要點:
中國的眾多雲廠商中，只有華為雲，堅定地選擇了難度最高的AI for Industry要將大模型率先應用於工業領域。所有B端企業都意識到，這一次，真的是狼來了。
衛詩婕 | 商業漫談 Jane's Talk | 播客 Podcast | 國語 | 2024年12月26號
「這一次，狼真的來了。」張宇昕對我說
1999年加入華為的張宇昕，至今擔任華為雲CTO已有七年頭。從一名基層軟體開發工程師做起，先後經歷了互聯網和行動互聯網浪潮（過程中創立了歐拉部），而這一次，他確定，生成式 AI 的技術浪潮，真的與以往不同。
「這一波人工智慧讓大家看到了泛化與通用——通用就是大家都能用。」
「AI 從一個局部真理，走向了人人都信。」
「人工智慧浪潮來臨後，沒有一個企業說我不用人工智慧。」
不過，冰冷的現實是，人們對於技術的暢想無限，而落地時卻進展緩慢——這是大模型浪潮迄今經歷的，從熱情高昂，到冷靜務實的600多天。
昂貴、使用門檻高、技術仍有侷限，是大模型難以進入現象級應用的真相。
因此，放眼中外，雲廠商成為大模型劇目中的絕對主角。他們既是輔導員──幫助一群企業率先用上大模型，過程中也售賣出自己的算力、基礎設施和服務；同時也是攢局者──憑藉對產業上下游的連接，先實現技術最大面積地應用，並充分觀察、統籌、整合，再讓產品反向牽引技術進步。
而中國的眾多雲廠商中，只有華為雲，堅定地選擇了難度最大的「AI for industry」 ——要將大模型率先應用於工業領域。
如果將華為視為一扇窗口，便能窺視千行百業在這次新科技浪潮下的眾生相——
產業裡的熱情和焦慮都是空前的。在此情緒之下，一批巨無霸工業龍頭，已經率先踏上大模型應用的牌桌，因為只有它們——擁有足夠的財力和數據積累，有資格當「第一批吃螃蟹的人」。
一週前，我在海南，創原會技術高峰會的現場，目睹了這些令人稱奇的先進案例：在生產精煤、煉鋼、水泥製造、醫藥開發與研製、疾病預測等等重要的場景裡，貼著行業訓出的大模型，能極大地提升這些場景的計算效率——在原本高危、高成本、高精度的作業裡，大模型能夠加速計算。舉一個通俗例子，過去，做一次氣象預報需要幾千台高檔的伺服器，並運算上半天。現在，只要用一張卡，10秒鐘就能出結果。
看起來，第一批吃螃蟹的企業也已經嚐到了甜頭：透過加速計算，行業能夠極大地縮短生產週期（原本需要研發十年的藥物可能縮短到月、甚至天）、減少生產過程中的冗餘（煉錯一爐鋼可能產生幾十噸的廢料），從而達到驚人的效益提升——在山東，僅一個礦井，在大模型的加持下，在大尺寸的煤炭加持下，在大產量的高產量。
那天，我身邊的與會人士西裝革履，他們大多來自傳統產業——但會顛覆你認為它「傳統」的刻板印象。因為，在生成式AI的浪潮下，居然是中國工業界，現象級地、率先湧現出一批大模型應用的小閉環。
我在創原會現場，專訪了華為雲的CTO張宇昕先生。我們談到了新的人工智慧浪潮下，中國產業裡的集體性焦慮及其對策，以及華為對AI Native的思考。
企業用上、用好大模型的正確姿勢是什麼？這項技術在哪些產業已經率先落地，具體如何應用？華為所倡導的大模型to B路線，如何理解？
有關這些關鍵問題，以及大量華為的內在視角，都蘊藏在這次高密度的訪談中。
以下是訪談整理，經編輯後發布：
01. 要充分發揮製造業優勢：「中國是AI 最好的黑土地」
Q ：如果姑且把ChatGPT誕生作為這一波大模型浪潮的源頭，這兩三年間，華為雲內部是如何反應的？有哪些關鍵的決策和判斷？張宇昕：華為對於人工智慧機會的捕捉，其實比ChatGPT還要早。
