文：任泽平团队
2023年ChatGPT横空出世，人工智能上半场开启近两年，海量企业加入AI赛道，却鲜有成功的、实现盈利的商业模式。
本质是缺乏超级应用，没有新的需求创造，在终端消费没有引爆点。
互联网时代上半场，集成电路技术为手机、PC铺路；下半场“iPhone时刻”对传统手机、软件服务进行革命，全球掀起智能消费电子浪潮，是历史上著名的超级应用。
人工智能下半场，全球也在等待AI超级应用。AI超级应用才是大多数人的机会。
第一类是具身智能体路线，如自动驾驶、人形机器人：AI像人一样、拥有一个物理的躯体，能感知、能互动，能主动地进入到“真实世界”。
第二类是超级AI软件，在辅助办公、作图、视频生成、教育等领域潜力巨大。基于大模型进行定制化扩展升级，将“超能力”带给各行各业。
第三类是AI消费电子，如AI PC、AI 手机、XR设备和脑机接口技术，对传统设备进行AI升级，或在新技术上开发新的需求，和元宇宙结合。
拥抱超级应用，也要重视AI对社会的影响。 人类的道德伦理能被AI“理解”吗？什么样的数据是“基本”事实？哪些算法是衡量“公平”的指标？大模型由现实世界训练而来，因此AI也是社会的镜子。 这些问题还需要更深层的审视和技术规范来解决 。
正文
1 AI上半场，大模型和芯片大突破
1.1 上半场大模型算法诞生“思维”
人工智能上半场，算法进步铺垫了半个多世纪，催生出“百模大战”，人工智能概念始于1955年筹办达特茅斯会议，先后经历了统计语言模型、专家系统、神经网络、深度学习等阶段。
2019至2022年，预训练模型（Pre-trained Model）井喷式出现；2023年，首个真正意义上的大语言模型（Large Language Model）ChatGPT落地，开启全球人工智能元年，谷歌、Meta、亚马逊、百度、阿里、腾讯等科技巨头先后加入，AI初创企业如雨后春笋，大模型开启“炼丹”时代。
大模型与其他模型最大的区别在于“涌现”能力，出现类人的“思维方式”。在预训练阶段，随着模型规模的扩大和参数量提升，在超过某一阈值后，模型准确度突然大幅提升，例如GPT-3、PaLM、LaMDA等模型在参数量达到百亿级别时表现出涌现。
1.2 上半场，芯片算力爆发、一“芯”难求
GPU取代CPU成为AI算力载体。早期AI训练任务由CPU来完成，但效率较低。转折点在2012年10月，佛罗伦萨计算机视觉会议上，只用了4颗英伟达GPU的AlexNet击败了用了16000颗CPU的谷歌猫，成为了“冠军算法”，轰动AI界，此后GPU训练开始被广泛认可。AlexNet研发主导人辛顿也因对人工神经网络贡献获得2024年诺贝尔物理学奖。
对比看，CPU擅长于少量的复杂逻辑运算，相当于计算机的“大脑”。而GPU擅长于大量的简单相似计算，用于图形处理，相当于“视觉神经”。由于AI模型需要大量的并行乘法、加法运算，GPU的优势更明显。
AI发展遇上GPU迭代的“算力及时雨”，芯片需求大幅扩张，上游成为最大受益者。根据英伟达数据，GPU的性能在过去20年提升达到1000万倍，截止2023年底，英伟达的GPU产品已占据全球92%数据中心市场份额。2024年Q2，英伟达实现营收300亿美元，同比增长122%，净利润达到166亿美元，同比上升168.24%。
AI企业将2024-25视作布局的关键两年，英伟达加速GPU扩产，供不应求。谷歌2024年在芯片、设备及资产上的投入已攀升至约500亿美元，同比增幅超过50%。为布局2025年AI赛道，Meta已向英伟达下单价值约100亿美元芯片；微软正筹备在2025年Q1前为OpenAI配置5.5万至6.5万颗GB200芯片，价值约30亿美元。
2 AI 下半场，机遇就看AI超级应用
什么是超级应用？
一是将前沿技术应用在人们可以广范接受的消费领域。比如硬件领域的“iPhone时刻”，触控屏并非苹果首创，但苹果设计师发掘了消费者的使用偏好，改变了手机使用习惯，让人们广泛接受了触控移动设备。
再比如，软件领域谷歌、百度搜索引擎网站的出现。在早期互联网还是直接输入网址的时代，搜索引擎极大程度提升了上网的便捷性，拓宽了互联网的潜在用途和可探索边界。
二是能制造需求引爆点，形成创造新增长、新应用的“链式反应”。例如，智能手机的硬件革命，将互联网时代的核心用户场景从PC转移到了手机，科技企业在软件开发上竞争，掀起了多轮App应用开拓和迭代，逐渐将个人生活需求与移动互联网形成深度绑定。开辟了移动出行、电子商务等新应用领域，创造了新的用户需求和消费趋势。
