摘要：
...
2024清华五道口首席经济学家论坛于9月28日在北京举行。北京百川智能科技有限公司创始人兼首席执行官王小川出席并演讲。
以下为演讲实录：
王小川：我发现这一年多来对技术路径怎么发展，市场怎么发展，我讲的都是对的。
第一个，语言为中心，我反复强调语言为中心，这是最重要的一件事，语言变成数学是这一代的变化。行业老提多模态，包括周鸿祎说Sora很强，这是行业很多做多模态，不光是周总，整个学术界把多模态当回事儿，但其实这个突破是在语言上。
第二，行业开始往做的足够大的方向不断发展，但是有一个大的机会是范式的变化，GPT-o1的发布，从快思考走向慢思考，并不是像原来一样参数变得足够大也被验证了，前面两个技术被验证了。
第三个场景当中，什么场景是未来能够大的，且驱动中国发展的，全世界重大的问题，叫做赋能千行百业，或者提到今天还没有把它场景做大，往下要验证的事情就是医疗健康的贡献，甚至医疗是大模型皇冠上的明珠，我们最后走向AGI。
等待一年后再验证百川后面的思考。
今天有很多相通的地方，从科学时代迈向智能时代，这个题目开的更大一点。谈几个重要的观点，在去年年初的时候有争论，到底通用智能时代是不是到来了？我是坚定地相信到来了。我在2018年的时候讲过一句话“当机器掌握语言，强人工智能就到来。”2018年讲这个话的时候，离2023年还有五年的时间，其实那会儿是没有到来的。
当我开始用GPT，开始看到机器掌握语言之后，我知道变天了，我们开始进入智能时代。从工业时代、电气时代、信息时代，我们称为第四次工业革命。今天开始有这样一个共识了。今年年初的时候有些朋友跟我讲，小川，2024年元旦快乐。我说我们要叫做智能纪元二年元旦快乐，2023年是一个元年，新的纪元的开始。比大家想的更大的事。周鸿祎说我是信徒，我带着百川是在智能元年成立的一家公司，快速入场，快速成为中国头部的创业企业。
除此之外，我依然觉得这个事比大家想的还要更大，我不是当工业革命去看，当工业革命看还是一种惯性。我跟大家分享一些我理解不太一样的地方，我叫做科学时代，现在叫智能时代。
科学时代的起步，一个科学家叫牛顿，牛顿重要的工作是把物理学变成了数学，一个讲科学实验，科学实验范式是他提出来的，光子是旋转的还是光是复合的颜色？白光是什么东西？那是讲科学实验。另外重要的东西就是把物理学变成了数学，他有一本巨著叫做《自然哲学的数学原理》，在之前叫《自然哲学》，在他手上变成数学。从康德的讲法来讲，数学是理性的空间，我们没法得到真实的世界的，但是物理学是今天最接近真实的学科，天上星星怎样运动的，苹果怎么落地的，以前是不同的自然现象，但是通过他的翻译体系之后就变成了数学公式，变成了模型，变成了统一的一件事情了，世界的物理万物变成数学解释现实世界。像相对论、量子力学、麦克韦斯方程等等，都是以物理学变成数学作为起点，因此叫做科学的时代。
今天很重的一句话，我叫做智能时代，它跟科学时代不一样了！
科学时代更多讲我们对世界的观测，公式化，这是我们上个时代做的工作。我们这次的起步开始叫做把语言变成了数学，语言是人类认知世界中间重要的一个工具。其实人是观测者，没有观测者就没有创造者，观测使得我们对世界重新以人的意义体系建模，不管是维特根斯坦讲的语言的边界就是你世界的边界，语言中心位置，包括语言是符号体系，我们讲的数学、代码都是语言的符号。学过高等数学的知道，一个等号是一件非常复杂的事情，1+1=2，什么叫等号呢？这个等号是等价群的意思，1+1和2是在一个群里面是分在一个群里面的，叫相等。人类发明语言是对世界上做的重要的一种重新分类的活动，就是代表智能。
我有一句话叫做语言是我们知识、思考和沟通的载体，当语言变成数学问题之后，我们的沟通、知识和思考就变成了数学问题。像物理变成数学一样，这是非常重大的时代突出。在时代之前，第一步就是语言变数学，还有多模态在里面，但是没有那么重要。
第二件事情是从快思考到慢思考，因为今天思考变数学，今天大模型拍脑袋灵光一现给人一点输出，不是经过深思熟虑的。第二步强化学习，包括慢思考，用强化学习和思维链解决慢思考的问题就发生在两周前重大的事件，大模型国内偏冷，但其实我们又有人类智慧巨大的突破。
前两天有媒体问我说再预测下一个突破是什么？我们刚才提到了从语言了强化，下一步我想在五年、十年后还重要的一件事情是机器能够通过写代码去运行代码，获得解决问题的能力。今天我们知道像AlphaGo，咱们都做过，你能不能给我学会下围棋？机器会琢磨什么叫下围棋？围棋怎么判断输赢？把它变成数学代码，程序代码，下围棋的走子规则是什么？生成代码，机器开始自己生成一个下围棋的code，去运行它，运行完之后机器学会下围棋，可以想象通过语言背后能够产生代码的连接，跟同事讲的这个东西挺科幻的，再预测就是大的技术方向。
