Shownotes Transcript
本節目由交大高金金融 MBA 出品 JazzPod 製作發行歡迎訂閱收聽
大家好 欢迎来到《众说废语云》我是节目主播张永昌今天我们来聊一聊最近热度一直非常热的 DeepSeek 以及它的实际应用我们非常高兴请到了上海交大网络信息中心的副主任林新华林博士林博士同时也是全球计算联盟 HPC 产发委的主任那先请林博士给我们大家打个招呼吧大家好那我们先从一些基础概念来开始我们现在就谈这个人工智能了一直
一直谈到一个东西就是规模定律 Skyding Law 有点类似于我们之前在 PC 里面谈到的文化定律一样为什么说现在我们 AI 领域大部分的进展都是基于这个定律它为什么这么重要规模定律它其实就是指大模型最终性能会和你的计算量参数量包括你训练的数据集这三者大小的紧密相关
一般来讲你整个的模型的规模就越大性能就越好这就是为什么大概 2023 年的时候中国有百摩大战大家在宣传时候很多都会说我这个参数规模比你这个要大隐含的意思就是说我这个模型要比你聪明一点那么这次 DeepSig 发布它前面第一个满血版本是 671B 那么它这两天刚刚又发布了一个模型参数量又增加了
大概是 685 从模型的规模的提升来讲按值这个东西会变得更加的聪明这个是第一点第二点要注意的这种所谓的紧密相关它并不是一个简单的线性的过程就是一个直线往上走的而且它也不是无限制的往上走它一定会在某一个点出现编辑效益递减的这个问题
其实在 DeepSeek 没出来以前很多人都已经在讲这个规模定律是不是已经都到头了 DeepSeek 的出现让
让大家觉得这个规模定律还有一定的可能性因为它训练成本比较低所以让大家觉得这个东西可以再延续那么这个规模定律除了让普通的用户能够知道说我这个参数量大就意味着这个模型比较聪明 671B 的就是比 70B 的聪明一点 70B 的就会比 32B 的聪明一点 32B 就会比 2B 这种大致的规律上印象之外它对于研究者来讲也很重要
他在这个模型的设计资源分配技术规划上面他要做一个整体性的一个判断一方面参数多规模量大就会好但是另外一方面如果只是简单的堆砌这个模型的规模呢它又会造成更大的算力啊数据上的损失其实性能呢很难上去所以最终来讲呢你找一个相对比较好的平衡点这个就很重要嗯能不能理解就是 685B 或者 671B 它就是模型的参数数量对 是的明白 明白嗯
再一个基本的单位这个 token 我们一直看到包括它计费包括它的这个计量它这个是怎么样理解啊
token 其实就是大模型用来表示自然语言文本的一个基本单位简单的可以理解为它是一个中文里面的一个分次单句小学的时候老师们都会教主卫兵比如说我喜欢吃苹果人自然的就至少要学会这个分次单句我一个喜欢一个吃苹果一个大模型其实也是这个样子的但它每一个分出来的词都是一个 token 那么
那么在 DeepSeq 的官网上它对这个 token 的拆分有一个大致的估计的这是他们官方的一个说法就是每一个中文字符大概是 0.6 个 token 英文字母就是 0.3 个 token 所以你基本上理解下来它就是一个大模型它来理解或者它来表示自然语言文本的一个最基本的单位明白现在大家也
也在谈通用打磨形式 AI 竞争的上半场然后智能体就所谓叫 AI agent 是现在下半场的竞争焦点之一包括我们现在国产的 Manus 也是邀请码也一码难求那你怎么看待 AI 智能体这块有没有什么大的发展机会智能体的发展机会其实一直都被很多人所看好国际上特别著名的 AI 女科学家李菲菲其实在去年大概
大概在 Google 的时候就写了一个 80 多页的一个技术的白皮书专门讲这个智能体那么他讲到智能体很可能是这一波人工智能浪潮中继 transformer 之后另一个发展的热点怎么去简单理解这个智能体你其实大概可以认为它是由这个大模型所产生的大模型就类似于人的大脑智能体就很像是人的眼睛嘴巴和手脚
他能够依据用户给定的指令通过大模型去分析每一步所需要的操作然后他去调集相关的东西把这个事情做出来然后把这个结果返回给用户比如说我作为用户来讲我想去开发一个网站看
看看每日的新闻热点把这些东西都汇聚起来那么这个时候你光去让大模型去做它可能做不了那么智能体会先让大模型去分析一下构建这个网站需要一个什么样的技术过程信息的来源之后然后它会生成一套代码整个的这些功能都很完整做完之后它就会把这些东西给你在整个过程中你甚至都不需要人的参与你也不需要多轮的干预它做完了很快就会
回复给到你所以它后面是非常有发展前途的那么目前来看我们在社会生活工作学习各个领域里面
