对话崔兴龙：棒打或鼓吹 ChatGPT 和 PaLM2 都是错误极端，数学、符号科学和计算工程学塑造 AI 的高度和陷阱

头图：Chip design

上周谷歌正式发布的 AI 大模型 PaLM2 ，被称为“重磅反击” ChatGPT 的 AI 军备竞赛升级。如果从翻译、地图、办公等局部功能看有新意，但在本质上是否真的推动 AI 向前走了一步呢？

“并没有实质突破”，就这一问题，我访问了崔兴龙。作为元知科技集团联席总裁、元知智能研究院执行院长的崔兴龙曾供职于 Google 美国研究院，负责跨语言翻译搜索项目及 PIM 数模语义转换项目，他也是我所认识的最早从 1.0 时期就开始关注 ChatGPT 等相关模型的AI领域研究者。

崔兴龙曾作为创始合伙人成立了多家公司并成功退出，其中包含两家上市公司。

元知智能研究院隶属于元知科技集团，旗下元知科技投资了商汤、奇虎 360 、陆金所、平安好医生等项目。

在去年与崔兴龙的访谈中，他谈及了话题：M 型社会下，大企数字化“平台”趋势不可逆，并且 AI 在其中能够推动自由社群的实现。（此处加去年稿件链接）

“在解码和编码达到一定的高度后， AI 能够逐渐模拟出人类思想和智慧的总和，但突破不了人类极限。因为在这一轮AI所诞生的应用表明，人类编码、解码的语言框架已经限定了其发展。”崔兴龙认为。

“重要的是思考清楚 AI 如何逼近人类的智能总和，无法突破人类智能边界的原因，以及解决的可能性在哪里。”

当下对于 ChatGPT 和 AIGC 的评价呈现出两个极端。一方面是工具论，另一方面则是要限制 AI 的发展。如何突破“术”的层面去理解 AI ，需要从计算机、纯应用数学的角度出发去辩证中立地思考。

围绕以下问题， To B 新势力对崔兴龙进行了访谈，以下是访谈纪要：

AI 的发展：逼近人类智能总和

今天，从符号、计算工程的角度看， AI 已经无限接近真实世界。过往的人类历史，是靠文字、语言、符号进行传承的，随着符号、数学、工程学的发展，今天的计算框架已经能够实现将人类的海量信息存储下来，这让 AI 展现出同时性和更大的张力，因此无限逼近于人类智能总和，并且能够超出人类的预测能力。

在这一部分中我们探讨了：

PaLM2 的发布并没有太大突破 AI 的发展水平。

OpenAI 的野心很大，但是它在现实的野心又比我们小。

OpenAI 技术发展背后的人类学科知识体系支撑。

宇婷：如何看待当下 OpenAI 旗下 ChatGPT ，以及谷歌旗下 PaLM2 的发展？
崔兴龙：先说ChatGPT。我在1.0发布 Beta 版时就开始关注ChatGPT。从产品的框架来讲，3.0已经是一个很好的框架了。3.0其实是一个在架构，尤其在这个所谓多模态和底层 AI 的框架下，已经成熟的产品。

所谓框架好，是说它一开始就是照着想做一套通用的底层框架的思路在做，一套工程化的以计算科学和计算工程学为核心的通用的 AI 框架。

ChatGPT 真正实现 To C 的是 3.5 版本。3.5 其实是一个在 To C 端能够达到一定高度的产品，它一定不是终局表现，但是它已经达到一个很优秀的产品的形态，这个形态比较符合现在大家对 AI 的认知。

3.5 无论在一些文本、图片、视频，甚至小游戏的生成， AIGC 等方面都有重大突破。如果开玩笑说其训练的拟合度，不知为何一下就提高了，这实际上是多模态的拟合，不单单是视觉信息跟声纹信息的拟合，而是整个算力的综合提升。

ChatGPT 4.0 是一个相对成熟的阶段，可以在专业数据领域和视频领域，甚至在一些其他的工业化领域，形成一个深度整合的工具的框架。3.0 、 3.5 版本，大量的数据还是通用化数据，不能叫做通用人工智能，广泛受众的数据并没有深入到垂类的专业场景。4.0 具备了在 To B 端，垂类深度行业整合的过程的基础。

