【核心观点】
AI赋能：当前AI大模型正在产品力和生产力两个方向上并行发力，尽管总体上还处于探索阶段，但是已经让我们看到了各种各样的可能性。
代替脑力：过去的机器人、数控机床、工业软件等技术，更多地是提高了体力劳动者的效率；而本轮AI大模型带来的这场决策革命，可以为设计、开发、工艺以及管理等人员提供支撑，从而提高了脑力劳动者的工作效率。
AI母机：人工智能可以类比于传统制造业中的工业母机，而被称为AI母机。
专业模型与基础模型：如果说基础模型的能力是1，那么行业垂直模型或者说专业模型就是1后面的0。
大模型市场：中国并没有“百模大战”，甚至没有“十模大战”，不少所谓的大模型并不是真正的大模型。当前中国真正在大语言模型主赛道上的企业可能只有五六家或者稍多一点，这是符合产业发展和市场竞争规律的。
专业模型开发：当前专业类模型与大模型相结合有四种方式，每个行业及企业在面对特定问题时，都可以选择其中一种方式来构建所需的专业模型。
多模态融合：虽然大模型最初主要就是大语言模型，但是目前早已拓展到语音、图像和动作等更多模态了，甚至已经有大模型能够集成处理不同模态的信息，并产生相应的数据训练模型。
互动生态：未来人们使用大模型时会形成一个供给侧与需求侧互动的生态。事实上，大模型的应用一定是一个多主体联动的过程。
【对话实录】
人工智能既可以赋能产品力，更可以赋能创造力
赵福全：安博士刚才讲了人工智能对产品的赋能，可以使其更加强大，从而更好地满足消费者的需求。那么对于社会和产业来说，人工智能又将如何赋能呢？前面说到，未来数字化及人工智能将会改变生产要素、生产力和生产关系，我觉得这实际上是在对创造力进行赋能。不知道您是怎样看的？
安筱鹏：赵院长的观察非常敏锐，这其中确实有创造力的提升。这段时间我们公司内部也在讨论，人工智能对于社会和产业到底有什么价值？将会带来怎样的变化？对此，我有三个判断：第一，一切硬件都会被AI驱动；第二，一切软件都会被AI重构；第三，一切数据都会被AI激活。
我用了“一切”这个词，听起来似乎有点绝对，但我认为未来的趋势就是如此。所谓一切硬件，既包括手机、汽车、工程机械，也包括摄像头、屏幕等等，未来所有这些硬件都会被AI驱动。例如，在一场有数百人参加的论坛上安装几个摄像头，就可以知道现场谁听得最认真，谁总在看手机，甚至还可以知道几位演讲人中谁最受欢迎。分析摄像头采集到的数据，我们就能得到上述答案。这在今天就已具备实现的条件了。
事实上，对于AI驱动硬件的未来演进，我们完全可以有更多的畅想。举个例子，今后眼镜可能也会装上摄像头，并与AI联动，从而发挥各种作用。比如有的人血糖比较高，眼镜可以记录他每天摄入的所有食物，进行分析并给出报告，告诉他今天哪些营养偏多、哪些营养偏少，同时给出第二天的饮食建议。
也就是说，未来大大小小的各种硬件都会被AI驱动起来，从而形成新的多种能力；与此同时，一切软件都会被AI重构，从而更好地调用各种硬件；一切数据都会被AI激活，从而被充分地利用起来。最终三者共同创造出新的更大的产业和社会价值。
具体来说，AI将在两个方面发挥重要作用：一方面是产品本身，AI相当于为产品安装了聪明的“大脑”，当这个“大脑”加载到产品的硬件上，就会使其实现智能化升级，这就是产品力；另一方面，AI还将融入到产品设计开发、生产制造、供应链、销售服务等各个环节，实现提质增效降本，这就是生产力。当前AI正在产品力和生产力两个方向上并行发力，尽管总体上还处于探索阶段，但是已经让我们看到了各种各样的可能性。
就生产力而言，大家目前最关注的是，人工智能究竟能在企业经营管理上发挥什么作用？前面讲到，数字化的本质就是通过数据的自动流动，来化解复杂系统的不确定性，这其中包含了决策革命。这场决策革命之所以之前不会发生，是因为过去在技术手段上面临很多局限。比如软件编写，过去只能依靠人工来完成，如果想让机器人抓取和加工一个零部件，要由人来编写相应的工艺软件，形成一个代码堆，而且不同的代码堆垛还在不断发生变化，这就需要大量有经验的工程师耗费很长时间来编写和维护软件。而当AI大模型进入到产品设计和生产等环节之后，人工编写软件的工作就被极度压缩了，同时整个工作流程也被压缩了。再如汽车设计，不只是造型设计，也包括芯片等复杂部件的设计，随着AI大模型的涌入，都会大幅提高工作效率。
