J9九游会首页商汤科技董事长兼CEO徐立：AI 20时代的“新质生产力工具”3月23-24日，2024全球开发者先锋大会（GDC）在上海隆重召开。商汤科技董事长兼CEO徐立受邀出席开幕式，并发表《AI 2.0时代的“新质生产力工具”》演讲，分享对AI 2.0时代生产力工具“质”变背后的思考和突破路径。

　　徐立在会议上提出：“AI 2.0时代，生成式AI被视为推动生产力进步的重要技术，如果能在知识、推理、执行三层能力上实现突破，将真正带来整个社会生产力的跨越式发展。”

　　近期，“新质生产力”这一话题备受瞩目，特别是在开发者群体中。生成式AI技术被普遍认为是推动生产力飞跃的关键力量，它标志着人工智能领域迈入了全新的发展阶段，称之为AI 2.0时代。

　　在这一时代背景下，ChatGPT、Copilot、Blackwell等名词成为热议的焦点，代表着AI 2.0时代的热潮。根据搜索数据，中国对这些词汇的关注度位居全球前列，这反映出中国近千万的开发者以及广大民众对AI技术所带来的变革充满期待。这无疑为中国AI的蓬勃发展奠定了坚实的基础。

　　随着AI 2.0时代的浪潮汹涌而至，GitHub平台上与之相关的项目数量呈现出惊人的指数级增长态势。生成式AI项目、大型模型项目以及辅助编程、辅助开发的工具项目层出不穷，展现出前所未有的繁荣景象。然而，与此同时，中国数字人才的缺口正在逐年扩大，且短缺比例在迅速加剧。

　　还有一组数据值得关注。尽管中国对AI 2.0的关注极高，但在实际应用方面排名却落后于美国和印度等国家。这其中，语言因素尤为关键。以自然语言编程为例，英语与现有程序的匹配度颇高，而相比之下，优秀的中文语言工具则显得相对匮乏。尽管已经开始运用AI 2.0时代的生产力工具，但在提升生产效率方面的效果并不显著，所解决的问题占比不足10%，对生产链路的突破相对有限。

　　众所周知，软件开发的全生命周期涵盖了需求分析、设计、开发、测试、部署和维护等诸多环节。尽管AI技术目前能带来许多革新，并拓展至多个场景，但其所能解决的问题仍然局限于非常小众的部分。具体而言，AI目前主要解决的是那些过往已经抽象成标准化，甚至以知识库形式固化下来的内容，例如代码补全、代码增写以及部分测试用例等。若将其在整个软件或产品设计全流程中进行分摊，其占比并不高。

　　随着扩展能力的日益增强，众多工具正在逐步实现从前端设计、测试用例到维护的横向拓展，逐步向前发展。然而，除了横向能力的不断拓展，从纵向角度来看，当前新生产力工具的准确率和完成度普遍较低。虽然整个行业在往前走，但目前还是处于相对雏形。

　　另一个引人注目的现象是，编程经验的丰富程度并不直接等同于对新生产力工具的熟练运用。事实上，统计数据揭示了一个相反的趋势。工作五年以下的程序员使用新生产力工具解决问题时长超过一小时，但五年以上的程序员反而更短。这一现象暗示着，在面对高阶、复杂的任务时，当前的新生产力工具仍面临着一定的挑战。

　　第一层知识（Knowledge），世界知识的全面灌注。目前，许多生产力工具解决的都是知识层的问题，当用户提出疑问时，其背后的逻辑正是基于“世上无新事”的原则。换言之，你所面临的难题，很可能前人已经遭遇并成功解决。因此，通过运用大模型，这些生产力工具能够高效地处理这些任务，为用户提供准确的解答和方案。

　　第二层推理（Reasoning），即理性思维的质变提升，是在世界知识全面积累的基础上的进一步演进。即便面对未知的事实，AI也能通过逐步推理，揭示出更多可能性。知识和推理作为大模型这一生产力工具的核心组成部分，具有至关重要的地位。然而，目前在推理层面，大模型的发展仍相对有限，这也是未来需要重点突破的能力之一。

　　第三层执行（Execution），世界内容的互动变革，则涉及世界内容的互动变革，即如何与世界进行互动和反馈。在这一层面，当前的具身智能展现出了巨大的发展潜力，有望在执行能力上实现重大突破。

　　总的来说，这三层能力——知识、推理和执行，共同构成了一个完备的为世界提供生产力工具模型的三层结构。每一层都不可或缺，共同推动着生产力工具的持续发展和进步。

　　商汤科技依托“KRE”三层架构精心打造了一款办公辅助软件——“小浣熊”。在已完成的基模型基础上，商汤经过需求分析到产品开发的整个流程，共投入100人天的工作量。值得一提的是，若去年使用“小浣熊”代码补助工具，能够节省高达30%的工作量。这款软件在开发过程中主要聚焦于解决重复性的劳动问题，在优质的代码库基础上，能高效完成代码编写任务。

　　为进一步提升软件性能，商汤整合了从需求分析、需求设计到长尾应用等多个环节，推出了功能更强大的“小浣熊”2.0版本。这一新版本真正实现了基于海量数据筛选需求、制定产品特征，并在产品特征的基础上自主完成产品开发。期待“小浣熊”2.0在拥有丰富世界知识的基础上，能够在实际应用中拓展至更多的机器人场景，为机器人技术的发展提供有力支持。

　　再以“KRE”三层来理解“小浣熊”。知识层是代码的补全，补全的代码来自他人写过的代码；推理层则深入到软件开发的全流程；执行层进入切分到垂直场景当中，以场景化的智能为依归。

　　知识与推理，这两层能力是否紧密相连呢？实际上，知识层主要解决高频、标准化的问题，即那些已经被广泛讨论和解决的常见问题，因此其准确率通常较高。而推理层则更侧重于处理长尾、碎片化的问题，即那些较为特殊、非标准化的情境。

　　场景一：管理智能化。在交通分析领域，大屏显示的数据往往呈现出固定化的特点，例如特定路口的车流量或是某个时间段的交通状况分析。这些问题相对标准化，可以通过已有的知识和算法进行高效处理。然而，当涉及到更为复杂和综合的因素，如天气变化、影响、新闻事件等，这些问题便变得更为长尾和碎片化。在这些情况下，过去可能并没有现成的分析结果可供参考。但借助“小浣熊”的强推理能力，可以对这些因素进行深度分析，从而得出更为精准和全面的交通分析报告。

　　场景二：办公智能化。在制定产品推广预算时J9九游会官方网站，只需将财务报表、账户信息、产品介绍等各类文档资源输入到商汤的“办公小浣熊”中。这款软件凭借其强大的推理能力，能够根据输入的数据和需求，迅速生成一个既合理又科学的预算方案。

　　总的来说，生产力工具在知识能力、推理能力以及执行能力这三个层面均实现突破，那么广大开发者以及各类场景化的核心应用将率先受益。这种全面进步最终将促成整个社会生产力的飞跃式发展，推动我们迈向一个更为高效、智能的未来。