过程中有五个要素。 好的。 第一个要素是提示。 所以，每个人都需要知道如何向人工智能提出好问题，否则，他们就无法给你好答案。 第二个是人工智能工具，由强大的人工智能大型语言模型驱动，第三个是知识库。 所以，每个人都应该拥有自己的知识库，公司也应该拥有自己的知识库，这可以成为整个公司未来的核心竞争力。 第四个是数字员工，基于代理，因为代理，如果我们谈论代理的结构，它是简单的，它就像一个嗯，大型语言模型引擎加上一个知识库加上一个提示，然后你就拥有了一个代理。 所以，所以这意味着，当我们拥有员工时，为什么我们需要雇佣员工，仅仅因为我们需要拥有他们的专业知识和经验。 所以，专业知识可以被人工智能引擎取代，嗯，嗯，嗯，嗯，经验可以通过知识库取代。 然后这意味着，如果我们然后这意味着我们可以拥有一个嗯，嗯，数字员工大军。 最后，第五个是自动化工作流程，因为工作流程也很简单。 它基于流程加上数字员工。 所以，嗯，嗯，所以首先这是我们最终应该拥有的要素，我认为这里最困难的部分是数据治理和流程文档化。 如果你问我，成功的秘诀是什么，我会说，嗯，根据我所有的咨询经验，我认为可能 60% 到 70% 的预算用于清理和治理数据，可能 20% 用于管理变革，可能只有 10% 用于人工智能技术或人工智能部署。 所以，但是如果一家公司会说，哦，我真的很喜欢人工智能技术，我想把 80% 的预算花在那里，那么可能就是“垃圾进，垃圾出”。 所以，我完全同意戈教授的观点，数据治理是我们运行一切的前提。 >> 嗯，[清嗓子] 如果我能稍微插一句嘴，嗯，当你们两位说话时，我想到了一些事情。 所以，例如，我们谈了很多关于工作流程嗯，然后曾教授提出的五个要素，我认为在某种程度上，它们都是一个更大的人工智能工作流程的一部分，如果你愿意的话。 如果我想到公司或公司的工作流程，它就像一个人习惯一样。 嗯，这是你做事的方式。 这在很大程度上取决于公司的背景、文化、人们的文化嗯，我们受教育的方式，我们工作的方式。 所以，[清嗓子] 你知道，例如，我的意思是，这不仅仅与人工智能有关，但如果你想到企业软件在组织中的使用方式，例如韩国公司，我与韩国公司打交道很多，嗯，你倾向于拥有水平的企业软件应用程序，如 Excel 或 Microsoft Word，这足以满足我们的大部分需求。 而如果你去美国，一个人可能要处理 30 到 40 个不同的、非常精细的、高度垂直的嗯，工具和应用程序，我认为这都源于文化差异。 所以，让我，这是一个漫长的过程来问下一个问题，这个问题与背景以及嗯，你知道，围绕特定国家或公司或公司的文化、经济、人口统计学等所有背景有关。 嗯，所以我想不用说，当涉及到人工智能转型时，我们不能应用一个通用的剧本给所有公司，并期望它能均匀地奏效。 你必须考虑到所有不同的背景。 嗯，所以也许这次我先请教曾教授。 我很好奇您对这些细微差别如何影响中国公司围绕人工智能进行转型，与美国或中国以外的公司相比，它们可能如何转型。 >> 是的，这是一个很好的问题。 所以，嗯，中国的第一大问题是这个。 好的。 所以，嗯，这种一事两面，一方面，中国公司在过去 30 年里发展得非常非常快。 所以，几乎在所有这些领域。 所以，嗯，是的，我们取得了巨大的成就，但同时我们仍然要付出一些非常沉重的代价，那就是嗯，为了快速增长。 所以，公司管理中的非正式关系比书面流程更重要。 所以，我们的大部分知识都存储在资深员工的头脑中，而不是存储在我们的系统中，也不是存储在 ERP 中。 所以，这意味着我们可能要花费更多的时间和更多的开支来清理我们的数据，使我们的数据更强大。 所以，例如，我有一个保险公司的客户，这是一家大公司。 所以，最初我们认为我们认为我们可能只有 100 个核心流程，但最终当我们试图绘制它们时，我们发现至少有 500 个核心流程，其中 80% 与我们记录的不同。 所以，这意味着我们必须重做 >> 大部分记录在案的流程，因为如果我们不这样做，那么我们就无法拥有工作流程，因为人工智能并不智能到可以告诉我们你可以自动做某事，我们必须告诉 >> 我们必须告诉人工智能去做，但是如果我们没有明确的任务给他们，那么它可以在任何地方发挥作用。 