1. 发展方向

1.1. 多模态智能

• 1.1.1. 将带来全面的、具有深度的智能分析

• 1.1.2. 结合语言、文字、图片、视频、激光雷达点云、3D结构信息、4D时空信息及生物信息，实现多尺度、跨模态的智能感知、决策和生成

1.2. 自主智能

• 1.2.1. 将带来个性化的智能体

• 1.2.2. 将大模型作为一种工具，开发出能够自主规划任务、编写代码、调用插件、优化路径的智能体，实现高度自主智能，可自我迭代、升级和优化

1.3. 边缘智能

• 1.3.1. 将带来高效率、低功耗、低成本、低延时的边缘计算网络

• 1.3.2. 将大模型部署到边缘设备端，如新一代AI PC（人工智能电脑）​、新一代Intelligent Phone（智能电话）​、新一代Intelligent Home（智能家庭，包括TV）​，大幅提升处理速度和相应的效能表现，从而实现边缘智能

1.4. 物理智能

• 1.4.1. 将带来更加先进的自动驾驶车辆、机器人等

• 1.4.2. 当下大模型正在被应用于无人车、无人机、机器人、工厂、交通、通信、电网和电站以及其他物理基础设施，以提升各类设备、设施的自动化与智能化水平

1.5. 生物智能

• 1.5.1. 将带来生命健康、脑机交互、医疗机器人的突破，将大模型应用到人脑、生命体、生物体中，实现AI与生物体联结的生物智能，并最终迎来信息智能、物理智能与生物智能的融合

2. 五个观点

2.1. 大模型和生成式人工智能是未来十年的主流技术与产业路线

• 2.1.1. 大模型（GPT-4o、ChatGPT-o1、BERT等）和生成式人工智能将成为今后10年内的创新主轴与连锁变革的导火索

2.2. 基础大模型+垂直大模型+边缘模型、开源+商业

• 2.2.1. 基础大模型将是AI时代的技术底座，与垂直产业模型、边缘模型共同孵化出新的产业生态

2.3. 统一标识(Tokenisation)+规模定律(Scaling Law)

• 2.3.1. 大模型最核心的两个要素是统一标识和规模定律

• 2.3.2. 统一标识通过将文本和其他类型的数据统一编码为单元，使模型能够处理不同形式的输入

• 2.3.3. 规模定律则揭示了模型规模与性能之间的关系，表明随着模型参数的增加和数据规模的扩大，模型的表现会显著提升

2.4. 需要新的算法体系

• 2.4.1. 与人脑相比，现有算法存在效率低、能耗高的问题，因此需要开发出新的算法体系，包括世界模型、DNA记忆、智能体、强化学习、概率系统和决定系统等，以实现100倍的效率提升

2.5. 从大模型走向通用人工智能

• 2.5.1. 预计15～20年内可实现通用人工智能，并通过新图灵测试

• 2.5.2. 5年内，在信息智能领域，AI对语言、图像、声音和视频的理解、生成等方面通过新图灵测试

• 2.5.3. 10年内，在物理智能（具身智能）领域，实现大模型在物理环境中的理解与操作能力的大幅提升，通过新图灵测试

• 2.5.4. 20年内，在生物智能领域，将AI应用于人体、脑机接口、生物体、制药和生命科学，实现大模型与生物体联结的生物智能，通过新图灵测试

3. 自动驾驶的未来

3.1. 自动驾驶是未来五年最重要的物理智能/具身智能应用，有望成为第一个通过新图灵测试的具身智能系统

• 3.1.1. 在安全性方面，实现完全无人操作的自动驾驶的安全性要比人类驾驶的至少高出10倍，达到人类“好司机”的水平

• 3.1.2. 在人性化体验方面，通过模仿学习和自主学习，自动驾驶系统将具备更自然的驾驶风格，结合乘客或车主的驾驶习惯，提供更人性化的体验，达到人类“老司机”的水平

