李彦宏：AI不会抢人饭碗，停止创新才是人类最大的威胁

（原标题：李彦宏：AI不会抢人饭碗，停止创新才是人类最大的威胁）

“对人类最危险最不可持续的事情，就是关掉创新引擎，不发明不创造不进步，才是人类最大的威胁。”

在神奇的非洲大地上，黑人兄弟们有着千奇百怪的交通工具，比如十八手的奥拓，车头少一半的解放牌卡车以及给用来拉香蕉的自行车二八大杠，这些黑人兄弟被网友亲切的称为“奥德彪”。

往前数几十年，我们的父辈又何尝不是靠落后工具谋生的“奥德彪”，为什么今天的我们不再是了？先进的工具释放了更多生产力，创造了更多就业机会。

当前，最先进的工具就是AI。

在ChatGPT、文心一言等大模型掀起全民AI浪潮后，所有人都有一个疑问：我的工作会不会被AI取代？

“大家能够看到现在的工作会消失，但是我们看不到什么新的工作机会会被创造出来。就像100年前、200年前那些人，看不到后来产生的新的工作机会一样。我个人是属于乐观派，我不担心大模型会导致人类工作机会减少、生活会变差。”在5月18日举办的天津智能大会上，李彦宏给出了答案。

AI必定会让一些人看上去像是“拉香蕉的奥德彪”，但也会让更多人开上新技术的快车，带来新的增长奇迹。

新工具与老工具碰撞后的结果，已经被历史无数次验证。

当汽车取代马车的时候，马车夫大量失业，但出现了司机这个平替职业，此外汽车庞大的产业链也创造了数以亿计的就业岗位：在中国，就有3000万人从事与汽车相关的工作。

如果汽车没有普及，马车的相关工作能撑起3000万中国人的就业吗？别的不说，制造环节人力就会完全被机器淘汰，就像今天没有中国企业会雇佣工人磨绣花针一样，但国外呢？“拉香蕉的奥德彪”就是答案。

放到全球，落后的生产力一直都在，未来被AI淘汰的行业、职业在生产力落后的国家和地区依然会是抢手货，因为这本就是一个法拉利与二八大杠共存的世界。

当更先进的工具诞生时，不管会不会造成一些人的失业，会不会影响一些人的利益，它都会被使用。

在发达的欧美国家，卡支付依然是主流，这在中国人民看来简直是一个笑话，但卡支付已经成为欧美的生活方式的时候，我国还在大规模使用纸币、打白条的原始方式，只不过是中国诞生、普及了移动支付这类先进工具，让我们实现了弯道超车。

这次AI的竞争中，我们能否再次弯道超车？百度的担子很重。

百度是全球大厂中第一个做出生成式AI产品的公司，在3月16日，百度文心一言正式启动邀请内测后，已经有200万用户排队，几十万家企业申请测试文心一言。

同时，百度也是全球唯一在芯片层、框架层、模型层、应用层全栈布局的企业，全栈布局能够实现层层反馈，端到端优化，这意味着文心一言天然具备极大的“加速度”，发布一个多月后，文心一言的效率已经提升了接近10倍左右。

在市场层面，全栈布局带来的优势已经开始显现。

不久前，百度智能云向上百家企业合作伙伴展示了正在内测的全球首个一站式企业级大模型生产平台“文心千帆大模型平台”，截止目前，已有超过300家生态伙伴参与文心一言内测，在400多个企业内部场景取得测试成效。

对于一个高速发展的国家而言，产业不可能是一成不变的，就业一定是动态平衡的，90年代的铁饭碗被打破的那一刻起，我们就应该意识到这一点。总有人会在新工具来临时成为“拉香蕉的奥德彪”，不管这个工具是蒸汽机、内燃机、计算机还是AI，但另一面，新的工具会造就新的产业机会，新的产业机会能造就出许许多多的就业岗位。

