据腾讯新闻《潜望》报道，4 月 22 日，奇绩创坛创始人兼 CEO 陆奇在上海举行小规模演讲，涵盖他对大模型时代的宏观思考。他表示，OpenAI 未来 2-3 年要做的――模型更稀疏一点，现在它对带宽要求实在太高，要把 attention Windows 拉长一点，或者是 recursion causality 推理的功能，包括 brainstorming 等一些工作要做。还需要做一些 grounding（基础训练）的东西，包括亚符号、子概念，更多的模态，更多的 token 空间，更多的模型稳定性，更多的潜在空间（例如 Latent Space 对齐），更多的计算，以及更多的基础架构工具。

现在 OpenAI 核心做的是，把推进速度变慢，每推进新版本，都有足够时间让用户给他们足够反馈，找到潜在风险点，有足够时间弥补。

陆奇的世界观

图片来源@视觉中国

钛媒体注：本文来源于微信公众号张小B（ID：【【微信】】），作者 | 张小B，钛媒体经授权发布。

就连陆奇都说他跟不上大模型时代的狂飙速度了。他让下属做"大模型日报"，一方面便于他跟上论文和信息更新，另一方面给奇绩生态创业者共享。他用了三个"实在"表达这一点。"我实在不行了，论文实在是跟不上，代码实在是跟不上。Just too much（太多了）。"陆奇在近期一次分享活动上说。

这样的时刻还从没有过。奇绩创坛创始人兼CEO陆奇是中国AI布道人，也是中国针对大模型最有发言权的人之一。他曾在全球巨头身居要职，先后任职于IBM、雅虎、微软、百度，曾是华人在美国科技公司最有权威的高层人士，位至雅虎和微软执行副总裁，回国加盟百度出任集团总裁兼COO。陆奇以勤勉的工作为科技圈著称――每天清晨4点起床，跑步5英里，6点准时到办公室。

同时，他和OpenAI有着深厚渊源。陆奇所掌管的奇绩前身是YC中国，是美国著名创业孵化器YC（Y Combinator）的中国分支。他也是YC全球研究院院长。而OpenAI首席执行官Sam Altman正是YC二代接班者、现任总裁。两人虽相差24岁，却是忘年交，相识已逾18年。当初正是Sam Altman屡次力邀陆奇加盟YC。所以，陆奇对YC、对Sam Altman和OpenAI都有长期的近距离观察。

2023年4月22日，陆奇在上海举行小规模演讲，腾讯新闻作者参与了旁听。陆奇希望帮助中国创业者认清这次历史性的拐点时刻，定位今天的时代坐标、找准自己的位置。"这个时代跟淘金时代很像，"他说道，"如果你那个时候去加州淘金，一大堆人会死掉。但是卖勺子、卖铲子的人永远可以赚钱。"

陆奇很反感蹭热点，他一再警示创业者蹭热点只会浪费机会。到现在为止，你几乎很难在公开渠道听到陆奇的观点。这也让本次演讲具有稀缺性。

事实上，在大模型快速达成社会共识之际，一部分人期待陆奇博士披甲上阵，做"中国的Sam Altman"――扮演可能比一名投资者、布道者更关键的角色。但据奇绩内部人说："Qi目前100%时间花在奇绩。"