所以，所以这意味着嗯，我们，大多数中国公司都在快速增长，但是我们现在必须付出代价嗯，但是，同时我们还必须在我们公司部署人工智能。 这意味着我们必须在飞行中修理飞机。 所以，这要困难得多。 嗯，根据我在美国公司的一些经验，数据治理和流程文档化比中国公司好得多。 这意味着在初始阶段，好的，美国公司的实施比在中国容易得多。 这意味着在任何垂直行业，当数据可用时，然后我们只需加上大型语言模型的 API，然后他们就可以非常轻松地创造价值，然后这就是为什么美国的公司可以从垂直行业开始，不像在中国，我们必须考虑很多事情，我们必须，例如，我实际上共同创立了一家人工智能公司来帮助企业。 我们发现最困难的部分不是教他们如何使用人工智能，而是帮助他们清理所有这些数据和流程。 他们在那里花费了大约 70% 的精力或努力。 所以，所以最初我们很慢，但最终嗯，根据我的经验，也许美国公司只是从他们的遗留系统升级，但对于中国公司来说，他们有更多的机会重做一切。 所以，所以他们更有可能成为人工智能起源的公司，而不是人工智能升级的公司。 是的。 >> 我明白了。 曾教授刚刚分享了很多见解，实际上是见解和经验教训。 嗯，戈教授，请您也回答类似的问题。 鉴于我们的大部分观众可能来自美国或中国以外的公司，他们是否可以根据您在美国公司或其他公司看到的关于他们如何将人工智能整合到其战略和运营中的情况，从中吸取一些教训？ >> 当然，我认为描述韩国等公司潜力的一个方法是看看今天的人工智能技术栈是什么样的。 好的。 这是与美国和中国无关的。 所以，人工智能技术栈有四个不同的组成部分。 好的。 最底层是人工智能应用程序层。 第二层是人工智能基础模型，如大型语言模型。 第三层是云计算，第四层是半导体芯片。 好的。 所以，任何由人工智能驱动的经济或人工智能组织都必须为其中每一个都留有一个占位符。 好的。 所以，现在的问题是，在这四层中，如果您是韩国一家人工智能公司的成员，例如三星，那么在这四层中，您看到了自己的角色在哪里？ 显然，半导体芯片，你知道，他们在那里做得很好。 嗯，云计算有角色吗？ 例如，构建基础模型有角色吗？ 显然，韩国有很多有趣的人工智能应用公司。 嗯，你知道，我来这里将近 15 年了，每年三四次。 所以，我与这里的许多公司合作过，我看到了很多在应用层面的创新。 我看到了在半导体层面的伟大创新。 我认为中间存在更多的机会。 所以，问题是，这里是否有公司可以采用基础模型，而不仅仅是搭乘美国和中国的顺风车，而是建立自己的基础模型，而不仅仅是为本地化语言和方言建立基础模型，而是真正基础的模型，你知道，例如，像阿联酋和沙特阿拉伯这样的国家，如果你看看世界上哪些国家和地区的公司和国家投资最多，那就是两个国家，好的，那就是沙特阿拉伯和阿拉伯联合酋长国，他们正在投入数十亿美元，现在他们正处于十字路口，他们应该采用美国模式，即非常闭源的大型语言模型，还是应该采用中国模式，即开源模型。 好的。 所以，我今年最近去了沙特阿拉伯和阿联酋，当我与那里的朋友交谈时，他们说，一方面，如果你能以 20% 的成本给我 90% 的价值，为什么我不应该开源并与中国公司合作呢？ 另一方面，还有另一种思想流派认为，人工智能必须是完美的，所以我宁愿支付 100% 的费用来获得 100% 的价值，所以我宁愿使用闭源大型语言模型。 所以，我认为世界现在正处于一个十字路口，我们将不得不等待看看，你知道，事情实际上将如何发展。 >> 有趣。 曾教授，我能问一个非常相似的问题吗，就像戈教授刚才谈到的，但是让我加上主权人工智能的视角。 所以，嗯，嗯，世界各地的公司应该如何平衡对自身主权人工智能能力的依赖，以及利用全球人工智能技术，例如美国方面的 OpenAI 和 Nvidia，或者中国方面的 DeepSeek、阿里巴巴或华为。 我们应该如何看待这个问题？ >> 嗯，根据我的经验，好的，我不能说它是对的还是错的。 