每到年底总要复盘，我复盘了下自己过去 2 年的注意力，2023 年主要放在大模型的新进展，2024 年开始比较多地关注应用的发展。超简单地总结下，那就是 2023 年被技术的跳跃弄得眼花缭乱，2024 年被很少看到 PMF 弄得抓耳挠腮。
你会发现，当把目光放在消费级应用时，无论是软件还是硬件，面对的问题其实很复杂。除了 AI 技术本身的能力够不够，还有产品和工程上的可实现性，交付用户价值的成本和收益的设计，躲开必然的巨头的阴影和同行的内卷竞争……当然，这一切还有个大前提，还要基于需求有创新性的洞察。
必须面对这么多复杂要素的组合，可能就是今年全球 AI 应用的投融资项目数量基本与去年持平，而且大头还在 ToB 端，并没有迎来想象中的 AI 应用爆发的原因。
前段时间接到了「创原会」的邀请，说可以来看看在工业和科研领域的一些 AI 应用进展，我就以「世界观旅行」的心态昨天去学习了下，突然感觉，果然看看更大的世界总会有收获，这次甚至治愈了不少内心对 AI 价值的焦虑。
在这次的「2024 创原会年度技术峰会」里，简单说最大的感受是，过去一年 AI 实体产业里带来的正反馈是超预期的。核心的原因是，这里值得用「锤子」去敲的「钉子」太多了，技术的供给只要改变，价值就会被立即释放。
所以趁着热乎劲，我也在第一时间把我「世界观旅行」里的一些感受，记录下来分享给大家。
实验室、田间地头、生产车间，AI 改变了什么
1，「AI+水泥」比「鼠标+水泥」更厉害
我从国内这领域的巨头海螺水泥那里增加了不少「奇怪的知识」，比如在水泥行业的生产管线上，至少有 15 类 200 多个场景，正在因为 AI 的到来，让水泥的天花板再次打开，其中涵盖了从矿山开采到水泥发运再到商品混凝土所有工序。
举个例子，就在质量预测这一个场景，AI 通过分析不同的生产条件、不同的原料对于质量的影响，可以实现熟料 3 天、28 天两个强度的预测，这样就可以减少生产过程中的冗余调整，更精准地提升水泥混合掺比、来降低生产的成本。
海螺水泥觉得从设备、安全、质量、园区、决策等各个场景，水泥生产的效率都有大量的改进空间。人家满眼都是看到 AI 带来的技术能力新供给后，想要做事的兴奋。你会发现在这样长流程管线、真实的制造业环境里，AI 带来的价值非常确定。「钉子就在那里」，你不用去想象它是否存在。
2，AI就是药神！
再拿人们都深有体感的医疗健康痛点来说，AI 正在里面「大杀四方」，在药物研发的整个流程中大幅加速研发周期和成功率、降低成本，那些冷门、偏门的病也有机会被看见、被治愈。
以疾病药物研发为例，传统药物研发往往在 10 年以上，成本高到可能超过 20 亿美元，研发过程中统计上的失败率在 90% 以上。那也就不难理解，为什么冷门偏门的疾病不被投入资源和精力了，并且一个有效的药物出来后往往会经过很长的价值回收周期才能变成「普通人能负担的药」。
但随着以 Alphafold 系列模型在蛋白质结构预测和设计领域的效率提升和效果改进，药物研发彻底变天了。比如这次就在「创原会」上，听到了针对一种过去无人问津的利什曼病（黑热病），AI 发现了世界上首个具有预防效果的小分子药物。
叠了 AI buff 后的生命科学正在迎来它的时代。Alphafold2 已经充分论证了 AI 在蛋白质结构预测上的「无敌」，过往用实验的方法花费几十万、数年的工作量，现在只需要几十秒，而且预测准确率也比过往高几十个百分点。蛋白质结构的精确预测对于疾病治疗和药物研发至关重要。
总体感觉，现在 AI 模型通过加速靶点发现、药物筛选和药物结构设计，传染病靶向药物的研发周期便可以从 10 年缩短到 3 年或更短，同时也降低了研发成本，让小型制药公司和学术机构也能参与原创药物研发，当然也会让病人也越来越负担得起。