張宇昕：早在2018年華為的全聯接大會上就發布了相關策略，當時我們認為，人工智慧未來會成為一個通用技術；到了2021年，在華為開發者大會上，餘總（余承東）發布了我們的盤古大模型；2023年，我們把盤古版模型升級到了3.05版，基本升級到了GPT版，基本升級到了GPT05版。
但是我們所走的路可能跟美國大模型的路不完全相同，跟國內業界也不完全相同。我們的定位是「AI for industry（工業AI） 」。
Q：「AI for industry」的策略，是基於華為的基因嗎？
張宇昕：是的，但也是結合我們中國產業的特色──全球666個工業產業裡，我們國家有220多個是全球領先。我們的產業門類也最齊全。這意味著，我們國家在這些產業的技術經驗、工程能力都是領先的，如果把這些技術經驗、工程能力用數據沉澱下來，就是人工智慧最好的數據集。這是人工智慧大有可為的地方。
所以，中國要在人工智慧上建立優勢，一定要充分發揮中國製造業領先的優勢。
Q ：我也留意到一句很有趣的話，中國是AI發展的黑土地。您認同嗎？
張宇昕：我認同，這是我們的結構、產業特徵所決定的。
02. 與以往不同的科技浪潮：「這一次，狼真的來了」
Q ：華為雲連接著千行百業。如果把你們視為一扇窗口，中國企業擁抱新科技浪潮時，呈現出什麼樣的心態和姿態？
張宇昕：不同的客戶可能有不同的特點，大體分為兩類：
一類客戶對於新技術變革的意願度不是太高，因為他們有大量傳統的業務和模式，傳統的軟硬體的包袱，很難改變，他們偏向一種平緩的、漸進式的變革；
但是很多創新的企業，他們對新技術很敏感，認為這些技術一定會帶來新機會、以及價值分配的變化，所以他們會有某種緊迫感和渴望，甚至有些焦慮。
不過技術肯定有門檻，對於許多企業而言，他們獲取、掌握、運用這些技術，存在諸多的困難；他們希望用一些快捷、低門檻、但能夠支撐自己業務的方式來快速進入大模型的應用。華為有著長期、大量的技術研發投入，能夠很好地支持他們（去做這件事）。
Q ：就是在華為這片很深的技術土壤中，長出一些大模型的基建和一系列工具，企業直接拿來用。
張宇昕：對，我們把基礎的能力建構好，也把客戶業務所需的這些能力，建構成服務。所以我們提出：「一切皆服務」，包括技術設施——技術資料庫、大數據、安全性等，把這些做成雲端服務。
客戶就在這些能力上，搭自己的業務系統。
Q ：剛才您介紹了兩大類客戶的畫像，這兩類客戶，哪一類比比較大？
張宇昕：現在來看，起碼五五開，甚至擁抱新科技的還超過一半以上。
Q ：大模型這波科技浪潮跟過往的科技浪潮有什麼不一樣？
張宇昕：大家更覺得這波浪潮是難以抵擋的，是所有企業必須採納的。
中國雲化的節奏是比美國的節奏至少晚5年——很多企業還覺得自己不用上雲，或者不一定要擁抱公有云，但是美國絕大部分的企業、政府機構都已經擁抱公有雲了。但是人工智慧浪潮來臨後，沒有一家企業說我不用人工智慧。大家都覺得我必須擁抱這波浪潮，如果我不擁抱它，我就會被這波浪潮打翻。
Q ：為什麼呢？
張宇昕：這一波人工智慧讓大家看到了一個泛化、或者說是通用技術的一個前景。換言之就是廣泛應用——通用就是大家都能用、各行各業都能用。要知道過去這麼多年，人工智慧還在一個小眾範圍。
此外，大家看到新科技帶來了許多顛覆商業模式、創新體驗的可能性，這些企業客戶是很擔心的──要嘛我做，我去改變自己，要嘛就可能被新的（對手）顛覆掉。
Q ：人工智慧這個詞出現已經70年了，過程當中也有過一些熱點高潮，比如Alphago 下棋、人臉識別，但都是曇花一現，熱情一下子脈衝到很高，然後又回落了，大模型一定不會是曇花一現嗎？