作者将这场分享进行了完整的整理――演讲涵盖他对大模型时代的宏观思考，包括拐点的内在动因、技术演进、创业公司结构性机会点以及给创业者的建议。大家可以各取所需。

好了，让我们来看看陆奇怎么说。为了方便阅读，作者做了一些字句修改和文本优化。

01 社会性拐点的核心是一项大型成本从边际变成固定

我认识Sam Altman是2005年，他那时19岁不到，我已经40多岁了。

我们俩是忘年交。他是一个很善良也很奇怪的小孩，今天很高兴他能这样改变世界。前不久，我春节在美国3个月，也到OpenAI和Sam聊了一些。

首先，怎么理解这个新范式？这张图能把ChatGPT和OpenAI所带来的一切讲清楚。之后，基于第一性原理，你自然会推演出所在赛道的机会和挑战。

这张图是"三位一体结构演化模式"，本质是讲任何复杂体系，包括一个人、一家公司、一个社会，甚至数字化本身的数字化体系，都是复杂体系。"三位一体"包括：

"信息"系统（subsystem of information），从环境当中获得信息；

"模型"系统（subsystem of model），对信息做一种表达，进行推理和规划；

"行动"系统（subsystem of action），我们最终和环境做交互，达到人类想达到的目的。

任何体系，都是这三个体系的组合，数字化系统尤其如此。数字化和人分不开。人也一样，人要获得信息、表达信息、行动解决问题或满足需求。

基于此，我们可以得出一个简单结论。今天大部分数字化产品和公司，包括Google、微软、阿里、字节，本质是信息搬运公司。一定要记住，我们所做的一切，一切的一切，包括在座的大部分企业都在搬运信息。Nothing more than that，You just mo【【微信】】（仅此而已，你只是移动字节）。但它已经足够好，改变了世界。

早在1995-1996年，通过PC互联网迎来一个拐点。那时我刚从CMU（卡内基梅隆大学）毕业。大量公司层出不穷，其中诞生了一家伟大公司叫Google。为什么会有这个拐点？为什么会有爆炸式增长？把这个观点讲清楚，就能把今天的拐点讲清楚。

原因是，获取信息的边际成本开始变成固定成本。

一定要记住，任何改变社会、改变产业的，永远是结构性改变。这个结构性改变往往是一类大型成本，从边际成本变成固定成本。

举个例子，我在CMU念书开车离开匹茨堡出去，一张地图3美元，获取信息很贵。今天我要地图，还是有价钱，但都变成固定价格。Google平均一年付10亿美元做一张地图，但每个用户要获得地图的信息，基本上代价是0。也就是说，获取信息成本变0的时候，它一定改变了所有产业。这就是过去20年发生的，今天基本是free information e【【微信】】（免费的信息无处不在）。

Google为什么伟大？它把边际成本变成固定成本。Google固定成本很高，但它有个简单商业模式叫广告，它是世界上高盈利、改变世界的公司，这是拐点关键。

今天2022-2023年的拐点是什么？它不可阻挡、势不可挡，原因是什么？一模一样。模型的成本从边际走向固定，因为有件事叫大模型。

模型的成本开始从边际走向固定，大模型是技术核心、产业化基础。OpenAI搭好了，发展速度爬升会很快。为什么模型这么重要、这个拐点这么重要，因为模型和人有内在关系。我们每个人都是模型的组合。人有三种模型：

认知模型，我们能看、能听、能思考、能规划；

任务模型，我们能爬楼梯、搬椅子剥鸡蛋；

领域模型，我们有些人是医生，有些人是律师，有些人是码农。

That’s all。我们对社会所有贡献都是这三种模型的组合。每个人不是靠手和腿的力量赚钱，而是靠脑袋活。

简单想一想，如果你没有多大见解，你的模型能力大模型都有，或者大模型会逐步学会你所有的模型，那会怎样？――未来，唯一有价值的是你有多大见解。

人类社会是技术驱动。从农业时代，人用工具做简单劳动，最大问题是人和土地绑定，人缺少流通性，没有自由。工业发展对人最大变化是人可以动了，可以到城市和工厂。早期工业体系以体力劳动为主、脑力劳动为辅，但随着机械化、电气化、电子化，人的体力劳动下降。信息化时代以后，人以脑力劳动为主，经济从商品经济转向服务经济――码农、设计师、分析师成为我们时代的典型职业。

这一次大模型拐点会让所有服务经济中的人、蓝领基本都受影响，因为他们是模型，除非有独到见解，否则你今天所从事的服务大模型都有。下一时代典型的职业，我们认为是创业者和科学家。

所以，这次变革影响每个人。它影响整个社会。

02 我所看到的三个拐点

下个拐点是什么？

下个拐点将是组合："行动"无处不在（自动驾驶、机器人、空间计算）。也就是人需要在物理空间里行动，它的代价也从边际走向固定。20年后，这个房子里所有一切都有机械臂，都有自动化的东西。我需要的任何东西，按个按钮，软件可以动，今天还需要找人。

那么，哪些公司能走到下个拐点、站住下个拐点？我认为特斯拉有很高概率，它的自动驾驶、机器人现在很厉害。微软今天跟着OpenAI爬坡，但怎么站住下个拐点？

接下来讲一下我们看到的三个拐点：

今天信息已经无处不在了，接下来15-20年，模型就是知识，将无处不在。以后手机上打开，任何联网，模型就过来了。它教你怎么去解答法律问题，怎么去做医学检验。不管什么样的模型都可以无处不在。

