…在这次深度访谈中，他再次证明⾃⼰是个真 正“懂”⼤模型的创业者，所以本⽂中有许多反共识的观点：杨植麟觉得微调最终会不存在， tokenizer
最后也不⼀定是必须的；硅⾕⼤模型训练者们担⼼数据瓶颈和能源限制，他反⽽觉得所有问 题都是互相关联的，多模态可以缓解数据短缺，合成数据则可以通过改变计算范式解决能源问题。 本⽂还试图回答另⼀个外界普遍关⼼的问题：⼀家新创⽴的
AGI
公司如何超越
OpenAI？杨植麟的答案 esentation
其实有差距。架构其实解决的是这个问题。
通过
AI
⾃我进化克服数据稀缺性的瓶颈是第⼆层的另⼀个问题。今天的
AI
其实像⼀个⿊盒，这个⿊盒 有两个输⼊：电源线和数据线，输⼊这两个东西后，盒⼦就能产出智能。随后⼤家意识到，数据线的 输⼊是有限的，这就是所谓的数据瓶颈问题，下⼀代
AI
需要拔掉数据线，做到只要源源不断地输⼊电 ⼒，就能源源不断地输出智能。 这两个核 le
up，但如果只看语⾔模型 和⽂本，base
model
的
scaling
效果仍然远远超过⽤⼾的，但我认为最终会转移到⽤⼾的
scaling
law，只是个时间问题。
现在⾯对数据瓶颈，这⼀点尤为重要。特别是⼈类偏好数据，它⾮常有限，但没有它⼜不⾏。我觉得 这也是每⼀个AI-Native
产品现在最值得思考的问题之⼀。所以，⼀个不⾜够关⼼⽤⼾的公司最终可能 也没法实现
AGI。

（模型推理计算成本）仍然较高。在短时间内， 算力、能源仍然会是大模型领域令人头疼的高墙。 根据报告【1】，能源消耗将会是 2030 模型 scaling 最卡脖子的因素。也就是说，在算力到 达瓶颈之前，首先可能会出现电能供应不足甚至交不起电费的问题。因此，算力层可以根据大模 型底层技术的特性，产出针对性的芯片，尤其是加速运算和降低能耗。这是未来 AI 芯片领域的 最优竞争力。 那么，把 为改善搜索引擎的质量和相关性而提出的，他能够构建并 理解实体及其之间的关系，能够整合不同来源的文档实现跨文档的实体关联，这使得知识图谱可 以对用户查询提供更加精确和语境化的回答，可以突破向量计算的瓶颈而执行多步推理、逻辑推 理。尽管有这些优势，知识图谱因其较高的构建和维护成本高，过去这几年也遭到了较多的诟病。 大模型技术的出现，为知识图谱技术的发展提供了新的机遇窗口。如何充分利用大语言模型 111 亿美元。最近谷歌 CEO Sundar Pichai 也表示，谷歌超 25%新代码均由 AI 完成。 很重要的一个原因是编程像数学一样结果非常容易评估，但是当下的 AI 编程有两个很大的 瓶颈，第一个是缺乏对领域知识的理解，比如 GitHub Copilot 对所有的编程语言用的都是一样 的模型，它甚至无法保证生成的这个编程语言的语法一定是正确的。 第二个是它缺乏原生的 IDE 支持，这也是因为时间关系，以前的

千人千面服务运营，精确促达客户，减少投放打扰，提升会员价值，减少 会员流失率。 客户案例篇 CASE 客户案例篇 CASE 国有四大行之一，世界领先的大银行之一。 中国工商银行 客户需求： 突破集中式数据库事务支撑瓶颈 减少大量校验和修复交易数据局面 解决方案： 提供分布式事务的技术输出和技术支持 提供分布式事务的最佳实践等咨询服务 客户收益： 统一的分布式事务能力，成本低质量高 多场景支持，支持同步、异步场景