所以，我用一句话来概括：AI大模型是数据要素创造价值的最短路径。应该说，此前的各种数字化技术仍然在演进中，也仍然在发挥作用；不过AI大模型这个新的技术手段出现之后，将带来很多新的革命性变革，从而助力企业实现更低成本、更高效率的运行。
换一个角度来看，过去的机器人、数控机床、工业软件等技术，更多地是提高了体力劳动者的效率；而本轮人工智能大模型带来的这场决策革命，可以为设计、开发、工艺以及管理等人员提供支撑，从而提高了脑力劳动者的工作效率，这也是其重要的价值所在。
赵福全：刚才安博士的回答非常重要。现在很多人对人工智能普遍都有一种直观的理解，就是人工智能技术可以为产品赋能，这样同样的硬件就能比原来表现得更好或者能力更强。从产品的效果上看，这种理解当然没有错，就像刚刚谈到的，人工智能可以显著地提升产品力。
过去产品力主要来自硬件，汽车产品也是以硬件为主导的。汽车企业要想获得更强的产品力，就必须持续进行车型改款乃至开发新车型。本质上，就是通过更新硬件来提升产品力。但是硬件有较高的成本，且其发展到一定程度之后就越来越趋于同质化了，从而导致产品力受限。而今后产品力将主要来自软件，汽车产品也将以软件为主导，此时情况就完全不同了。尤其是在人工智能的赋能下，软件的作用将得到充分发挥，可以有效调用标准化的各种硬件形成差异化的功能，从而为消费者提供满足其个性化需求的智能产品。本质上，这是通过更新软件来提升产品力的。
不过一方面，人工智能对于产品的赋能并不是没有代价的，我们必须开发算法、提高算力、采集数据，这样才能使产品硬件上的相同投入获得更大的产出。另一方面，还有一点更重要，却往往被忽视了，即人工智能不仅可以赋能产品本身，还可以赋能产品的创造力，也就是刚才安博士讲到的生产力。我认为，这方面的影响和价值其实更大。如果说产品是“鸡蛋”，那么创造产品的体系就是“母鸡”，而人工智能既能让“鸡蛋”变得更好，更能让“母鸡”变得更好。显然，赋能后者的意义更加深远。未来在人工智能的驱动下，产品创造体系将发生全方位的根本性改变，包括企业的组织架构、商业模式，即内外部资源优化配置的能力，也包括各个部门及员工参与产品创造的能力，都将完全不同。由此，“母鸡”就能以更优的质量、更快的速度和更低的成本“孵化”（生产）出更多、更好的“鸡蛋”。从这个意义上讲，人工智能也可以类比于传统制造业中的工业母机，而被称为AI母机。
正是因为人工智能可以同时为产品力和创造力赋能，而且这两方面又相互促进、共同作用，所以它将驱动人类社会的生产、生活方式发生质变，进入到一个全新的使用人工智能来创造智能产品的智能新时代。
基于大模型的专业模型将实现能力的质变跃升
赵福全：这就带来了另一个问题。您刚才说到，人工智能大模型有望实现AGI，是一次革命性的突破，而且将会波及各行各业。不过现在对于大模型的普及应用，各方也有一些争议。核心在于大模型和专业模型到底是什么关系？借此机会，请您为大家澄清一下相关概念。
安筱鹏：我先讲一件事，大约在六年前我曾经到美国调研工业互联网和智能制造。那次我们去了很多公司，其中有一家公司叫约翰迪尔，这是全球最大的工程机械、农用机械公司，有着近两百年的历史。这家公司给我留下了非常深刻的印象：第一，这是我所见过的最豪华的公司总部，前面有几百亩的玉米地，玉米地后边是原始森林；第二，他们并没有谈工程机械制造的数字化，而是讲了很多人工智能在工程机械、农用机械产品中的应用，比如农用机械在喷洒除草剂时，怎样智能化地自动区分苗和草，这实际上是智能识别技术。由此可见，各个行业专业化的垂直模型早在多年前就已经在应用了，而美国在这个领域有明显的优势。
那么，在大模型到来的今天，我们再谈垂直模型、专业模型的时候，和之前类似约翰迪尔公司使用的模型是不是一回事？或者说，二者之间有没有什么区别呢？目前，相关概念确实有些模糊。