在未来，自动化、自主化的动作可以无处不在。

人和数字化的技术共同进化。Sam最近经常讲，它必须要共同进化，才能达到通用智能（AGI）。通用智能四大要素是：涌现（emergence）+代理（agency）+功能可见性（affordence）+具象（embodiment）。

总结来说，我们从根本性的三位一体结构分析未来，从过去的历史拐点能清晰看到今天所面临的拐点，本质是模型成本从边际走向固定，将有一家甚至多家伟大公司诞生。毫无疑问，OpenAI处于领先。

虽然讲得有点早，但我个人认为，OpenAI未来肯定比Google大。只不过是大1倍、5倍还是10倍。

03 OpenAI核心就坚信两件事，发展速度连Sam本人都惊讶

下面我从技术角度讲OpenAI大事迹，它怎么把大模型时代带来的？

为什么讲OpenAI，不讲Google、微软。讲真心话，因为我知道，微软好几千人也做这个，但不如OpenAI。一开始比尔・盖茨根本不相信OpenAI，大概6个月前他还不相信。4个月前看到GPT-4的demo（产品原型），目瞪口呆。

他写了文章说：It’s a shock，this thing is amazing（这太令人震惊了，这东西太神奇了）。谷歌内部也目瞪口呆。

OpenAI一路走下来的关键技术：

GPT-1是第一次使用预训练方法来实现高效语言理解的训练；

GPT-2主要采用了迁移学习技术，能在多种任务中高效应用预训练信息，并进一步提高语言理解能力；

DALL・E是走到另外一个模态；

GPT-3主要注重泛化能力，few-shot（小样本）的泛化；

GPT-3.5 instruction following（指令遵循）和tuning（微调）是最大突破；

GPT-4已经开始实现工程化；

2023年3月的Plugin是生态化。

OpenAI的融资结构为什么这么设计？和Sam早期目标和对未来的判断分不开。他知道要融很多钱，但股权设计有一个很大挑战――容易把回报和控制混在一起――所以他要设计一个结构，让它不受任何股东的制约。于是，OpenAI的投资者没有控制权，他们的协议是一种债的结构。如果赚完2万亿，接下来是non-profit（不再盈利了），一切回归社会。这个时代需要新的结构。

它势不可挡。Sam Altman自己都surprise，连他都没想到会那么快。

如果大家对技术感兴趣，Ilya Sutskever（OpenAI联合创始人兼首席科学家）很重要，他坚信两件事。

第一是模型架构。它要足够深，只要到了一定深度，bigness is betterness（大就是好）。只要有算力，只要有数据，越大越好。他们一开始是LSTN（long short term memory），后来看到Transformer就用Transformer。

第二个OpenAI相信的是，任何范式、改变一切的范式永远有个引擎，这个引擎能不断前进、不断产生价值。

这个引擎基本是一个模型体系（model system），它的核心是模型架构Transformer，就是se【【微信】】（序列模型）：se【【微信】】、sequence out、encode、decode后者decode only。但最终的核心是GPT，也就是预训练之后的Transformer，它可以把信息高度压缩。Ilya有个信念：如果你能高效压缩信息，你一定已经得到知识，不然你没法压缩信息。所以，你把信息高效压缩的话，you got to ha【【微信】】（你得有一些知识）。

Ilya坚信GPT3、3. 5，当然GPT-4更是，它已经有一个世界模型在里面。虽然你做的事是predict next word（预测下一个关键词），这只不过是优化手段，它已经表达了世界的信息，而且它能持续地提高模型能力，尤其是目前研究比较多的在子概念空间当中做泛化。知识图谱真的不行。如果哪个同学做知识图谱，我认真跟你讲，你不要用知识图谱。我自己也做知识图谱20多年，just don’t do that。Just pretty bad。It does not work at all。You should use Transformer。（不要那样做。很糟糕。它根本不起作用。你应该使用Transformer。）

