如何理解李彦宏说的“不要卷模型，要卷应用”

7月4日，2024世界人工智能大会暨人工智能全球治理高级别会议全体会议在上海世博中心举办。在产业发展主论坛上，百度创始人、董事长兼首席执行官李彦宏呼吁：“大家不要卷模型，要卷应用！”李彦宏认为，AI技术已经从辨别式转向了生成式，但技术本身并不是目的，真正的价值在于如何将这些技术应用于实际场景，解决实际问题。并且提醒大家避免掉入“超级应用陷阱”，即过分追求用户日活跃量（DAU）而忽视了应用的实际效果和产业价值。称AI时代的规律可能不同于移动时代，一个“超级能干”的应用即使DAU不高，只要能为产业带来实质性的增益，其价值就远超传统的移动互联网。关于李彦宏的这段发言，你是怎么理解的？大模型技术本身和个性化应用，你的看法又是怎样的呢？快来分享你的观点吧！

一、AI技术应用场景探索

1. 优化大模型产品的使用体验
       插件形式存在：例如WebChatGPT插件可以帮助Chat GPT搜索21年之后的信息，尽管存在一定的稳定性问题，但这种插件的存在显著增强了Chat GPT的功能。
       细分场景满足：官方Plugin如Lexi Shopper、Rentable Apartments和GetYourGuide等虽然需求较为细分，但在高频次的诉求下，依然为特定用户群体提供了便利。

2. 助力用户工作流
       PDF阅读解析问题解决：ChatWithPDF官方Plugin解决了Chat GPT无法直接阅读PDF文件的问题，这对于需要处理大量文档的用户来说是一个极大的帮助。
       语音对话能力提升：Voice control for ChatGPT插件让人们可以通过语音与Chat GPT进行对话，支持多种语言，适用于英语口语或听力的学习与训练。

3. 细分场景独立实用工具
       多模型集成平台：Poe集成了包括Chat GPT、GPT-4在内的多个模型，并支持用户自建Chatbot，适合需要调用多种大语言模型的用户。
       联网搜索引擎：Perplexity.ai作为一个免费的联网搜索引擎，支持网页版和APP端，能够根据人们的提问从互联网上搜寻信息并给出总结后的答案。

4. AI社区的形成与应用
       交流与分享平台：如Poe支持分享用户和模型的对话内容，促进AI知识与经验的共享与传播。
       Copilot能力推荐：Perplexity.ai新推出的Copilot能力可根据搜索内容进行信息补充，强化人们对AI的指导和利用。

5. 推动经济高质量发展的重大场景探索
       制造与农业领域：工业大脑、农机卫星导航自动驾驶作业等智能场景的探索，有助于提升生产效率和精准度。
       物流与金融领域：机器人分流分拣、大数据金融风控等应用场景的优先探索，可以优化流程和增强风险控制能力。

        AI技术在不断突破传统界限，不仅提高了工作和生活的效率，还开辟了全新的创新和交互方式。在未来，随着技术的进一步发展和应用深化，AI将在更多领域展现出巨大潜力，成为推动社会进步的重要力量。

二、避免超级应用陷阱的策略

1. 重视AI的实用价值：
        回归“实用”这一最朴素的商业出发点，AI时代“超级能干”的应用，比只看DAU的“超级应用”更重要。这意味着应用需要真正能够解决实际问题，而不是仅仅追求用户数量。
       李彦宏指出，应避免掉入“超级应用陷阱”，觉得一定要出现一个10亿DAU的APP才叫成功，这是移动时代的思维逻辑。在AI时代，规律可能不是这样的，对产业、对应用场景能产生大的增益的应用，整体价值更大。

2. 推动AI在各行各业的应用：
       基于基础模型的应用，在各行各业各个领域都已经开始了逐步渗透。一些行业跑出标杆案例，如金融、交通、政务等，都是卷应用的热门领域。
       在快递行业，利用大模型能力处理订单，可以做到“一张图、一句话寄快递”，减少繁琐流程，寄快递的时间从3分多钟缩短到19秒。这些都是实际应用的例子，说明了AI在各行各业的应用价值。

3. 构建智能体生态：
       随着基础模型的日益强大，开发应用也越来越简单了，最简单的就是智能体，这也是百度最看好的AI应用的发展方向。
       未来，在医疗、金融、教育、制造、交通、农业等领域，都会依据自己的场景、自己特有的经验、规则、数据等，做出各种各样的智能体，将来会有数以百万量级的智能体出现，形成庞大的智能体生态。

4. 避免资源浪费：
       面对百模大战，需要避免社会资源的绝大浪费。同样参数规模之下，闭源模型的能力比开源模型要更好。
       如果开源模型想要能力追平闭源模型，那么它就需要有更大的参数，这就意味着推理成本会更高，反应速度会更慢。

       避免超级应用陷阱的策略主要涉及重视AI的实用价值、推动AI在各行各业的应用、构建智能体生态以及避免资源浪费等方面。这些策略都强调了AI的实际应用和价值，而不是单纯的用户数量或模型大小。

三、个性化智能体开发

1. 理解并定义智能体
       智能体概念的明确：智能体指的是能够理解复杂场景、进行自主决策并执行任务的AI系统。它们能够基于历史经验、规则和数据进行学习，以适应不同场景和需求。
       智能体的多样性：未来将出现数以百万计的智能体，这些智能体将根据不同的行业、场景和需求进行定制，形成多样化的智能体生态。

2. 确定智能体的目标和应用场景
       特定目标导向：智能体的构建应以解决特定问题或满足特定需求为目标，如在金融、医疗、教育等领域的专业智能体，旨在提升行业效率和服务质量。
       应用场景的选择：选择适合的应用场景是关键，这决定了智能体的功能设定和学习路径，例如在制造业中应用智能体进行生产流程优化。

3. 收集和利用数据
       数据的重要性：智能体的学习和发展依赖于大量的数据，这些数据用于训练模型、发现模式和调整策略。
       数据的处理与安全：确保数据的清洁、准确并保证数据安全，同时符合隐私保护规范，是成功构建智能体的基础。

4. 技术选型与模型训练
       选择合适的AI模型：根据智能体的需求选择适合的AI模型，如语言模型、图像处理模型等，这些模型需能够容纳足够的数据并进行有效学习[^4^]。
       持续的模型训练与优化：通过持续的训练和实验，不断优化模型的性能，使其更好地适应特定场景的需求。

5. 集成与测试
       技术集成：将AI模型与其他技术如云计算、大数据等进行集成，以增强智能体的功能和可靠性。
       广泛测试：在实际应用前进行广泛的测试，确保智能体能够在各种情况下稳定运行，满足实际工作的需求。

6. 用户交互与反馈
       友好的用户界面：设计易于使用的用户界面，确保用户能够方便地与智能体进行交互，提高用户体验。
       反馈机制的建立：建立有效的反馈机制，收集用户的反馈信息，以便对智能体进行持续改进。