張宇昕：過去70年，人工智慧的科學理論雖然有很多的進步，但這些科學理論始終難以落地到實際的產業當中，都是在一些局部的環境、場景裡應用，過去的人臉識別或是圖形識別，都只是影響很少一些客戶、或者很小一些場景。
而這次ChatGPT解決了大家一個共識問題──就是大家終於意識到，透過海量AI算力的計算，用無監督、自動化的訓練方法，完全可以實現人工智慧的通用化。ChatGPT給大家最大的震撼在於這裡，以前大家覺得人工智慧是局部真理，但一旦它是一個通用的技術，那麼所有的人都與此相關了。
Q ：通用這個詞可以用一個通俗比喻，我們常說訓大模型就像訓一個大學生，比如華為有那麼多的就業崗位，很多也是從校招生培養起來的。那如果可以培養一個人，其實也可以培養一個智能體。
張宇昕：是的，完全可以。
Q ：既然這波科技浪潮與以往不同，產業上下游的企業最直觀的反應是什麼？
張宇昕：B端的所有企業都意識到，這次真的是狼來了。
這個新技術將會深刻地改變B端的企業，這也是他們又興奮又焦慮的重要原因。客戶的積極性是空前的，幾乎我們談到的所有客戶都想擁抱人工智慧，只是他們不知道該從哪裡下手，該如何應用。儘管他們不知道，但這種願望是很強烈。
Q ：這當中有沒有什麼泡泡、幻想、誤解是要戳破的？
張宇昕：當然會有。大家對新技術的期望很高。但首先，人工智慧不是無所不能，畢竟人工智慧沉澱的是我們人的知識、經驗和技能，人不會的，不能指望大模型它會；人所不具備的知識和經驗它一樣不具備。
現在的大模型解題也就是大學生的水平，我們輸入哥德巴赫猜想給他還是解不出來的，因為人沒解決這問題。 Sora雖然能夠生成視頻，大家覺得很新奇，但是你拿它和李安比，肯定還差太遠。它並不具備思想、美學的觀點、光、流體動力學，這些它都不懂，我們說可控性比較差，離真實也比較遠，還有幻覺問題等等，這是人工智慧當前的限制。
但如果等人工智慧已經特別成熟了，已經到了100%可以產業化的階段，你再去用，你就已經落後於這個時代。
Q ：先下場練習很重要。
張宇昕：擁抱AI，與科技共同成長。因為技術的成熟是要靠產業的實踐不斷去推動它。新技術一定會帶來新應用，反過來新應用又會提供技術要求，提供它場景、練兵場，兩者是像DNA一樣螺旋型、循環成長的過程。
03. 大模型是雲的Game Changer：過去是水電煤氣，「今天，雲端的服務層更厚實了」
Q ：回顧整個大模型浪潮，我們會發現不管是中國還是美國，雲廠商都在其中扮演最關鍵的角色，這其中的深層邏輯是什麼？
張宇昕：人工智慧有三大要素，第一是要消耗大量的算力，第二，人工智慧的原料是大量的數據。第三，人工智慧還需要許多客戶的應用場景、用演算法把業務融入，才能讓客戶使用成功。
那麼，在哪一個平台能把這些要素聚集在一起呢？想來想去只有雲廠商——雲上有規模的算力，雲上匯聚了海量的數據，透過雲的生態，我們連接著產業上下游所有的伙伴，所以，雲是最好的人工智慧的黑土地。
Q ：過去外行人看雲，會很粗略地認為雲就是賣算力、賣存儲，大模型來臨後，雲廠商是否有額外的價值會凸顯？
張宇昕：在雲端的最早期，我們的確是賣算力、賣計算、賣存儲，幫助客戶搭建基礎設施，這是雲的最初級的價值；我們提供的第二層價值是技術即服務——軟體開發的技術，數據庫、大數據的技術，包括安全的技術，人工智能來臨後，技術即服務這一層就會做的更加厚實了。
例如我們過去的資料庫和大數據，其實並不理解數據本身的價值，以及數據裡的意義是什麼？這些價值和意義原本藏在企業的各類專家腦海裡——比如一個財務報表，給我這個不懂財務的人看，可能就是個阿拉伯數字而已；但是財務專家一看，就知道數據背後的含義，因為我腦海裡沒有這些知識，但是財務專家有——我們現在做的人工智能，就是幫助企業進一步把這些知識數字化，他們數倉、大數據集，
