在2024世界人工智慧大會（WAIC 2024）期間，百度創始人、董事長兼執行長李彥宏，與第一財經傳媒集團總編輯楊宇東和【矽谷101】創始人陳茜，進行了一場圓桌訪談。在一個小時的對話中，李彥宏對開源閉源、大模型價格戰、智慧體、超級套用、AGI等業界熱點問題，表達了自己的看法。
李彥宏認為，開源其實是一種智商稅。「當你理性地去想，大模型能夠帶來什麽價值，以什麽樣的成本帶來價值的時候，就會發現，你永遠應該選擇閉源模型。今天無論是ChatGPT、還是文心一言等閉源模型，一定比開源模型更強大，推理成本更低。」
談及「AI超級套用什麽時候出現」時，李彥宏表示，「不是說一定在等待一個超級套用的出現」。他認為，在基礎模型之上，應該能夠誕生 數以百萬計的各種各樣的套用 。「如果僅僅是從0到1，你可能會希望出現某幾個Super APP，也就是幾個公司從中受益。但是今天，幾乎各行各業所有的公司，被大模型加持之後，它都能受益。這種影響力，對於整個社會、對於人類來說，無疑是更大的。」
李彥宏稱， 智慧體代表著AI時代的未來趨勢。 「智慧體正在爆發，只是現在基數還比較小，大家的體感沒有那麽強烈。」基礎模型需要靠套用才能顯現出價值，智慧體是一個幾乎「放之四海而皆準」的基於大模型的套用，由於它門檻足夠低，可能你連編程都不用，就可以做出一個效果不錯的智慧體。「讓更多人進來，他們發揮聰明才智，指不定哪條路跑通了，它就是一個Super APP。」
以下為訪談精編全文：
超級套用什麽時候出現？
基礎模型之上將誕生數以百萬計的套用
楊宇東：由ChatGPT掀起的這個熱潮已經持續一年多了，你也曾表達，接下來超級套用什麽時候出現？我們看到國內面向C端的大模型產品形態，看起來都差不多，都是搜尋框+問答這種模式，你怎麽看？有沒有可能產生一種差異化的競爭？什麽樣的好產品會出現？
李彥宏：我倒不是說一定在等待一個超級套用的出現。我更覺得，在基礎模型之上，應該能夠誕生數以百萬計各種各樣的套用。
這些套用有些是很小的領域，一個大家可能不太容易想到的套用，但它對於那個領域的問題，解決得比以前好很多。確切的講，我現在還沒有看到，能夠比肩行動網際網路時期超級套用那樣的AI時代的原生套用。但是已經看到，越來越多在各種各樣場景、尤其是To B場景中，利用大模型提升了效率，產生了更多的收入，或者說節省了更多成本的情況出現。
今天，大家都在想，我能不能從0到1，做出一個人們想也沒想到過的東西？變成一個DAU10億的超級套用？這個當然很重要，假以時日也一定會出現。
但是，更重要的是大模型在各個領域、各個場景的套用。
從百度文心一言的日呼叫量來看，已經非常明顯。我們在4月份曾經公布過一個數據，文心一言的呼叫量每天有2億次。前幾天，我們再公布的時候，
文心一言呼叫量已經到了5億次。也就是說，兩個月的時間呼叫量是double。
呼叫背後意味著什麽？意味著它在給套用產生價值。因為沒有價值的話，人家也不會花錢去呼叫。
楊宇東：C端使用者會有什麽樣很好的場景？包括端側、手機上的APP，如何去呼叫AI能力？
李彥宏：
我覺得分兩類：一類是大家比較關註的，過去從來沒有過的套用。現在比較流行的、類似於ChatGPT這樣的ChatBot，就是聊天機器人。國內每一個大模型公司，都會推出一個相應的APP，或者是網站來做ChatBot。
對於現有這些To C的套用，其實它的資訊增益作用也是非常大的
。我們在4月份的時候，公布過一個數據，百度搜尋今天有11%的搜尋結果會由AI來生成，這個比例還在不斷提升。再比如說百度文庫，過去，百度文庫是大家在上面找一些現成的文件。今天，百度文庫經過大模型改造之後，已經更多地變成了生成式AI套用。你不管想要生產什麽樣的文件，是PPT、是論文的格式、甚至是漫畫，它都可以根據你的要求生成。今年以來，文庫已經有大約2600萬付費使用者。如果說用超級套用的標準來看，它也沒有達到超級套用的水準，但是要看它實際產生的價值，有那麽多人願意為這個產品付費，還是很厲害。
