摘要：1999 年加入华为的张宇昕，至今担任华为云 CTO 已有七个年头。从一名基层软件开发工程师做起，先后经历了互联网和移动互联网浪潮（过程中创立了欧拉部），而这一次，他确定，生成式 AI 的技术浪潮，真的与以往不同。

文 | 卫诗婕

「这一次，狼真的来了。」张宇昕对我说。

1999 年加入华为的张宇昕，至今担任华为云 CTO 已有七个年头。从一名基层软件开发工程师做起，先后经历了互联网和移动互联网浪潮（过程中创立了欧拉部），而这一次，他确定，生成式 AI 的技术浪潮，真的与以往不同。

「这一波人工智能让大家看到了泛化与通用——通用就是大家都能用。」

「AI 从一个局部真理，走向了人人都信。」

「人工智能浪潮来临后，没有一个企业说我不用人工智能。」

不过，冰冷的现实是，人们对于技术的畅想无限，而落地时却进展缓慢——这是大模型浪潮迄今经历的，从热情高昂，到冷静务实的 600 多天。

昂贵、使用门槛高、技术仍存在局限，是大模型难以进入现象级应用的真相。

因此，放眼中外，云厂商成为大模型剧目中的绝对主角。他们既是辅导员——帮助一批企业率先用上大模型，过程中也售卖出自己的算力、基础设施和服务；同时也是攒局者——凭借对产业上下游的连接，先实现技术最大面积地应用，并充分观察、统筹、整合，再让产品反向牵引技术进步。

而中国的众多云厂商中，只有华为云，坚定地选择了难度最大的「AI for industry」——要将大模型率先应用于工业领域。

如果将华为视作一扇窗口，便能窥见千行百业在这次新技术浪潮下的众生相——

产业里的热情和焦虑都是空前的。在此情绪之下，一批巨无霸工业龙头，已经率先踏上大模型应用的牌桌，因为只有它们——拥有足够的财力和数据积累，有资格当「第一批吃螃蟹的人」。

一周前，我在海南，创原会技术峰会的现场，目睹了这些令人称奇的先进案例：在生产精煤、炼钢、水泥制造、医药开发与研制、疾病预测等等重要的场景里，贴着行业训出的大模型，能极大地提升这些场景的计算效率——在原本高危、高成本、高精度的作业场景里，大模型能够实现加速计算。举一个通俗例子，过去，做一次气象预报需要几千台高档的服务器，并运算上半天。现在，仅用一张卡，10 秒钟就能出结果。

看起来，第一批吃螃蟹的企业也已经尝到了甜头：通过加速计算，行业能够极大地缩短生产周期（原本需要研发十年的药物可能缩短到月、甚至天）、减少生产过程中的冗余（炼错一炉钢可能产生几十吨的废料），从而达到惊人的效益提升——在山东，仅一个矿井，在大模型的加持下，一年的产煤量能够提升 2000 多吨。

那天，我身边的与会人士西装革履，他们大多来自传统行业——但会颠覆你认为它「传统」的刻板印象。因为，在生成式 AI 的浪潮下，居然是中国工业界，现象级地、率先涌现出一批大模型应用的小闭环。

我在创原会现场，访问了华为云的 CTO 张宇昕先生。我们谈到了新的人工智能浪潮下，中国产业里的集体性焦虑及其对策，以及华为对于AI Native的思考。

企业用上、用好大模型的正确姿势是什么？这项技术在哪些行业已经率先落地，具体如何应用？华为所倡导的大模型to B 路线，如何理解？

有关这些关键问题，以及大量华为的内部视角，都蕴藏在这次高密度的访谈之中。

以下是访谈整理，经编辑后发布：

Q ：如果姑且把 ChatGPT 诞生作为这一波大模型浪潮的源头，这两三年间，华为云内部是如何反应的？有哪些关键的决策和判断？张宇昕 ：华为对于人工智能机会的捕捉，其实比 ChatGPT 要早。

