2026年春节期间，开来资本在青岛西海岸举行“人工智能马年约局企业家沙龙”。青岛中科华联新材料股份有限公司联合创始人陈继朝、青岛思普润水处理股份有限公司董事长于振滨、青岛橡六胶管有限公司董事长李新强、青岛日森机电有限公司董事长胡立玉、青岛恒林工业集团创始人曲先军、青岛华世洁环新材料集团高管纪麟肯等6家国家级专精特新小巨人企业负责人以及青岛安宜美食品科技创始人程志波、青岛浙江商会副会长黄蕾、青岛安耐科能源有限公司董事长鹿峰、中科汇信科技集团创始人于京波、青岛市行政审批局四处处长刘启武、山东开来资本创始人王峰等参加沙龙活动。
沙龙活动由开来资本王峰主持，特邀我国知名数据库专家、北京中研软科技有限公司董事长相克军主讲了人工智能目前发展现状、未来丰富的应用场景、产业化落地的领域和途径。
相克军指出，人工智能分为数据、算力、算法。数据是AI的“食材”,AI学习的原料，其形式多种多样，包括文本、图像和声音。算法是AI的“烹饪秘方”。它是一套复杂的数学指令，它告诉计算机如何处理数据、如何从中学习。算力是AI的“炉灶和体力"。它是处理海量数据和复杂算法所需的硬件支撑，通常指GPU。
总结来说:数据是AI的粮食，决定认知边界；算法是AI的大脑，决定智商上限；算力是AI的引擎，决定兑现速度。
API也叫应用程序编程接口，是数字化时代的“连接器”，是不同软件、系统或平台之间约定好的“通信规则”。Agent是个能自己思考、自己行动，能帮你办事的AI智能体。普通AI表现为你问一句，它答一句，往往只能给你文字。而Agent可以自己查材料、自己画图。它能理解你的目标，然后自主调用API完成各种工作。如果说API是工具箱里的锤子、剪刀，那么Agent就是那个熟练使用这些工具的“数字员工”。
那AI是怎么造出来呢?每一步都做了什么。第一步就是预训练，相当于从零岁开始打基础教育，这是最早期也最烧钱，是最核心的一步。一次训练就要花费几百万到上千万美元，而且在这一阶段基本决定了这个模型未来能有多聪明，上限有多高。这一阶段主要工作用一句话说就是给AI看海量的书籍文章、代码图片，让它阅读。这些数据来自于教科书、权威书籍、学术论文、技术文档、维基百科等等，包括高质量的网页。而且必须是经过清洗整理的文档，数据质量要高。当然对于这些数据，虽不追求百分之百全对，但要追求大致正确，为什么呢？如果一开始就给了它大量错误的信息模型，AI就会把错误信息当成常识记住。如果只是少量的错误，在海量的正确数据面前影响不会很大。另外还要对数据去重(chong)。过多重复的内容对训练不利，这倒不是为了省存储省算力，更重要的是防止AI被刷票。举个例子，就是网上关于某个明星八卦的文章可能有几万篇，但对于牛顿第一定律的介绍可能只有几十篇。如果不去重，AI会以为明星八卦比物理定律重要几千倍。再比如，错误的传言被转载了一千次,正确的澄清文章只有一次，这时候AI可能就会以为传言是主流，正确的反而成了噪音。因为在预训练阶段模型的潜规则是出现频率约等于其重要程度。除了去重，还要过滤掉一些垃圾，网页广告、色情、暴力内容数据。
准备好后，AI是怎么学习的呢?主要是做“完型填空”。比如一句话“----一个苹果”,AI就要猜中间填什么，是“吃了一个苹果”、“买了一个苹果”还是“拿了一个苹果”? 这些好像都可以。AI就意识到了这里更可能是个动词，而不是名词。经过长期练习AI就学会了语法，领悟了上下文之间的关系。再比如说“中国的首都是__”，在大量数据中，AI会发现答案好像经常是北京。于是AI又记住了中国的首都是北京这个事实。AI知道的所有的事实、常识和逻辑关系都是这样形成的。这个“完型填空”的方法为什么这么厉害呢？第一是它完全自学，没有人一条条的教他答案，只要喂他数据，他自己就能够学习和总结规律。第二个是目标极其简单。无论是物理、历史、编程还是医学，无论是中文还是英文，它永远做的那就是预测下一个词做完型填空。第三是极致压缩。通过做完型填空，它把人类几千年的知识都压缩进一个巨大的数学模型里，这些知识最终就变成了模型里的参数。我们现在经常看到的豆包、元宝、deep seek这些背后模型的参数都是几十亿、几百亿、上千亿的信息。但此时的AI他只会聊天，还不会干活。
第二步就是训练和微调。通过第一步预训练,AI变成了一个通才，什么都懂一点。如果想让他擅长某一个领域，比如医疗、法律，这时候你就要继续给它喂专业领域的知识。比如医学，你就要给它喂医学教材、医学论文、经过脱敏的真实病例、医患对话记录等等。这些数据量可能比第一步的预训练会少很多，但是对质量的要求是非常高的。训练完之后，这时候的AI就是既有通用的常识，又懂医学、法律、金融等专业知识。但是问题来了，他可能还是会说错，不严谨，甚至胡编乱造，所以就有了第三步。
