18.互联网是应用大模型的冲锋军？我们都想错了｜专访华为云CTO张宇昕
摘要
- 这一轮AI把企业技术升级从“可选项”推成了生存题，尤其是过去离互联网更远的To B行业。 中国企业的云化节奏曾比美国至少晚五年，但张宇昕观察到，面对AI，积极拥抱者已至少占一半、甚至超过一半。原因很直接：“所有的To B端企业都意识到了，这一次真的是狼来了。”
- 华为的核心判断不是复制美国通用模型路线，而是把中国制造业积累变成行业模型的数据优势。 全球六百多个工业行业中，中国产业门类最全，且有两百二十多个处于全球领先；这些行业的技术、经验和工程能力一旦以数据沉淀，就是人工智能最好的数据集。盘古由此选择AI for Industry，华为云则把自己定位成供客户生长的“黑土地”。
- 大模型让云从“水电煤”式基础设施升级为聚合算力、数据、场景和生态的平台。 云厂商不再只卖计算、存储和数据库，而是帮助企业把数仓、数据湖及专家脑中的经验数字化并发挥价值，让机器辅助分析、决策与生产。张宇昕的判断是，对于绝大部分企业和政企客户，“除了云，我还想不出来其他地方”能把这些要素现实、便捷地组织起来。
- 华为云不把国产算力视为唯一护城河，真正的差异化是软硬件协同加To B工具链。 张宇昕承认算力是优势之一，但相关算力也供应友商和行业，生态需要共同做大；华为更独特的能力，是从客户场景反推系统、硬件和芯片设计。与追求API流量和通用榜单不同，华为提供底座及训练工具链，让客户用自己的行业know-how构建专属模型：“我们只做黑土地，树和花是客户的。”
- 算力需求的长期变量在推理而非训练，张宇昕仍判断scaling law会持续。 他“夸张一点”估计，未来持续从头训练大模型的机构中美可能各五家左右，而绝大多数客户面对的是规模远大于训练的推理需求。若AI要替代基础工作，单位成本必须降至接近人甚至更低；在此前提下，他判断未来五年、十年算力仍可能增长几十倍、数百倍，但落地必须做到“高而不贵”。
- 企业模型的胜负不由参数总量决定，而由模态、精度和单位成本决定。 NLP模型起步就是百亿级、千亿级，甚至可能达到万亿级；CV模型几十亿参数、推理决策或科学计算模型几亿至几十亿参数也可能足够，这些不是旧式小模型，而是经过通识训练再叠加专业数据的“小的大模型”。气象大模型把三千至五千台高端服务器约半天的计算压缩到一张卡十秒；药物筛选则可由月缩至天、甚至小时。
- 真正可验证的AI价值已经出现在工业产量、试错成本与安全性上，但兑现它要求全栈重构。 山东一个矿井应用相关模型后，一年可多生产约两千吨煤；炼钢模型则通过数字化炉温、配比等经验，提高质量，初步效果可能达到每吨降低成本一元以上。企业还必须同步升级AI Native算力、云服务、行业模型和应用系统，因为“优势挡不住趋势”。
- 中美竞争下，张宇昕的答案是产业差异化与协同，而不是每家公司重复训练一个通用大模型。 他直言，中国在英语语言模型上很难超越掌握更多英语公开知识的西方世界，但可凭领先工业行业另辟蹊径。To C与To B企业需要各做所长，产业界给学术界问题和场景，学术成果再回到产业验证，形成难以被封锁切断的循环。
精读
1. 华为比ChatGPT更早押注AI，却从一开始就选择工业
这场在万宁华为创原会现场进行的访谈，先交代了张宇昕的技术底色：他1999年加入华为，从基层软件开发做起，职业路径由通信逐步转向IT与云。
2011年华为成立2012实验室后，张宇昕创立欧拉部并担任第一任部长；2013年转入IT产业负责存储研发，2017年云BU成立后开始担任华为云CTO。
华为在2018年全联接大会已提出AI战略；2021年开发者大会发布盘古大模型，2023年升级至3.0版，今年又升级至5.0版，节奏与ChatGPT浪潮大体同步。