张宇昕 ：早在2018 年华为的全联接大会上就发布了相关战略，当时我们认为，人工智能未来会成为一个通用技术；到了2021年，在华为开发者大会上，余总（余承东）发布了我们的盘古大模型；2023 年，我们把盘古大模型升级到了 3.0 版，今年又升级到了5.0版，基本是和 GPT 同步。

但是我们所走的路可能跟美国大模型的路不完全相同，跟国内业界也不完全相同。我们的定位是 「AI for industry（工业 AI） 」。

Q：「AI for industry」的战略，是基于华为的基因吗？

张宇昕 ：是的，但也是结合我们中国产业的特点——全球 666 个工业行业里，我们国家有 220 多个是全球领先。我们的产业门类也最齐全。这意味着，我们国家在这些行业里的技术经验、工程能力都是领先的，如果把这些技术经验、工程能力用数据沉淀下来，就是人工智能最好的数据集。这是人工智能大有可为的地方。

所以，中国要在人工智能上构建优势，一定是要充分发挥中国制造业领先的优势。

Q ：我也留意到一句很有意思的话，中国是 AI 发展的黑土地。您认同吗？

张宇昕 ：我认同，这是我们的结构、产业特点所决定的。

Q ：华为云连接着千行百业。如果把你们视作一扇窗口，中国企业拥抱新技术浪潮时，呈现出什么样的心态和姿态？

张宇昕 ：不同的客户可能有不同的特点，大体分为两类：

一类客户对于新技术变革的意愿度不是太高，因为他们有大量传统的业务和模式，传统的软硬件的包袱，很难改变，他们偏向一种平缓的、渐进式的变革；

但是很多创新型的企业，他们对新技术很敏感，认为这些技术一定会带来新机会、以及价值分配的变化，所以他们会有某种急迫感和渴望，甚至有些焦虑。

不过技术肯定有门槛，对于很多企业而言，他们获取、掌握、运用这些技术，存在诸多的困难；他们希望用一些快捷、低门槛、但能够支撑自己业务的方式来快速进入大模型的应用。华为有着长期、大量的技术研发投入，能够很好地支持他们（去做这件事）。

Q ：就是在华为这片很深的技术土壤中，长出一些大模型的基建和一系列工具，企业直接拿来用。

张宇昕 ：对，我们把基础的能力构建好，也把客户业务所需要的这些能力，构建成服务。所以我们提出：「一切皆服务」，包括技术设施——技术数据库、大数据、安全等，把这些做成云服务。

客户就在这些能力上，搭自己的业务系统。

Q ：刚才您介绍了两大类客户的画像，这两类客户，哪一类占比更大？

张宇昕 ：现在来看，起码五五开，甚至拥抱新技术的还超过一半以上。

Q ：大模型这波技术浪潮跟过往的技术浪潮有什么不一样？

张宇昕 ：大家更觉得这个浪潮是难以抵挡的，是所有企业必须采纳的。

中国云化的节奏是比美国的节奏至少晚 5 年——很多企业还觉得自己不用上云，或者不一定要拥抱公有云，但是美国绝大部分的企业、政府机构都已经拥抱公有云了。但是人工智能浪潮来临后，没有一个企业说我不用人工智能。大家都觉得我必须拥抱这个浪潮，如果我不拥抱它，我就会被这个浪潮打翻。

Q ：为什么呢？

张宇昕 ：这一波人工智能让大家看到了泛化、或者说通用技术的一个前景。换言之就是广泛应用——通用就是大家都能用、各行各业都能用。要知道过去这么多年，人工智能还在一个小众范围。

此外，大家看到新技术带来了很多颠覆商业模式、创新体验的可能性，这些企业客户是很担心的——要么我做，我去改变自己，要么我就可能被新的（对手）颠覆掉。

Q ：人工智能这个词出现已经 70 年了，过程当中也有过一些热点高潮，比如 Alphago 下棋、人脸识别，但都是昙花一现，热情一下子脉冲到很高，然后又回落了，大模型一定不会是昙花一现吗？