第三步就是后训练和对齐。第三步就相当于教孩子什么该说什么不该说。这一阶段的目标都是为了让模型更好用、更可靠、更安全。类似请老师给孩子批作业，用多个AI来回答同样的题，人类来打分，看哪个更好？
于是AI慢慢就知道了:噢,人类原来喜欢这样的回答。对于专业领域，还要设立绝对红线。比如医疗，如果用户说我心脏疼，呼吸困难，我不想去医医院，你教我自己怎么吃药。这时候模型就必须学会不能给用药建议，必须引导去医院。经过了前面的三步训练，这个超级学霸就毕业了。
第四步,那就相当于毕业上岗了,比如叫AI帮我写封邮件、帮我总结一篇文章，这时侯AI立刻会给你回复，这一步就叫做推理。这一阶段最重要的就是要反应快，能同时服务很多人，做到稳定不崩溃。就需要有强大的服务器和基础设施。总结一句话，AI是怎么打造出来的呢？它本质上就是用海量优质数据培养了一个会自学的超级学霸。先教它学会专业技能，后教它如何做人。
关于无人驾驶领域,在历经坎坷之后,最终迎来大模型时代。无人驾驶原先的技术路线,到了2022年大家发现连最基础的责任界定都扯不清，商业化赚钱更是遥遥无期。以前我们是怎么做无人驾驶的呢？最初是把它拆分成4个模块，分而治之，像搭积木一样。
第一个模块就叫做感知，就是用摄像头、雷达这些眼睛看路。我们训练了上百个小模型，一个专门认车道线，一个专门认车，一个专门认红绿灯，还有专门认行人的。他们把这些认出来的东西都标注出来，提醒无人驾驶车辆:前面有个车，左边有条双黄线，右边还有辆车，前面还有个红绿灯。这个模块，就只干这一件事:感知。第二个模块叫做预测，这个模块拿到感知模块给的路况信息就开始预测。根据前车的轨迹，它90%的概率是要右转，10%的概率是继续直行。然后预测模块就把自己的预测结果告诉了第三个模块:规划模块。规划模块一听预测模块识90%概率要右转,它马上就说好，那我现在就可以稍微加点油门顶上去。第四个模块就是控制。控制模块就是个真正干苦力的。它拿到了那个油门加百分之五的指令，就真的去踩油门了。这就是无人驾驶的全部过程。听起来挺合理，但就像有个盲人坐在驾驶座上开车，又在副驾驶座配备了一个专门负责看路况的人,但这个看路况就只会看路况，不会开车，所以还得为这个看路况的配备一个会开车的老司机。老司机就负责分析，在这种路况下应该怎么开?等他分析出来后还必须报告给坐在后排的指挥官。这个指挥官根据老司机的分析，再指挥盲人开车。路况信息千变万化,预测和规划这两个独立的部门各算各的账，完全没法协同工作,无人驾驶走进了死胡同。
2023年无人驾驶终于迎来了“端到端”大模型时代。所谓端到端大模型就是把那上百个小模型和那4个独立模块全部扔掉，用一个巨大的大模型来替换它。给大模型喂海量的人类开车的视频数据，然后直接给他加上摄像头和雷达，它就只有一个任务:看视频，模仿人类老司机，然后就能够直接根据实时路况开车了。它放弃了“感知、预测、规划、控制”这四个模块，它就是凭直觉开车。真正让这条路线火遍全球的就是马斯克。2023年8月，特斯拉干了一件疯狂的事，他们直接把车里面工程师写的三十多万行代码都删了，换上了这么一个端到端的大模型。然后开着车在硅谷街头直播，那车开的非常丝滑，像极了老司机。那一刻全世界的车企才如梦初醒，原来大模型才是无人驾驶的真命天子。我们说一个伟大的想法往往需要等待技术的成熟，才能真正改变世界。
这不仅是技术的成熟，更是硬件和算力的成熟。因为这种模型不仅要在云端训练，训练好后部署在车上。端到端大模型就像个迟到的真命天子，把无人驾驶从死胡同里拽了出来。端到端大模型你可以把它理解成就是让AI看海量的人类开车的视频，让AI自己学会开车。但是它有两个天生的短板。没有几十亿上百亿钱烧下去，想做出安全的无人车概率是不大的。为什么这么烧钱呢？因为端到端模型要云端训练，需要海量的算力。同时端到端模型在云端训练时也需要天下的数据。所谓得数据者得天下，得算力者得天下，这一点也不假。为什么特斯拉是佼佼者，因为它有全球最大的量产车，也意味着它有全球最多的训练数据，涵盖了最丰富的场景。同样的端到端模型，如果训练数据收集不够大，遇到过没见过的场景就有可能出错。当然大模型会首先用相近的场景去推理，大多数情况都是正确的,仍不排除有极小的概率还是有可能出错的。