谁都不是药神，但 AI 就是药神，这确实令人期待。
3，领域专有数据的魅力，谁用谁知道。
基础大模型的通用能力加上领域专有数据的训练，在很多领域的价值是超预期的。
比如，这次学到了一个我们平时很难接触的油气开采领域的进展地球物理大模型，已经应用在深层复杂构造形油气田的勘探、安全监测等各个方面，提高了油气发现的效率和勘探空间。这背后主要是通过把过去行业数据和经验积累「喂」进大模型，带来了场景特有的理解能力，使解决方案的改进效率与效果都立竿见影，哪怕在构造复杂、深地信号弱、干扰大的环境中，也可以进一步勘探。
再比如卫星遥感领域，我们都知道火箭发射成本未来会越来越低，卫星获得的太空视角的空间数据会越来越充分和实时，那么获得数据以后需要用 AI 对于数据进行有效的处理，就是非常关键的问题。
现在遥感影像大模型的运用可以让原先人工用鼠标标注一个月的数据，在 10 分钟内完成完整的解析过程。这样数据处理效率的提升，就可以给卫星遥感的应用拓展新的市场，因为显然 AI 技术的应用也会使遥感卫星能够更好地识别和理解更多有意义的信息，比如像天气、农作物收成、道路规划、路运海运交通等等。
把各种空间数据信息，通过 AI「从看见到看懂」，这是正在被解锁的新资源，我相信这个资源对很多产业都会带来效率提升的连锁反应。
另一种 AI 世界观
4，工业领域的AI变革不是一次「冲锋」，是一场「冲浪」
「创原会」里我这次认识的人，其实有很多来自工业领域，他们的风格和思考的问题角度和互联网圈子的 AI 创新思路还挺不一样的。听他们分享和与他们交流，我感觉人家最不缺的就是进取心和用 AI 的决心，也没有什么特别的焦虑，因为现在就可以摘的果实（AI 确实可以解决的问题）太多了。
如果说有什么共性问题：那就是 AI 技术还在迅速地变化，很多对产业技术链条的重塑，没有办法一次冲锋就一步到位，在这个觉悟下，要从哪开始到哪去？该练的「核心力量」到底是什么是他们思考和我讨论最多的。
以往的信息化和数字化时代，大家可以通过上套系统，用一次冲锋来实现跨时代，但 AI 时代是一场「动态冲浪」，这个情况下，把基本功做好，实践上稳扎稳打，技术上与时俱进，才会让生产力再上一个又一个台阶。
当年从蒸汽机时代进化到电气时代，所有率先跨时代的工厂，第一个重要动作就是「改厂区格局」，把围绕着蒸汽机和各种管道，齿轮形成的「动力链条」来设计的厂区，变成通过电线就能赋能，但对于生产流程更合理的新生产线结构。
我听了华为云 CTO 张宇昕的分享，感觉他说的也是这个问题。大模型这个变量正在改变云、也正在改变云的使用。以 AI Native 的视角重塑算力、云和模型，在业务里形成「以知识为中心」的数据飞轮，才能带来源源不断的 AI 原生应用的竞争力。这就是从数字化向智能化跨越，在「冲浪运动」里最会被用到的那个「基本功」吧。
5，算力！算力！
听华为云讲，预计今年年底，企业对 AI 算力的需求就会超过对通用算力的需求。当以 CPU 为中心的主从架构跟不上千亿、万亿模型的训练和推理，数据中心逐渐演进到以 AI 算力为主的多元算力对等全互联的架构。其实这波 AI 的突破就是算力带来的，Scaling Law 首先是算力能 Scaling。
过去短短 2 年，从万卡集群这个世界上只有几个人有能力搭建，到现在没有 10 万卡集群能力在基础大模型上就不能上牌桌，再到最近马斯克号称要迈向百万卡集群的搭建，真是令人感慨。