更重要的是用增强学习，加上人的反馈，与人的价值对齐。因为GPT已经做了4年多，知识已经封装在里面了，过去真的是用不起来，也很难用。

最大的是对齐（alignment engineering），尤其是instruction following和自然语言对齐。当然也可以跟代码、表格、图表对齐。

做大模型是很难的，很大难度是infra（基础设施）。我在微软的时候，我们每个服务器都不用网卡，都放了FPGA。网络的IO的带宽速度都是无限带宽技术（Infiniband），服务器和服务器之间是直接访问内存。为什么？因为Transformer是密度模型，它不光是算力问题，对带宽要求极高，你就想GPT-4需要24000张到25000张卡训练，试想世界上多少人能做这种系统。所有数据、data center网络架构都不一样。它不是一个三层的架构，必须是东西向的网络架构。所以这里要做大量的工作。

Token很重要。全世界可能有40-50个确定的token，就是语言的token和模态，现在有更多的token化。当然现在更多的模型的参数小型化、本地化，任务领域的专业知识可以融入这些大模型当中。它的可操纵性主要是靠提示和调试，尤其是根据指令来调，或者对齐来调试，或者in-context learning（上下文学习），这个已经贯彻比较清晰了。它的可操作性是越来越强。可拓展性基本上也足够。

加在一起，这个引擎并不完美。足够好、足够强的引擎，我没从没有过。

以上是引擎，拐点是怎么到的？ChatGPT能在历史上第一次两个月1亿活跃用户，挡都挡不住，为什么？

它封装了世界上所有知识。

它有足够强的学习和推理能力，GPT-3能力在高中生和大学生之间，GPT-4不光是进斯坦福，而且是斯坦福排名很靠前的人。

它的领域足够宽，知识足够深，又足够好用。自然语言最大的突破是好用。扩展性也足够好。当然还是很贵，像2万多张卡，训练几个月这么大的工程。不过也没贵到那么离谱――Google可以做，微软可以做，中国几个大公司能做，创业公司融钱也能做。

加在一起，范式的临界点到了。拐点已经到来。

稍微嗦几句。我做自然语言20多年，原来的自然语言处理有14种任务，我能够把动词找出来、名词找出来、句子分析清楚。即使分析清楚，你知道这是形容词，这是动词，这是名词――那这个名词是包香烟？还是你的舅舅？还是一个坟墓？还是个电影？No idea（不知道）。你需要的是知识。自然语言处理没有知识永远没用。

The only way to make natural language work is you ha【【微信】】（让自然语言处理有效的唯一路径是你有知识）。正好Transformer把这么多知识压缩在一起了，这是它的最大突破。

04 未来是一个模型无处不在的时代

OpenAI未来2-3年要做的――模型更稀疏一点，现在它对带宽要求实在太高，要把attention window拉长一点，或者是recursion causality推理的功能，包括brainstorming等一些工作要做。当然有一些grounding的东西，包括亚符号、子概念的都可以做。更多的模态，更多的token空间，更多的模型稳定性，更多的潜在空间（例如Latent Space对齐），更多的计算，更多的基础架构工具。2-3年基本排满。也就是说，我们大概知道需要什么去把这个引擎继续做大。

不过这个飞轮启动，主要是资本大量进来。美国2023年1月到3月，挡也挡不住，钱全进去了，每个月都在比上个月增长。中国基本也一样，商业模式、盈利模式有初步规模，基础设施、平台应用、生态在加速开发，初创公司、大型企业都在进入。

当然社会的安全、监管，一大堆问题――现在这些是OpenAI最头痛的――Sam在美国花大量精力让社会认可这个技术。现在OpenAI核心做的是，把推进速度变慢，每推进新版本，都有足够时间让用户给他们足够反馈，找到潜在风险点，有足够时间弥补。但加在一起，增长飞轮的雏形基本上起来了。

有了飞轮，我认为发展路径核心是模型的可延伸性和未来模型的生态。是一个模型无处不在的时代。

未来的模型世界会怎么发展？首先是将有更多大模型会出来。更多更完整的模态和更完整的世界知识在这里。你有大量的知识、更多的模态，学习能力、泛化能力和泛化机制一定会加强。

此外，会有更多的对齐工作要做。OpenAI目前会关注什么呢？今天对齐基本上是做到，有一部分人能接受但你也得罪很多人，很多人每天骂GPT。他们想要做到是足够宽的一个对齐，希望有个像美国宪章这样一个结果，虽然ChatGPT不是大家都能够认可，但它足够平稳、综合，大部分人能接受，这是对齐工程。自然语言也好，代码也好，数学公式也好，表单也好，有大量对齐工作要做。