這些產品都是過去已經存在，但經過了大模型改造之後，它的能力跟以前完全不一樣了
。
陳茜：我特別同意你最近在多個場合強調的，去卷AI原生套用，大模型才有意義。但到今天，我們還沒有看到套用的爆發，可能很多套用出來也不太盡人意。所以我的問題或者疑惑在於，如果從模型能力上看，是不是現在還沒有到去卷套用的時候？
李彥宏：大模型套用其實已經逐步在浮現出來，它對於現有業態的改造作用，比從0到1的顛覆作用，更早到來。
這個過程一開始大家覺得，沒有那麽性感，但是它對於人的工作效率的提升，對於成本的下降，對於開啟新的可能性，產生的促進作用，是比那些從0到1的套用，反而更大。如果僅僅是從0到1，你可能會希望出現某幾個Super APP，也就是幾個公司從中受益。但是今天，幾乎各行各業所有的公司，被大模型加持之後，它都能受益。這種影響力，對於整個社會、對於人類來說，無疑是更大的。
只是大家覺得，以前都存在，這個東西我以前見過，所以沒有新鮮感。或者它更多誕生在生產力場景，它的受眾群體，或者單一套用的受眾群體，不會過億過十億。尤其在C端，在公眾層面體感沒有那麽集中。這是大家一直在尋找一個Super APP的原因。
為什麽智慧體是未來趨勢？
門檻足夠低，跑通了就是Super APP
楊宇東：我們前面聊的是「卷套用」，接下來還有一個關鍵詞叫「智慧體」。你說過好多次，AI時代最看好的套用是智慧體。但我們目前並沒有看到智慧體的爆發，為什麽你認為智慧體是AI時代的未來趨勢呢？
李彥宏：
我覺得
智慧體正在爆發
，只是說它現在基數還比較小，大家的體感沒有那麽強烈。但是你要看業界大模型公司，都在做智慧體。智慧體就是一個幾乎可以「放之四海而皆準」的基於大模型的套用。今天大多數AI原生套用，你用智慧體的方式都可以做出來，效果也不錯。
由於它門檻足夠低，可能你連編程都不用，就可以做出一個效果不錯的智慧體。
門檻足夠低，就意味著越來越多的人，可以做出他想要的智慧體。這個有點像90年代中期時候的互聯網網站。你可以把它做得非常復雜，比如雅虎就是很厲害的網站。但是在學校讀書的大學生，他也可以做一個自己的Home Page。由於做網站很簡單，在90年代中後期，就誕生了數以百萬計的網站。大浪淘沙之後，最終出來了一些非常優秀的網站，像Google、Facebook，這是若幹年之後才出現。但是早期看，這些網站都是亂糟糟的，一個大學生就能做一個網站出來，這有啥價值？但是你必須得門檻足夠低的時候，讓更多人進來，他們發揮聰明才智，指不定哪條路跑通了，它就是一個Super APP。
陳茜：業界對AI Agent的定義，還是有一點不同。你對Agent的定義是什麽？
李彥宏：
我首先要考慮，這個門檻要足夠低，一個小白，大一的學生，他也可以很方便地制作一個智慧體。當然在此之上，可以有各種各樣比較fancy的玩法，呼叫工具、反思、長期的記憶等等，這些能力會逐步加進去。
不是說用了最先進的這些能力之後，它才叫一個AI Agent。我反而覺得，
我們要把門檻降得足夠低，讓大家覺得，我也可以搞一個AI Agent
。
說實話，我認為現在AI Agent用到的這些能力，仍然是非常初級的，未來還會產生我們今天想也想不到的Agent能力。但是這些能力的誕生，反而要依賴數以百萬計的開發者，去開發各種各樣的套用。在他們使用的過程當中產生新的需求，這些需求被解決的過程，就是一個創新過程，就是AI Agent前進演化的過程。
陳茜：百度有什麽比較有意思的AI Agent案例，可以給我們分享一下嗎？