所謂模型表達，就是讓這些數據裡的經驗、知識、以及彼此之間的關係，透過模型和軟體，讓這些數據進一步發揮價值。過去，我們用人來做各種數據分析、洞察、決策的支撐，現在就可以用機器來輔助，輔助成本要低一些，效率要高，可能精度也要更高。
Q ：你們呼籲企業，基於模型來改造自己的應用和軟體，把原本行業裡各種專家含金量最高的經驗餵給人工智慧？
張宇昕：對，回到最開始的比喻，通用大模型已經被訓練成一個大學生程度。如果我們能夠把產業知識注入到大模型裡去，就等於把一台電腦變成了一個產業專家。
人類大學生進入一個企業，也是要靠老師傅帶，才能逐漸培養成一個專家；現在我們把老師傅的這些經驗和知識，數據化後，餵給大模型，過去一個專家可能理解50個維度的經驗，不同的專家有不同維度的經驗，一個人無法同時掌握這麼多（知識），但是機器可以。於是機器就可以幫助大家提升效率。這就是人工智慧的價值。
所以，雲端過去是提供基礎設施和技術，現在還能幫企業把經驗傳承，把寶藏數據的價值發揮，這意味著雲端本身的價值也在提升。
Q ：所以我之前看過一句話：過去雲廠商提供的價值就像水電煤氣，你不能缺少它，但是似乎也不會為它付出太高的交易價格。今天的雲端廠商能做的事情就可能更豐富了，它的價值也更大了。
張宇昕：對。它變成一種類似你業務的一種諮詢顧問，提供一些更有價值的決策的判斷，這就跟過去的雲端發揮的價值層次就不一樣。
04. 過去一年，雲端的競爭：「我們派了幾百個科學家深入田間地頭」
Q ：大模型的淘金熱，賣鏟子的人最開心。過去一年，雲端產業經歷了什麼樣的競爭？
張宇昕：如你所說，整個雲端產業裡有兩個層面的競爭，一個是就是賣鏟子，就是算力；第二個層面就是大模型本身。
我講了，美國、包括中國的互聯網廠商，他們主要做的是以toC服務為主的業務類型，所以還是傾向於往通用大模型裡放更多的通識，如此一來，大模型更大，所包含的通識更多、更廣，這是一條路子。所以我們看見了國內外很多雲廠商都提供了類似ChatGPT這類對話的能力，大家呼叫API即可。
但華為服務to B，對許多企業客戶來說，你提供我一個對話機器人又如何呢？當然可以幫助解決一些客服、內部交流等問題，但企業客戶，更關注人工智慧是否能在生產系統上發揮價值。所以我們希望讓每個企業都擁有自己的大模型，讓每個開發者都有自己的人工智慧助手，說穿了就是結合產業應用、產業知識來做產業的大模型。
我相信，慢慢地，toC和toB這兩條路徑會分叉。
Q : 業內很多人還是會認為，算力是華為雲的最大的優勢，據我所知一些友商也買華為的晶片，因為他們的政企客戶需要國產替代。您認可算力是華為雲目前最大的優勢嗎？
張宇昕：算力肯定是我們的優勢之一。如您所說，算力不只我們自己有，也賣給友商和產業。因此絕不是獨特優勢。如果說華為雲端有什麼獨特優勢，也許是我們能實現軟硬體協同——軟體的服務能夠驅動華為晶片和硬體的定義，我們能結合客戶業務場景的需求，來設計整個系統，由此能發揮整系統的優勢。
Q ：矽谷那邊，對Scaling law的追求有放緩，但與此同時一些世界大廠仍在算力豪賭這條路上狂奔著。再反觀國內，2024年相比2023年是更理性冷靜的。但前陣子袁進輝老師提出一個觀點：如果說大模型的訓練成本是一池游泳池的水，那麼推理成本可能是一片汪洋大海，是無止盡的。您有觀察到中美兩邊對於算力需求的變化嗎？如果說推理成本無限，是否代表算力這門生意也是無限的？
張宇昕：我們早就判斷，世界上能持續做大模型訓練的，誇張一點說，中美各五家就差不多了，確實沒必要每個廠商都從頭去做，因為模型的訓練是一個很高的投入，很苦的差事，而絕大部分的客戶用大模型，其實主要就是推理，所以推理遠的市場空間確實是大於訓練的市場空間。