我觉得，清晰的表达应该是：之前类似约翰迪尔公司使用的模型，其基础都是ANI弱人工智能模型，这种模型只能完成一个特定的任务。ANI模型虽然早在好多年前就已经有了，但因为成本、质量、效果等方面都有局限，不可能掀起一轮产业革命，所以并没有引起太多关注，影响力有限。
而今天的大模型是AGI通用人工智能模型，或者也可称之为AI基础模型。这与ANI模型有着本质区别，是完全不同的两个物种。在AI基础模型之上，可以用法律、医疗、教育、汽车等各行各业的数据，通过各种各样的技术手段，比如SFT（监督微调）、RAG（检索增强生成）等方式，进行整合和训练，从而得到解决特定行业问题的更高效、更精准、更科学、更有价值的垂直模型。也就是说，今天的垂直模型与基础模型之间存在联动关系，前者一定是建立在后者基础上的。正是因为有了基础模型，垂直模型的能力，包括解决问题的复杂性、广泛性以及低成本、高效率等，才实现了由量变到质变的跃升。
那么，如何评价垂直模型和基础模型的作用呢？我认为，如果说基础模型的能力是1，那么行业垂直模型或者说专业模型就是1后面的0。这个描述可能不是那么准确，但有利于大家理解。我想强调的是，基础模型非常重要：基于功能不强、性能较弱的基础模型，无论怎样调试和优化，最终训练出来的垂直模型也不会有很强的能力，能够解决的问题将极其有限；只有基础模型非常强大，再加上相关行业的专业经验、技术诀窍(Know-How)和优质数据等，才能驱动垂直模型的能力实现飞跃式的提升。
赵福全：安博士谈到，今天大家所讲的垂直模型实际上与6年前的垂直模型完全不是一回事，虽然都是专业类模型，但早已经既换汤又换药，只是没有换名而已。因为以前只有ANI模型，而现在有了大模型或者说AGI模型作为基础模型为其提供支撑。所以，今天的垂直模型是基于基础模型并与基础模型相互打通、彼此联动的新型专业类模型，其能力有了本质性的跃升。
那么，基于大模型构建的新型专业类模型，其理念和方法等，与ANI时代相比有哪些改变呢？
安筱鹏：这里面涉及到很多改变，我觉得其中最重要的一点是，今天大模型能给各类企业带来怎样的变革还是未知的。这可不像买一个杯子就是用来喝水，或是购置一台设备就是用来完成某项工作那样简单。此时此刻，大模型究竟会在各行各业中如何应用，还不是一件确定的事情。
具体来说，这种不确定性是指大模型在产品研发、生产、供应链、销售、服务等的每一个环节都有发挥作用的可能性，不过这些可能性未必都会指向一个确定的结果。所以，我们必须在认知和理念层面上推动AI应用的方法论进行一次全面的革新。其核心在于，不管是一家汽车公司，还是一家律师事务所，各行各业都要认知到，自己与大模型之间是一种共创的合作关系，而不是一种简单的买卖关系。
赵福全：就是说，并不是把大模型买过来直接使用就可以了。专业类模型与大模型之间是一种共创关系：一方面，专业类模型要以强大的大模型为基础，这样才能提升自身的能力；另一方面，专业类模型相当于是大模型之下的子模型，其不断扩展和进步又会支撑大模型的持续发展。试想，如果一个大模型能够支撑几十个专业类模型，在各行各业发挥重要作用，那其能力和价值自然也就更大了。
产业特点和市场规律决定大模型行业终将收敛
赵福全：展望未来，大模型将如何演进呢？这个行业的竞争格局将会是什么样的？请您和大家分享一下。
安筱鹏：我们今天讲大模型，主要是指大语言模型。当然，除了大语言模型之外，还有图像理解和生成的大模型，以及其他的一些大模型，即所谓多模态的大模型。
目前这个方向的基本情况是：第一，大模型技术仍在快速迭代和演进中，有多种不同的技术路线都在发展。第二，本轮人工智能大模型中最重要的一个分支，或者说主赛道、主战场，即大语言模型，也在快速发展中。比如GPT就有GPT3.5、GPT4、GPT5的不断演进。而且大语言模型正在把文本、声音、图片和视频等多种模态加载进来，像近期发布的GPT-4o，就可以实时处理文本、音频和图像。
