如何看待AI新基建三浪變革？

AI 新基建開啟“三浪變革”。

第一浪是“知識生產力變革”，大模型是知識工程的生產力變革，天然具有跨領域知識的連接性。上一次知識革命是 11 世紀的畢昇發明的泥活字印刷術、15 世紀的古登堡發明的鉛活字印刷術，讓人類千年歷史中積累的龐大知識工程通過印刷書籍形式推廣傳承，知識從手工抄寫到活字印刷速度提升了118倍，自此浩瀚的知識源源不斷地從印刷作坊以令人驚嘆的速度向全球傳播，堪稱中世紀的“知識互聯網”。在比爾蓋茨的《未來之路》中提到，在谷登堡印刷革命之前，整個歐洲大陸大約只有 3 萬冊書，幾乎都是圣經或圣經評注性著作，而到了1500 年，各類題材的圖書猛增到 900 多萬冊。各種傳單和其他印刷物影響了政府、宗教、科學以及文學。宗教精英圈子以外的人士第一次有機會接觸到書面信息。據多方研究數據表明，大型語言模型顯著提高知識學習速度、知識檢索速度、知識傳播速度、知識推薦準確性，具有跨語言、跨學科領域、跨信源的獨特優勢。在人機協同模式下，大型語言模型將人類科學論文的閱讀時間縮短40%，知識搜索時間縮短 20%，而這僅僅是 ChatGPT 出現一周年的“起點”，鑒于大型語言模型遠超人類的超高速學習能力，預計將在 2026 年學習完所有人類歷史上的高質量文本數據1。人類的知識革命大幕剛剛開啟，高新科研、三大類產業、公共服務的知識型工作范式正在遵循“計算->數據->模型->服務”鏈條重構。

第二浪是“軟件變革”，每次軟件大革新，都會誕生新的超級平臺，顛覆原數字經濟霸主，從 Windows、AppStore 到 GPTs 都不例外，當前智能編程助手改變代碼生產流程，大語言模型成為新一代 AGI 服務入口、軟件調度樞紐。20 世紀 90 年代，未來學家雷·庫茲韋爾發現指數級發展的規律：“一旦技術變得數字化，即被編輯為 0 和 1 表示的計算機代碼，它就能夠脫離摩爾定律的舒服，開始呈指數級加速發展。”所以數字經濟中每一代超級平臺企業都是軟件創新型企業。中國程序員人數位居全球第二，世界上最好的開發語言應是中文，例如商湯科技發布的“代碼小浣熊”Raccoon 智能編程助手，覆蓋軟件需求分析、架構設計、代碼編寫、軟件測試等環節，支持中文、英文注釋生成代碼、跨編程語言翻譯、單元測試用力生成、代碼修正（改 Bug）、代碼重構、編程技術知識問答，在 Python、Java、C、C++、Go、SQL 等 30 多種主流編程語言，以及 VS Code、IntelliJ IDEA 等主流集成開發環境(IED)上，提升開發者編程效率超過 50%，并在以 71%的一次通過率刷新 HumanEval 測試集成績（GPT-4一次通過率 67%）。從此人類程序員將 80%的代碼量交由語言大模型編寫，人類開發專家的時間和精力逐步轉移到更具創新性和高價值的工作中，商湯稱其為軟件 2.0 時代的“新二八定律”。

另一方面，多篇權威論文顯示，大型語言模型能夠面對復雜任務，靈活自動實 現 多 軟 件 串 行 、 多 模 型 協 同 組 合 ， 例 如 AI Agent 、MoE架構（Mixture-of-Experts）、綜合型智能客服、GitHub Copilot 等，能在日常使用中跨模型共享成果、快速學習迭代、增強安全性與倫理性保障。在龐大AI 算力規模、訓練數據集基礎上，新一代 AI 原生軟件應用，導致“傳統軟件智能化，智能軟件樞紐化”全面普及，尤其是那些能滿足目前還難以預知需求的新工具，新一代青少年將在新興 AI 軟件與 MaaS 模型化創新思維邏輯上成長起來，并將新型生產力軟件帶入辦公室與家庭。

第三浪是“AI 計算變革”，在大型語言模型的 Scaling Law（規模定律）指數級算力需求，與線性增長的區域基建投入矛盾下，AI 算力基礎設施將迎來大量技術工程創新，持續降本增效，普惠優勢讓 AI 真正成為賦能千行百業的通用型基礎設施，同時“百模大戰”變為 AI 產業專業化分工。據AI Now《計算能力和人工智能》報告指出，早期 AI 模型算力需求是每21.3 個月翻一番，而2010 年深度學習后（小模型時代），模型對 AI 算力需求縮短至5.7 個月翻一番，而 2023 年，大模型需要的 AI 算力需求每 1-2 個月就翻一番，摩爾定律的增速顯著落后于社會對 AI 算力的指數級需求增長速度，即“AI 超級需求曲線”遙遙領先傳統架構的 AI 算力供給，帶來了 AI 芯片產能瓶頸、漲價等短期市場現象。CSET (Center for Security and Emerging Technology) 在《AI andCompute》報告中預測：“在計算價格沒有任何變化的情況下，尖端模型成本預計將在2026年 6-11 月超過美國 GDP。”未來學家雷·庫茲韋爾認為，從1890年到現在，人類計算設備的（單位時間）的運算能力一直在成倍增強，每當一項指數型技術（例如符合摩爾定律的芯片技術）的實用性達到極限時，就會有另一項技術取而代之。所以，針對大模型高昂的訓練成本、有限的GPU供應量、芯片間通訊瓶頸的核心挑戰，各國均采用大規模智能基建資源投入，并在AI 芯片、智能算力集群、大模型架構、專用模型加速等技術棧環節創新突破，相信在未來3 年通過一系列基礎設施的技術革新，持續降低 AI 計算整體成本（采購、建設與運營），釋放出各行各業的生成智能全民應用創新能力，尤其是推理算力成本下降，對中國 AI 2.0 的大市場、大用戶量至關重要。同水電煤等平價公共服務一樣，人人用得起 AI 算力，人人訓得起 AI 數據，人人做得好AI 模型。