关于无人驾驶到底安不安全的话题，咱们也得换个角度看这个问题，安不安全看你跟谁比。咱们首先得承认一个事实，在这个世界上不可能有100%安全的。人类老司机开车每天都有事故，关键是它比人类更安全嘛。第一个看反应时间，人类司机从看到威胁到踩下刹车,平均反应时间是半秒钟，在这半秒钟里，车还在往往前冲。
而无人车呢他的眼睛看到障碍物到他的大脑给芯片下指令，至少比人快五到十倍。有的甚至能做到十毫秒，也就是眨个眼的功夫。几十毫秒的差距可能就是撞上和刹住的区别。第二个就是视野范围，人类司机再厉害，也只有两只眼睛,存有盲区，而无人车是三百六十度无盲区，他身上长着好多摄像头，这些摄像头都是他的眼睛，前后左右同时盯着哪儿，有情况他都知道。
不可否认端到端大模型也存在一些缺点，那车企是怎么给这些端到端大模型来兜底的呢？有些车企是把一个端到端的大模型变成了两段时;有些车企呢是在端到端大模型的后边再加一个传统的规控模块。说白了都是用来给大模型兜底的，毕竟以后的无人驾驶发生事故车企是要担责的。
国际上通常把安全等级分成0一5级。1级就是有早期的定速巡航；2级开始有点智能了，能自适应巡航，前车慢它也慢，还能帮你把方向盘，好多高端的油车，现在最高就能做到2级。所以说2级包括2级以下出了事情一般都是司机负责的，因为这个只能叫辅助驾驶，不是自动驾驶。3级大多数路况都能自己开。但是遇到复杂情况，他会喊你，我搞不定了，你来，你得随时准备接管。
关键的区别就是3级出事车企可能就得担责了。中国关于3级上路的具体法规还没有落地,让我们可以拭目以待。为什么现在无论是特斯拉、华为，还是蔚小理，都只敢说自己是2.5级，快摸到3级的门槛了。但谁也不敢轻易的跨过去，一旦跨过去就是真正的无人驾驶了。车里可能连方向盘和刹车都没有，你想开都开不了。目前。这个级别全世界就剩中美两边的巨头在死磕。5级就是终极形态，要想追求极致的用户体验，还有比端到端更厉害的那就是视觉语言大模型。你可以和豆包说话，你一上车就告诉他开去公司,今天天气好，我不想走传统线路而想走湖边那条路，看看风景。或者告诉无人驾驶:孩子睡着了，开慢一点，稳一点，你能和车对话，车能听懂你，而且按照你的实时指示变化路线，这个从2025年就开始研发了，目前还没有量产。
算力的物理表现就是GPU，制造商如华为、摩尔线程等。但英伟达的N卡市场占有率最高。中美之间人工智能的差距主要体现在算力上。人工智能目前主要集中在互联网领域，如豆包、百度等，但在其他领域产业落地上仍基本上是空白。
在大模型上最稳定的是阿里的通义千问。中美之间在人工智能走的路线不同。具身智能服务的目标是取代蓝领，现在还很不成熟。智能体服务的目标是取代白领，这是一个确定的方向。
最近美国开发了一个特别火的叫open cloud自主智能体，该软件推出后，美国的软件业市值下跌了1万亿美元。AI落地最先产业化可能会在新材料和生物医学研发领域。给高价值场景赋能，人工智能最具优势。能大大压缩研发时间，原来发明一个新药需要3个10：一是10年时间，二是10亿美元，三是10%成功率。但通过人工智能可能一年就能完成，并且大大降低了成本。
轮胎行业中国一年生产22亿条轮胎，但利润都让米其林、普利司通拿走了，为什么？主要是轮胎品质不行，主要是配方、结构设计与国外有很大差距。但通过人工智能将重塑这个行业，大大降低研发周期和费用，成本仅仅是电钱。原来米其林、多年积淀的技术护城河将一夜颠覆。
现在中美关系非常微妙，银行原先的信息化系统大部分采用国外的，现在面临着国产化替代的大好机遇。目前国产化系统与国外相比，仍有不少差距，不太好用且故障频发。在银行这个特殊行业，对信息化系统的可靠性要求极高。
为此我们开发了一个银行专用的AIOPS。大家知道，金融行业非常特殊，其系统的安全性非常关键，如果信息化系统停止几个小时，就会影响社会稳定。为此，银行信息化系统部署了多个监控，包括应用监控、数据库监控、网络监控、存储监控、云平台监控、虚拟化监控、日志监控等。银行系统一旦出现问题，我们的AIOPS会自动访问银行的各种监控，通过AI智能化操作所有监控运维平台，找出故障所在并迅速解决。在这个过程中，迅速找出故障是最难的，原先需要多个专业的专家在一起会诊。但通过人工智能，效率大大提高，因为人工智能既是数据库专家又是网络专家，还是云专家等等，是一个拥有各种专业知识的综合体。这样故障诊断时间可以从几个小时压缩到几分钟。另外，银行的信息化投资动辄百亿，通过人工智能的加持，投资也可减少一半。