张宇昕 ：过去 70 年，人工智能的科学理论虽然有很多的进步，但这些科学理论始终难以落地到实际的产业当中，都是在一些局部的环境、场景里应用，过去的人脸识别或是图形识别，都只是影响很少一些客户、或者很小一些场景。

而这一次 ChatGPT 解决了大家一个共识问题——就是大家终于意识到，通过海量 AI 算力的计算，用无监督、自动化的训练方法，完全可以实现人工智能的通用化。 ChatGPT 给大家最大的震撼在于这里，以前大家觉得人工智能是一个局部真理，但一旦它是一个通用的技术，那所有的人都与此相关了。

Q ：通用这个词可以用一个通俗比喻，我们常说训大模型就像训一个大学生，比如华为有那么多的就业岗位，很多也是从校招生培养起来的。那如果可以培养一个人，其实也可以培养一个智能体。

张宇昕 ：是的，完全可以。

Q ：既然这波技术浪潮与以往不同，行业上下游的企业最直观的反应是什么？

张宇昕 ：所有B端的企业都意识到，这一次真的是狼来了。

这个新技术将会深刻地改变B端的企业，这是他们又兴奋又焦虑的重要原因。客户的积极性是空前的，几乎我们谈到的所有客户都想拥抱人工智能，只是他们不知道该从哪里下手，该如何去应用。尽管他们不知道，但是这种愿望是很强烈。

Q ：这当中有没有什么泡沫、幻想、误解是要戳破的？

张宇昕 ：当然会有。大家对新技术的期望很高。但首先，人工智能不是无所不能，毕竟人工智能沉淀的是我们人的知识、经验和技能，人不会的，不能指望大模型它会；人所不具备的知识和经验它一样不具备。

现在的大模型解题也就是大学生的水平，我们输入哥德巴赫猜想给他还是解不出来的，因为人没解决这问题。Sora 虽然能够生成视频，大家觉得很新奇，但是你拿它和李安比，肯定还差太远。它并不具备思想、美学的观点、光、流体动力学，这些它都不懂，我们说可控性比较差，离真实也比较远，还有幻觉问题等等，这是人工智能当前的局限。

但如果等人工智能已经特别成熟了，已经到了 100% 可以产业化的阶段，你再去用，你就已经落后于这个时代。

Q ：先下场练习很重要。

张宇昕 ：拥抱 AI，与技术共同成长。因为技术的成熟是要靠产业的实践不断去推动它。新技术一定会带来新应用，反过来新应用又会给技术提要求，给它提供场景、练兵场，两者是像 DNA 一样螺旋型、循环成长的过程。

Q ：回顾整个大模型浪潮，我们会发现不管是中国还是美国，云厂商都在其中扮演最关键的角色，这其中的深层次逻辑是什么？

张宇昕 ：人工智能有三大要素，第一是要消耗大量的算力，第二，人工智能的原料是大量的数据。第三，人工智能还需要许多客户的应用场景、用算法把业务融入，才能让客户使用成功。

那么，在哪一个平台能把这些要素聚集在一起？想来想去只有云厂商——云上有规模的算力，云上汇聚了海量的数据，通过云的生态，我们连接着产业上下游所有的伙伴，所以，云是最好的人工智能的黑土地。

Q ：过去外行看云，会很粗略地认为云就是卖算力、卖存储，大模型来临后，云厂商是否有额外的价值会凸显？

张宇昕 ：在云的最早期，我们的确是卖算力、卖计算、卖存储，帮助客户搭建基础设施，这是云的最初级的价值；我们提供的第二层价值是技术即服务——软件开发的技术，数据库、大数据的技术，包括安全的技术，人工智能来临后，技术即服务这一层就会做的更加厚实了。

比如我们过去的数据库和大数据，其实并不理解数据本身的价值，以及数据里的含义是什么？这些价值和含义原本藏在企业的各类专家脑海里——比如一个财务报表，给我这个不懂财务的人看，可能就是个阿拉伯数字而已；但是财务专家一看，就知道数据背后的含义，因为我脑海里没有这些知识，但是财务专家有——我们现在做的人工智能，就是帮助企业进一步把这些知识数字化，他们数仓、大数据湖里面的数据，要变成人工智能数据集。

