企业官网建设流程全解析

简介：围绕2023年4月陆奇在深圳“新范式·新时代·新机会”分享整理的PDF讲稿，面向关注大模型演进、AI产业趋势与数字化转型的从业者、创业者及研究者。内容以“信息—模型—行动”三位一体结构为主线，回顾从个人电脑、互联网、移动互联网、云计算到元宇宙、Web3、脑机接口与量子计算的信息生态演进，说明模型系统为何代表“知识无处不在”、行动系统如何指向自动驾驶与机器人等自主化场景。讲稿还结合OpenAI从成立到GPT-3、ChatGPT及GPT-4的迭代脉络，讨论自然语言理解、多任务迁移、代码生成与对齐工程的突破，并延伸到职业角色、经济范式和社会价值系统的变化。资源为1个PDF文件，约10.19MB，便于通读、检索和摘取观点；已有523人学习，适合用作理解ChatGPT新机遇与AI产业判断的参考材料。

1. 陆奇深圳演讲之后：一份被低估的AI范式路线图浮出水面

2023年4月23日，一场原本在圈内小范围流传的分享，事后被反复翻出来讨论。讲的人是陆奇，地点在深圳，主题围绕ChatGPT与AI新机遇展开。这份演讲的资料在圈内流传后，不少从业者第一次意识到，GPT不只是一个更好用的聊天工具，它背后站着一次信息范式的底层切换。演讲里有个判断被反复截图：我们正从“信息无处不在”的互联网范式，切换到“模型无处不在”的新范式，而下一个阶段是“行动无处不在”。这句话放到2023年看是预判，放到今天回看，更像一份路线图。它解释了为什么大模型会从技术圈的实验品，迅速变成每个行业都在盘算的变量。对从业者来说，这场分享的价值不在于预测了什么，而在于它把“人、信息、模型、行动”这条链条讲清楚了，让人能判断自己站在链条的哪个位置。

2. 新范式的结构信号：从“信息”到“模型”的拐点怎么发生的

陆奇在演讲里用一个叫“三位一体结构演化模式”的框架来解释技术驱动的社会变迁：人、组织、社会三个层面，都沿着“信息—模型—行动”这条主轴演进。这套框架不是他临时起意造的，而是把过去几十年的数字化进程重新编排了一遍。理解这个框架，比记住任何一个模型参数都重要，因为它解释了为什么GPT的出现不是偶然，而是范式演进到某个节点后的必然产物。

2.1 信息系统的三次跃迁：从PC到模型生态

演讲把数字化平台的演进拆成三代。第一代是个人电脑和磁盘操作系统，信息开始在本地被处理；第二代是客户端服务器、Web-1互联网和PC互联网，信息开始联网流动；第三代是Web-2移动互联网与云计算，信息变得无处不在。这条线索到今天还在延伸，往后是AI与边缘计算、元宇宙、Web3、脑机接口、量子、生物基这些新兴平台。陆奇给了一个很直白的判断：数字化程度越来越高，软件在吞噬世界，科技产业等于创新成为生产力，资本追逐的是更高的能量转化效率。

这个演进有一个容易被忽略的细节：每一代平台的核心资源不一样。PC时代拼的是硬件和操作系统，互联网时代拼的是流量和入口，移动互联网时代拼的是数据和场景，到了模型时代，拼的是知识表达和泛化能力。从“信息无处不在”到“模型无处不在”，本质是从“能拿到数据”变成“能用模型把数据变成判断”。这也是为什么2022到2023年这个时间窗口被演讲定义为拐点——模型不再只是信息处理的附属品，它自己成了一个独立的系统层。

2.2 模型成为“新物种”：知识无处不在意味着什么

演讲里有个比喻很值得琢磨：模型正在成为“新物种”，它像寒武纪一样迎来早期繁荣，延伸、组合、选择，结构、能力、系统都在快速演化。这个判断的落点在于，模型不是工具，它更像一种能自我扩展的知识载体。GPT系列从1.17亿参数走到1750亿参数，再到GPT-4预计1到1.7万亿参数，这条曲线背后是压缩信息表达世界知识的能力在持续提升，泛化能力在涌现，对齐手段在丰富。