会上，李彦宏展示的数据显示：第一次工业革命，带来了全球人口和人均GDP的第一波增长浪潮；第二次科技革命，增长更快：80年时间，世界人口增长了2.7倍，60年时间，世界人均GDP就翻了3.2倍；第三次科技革命的30年时间，世界人均GDP就翻了2.8倍。

“人工智能是堪比历次工业革命的大浪潮，一定会创造全球经济的下一个增长奇迹。”李彦宏给出了坚定的预判。

先进工具和落后工具带来的经济和就业增长是质的差距，这或许也是为何我国在供给侧改革中不断强调“产业结构优化升级”的原因。

AI所带来的结果多半也是动态平衡乃至是动态增长的：一方面，AI产品的开发、维护、更新势必需要大量专业岗位，这个变化就像取代马车的汽车行业；另一方面当AI全面普及之后，只要思路活跃、表达清晰，机器就能转化为个人生产力，这意味着很多“人口”会因为AI而变成“人才”，某种程度上AI是给“人才红利”加了一个杠杆。

“对于人类来说，最大的危险、最大的不可持续，并不是创新带来的不确定性。相反的，我们停止创新，不发明不创造不进步，按照惯性走下去，所带来的各种各样不可预知的风险，才是人类最大的威胁。”李彦宏最后说。

以下为李彦宏演讲实录：

各位领导、各位嘉宾：我今天给大家带来的题目叫做《大模型改变人工智能》。刚才龚克也讲了，人工智能在过去这半年当中，受到的关注度比以前高了很多，最主要的是因为出现了生成式的人工智能。而生成式人工智能底层技术，实际上就是大模型。

那么大模型为什么会改变人工智能呢？是大算力、大模型、大数据，导致了智能涌现，什么叫智能涌现呢？过去的人工智能是，我想让机器学会什么技能，就教它什么技能。教过的有可能会，没教过的就不会。大模型出现所谓的智能涌现之后，以前没教过的技能，它也会了。这就是为什么有人讲，我们现在朝着通用人工智能方向发展。

与此同时，人工智能发展方向从辨别式走向生成式。什么叫辨别式？我们过去比较熟悉的人工智能的应用，基本上都是辨别式。比如说人脸识别，过来一个人，我识别这个人是谁，或者不是谁。这个是典型的辨别式。搜索引擎也是典型的辨别式人工智能。用户输入关键字或者一段话，他要找的东西，我们在全网进行匹配，哪一个网页，哪一段内容是他需要的，这是辨别式人工智能。

什么叫生成式人工智能？今天我想写一份申请书，你给我写一下。或者说，我周末请客，10个人，需要出一份菜单，这个无所谓对错，但是它能给你一些感觉，给你一些创意，给你一个好的基础去发展你的思路。或者说，给我画一幅车水马龙的图片。这种东西，过去人们不觉得是人工智能应该做的事，现在可以做了。

那么这样会导致什么呢？导致人们的工作效率大幅度地提升。比如说，在内容创作、客户服务、翻译这些工作，它的效率会大幅度地提升。所以我们也看到，很多研究机构都认为，在未来的10年，很多工作它的效率会成倍成倍的提升。同时也带来一些担心，是不是这样的效率提升，会使得很多人的工作就没了？这些人工作丢掉之后，会不会给我们人类带来不可预知的问题。

其实这个事儿我也讲过很久，最好的去探知答案的方法，实际上是回顾过去。因为很多人也觉得，人工智能是第四次产业革命的标志，我们可以看看之前的产业革命都取代了哪些工作？

200年前，从井下背水的工作基本上消失了。第一次产业革命是蒸汽机的发明，蒸汽机发明第一个应用就是采矿的水，怎么能够把它用机器弄上来。井下背水这些工作的消失，带来了什么？我们来看一下，实际上产生了很多新的工作。

这100年，我们看到世界人口出现了高速增长，跟之前的一两千年人口增长速度相比，快了很多。与此同时，人均GDP也几乎是在同样地快速增长。这说明什么？说明虽然有些工作机会没了，但是更多的机会出现了。人们工作效率的提升，可以养活更多的人，而每个人的生活又变得比以前更好了。从井下背水那个工作，真的不是什么好工作。