真正不同的是路线选择。张宇昕说，华为“一开始上来就定位我们要做AI for Industry”，并非因为没看到通用模型，而是认为中国最可能建立优势的地方在产业。
2. 中国制造业沉淀的是AI时代最好的数据集
张宇昕给出的底层依据是产业结构：全球六百多个工业行业，中国不仅门类最全，其中还有两百二十多个处于全球领先位置。
这些行业领先的不只是产量，而是技术、经验和工程能力；一旦通过数据沉淀下来，“它就是人工智能最好的数据集”。这构成中国不必照搬美国路线的理由。
卫诗婕问中国是否是AI发展的“黑土地”，张宇昕直接认同：“我们的结构决定的，我们的产业特点决定的。”
3. To B企业第一次把技术浪潮理解成生存风险
张宇昕把客户分为两类：传统企业背着legacy系统、业务模式和软硬件包袱，更希望平缓渐进；创新型企业则既敏感又焦虑，担心市场和价值分配被重新改写，却缺乏长期研发所需的财力与技术积累。
从比例看，他估计两类客户“起码五五开”，甚至主动拥抱新技术的已超过一半。企业需要的不是重新搭建整套技术栈，而是低门槛拿到算力、数据库、大数据、AI平台和行业经验等“一切皆服务”。
对照此前云化，中国节奏比美国至少晚五年，许多企业至今仍在公有云、私有云之间犹豫；但AI出现后，“没有一个企业说我不用人工智能”，因为不自我改变，就可能被别人颠覆。
ChatGPT打破的是人工智能只能解决局部问题的旧认知。海量算力和无监督、自动化训练让人们看到通用化可能，AI不再是“在你这儿适用，到我这儿未必适用”的“局部真理”，而变成“所有的人都与此相关”。
4. AI并非无所不能，但等到百分之百成熟才使用已经太晚
张宇昕先给热情降温：“人不会的，不能指望大模型它会。”模型解不了尚无人解决的哥德巴赫猜想，本质上仍受人类已有知识、经验和技能的边界约束。
他也没有因Sora能生成视频就抹平能力缺口：与现实中的拍摄和制作相比，它仍差得很远，缺乏思想和美学判断，也不理解光、流体动力学等现实物理规律；幻觉、可控性和真实性仍待改善。
但技术不成熟不是不下场的理由：“当人工智能已经特别成熟了，已经到了百分之百可以产业化的阶段，可能你再去用，你就已经落后于这个时代了。”
技术与应用并无绝对先后。张宇昕把两者比作DNA双螺旋：新技术产生应用，应用再提出要求、提供场景和练兵场；模型与产品也必须在实际业务中伴生成长。
5. 大模型把云的价值从卖资源推向数字化企业知识
AI落地需要三个要素同时到场：大规模算力、海量数据，以及客户场景和上下游伙伴。张宇昕认为，对绝大多数企业与政企客户，云是把这些要素聚到一起、协同创新的最现实、便捷的平台。
云的第一层价值是计算、存储等基础设施；第二层是数据库、大数据、安全、软件开发等技术及服务。AI到来后，第二层会显著变厚，因为云可以帮助客户进一步发挥数据库、数仓和数据湖中数据的价值，而不只是保存数据。
张宇昕用财务报表解释这种变化：普通人看到的是数字，财务专家看到的是数字背后的关系。训练企业模型，就是把原本停留在专家脑中的知识和经验数字化、软件化。
单个专家也许只能掌握五十或一百个维度，另一位专家又掌握另外一组维度，机器则可以掌握更多维度并辅助分析。张宇昕据此认为，云在提供基础设施和基础技术之外，还能传承经验、发挥“宝藏数据”的价值，云的价值因此提升。卫诗婕进一步将这种角色概括为更接近业务顾问。
6. 华为的算力优势并不独占，软硬件协同才更难复制
卫诗婕把业内的尖锐判断摆到桌面：在美国限制中国获得先进芯片的背景下，一些友商也购买华为芯片，政企客户在国产算力中把华为视作优选，因此算力是否就是华为云最大优势？
