少爷有毒科技公司的2022年不算平静，地缘政治的波动，消费需求的萎靡，颠覆式创新的长期缺席。反映到资本市场，就是众多龙头公司不分国籍的如履薄冰。

　　在中国，科技公司的增长又笼罩了一层核心技术短板的焦虑与产业升级的语境。过去十年里，百度的研发投入超过1400亿元，几乎每一年都有至少50%的增长。在几天前的百度Create AI大会上，创始人李彦宏系统性的阐述了“百度用这些钱做了什么”这个话题。

　　相比短视频赛道的烈火烹油，几年前宣布All in AI的百度在公众面前的抛头露脸少了很多，面向开发者的Create AI大会是为数不多的观察百度技术投入与核心成果的窗口。

　　就在我创业两个月后，互联网泡沫破裂，全世界蒸发了8万亿市值。那时候，很多人被困难动摇了信心，选择放弃、选择离开。最后，是那些坚持挺过寒冬的人，成就了互联网发展的黄金十年。

　　相比20年前消费电子的创新百花齐放，互联网的渗透刚刚起步，当下的高科技领域少了些面对未知的意气风发，多了点大象转身的举棋不定。但在任何时期，预期与信心始终是推动技术进步的动力。

　　把魔方打乱，交给一个盲人还原，假设盲人每秒转动一次，他需要多久才能将魔方复原呢？答案是137亿年。但如果盲人每转动一次魔方，就有人向他做一次反馈，告诉他是更接近目标了，还是更远离目标了，盲人需要多久能把魔方还原？答案是两分半钟的时间。

　　高附加值产业、尤其是芯片产业核心技术的缺失，的确是弥漫在中国科技领域最大的焦虑。在贸易摩擦中暴露的产业短板，也让技术创新成为了全民讨论的顶流话题。但实际上，技术创新的核心在于市场，而非技术本身。

　　清华大学文一教授在《伟大的中国工业革命》一书中，提出了这样一个观点：市场是个昂贵的公共品。

　　书中以当年清政府的洋务运动为例，中国不仅派出大量人才去海外学习交流，也豪掷五千万两白银投资军工，但生产的钢铁、枪炮等等产品没人买单，没有利润也就无法实现自我循环，反而给政府造成了严重的财政负担。

　　如今热议的造芯运动也是同样的道理：一片已经属于成熟制程的7nm芯片，其设计成本3亿美元起步。即便做出了一块顶级算力的芯片，但没有市场需求，庞大规模的开销只能付诸东流。在很多领域的创新里，“做什么”的含金量往往远远超过“怎么做”。

　　2020年，百度发布了自己的第一块量产AI芯片昆仑芯1代。和消费者日常接触的CPU、GPU与手机SoC不同，昆仑芯主要用于数据中心和云计算业务。两者的区别在于，英伟达的GPU可以胜任游戏、渲染、AI、挖矿等多个场景，而昆仑芯这类专用芯片牺牲了通用性，强化了某一特定功能，服务于某类特定业务。

　　很少有人知道，百度核心的搜索服务，其实当前最大的AI应用场景之一。截至目前，百度的搜索服务每天响应几十亿次用户需求，需要进行1万亿次深度语义推理与匹配，从而可以为AI芯片的落地提供最真实、最及时、最海量的反馈。

　　正是基于自身的业务与需求，百度一方面可以基于此进行芯片开发，另一方面，有了百度自身的大规模部署作为基础，才有了对外销售，完成自我造血的可能性。

　　目前，昆仑1代依然是国内唯一一款经历过互联网大规模核心算法考验的云端 AI 芯片。到了2021年量产的昆仑2代，更是在无人驾驶场景，实现了端到端的性能适配。

　　在主流视野之外，这其实是国内科技公司攻坚芯片设计的主流方向，即避开传统通用芯片巨头的射程，基于自身业务和细分场景，选择历史包袱更轻，细分场景更多的专用芯片。先让产品获得市场反馈，实现自我造血，不断反哺产品迭代。

　　发展多年后，全球自动驾驶从概念阶段，完成了低层级自动驾驶量产，高等级自动驾驶逐渐趋于成熟，但一个新的问题出现了：L2之后，是顺着等级划分直接进入L3，还是直接迈向高等级自动驾驶？

　　这中间，存在一个L3定责悖论——传统的L2，车辆可以承担一定的驾驶任务，但要求驾驶员必须随时准备接管车辆；L3则是有条件的自动驾驶，当功能请求时，驾驶员需要接管车辆。问题便出现在这里：L3语境里的事故如何定责？

　　百度的选择是跳过L3，直接进入L4及以上高级别自动驾驶。在这背后，萝卜快跑长期的市场反馈功不可没。

　　作为中国首个无人车出行App，同时也是全球单量最多的无人驾驶出行服务商，萝卜快跑在过去几年实现了限定区域自动驾驶、重庆成都等地商业化无人驾驶，在长周期的真实市场实践中，积累了大量数据与用户反馈，在高等级自动驾驶的市场中实现了超预期的进度。