从龙头AI公司战略布局出发，可推测超级应用的发展走向。
大模型龙头公司：OpenAI当前聚焦于解决盈利难题，业务重心转向扩大商业化场景。由于模型算力和训练成本高昂，OpenAI至今未盈利。ChatGPT在2023年底有1.8亿用户和1亿付费月活。最新预测2024年营收也将达到50亿美元，即便如此，管理层对今年实现盈利仍没有做出期待。另一方面，OpenAI已经调整治理和经营架构，将目标从实现可控AGI转向了AI商业化和市场拓展方面投入：推出了Sora、GPT-4o等差异化模型来探索应用场景和订阅增长空间。Appfigures数据显示，2024年5月GPT-4o的发布推动了其APP端收入增长高达40%。
算力龙头公司：英伟达的新增长曲线全部聚焦于AI软硬件应用和服务，主要在人形机器人、自动驾驶汽车、AR/VR设备领域。①英伟达主导了OpenUSD项目和Isaac系列，前者用于创建和模拟复杂3D数据，后者服务于加速机器人应用的开发工程，两者都专注于机器人领域的算法和工程实现、验证。②发布Jetson Thor专用芯片，为高阶自动驾驶、人形机器人等需要高性能推理的边缘计算领域而设计。③开发了Isaac Sim和MimicGen NIM两种工具包，主要用于AR/VR穿戴设备的实时动作捕捉，并进行数据生成。
3 AI 超级应用，先看具身智能与AI软件
3.1 AI具身智能：人形机器人
英伟达创始人黄仁勋认为，下一波的人工智能浪潮是“具身智能（embodied AI）”，人工智能可以真正理解、推理并与物理世界互动。人形机器人结合AI算法与控制、感知硬件，让AI拥有人类形态，是“具身智能”的集大成者。
人形机器人不同于以往的机器人。AI超级应用的人形机器人指的是“具备高度自动化、智能化、集成化的通用机器人”。类比AI就像是“通用智能与机械智能”的区别。传统机器人如工业机器人、服务机器人和特种机器人技术已经较为成熟：在工业领域的移动搬运、自动物流、工业制造、电网自动巡检等；服务领域的家用扫地、酒店自动配送等已经有大量的商用案例。而以特斯拉Optimus为代表的通用机器人不限于特定应用领域，在设计上可以像人一样从事各种复杂的、高难度任务，因此对大模型的算法和算力水平要求更高。
从设计理念上看，通用人形机器人的设计理念是为了模拟人类的一些关键特性，例如直立行走、双手操作工具的灵巧性，以及最重要的智能。为了实现这些功能，人形机器人的关键要素包括人机交互算法、先进机械结构、运动控制算法、环境感知、机器臂与灵巧手等，从而形成能够模拟人类步伐的双腿、能够执行类似人类动作的双臂和双手，以及能够感知、理解并响应外部环境的“大脑”。
人形机器人的核心技术还是人机交互算法和运动控制算法：①人机交互算法，即从通用类大模型上移植的核心“思维方式”，决定了机器人理解人类指示、理解周围环境、做出相应的反馈或智能化的交互能力。②运动控制算法决定了机器人的运动能力，通过计算所需力和力矩来驱动关节来运动，尤其是在复杂地形、和存在外部干扰的场景，如何确保机器人的行走、操作、平衡和稳定性。③此外，突破机器人的机械结构、传感装置的技术难点，降低综合成本、提高运行的可靠性和稳定性也是业内努力的方向。
特斯拉作为该领域先行者，于2021年8月AI Day首次发布Tesla Bot计划，2022年2月推出Optimus人形机器人。初代Optimus能完成招手、拧螺丝等简单动作，但行动不算流畅。2024年5月的第二代Optimus搭载了视觉神经网络和FSD芯片，技术源于电动车自动驾驶的成熟方案，不仅能实现流畅行走，还能精准地完成复杂的分拣工作（动力电池单元），离完全实现自动化迈进了一大步。2024年10月12日，“Tesla：We Bot”发布会上的Optimus更上一层楼，在行走、抓取、握持等能力上有了突破性改变,并且通用智能水平更高，可以与人自由交流。
马斯克预计2026能实现人形机器人大规模上市。当前Optimus已经有两台部署在特斯拉工厂工作，制造成本能控制到1万美元/台。特斯拉在短短两年半时间里将Optimus快速迭代，让社会看到了人形机器人量产、落地、大规模应用的可能性。同时，多模态大模型的蓬勃发展又为机器人技术成型注入新的血液，通用机器人极有可能成为功能最完备的“具身智能体”。