第二個就是成本的問題，我的觀點是 Scaling law還會持續的發展，為什麼？因為目前的人工智慧技術，單位計算成本仍然太高，效率還是太低。以人腦為例，首先現在AI 還沒達到我們人腦的算力程度。其次，人最多消耗一點吃的、穿的，但是要堆起一個跟人的思考能力相同的算力系統，還要多少錢？
如果人工智慧真的要取代人的一些基礎工作，它必須把成本降到和人相當、甚至更低，才符合經濟法則。就像您手上拿的筆記型電腦，如果還是大型主機的階段，我們絕對都擁有不了。
要做到這樣的成本水平，意味著算力規模還要繼續擴大。所以長期來看，我覺得未來5年、10年，可能還有幾十倍、數百倍的需求成長。
而我們之所以看到現在市場的理性，是因為現有成本結構下，一味地擴大算力意味著高代價，這不是所有廠商都負擔得起的。所以，必須設定一些低門檻、高效率、低成本的方案，讓第一批願意吃螃蟹的客戶，能及早地應用這些技術，及早地產生效益。更重要的是，應用之後，它就會給技術回饋，來推動技術進步。
Q ：這種正向回饋發生了嗎？
張宇昕：時時刻刻都在（發生）。
我們這幾年做了30多個行業，上千個客戶，每一個客戶在建立大模型的過程中都會提出很多新的要求，都是當前大模型的能力還沒有具備的；
所以我們這幾年派了幾百個科學家、博士專家深入田間地頭、工廠車間，生產一線——不是說做好了一個東西拿給人家用，人家馬上就能用的；還是要到客戶的業務系統裡去、到現場，看見新的問題，提出新的挑戰，再回過頭來攻克這些技術。
這個過程也是人工智慧技術發展的過程。
05. 大模型的實用性問題：「精準度好的『小模型』，可能是企業的未來」
Q ：你剛才講到大模型的成本還不夠低。週鴻禕在前不久的演講中講了一句話，他說希望「把大模型拉下神壇」，先用一個模型解決一個具體的問題，他覺得這是最重要的。您該挺認同的吧？
張宇昕：我非常認同。我認為他這個觀點表達了兩個意義。
第一，大模型高，但不能貴，華為過去也常講這句話，叫做「高而不貴」。因為如果一個技術又高又貴，那隻能飄在天上，落不了地；大家都能用得起來，這是叫「高而不貴」。
第二是，在大模型的早期，如果能夠聚焦解決生產系統當中的某一個問題或某一類問題，把成本降下來、自動化水準提上去，也是個好事。
Q ：提一個有點尖銳的問題，華為也自研了盤古大模型，但跟其他廠商比起來，它不太參與刷榜，為什麼？
張宇昕：剛才講過，華為是走大模型to B路線最堅定的實踐者之一。基於這個選擇，我們沒有必要跟著人家去刷榜，因為現在絕大部分的刷榜是基於NLP通用的評測榜，這類通用能力無法解決企業的問題。
不如沈下心來，踏實地幫助客戶去建立他們的人工智慧系統——讓客戶拿著自己的行業know-how在我們的（大模型）底座上去做增量訓練，做微調，訓出自己的大模型。
所以我們是一個使能者，是個黑土地，我們不是黑土地上最後長出來的那棵樹或那朵花。樹和花是客戶的；但對於網路而言，他們本身就是樹，就是花；各自定位不一樣，所以有些指標沒有必要去比。例如對科技大模型而言，可能需要考慮產業數據和通用數據的配比，才能使得整體效果最優，一味追求某個指標可能是種浪費。
Q ：這裡就有個細節問題，關於您講的配比問題，據我所知，訓大模型時會有一組矛盾——模型的泛化能力和專業性能力是相牽制甚至相悖的。
張宇昕：是的，專業資料訓得越多，泛化性就會受影響；如果追求泛化性很好，那專業能力一定就會比較差，這是目前的難題。
Q ：這個問題現在有解嗎？
張宇昕：技術還需不斷攻克。