3.2. 大模型及生成式AI将在提升L4级别自动驾驶系统的泛化能力方面发挥关键作用

• 3.2.1. 与数据智能相关，过往自动驾驶系统的边角案例数据不足，大模型及生成式AI可结合真实数据生成高质量的边角案例数据

• 3.2.2. 与长尾问题相关，生成式AI可有效改善边角案例中场景仿真、模拟度不足等问题，解决感知领域的长尾问题

• 3.2.3. 与常识推理相关，大模型的推理能力可助力自动驾驶系统理解并应对道路上的各种突发情况，从而提高自动驾驶系统的能力上限

3.3. 自动驾驶技术将整合多模态传感器数据

• 3.3.1. 多模态融合

• 3.3.1.1. 相较人类而言，机器具备多模态感知优势，可通过融合计算机视觉、激光雷达和其他传感器数据，使自动驾驶系统更全面细致地感知周围环境

• 3.3.2. 端到端

• 3.3.2.1. 以前自动驾驶算法由许多专门针对特定任务的小模型组成，这些小模型各自负责不同的任务

• 3.3.3. 云端与车端协同

• 3.3.3.1. 云端大模型提供通用性泛化能力，车端模型提供实时精确响应与本地优化部署

• 3.3.3.2. 云端和车端协同能够确保驾驶决策兼具泛化性、及时性与准确性

3.4. 未来的自动驾驶应用将以单车智能为主，​“车-路-云”一体协同工作，从而确保安全冗余，辅助智能交通

• 3.4.1. 每一辆自动驾驶车辆都必须具备独立且强大的单车智能驾驶能力

• 3.4.2. 通过“车-路-云”一体化，在为自动驾驶提供多重安全冗余保障、提高驾驶安全性的同时，控制、优化交通流量，提升交通效率

4. 时代责任

4.1. 企业创新

• 4.1.1. 大部分由企业设立的研究院是服务于企业战略的，而研究院的成果大体服务于企业产品

• 4.1.2. 企业研究院的优势

• 4.1.2.1. 资金和资源相对稳定

• 4.1.2.2. 有组织的创新，团队为了一个明确的目标共同奋进

• 4.1.2.3. 带头人通常是某一领域的资深科学家，工作氛围相对轻松，新成员加入后若无其他因素干扰，成长比较迅速

• 4.1.2.4. 由于是为企业战略服务，研究成果往往被率先应用于自家的产品和服务，这当然无可厚非，而且如果是在一家世界级的企业，当研究人员看到自己的研究成果融入各国用户都在使用的产品、​“慧”及全球时，对他们来说，也是很大的激励

• 4.1.2.5. 大多数企业主导的研究周期较短，要求3～5年出成果都算是较为长线的项目，常态是要求1～2年就能看到进展和亮点

• 4.1.3. 典型的例子

• 4.1.3.1. 奠基于1925年的贝尔实验室在科学和技术领域做出许多福泽后世的贡献，如晶体管、信息论、射电天文学、激光、光伏电池、Unix操作系统和C语言等

• 4.1.3.2. 成立于1970年的施乐帕洛阿尔托研究中心则是当之无愧的计算机科学发明先驱者与诸多技术思路的开辟者，包括图形用户界面、以太网、激光打印、电子纸等在内的亿万用户现在仍在使用的技术都源于该研究中心孵化的雏形