100年前，马车夫的工作消失了。这张图片是1913年纽约第五大道的一张图片，这张图片里几乎已经全部都是汽车，只有一辆马车。那会儿，纽约到处都是卖马肉的，马也没用了，后来出现了很多新的工作。1900-1990接近90年，同样的规律，世界人口继续高速增长，每一个人创造的价值继续高速地增长。

30年前，我们这一代人亲身经历，也就是我大学毕业前后，什么工作消失了？打字员的工作消失了。现在年轻一代没有见过打字机的，但也出现了很多新的工作。同样的规律，世界人口继续高速增长，人均GDP继续高速增长。

历史虽然不会重复，但是确实有它的规律。那么这一次，为什么那么多人会担心AI会让工作机会减少呢？我觉得是因为，大家能够看到现在的工作会消失，但是我们看不到什么新的工作机会会被创造出来。就像100年前、200年前那些人，看不到后来产生的新的工作机会一样。我个人是属于乐观派，我不担心大模型会导致人类工作机会减少、生活会变差。

那么大模型怎么重新定义的人工智能？刚才万钢主席也讲了，人机交互的方式发生了变化。其实过去几十年信息产业的发展，人机交互的方式发生了三次变化。

更早我们就不说了，命令行是我读大学读研究生的时候，主要的工作界面。人机进行交互，是通过命令行。我输入一个命令，它给我想要的反应。我当时觉得这个东西效率很高，但是大多数人不会这种操作。

更简单的人机交互方式是什么？是图形用户界面（GUI）。这个起码很多人能看懂了，比第一个要更友好一些。但它仍然不是最自然的交互方式。我要想搞清楚怎么重设一下电脑的自动睡眠时间，我得经过四级菜单，一层一层地点进去，才能找到这个位置。有多少人能记住四级菜单以后，每一个功能在哪？

人工智能的诞生，让我们可以用自然语言跟电脑进行交互。当我有需求的时候，比如说我想查一下上个月，2023年4月，我的公司每一个产品线，有哪些产品的毛利率超过了疫情前的水平？这样一个课题，在过去很可能需要我的助理花半天一天的时间才能获得。今天，如果计算机懂你的自然语言，一秒钟之内就可以给你一个表格。

大模型也会重新定义营销和客服。其实道理很简单，就是谁拥有最佳的跟客户沟通的方式，谁就会拥有这个客户。这个道理不是因为AI的产生，不是因为大模型的产生，只不过技术使得我们实现的可能性，变得比以前多了很多。今天即使你有70亿个客户，你的每一个客户也都可以有一个专属的7×24小时的、什么都知道的助理去服务他。

大模型是一个基础，大模型之上会有各种各样人工智能的应用。最近这段时间讨论比较热的是，AI时代的原生应用到底长什么样子？我给大家举几个例子：

比如说像DoNotPay，这是什么呢？比较典型的应用场景是人工智能律师。比如说，你在美国开车超速了，超速之后警察给你一个罚单，一般交几百块钱。其实你可以不交，你请一个律师帮你打官司，就可以不交了。但是请一个律师的钱，可能是罚单钱的两倍，所以你不请了。今天请AI当律师，你就可以不交那个钱。

Jasper是营销创意的生成工具，你的公司想要出什么样的创意，它来帮你出，所以效率高很多。

Speak是韩国的软件应用，实际上是教你学外语的，模拟各种场景，你要到餐馆点餐，跟对方谈判，你要跟对方怎么交互，上百种语言都可以做得非常好。

对于百度来说，我们的大模型叫文心一言，两个月之前发布的，应该说是在全球大厂当中是第一个发布的。之所以我们要尽快地发布出来，是因为市场有非常强的需求。目前有200多万的用户在排队等待进行测试，也有十几万家企业希望接入文心一言进行测试。