或許未來模型的架構還會發生變化，又或是訓練資料的處理方法會變；當然也許未來算力大了，這個問題就不成問題了— —就像小學生一樣，一次教多了他消化不了，教了A，忘了B。但如果對方是大學生，你會發現一次教他3 件事，他是記得住的。這就是當下的人工智慧技術還不成熟。
如果未來有更新的技術，更強的算力，也許這種泛化性和專業性的矛盾就不會這麼尖銳。
Q ：今天我看到你們台上演講的一些客戶案例，都是巨無霸企業，體量挺大的，我有些懷疑你們所說的，「希望把模型價格打下來，讓企業都能用得起」。現在一般企業能用得起你們的模型和服務嗎？
張宇昕：為什麼現在只有大企業在玩人工智慧？
因為人工智慧三要素裡面，第一是算力，第二是演算法，這兩點華為也許能幫客戶解決──沒有算力我們可以幫客戶去建，演算法不行我們也有足夠的專家；但第三點，數據，只有大企業擁有足夠的數據。業界的小企業們，他們也很想趕緊擁抱人工智慧，但是他們手上所掌握的數據（知識和經驗）太少。
所以，我們提出了大模型的層次結構：
第一層L0叫通識大模型，通用大模型是底座，其實不是客戶最終使用的。
第二層L1的產業大模型要靠產業的領頭羊，這些企業掌握的數據夠多，能把產業的通用能力也做成大模型，不僅僅自己能用，也開放出來給中小企業用，這就降低了中小客戶的門檻；
第三層L2指的是特定場景的大模型，這就進一步降低了使用門檻了。
同時我們也號召業界來共建這種開放資料集。因為一類型的企業，你有一些（數據），我有一些（數據），只要這些數據不涉及企業的隱私或保密數據，這些脫敏的通用數據都可以拿出來，在行業裡建立、共享一個行業通用數據集。他人的數據和經驗，可能剛好能補我之不足，這個過程也充分體現了竟合的精神。
Q：上午還有一個觀察，我發現拿出來講的模型從參數量級來看，並不算大，例如一個藥物分子大模型，是億級參數。今天我們很少在公共敘事中看到億級參數的模型。小模型的價值有多大？模型越做越小、把小參數模型做好，會是趨勢嗎？
張宇昕：你說的「小模型」，「小」應該指的是參數量級，我把它理解為小的大模型——在通用資料訓練的基礎上，再疊加專用資料。
為什麼會有小的大模型？業界很多客戶容易被誤導了。其實參數量大的主要是自然語言（NLP）的模型，現在NLP模型起始都是千億、甚至兆。但是如果是視覺模型，幾十億（參數）可能也夠。推理決策的模型，幾十億、幾億都夠；像藥物分子大模型，它不需要（參數）這麼大。
對一個企業而言，第一，它首先要求大模型要有專業能力，第二，一個企業要選擇多種模態──不只語言，也要視覺，也要決策推理，也要優化。像是分子藥物大模型和我們做的氣像大模型，都叫做科學計算大模型──過去我們用解方程式的方式算出來，現在用學習的方式加速計算。
例如過去做一次氣象預報，需要3000台到5000台高檔的伺服器算半天才能算一次，現在，我們用一張卡，10秒鐘就能出來。過去研發一個藥物要10年，現在一個藥物篩選，可以由月的時間縮短到天，甚至縮短到小時。這些案例，都是用人工智慧的方式在加速運算。所以，小的大模型也有價值。
第三，企業也要選擇尺寸──因為同等能力的大模型，尺寸越小，成本越低，這就需要我們有技術了，比如做量化抽取，能否盡量降低它的算力成本，使得精度在下降不多的情況下，更經濟地使用。
以上這些，都是企業要綜合考慮的問題。未來，小參數、但是精準度非常好的大模型，可能是未來企業不斷追求的。
06. 產業裡的高價值AI 場景：「一個礦井，我們一年幫他多生產2000 噸煤」
Q：你們跟那麼多客戶貼身合作，發現哪些高價值的AI場景？
