开源与商业模式没有冲突
哪怕模型开源了，你把所有东西都告诉别人，使用的门槛也非常高。别人要用起来很难；其次，要用起来还要把成本做得很低，也是难上加难，没有那么容易。
并不是我开源了，别人就能轻易做到跟我一样的部署成本，这里面还是有很多工作要做的。虽然这些工作的原理都明白，但不是每一家公司都有这个意愿和能力去组织人力达到这个目标
## 长期愿景：AGI 的路线图
从技术路线上来看，AGI 这条路线图其实是比较清晰的。目前这一代 AI 技术，如果你能够把一个问题描述得很清楚，给它完整的上下文和指令，它已经超过人类了。但这里有个前提：你要给它完整的上下文、完整的指令。
而这个前提是很难达到的。比如说我们今天开会，其实我们前面有很长很强的上下文，可能大家有几十年的上下文，这是 AI 不具备的。现在 AI 能具备的是，在一个局限的上下文里，它能做得比人更好。
但它还是替代不了人类。这里面还差一个东西，就是持续学习。因为人是能够持续学习的。你招一个员工，他可能花两个月时间来熟悉公司的环境、熟悉他的工作，两个月后他就可以上手了。
他就能做很多事情。他能够听懂你说的话——比如你说"叫那个小王来"，他就知道小王是谁。但如果是 AI 的话，因为它前面没有这两个月的学习，没有这个上下文。
你跟它说"叫小王过来"，你得告诉它小王是谁、什么职务、他在哪里、要怎么去找他、找他的时候要注意什么。你得给 AI 所有的上下文。在这种情况下 AI 是能做的，但你不可能给它所有的上下文，这不现实。
所以 AI 并不能替代你的员工。但如果 AI 具有持续学习的能力，它就能跟你的员工一样，到公司学习两个月，
然后就可以替代天下的人了。所以我们离下一步，还差一个"学习如何学习"。
我们觉得时间表应该是：先解决"学习如何学习"，然后到达智能的奇点——能自我迭代的奇点，然后才是具身智能。到具身智能之后，它就走进现实世界，可以给你做家务，可以给你养老。
与美国的差距：资源，而不是人才
这笔融资的钱，能买多少卡我就买多少卡。花钱的速度不在计划里面，只要价格合理，有多少我都买。如果我在半年之内就把钱花完了，我觉得是个好事。如果半年之内把钱都花完，那太幸福了，太理想了。
如果我半年之内就把这个钱花完，可能是最理想的。因为把钱变成英伟达的卡，肯定比放在银行里好。放在银行里，现在可能就是两个点的利息；但买英伟达的卡，是十个月回本的生意。
在现在最大的模型上，我们其实是训不起的。我们哪怕把五百亿全花掉，其实也训不起；哪怕能堆起来，也用不起。现在最大的模型，激活大概是八百 B；国内的话，我们还在几十 B 的规模，国内最大的模型可能就是几十 B 激活，差一个数量级。
如果我要训练跟美国同样大的模型，应该需要五万张 GB300，或者二十万张华为 950。这只是训练，还没有考虑做研究。所以我们跟美国之间最大的差距是在资源上。
人才不是瓶颈，资源是最大的瓶颈。资源首先影响到人才培养：因为算力少，我们能做的实验机会比较少，所以我们的人才整体上跟美国有差距。人才的差距，本质上也是因为算力的差距。
https://drive.google.com/file/d/13NSXtglkcMJoWPRyT_2yQq_VhREG8nkt/view
哪怕模型开源了，你把所有东西都告诉别人，使用的门槛也非常高。别人要用起来很难；其次，要用起来还要把成本做得很低，也是难上加难，没有那么容易。
并不是我开源了，别人就能轻易做到跟我一样的部署成本，这里面还是有很多工作要做的。虽然这些工作的原理都明白，但不是每一家公司都有这个意愿和能力去组织人力达到这个目标
## 长期愿景：AGI 的路线图
从技术路线上来看，AGI 这条路线图其实是比较清晰的。目前这一代 AI 技术，如果你能够把一个问题描述得很清楚，给它完整的上下文和指令，它已经超过人类了。但这里有个前提：你要给它完整的上下文、完整的指令。
而这个前提是很难达到的。比如说我们今天开会，其实我们前面有很长很强的上下文，可能大家有几十年的上下文，这是 AI 不具备的。现在 AI 能具备的是，在一个局限的上下文里，它能做得比人更好。
但它还是替代不了人类。这里面还差一个东西，就是持续学习。因为人是能够持续学习的。你招一个员工，他可能花两个月时间来熟悉公司的环境、熟悉他的工作，两个月后他就可以上手了。
他就能做很多事情。他能够听懂你说的话——比如你说"叫那个小王来"，他就知道小王是谁。但如果是 AI 的话，因为它前面没有这两个月的学习，没有这个上下文。
你跟它说"叫小王过来"，你得告诉它小王是谁、什么职务、他在哪里、要怎么去找他、找他的时候要注意什么。你得给 AI 所有的上下文。在这种情况下 AI 是能做的，但你不可能给它所有的上下文，这不现实。
所以 AI 并不能替代你的员工。但如果 AI 具有持续学习的能力，它就能跟你的员工一样，到公司学习两个月，
然后就可以替代天下的人了。所以我们离下一步，还差一个"学习如何学习"。
我们觉得时间表应该是：先解决"学习如何学习"，然后到达智能的奇点——能自我迭代的奇点，然后才是具身智能。到具身智能之后，它就走进现实世界，可以给你做家务，可以给你养老。
与美国的差距：资源，而不是人才
这笔融资的钱，能买多少卡我就买多少卡。花钱的速度不在计划里面，只要价格合理，有多少我都买。如果我在半年之内就把钱花完了，我觉得是个好事。如果半年之内把钱都花完，那太幸福了，太理想了。
如果我半年之内就把这个钱花完，可能是最理想的。因为把钱变成英伟达的卡，肯定比放在银行里好。放在银行里，现在可能就是两个点的利息；但买英伟达的卡，是十个月回本的生意。
在现在最大的模型上，我们其实是训不起的。我们哪怕把五百亿全花掉，其实也训不起；哪怕能堆起来，也用不起。现在最大的模型，激活大概是八百 B；国内的话，我们还在几十 B 的规模，国内最大的模型可能就是几十 B 激活，差一个数量级。
如果我要训练跟美国同样大的模型，应该需要五万张 GB300，或者二十万张华为 950。这只是训练，还没有考虑做研究。所以我们跟美国之间最大的差距是在资源上。
人才不是瓶颈，资源是最大的瓶颈。资源首先影响到人才培养：因为算力少，我们能做的实验机会比较少，所以我们的人才整体上跟美国有差距。人才的差距，本质上也是因为算力的差距。
https://drive.google.com/file/d/13NSXtglkcMJoWPRyT_2yQq_VhREG8nkt/view