李彥宏 ：有很多。國內高考是一個非常大的事件，不僅是學生，還有家長都非常重視。過去大模型在幹什麽事？高考有作文題，我們用大模型來寫一個作文，看它能得多少分。其實你想一想，這個東西在哪用呢？不可能讓一個考生帶著大模型去參加高考。但是高考完了之後，你要估分，要報誌願，要選擇學校，你要選擇專業，一個考生他該報哪個學校，哪個專業，每個人情況都是不一樣，每個人的問題也都是不一樣。這種情況下，哪有一個全能的輔導老師可以告訴你，你最適合的是哪個學校哪個專業？但是AI Agent就可以幹這個事情。我們開發了一個高考填報誌願的AI Agent。在高峰時期，一天有200萬人在使用，足見大家對這個東西的認可度和依賴度還是非常高的。
大模型對B端的改造比互聯網更大
規模更小一點的模型市場需求量更大
楊宇東：通用大模型和行業垂直大模型，它將來到底是什麽樣的關系？
李彥宏：
大模型在各個垂直場景裏怎麽用？我們經過了一個探索過程。最初我們的想法是，我把這個基礎模型做得越來越強大，大家叫通用人工智慧，在什麽場景我都能做得很好。後來發現這件事情沒有那麽容易，每個場景都有它自己的道。當套用場景需要反應快的時候，我們需要更小的模型。這種小的模型，它由於沒有大模型通用的能力，所以在垂直場景當中，還要對它做精調，就是SFT，把你行業的數據怎麽灌進去，再經過各種各樣的調教，在這個場景裏的效果，就能夠跟大模型相比差不多。
類似這種場景，我們也見了很多。去年10月份，我們發了文心4.0之後，主要精力在做什麽呢？就是根據最強大的模型，去裁剪各種體量的小模型，比如說十億量級的模型，百億量級的模型，千億量級的模型，這個模型也許擅長角色扮演，那個模型也許擅長邏輯推理等等，根據客戶不同使用場景的不同要求，做出各種各樣的模型。這些模型大多數速度都比EB4要快，推理成本比它要低，所以這種套用是大家更愛用的。今天你要看市場需求的話，規模更小一點的模型，市場需求量是更大的。
楊宇東：你為什麽認為，大模型對B端的改造，比互聯網對B端的影響更大？
李彥宏：互聯網對C端的改造，我們都是感同身受的，是非常徹底的，是顛覆性的。但是互聯網對B端的改造，我覺得一般般。用的技術比較簡單，產生的增益也沒有那麽明顯。但大模型不一樣。我們接觸到的一些能源電力、生產制造等企業，都有類似的需求。比如說，現在國內電動車卷得也很厲害，車內的對話系統，很多也在用文心大模型，使用量也不小，但是對百度來說，這就是一個To B的套用，我們不直接提供給使用者，它是經過了OEM，經過了車廠的整合之後，把這個套用提供給了終端消費者。這種事情其實非常多，而且我們就看呼叫量，如果呼叫量上得很快，這就說明我們的客戶需要這些東西，B端靠著這個大模型，靠著AI原生套用產生了價值。
楊宇東：在金融、醫療等這些比較嚴謹的領域，生成式AI的幻覺問題，怎麽破解？
李彥宏：
今天，應該說你會很少發現幻覺問題了，
尤其是用最大規模、最強大模型的時候，已經很少出現幻覺問題了。
為什麽呢？一開始，純粹用原來的Transformer去做出來的大模型，它確實是非常難避免幻覺的，因為它是個機率模型。
要解這個問題，就要在原來Transformer架構上，增加一些東西，專業詞語叫RAG。我只要稍微借助一點工具，就可以消除這樣的幻覺。隨著使用這種工具的能力越來越強，你就會發現，在各種場景下，幻覺是越來越少的。
當然，今天這種生成式人工智慧，更像是一個Copilot，在特別嚴肅、對準確度要求特別高的場景下，我們還不能讓它全部自動實作，還要靠人把最後一道關。這樣，一方面可以提升效率；另一方面，在準確度上、在消除幻覺上，也能夠起到比較重要的作用。
陳茜：現在企業對AI的使用成本怎麽看？是否願意為AI付費？你在跟一些企業客戶交流的時候，他們的態度是什麽樣子的？
李彥宏：當你處在市場經濟環境當中，企業其實是非常理性的。尤其是中小企業，賬算得非常精。如果這件事情能夠讓我降本增效，能夠讓我賺到更多的錢，那我就會用它。如果不能，你再吹破天，我也不會用。市場會告訴你，大模型到底有用還是沒用？我們看到呼叫量的迅速提升，確實是因為在使用者側、在客戶側，它為企業產生了降本增效的作用。