再往前推，我们还知道智能时代里面做工作，再往下还有一个时代，我认为是今天的物理科学带来的和今天智能还不能解决的问题，怎么把生命变成数学模型。后面我们理解生命，理解活着本身背后的数学问题，理解意识背后的数学问题，人跟机器在共生当中都是以生命的视角来看，而不是物理的世界模型，我称为共生时代，这是做一个预测，可能发生在十到二十年之后会进入新的时代。
黄仁勋已经在他的视频里面讲了，今天开始出生的人不要再学习写代码了，写代码的工作未来机器都会干，我们对未来从生物、生命、生物医药，这是后面的工作。如果刚才从第四次工业革命，我宁可叫做进入智能时代，而不是第四次工业革命，再往下从科学时代、智能时代走向共生的时代。
在智能时代里面，核心在做四个阶段性工作，前两个在信息时代开始解决的，我沿用的DIKW的模型。D是Data、Information、 knowledge、Wisdom。二十年以前人类最伟大的作品，开篇之作是搜索，是解决信息检索的问题，从我们的数据变成了信息。之后也有像收官之作，是作抖音和TikTok，信息从搜索走向了一个推荐。
再往后一直没解决的问题是知识问题，大家都听过一个词叫知识图谱，这是谷歌发明的一个词knowledge graph，我用一个概念讲叫做苦海无崖，回头是岸。这样的技术路线图是不通向未来的，靠人在里面大量的解三元组。中国的首都是北京，靠人去标记，去建立什么叫首都，什么叫城市，什么叫国家，我们在世界的理解里面还是人去做。我在感叹人这样教机器学会语言，像人教机器学会人连一样，本身是不可能实现的事情。而大模型一举攻破了这个问题，把知识变成了数学问题，语言变成数学之后解决了，所以语言模型解决这个问题。
之后开始走向搜索增强，把信息用起来，这个事情发生了18个月，GPT-o1的发布代表了从强化学习开始，我们跳出原来已经有的知识学习的分布。下面的图是重大的变化，可以讲两个模型，一个是生成式模式，语言模型它的特点是数据越多越智能，除了算力以外，尽可能多的数据进来，学的越多，它变得越聪明。这个学习系统按照中国的古话来讲叫做“学而不思则罔”。学东西很多，但是脑子是混乱的，并不经过自己的反思，跟这个真实世界的对齐，这个系统有它的天花板的。走向慢思考背后的一套语言体系就是强化学习，经典的代表之作是2016年发布的AlphaGo，在强化学习上工作，打游戏，做后面的其他的生物蛋白都走的强化学习的道路。
强化学习的做法正好跟大模型截然相反，大模型数据越多越好，强化学习让人的数据越少越好，专家越少越好，每丢掉一些专家就变得越聪明。后来就是Alphazero，AlphaGo训练用了人类6000万的起居做的训练，Alpha zero是0，就不要靠人教它怎么下棋，通过规则，自己通过思考学会了下棋，反而得到了比人更高的下棋的能力。如果它没有学习，只是靠思考，按照中国论语讲的思而不学则殆。一个是今天之前的传统大模型系统叫学而不思则罔，AlphaGo停在下围棋不会新的东西，学和思融合在一起会形成今天的范式。Open AI发布新的GPT-o1兼具这样的学习能力和思考能力，通过多轮的思考让自己凭空成长，你不用的时候它也在进化，这是思考的范式。
今天还有一个大的变革，从科学时代的尾声走向智能时代之后，一些范式在发生变化。我们更多是通过生产关系的变化推动社会进步，比如大家都用美团，美团连接了这些人和商家，店家，我们用滴滴连接了司机，我们用抖音和搜索都是连接的方式在解决的，本身自己并不提供后面的智能，所以是生产关系方面的改变。而且大模型的范式发生变化更是直接提出生产力，不是改变生产关系，而是自己产生了智能。
我们今天做大模型当之无愧是新质生产力中间的一个部分，甚至可能是中间最重要的部分，直接提升供给。最近国外一本书里面讲财富就是知识，大模型是知识引擎，甚至以后做AI For Science，今天成为财富引擎，是生产力带来的。之前我也接触很多的产品经理，如果大家跟互联网圈接触的话，产品经理是中间一个最神圣至高的位置，因为他代表发现了需求，发现潜在，但是没有被满足的需求，通过技术实现叫做PMF，就是Produce Market Fit跟市场的验证，叫做发现一个需求，实现它，去验证它，这是互联网之前的工作范式。但是大模型不是发现需求是重点，而是很多需求已经天然存在，但是更多是供给不足，生产力不足，提供不了。像医生、教师这样一些职位，需求是我要治好病，让自己变得更加有能力，这是一直实现的，对产品经理要求不是洞见需求，而是对技术本身的理解，需求驱动。
最后一句话，我们之前更多在造工具，上次我见到一个高管跟我说：“大模型行吗？”他觉得有问题，我说：“你质疑在哪儿？”我就怼了他一句，我说：“你会做吗？”他自己也不会。今天作为一个人，他本身不代表有工具能力，因此大模型自己有之后，我们实现的是造人，造自己的员工，造我们的伙伴，使得人类推向新的世界，人与智能形成共同面向世界的文明。
谢谢。
新浪声明：所有会议实录均为现场速记整理，未经演讲者审阅，新浪网登载此文出于传递更多信息之目的，并不意味着赞同其观点或证实其描述。