PaLM2 的发布并没有太大突破 AI 的发展水平。

宇婷：你怎么评价 Transformer 框架？

崔兴龙：在 ChatGPT 的 1.0 阶段，我们其实也不是用，更多的是开始关注。当时 Transformer 以及很多框架，从最早的 RN 、 CN 、 DN 到 Resnet 等等，当然有些达不到框架级别。

衍生过来看，其实我觉得 Transformer 一定是一套很好的通用型的框架，它更好地用工程化的方法给一些具象的场景做了规范。找到具象的产生式的目标和边界，定义好产生规则，设定好参数，再做预训练。这套方法和框架跟我个人对 AI 的理解是一致的，我认为从 3.0 开始，这套框架就走得很顺，后面会越来越快。但现在需要喂它数据走到To B 端，或者真正的专业领域。用这套数据给到它，训练好，再往深了走，到那个时候可能还会出现问题，但一定可以用工程化的方法再解决掉。

宇婷：怎么理解“工程化”？

崔兴龙：其实工程化方法就是降维，就是把科学问题降维成技术问题，技术解决不了，就降维成工程问题无限趋近于它。就跟你用微积分是一样的。今天就是在用工程学的方法无限趋近于真实世界的原理。

宇婷：如何理解 OpenAI 的“野心”？

崔兴龙： OpenAI 的野心很大，但是它在现实的野心又比我们小。它的野心其实是希望在科学性上，在整个的开放框架，在每一层的开放性上做到最好。无论是底层的算力也好，还是底层的数据也好，基于它的框架的预训练的模型也好，垂类的合作人都是持开放态度，它是希望能把这件事做到。它的野心大，要做成一个全行业通用型的标准，或者就像我说的基于今天的计算科学、符号科学、计算工程学等等构合成的这么一套构成的标准，它希望做到这个程度。至少我相信 Transformer 的老大和 Google 的 Alan 的制造体系应该是这样的野心。

当然 OpenAI 是不是这个野心我不知道，但是 Transformer 最开始做的时候，它就把框架全部开源了，所以 ChatGPT 才可以用它，无论从它的 2.0 版本的转型还是其他。它的标准是希望要做操作系统，做未来真正的底层，所以它的野心大。

它的野心又小，小到它不屑于说我去提供一套云的服务标准，我非要把你这个行业所有的数据都收集全，你这个行业所有的都要向我交枪投降，标准标记、所有的规则全部由我来掌握，然后你只要在里面做生意就行了，相当于它变成了一个行业或者某一个领域的规则制定者、分配机制的决定者和法官。

宇婷：你觉得开放的对立面是“控制”或者“垄断”吗？

崔兴龙：我觉得这个不是正反两边的关系。他想垄断，总带着垄断的心。资源是指，比如说用户、资金，他所掌握的线上线下的很多场景。

宇婷：从美国的研发经验中，我们可以得到怎样的启示？

崔兴龙：从能量和信息的角度来看，人需要的资源并不多。一个人掌握了一定的资源和一个组织的规则定价权之后，能够让这个组织内所控制的资源尽量做到开放和共享，或者说一定程度上大家保证基础需求都满足情况下共享，这是个理想的状态。集中很多资源和能力是为了反哺到底层科研的研发上。

我认为这个世界最主要的东西就是信息和能量，很多未来科技的发展和应用的发展，甚至学科的发展，都逃不脱这些。真正能够改变我们底层的，是人工智能在信息领域巨大的进步。可控核聚变是真的利用宇宙间真实有效的更核心的能量，而量子计算或许是让人类能够在今天的计算规则之下，找到更底层的宇宙运行的规则，也就是说，在信息上找到一个更有价值的传递方式和能量的表达方式，这在量子计算和量子科学方面是有可能的。所以人工智能、量子计算和可控核聚变是未来真正的颠覆性技术。