未来大模型产品会呈现出怎样的产业形态和竞争格局呢？先看美国。美国基础性的大语言模型已经极度收敛了，根据我的观察，现在美国的大语言模型大概就是“3+1+1”的格局，即主要有5个大模型。其中，核心的“3”分别来自微软OpenAI联盟、谷歌、Anthropic公司，这三家提供的都是闭源导向的大语言模型；中间的“1”来自Meta，就是Facebook的母公司，它发布的是开源导向的大语言模型；最后一个“1”来自埃隆·马斯克的xAI，这家公司刚刚成立一年多，目前估值已高达约200亿美元。以上5家公司基本上主导了美国的基础大语言模型产业。
可能有人会问，为什么美国的大语言模型主要就是这5家、而不是50家公司来参与竞争呢？原因在于大模型的开发和训练代价高昂，是资本、人才、数据和算力等都高度密集的行业。这和全球只有空客、波音和中国商飞这三家大型民用飞机制造商的道理类似，因为开发一款大型民用飞机可能需要10年时间和100亿-200亿资金，而且要销售至少一两千架飞机才能收回研发成本。也就是说，产业特点和市场规律决定了大型民用飞机市场上最多只能容纳两三家企业。这个规律同样适用于大模型行业，所以随着大语言模型的不断演进，就逐渐形成了这样一种收敛的竞争格局。当然，也有人认为目前的人工智能技术路线会遇到天花板，届时竞争格局还会生变，不过至少现在我们尚未看到。
赵福全：安博士，那中国的情况会怎样呢？现在有个说法，叫做“百模大战”，中国真的有那么多大模型吗？为什么和美国相比，我们大模型的数量会如此之多？您认为，最终中国会有多少个大模型？
安筱鹏：我个人判断，国内大模型行业未来可能会与美国差不多，只有少数几家企业能留在这个赛道上。今天很多人都在讲“百模大战”，但其实中国并没有“百模大战”，甚至没有“十模大战”，不少所谓的大模型并不是真正的大模型。在我看来，当前中国真正在大语言模型主赛道上的企业可能只有五六家或者稍多一点，这是符合产业发展和市场竞争规律的。
基于大模型构建行业专业模型有多种不同方式
赵福全：下面一个问题，大模型和专业类模型之间的共性连接体现在哪里？或者说，大模型是如何支撑及驱动专业类模型进步的？专业类模型又是怎样补充及拉动大模型发展的？您觉得在专业类模型的开发过程中，应该如何在思路、方法和手段上与大模型有效地结合呢？
安筱鹏：首先，专业类模型的开发有两种类型：一种是使用开源大模型，即基于开源的大模型，结合本行业的知识、经验、方法以及核心技术等，开发出相应的专业类模型，部署在公有云或者私有云上。现在有很多开源模型都可供使用。另一种是为解决某个行业的特定问题，在基础大模型之上开发专业类模型。具体可以是法律、医疗、教育、汽车等的任何一个行业。
后一种类型的具体实现路径又有四种：
一是SFT即监督微调方式。就是基于一个基础大模型，用特定行业的专业术语进行微调。通过该行业的大量数据训练之后，就可以得到某个领域的专业模型。比如，律师事务所可以训练律师行业的专业模型，包括刑法、婚姻法、知识产权法等各个细分领域。这种SFT方式对成本和人才的要求较高，训练周期也比较长。
二是RAG即检索增强生成方式。这种方式不需要专门训练模型，只要把某个行业现有的知识、经验以及结构化和非结构化的数据等做成外挂系统，然后通过检索增强技术，使其与大模型结合起来，就可应用于专业领域。例如生成一份医疗报告、一份法律文本或者一个汽车外形等等。这相当于把专业知识与基础大模型进行了整合。
三是Promote Engineering即提示词工程方式。通过设定合适的提示词，来提高大模型解决特定行业问题的能力。这种方式比较简单，同时效果相当不错。也就是说，提示词工程是一种成本投入较低、产出效果较好的大模型应用方式。
四是Agent即智能体方式。这种方式相对比较复杂，需要开发面向特定行业的智能体。以汽车产业为例，如果把大模型比喻为发动机，那么还要给发动机配上底盘、车身、轮胎等等，在安装调试好之后，汽车才能行驶起来。同样的，只有大模型解决不了专业问题，也要给它配上周边系统，如感知系统、记忆系统、执行系统等，并经过调试后，才能使其具备解决特定问题的能力。所有这些要素及资源整合在一起，形成的能够解决某个特定问题的整体，就是一个智能体。目前，这种方式的相关技术还在迭代和演进中。