所谓模型表达，就是让这些数据里的经验、知识、以及相互之间的关系，通过模型和软件，让这些数据进一步发挥价值。过去，我们用人来做各种各样的数据分析、洞察、决策支撑，现在就可以用机器来辅助，辅助成本要低一些，效率要高，可能精度也要更高。

Q ：你们呼吁企业，基于模型来改造自己的应用和软件，把原本行业里各种专家含金量最高的经验喂给人工智能？

张宇昕 ：对，回到最开始的比喻，通用大模型已经被训练成一个大学生水平。如果我们能够把行业知识注入到大模型里去，就相当于把一台计算机变成了一个行业专家。

人类大学生进入到一个企业，也是要靠老师傅带，才能逐渐培养成一个专家；现在我们把老师傅的这些经验和知识，数据化后，喂给大模型，过去一个专家可能理解 50 个维度的经验，不同的专家有不同维度的经验，一个人无法同时掌握这么多（知识），但是机器可以。于是机器就可以帮助大家提升效率。这就是人工智能的价值。

所以，云过去是提供基础设施和技术，现在还能帮企业把经验传承，把宝藏数据的价值发挥，这意味着云本身的价值也在提升。

Q ：所以我之前看到过一句话：过去云厂商提供的价值就像水电煤气，你不能缺少它，但是似乎也不会为它付出太高的交易价格。今天的云厂商能做的事情就可能更丰富了，它的价值也更大了。

张宇昕 ：对。它变成一种类似于你业务的一种咨询顾问，提供一些更有价值的决策的判断，这就跟过去的云发挥的价值层次就不一样。

Q ：大模型的淘金热，卖铲子的人最高兴。过去一年，云行业经历了怎样的竞争？

张宇昕 ：如你所说，整个云行业里有两个层面的竞争，一个是就是卖铲子，即算力；第二个层面就是大模型本身。

我讲了，美国、包括中国的互联网厂商，他们主要做的是以 toC 服务为主的业务类型，所以还是倾向于往通用大模型里放更多的通识，如此一来，大模型更大，所包含的通识更多、更广，这是一条路子。所以我们看见了国内外很多云厂商都提供了类似于 ChatGPT 这类对话的能力，大家调用 API 即可。

但是华为服务 to B ，对于很多企业客户来说，你给我提供一个对话机器人又如何呢？当然可以帮助解决一些客服、内部交流等问题，但是企业客户，更关注人工智能是否能在生产系统上发挥价值。所以我们希望让每个企业都拥有自己的大模型，让每一个开发者都有自己的人工智能助手，说白了就是结合行业应用、行业知识来做行业的大模型。

我相信，慢慢地，toC 和 toB 这两条路径会分叉开来。

Q : 业内很多人还是会认为，算力是华为云的最大的优势，据我所知一些友商也买华为的芯片，因为他们的政企客户需要国产替代。您认可算力是华为云目前最大的优势吗？

张宇昕 ：算力肯定是我们的优势之一。如您所说，算力不止是我们自己有，也卖给友商和行业。因此绝不是独特优势。如果说华为云有什么独特优势，也许是我们能实现软硬件协同——软件的服务能够驱动华为芯片和硬件的定义，我们能结合客户业务场景的需求，来设计整个系统，由此能发挥整系统的优势。

Q ：硅谷那边，对 Scaling law 的追求有放缓，但与此同时一些世界大厂仍在算力豪赌这条路上狂奔着。再反观国内，2024年相比2023年是更理性冷静的。但前阵子袁进辉老师提出一个观点：如果说大模型的训练成本是一池游泳池的水，那么推理成本可能是一片汪洋大海，是无止尽的。您有观察到中美两边对于算力需求的变化吗？如果说推理成本无限，是否意味着算力这门生意也是无限的？