对从业者来说，“知识无处不在”这句话的实际含义是：过去需要专业训练才能获取的认知能力，正在被封装进模型里。写代码、做图表分析、角色扮演、专业考试、看图作答，这些能力在GPT-4的演示里已经露过头。演讲没有回避一个尖锐问题——这会不会让一部分专业岗位的价值被稀释？它的回答藏在框架里：模型替代的是认知任务中可被压缩和泛化的部分，而人的价值会向创新、探索和需求定义迁移。这个判断对当时还在观望的人来说，等于提前给了一张位置图。

2.3 拐点的四个“足够”：能力、广度、深度、扩展性

演讲给拐点列了一组判断标准，值得单独拎出来看：能力够强，封装了所有常识和足够的学习推理能力；足够广泛，领域宽，对每个人都有实用价值；足够深入，覆盖大多数专业人士的认知任务；足够好用，自然语言和代码等对齐；足够扩展，模型在认知能力和领域范围的扩展性；门槛变低，初始阶段的固定成本不再是贵不可及。这几条合在一起，说的其实是一件事：技术指标跨过了可用线，商业成本跨过了可承受线，两件事同时发生，才叫拐点。

这里有个容易被跳过但很关键的点——自然语言为什么是突破口。演讲给的理由是，语言是人类认知的特殊潜空间，是人与物理世界之间最重要的桥梁，也是极强泛化能力的基础。从语言切入打造通用智能，是一条反共识的路径，因为当时主流思路更偏向从感知或特定任务出发。但正是这条路径让模型获得了对齐和扩展的入口，代码、图表等更多认知潜空间可以被逐步打开。这个判断对后续技术路线的解释力，比任何单一模型参数都强。

3. GPT模型体系的真实分量：一份技术演进时间线里的信号

把这场演讲放在2023年4月的时间点上看，它做了一件当时很多人没做的事：把GPT系列的演进、OpenAI的组织史、技术堆栈和市场格局放在同一张桌上讲。这张桌子的信息密度很高，分开看每一条都不新鲜，合在一起才看得出结构。对从业者来说，这部分内容的价值不在猎奇，而在它提供了一条可对照的坐标轴，让人能判断自己手上的技术和产品处在哪个阶段。

3.1 从GPT-1到GPT-4：参数曲线背后的路线选择

演讲里列了一条清晰的时间线：2018年GPT-1，1.17亿参数，无监督预训练加有监督微调；2019年GPT-2，15亿参数，初步展现零样本能力；2020年GPT-3，1750亿参数，引入上下文学习，零样本和少样本就有好表现；2022年GPT-3.5，1750亿参数，加入基于人类反馈的强化学习对齐；2023年GPT-4，预计1到1.7万亿参数，支持文本和图像输入，多语种、看图作答、图表分析、编程能力都往上走了一截。这条曲线不是简单的参数膨胀，每一步都对应着训练方法和对齐手段的变化。

一个值得注意的细节是，GPT-3到GPT-3.5参数没变，但能力表现提升明显，靠的是对齐工程而不是堆参数。这给从业者的信号很直接：模型能力的提升路径不止一条，数据质量、对齐方法、工程化程度都能改变最终效果。对资源有限的本土团队来说，这条路线的参考价值尤其高，因为纯拼参数规模的游戏不是谁都能上桌。演讲后面讲到国内机会时也点了这个方向，重建从GPT-3.5到GPT-4的模型能力，对齐模型是绕不开的一环。

3.2 技术堆栈雏形：基础模型、开发框架与前端分层

演讲里有一张开发堆栈的图，信息量很大。基础模型层是OpenAI、Google DeepMind、Stability AI这类玩家，往上是对齐工程、标注数据、模型反馈循环，再往上是开发框架和工作流，底部是PyTorch、TensorFlow、MXNet这类框架和AWS、Azure、Google Colab这类基础服务，中间夹着LangChain、Cohere、Helicone这类工作流工具和Auto-GPT、BabyAGI这类代理尝试，前端则分Web、移动、物联网三层，其中移动端的大模型时代系统还在早期。

这个堆栈雏形对从业者的意义在于，它把“大模型创业”这件事拆成了可定位的层。做基础模型的、做对齐的、做工具链的、做前端应用的，各自占的位置不一样，风险和回报结构也不一样。演讲没有明说但隐含的判断是：基础模型层的固定成本极高，不是多数团队能碰的；工具链和应用层的边际成本转移空间更大，机会也更分散。这个结构判断放到今天看，基本被后续的生态演化验证了。