张宇昕没有接受“唯一优势”的说法。算力确实是优势之一，但相关算力也供应友商和行业，需要与同行共同扩大算力生态，所以它“不是独特优势，也不是唯一优势”。
他认为更独特的是软硬件协同：云团队可以从客户业务和场景出发设计整个系统，再以系统要求驱动硬件与芯片演进，而不是分别优化孤立的软硬件指标。
7. 推理市场远大于训练，scaling law也远未结束
张宇昕“夸张一点”判断，未来真正有必要持续从头训练大模型的机构，中国和美国可能各五家左右就够了；训练投入高、过程艰苦，而绝大部分客户只是使用模型，因此推理算力空间远大于训练。
他认为scaling law还会持续，因为当前单位AI计算成本仍太高、效率仍太低。人脑消耗有限，而堆出相近思维能力的计算系统成本巨大；若基础工作替代不具备比人更低的成本，就不符合经济规律。
PC只有脱离大型机时代的成本结构才可能普及，AI也一样。张宇昕因此判断，未来五年、十年算力规模仍可能有几十倍、数百倍增长；当下投入变得理性，只说明现有成本下盲目扩算力不是所有厂商都承担得起。
8. “高而不贵”比星辰大海更接近产业化
卫诗婕引用周鸿祎的主张：把大模型拉下神坛，“不要星辰大海”，先用一个模型解决一个具体问题。张宇昕表示“非常认同”。
第一层含义是“高而不贵”：技术如果又高又贵，只能飘在天上；第二层含义是早期不要追求无所不能，只要能在生产系统中降低人工成本、提高自动化或质量，就已经创造了价值。
第一批“吃螃蟹”“喝头啖汤”的客户还承担反馈功能。客户每提出一个现有模型不能解决的问题，就为技术指明新的攻关方向；产业实践并非成熟技术的末端，而是技术成熟的组成部分。
9. To C与To B大模型正在分叉，通用榜单不是工业指标
张宇昕预计两条路径会逐渐分开：To C厂商服务大众，会持续增加通识、扩大模型，并以对话API聚合使用者；To B客户更关心生产系统能否真正发挥人工智能价值，而不只是多一个聊天机器人。
这也解释了盘古为何不热衷于参与NLP通用榜单。张宇昕承认刷榜“可能对营销有点帮助”，但通用评测成绩并不能证明模型进入煤矿、钢铁、医疗等场景后解决专业问题。
华为提供的是基础大模型底座及一套训练工具链，客户再用自己的行业know-how进行增量训练、微调和业务集成。“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。”
华为内部也曾争论是否应优先提供公开大模型API。最终判断是，政企生产应用帮助有限，且政府、医疗等客户的数据涉及机密或隐私，因此修正方向，选择做使能器而非流量平台。
10. L0到L2的行业体系，是中小企业使用AI的现实通道
卫诗婕的质疑是：台上案例几乎都是巨无霸企业，如果只有大公司负担得起，所谓降低AI门槛是否成立？
张宇昕给出的架构是L0通识大模型作为底座，向上发展L1行业大模型和L2特定场景大模型；行业龙头不仅自己使用，还可把行业通用能力服务给上下游和同类中小企业。
算法和算力可由云厂商提供，最难补的是数据。中小企业积累不足，龙头掌握更多行业知识；只要数据不涉及隐私、保密内容，通用数据或脱敏数据就可能沉淀为开放数据集或行业模型。
对“龙头为何做看似公益的事情”的追问，张宇昕以竞合回答：大企业成本高、覆盖不了小项目和细分场景，小厂商反而更专业；分享能力可以补足生态，就像开源软件中“同行提携同行”，各方也能相互补足。
11. 参数少不等于旧式小模型，企业需要的是“小的大模型”
过去的小模型通常只在某家企业或某个局部数据集上有效，不具备泛化性；今天的行业模型先接受通识训练，再叠加专业数据，训练方法与工程体系已经不同。
