12月17日，由《财经》杂志、财经网、《财经》智库、财通汇联合主办的“《财经》年会2023：预测与战略”在北京举行。商汤科技董事长兼CEO徐立在会上表示，标准化不是对AI行业的限制和约束，而是赋予了行业更多想象力，其核心在于推动形成产业共识，从而加快行业分工，让技术的使用成本大幅降低，最终推动产业应用蓬勃发展。

商汤科技董事长兼CEO 徐立

徐立提出，AI真正打破了人们的认知边界。现阶段AI可以帮助人们进行新型的猜想，推动新的科研创新范式诞生。从底层的基础算力、数据标注、算法模型，再到上层解决方案、行业应用，AI正逐步形成其落地的标准化结构。同时，AI结构中的各个模块也需要标准化。当人们对AI的模块形成一种标准化认知共识之后，进一步推动了精细化分工的出现。

除了结构和模型的标准化，AI的整个生产过程也是标准化的。伴随着行业落地的深入，基于基础算力，包括预训练大模型、行业模型微调等一系列标准化流程，已经形成了AI产业的共识。目前，行业的通用大模型已经变得非常普遍，正因为有了预训练大模型的模式，我们才能进入行业的细分模型。虽然生产流程看似一致，但分流出的行业模型不同，所以我们可以赋能不同的行业应用。例如无论是智慧城市、智慧生活或是智慧商业、智能汽车，AI在不同场景的落地背后都归于一套标准且日益高效的生产化流程。

从定制化到标准化的过程并不简单。在需求出现时，AI需要完成单点突破。而单个AI模型的跨越并不能真正实现行业的商业闭环。很多商业化场景综合复杂且多模块联动，需要让牵涉到的所有模块都突破“工业红线”。如果整个过程成本过高，同样无法进行大规模覆盖，所以需要把AI生产、部署的过程变得更加标准化，才能让成本降到更低。

徐立认为，纵观历史，每一个重大时间点都是被技术驱动的。如今，能否用AI来命名当下的时代，取决于AI能否让生产要素的成本规模化下降，进而让AI走进千家万户。只有AI的真正普惠，才能帮助人们穿越又一个经济周期，才能推动AI行业的发展。

以下为部分发言实录：

AI真正打破了人们的认知边界。科研创新的范式可以归结为经验归纳和推理演绎两大类别，但推动人们认知边界进步的往往是“天才的脑洞”。我在去年的《财经》年会上谈到，现阶段AI可以帮助人们进行新型的猜想，推动新的科研创新范式诞生。

范式是按既定方法推理出一种对应的模式，汉语中也有与之相对应的概念，即“法式”。建筑学一直是非常讲求标准的学科，而建筑学里讲的“营造法式”，就是一定的建造风格和手法，并且能被归纳总结成一种理论体系和框架。“法式”就是范式的古法表达。

滕王阁、佛光寺、醉翁亭……诸多古建筑的外观千奇百怪，但人们一眼就能看出它们的风格，是因为这些建筑都有一定的标准结构，即从台基、柱网、陡拱到梁架及屋面。今天人工智能的落地也遵循一定的标准化结构。从底层的基础算力、数据、算法模型，再到解决方案、行业应用，形成了AI产业落地的标准化结构。

除了结构的标准化，AI结构中的各个模块也需要标准化。“凡构屋之制，皆以材为祖”，这是北宋李诫所写的《营造法式》中一句很著名的话。讲的是一份木材，只要告诉制造者需要几分的材，对方就能够根据比例打造出产品。今天，当人们对AI的模块形成一种标准化认知的共识之后，进一步推动了精细化分工的加速出现。

很多人认为AI在不同场景之间的使用区别很大。但其实无论是智慧城市、智慧生活或是智慧商业、智能汽车，归根结底都需要打造AI模型的标准化模块。AI模型可以分为感知智能、决策智能以及控制智能，打造这些模型跟打造“材”是一样的。

也有人说模型的打造会非常多元化，因为定制化的需求很多。诚然，在行业之初，由于没有标准部件，行业应用的确是以定制化的需求为主。古建筑中的斗拱也是如此，人们对它的需求各不相同，但当工匠打造了足够的定制化产品，方可进入标准化。标准部件就像乐高的积木玩具，有各类基础形状的不同零件，把它们拼搭在一起，就可以形成标准化搭建模式。目前，商汤生产的AI模型已达到了5万个，服务于各行各业。