有实力的人形机器人公司尚集中在美国：除特斯拉外，OpenAI、英特尔、英伟达、三星等多家头部企业投资的Figure AI也在2023年发布了首款机器人，并与宝马达成合作，未来陆续将人形机器人部署于汽车总装车间岗位。由得克萨斯大学实验室孵化、和NASA共同开发人形机器人的Apptronik也在2024年与奔驰达成合作，让其发布的人形机器人参与产线流程作业。中国的优必选是国内较早研发人形机器人的企业，成立于2012年，其工业版人形机器人Walker S已部署于蔚来汽车总装车间，并陆续与东风、一汽大众达成合作，预计2026年将在工厂端放量。
3.2 AI具身智能：自动驾驶汽车
自动驾驶汽车可能是最早实现大规模落地的“具身AI”超级应用 。
一是因为汽车的复杂性和普及程度适合与AI技术结合。 汽车是复杂度仅次于飞机的现代工业品，也是附加价值最高的可选消费品，拥有上万个电子零部件。同时，汽车的架构也在向“中央集中式”和云计算变革，与AI技术可以实现“1+1>2”。
二是智能汽车相当于“带轮子的机器人” ，由于两者的技术难点（算法）和核心零部件（传感器、算力芯片）相似，智能汽车肩负着给人形机器人研发开路的使命。高度智能化的汽车也能在不同场景中学习，模型在迭代中不断提升自身驾驶决策的准确度。
智能驾驶就是最好的“用硬件跑AI” 。全球不少企业都有技术积淀：国内的百度Apollo已经能实现L4级自动驾驶，萝卜快跑截止2024年7月完成自动驾驶订单约82.6万单。海外的自动驾驶综合服务商Waymo也在2024年扩大了服务区，在8月初周单量翻了一倍，服务人数超过10万人。车企方面，塞力斯、小鹏、理想处于国内第一梯队，优势主要在高速和城市领航方面。特斯拉在海外的优势是FSD的数据驱动能力和“BEV+Transformer”算法框架。
从实践情况看，各车企和智能驾驶解决方案供应商都在竞相打造智算中心 。特斯拉的DOJO智算中心，预计到2024年10月，总算力将达到100,000PFLOPS，相当于约30万块英伟达A100的算力总和。国内，商汤位于上海临港的上海人工智能计算中心（AIDC）算力已达到14,000 PFLOPS（截至今年8月）；华为车Bu的ADS训练算力达3,500PFLOPS（截至今年7月）；理想训练算力达5,390 PFLOPS（截至今年8月）。
特斯拉掀起“端到端”的自动驾驶变革 。2023年马斯克直播试驾，展示了FSD Beta V12——有史以来第一个端到端AI自动驾驶系统（Full AI End-to-End），从智算量级来看，V12比上一代高出几个数量级：V12的C++代码只有2000行，而V11有30万行。
传统智能驾驶解决方案是模块化的 ， 包含许多人为设定的规则（hand-crafted、rule-based）部分 。一套模块化智驾方案以感知模块—规划模块—控制模块为主脉络，模块间联系紧密，每个模块都有输入端与输出端；前一个模块的输出是后一个模块的输入。 程序实现上效率低、成本高 ，需要提前通过代码告知计算机制订行车方案。
端到端（end-to-end）更接近于人的驾驶实践 。只需要一个神经网络模型，模型输入端输入摄像头、激光雷达、毫米波雷达等传感器所搜集到的信息，输出端便可以直接输出控制车辆方向和速度的操作指令。中间不需要任何人为设定的规则。与模块化相比，从感知环境到执行驾驶操作只需依靠直觉和经验。 程序实现上更高效 ，由于模型不是由表征规则的代码驱动的，而是 全部依靠基于海量数据的机器学习 。
从智能驾驶解决方案的上限来看，端到端的上限空间更大。 第一，模块化方案的环节间存在信息遗失问题；而端到端则不存在这个问题，因此端到端的最优化是全局最优化。第二，模块化方案中的规划模块具有许多基于规则的代码，然而规则是无法穷举的，模块化方案无法应对长尾场景；而端到端模型是基于数据而非规则的，经过深度学习，模型会习得类人的处理方式且具备相当的举一反三能力，从而具备更优秀的长尾场景应对能力。
端到端已经成为行业共识，但该技术的发展也必然伴随着掣肘因素 ，训练模型（神经网络结构）、训练数据、训练方法（参数优化方法）、算力（云端、车端）等都是端到端技术成熟度的决定因素，其中数据又是最重要的一个。 端到端模型的实现本质是一个机器学习的过程，前提是提供给计算机足够多的、覆盖面广的、优秀的学习案例。 少量训练数据最多只能支撑完成demo，而端到端技术的成熟必然需要海量优质训练数据的支撑，如马斯克所说：“用100万个视频case训练，勉强够用；200万个，稍好一些；到了1000万个，就变得难以置信了。”
在解决数据掣肘方面，有两个渠道： 一是来源于 真实世界的优质驾驶案例 ，如马斯克通过FSD影子模式创建的数据闭环；二则是 源自虚拟世