张宇昕 ：我们早就判断，世界上能持续做大模型训练的，夸张一点说，中美各五家就差不多了，确实没必要每个厂商都从头去做，因为模型的训练是一个很高的投入，很苦的差事，而绝大部分的客户用大模型，其实主要就是推理，所以推理的市场空间确实是远远大于训练的市场空间。

第二个就是关于成本的问题，我的观点是 Scaling law 还会持续的发展，为什么？因为当前的人工智能技术，单位计算成本仍然太高，效率还是太低。以人脑为例，首先现在 AI 还没达到我们人脑的算力水平。其次，人最多消耗一点吃的、穿的，但是要堆起一个跟人的思维能力相同的算力系统，还要多少钱？

如果人工智能真的要替代人的一些基础工作，它必须把成本降到和人相当、甚至更低，才符合经济规律。就像您手上拿的笔记本电脑，如果还是大型机的阶段，我们绝对都拥有不了。

要做到这样的成本水平，意味着算力规模还要继续扩大。所以从长期来看，我觉得未来5年、10年，可能还有几十倍、数百倍的需求增长。

而我们之所以看到现在市场的理性，是因为现有成本结构下，一味地扩大算力意味着高代价，这不是所有厂商都负担得起的。所以，必须设置一些低门槛、高效率、低成本的方案，让第一批愿意吃螃蟹的客户，能及早地应用这些技术，及早地产生效益。更重要的是，应用之后，它就会给技术以反馈，来推动技术进步。

Q ：这种正反馈发生了吗？

张宇昕 ：时时刻刻都在（发生）。

我们这几年做了 30 多个行业，上千个客户，每一个客户在构建大模型的过程中都会提出很多新的要求，都是当前大模型的能力还没有具备的；

所以我们这几年派了几百个科学家、博士专家深入田间地头、工厂车间，生产一线——不是说做好了一个东西拿给人家用，人家马上就能用的；还是要到客户的业务系统里去、到现场，看见新的问题，提出新的挑战，再回过头来攻克这些技术。

这个过程也是人工智能技术发展的过程。

Q ：你刚才讲到大模型的成本还不够低。周鸿祎在前不久的演讲中讲了一句话，他说希望「把大模型拉下神坛」，先用一个模型解决一个具体的问题，他觉得这是最重要的。您应该挺认同的吧？

张宇昕 ：我非常认同。我认为他这个观点表达了两个含义。

第一，大模型高，但是不能贵，华为过去也经常讲这句话，叫「高而不贵」。因为如果一个技术又高又贵，那只能飘在天上，落不了地；大家都能用得起来，这是叫「高而不贵」。

第二是，在大模型的早期，如果能够聚焦解决生产系统当中的某一个问题或者某一类问题，把成本降下来、自动化水平提上去，也是个好事。

Q ：提一个有点尖锐的问题，华为也自研了盘古大模型，但跟其他厂商比起来，它不太参与刷榜，我们也较少在媒体的宣传上看到它，为什么？

张宇昕 ：刚才讲过，华为是走大模型 to B 路线最坚定的践行者之一。基于这个选择，我们没有必要跟随人家去刷榜，因为现在绝大部分的刷榜是基于 NLP 通用的评测榜，这类通用能力无法解决企业的问题。

不如沉下心来，踏踏实实地帮助客户去构建他们的人工智能系统——让客户拿着自己的行业 know-how 在我们的（大模型）底座上去做增量训练，做微调，训出自己的大模型。

所以我们是一个使能者，是个黑土地，我们并不是黑土地上最后长出来的那棵树或那朵花。树和花是客户的；但对于互联网而言，他们本身就是树，就是花；各自定位不一样，所以有些指标没有必要去比。比如对于技术大模型而言，可能需要考虑行业数据和通用数据的配比，才能使得整体效果最优，一味追求某个指标可能是种浪费。