除了模型的标准化，整个生产过程也是标准化的。一个木匠“标准化”的工作流程往往包括了筏、锯、刨、雕四个步骤。AI亦类似，从基础算力到包括预训练大模型、行业模型微调等一系列标准化流程，这些流程已经成为了当下AI产业的共识。目前，行业的通用大模型已经变得非常普遍，正因为有了预训练大模型的模式，我们才能进入行业的细分模型。目前，标准化的大模型生产流程已经支持了商汤超过七成以上的行业业务。

在生产标准化的基础上，能进一步推动行业应用大规模的标准化。虽然生产流程看似一致，但分流出的行业模型不同，所以我们可以赋能不同的行业应用。比如建筑物看似千奇百怪，但是它们的生产流程都遵循建造的基本流程。而AI的行业应用从智慧城市、商业、汽车到生活，亦都包含了通用算力、通用大模型、行业细分模型的标准化之路。

标准化不是对行业的限制，而是为行业赋予了更多的想象力。传统的手艺传承是师父教徒弟，但由于没有定义好标准化流程，所以很难实现规模化生产。如果要让产品实现产业化，就需要进入真实的行业与标准化的环境。

当然，对标准化认知也因时空差异而不同。比如古希腊神庙的标准化在于长宽的比例是黄金分割点；佛光寺则是内切圆与外切圆的比例，即1比根号2。虽然这两个建筑所蕴含的标准化认知不同，但也形成了独有的认知模式，推动了当时的产业化。

标准化不是一种约束，其核心在于能推动形成产业共识，从而使得行业分工加速。比如：人们用两匹马中间的距离定义轨道的宽度，“同轨”才能推动整个产业的发展；电源插头标准化，使得电气化变得可能；万维网上所有网页的接入点标准化，才让网络时代得以发展；在现代钢筋混凝土的机器中，也有同样有板架+柱的标准化设计——虽然流程是标准化的，但它可以带来完全迥异的建筑风格。

从定制化到标准化的过程并不简单，AI的产品化经历了以下三个阶段：在需求刚出现时，AI需要完成单点突破，单点的AI模型需要解决它是否比人工好的问题，通常被称为跨越“工业红线”。在十年前，很多垂直的应用渐渐地跨越了“工业红线”。但单个AI模型的跨越并不能真正完成商业的价值闭环。由于很多商业化场景综合复杂且多模块联动，需要让牵涉到的所有模块都突破“工业红线”，这其中就有许多待解决的长尾问题。比如，流水线上只有一个模块实现了AI化，其他模块都没被AI化，瓶颈一定在没有AI化的地方。只有把所有的模块全部AI化才能形成商业的价值闭环。

形成价值闭环和真正做到标准化、规模化还有一个很大的gap（差距）：怎样通过设置标准化进行分工，加速成本降低。如果成本过高，同样无法进行大规模覆盖。以围棋为例，假设把围棋当成一种生产力的职业，数十亿的投入可能需要数十年才能收回成本，这样的投入和产出并不是人们理想中的数字化升级。所以，我们需要把AI生产、部署的过程变得更加标准化，才能让成本降到更低。

纵观历史，每一个重大时间点都是被技术驱动的，所以历史上都用技术来命名时代，如信息时代、电气时代、蒸汽时代等等。如今，能否用AI来命名当下的时代，取决于AI能否让生产要素的成本规模化下降，从而让AI走进千家万户。举两个例子，电力的成本大幅下降让人们迎来电气时代的拐点，通信成本的规模化下降才让移动互联网得以出现。

这些时代的基础设施正是得益于标准化的推动，带来成本下降，最终让规模化扩张变为可能。而AI也同样需要更多的投入以建立起标准化，从而达到真正降低成本的目标。如今，在算力的支撑、数据的标注、模型的生产等一系列标准化层面上，AI模型的生产成本比起数年前已经大幅下降。

我相信，只有AI的真正普惠，才能帮助人们穿越又一个经济周期，才能推动AI行业的发展。