宇婷：你能说一下内卷吗？还有你提到的“能量”这个词很有意思。

崔兴龙：内卷有一定的背景。第一，你这个组合所掌握的资源在下降。第二，你的上层阶级、统治阶级的分配规则和利益还不想变。卷的本质就是你在外整体的规则的竞争，降低你整体的组织能力的卷，企业内卷也一样，内斗消耗各种问题。为什么 AI 一定要应用在企业中，解决企业的效率和安全问题，它的关键就在于行业中也要做，因为我们的资源在变梯的时候一定要追求最高的效率和最大的安全，否则就很可怕，我们过去是靠堆人堆出来的效率与资源。

人的能量是从吃这片土地的东西交换来的，所以为什么说 AI 在一定程度上一定要应用于垂类跟行业，尤其大量的企业是一定要把今天通用的 AI 应用在组织中，因为你的生态变了，组织变了，你还要用原来的那套框架的效率和管理机制，去用在这个社会竞争中，一定会卷死的。

宇婷：ChatGPT 、 PaLM2 能够实现当下的发展，关键的支撑元素是什么？

崔兴龙： ChatGPT 这一次的亮相，尤其是到 3.0 之后的亮相，其实是在计算科学、数学、计算工程学、计算机工程学，以及今天整套符号学基础上发展的一个大集成，而且达到了一个相当的高度，这是一个很重要的事件。

首先是算力技术上的支撑。回忆 2003 、 2004 年的时候，训练一个简单的模型，即便不是特别复杂的，均值回归、线性回归、逻辑回归，再随便做一个拟合，用上稍微复杂一点的算法，两天就花出去 2000 多块人民币。调参是一个非常高频的动作，当时的算力和框架，在成本上是无法支撑的。

其次是算法上的进化。逻辑数学跟应用数学的发展基本是贴近平行的，最早数学跟工业没关系，慢慢跟工业生产有关系了，跟农民生产、冶炼技术有关系了，应用在化学、物理中。1930 年前后，康托跟整个集合论的发展，奠定了数学在 20 世纪的巨大变化。到 20 世纪的早期，逻辑数学，就是所谓抽象数学开始迅速的脱缰的研发发展；所谓应用数学，其实还是跟物理、化学，整个工程界在一起走。数学家在尝试解释算法的核心意义时，是依托于最早的数学框架建立起来的，三次数学危机下，不可解释性是有问题的。当时，大家对于算法组合的理解，对于最早统计算法的理解，在结合工程化的进展中，没有达到今天的高度，因为没有数据能够训练和尝试。2011 年前后，随着移动互联网的发展，大量可标记的数据产生，那个时候李飞飞老师用大集成算力的方法来解决问题，做尝试、做训练。数学支撑算法的进化，提供了数学基础。

再次则是符号学发展的支撑。OpenAI 技术发展背后的人类学科知识体系的沉淀发挥着重要作用。

宇婷：怎样理解支撑 OpenAI 技术发展背后的人类学科知识体系？

崔兴龙：首先，框架已经搭起来了。可以理解为AI 是我们在过去，在人类发展到这么多年以来，在符号学、计算科学、计算工程学和数学方面的一次高峰。它其实可以用很清晰的标注手段，很小的颗粒度或很有特征的标记的逻辑，标注我们所产生的所有数据。

人类在沟通的早期，是没有语言的，就靠画画、靠比划，这其实就是一种符号语言。然后慢慢有数学语言，有我们的自然语言，形成了语言绘画逻辑，表达了很多东西。但是这些符号化的东西跟过去的东西是很难连续性地沉淀下来的，它可能靠书籍，靠很多其他的方式。但是随着计算机的发展，我们可以把很多数据以二维的逻辑存到光盘、 u 盘、磁盘，甚至一个阵列里，或者一个 NAS 里面，或者一个矩阵里，甚至云里面，就是形成了一套完整的大框架。