• 4.1.4. 美国在科研领域的一个重大变化：大企业的理想似乎在变少

4.2. 高校创新

• 4.2.1. 很多研究项目是由好奇心驱使的

• 4.2.2. 高校创新的优势

• 4.2.2.1. 具有开放性

• 4.2.2.2. 有可能通过较长的研究周期，解决一些根本性、基础性的科学问题，只要资源足够，研究不受任何限制

4.2.2.2.1. 大学的基础研究为整个社会做出了巨大的贡献，许多科学领域的重大成果来自高校团队

• 4.2.2.3. 创新的系统性比较弱

4.3. 高校和企业为同一条创新链设置了两个锚点，每个锚点都有其独特的作用，都代表着一种卓有成效的机制，也就谈不上“谁对、谁错、谁更好”的问题

• 4.3.1. 科学研究应该能包容各种不同的模式和形态、不同的维度和思维，不能说这个一定比那个好，百花齐放时，自有留香者

4.4. 每个人都有独立的方向和团队，大家为了同一个大的战略或方向而合作、协同、互补

4.5. AIR的资金主要来自企业，但团队并不需要给企业做产品

• 4.5.1. 可以帮忙攻克某些技术难关，而非我们帮助企业开发和实现企业想要做出的某个产品、某些功能

• 4.5.2. 并不是说合作孵化出的成果就是企业独家占有的

• 4.5.3. 锁定的研发方向和具体项目都是面向未来的，但我们也需要与企业合作，因为企业有着海量的沉淀数据与真实的应用场景

5. 颠覆性的技术

5.1. 要有梦想，而且这个梦一定要大、要远

5.2. 要把每件事做踏实，代码是一行一行写出来的，论文是一篇一篇发表的，要沉静下来，把事情落在实处

5.3. 做人要正

• 5.3.1. 人正了，研究院的文化相对而言就比较简单

• 5.3.2. “正”的体现是，科研人员的态度和品性要好，平素大家在一起工作，与人为善是必备的素养

• 5.3.2.1. 善待同事、善待老师、善待学生

• 5.3.3. 从事教育工作，首先要做的不是传道授业解惑，而是要让孩子们变得更真，而不是变得更假

6. 人工智能时代

6.1. 逆全球化的风潮和地缘政治的影响也让每个人都面临巨大的不确定性

6.2. 人工智能是第四次工业革命的基石，正在改变我们的世界，从科技、产业、社会到个人

6.3. 基础大模型正在构建新的操作系统，将彻底重构我们的软件、硬件和应用生态，重塑产业结构、商业模式以及未来的工作方式

• 6.3.1. 所有的设备都能看、能听、会说

• 6.3.2. 无人出租车载着乘客，无人卡车载着货物，无人机在天上送着快递

• 6.3.3. 机器可以实时、准确地翻译，可以快速分析患者病情、读片诊断、发明新药、做手术

• 6.3.4. 机器人走进我们的家庭，成为我们知心的管家

• 6.3.5. 走进办公室，变成我们最好的助理

• 6.3.6. 进入城市，维护我们的安全

• 6.3.7. 进入工厂，成为最熟练的工人

6.4. 未来，有些产业和工作或将消失

• 6.4.1. 不需要很多译者、不需要很多司机、不需要很多中介、不需要很多流水线工人

• 6.4.2. 任何重复性和流程性的脑力和体力工作都将被机器取代

• 6.4.3. 在任何可描述的、有固定规则的、有标准答案的问题方面，机器都会超过人类

• 6.4.4. 任何考试，不论是高考、SAT（美国高中生大学入学考试）​、GRE（留学研究生入学考试）​、GMAT（经企管理研究生入学考试）还是数理化奥赛，机器都将是冠军

• 6.4.5. 机器将理解今天最复杂的公式，证明我们尚未证明的数学难题，也会产生新的方程式

6.5. 未来的智能是人类智能+机器智能(HI+AI)，当人工智能使得生产力大幅度提高时，我们每周也许只用工作两三天，其他大部分时间可以用来做自己感兴趣的事

6.6. 建议

• 6.6.1. 保持对世界的好奇，做永恒的学习者

• 6.6.1.1. 在数据爆炸和不断变化的世界中，成为具备强适应能力的学习者至关重要

• 6.6.1.2. 你们5年前学到的80%的知识可能已经过时

• 6.6.2. 要有独特的观点和视角

• 6.6.2.1. 一个独特的观点等于100个智商点

• 6.6.2.2. 人工智能越来越强大，ChatGPT可以比任何人更圆滑和全面，能够生成很多观点，唯一无法生成的，就是你独特的观点

• 6.6.3. 将伦理和人文精神放在心中

• 6.6.3.1. 技术是中立的，但创新者有使命

• 6.6.3.2. 技术是工具，要为人类服务

• 6.6.3.3. 随着人工智能的飞速发展，它带来的潜在风险也在不断增加

• 6.6.4. 要明白，人生是赛场，不是战场

• 6.6.4.1. 人生就像一场体育比赛，通过公平竞争，我们能够充分激发每个选手的潜力、实力和能力，最终，每个人都有机会成为赢家

• 6.6.4.2. 它不是一个战场，不需要把对手置于死地，这样大家都会成为失败者

• 6.6.4.3. 没有最好的选择，只有你的选择

6.6.4.3.1. 没有最完美的人生，只有你的人生

文章摘自：https://www.cnblogs.com/lying7/p/20030988