我再舉個例子，比如說在招聘場景。過去是怎麽做的？是HR坐在那，一份一份簡歷篩查，然後一個一個面試，面試100個人，最後篩出來10個人，再進行下一步面試，效率是非常非常低。但是大模型進來之後，它可以非常明顯地去提升效率。因為，用大模型去理解這是一個什麽人，理解這個老板要招什麽樣的人，然後進行匹配，它的效率就會高很多。
而且，你去算一算模型的推理成本，其實幾乎是可以忽略不計的。尤其在國內，現在大模型價格戰是非常厲害的，百度的輕量級模型都是免費的，這個免費不僅僅指的是模型免費，實際上算力也送你了，你本來要有電腦，要有頻寬等等，這些都沒有了，你只要來用就好。
如何看「開源閉源之爭」？
開源是一種智商稅
閉源模型比開源模型更強大
楊宇東：開源閉源問題是業界關註焦點。你認為，閉源模型會持續領先。但我們看到，開源大模型越來越多，甚至有些能力都不亞於我們說謂的GPT4了，這個問題你怎麽看，你們還是會堅定的走閉源路線？
李彥宏：我覺得，開源其實是一種智商稅。你仔細想一想，我們為什麽要做大模型？是它能夠有套用，這些套用在各種場景下，能夠為客戶為使用者提升效率、降低成本，產生過去產生不了的作用。所以當你理性的去想，大模型能夠給我帶來什麽價值？以什麽樣的成本給我帶來價值？你永遠應該選擇閉源模型。今天這些閉源模型，無論是ChatGPT還是文心一言，以及其他各種各樣的閉源模型，它的平均水平，一定是比這些開源模型更強大，推理成本一定是比開源模型更低。
陳茜：百度對To B客戶，是「閉源+公有雲」這樣一套打法，有什麽考量嗎？
李彥宏：ToB的客戶，他要選擇的是一個價效比最好的模型。一方面，模型要對他的套用產生價值，另外一方面，成本要足夠低。很多時候，你看著有用，一算成本不劃算，客戶就放棄了。這是為什麽我剛才講，開源模型打不過閉源模型。你只要理性的去看待，你的收益是啥，你的成本是啥，你就會發現，最好還是去選擇閉源模型。當然，閉源模型不是一個模型，它是一系列的模型，根據你的使用場景去平衡一下，要多好的效果，要多快的推理速度，要多低的成本。模型有非常多的變種，可以根據使用者的需求，讓他來做選擇。
閉源模型還有一個開源模型不具備的優勢：這些相對來說規模更小的模型，都是從最大最powerful的模型裁剪出來的，裁剪出來這些更小規模的模型，仍然比那些同樣規模的開源模型要效果更好。
陳茜：百度對於中小模型、模型蒸餾上，有什麽樣的策劃？
李彥宏：我們看到的真實需求，在絕大多數情況下都不是最大的模型，它都要求這個模型變小。變小意味著什麽？速度快，成本低。比如說，我幹這個事兒，總共能夠給我帶來每年100萬的增益，但使用最大的模型要120萬的成本，那我肯定不幹了。那我就會給大模型公司提要求，把成本降到80萬，甚至降到8萬。那我們就得想，怎麽把最強大的模型，蒸餾到足夠小，成本足夠低，滿足這個場景需求。因為閉源有一個最強大的基礎模型，根據模型蒸餾或者裁剪出來的小模型，比那些開源模型做出來的東西更有競爭力。所以我們覺得，To B的機會仍然在閉源不在開源。
大模型價格戰不可避免
最終還是比誰的技術好、效率高
楊宇東：我們現在看到價格戰已經開始打起來，其實還是蠻出乎我們的預料，這麽快。
李彥宏：價格戰幾乎不可避免，在中國互聯網幹了這麽長時間，其實已經對價格戰非常熟悉。但就像你講的，確實來得比我想象的更早一點，這麽早就開始把價格打到幾乎不可思議低的地步。但某種意義上講也不是壞事兒，當你足夠低，甚至免費的時候，就會有更多人有積極性來嘗試，在大模型基礎上去開發各種各樣的套用，大模型對於各行各業的滲透速度會更快。
楊宇東：很多閉源大模型API呼叫費越來越低，大模型靠推理收費的商業模式未來成不成立？以後大模型比拼的是哪些點？
李彥宏：大模型技術天花板還是很高的，今天我們還是對於大模型的能力有很多不滿意的地方，仍然需要很多非常優秀的技術人員、需要很多算力、需要很多數據，才能訓練出下一代大模型，我們還可能需要下下一代、下下下一代的大模型。