AI 真正被大家广泛认知是在 2010 年以后，被广泛的学界认知也是在 2008 年之后。六十年代人工智能就已经有这个提法，并且有很多科学家已经去尝试了。那个时候，计算机、计算机工程、计算机网络还不成熟，到 80 年代出现的知识系统，就是在处理数据的过程。我们过去把所有的数据和信息进行处理，但是声纹识别信息还是比较少，慢慢把声纹识别信息沉淀下来以后，逐渐形成了信息的累积。但是这个时候的信息跟人、位置、行为很少发生关系，这个时候也很难做标记。

AI 无法突破人类智能的极限

在今天的这套框架下， AI 不会拥有真正的智能。我觉得只有一种可能性突破，就是量子计算的方法和我们对脑科学里面的微管的研究和丘脑的研究突破之后，我们可能才真的觉得今天的 AI 会出现创造力。——崔兴龙

在这一部分中，我们探讨了：

看似智慧，但 AI 并没有突破人类的智能，且受限于人类。

国内外在 AIGC 发展上，差距在哪里。

为什么 OpenAI 能够在美国出现。

宇婷：你认为 ChatGPT 是否能够拥有真正突破人类的智能和创造力？

崔兴龙：我们今天的 ChatGPT 应该说到了一个高度，但它真正实现有智能的 AI ，在 Transformer 这套框架下是有挑战的。

很多人说今天的 AI 没有创造力，首先我认为今天的 GPT 框架一定有创造能力，当然不是今天的这套。它可能基于各种框架，尤其在结合了行业深度数据和一些私域的数据结合之后，它一定可以在某些特征场景下做新材料、新创意和新的方法，甚至包括艺术领域。

但是它在今天的这套框架下，不会拥有真正的智能。我觉得只有一种可能性突破，就是量子计算的方法和我们对脑科学里面的微管的研究和丘脑的研究突破之后，我们可能才真的觉得今天的 AI 会出现创造力。

宇婷：你认为 AI 无法突破人类的是什么？

崔兴龙：今天的 AI 依然是在用工程学的方法解决常识、科学和技术问题的探索，它有一个致命熵——无论训练出来的是个虚拟的机器人还是别的什么，最大的问题就是缺乏真正的本能，本能就是我们用逻辑语言描述不出来的东西，就像维德根斯坦讲的，逻辑在逻辑之外。而我们对人类本能的研究其实受限于人是否真正有本能和灵魂，就是自我意识的问题，这不是个哲学问题，这是个科学问题。

宇婷：受限于人类的含义是什么？

崔兴龙：本能就是我们用逻辑语言描述不出来的东西，例如，就像维德根斯坦讲的，逻辑在逻辑之外。

今天，但凡能用文字、图像、符号、绘画等表达出来的东西，或者说是任何一种语言所能表述出来的东西，我认为都可以被今天的这套框架无限趋近和拟合。只要你能用语言、文字、图像和各种所表达的可被观测到的数据，就是无论可视、可听、可感知的所有数据，都可以被今天的 AI 所逐渐的趋近于那个最高的人类智慧。

但是它丧失了两样东西，观察今天这套框架是怎么搭起来的，它的数学计算能力，它对符号学的标记，对所有事物的认知，都是人类给予的。人类是怎么标注世界的，对于山，中国人用象形文字去画，埃及最早也是象形文字，包括所传闻中的尼比鲁星人；在地球遗留的移民，则是通过留下一些所谓的石碑所标注的符号来标注世界。

AI 最大的问题就是从这些符号开始，包括从最早毕达哥拉斯开始所谓万物皆数的理论。轴心时代是从公元前 8 世纪到公元 2 世纪，期间绵延有序产生了包括孔子，欧洲古希腊的先哲们，包括像阿基米德、欧基里德等等这些人， AI 能够很好地应用这一批人所产生的这套数学符号体系，但是这些符号体系不一定真的是标注整个自然界最好的方式，所以说今天的 AI 不一定真的具有超越人类综合最好的智能。