还有更多的模态对齐。这里先讲human scale的模态，它主要是对人的描述，以人的语言为主，它的模态目前是语言和图形，以后有更多的模态会接入。这是大模型层面。

在大模型之上建立的模型更多了。我判断主要是有两类模型和他们的组合。第一是事情的模型，人类每一类需求都有领域/工作模型，其中有结构模型、流程模型、需求模型和任务模型，尤其是记忆和先验。

第二，人的模型，包括认知/任务模型，它是个体的，其中有专业模型，有认知模型、运动模型和人的记忆先验。人基本是这几类模型的组合，律师也好，医生也好，大量领域会有大量模型往前走。

人的模型和学的模型有本质区别，这是我过去1-2个月个人收获较多的。

首先，人一直在建立模型。人的模型好处是泛化的时候更深、更专业，基本是用符号（例如数学公式）或结构（例如画流程图）。它具体用，说实话都不好用。人的模型要么像物理公式解决很宏观的问题，要么解决很微观的问题。我们日常生活的问题，物理一点用都没有――没法告诉我这个树的叶子的形状，狗的猫的颜色为什么是这样子？没有任何模型可以解这个。很大问题是它的模型是静态的，不会场景变化。

今天有很多模型，比方说数字孪生，很难用。因为物理世界一直在变，这个模型僵硬、不变，就用不起来。尤其是用知识图谱建的模型，我做了几十年，超级难算，函数结构差得一塌糊涂。所以人的模型有好处，专业性强，但有很大缺点。

学出来的模型，首先，它本质是场景化的，因为它的token是场景化的。其次，它适应性很强，环境变了，token也变了，模型自然会随着环境变；第三，它的泛化拓展性有大量理论工作要做，但是目前子概念空间的泛化，看来是很有潜在发展空间的这样一种模型的特性。它好用，因为它可以对齐人的使用倾向或人的自然语言、表格等等。它的计算性内在是过程性的。这里有大的问题，就是人表达知识倾向运用结构，但真正能解决问题的是过程，人不适合用过程来表达。

ChatGPT代表的模型跟人的模型相辅相成，长期可以融在一起。我们看到的未来是更多模型的生态，新的领域、新的专业、新的结构、新的场景、新的适应能力，形成闭环，不断加强认知和推理能力。当然，最终还是要所谓叫grounding，跟感知要ground，和接入行动的能力，形成真正的智能。

某种意义上20-30年后，这个模型世界跟生物世界有很多类似的地方。大模型我觉得像基因，有不同的种类，然后进化。我们目前能看到未来核心技术模型世界，它是用这个方法来向前驱动。

我们基本对这个时代的范式有了结构性的理解。那么接下来，我们如何拥抱这个时代？

05 每周都有"HOLY SHIT" moment，对每个人/行业都有结构性影响

我个人过去10个月，每天看东西是挺多的，但最近实在受不了。就真的是跟不上。发展速度非常非常快。最近我们开始发行"大模型日报"，是我实在不行了，论文实在是跟不上，代码实在是跟不上――just too much（太多了）――基本上，每周都会有一两个"HOLY SHIT" moment。

Holy shit！You can do this now。

世界在哗哗哗地变。我曾经说1995-1996年有这种感觉，但这个比1995-1996年还要强。为什么？模型的成本从边际转向固定，知识创造就是模型和知识的获取，它结构性做演变了。

生产资本从两个层次全面提高。第一，所有动脑筋的工作，可以降低成本、提升产能。我们目前有一个基本假设，码农成本会降低，但对码农的需求会大量增加，码农不用担心。因为对软件的需求会大量增加，就是这个东西便宜了，都买嘛。软件永远可以解决更多问题，但有些行业未必。这是生产资本的广泛提高。

第二，生产资本深层提升。有一些行业的生产资本本质是模型驱动，比如医疗就是一个模型行业，一个好医生是一个好模型，一个好护士是一种好模型。医疗这种产业，本质是强模型驱动。现在模型提高了，科学也随之提高。在游戏核心产业，我们的产能将本质性、深度提高。产业的发展速度会加快，因为科学的发展速度加快了，开发的速度加快了，每个行业的心跳都会加快。因此，我们认为下个拐点会加速。用大模型做机器人、自动化、自动驾驶，挡也挡不住。