参数规模也取决于模态。张宇昕说，NLP模型起步就是百亿级、千亿级，大家仍觉得不够，甚至达到万亿级；CV模型可能几十亿参数已够，推理决策、药物分子或其他科学计算模型则可能只需几亿至几十亿。
卫诗婕追问专业性与泛化性相互牵制是否有解，张宇昕没有假装已有答案。他用学生作比：小学生一次学多件事会忘，大学生则能同时吸收；更大算力、新模型架构或新的数据处理方法，未来也许会缓和矛盾。
企业还需在尺寸、精度和成本之间做选择，通过量化、蒸馏等方式减少算力需求，只要精度下降可控，参数更小反而更适合生产。张宇昕把这类模型称为“小的大模型”。
12. 科学计算模型的价值，是把方程求解压缩成快速学习
传统气象预报一次需要约三千至五千台高端服务器计算半天，气象大模型则可用一张卡在十秒钟内给出结果。它不是语言模型，也没有追求千亿、万亿参数。
药物分子模型同样属于科学计算路径。张宇昕称，过去研制一个药物可能要十年，其中药物筛选原本以月计，如今可缩短到天、甚至小时。
这类模型的核心是科学计算方程，过去通过解方程完成计算，如今用学习的方法加速原本反复求解、迭代的过程；参数更小并不妨碍它产生高价值。
13. 煤矿和钢铁证明，行业模型可以直接进入产量与成本
煤矿场景首先关乎安全：远程摄像头和CV模型观察采煤面的工况，也可以通过声音辅助判断前方是水、煤还是岩石，把过去依赖老师傅现场听声辨别的经验数字化。
采出的煤还要识别煤和其他异物，并在精煤生产中优化多种配比。过去需要配料、燃烧、分析煤渣后再反复调整；模型可综合过去的配煤数据直接给出最佳参数。山东一个矿井因此一年可多生产约两千吨煤。
炼钢则把炉温、原料和微量元素配比等师傅经验转成模型。一炉钢约六十吨，不能让高炉反复试错；张宇昕称，若每吨钢降低成本一元，初步达到的效果可能还不止一元，放到全国数亿吨级产量上，规模效应可观。
14. To B产品来自“双手沾泥”，不是办公室里的功能清单
华为已进入三十多个行业，服务几百到上千个客户，每家客户可能提出三至五项需求。面对有限人力，团队必须到生产现场判断哪个场景条件最成熟、价值最大，而不是只听客户口头描述。
技术团队还要从不同客户的一二三四中抽取共性，“去粗存精、去伪存真，然后由表及里、由此及彼”，让一个解决方案覆盖客户尚未明确提出的相邻问题。
需求管理既有年度大颗粒规划，也有季度、月度版本及紧急决策流程；产品做好后还要带回客户现场验证，持续迭代。张宇昕把这种To B气质称为“双手沾泥”。
目标本身也在变：有时方向偏了，如放弃公开API优先路线；有时只是汽车、煤矿、能源等行业的先后顺序要调整；有时目标定低了，性价比、训练集群稳定性、中断与恢复时间都要继续加码。
15. AI Native要求全栈重构，中国则必须走自己的协同路线
张宇昕把AI Native归纳为四层：使用支持大算力、大带宽、低时延的新型算力；用AI升级数据库、大数据、安全和开发等云服务；构建行业或企业专属模型；最后基于模型改造应用系统。
华为已从数据中心、芯片和硬件改到底层软件，并以“Reshape Cloud Service”升级云服务：有的增加Intelligent Assistant，有的强化数据库运维、安全态势感知和漏洞攻击感知。这个过程尚未完成，仍会长期迭代。
旧代码和团队经验当然会形成包袱，甚至意味着部分多年积累需要重写或抛弃。张宇昕给出的内部原则是“优势挡不住趋势”——与其被变革颠覆，不如及早参与并成为红利的获得者。
卫诗婕以录制当日“ChatGPT之父离开OpenAI”和美国人才流动为引子追问中美竞争。张宇昕认为，中国很难在英语通用模型上超越西方世界，应以领先工业能力“扬长避短，另辟蹊径”；同时让To C、To B企业各做所长，产业界与学术界形成“提出问题—研究技术—产业验证”的循环。