当然百度在这方面的投入，实际上不是刚刚开始的，不是这半年才开始的。我们从2019年发布了文心大模型的1.0，到现在已经有四年的时间。更早的时候，我们从2013年左右就开始人工智能投入了。

人工智能之所以有这么大的变化，其实不仅仅是它的应用场景的变化，实际上背后的技术栈也发生了非常根本的变化。

我们每个人都熟悉的IT的技术栈是这三层，底层是芯片层，典型的公司是英特尔、AMD、高通，它的芯片叫做CPU；中间层是操作系统，在PC时代就是Windows，在手机时代是安卓和iOS；上面是应用层，PC时代所有的人都给Windows开发软件，在移动时代所有的人都给安卓和iOS开发应用。

今天人工智能时代的到来，改变了这个格局。现在的IT技术栈变成了四层，底层仍然是芯片层，但是主要的芯片已经不是CPU，而是以GPU为代表的，新一代适合并行大规模浮点运算的芯片。上面我们叫做框架层，就是深度学习的框架，像百度的PaddlePaddle飞桨，Meta的PyTorch，谷歌的TensorFlow都是在这一层。再上面一层是模型层，今天的ChatGPT、文心一言等等，这些是属于模型层，以后AI时代的原生应用，都会基于大模型来进行开发。

这方面百度有比较明显的优势，我们在四层当中每一层都有比较领先的产品，比如说芯片层有昆仑芯。这个也做了有十年之久，最早是因为搜索应用需要，我们买别人的芯片，毕竟太贵了，所以自己开发了。框架层是飞桨，飞桨今天在中国的市场份额第一。在模型层是文心大模型，其实除了文心一言，它是对标ChatGPT的之外，我们还有很多行业大模型，如交通大模型、能源大模型等。应用层的话，像百度搜索等都是我们比较领先的应用。

这四层都有比较领先的产品或者技术，有什么好处呢？就是你可以进行端到端的优化，每一层可以给其他层反馈，根据这些反馈你可以综合的、统筹的去考虑怎么优化。

百度在芯片层的布局，就是昆仑芯，我们已经有两代产品，几万片的部署，无论是公司内还是公司外都在应用。昆仑芯第三代，会在明年年初上市。

在框架层，飞桨的框架在中国人工智能领域已经有了500多万开发者，也越来越获得大家的认同。

模型层刚才讲了文心一言，在各种使用场景都有不少的应用。未来，我相信会有更多的应用会基于文心大模型开发出来。

在应用层大家比较熟悉的是百度的搜索，百度不可能在应用层什么都做，我们除了搜索之外，还做了跟交通有关的应用。交通也是非常复杂，而且影响非常广泛的方向。

百度做的其实主要是两件事，一个是自动驾驶，或者是无人驾驶的技术，一个是智能交通。无人驾驶我们做了有十年时间，现在在武汉、在重庆都可以进行商业化的无人的运营。智能交通我们也做了有好几年了，在不少城市都证明了效果，通过智能的调整红绿灯变灯的时间，可以让我们的城市的交通效率有15%到30%的明显提升。五一长假之前最后一个工作日，很多人也注意到，北京是大堵车，从二环到五环，甚至在六环都是红的，唯一一片绿的是亦庄，亦庄有智能交通的人工智能系统，可以动态调整交通流，所以效率确实是被证明有明显的提升。

我们也很期待未来在大模型之上，会有各行各业各种应用能够找到好的应用场景，能够获得效率大幅度的提升。

最后，我想说对于人类来说，最大的危险，最大的不可持续，并不是创新带来的不确定性。相反的，我们停止创新，不发明不创造不进步，按照惯性走下去，所带来的各种各样不可预知的风险，才是人类最大的威胁。这就是为什么，百度在这么多年长期持续的在人工智能方面进行投入，也是我们为什么要把百度的使命，在多年前就定义成“用科技让复杂的世界更简单”。

谢谢！

    本文网址：http://www.78099.cn/gulouqu/153662.html ，喜欢请注明来源河南开封新闻网。

郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。