我认为，首先，最重要的努力是每个公司都必须做的是数据治理，好的，他们必须非常有条理地构建数据，建立非常好的数据平台，而数据平台不是一个非常具体的技术。 好的。 所以，我认为大多数大公司或中型公司都可以自己构建。 或者，你可以依赖一些第三方平台。 这是第一个。 所以，你必须建立自己的数据基础和流程基础。 第二个是选择你国家中最好的可用产品。 所以，你可以评估不同的，例如，OpenAI 和 Sorobic 拥有世界上最好的闭源大型语言模型，它们的质量确实非常高。 好的。 我认为它们是世界上最好的。 但是中国有阿里巴巴的 DeepSeek、Tongyi，它们几乎是开源大型语言模型中最好的。 还有不同的大小，特别是 Tongyi 从 1B 到 7B 到 16B、32B、200B、720B 和 900B。 所以，我们有不同的尺寸的大型语言模型。 然后你可以自己训练模型来适应你的业务和你的职位。 所以，直接回答你的问题，我认为这是一个自由市场。 好的。 所以，每个公司必须做的最重要的事情是建立自己的数据平台，然后获取世界上最好的可用大型语言模型，就是这样。 所以，我认为我们不需要在这个时候，在短期内，将自己锁定在任何生态系统中，因为这是一种无限的游戏。 也许有一天 A 更好，B 更差，但也许明天一个更差，B 更好。 所以，如果每个人都在桌子上，我认为这是一个无限的游戏。 是的。 >> 我能补充一下吗？ 所以，我同意曾教授关于数据治理的观点，实际上，这让我想起了关于这个问题的某件事，你知道，世界应该走向哪个方向？ 闭源还是开源。 所以，在迪拜有一个有趣的活动，我们中的一些人都在发言，其中一个理论是由一些非常聪明的人提出的。 一个理论是，对于消费者级别的采用，我们应该采用开源，对于企业级别的采用，我们应该采用闭源。 好的。 因为在企业层面犯错的成本正在以更高的水平复合增长，而在消费者层面，嗯，订阅费用很少，甚至没有订阅费，而且错误成本很低。 所以，我可以看到世界可能暂时会这样分化，即消费者级别的应用程序使用开源，企业级别的应用程序使用闭源。 >> 对，我认为这部分解释了马克·扎克伯格招募顶尖人才的努力，以十亿美元的薪资。 因为以错误的方式创建模型的成本确实很高。 >> 尤其是在转向企业领域时，因此，提供如此巨额的薪酬来吸引顶尖人才可能更具成本效益。 >> 错误的业务。 [笑声] >> 我 >> 是的，我只想补充一句话。 所以，首先我同意戈教授的观点，嗯，嗯，第二点是，我认为，无论是闭源还是开源，都只是关于商业模式，我认为最终所有这些最终，不是今天，不是明天，也许在五到十年后，最终所有这些模型都将开源，就像电力一样。 好的。 所以，当我们现在使用电力时，我们不关心谁是供应商，最终，当我们，例如，通用人工智能出现时，如果将来发生这种情况，我们只是使用这种智能，就像电力一样，我们并不真正关心谁是供应商。 >> 也许这就是为什么所有的大型语言模型公司现在都专注于大型语言模型之上的层面，以帮助区分自己，因为大型语言模型正迅速成为一种商品。 嗯，那么，曾教授，我回到您这里。 嗯，在我们会议前的会议中，我认为您提到了一些事情，例如，仅仅在 OpenAI 发布 GPT5 的几周内，就在上个月，像 DeepSeek、华为、阿里巴巴这样的公司都发布了新闻，表明中国在模型效率、芯片架构或芯片生产能力方面取得了重大人工智能里程碑。 嗯，然后您建议美国和中国可能处于这场持续的无限游戏中。 您能详细说明一下吗？ 您是什么意思？ >> 嗯，我认为嗯，基于嗯，基于嗯，嗯，嗯，基础教育模型。 好的。 所以，也许在这个时候，嗯，科学和技术在美国更强大，但工程在中国可能更强大，因为我们有更多的工程师，他们嗯，所以这意味着如果你是一个好的科学家或好的技术人员，你可以提出好的问题，但对于好的工程师，你可以回答，对于任何好的问题，你可以给出更好的答案。 所以，以更有效和低成本的答案。 所以，嗯，我认为对于目前的阶段，嗯，在技术方面，我认为中国仍然在跟随美国的步伐，但我们可以更快地更大规模地部署新技术。 嗯，而且，嗯，所以，但也许在未来五年或十年内，当我们学会如何做到这一点，学会如何做到这一点。 