它对每个人都将产生深远和系统性影响。我们的假设是每个人很快将有副驾驶员，不光是1个，可能5个、6个。有些副驾驶员足够强，变成正驾驶员，他自动可以去帮你做事。更长期，我们每个人都有一个驾驶员团队服务。未来的人类组织是真人，加上他的副驾驶员和正驾驶员一起协同。

毫无疑问，每个行业也会有结构性影响，会系统性重组。这里有一个简单公式（【$X小时（人工）-$Y（硬件和规模化）】X数量=降本增效）。比如，今天动脑筋的人一天平均工资多少美元每小时，减掉ChatGPT的价格（现在大概平均是15美元/小时，再过3年可能不到1美元，再过5年可能几十美分），然后就乘一下有多少数量。降本或者增效，让码农能变成super码农，医生变成super医生。

大家可以按这个公式算一算。如果你是华尔街的对冲基金，你可以做空一大堆行业。

举个简单例子，律师在美国平均1500美元/小时，我在网上已经看到每天有这种信息――如果你想离婚，不要找离婚律师，ChatGPT离婚很便宜啊！（全场笑）

开发人员、设计师、码农、研究人员都一样，有些是更多需求，有些是成本下降。尤其是核心产业，科学、教育、医疗，这是OpenAI长期最关注的3个行业，也是整个社会最根本的。

尤其是医疗。在中国，需求远远大于供给。而且，中国是大政府驱动的市场经济，政府可以扮演更大角色，因为固定成本政府可以承担。

最为重要的是教育。如果你是大学，你第一担心的是，考试怎么考？没法考了。他一问ChatGPT，什么都知道。更重要的是，以后怎么定义是好的大学生呢？假定说有个大学生什么都不懂，物理也不懂、化学也不懂，但他懂怎么问ChatGPT，他算不算一个好的大学生？机会与挑战并存。

总结一下，整个这个时代在高速地进行，速度越来越快。它是结构上决定的。势不可挡。

06 大模型的淘金时代，对机会点进行结构性拆解

现在，我给大家一个结构化思维框架。某种意义上你可以对号入座，知道我在这里，我怎么思考今天的机会点。

这张图是整个人类技术驱动的创业创新，所有事情的机会都在这张图上。

首先，底层是数字化的技术，因为数字化是人的延伸。数字化的基础里有平台，有发展基础，包括开源的代码、开源的设计、开源的数据；平台有前端、后端等。这里有大量机会。

第二波是用数字化的能力去解决人的需求。我们把数字化应用完整放在这张表上。

C端是把所有的人分成人群，每种人群24小时，他花时间干什么？有通讯、社交、内容、游戏消费、旅游、健身……C端有一类特殊的人，这类人是改变世界的，是码农、设计师、研究员。他们创造未来。微软这么大的公司，是基于一个简单理念：微软我们就是要写更多软件、帮别人写更多软件，因为写软件是未来。

B端，企业需求也一样，降本增效。它要生产，有供应链、销售、客服……有了这些需求之后，数字化看得见的体验结构有6种：给你信息的，二维就够；给你三维交互体验，在游戏、元宇宙；人和人之间抽象的关系，包括信任关系、Web 3；人在物理世界环中自动驾驶、机器人等；人的内在的用碳机植入到里面，今天是脑机接口，以后有更多，以后是可以用硅基；最后是给你模型。

最后，人类是挺奇怪的物种，不光要满足这些需求，还要改变世界，我们在满足世界时，也要获得更多能源，所以需要有能源科技；需要转化能源，用生命科学的形式，biological process转化能源或者使用mechanical process，材料结构来转化能源，或者是新的空间。这是第三波。

所以创业公司基本上有三类：数字化基础，用数字化去解决人的需求，去改变物理世界。有了这个大的框架，我们可以系统性地来看对号入座：我在哪个位置？如果我在这个位置，需要关注哪些点？

首先讲数字化基础，它有一个稳定结构，不管再怎么发展，结构永远是这样。过去30多年，大部分系统或多或少我都碰过，这个结构确实相当稳定。

核心是前端和后端――前端是完整可延伸的体验，后端是完整可延伸的能力，有设备端，比方说电脑、手机、眼镜、汽车等等，设备端里面是芯片、模组加上操作系统。万亿美元的公司都在这一层。

其次是体验