将来定制化的某一个工作的 very specific 的这些 task 的这些智能体将来会越来越多那么大家其实缺少的是一些好的 idea 真正的把这些东西能够做好把这个上下流的这个工作链路给打通那这个 DeepSeek 又给我们普及了两个新词一个叫 COT 思维链 Chain of Thought 一个是 MOEMixer of Experts 这两个是新词吗还是原来就有但是
但是 DeepSeek 又把它重新带火了还是怎么样子的这两个概念其实在 AI 的圈子里时间比较长了这次真正的破圈让很多的人都开始了解到为什么会有这两个单词确实是 DeepSeek 弄出来的 ChatterGBT 也有类似的思考模式但是它是把思维链给隐藏掉了它隐藏掉了对它有些步骤不告诉你那么这次思维链 Chain of Salt 真
真正的出来其实是 DeepSig 完整的给你展示了它不是一下子给你答案它是把复杂的问题拆解开来一步步逻辑的步骤环环相扣然后它把整个的推理的步骤展示给用户去看甚至是模仿人的整个推理过程那么这样有个非常大的好处避免大模型的整体的一个幻觉我们也可以去看得到它这个整个步骤的推进是不是合理它从展示上来看你在 DeepSig 使用上来看特别用 R1 的时候
就会有直的一条线边上的有一些灰色的字然后啪啪啪啪的开始在想非常像我们在电影里面看到角色们的那种心理的独白今天要不要出门啊天下雨我到底坐地铁有什么好处啊打了伞去有什么好处啊做了什么好处啊心里的各种的权衡最后他会出来说哎虽然今天天下雨决定还是坐地铁去因为这样时间是最快的
人们看到了他的整个的思维过程结果就变得更加的可信至于你说到到了这个 MOE 确实也是让 Deep Seek 给带火的
MOE 呢正是名字中的叫做混合专家 Mix of experts 它这个概念啊很简单就跟我们要去饭店里去吃饭一些特别好的饭店里面可能有一群的厨师有一些厨师会做川菜有一些厨师呢会做粤菜还有一些厨师会做东北菜这个时候有一个客人进来说我要川菜这个时候有一个主厨就会讲会做川菜的厨师请举手这几个会做川菜厨师举手的时候好
你们几个人组一个队开始去给这个人做串菜去他并不需要所有的厨师都是去干活
那么这个事情映射到 DeepSea Seek 里面原来初始的 Visa 满血版本是 671B 有这么大的参数量但是它每一个问题过来只是激活了其中的 37B 非常小的一部分的专家去做的这个就跟你去吃饭虽然有很多厨师在那里但是我要么是川菜要么是粤菜它只会让一小部分的厨师来帮你去干活这
这样做的好处呢就可以达到推理上的速度快它不需要所有厨师都来帮忙因为有些厨师帮不上忙的另外一个呢能够发挥不同模块的这些专业的特长提升了效率性和准确性
既然这个效果这么好为什么前面都不用呢为什么是由 DeepSig 带火的呢前面我们很多的像 Meta 的这个 Lama 他们是用什么架构的呢那他们其实用的是跟这个相对的 Dance 的就是比较聪明的这种架构这主要是因为啊 MOE 架构这种稀疏的架构有一个最大的问题它很难训练而且很难训练准
他在训练这些不同专家过程中很有可能会训练不平衡导致比如说我训练了数据这个人就是特别喜欢吃川菜就是这些川菜厨师因为得到的训练机会多他们的水平就越来越高那些粤菜的东北菜的厨师并没有得到平衡的一个训练导致他们水平还是很差这样他整体水平就上不去就是
就是因为它在训练包括各方面有一定的难度虽然有着非常明显的好处但是之前也没有被人广泛的去使用但是这次 Deep Seek 带火了之后网上看到很多的新闻特别像签问也会明确的往这个方向去转这个可能会接下来一段时间很多的基于 Transformer 的弹幕形成之后方式大家都会采用的一种架构
第一次听到用大厨的这个菜系然后来说明这个 MOE 还是很形象啊那既然 DeepSync 有了这些创新我们不管是本地化部署还是网页上都能看到它其实有两个一个叫 V3 一个叫 R1 对于我们用户来说我们怎么样去选择呢
如果是你是用官网它就会有一个叫什么深度思考链接如果你不点它其实就是 V3 点了之后就是 R1 那么你经常会看到一些说法 V3 是一个比较通用的模型三常常见的任务 R1 是一个专门用来做推理的模型攻克复杂的逻辑比如说数学证明题大家看了这些介绍的时候可能跟我第一次看到的时候也是一样的觉得它上面讲的都对但是
但是等到我自己碰到哪一个问题的时候我就还是拿不定主意我到底选 V3 还是 R1 我是不是两个都要试一下其实关于这个问题我们有一个微信群在讨论有一位北大的老师他说我个人的看法并不一定很准确但是大家可以做个参考
我感觉 V3 就像是一个文科生 R1 就像是一个理科生这个比较好对所以等他讲完之后大家沉默了好一会儿然后都觉得这个他未必科学上是很准确但是他很精辟能够一下子抓住这个问题的本质那么我们要做日常交流创作新内容翻一下可能就是选 V3 它这个效果可能会很好