如果 AI 有一种真正有智能和本能的生物到了地球，它也许会用别的方法去标记。

举个例子，为什么今天数学遇到了不可解释性的问题？就是这套框架，其实它是在我们的训练之下去理解这个世界的，但这个世界里山就真的是山吗？铁的元素就是真的是那么标注的吗？不一定。你非得用二维的数字去标注它吗？不一定。只能说我们过去的标注符号体系跟训练体系无限的趋近于这个自然界的存在的真实，但是不一定真的是这个自然界存在的真实。也许会有更好的标记语言， 但可惜的是 AI 是基于我们今天这套标记语言产生的。

宇婷：对比 ChatGPT 和国内大模型大厂和创业公司，你认为与海外比有多大差距？

崔兴龙：国内真正在 AI 上的投入与付出，还有时代与代际的差距。如果是在风口上做一些快速变现，并不能称为真正的 AI 公司。

从两个角度思考和衡量 AI 公司。第一，我们如何从计算科学、符号学和工程学的角度形成真正的突破，以及科学技术上的突破；第二，在应用领域，深化一个人工智能应用在垂类行业中做成一个开放式的，或者说相对公平的规则类的平台，在技术储备以及底层应用上真正能够改变社会效率。

从真正的研发和现实的应用来讲，如果只是做这类生意，你可以叫 AI 应用技术企业，而不应该叫人工智能科技企业。

宇婷：你怎么看 OpenAI 这样的公司并非最早在中国出现？

崔兴龙：我觉得上来就把目标定成 OpenAI 这套框架独立起一家的话，需要的创业启动资本很高。

首先说结论，我们比 Google 和 OpenAI 落后，这是一个不争的事实；第二，国内的大厂还有在中文环境下的机会；第三，垂类厂商跟行业的领头羊和国内大厂在垂类行业还有机会。

这一次机会是前后 100 年来重要的一次机会，前 50 年或者到后 50 年一次重要的机会。

宇婷：AI 是一个非常综合性的学科，不仅仅是计算机或者是数学，包括对于整个科学的求真和求知，但痴迷的状态是很难达到的境界。

崔兴龙：如果我们想真正在 AI 中达到目前全球最顶尖的高度，我们的基础科研和对应用技术、工程学的态度要做改变。

图片来源：新智源

AI 突破和应用的可能性

如果今天现实一点，我们普通人创业，或者有一点资本或影响力的人去创业，首先还是要把这种垂类行业框架搭起来，这是有商业机会的。下一步就是很多企业一定要去应用它，因为它对企业提升效率，包括风险控制，以及整个过程管理的这种精细化的拟合会有很好的帮助。——崔兴龙

一定要在行业内给 AI 很多数据，去喂养它，看它训练出的结果，或者给它一些目标，就像下棋一样，至少告诉它什么是输赢，如果输赢你都不告诉它，规则都不告诉它，它没法跟你玩。——崔兴龙

在这一部分我们探讨了：

如何在实际业务领域，真正应用好 AIGC 。

技术领导人，在懂或者不懂 AI 的前提下，要拿出怎样的科学态度面对转型。

未来 AI 的机会掌握在哪一类公司的手中。

宇婷：今天我们讨论了 ChatGPT 等已经达到了足够的智能高度，但仍然无法超越符号学、数学和计算工程学的框架。这是否有解决的可能性呢？

崔兴龙：我认为解决的可能性有两种。第一是量子计算，用计算科学的逻辑和工程计算的逻辑，比如当计算能力达到十的十亿次方，完全从算力上超越，发展到这个阶段， AI 可能会突破桎梏和陷阱。第二则是在脑科学上的发展，能够用较小的能耗计算图片函数，其中耗电量一度都达不到。如果用 AI 计算，则要消耗很多电量。核心是需要认知人类的本能，真正发展出一套完全等同人类的路径以超越人类。

宇婷：你觉得哪些学术理论对这一波 AI 有底层影响？

崔兴龙：我觉得对今天近代科学和人工智能影响最大的，还是图灵、冯诺依曼，然后是维特根斯坦、卡希顿。如果你让我排这四个人，我认为维特根斯坦是第一位的。其实你看他的书根本不像哲学书，他的书像一个科学家写的哲学书，里面全是公式和定理。