3.3 生态加速的节奏：资本、产品与开源的三角关系

演讲列了一组当时的数据：2022年生成式AI赛道总融资金额超过13.7亿美元，几乎相当于过去五年的融资总和；某加速器当期三分之二的项目和生成式AI相关；2023年头几个月，大额融资、产品发布、开源模型密集出现，从聊天机器人插件到多模态生成，从代码助手到机器人控制，节奏明显加快。国内这边，大厂、创业公司、科研机构几乎同时下场，人才和资本的流动速度肉眼可见。

这里有一个容易被误读的点：生态加速不等于每个方向都值得进。演讲在讲新机会时专门提醒了一句“不去蹭热”，轻浮带来的不利影响是实打实的。结合以往规律看，生态早期最稀缺的不是跟风者，而是能判断哪个层、哪个场景、哪个时间点适合自己切入的人。资本和开源的三角关系决定了技术扩散的速度，但扩散速度和商业回报不是一回事，这个区分对做决策的人尤其重要。

4. 行业与职业的结构性影响：谁被重估，谁被放大

这场演讲里最能引起从业者警觉的部分，不是技术参数，而是它对行业结构和职业结构的推演。演讲给了一个很朴素的公式：从每小时人工成本到每小时硬件加软件加规模化的成本，乘以数量，等于降本增效。这个公式不新鲜，但把它套到具体职业上，结论就不那么朴素了。开发人员、设计师、研究人员、客服、销售、市场营销、人力、财务、法务，这些角色都在被重新定价。理解这个重定价过程，比争论“AI会不会取代人”更有实际意义。

4.1 行业重组逻辑：边际成本向固定成本转移

演讲的核心判断之一是，每个行业都会经历结构性重组，核心变量是从边际成本转向固定成本。过去很多行业的成本结构是线性的，多做一个项目、多服务一个客户，就要多投入一份人力。模型进来之后，一部分认知任务被封装成可复用的能力，前期投入变高，但边际成本被压平。这个变化对行业格局的影响是深远的，因为它改变了规模效应的来源。

以内容生产为例，设计、文案、代码、分析报告这些环节，过去靠人力堆叠，现在可以用模型加少量人工完成初稿和迭代。演讲没有给具体的成本数字，但方向说得很清楚：降本增效不是线性的，而是结构性的。这意味着行业里的赢家和输家不会按原来的排名分配，能更快把模型能力嵌进工作流的企业，会拿到成本结构上的优势。反过来，反应慢的团队不是输在技术，而是输在成本曲线没跟上。

4.2 职业角色的重新定价：从码农到“人加副驾驶”

演讲把职业演化拉了一条长线：农业经济时代的农民，商品经济时代的工人，服务经济时代的码农、设计师、分析师，体验经济时代的创业者、科学家，再到AI经济时代以创新为主、其他为辅的角色。这条线不是职业消亡史，而是价值迁移史。演讲里提到一个组织形式判断：人类专业人员和副驾驶、自动驾驶、机组式协作会同时存在。翻译成日常语言就是，未来的工作不是“人做还是机器做”的二选一，而是人和模型怎么分工。

这个判断对从业者的实际影响在于技能价值的重排。能被模型压缩的认知任务，价值会下降；定义问题、判断方向、整合资源、承担责任的能力，价值会上升。演讲里有一句话值得记住：人的价值会向创新探索迁移。这不是安慰，而是对能力结构的重新定价。对一线从业者来说，这意味着学习重点要从“掌握某项具体技能”转向“掌握调用模型解决复杂问题的能力”，后者更难，但护城河更深。

4.3 生产力提升的深层逻辑：科学、教育与医疗的变量

演讲没有把影响局限在互联网行业，它专门点了科学、教育、医疗、制造业、商业这几个核心基础产业。理由在于，这些领域的认知密度高，模型能介入的环节多。科研里的文献梳理、假设生成、实验设计，教育里的个性化内容生成和反馈，医疗里的信息整合和辅助判断，都是模型能力可以直接落地的地方。演讲用了一个词叫“生成力深层提升”，说的就是这类高价值场景。