Q ：这里就有个细节问题，关于您讲的配比问题，据我所知，训大模型时会有一组矛盾——模型的泛化能力和专业性能力是相牵制甚至相悖的。

张宇昕 ：是的，专业数据训得越多，泛化性就会受影响；如果追求泛化性很好，那专业能力肯定就会比较差，这是目前的难题。

Q ：这个问题现在有解吗？

张宇昕 ：技术还需不断地攻克。

可能未来模型的架构还会发生变化，又或是训练数据的处理方法会变；当然也许未来算力大了，这个问题就不成问题了——就像小学生一样，一次教多了他消化不了，教了A，忘了B。但是如果对方是个大学生，你会发现一次教他 3 件事，他是记得住的。这就是当下的人工智能技术还不成熟。

如果未来有更新的技术，更强的算力，也许这种泛化性和专业性的矛盾就不会这么尖锐。

Q ：今天我看到你们台上演讲的一些客户案例，都是巨无霸企业，体量挺大的，我有些怀疑您所说的，「希望把模型价格打下来，让企业都能用得起」。现在普通企业能用得起你们的模型和服务吗？

张宇昕 ：为什么现在只有大企业在玩人工智能？

因为人工智能三要素里面，第一是算力，第二是算法，这两点华为也许能帮客户解决——没有算力我们可以帮客户去借，算法不行我们也有足够多的专家；但第三点，数据，只有大企业拥有足够的数据。行业里的小企业们，他们也很想赶紧拥抱人工智能，但是他们手上所掌握的数据（知识和经验）太少。

所以，我们提出了大模型的层次结构： L0 叫通识大模型，通用大模型是一个底座，其实并不是客户最终使用的。第二层 L1 的行业大模型要靠行业的领头羊，这些企业掌握的数据够多，能把行业的通用能力也做成大模型，不仅仅自己能用，也开放出来给中小企业用，这就降低了中小客户的门槛；第三层 L2 指的是特定场景的大模型，这就进一步降低了使用门槛了。

同时我们还号召行业来共建这种开放数据集。因为一类型的企业，你有一些，我有一些，只要这些数据不涉及企业的隐私或保密数据，这些脱敏的通用数据都可以拿出来，在行业里建立、共享一个行业通用数据集。他人的数据和经验，可能刚好能补我之不足，这个过程也充分体现了竟合的精神。

Q：上午还有一个观察，我发现拿出来讲的模型从参数量级来看，并不算大，比如一个药物分子大模型，是亿级参数。今天我们很少在公共叙事中看到亿级参数的模型。小模型的价值有多大？模型越做越小、把小参数模型做好，会是一个趋势吗？

张宇昕 ：你说的「小模型」，「小」应该指的是参数量级，我把它理解为小的大模型——在通用数据训练的基础上，再叠加专用数据。

为什么会有小的大模型？业界很多客户容易被误导了。其实参数量大的主要是自然语言（NLP）的模型，现在NLP模型起步都是千亿级、甚至万亿级。但是如果是视觉模型，几十亿（参数）可能也够。推理决策的模型，几十亿、几亿都够；像药物分子大模型，它不需要（参数）这么大。

对于一个企业而言，第一，它首先要求大模型要有专业能力，第二，一个企业要选择多种模态——不止要语言，也要视觉，也要决策推理，也要优化。像分子药物大模型和我们做的气象大模型，都叫做科学计算大模型——过去我们用解方程的方式算出来，现在用学习的方式加速计算。

比如过去做一次气象预报，需要3000台到5000台高档的服务器算半天才能算一次，现在，我们用一张卡，10秒钟就能出来。过去研制一个药物要10年，现在一个药物筛选，可以由月的时间缩短到天，甚至缩短到小时。这些案例，都是用人工智能的方式在加速计算。所以，小的大模型也有价值。

第三，企业也要选择尺寸——因为同等能力的大模型，尺寸越小，成本越低，这就需要我们有技术了，比如做量化抽取，能否尽量降低它的算力成本，使得精度在下降不多的情况下，更经济地使用。

以上这些，都是企业要综合考虑的问题。在未来，小参数、但是精度非常好的大模型，可能是未来企业里不断追求的。

Q：你们跟那么多客户贴身合作，发现哪些高价值的 AI 场景？

张宇昕 ：比如煤矿是一个高风险的场景，过去靠人值守，现在可以通过摄像头和CV（视觉大模型）来判断挖煤的工况，甚至还可以通过声音来判断，地底下是煤还是水？还是岩石？过去都是老师傅站在那听，老师听得不对，（喊）「不能挖了！」，因为再挖可能挖透了或者怎么的。现在这些场景都可以用人工智能方式去判断。