　　正如同李彦宏所说：技术的发展，只能在方向大致正确的情况下，基于实践反馈，一步步迭代，才能跑出有价值的创新。

　　而套用《日本电子产业兴衰录》作者西村吉雄的观点，可以概括为“1+1=2可以做什么”，往往比“为什么1+1=2”更重要。

　　反馈驱动创新常常会被引申为一种误解，即一切技术创新的目的都是短期快速的商业化，继而演变为前两年公众对中国科技公司“模式创新”的苛责。

　　但实际上，几乎所有技术创新都需要基于市场需求以及市场规模。科技行业几乎所有高附加值的环节，无一不需要面对长期的投入和极大的风险敞口。

　　早在2009年的百度技术创新大会上，李彦宏就曾提出“框计算”的概念，即：用户只要在百度的搜索框中输入问题，后台就能对此进行语义分析、人机交互等处理，提供后续服务。而这也奠定了百度在AI领域持续性投入的决心，当时距离世界范围内AI的再次复苏，还有三年多的时间。

　　此后，百度搭建的凤巢系统，在商业化取得的成功，也让百度在AI上不断尝到甜头，并在2012年的人工智能再次复苏后，建立美国研究院，将大手笔资源投入深度学习框架飞桨、AI大模型等等底层AI技术。

　　截至目前，围绕AI，百度用十年时间，搭建起了一个由芯片层、框架层、模型层以及应用层组合起来的技术架构，每一层之间，都可以通过不断互相反馈，实现端到端优化。

　　在这背后是百度近十年累计投入超过1000亿元的研发开支，核心研发投入占核心收入比例连续8个季度超过 20%。

　　具体而言，在这个技术架构里，无论是资深技术工程师，还是误入编程圈的小学生，都能通过百度飞桨以及背后的昆仑芯片支持，低成本开发AI。目前，飞桨平台的开发者数量已经达到535万，创建AI模型超过67万个，位列中国中国深度学习平台市场第一。

　　技术架构的顶层则通往专业化，将模型与顶层应用通过百度智能云的长期投入，完成商业化闭环。

　　这其实是国内许多科技公司的另一种创新路径：在一个新兴场景或细分业务里，通过核心技术的突破带动生态繁荣，继而用多元化的软件生态反哺核心技术的迭代。

　　虽然“生态”这个词如今看来有些贬义，但在高度分工的科技领域，一个产品的成功往往是性能、兼容性、开发者与用户规模多重作用的结果。许许多多我们熟悉的硬件公司，决定其护城河深度的都是软件构成的庞大生态，即便是光刻机制造商ASML也不例外。他们的官方网站上有这样一段话：

　　您可能将ASML视为一家硬件公司，但实际上我们拥有世界上最大、最具开创性的软件社区之一。如果没有我们开发的软件，我们的客户就不可能制造出10纳米或更小的尺寸的芯片。

　　2022年9月，红杉的两位合伙人在官网发布了一篇雄文，标题为《生成式AI：一个创造性的新世界》。文章思路逻辑并不复杂：大模型为基础的生成式AI，从过去的理解内容，走向了生成内容，未来将带来我们工作、创作和娱乐方式的颠覆式变化。

　　无独有偶，百度在几年前提出，深度学习为代表的人工智能技术，将会成为人类社会的第四次工业革命。以人工智能为基础的自动驾驶、智能调度系统、生成式AI，将如同过去几百年间的汽车、互联网一样，成为社会的基础设施，产生重大的社会影响。

　　技术创新在中国往往有两层含义，其一是面对西方高附加值环节的巨大落差与追赶，其二则是面对新兴技术领域，如何在无数的未知中压中方向，以先行者的姿态坐上牌桌。

　　典型如自动驾驶，主流的看法始终是Robotaxi将取代人类司机，但在这个过程中，L3是否有必要发展？激光雷达是否需要成为标配？高精地图为核心的车路协同与单车智能哪个会成为阶段主流？问题依旧一个接着一个。只有不断朝着目标摸索，在过程中不断反馈式创新，不断修正。

　　又如近期被ChatGPT带火的AI，哪怕从IBM的深蓝计算机战胜卡斯帕罗夫算起，AI的发展也几十年的历史。但真正意义上，深度学习带领的AI再次复苏至今，不过十年时间。

　　三年前，百度曾宣布五年内为社会培养500万AI人才，目前已培养了超过300万。但300万的进度，相比带动千行百业智能化升级的目标，显然还有距离。

　　甚至如百度本身，过去的技术投入是正确的吗？在AI这个方向上，是不是要一条路走到黑？究竟什么时候才能真正迎来收获期？答案是确定的，过程却是未知的。

　　回顾以ICT产业为代表的“第三次工业革命”，无论是贝尔实验室里的科研成果，还是东京通信工业车间里的第一台索尼收音机，或是让英特尔大放异彩的8086处理器。无数改写产业格局的技术杰作诞生之前，身处其间的每一个人也许都无法预见到自己扮演的角色。

　　而许许多多我们看上去横空出世的技术创新，往往都需要在漫长的时间里对抗无数个让人望而却步的瞬间。以至于人们常常忽略了在这个过程里，作为开拓者所需要的坚持和信心。正如李彦宏所说：

　　所有伟大，都不会一帆风顺，只有不断地历经困难再凯旋，而创新，是战胜一切困难的最大驱动力。

　　在百度Create AI大会上，李彦宏以“危机和希望”为关键词，在百度AI作画平台一格上作画，画面中寒冷尚未褪去，新的生命在冰面露出萌芽。

　　在这个由芯片和软件定义的世界里，似乎一切都可以被算力和性能量化。但推动科技进步的原始动力，始终属于那些面对未知奋不顾身的技术信徒。