所以最終我覺得大家是要去拼誰的技術更好，你的技術好，你為客戶產生了更好的價值。今天之所以把這個模型打到足夠低，是因為現在模型的這個能力其實還沒有到最好，沒到最好的時候，大家都差不多的時候，就會誰的價格低就用誰的。
時間長了之後，市場本身會回歸理性。最終還是比誰的技術好，誰的效率高，誰會勝出。
陳茜：你覺得這個價格戰會持續多久的一個時間呢？
李彥宏：這個很難講，現在有些創業公司是玩家，也有很多非常大型的互聯網平台公司是玩家，其實理論上講是可以燒很長時間。但我覺得燒錢不是事情本質，事情本質仍然是誰的技術更好，誰的效率更高，當你的技術好、效率高的時候，你就不怕去打這個價格戰，所以多長時間都OK，最終會是優勝劣汰的過程。
陳茜：你覺得在中國市場會是一個贏家通吃這樣的一個局面嗎？還是說等價格戰之後會剩下幾個主要的？可能還有一些更小一點的？
李彥宏：這次生成式AI是對整個IT技術棧的大變革，過去IT技術棧是芯片層、作業系統層、套用層或者軟體層，就這三層。到生成式AI之後，IT技術棧變成了四層，芯片、深度學習框架層、模型層、套用層，我認為在每一層可能都會誕生至少2—3個大玩家。
套用層的話，可能會有數以百萬計、甚至數以千萬計的各種各樣套用出來，也會逐步出現超級套用，既然是超級套用，當然不會很多，可能是三五個。
模型層我覺得也許兩三個就足夠了，因為最後大家比拼的是效率，你的效率如果不夠高的話，慢慢就覺得說還不如用別的。
Scaling Law短期內不會被顛覆
圖靈測試不再是標準
AGI需要十年以上才能實作
楊宇東：Scaling Law還會持續有效嗎？
李彥宏：Scaling Law可能還會有若幹年的生命周期。但與此同時，在此之上會疊加各種各樣的創新。剛才講的智慧體，它的反思、前進演化能力等，其實跟Scaling Law已經是兩個路線在發展，但它仍然是基於Transformer這類大模型往上做。未來再過一兩年，還會出現什麽新的技術創新，在此基礎上再去疊加，大家都在探索。換句話說，我覺得Scaling Law短期之內不會被顛覆，但是在Scaling Law之上會疊加出來很多我們現在可能還無法想象的創新。
楊宇東：你認為AGI實作的標準是什麽？還有哪些路徑可以讓我們更快地通向AGI？
李彥宏：業界確實還沒有一個標準答案。以前大家覺得，透過圖靈測試就實作AGI了，實際上現在大模型已經透過了圖靈測試。人們所說的AGI，其實大多數時候已經不是只透過圖靈測試了。
那麽什麽叫AGI？在我心目中，AGI就是機器或者說AI，能夠具備人在任何場景下所具備的能力。Artificial General Intelligence，就是通用人工智慧，它不管在什麽場景下，能力都是跟人一樣的，這是一個很高的要求。
所以真正要實作AGI，我認為還需要很多很多年。業界有人說AGI可能再過2年，或者再過5年能實作。我自己的判斷是10年以上，也許更長的時間。我們聽到很多人講，AGI是一種信仰，當你把它當做一種信仰的時候，誰的信仰會明年就實作？這是自相矛盾的。如果是一個信仰，它就是你值得為之長期奮鬥的一個目標。
陳茜：現在GPT5一直在延後，擔憂的聲音也越來越高，AGI沒有辦法用Scaling Law這個方式去帶我們實作了，你對這個有擔憂嗎？
李彥宏：我不是很擔心這件事情，我覺得大家應該更關註套用，而不是關註基礎模型，某種意義上基礎模型叠代速度稍微放緩一點不是壞事，如果今天的套用開發者，有一個相對穩定的基礎來開發套用，其實是效率更高一些的，如果模型天天在那兒練，每天都要重寫一遍過去的程式碼，那是很累的。但是在現有基礎模型上不斷去做微調，去做一些漸進式的叠代和和創新，其實你看到是一直在發生的，無論是OpenAI不斷在推的，還有百度我們的Turbo模型、更小量級的模型等等，都是在根據市場的需求在做叠代。
但長遠來講，我確實認為下一代大模型一定會比現在這一代模型強大得多。什麽時候推出來我不是很著急，我們應該更多的去看真實的市場需求，下一代模型在叠代的時候，要根據市場需求來叠代。