比如在书的第 4 章，经常讲当主体发生变化，客体描述维度出现偏差的时候会如何等。

宇婷：如果仍要回归到实际的层面，去讨论一家企业怎样应用最先进的 AI 技术，你的思考路径是什么？

崔兴龙：扒开这些框架的底层，能够看到真实的技术基础。如果非要我建议，建议选择效果最好的，当然不是说一定选择 GPT 的框架。但如果我创业做一个项目，一定会用 ChatGPT 的框架，因为跟了几年时间，比较了解，它每一层的开放思路，包括在每个垂类场景预训练的模型跟整个底层模型的融合，能够实现很好的技术支撑。

宇婷：如果没有太强大的对 AI 知识的了解，如何降低使用 AI 技术的门槛？

崔兴龙：在国内，我的判断就是理性的创业一定会出现一些垂类的框架，比如说针对企业管理的，是真正能够提升企业效率的，可能像做 SaaS 的厂商，或者 OA 的厂商，可能还会出现一套行业框架标准，这个还是要汇总到大厂里。然后基于医疗领域可能会出现自己垂类的框架，基于底层框架之上的一些应用。

当然如果有国内的顶尖的科技大厂去硬刚这个 OpenAI 或者 Google 的话，我觉得未尝不可，它愿意它就去尝试，当然我们也期待真的有人能尝试成功。

现实一点来说，如果我们普通人创业，或者有一点资本或影响力的人去创业，首先还是要把这种垂类行业框架搭起来，这是有商业机会的。下一步就是很多企业一定要去应用它，因为它对企业提升效率，包括风险控制，以及整个过程管理的这种精细化的拟合，会有很好的帮助。

宇婷：关于 AI 替代人工这个问题，你有怎样思考？

崔兴龙：就像很多人提出未来写 PPT 的会不会失业，未来写文档的会不会失业，其实这只是表象问题，最关键的问题是它要真正改变这个企业的底层逻辑，为什么要写这个评语和为什么要去做这样的组织结构，我觉得这个是深层次的思想。

两个维度，一个是要用今天垂类的 AI 这套框架的底层，去把它变成一种工具，接入到你企业的生产系统和管理系统中，这一定能带来效率的提升。无论你是生产制造业和纯粹的管理型的企业，还是资本管理型的企业，还是资产管理公司都可以用。其实这对它的大类资产管理和风控管理是一个极好的帮助，因为你可以把各种通用型的数据跟垂类的数据都喂给它，看它训练出来的结果。

然后你再提炼出一套你的 BI 可视化模型，你一定能够起到作用，甚至对超大规模的企业做组织结构的变更和筛选，我觉得也是一个很好的机会。因为我们很多时候看一个企业雇那么多人在很大程度上是不必要的，就是很少会有老板说我站在一个角色的角度去看待人，而是说我什么业务需要招什么人，用传统的思维招人。

宇婷：关于 MaaS 的商业模式，以及不同纬度的数据，比如：行业深度数据、私域数据、垂类数据，你怎么思考这些新的趋势？

崔兴龙：医疗、教育、化工、冶炼、制造、生产、地产等等，它其实都是属于行业类的数据，在之上，每个企业还会有自己的一批核心的这种数据。当然这些数据主要是私域的，包括建设的临时小场景，企业内部的数据和行业的数据是非公网上可以看到的，这一类数据挺重要。

这些数据不会完全公开出来，而如何提供一套行业垂类的框架是非常重要的。比如说对很多做新材料的研究，你至少得告诉它哪些是既有材料，以及材料学的研究方法和理论，今天技术的模型是什么，或者怎么判断是新材料，告诉它一个结论和目标场景也可以，然后再去不断的训练和拟合，得到建议和方法，这可以提升你的研究效率，以及做实验的效率。

如果你去做很多基因相关的研究，会发现其实类重复的实验非常多，可能高达上百次，但是 AI 可以在数据维度帮你做修剪，回答做这几种数据就可以验证出材料符合的光学特性。

所以，一定要在行业内给 AI 很多数据，去喂养它，看它训练出的结果，或者给它一些目标，就像下棋一样，至少告诉它什么是输赢，如果输赢你都不告诉它，规则都不告诉它，它没法跟你玩。