張宇昕：例如煤礦是一個高風險的場景，過去靠人值守，現在可以透過攝影機和CV（視覺大模型）來判斷挖煤的工況，甚至還可以透過聲音來判斷，地底下是煤還是水？還是岩石？過去都是老師傅站在那聽，老師聽得不對，（喊）「不能挖了！」，因為再挖可能挖透了或者怎麼的。現在這些場景都可以用人工智慧方式去判斷。
還有一個場景是傳送帶分揀，過去主要靠人分辨煤渣、石頭和煤塊，效率又低、成本又高。現在分類的效率會大大提升。
還有生產精煤，精煤是需要各種配比，過去的配比是按一個比例生產出來後，再去檢驗成分，如果達不到期望就再回去重新配，需要反複試驗——但現在我們把多種數據綜合起來，模型分析就會給出最佳參數，就省去了反複試驗。在山東，就一個礦井，我們一年幫他多生產2000噸煤。如果推廣到全國，可想而知能夠提產多少。
同樣原理的還有煉鋼，鋼要煉得品質好，溫度、原料、各種微量元素的配比，都需要很精確。過去是靠煉鋼師傅的經驗，去做各種試驗──一爐鋼幾十噸就去了。現在人工智慧就不需要那麼長時間去反覆跑試驗，煉出的精確度品質比原來好很多。就算一噸鋼降低一塊錢的成本，當然我們初步測算的效果可能不只一塊錢，可以看我們國家一年要生產多少億噸鋼。其中的降本將會是個驚人的數字。
Q：我相信你們一定從產業裡挖掘了非常多的場景和需求，但也不可能一上來就所有都做，一定有一個優先排列的過程，選擇做什麼、不做什麼，先做什麼、後做什麼。在華為內部，這個過程是怎麼樣的？
張宇昕：首先第一步，還是必須深入客戶第一線。以煤炭為例，有三個場景，假設人力有限，只能做一個場景，那我必須知道，哪一個場景條件最成熟、產生的價值最大、客戶最著急。這需要基於客戶自己的經驗以及我們的經驗，結合起來才能判斷。
收集到這些需求後，我們每一層專家和主管都在碰撞，如何用手上有限的人，把這些需求里共性的東西抽取出來？這需要先理解業務、辨識需求，在需求中抽取共通性──我們講去粗存精、去偽存真，由表即裡，由此即彼。這樣的話，也許客戶沒有提出的問題，也有機會解決。這也是技術團隊最大的價值。
做出技術和產品後，我們要再把它帶回客戶現場去驗證。是一個不斷持續迭代的過程。
Q ：收集並確定第一批次的需求，這個週期經歷了多久？
張宇昕：比較快速。實際上對於大顆粒度的需求有年度的規劃，中間會有迭代，以季度或月為單位的需求可以識別和納入進去；對於緊急需求也會有緊急決策的流程。雲還是比較靈活。
Q ：大模型浪潮來臨後，華為雲端用多久定義了自己的新目標？
張宇昕：不太好說，其實這幾年我們還在不斷地學習，也在不斷地調整目標，有些調整是覺得方向偏了，有些是目標低了。或是目標的優先順序要排一排。
Q ：方向偏了和目標低了，可以舉個例子嗎？
張宇昕：例如到現在為止，公司裡還有人問我，為什麼我們不提供大模型的API ？
但在我看來，大模型的API其實是個類別toC的業務。我們絕大部分的政企客戶，你提供給他們一個大模型的API，對於企業的生產應用，幫助並不大。API主要是類似ChatGPT這樣的對話機器人，企業希望它回答的問題，背後用到的知識可能是機密的，可能涉及隱私，不能開放的；
所以，如果說我們也去提供公開的API，優先權到底高不高？這個公司內部就有爭論。那透過一段時間的思考，我們還是覺得不要走這條路，走AI for industry，這就是修正方向。
Q ：那哪些目標定低了呢？
張宇昕：那當然還是大家最關心的性價比。
我們每一回都覺得對性價比的追求還不夠，還要再去挖可靠性；儘管我們的大模型的訓練集群穩定度已經在業界算是比較好的了。但我們還是希望中斷時間能否再短一點，客戶恢復（維持）的時間能否再長一點，每回都是還要加碼，還要再提升。
07. AI Native、中國道路與產業協同「優勢擋不住趨勢」