所以，也许我们可以在未来五年或十年内提出更好的问题。 所以，但同时，在美国，工程技术要好得多，也许它能够超越中国目前的阶段。 所以，所以我认为美国和中国在这个领域处于无限的游戏中。 好的。 所以，在这个领域，我们不能说在任何阶段谁是赢家或谁是输家。 好的。 所以，所以最终我希望合作比竞争对这两个国家都更重要。 >> 戈教授，您有什么要说的吗？ >> 是的，我喜欢您最后提到的，“更多合作，更少竞争”。 所以，我们说我们谈论“水涨船高”，我认为这是应该采取的模式。 嗯，但是只是顺着您刚才说的。 嗯，如果必须总结今天的情况，我同意曾教授的观点，美国在人工智能研究方面领先于中国，但中国在实际人工智能实施方面领先于我们。 好的，你知道，两者都需要。 所以，在很多方面，我们看到两个国家在特定领域拥有非常强大的优势，在其他领域拥有机会，而且我认为这个过程不会改变，我认为这涉及到您关于可能有点未来主义的问题，那就是看看嗯，美国，我们基本上是一个民主国家，对吧？ 所以，我们必须以某种方式工作，嗯，你知道，人们的意见，人们的声音必须被听到，必须解决监管合规问题，我们必须听取像您这样的风险投资家的意见，我们还必须听取消费者的观点。 所以，美国选择闭源或进行更多人工智能研究的原因是我们的文化精神就是这样形成的。 >> 而这不会改变。 所以，我认为我们必须弄清楚的是，你知道，鉴于这两个国家将有两个不同的机制向前发展。 嗯，有哪些机会我们可以真正地工程化，你知道，思想和心灵，以便人们能够合作并看到，因为协同效应 1+1 不会是 2，1+1 将会超过 2，我认为这就是国家领导人必须认识到并促成这种协同合作的。 我们以前这样做过，地缘政治力量改变了一切之前，我们做过很多这样的事情，你知道，我与许多中国科技公司合作过，我以前每年去中国六次。 我很喜欢。 U 这已经停止了，不幸的是，但希望它会开始。 >> 我想是的，我感觉一样。 >> 嗯，我认为这次会议如此受欢迎的原因是，这些积极的趋势似乎正在放缓，如果不是停止的话，不幸的是。 那么，我们来谈谈政策吧，一分钟。 嗯，显然，技术政策存在对比鲜明的方法，这会影响创新和创业。 在美国，我们可能采取一种更具反应性的方法，例如通过反垄断法或出口管制。 嗯，而在中国，你有一套政策，如果你愿意的话，更具指导性。 所以，例如，中国几年前设立了所谓的“国家人工智能冠军”，其中包括百度、阿里巴巴、腾讯等公司，这些公司被中国政府指定为中国人工智能的领导者。 嗯，所以也许回到戈教授，您认为这些对比鲜明的政策体系将如何塑造或影响这两个地区或两大强国的创业精神，甚至风险承担能力，随着时间的推移？ >> 当然，所以嗯，你知道，正如我刚才简要提到的，在过去的五年里，我一直在美国从事反垄断案件的工作，作为谷歌、Meta 和一些公司的证人，政府在欧盟和美国都试图拆分这些公司，我们工作的一部分是利用数据和嗯，机器学习来论证为什么不应该拆分它们。 所以，最近谷歌赢得了与美国政府的垄断案，谷歌将不再被拆分，对吧？ 所以，司法部，美国政府输掉了这个案子，我们是谷歌团队的一员。 我想说的是，展望未来，我已经可以看到，你知道，我描述的四层人工智能技术栈，应用程序、大型语言模型、云计算、半导体芯片，我们在每一层都看到了四五家相同的公司。 微软、亚马逊、谷歌，你知道，这些公司都在每一层。 所以，现在美国政府在考虑反垄断政策时，正在考虑是否应该阻止同一四五家公司主导每一层的进程。 对我来说，嗯，你知道，这个对话很重要，但我不认为它应该发展到例如欧盟的地步，我觉得他们正在退步，你知道，他们有很多聪明的人工智能人才，但由于过度监管和过度管制，他们正在倒退，所以个人来说，我不想让美国陷入这种情况，即我们过度监管。 >> 所以我们应该嗯，允许创新，然后监管，而不是像欧盟那样。 欧盟是先监管，然后可能创新。 >> 嗯。 对，美国更像是“你想做什么就做什么，直到有人告诉你不能做为止”。 嗯，而在世界其他地方，更像是“在我告诉你没问题之前不要做”。 我认为这反映在创新、人工智能和其他事物上。 