宇婷：你认为有想象力和“拥有”数据的公司，哪一类公司拥有更大的机会？

崔兴龙：数据和有这样的意愿，其实都是决定这件事成败与否的若干个因素之一，没有哪个是决定因素。如果你要让我在这么多因素中挑一个什么是决定因素，那我认为现在有这种意愿和欲望的公司更重要。今天的通用框架，我认为还是一定要跟各个行业去做深度的融合，这种融合会达到一个相当的高度。

宇婷：所以当务之急不管你是用国外的框架还是国内的框架，咱们做点实际的事儿。

崔兴龙：对，实际的能帮你在企业中解决真实问题的，比如说最简单的能帮你的生产系统解决什么问题，能给你的企业管理和运营系统的优化，效率的提升，成本的降低提供什么帮助，我觉得先去做有效的尝试。在这个过程中你就会真的知道哪些需要调整，哪些需要去贴合，以及数据过去的标准和价值与否，甚至可能很多数据都已经无效了。

宇婷：如果现在这个企业它的能量状态、资源状态不是非常强，但是它现在有这个意愿把 AI 引入进来，在这一轮中能逆袭吗？

崔兴龙：我觉得至少能活得更长久一点。这个事你不做，在不改变你的效率和风险控制的前提下，你会死得更快，而且在资源减少的情况下，内部会疯狂的内卷。用今天数据的计算科学、计算工程学，用 AI 能够改变这个组织的效率和提升整个组织的竞争力。投入、效率、安全是个三角形，很多时候只能保一个，就是你想要投入最小，那你可能就要把效率和安全降低，你想要效率最大，可能有时候得牺牲安全，因此要找到一个 balance ，这个平衡点很关键。

对于企业家来说， AI 走到今天更好的方法就是要想清楚如何用数据跟模型的方法去思考这个事，然后你才会想到怎么去应用它。你不是去做 OpenAI 的底层框架的，对于企业家还是要想好如何去用它，用的前提不是你真的要把它拿过来用，而是要想清楚我为什么要用它，用它的目标是什么，我才会想到说用谁的框架。

图注：微软与OpenAI的合作节奏

宇婷：如果作为创始人，第一步应该怎样迈出？

崔兴龙：我觉得应该找专业的人先做清晰的顾问，然后告诉他，或者共同确认这家企业应该走什么样的路径，以及结合 AI 应该完成什么样的目标。

比如说如果我是一个金融企业的老板，我会想它在风险控制上能帮我解决什么问题；或者我就是做一个大类资产的管理公司，那它在大类资产管理中能不能帮我解决实际的问题；如果我的资产大量都是地产，我跟地产行业结合，能不能帮我预测到整个地产行业全流程的模型，能不能帮我看到各个过程中产生的问题，对我的资产是不是造成了影响。

不同行业的人都可以结合行业内的顶尖人士，共同确定做 AI 的清晰的目标，这不是招两三个人就能够解决问题的。能不能帮你产生实际的效果，以及你带来的价值是哪些，需要目标、边界、参数形成的一个共同场景。

目标行不行？有没有支撑？怎么执行？这些很关键。如果没有明确，一定要请外部的团队来帮你做诊断。

宇婷：元知内部， AI 项目目前的进展是怎样的？

崔兴龙：我们公司在商业和应用上，其实就是在企业变革、内部组织效率方面，还是做了很多，还结合了一些 AI 的方法，就是结合数据加模型的方法。我们很早就在做尝试，当然是有波折的。

以合生汇为例， 21 街是一个重要的引流手段，背后是结合认知行为科学和 AI 分析进行引流的。具体来说， 21 街的人均消费并不低，客户到这里并不是单纯的消费，本质上是有轻社交的欲望。如何在一个商场中增加 21 街这样的 IP ，让消费者产生互动，得到满足（社交、自我展示等），进而进一步吸引更多消费者，这是关键。

为你在《TO B新势力》、《B Impact》做报道的独立媒体人。

欢迎加入我的读者社群，我的工作微信：