加拿大卑诗省禁止雇主强制女员工穿高跟鞋上班

百度 全民阅读这项公共事业的落实，最终要体现于个人的阅读质量。

　　1月7日上午，英伟达总裁黄仁勋在全球最大的消费电子展上作了演讲。

　　此前就有海外科技博主预测，英伟达即将发布的新版显卡，其GPU性能，又要提升一大截。而在今天的演讲中，黄仁勋发布了英伟达RTX 50系列显卡。按英伟达的说法，RTX 5090整体性能是上一代RTX 4090的两倍。

　　由此，也有些声音担忧，在美国对华断供高端芯片的背景下，无法获得最高性能GPU用于训练的中国人工智能行业，与美国的差距是否会被进一步拉大。

　　人工智能领域，“算力焦虑”一直是种流行的叙事。作为主导全球的GPU企业，英伟达H100 GPU数量一度成为了衡量大模型公司算力的指标，黄仁勋曾言：“英伟达是AI世界的引擎”，在他的叙事下，英伟达的硬件是发展人工智能大模型的决定性产品。

　　不过，谭主跟在现场的朋友聊了聊，他表示：

　　算力和人工智能大模型已经不再是现场多数企业最关心的问题。相比之下，如何将人工智能落地应用是2024年很明显的一个重点，在这方面，很多时候并不需要最高性能的GPU芯片。

　　相比之下，黄仁勋却显得没有那么“淡定”，在演讲中渲染英伟达“Blackwell架构芯片是人类历史上最大的单芯片”“前所未有的规模”的同时，却也对其消费级的产品采取了性能不变，但降价至三分之一的策略。

　　这跟此前舆论场认为英伟达产品将继续涨价的预期，形成了反差。显然，在主导地位遭遇越来越多挑战的情况下，英伟达也开始考虑多找“几条腿”走路。

　　实际上，全球几家还在全力投入人工智能大模型研发的头部企业，也正在掀起一股“去英伟达”的趋势。

　　诸如Open AI、苹果公司等都开始自研芯片和生态系统，支撑自身的大模型训练。

　　而这股趋势更重要的意义在于，英伟达营销人工智能“算力为王”的认知，已经被人工智能行业的新动向打破了。

　　除了自研AI芯片，Open AI等全球头部的人工智能公司，都在更多地聚焦大模型本身的设计优化。

　　模型训练层面，Mistral AI公司公开将混合专家模型引入大模型训练，用许多个特定领域的“小专家”配合几个“通用专家”，先决定问题类型，再用少数适合的专家处理不同类型的问题。 以DPO、LoRA为代表的高效微调方法，将原本需要高算力和复杂调优算法的模型对齐过程进行了化简，大幅度降低了模型对齐复杂度。

　　在这样的趋势下，国产大模型也逐渐明确了自己的发展方向。    2024年，国产大模型突飞猛进，不乏通过底层优化，实现用2048块GPU，接近头部公司数万块GPU训练才具备的大模型性能的案例。

　　在全球最大的大模型和数据集社区Hugging Face推出的开源大模型排行榜单上，从去年6月开始，中国国产开源大模型曾一度第一名，到年末，这个纪录又被新的国产开源大模型刷新，身位已经稳定在领先行列。

　　业内人士跟谭主分析：

　　之所以能做到这一点，是因为国产大模型主要进行了三个方面的创新：底层大模型数据结构的创新，训练过程的创新，以及数据准备有创新。

　　中国工业互联网研究院的最新数据显示，DeepSeek-V3通过采用混合精度方法，有效平衡训练精度和效率，结合混合专家模型架构，大模型训练成本降低至500万美元，仅为同性能模型的5%～10%，其性能上却跟GPT-4o以及Claude 3.5 Sonnet相差无几。而目前，国内类似的大模型成本、训练时长都已经大幅下降。

　　这种新的模型训练方法，不仅大幅度降低了大模型行业的门槛，还推动了全球大模型的降价潮。而大模型的降价，对于人工智能技术的应用和转化有着革命性的意义。

　　行业人士告诉谭主：

　　在当前全球人工智能大模型的竞争中，算力虽然重要，但从来不是决定性因素。只有跟软件、应用场景结合起来，才能真正成为赋能行业转型、提高经济效率的引擎。

　　相比之下，目前部分人工智能项目存在“假智能”的问题——靠大量数据叠加出来答案，缺乏真正的创造力和想象力。

　　这与当前发展道路的“唯算力论”有关。现在市场上的许多AI，说白了就是用户告诉它怎么改，它一步步按要求调整，最终生成一个看上去“对”的答案，但它本身缺少主动思考或提出创新解决方案的能力。

　　虽然一些前沿大模型探索了“思维链”，试图让大模型长时间思考模拟人类的思维推导，在一些问题上已经有一定效果，但如何实现“通用人工智能”仍然有较大障碍。

　　更大的问题是，这种只靠算力的方式，迟早会碰到天花板。

　　行业人士跟谭主分析：

　　拿美国当前的大模型来说，他们的模型已经读完了几乎所有的英文书籍。可是，接下来怎么办？这就是人工智能大模型的发展瓶颈。由于世界上没有更多的新书可以喂进去，那AI只能让自己写书，但这种“自己生成自己喂”的方式，其实并没有真正突破。这就好比饿了没东西吃，只能“自给自足”，显然不长久。

　　要突破这个瓶颈，就不能再光盯着算力和数据，而是要回到大模型的技术本质，去解决更关键的方向性问题。就像一个不算聪明但记性好的同学，读了一万本书以后，问到的问题只要书里有答案，他就能直接告诉你怎么解决。可如果书里没有，他就无从回答了。这正是现有大模型的局限。

　　也就是说，真正要把大模型做好，不只是加算力，而是让它“活”起来，这就需要操作系统、应用场景的发展协同，帮助它从归纳走向创新。

　　中国的国产大模型，显然正在运用这种高效、灵活的路径，找到更加“聪明”的人工智能发展方向。

　　人工智能，不是一场跑道和圈数划定的跑步比赛，而是一场向着未知的探险。中国企业选定的方向，不会轻易被各式的“焦虑”裹挟。

　　能者非他，能自树立不因循者是也。