目前各种“大模型”就是个烧钱的商业玩具？_风闻

【本文来自《大模型只是超级刷题大师》评论区，标题为小编添加】

• 印加节度使
• 一只高中数学大模型飘过并表示，晨大你不要管一个猫是真猫还是刷题猫，this is racist……只要抓到老鼠就是好猫。（PS邓副主席早就教导我们，猫子是用来抓老鼠的，不是用来撸的）

没有什么脱离物质基础的“真正”智慧、“独立”判断。人类从来就做不出任何“跳出现有数据所代表的知识框架”、或者说超出自己当时当地认知范围之外的东西，杜甫做不出《七律·人民解放军占领南京》，李白也做不出《假如生活欺骗了你》。乾隆李杜都是大模型，没有谁是真诗人、谁是假诗人，只不过乾隆他训练环境有问题，反馈误差大，因此他的解距离绝世好诗的误差一直迭代下不去而已，解不能继续收敛，振荡了……

刷题解决不了企业的实践需求，目前各种“大模型”就是个烧钱的商业玩具。

培养AI人才，应关注以下关键能力：

1. 对复杂系统问题的拆解与架构能力。这种能力实际上是通过长期工程开发、实践形成的解决问题的“套路”，即把复杂的、模糊的、不确定的工业现场问题解析为具有确定的、可被测量和控制的独立问题，然后对其进行模块化的开发、测试验证，再进行重组。拆分模块需要具有独立性和完备性，即能够在编程上形成高内聚、低耦合的模块的能力。

2. 对 AI 工具和算法边界的理解。这也是一个重要的能力，它不仅涉及技术视野、格局方面的洞察力，还植根于大量的工业实践。为了不同任务而可选用的 AI 的方法、模型、算法组合非常多样，而且有很多在实践中不断优化的算法。这种理解有助于选对方法和工具，并有效开展工作。对物理模型的理解也属于这个范畴，对物理对象及其数学模型的掌握同样是基本功。

3. 软件工程规范、产品思维与对客户价值理解。属于业务层面的能力，即对项目经理、产品经理的能力需求。他们需要能够规划整个项目，进度、质量控制，并能够完成自身业务目标或外部客户的应用需求。

需要指出的是，尽管大学/研究所在计算机和电子信息方面有很强的实力，但他们聚焦的研究方向是商业AI ，而非工业AI，所以目前工业企业更愿意自建AI团队（大型企业），或是与自动化企业（拥有较好的数据源和对工业机理的理解）合作升级智能系统，来推进工业企业的AI战略。

工业AI与商业AI最大的区别在于：工业AI需要将IT（信息技术）与OT（运营技术）有效结合才能管用。换句话说，再优秀的商业大模型也只是IT，离开了OT支持，是无法与工业企业生产相结合的。

大学/研究所取得IT的经验比较容易，在实验室就可以验证成果；而想要取得OT的经验就得去找有重资产的工业企业合作。如果大学/研究所缺乏与工业企业合作的渠道，那么在OT方面的经验就可能接近于零，这样的大学/研究所想要搞工业AI就是天方夜谭了，只能去搞轻资产的商业AI。

工业AI投入生产立刻就能见效，就能创造财富，就有资源不断自我完善迭代升级；而商业AI到目前为止，依旧是个烧钱怪。。。