Q ：三、四年前我們還在提「雲端原生」，今天所有人都在提「 AI 原生」，華為雲怎麼理解AI native？去年李彥宏在提到AI native的時候，講到他要內部拋棄所有舊有的認知，完全解構了之後重新做，他說大廠在這件事情上肯定會反應慢。您認不認同他的看法？
張宇昕：透過我們這幾年的一些合作和實踐，我把AI Native總結成四個方面，不一定全，但是能概括我們現在看到的比較主要的四個實踐路徑：
第一，如果要做人工智慧，一定要選擇AI Native的算力，也就是新型的算力──一定要能支援大算力、大頻寬、低時延，能支援大模型訓練和推理中，大量的資料同步，傳統算力搞不定。
第二，因為客戶要建構智慧化的應用，所以它的業務系統必須要構築在一個已經智慧化的底座之上。過去的底座包括傳統的資料庫、數倉、大數據安全、軟體開發等等這些技術，都需要升級。底座不智能，也就無法支撐業務的智能化。這是雲端服務的智能化。
第三，很關鍵的一點是要建立一個產業或企業的大模型，這就是人工智慧的核心。一個企業能不能人工智慧化，核心就在於它能不能把這些知識經驗做到大模型裡去。
第四，如果我們既用了算力，也用了智能化的底座服務，也構建了自己的大模型，毫無疑問，那整個應用系統就要改造，我們叫大模型系統。
這四個面向是企業必須要做的事情。如果這四個面向做得比較好，我們覺得這可能就是走向 AI Native之路。那麼，第二個問題就不言自明了：技術的每一層都變化了，所以李彥宏說要重構，是很自然的。
Q：那華為有沒有經歷過這種結構又重構？
張宇昕：這兩年，我們華為雲端已經把自己的基礎建設全部重構了。我們叫「 reshape the cloud service（重塑雲端服務）」。我們所有的雲端服務都用人工智慧加持了。有的是增加了智慧助手，有的是為大模型做了很多功能，例如安全態勢、漏洞攻擊的感知，例如資料庫的管理、運維，當然升級的過程沒有完成，這是一個長期不斷迭代的過程。
所以這個重構已經開始了。
Q ：解構和重構這件事，對華為來說有包袱嗎？
張宇昕：包袱一定是有。
過去這麼多年累積的程式碼，誰都不想說這些程式碼要改，甚至於有些程式碼要拋棄掉。但是我們華為有一句話，叫「優勢擋不住趨勢」。如果你不想變革，你可能就被這場變革顛覆掉。與其被這場變革顛覆掉，不如及早擁抱他，你也成為這場改革紅利的享受者。
Q ：就在我們談話的今天，業界發生了一件大事， ChatGPT之父離開了OpenAI，我們看到美國（AI 業界）現在人才流動非常的劇烈。在中美AI的競爭路上，您有什麼主張和判斷嗎？
張宇昕：我有幾個想法。
第一是，中國的人工智慧發展道路一定要走中國特色，結合我們自己的產業特色去走。我們如果走美國的道路，不一定能成功，例如以語言大模型為例，我個人認為，英語語言的大模型我們無論如何都很難超過西方世界的。因為英語是西方世界的主流語言。工業革命以來，人類最主要的公開的文化、論文、知識，基本上都是英文的。這條路，現實來講我們可能趕不上。
第二點是，美國現在在打壓我們的人工智慧，技術上打壓，未來可能在人才上也打壓。中國學生再想去美國學電腦、人工智慧相關專業都很困難。這就更加要求我們中國的產業界要協同起來。在人工智慧這件事上，更多的是協作，而不是競爭，只有發揮各自的優勢、協同起來，才能把整個產業帶起來，才能跟美國進行這種全棧的競爭。
第三，產業界和學界也要協同。比較好的事情是人工智慧的學術研究，除了美國就是中國，世界上找不到其他地方了。所以中國的產業一定要給學術界提問題，給他們這個場景，給他們這種理論發展的空間和機會。當學術界研究出了新技術，要快速地到產業來進行驗證。
如果能把這樣一個循環做起來，那我們的人工智慧產業，就誰也不怕了。