还有一个场景是传送带分拣，过去主要靠人分辨煤渣、石头和煤块，效率又低、成本又高。现在分拣的效率会大大提升。

还有生产精煤，精煤是需要各种配比，过去的配比是按一个比例生产出来后，再去检验成分，如果达不到期望就再回去重新配，需要反复试验——但现在我们把多种数据综合起来，模型分析就会给出最佳参数，就省去了反复试验。在山东，就一个矿井，我们一年帮他多生产 2000 吨煤。如果推广到全国，可想而知能够提产多少。

同样原理的还有炼钢，钢要炼得质量好，温度、原料、各种微量元素的配比，都需要很精确。过去是靠炼钢师傅的经验，去做各种试验——一炉钢几十吨就去了。现在人工智能就不需要那么长时间去反复跑试验，炼出的精度质量比原来要好很多。哪怕一吨钢降低一块钱的成本，当然我们初步测算的效果可能还不止一块钱，可以看一看我们国家一年生产多少亿吨钢。其中的降本将是个惊人的数字。

Q：我相信你们一定从产业里挖掘了非常多的场景和需求，但也不可能一上来就所有都做，一定有一个优先级排列的过程，选择做什么、不做什么，先做什么、后做什么。在华为内部，这个过程是怎样的？

张宇昕 ：首先第一步，还是必须深入到客户一线。以煤炭为例，有三种场景，假设人力有限，只能做一种场景，那我必须知道，哪一个场景条件最成熟、产生的价值最大、客户最着急。这需要基于客户自己的经验以及我们的经验，结合起来才能判断。

收集到这些需求后，我们每一层专家和主管都在碰撞，如何用手上有限的人，把这些需求里共性的东西抽取出来？这需要先理解业务、识别需求，在需求中抽取共性——我们讲去粗存精、去伪存真，由表即里，由此即彼。这样的话，也许客户没有提出的问题，也有机会解决。这也是技术团队最大的价值。

做出技术和产品后，我们要再把它带回到客户现场去验证。是一个不断持续迭代的过程。

Q ：收集并确定第一批次的需求，这个周期经历了多久？

张宇昕 ：比较快速。实际上对于大颗粒度的需求有年度的规划，中间会有迭代，以季度或月为单位的需求可以识别和纳入进去；对于紧急需求也会有紧急决策的流程。云还是比较灵活。

Q ：大模型浪潮来临后，华为云用多久定义了自己的新目标？

张宇昕 ：不太好说，其实这几年我们还在不断地学习，也在不断地调整目标，有些调整是觉得方向偏了，有些是目标低了。或者目标的优先级要排一排。

Q ：方向偏了和目标低了，可以举一个例子吗？

张宇昕 ：比如到现在为止，公司里还有人问我，为什么我们不提供大模型的 API ？

但在我看来，大模型的 API 其实是个类 toC 的业务。我们绝大部分的政企客户，你提供给他们一个大模型的API，对于企业的生产应用，帮助并不大。API 主要是类似于 ChatGPT 这样的对话机器人，企业希望它答的问题，背后用到的知识可能是机密的，可能涉及隐私，不能开放的；

所以，如果说我们也去提供公开的 API，优先级到底高不高？这个公司内部就有争论。那通过一段时间的思考，我们还是觉得不要走这条路，走 AI for industry，这就是修正方向。

Q ：那哪些目标定低了呢？

张宇昕 ：那当然仍然还是大家最关心的性价比。

我们每一回都觉得对性价比的追求还不够，还要再去挖可靠性；尽管我们的大模型的训练集群稳定度已经在业界算是比较好的了。但是我们还是希望中断时间能否再短一点，客户恢复（维持）的时间能否再长一点，每回都是还要加码，还要再提升。