这里需要保持一份冷静。演讲给的是方向判断，不是落地时间表。从行业角度看，高价值场景的落地速度受制于数据质量、合规要求和组织惯性，不会像消费级应用那样一夜铺开。但方向本身值得重视，因为它决定了资源会往哪里流。对做产品或做投资的人来说，判断一个场景是不是“深价值”，比判断它是不是“热”更有用。演讲里那句“加速下一个拐点：无处不在的自主化和自动化”，落点就在这些深层场景里。

5. 国内追赶的现实约束：重建模型能力的三道坎

演讲里关于国内机会的部分，措辞克制但信息量不小。它把追赶路径拆成几块：基础模型要重建从GPT-3.5到GPT-4的能力，对齐模型要覆盖自然语言和代码，核心模态的Token和Token化要铺够，基础设施要建网络计算、训练、推理系统，有效算力要汇聚芯片、工具和开发系统，模型延伸开发模式要走API和插件路线。这几块合在一起，就是一张追赶清单。清单本身不意外，意外的是它把约束条件摆得很直白。

5.1 算力、数据与人才的三角约束

演讲没有回避资源约束。有效算力的汇聚涉及芯片、工具链和开发系统，这不是单点突破能解决的；数据的覆盖度和质量决定了模型能压缩多少有效知识；人才则分布在基础研究、工程开发和产品化几个环节，彼此不能替代。这三者构成一个三角，任何一角短缺都会拖慢整体节奏。演讲里提到“核心资源”时，把人才、算力、数据、资本、国外市场链接并列，说明它看的不是单点能力，而是系统能力。

这个约束对从业者的实际含义是，追赶不是复制。直接照搬别人的模型架构和训练方法，在资源结构不同的情况下未必走得通。演讲后面提到“早期紧跟前沿，逐步开拓中国模式”，这个“逐步”两个字很关键，它承认了路径依赖的存在。对做技术决策的人来说，理解约束比喊口号有用，因为约束决定了哪些方向可以激进，哪些方向必须稳。

5.2 大厂、创业公司与科研机构的分工格局

演讲把国内玩家分成几类：大厂和科研机构、创业公司和资本市场、平台和基础设施、应用和关键行业。这个分类背后是一个分工判断：基础模型和基础设施更可能由资源集中的玩家承担，应用层和垂直场景更可能由创业公司切入，科研机构则在人才供给和方法探索上扮演角色。演讲提到国家引导、整体布局、基础设施、监管治理这几个维度，说明它把这件事看成系统工程，不是单靠市场自发演化。

这个格局判断对创业者的参考价值在于位置选择。做基础模型的门槛极高，做应用层的窗口更宽，做工具链和中间层的空间则在两者之间。演讲里有一句提醒，“产业发生结构性变化之际往往不进则退”，这句话对不同位置的玩家含义不一样，但共同点是时间窗口不会一直开着。结合以往规律看，生态早期的位置选择比后期努力更重要，选错了层，后面再调头成本很高。

5.3 生态初期的信号：从模型发布到应用落地

演讲列了当时国内的一批动作：大模型发布、开源模型跟进、AI助手产品出现、资本和人才流动加速。这些信号单独看都是新闻，合在一起看是生态初期的典型特征——基础层在补课，应用层在试水，资本在找位置。演讲没有给这些动作打分，但给了一个判断框架：看它是不是在补核心能力，看它是不是在解决真实需求，看它是不是能形成可持续的商业模式。

这个框架对判断当下的AI动态依然有效。生态初期的噪音很多，模型发布、融资消息、产品上线每天都在发生，但真正有信号的，是那些能沉淀核心能力、能验证需求、能跑通商业闭环的动作。演讲里那句“勤于学习、深度思考、行动导向”，放在这个语境下不是鸡汤，而是对信息筛选能力的要求。对从业者来说，学会区分信号和噪音，比追每一条新闻更重要。

6. 争议与边界：这场演讲里容易被误读的几个判断

一场信息密度高的分享，被误读几乎是必然的。这场演讲流传开来之后，圈内出现了几种典型的解读偏差，有的把方向判断当成时间表，有的把结构框架当成操作手册，有的把生态热度当成进入信号。这些偏差不影响演讲本身的价值，但会影响读者从里面拿走什么。把几个常见的误读点摆出来，比单纯复述观点更有用。

6.1 误判一：把“拐点”当成“终局”