以上就是当前专业类模型与大模型相结合的四种方式，每个行业及企业在面对特定问题时，都可以选择其中一种方式来构建所需的专业模型。当然，基础大模型的能力还在演进中，基于大模型构建专业类模型的技术也在演进中，未来二者的结合可能还会有新的变化。
大模型已由大语言模型向多模态融合大模型演进
赵福全：安博士讲得非常透彻。目前关于大模型，业界还有一个问题存在争议，就是有些专家认为“大模型”这个名称不太准确，可能会造成误导，实际上应该称为LLM即大语言模型。毕竟名称可以传递很多重要信息。比如现在电动汽车不再有传统发动机了，可依然被称为“汽车”，在某种意义上也是在强调其交通工具的属性并没有改变。对此，您是怎么看的？
安筱鹏：我是这样理解的：大模型的“大”，主要是指模型的参数多，且“参数越多，效果越好”，这是一个普适规律。基于这一规律构建的模型最初就是针对语言的，即大语言模型。不过除了语言之外，对于图像的识别和理解也是一样的，比如提供一张照片，模型就能识别出上面显示的是什么地方，或者为其配上一段说明文字；其他诸如音频、视频等的处理，也完全适用于上述规律，都可以构建相应的大模型，这就是所谓的不同模态。当然，此前最重要的大模型还是大语言模型。
而现在大模型的发展方向之一就是把各种模态进行集成，尤其是OpenAI公司今年刚刚发布的GPT-4o，已经整体集成了这几种模态。为什么说是整体集成呢？我们不妨对比一下此前的大模型，比如GPT4，可以与人进行语音对话。不过在其内部每轮对话都是通过三个模型协作来完成的：你问一个问题，大模型先用a模型把你的语音转换成文字，并传递到b模型；然后b模型针对你的问题给出文字形式的答案，并传递到c模型；最后c模型再把文字转换成语音，反馈给你。所以，尽管对你而言，就是用语音问了大模型一个问题，然后得到了它的语音回答，但其实这背后是经过了转换的，而在转换过程中就难免会产生时延、偏差等问题。与此同时，你在说话时可能还打了手势、做了表情，而这些信息都被屏蔽掉了，大模型仅仅采集了语音信息。
而现在的GPT-4o，可以同时采集你的声音、手势、动作和表情，然后把这些信息集成起来作为输入，这样其能力自然就更全面、也更强大。此外，它的输出主要是语音，但也可以有表情，显示出喜怒哀乐等情绪，这意味着其输出也是多模态的。显然，这是一个非常重要的变化。
赵福全：关于大模型和专业类模型的话题，是所有产业的模型应用者以及潜在应用者，也包括AI大模型的推动者，都非常关注且必须面对的问题。而这其中涉及到的一些重要概念，大家的理解可能还不太一样。刚才通过与安博士的交流，我们澄清了概念、理清了逻辑。特别是安博士的分享既专业严谨，又浅显易懂，更融入了自己在这方面的独到理解和深刻感悟，相信大家肯定都很有收获。下面，我简单做个小结。
实际上，专业类模型并不是新生事物。早在ANI弱人工智能时代，很多行业就已经有专业类模型了，可以解决特定领域的某个问题。这种专业类模型的效果通常都还不错，问题在于只能解决特定的问题，无法向其他领域拓展，因此有明显的局限性。另外，这种专业模型后续不断升级的工作量也很大，其投入产出比是比较低的。
当大模型出现之后，我们开始进入AGI强人工智能时代。大模型在数据、算法、算力等方方面面的能力都有了革命性的提升，可以作为普适的、通用的AI基础模型，像基础设施一样发挥作用。基于AI基础模型，各行各业的专业人士可以开发各自的专业模型，或者说垂直模型，从而将大模型应用到各个专业领域。但是此专业模型非彼专业模型，因为其基础不再是ANI模型了。新的专业类模型一定是基于AGI大模型的，是使用了大模型这一基础设施的。这个差别非常大，就好比同样是汽车，但跑在高速公路上和跑在乡间小路上，速度是完全不同的。在此情况下，如果企业没有基于大模型来做专业模型，那就和以前没有区别，虽然也可以做出来，但模型的能力及潜力都会非常有限；而如果企业以大模型为基础来做专业模型，其模型效果以及拓展性就会有质的提升。这就是我作为一个IT业外人士的理解。