显然华为云在这方面在做很多工作，而且可能不只是单纯堆算力的问题。其实单在算力这一个点上，门道还很多，我印象比较深的还有一点是华为云提到的现在影响大模型训练和推理效率的一大瓶颈内存，「没有先进存力、算力也无法充分发挥作用」，因为模型放不进去算不过来。这也是不断能看到不同算力厂商抗衡英伟达的突围点，比如 AMD。
6，Agent 能不能把金字塔倒过来
会上看到这样一张图，很体现像如今的 AI 价值焦虑问题。
整体看，现在 AI 产业呈现出一个金字塔的分布，最上层所有应用加起来可能都敌不过芯片层年入千亿美金的英伟达。但是相对成熟的云这个产业，已经一个倒金字塔的分布了，这意味着应用已经非常丰富，获得了充分的商业回报，享受到云的红利，形成正循环。
AI 很明显还没有走到这个状态。但今年全球所有大公司在基础设施上的巨额砸下 Capex（资本支出），拼命做芯片、扩算力背后，其实是对上层的应用爆发有非常大的期望。
现场看到的 AI 落地实践，也让我感觉 AI 应用开始爬坡了，相应地，更广普的应用也值得期待。现在也觉得共识是，Agent 这种形态，在被领域和场景数据加强的「行业模型」支持下，是核心的突破口。
2025 年的看点，应该就在这里。
7，用AI，改变供给
有一位嘉宾分享的时候提到要充分应用数据和 AI 的能力「从满足需求，到激发需求」，他当时举的例子是就像字节跳动一样充分利用数据和 AI，激发了新需求，引领了短视频。以及他也认为 SHEIN 也是一个例子，在服装、零售这么卷的行业，它能够把它几年之间做到去年 300 多亿还在百分之三四十的增长，充分应用了数据和 AI 能力。
大方向我觉得说的没错，但是我稍有不同的观点是，改变需求是一件非常难的事情，或者说激发需求就是需要从满足需求开始的，只有对满足需求的「供给」足够充分，才有机会谈到「激发」的问题。
字节和 SHEIN 在「改变供给」上是怎么解决的，是「激发需求」的前序问题。还是要顺着明确的存在的需求去通过 AI 改变供给，能改变供给就能改变需求，最终供给和需求的双向丰富，也一定可以重塑连接，这是 AI 商业创新的「本垒打」。
把 AI 生产力组织好，改变供给，就是第一垒。
8，2025可以预期的AI场景：合成数据、ASIC 芯片、编程、具身智能、AI 搜索和智能体。
这个基本上是共识，只结合最近的新闻两个点：
这两天 Databricks，以 690 亿美金的估值融资 100 亿美金，比 OpenAI 最高的一笔融资（66 亿美元）还多，这就是在用真金白银印证：AI 是基于数据的，所以在做 AI 应用的过程中，数据是最值得思考的管线和资产。
另一个新闻是上周五博通的股票在一天之内上升了 24%，因为微软、Meta 和谷歌跟博通谈了定制 AI 芯片，定制的 ASIC 能够做到在特定场景下的性价比和功耗最低。
英伟达是通用之王，但是在特定场景下就会出专项冠军，博通享受了这个红利，这是「模型定义芯片」的现在进行时，也是做 AI 落地应用要考虑的一个要素。
9，「求解器」和「行业AI」，可能是中国最强烈的 AI 需求
会上记了一组数据，
「在中国，制造业仍是经济核心，在联合国所定义的 666 个小的产业中，中国是全球唯一一个各种产业门类齐全的国家，并且其中有 220 多个行业是全球第一的，中国制造业的规模连续 14 年全球第一。」
这串数据翻译一下就是，制造业领域的经验积累正是在中国做 AI 应用时的比较优势knowhow 和场景数据。以服务业为核心的美国更需要「NLP」（自然语言处理），中国则更需要「求解器」和「行业 AI」，在制造业发挥作用，符合中国国情，当然我理解这可能也确实是华为云在努力深耕的方向。
理解环境的特点和需求，也是一个创新者要重点思考的问题。华为云对这个问题的观察，提供了一个新的视角。