演讲说2022到2023年是拐点，模型能力跨过了可用线。容易被误读成“技术已经成熟，接下来就是收割”。实际上演讲给的是“早期繁荣”的判断，寒武纪式的爆发意味着大量尝试和淘汰会同时发生，不是终局已定。拐点的真实含义是游戏规则变了，不是游戏结束了。对从业者来说，把拐点当终局，容易导致过早押注单一方向，忽略技术路线还在快速演化的事实。

6.2 误判二：把“模型无处不在”当成“模型万能”

演讲说模型会成为新的系统层，知识无处不在。容易被误读成模型能解决所有问题。实际上演讲在讲模型能力时，反复提到对齐、安全、鲁棒性这些约束条件，也提到模型在符号、结构、具体场景上下文上的局限。模型是能力强了，不是没有边界。把模型万能化，容易在落地时低估工程复杂度和场景适配成本，最后翻车的案例不在少数。

6.3 误判三：把“降本增效”当成“简单替代”

演讲给的成本公式很清楚，从人工成本到硬件加软件加规模化成本。容易被误读成“用模型换人”。实际上公式的落点是结构性重组，不是简单替代。模型进来之后，工作流要重新设计，人的角色要重新定位，组织能力要重新搭建。只算模型调用成本，不算流程改造成本，得出的降本结论往往是纸面上的。血泪经验告诉我们，结构性变化的账不能只算一头。

6.4 误判四：把“生态加速”当成“入场信号”

演讲列了很多生态加速的信号，融资、发布、开源、人才流动。容易被误读成“现在不进就晚了”。实际上演讲专门提醒了“不去蹭热”，轻浮带来的不利影响是实实在在的。生态加速意味着机会变多，也意味着噪音变多。入场信号不是热度，而是自己有没有想清楚位置、能力和需求。把热度当信号，容易在错误的时间、错误的位置上做错误的投入。

6.5 误判五：把“中国机会”当成“复制路径”

演讲讲国内机会时，列了追赶清单，也讲了约束条件。容易被误读成“照着清单做一遍就行”。实际上演讲说的是“早期紧跟前沿，逐步开拓中国模式”，路径依赖是客观存在的。资源结构不同、数据环境不同、市场需求不同，复制路径未必走得通。把追赶当成复制，容易在基础层重复投入，在应用层错过窗口。

7. 从范式判断到行动坐标：一个观察者的收束

这场演讲流传最广的是那张“信息—模型—行动”的演进图，但真正值得反复看的，是它把技术判断、产业判断和行动判断串在了一条线上。从行业角度看，2023年4月这个时间点之所以重要，不是因为某个模型发布了，而是因为一批人开始用范式眼光看问题。范式眼光的价值在于，它不告诉你明天会发生什么，但它告诉你哪些变化是结构性的、哪些是噪音。结构性变化一旦发生，个体的最优策略不是追每一个浪头，而是找到自己在结构里的位置。

对从业者来说，这场演讲留下的最实用坐标有三条。第一条是层次坐标：基础模型、工具链、应用层，三层的成本结构、风险结构、机会结构不一样，选层比选方向更优先。第二条是能力坐标：可被模型压缩的认知任务价值在下降，定义问题、判断方向、整合资源的能力价值在上升，技能投资要往后者倾斜。第三条是时间坐标：生态早期的时间窗口不会一直开着，但窗口期里的正确动作不是盲目进场，而是用最小成本验证位置。这三条坐标放到今天看，依然能用来判断一条AI资讯是信号还是噪音。

我自己有一个习惯，每次看到一个新的模型发布或者融资消息，先不走情绪，而是拿这三条坐标过一遍：它在哪一层，它改变了什么能力结构，它在时间窗口的哪个位置。这个习惯不是从这场演讲直接学来的，但演讲里的框架帮我把它固定下来了。踩过的坑告诉我，追热度带来的焦虑远大于收益，而有坐标的判断哪怕慢一点，后续的后悔药少吃很多。从那以后我每次看AI动态都强制走一遍这个流程，不敢说判断多准，至少少交了不少学费。

如果你也想把这条从范式到行动的线索完整过一遍，这份演讲整理稿值得放在手边反复翻。它不是一个答案，而是一张在快速变化里保持方向感的地图。希望帮到你。

本文还有配套的精品资源，点击获取