可见，大模型是专业类模型的基础。而更多的专业类模型基于大模型开发，又可以让大模型发挥更大的作用。这一点至关重要，因为如果只有大模型而没有专业类模型，大模型在整个经济社会中的影响和价值也会大打折扣。就像百度董事长李彦宏总最近强调的，没有应用模型的基础大模型，无论是开源还是闭源的，都一文不值。所以，希望各个行业、众多领域的专业模型能够百花齐放。为此，做专业模型的人要拥抱大模型，而做大模型的人也要拥抱专业模型，双方相向而行、共同奔赴理想的目标。
在这个过程中，我们必须清楚，大模型并不是谁都能做的。因为开发大模型需要规模超乎想象的算力、数据、人才和资本等资源，而且不是一次性的投入，后续还要不断迭代、优化才能确保持续引领，这远非一般企业所能承受。所以，真正有能力做大模型的企业数量将非常有限，而其他企业更应该把资源用于专业类模型的开发。正因如此，最终大模型的数量不会很多，事实上也不需要很多。这就像高速公路不需要到处都有，且一定是在政府主导下由大企业来建设的；相比之下，乡间小路由村里集资就可以建了。
至于到底应该叫大语言模型还是大模型，如果从人工智能进入AGI阶段的高度来看，叫大模型应该要比大语言模型更有普适性，也更有指引意义。另一方面，虽然大模型最初主要就是大语言模型，但是目前早已拓展到语音、图像和动作等更多模态了，甚至已经有大模型能够集成处理不同模态的信息，并产生相应的数据训练模型了。所以，简单地叫“大语言模型”可能会有一定的局限性。当然，无论是开展实际工作的专家，还是从事相关研究的学者，都更应该注重大模型的发展及应用，而没必要过分关注其称谓。
多主体协同的产业生态将支撑大模型得到更好应用
安筱鹏：我再补充一点，就是未来人们使用大模型时会形成一个供给侧与需求侧互动的生态。事实上，大模型的应用一定是一个多主体联动的过程，其中只有一部分情况是大模型直接提供服务，即所谓API（应用程序编程接口）方式，而更多、更复杂的业务场景涉及到多个利益主体、多条技术路线的不断协同和反复互动，要靠各方有效协作来为客户提供服务，这就构成了生态。如果以足球比赛类比，大模型企业就像是守门员，通常无法一脚直接把球踢到对方的球门里，而是要与球队的后卫、中场、前锋等一起配合来取得进球。
赵福全：安博士强调的这一点非常重要。我之前曾经多次讲过，在万物互联的时代，各类不同主体将有效协同、相互赋能，共同驱动整个人类社会迈入超级智能时代。届时每一个人造物都将是互联的，且由人工智能赋能，从而构成了智能化的大环境，可以使其中的每一个人造物都把智能化的能力发挥到极致。所谓车路协同也是同样的道理，即智能的车必须跑在智能的路上，而智能的路也只有当智能的车行驶时才能体现出其智能的价值。由此，道路、车辆、车内外的人员以及网络、云端等所有智能的主体，将互联而成一个超级智能的大生态。参与其中的各类主体相互协同，把各自的力量都融合到一起，最终实现1+1+1远大于3的效果。
安筱鹏：是的，各类企业都有自己的优势。到了人工智能大模型广泛应用的时代，生态系统本身就是企业竞争与合作的一种必然形态。现在中国和美国都有很多开源社区，比如阿里的开源社区叫做魔搭社区。现在可能有很多人对这种生态还没什么认知，实际上其作用是巨大的。我经常举一个例子，要攀登珠穆朗玛峰，从地面一直爬到山顶的难度非常大，但如果从海拔5200米的珠峰大本营出发，爬到山顶就容易多了。
同样的道理，包括开源的软件、大模型、社区等在内的生态，就像一架直升机，可以先把你从地面运到珠峰大本营，然后你再爬完剩下的3000多米，这自然可以帮你节省很多体力或者说资源。实际上如果没有生态这架直升机，你可能永远都无法登顶。目前美国在AI领域就有很多这样的“直升机”，可以把企业直接运到“珠峰大本营”，这就大大降低了AI应用的门槛。中国在这方面也需要加紧努力，因为对于一个国家或地区的大模型普及应用来说，繁荣的产业生态至关重要。