Q ：三四年前我们还在提「云原生」，今天所有人都在提「 AI 原生」，华为云怎么理解 AI native？去年李彦宏在提到 AI native 的时候，讲到他要内部抛弃所有旧有的认知，完全解构了之后重新做，他说大厂在这件事情上肯定会反应慢。您认不认同他的看法？

张宇昕 ：通过我们这几年的一些合作和实践，我把 AI Native 总结成四个方面，不一定全，但是能概括我们现在看到的比较主要的四个实践路径：

第一，如果要做人工智能，一定要选择 AI Native 的算力，也就是新型的算力——一定要能支持大算力、大带宽、低时延，能支持大模型训练和推理中，大量的数据同步，传统算力搞不定。

第二，因为客户要构建智能化的应用，所以它的业务系统必须要构筑在一个已经智能化的底座之上。过去的底座包括传统的数据库、数仓、大数据安全、软件开发等等这些技术，都需要升级。底座不智能，也就无法支撑业务的智能化。这是云服务的智能化。

第三，很关键的一点是要构建行业或企业的大模型，这是人工智能的核心。一个企业能不能人工智能化，核心就在于它能不能把这些知识经验做到大模型里去。

第四，如果我们既用了算力，也用了智能化的底座服务，也构建了自己的大模型，毫无疑问，那整个应用系统就要改造，我们叫大模型系统。

这四个方面是企业必须要做的事情。如果这四个方面做得比较好，我们觉得这可能就是走向 AI Native 之路。那么，第二个问题就不言自明了：技术的每一层都变化了，所以李彦宏说要重构，是很自然的。

Q：那华为有没有经历过这种结构又重构？

张宇昕 ：这两年，我们华为云已经把自己的基础设施全部重构了。我们叫「 reshape the cloud service（重塑云服务）」。我们所有的云服务都用人工智能加持了。有的是增加了智能助手，有的是为大模型做了很多功能，比如安全态势、漏洞攻击的感知，比如数据库的管理、运维，当然升级的过程没有完成，这是一个长期不断迭代的过程。

所以这个重构已经开始了。

Q ：解构和重构这件事，对华为来说有包袱吗？

张宇昕 ：包袱肯定是有。

过去这么多年积累的代码，谁都不想说这些代码要改，甚至于有些代码要抛弃掉。但是我们华为有一句话，叫「优势挡不住趋势」。如果你不想变革，你可能就被这场变革给颠覆掉。与其被这场变革颠覆掉，不如及早地拥抱他，你还成为这场改革红利的享受者。

Q ：就在我们谈话的今天，行业里发生了一件大事， ChatGPT 之父离开了 OpenAI，我们看到美国（AI 业界）现在人才流动非常的剧烈。在中美 AI 的竞争路上，您有什么主张和判断吗？

张宇昕 ：我有几个想法。第一是，中国的人工智能发展道路一定要走中国特色，结合我们自己的产业特点去走。我们如果走美国的道路，不一定能成功，比如以语言大模型为例，我个人认为，英语语言的大模型我们是无论如何很难超过西方世界的。因为英语是西方世界的主流语言。工业革命以来，人类最主要的公开的文化、论文、知识，基本上都是英语的。这条路，现实来讲我们可能赶不上。

第二点是，美国现在在打压我们的人工智能，技术上打压，未来可能在人才上也打压。中国学生再想去美国学计算机、人工智能相关专业都很困难。这就更加要求我们中国的产业界要协同起来。在人工智能这件事上，更多的是协作，而不是竞争，只有发挥各自的优势、协同起来，才能把整个产业带起来，才能跟美国进行这种全栈的竞争。

第三，产业界和学界也要协同起来。比较好的事情是人工智能的学术研究，除了美国就是中国，世界上再找不到其他地方了。所以中国的产业一定要给学术界提问题，给他们以场景，给他们以这种理论发展的空间和机会。当学术界研究出了新技术，要快速地到产业里来进行验证。

如果能把这样一个循环做起来，那我们的人工智能产业，就谁也不怕了。

来源：钛媒体