曾教授，您怎么看？ 您同意吗？ >> 是的，首先，我不是国际政策方面的专家，我不是监管决策者，但我可以描述一些我在中国的观察。 所以，首先我认为人工智能是一种基础设施，它应该应用于几乎所有的阶段，它是这个国家整个经济和工业发展的基本基础。 所以，这就是为什么政府试图组织和协同不同力量和不同公司的努力，试图建立基础设施，嗯，嗯，最后的成功案例是关于能源的。 所以，我们试图将我们的化石能源转化为绿色能源。 所以，在 20 年后，我们可以看到它现在是成功的。 但是 [清嗓子] 我认为这就是中国政府想要的，嗯，我们为这个国家建立了一个良好的基础设施，每个人都可以使用。 它并不真正属于任何经济强国，诸如此类。 我能问一个后续问题吗？ 嗯，曾教授，您认为硅谷或西方世界是否误解了中国的创新模式或政策？ >> 嗯，也许，但说实话，我不知道他们真正怎么想。 >> 我可以告诉你。 [笑声] 我会告诉你。 所以，我会说，因为我与美国和中国的公司都有合作。 我认为我们美国最大的误解是那里的一切都是复制粘贴。 >> 完全不是。 所以，并非所有都是模仿。 中国有很多创新，原创创新正在发生。 我认为这种看法随着时间的推移有所缓解。 但我仍然担心，我们美国人仍然认为，哦，所有的创新都发生在西方，东方什么都没发生。 我完全不同意。 部分原因是我自己的经历，亲眼目睹了一些了不起的创新，原创创新。 事实上，有些东西我们也复制了。 所以，这是第一大误解。 >> 我明白了。 好的。 嗯，距离会议结束还有不到五分钟的时间。 我想留出足够的时间让大家提问，但我的最后一个问题是给戈教授和曾教授的。 嗯，[清嗓子] 嗯，嗯，这对全球公司意味着什么，它们现在发现自己越来越处于这两个庞大而先进的人工智能强国之间。 如果您要为这两个地区以外的跨国公司首席执行官提供建议，您将如何建议他们应对数字丝绸之路与硅谷的挑战？ >> 所以，也许，你知道，我最初来自印度，所以我是一名印度裔美国人，所以我将给你印度的视角，对吧？ 所以，它在美国和中国之间。 我给印度公司或印度政府的第一个建议是，我认为您现在不必在美国模式或中国模式之间做出选择，闭源或开源，研究与采用等。 我认为您应该在那个四层技术栈中寻找，对吧？印度公司是否有机会建立原创的大型语言模型基础模型？ 我不认为印度应该进入半导体芯片领域，那需要大量资本，我认为我们不应该进入云计算领域，那也需要大量资本，但我们可以在例如原创基础模型和大型语言模型方面做得更好。 嗯，还有应用程序。 所以，我认为也许保持你的眼睛和耳朵敞开。 现在不要做决定，就像沙特和阿联酋正在做的那样。 他们说，好吧，也许对于消费者应用程序，我们将采用开源，企业应用程序采用闭源。 >> 你知道，成本的 90% 的质量，抱歉，成本的 20% 的质量是足够好的。 这也是我与印度朋友和政府分享的建议。 >> 曾博士。 >> 好的。 是的。 我嗯，实际上我有几位跨国客户在这里，我的建议是直接这样的。 我们有三个阶段。 好的。 第一阶段，你必须将自己转变为一家人工智能驱动的公司或人工智能驱动的组织，这基于我们已经谈过的所有五个要素。 第二件事是，因为你的数字员工正在取代工作，这意味着你的许多服务和产品都可以由人工智能启动和驱动，这意味着你可以在你的业务领域开始销售人工智能驱动的产品。 好的。 所以，这是第二阶段，你将自己转变为人工智能驱动的公司，然后你销售人工智能产品。 所以，由于你是这个领域的领先公司，这意味着你的许多追随者都想向你学习，那么你也许将来可以创造类似苹果的应用程序商店。 我可以出售我的数字员工。 我可以出售我的自动化工作流程。 所以，所有这些企业家将更容易获得所有这些并组装它们来开始一项新业务。 那么将来，也许公司本身就是整个行业发展的基础设施或基础。 所以，如果你能达到第三阶段，那么意味着你自己就是这个行业。 >> 非常感谢。 我想借此机会感谢组织者举办这次活动，并感谢观众今天的参与，最后感谢我们尊贵的嘉宾曾教授和戈教授。 我们可以为他们鼓掌吗？ >> 谢谢。 谢谢。 谢谢。 感谢您的真知灼见。