那么做一些推理数学物理复杂一点的你可能需要用二网来做所以我的建议用这样的一种方式来区分这两个模型可能会达到最佳的效果但其实我们如果用联网的公开的话二一它经常会当机所以我们要本地化部署交大也是全国高校里面率先本地化部署的但是对绝大多数人来说或者对于一般的单位来说做本地化部署您认为是不是必要
从这次今年过年我估计很多人都没有过好特别是从事 IT 领域算力领域的人 Deep Seek 爆火之后在过年的时候就不断的看到新闻包括规矩流动包括很多的商家说我这个东西能够适配了我这个东西能够去做那么第一波首先是各种的运营商算力提供商他们在讲在公有云上面去提供这个服务
紧跟着就是第二步各个大的单位大的高校开始去本地化部署 DeepSeek 那么大家为什么要考虑部 DeepSeek 首先这个东西是开源的技术上就有了一个可行性它如果是闭源的或者不知道你不可能想都不需要想了
开源之后在技术可行性情况下你本地部署有一个特别特别大的好处就是你的敏感数据从学校上来讲敏感数据你是不离校那么所有公有云提供的服务一些特别涉及到敏感数据的一些东西比如说学生的名单成绩各个单位的这种财务数据审计数据
这种员工信息你可能既想要有 DeepSeek 的 AI 的赋能但是同时你又不敢把这些数据放到公有云上面去所以本地化的部署主要就是为了解决这方面的问题
那么有了这个本体化的部署之后呢我们能够看到的这些敏感的数据甚至有很多的敏感的科研的数据都可以接入到 deep-seq 上面去对于你讲的第二个问题是不是每个单位都有这个必要或者个人是不是有必要去弄呢
这个主要还是看你这个单位的体量和成本的投入首先从目前来看要部署一个完整的满血版本并且能让很多人同时用这个成本还是蛮高的如果国产化的部署的话至少要两台大概 100 多万的设备差不多要三四百万才可以部署一个真正的 671B 的满血版本
这个个人估计很难做到有些单位也要考虑考虑的所以在这种情况下大家如果要用那你可以用这种本地的 RAC 让它这个数据还是留在你这里用供应员的 API 做做其实也是可以的当然像交大这样的学校或者单位它自己提供的本地的部署版本可能是最好的
那我们交大本地部署 DeepSync 它目的是为了更好地服务我们的教学和科研因为您是一直是在第一线啊您觉得尤其是这一波的 AI 的助力之下有没有哪些新的大模型的应用场景尤其是应用在我们高校的教学和科研当中的有的其实这一波呢非常多从学校的管理层面上来三个大的模块嘛一个就是教学的科研的管理 DeepSync 为代表着 AI 的服务方式啊
接下来会深刻地改变已有的这些教学管理科研的三种模式甚至简单来讲是 Everything we need to rethinkwith deep think 比如教学原来的老师整个的一个教学的一个周期他是要通过备课课中的和
和学生的互动的情况布置课后的作业准备考试的出题评卷子最后给学生打分学生给老师打分整个的一个全套流程里面 DeepSync 可以全阶段的参与到你的每一个环节它可以帮你做教案可以帮你准备上课的材料甚至可以帮你设计师生互动的环节帮你出题目帮你出考卷然后在外帮你去改作为你的一个非常大的一个助手
那么在科研上面其实 AI for science 很多的工作的推进都是在做了原来大家讲的实验理论计算其实以 AI 为代表这种数据分析方式可能就是现在的大家使用的科学的范式了前两年都已经在做但是有了 DeepSync 这样一个非常巨大的通用的整个的设计之后它会让很多的原来我们觉得比较基础的科学问题得到一个解决
它在科学问题上面另外一个带来的变革它让一些小团队几个老师甚至一个老师几个学生有更多的发高水平论文的高水平成果的可能性
因为在科研中有很多事情是有绝对的工作量的材料数据的整理包括这些收集很多的工作需要一个大团队来完成以 DXC 为代表的 AI 的工具的大量使用它可以极大的降低这部分的门槛大家会越来越多的看到在以后在这种顶级的科研成果上这些小团队发表的论文越来越多它可能就是充分掌握了这些工具之后很多去做
还有一个呢就是在这个管理上过去十几年我们积累起来的这些信息化的系统可能到了现在这个点都是需要重新去思考我当时在上课的时候啊给学生和老师们啊展现过一个例子我让 DeepSick 去分析一下这个有一个数据是公开放在网上的它是整个的研究生这两年的招生的情况包括专业的发展的变化就是
他很快一行指令下去数据上马上就能够生成出来还能够生成可实化的代码更进一步需要去改变在没有 deep seek 之前对于一个工作人员来讲没有半年他是搞不定的他需要经过好几个流程首先他要把他自己的需求给整理归纳出来然后他要把需求上报给领导证到同意之后申请下了预算
然后再去找到合适的公司然后这个公司之后他还要跟这些技术人员去讨论这个技术人员可能还要花到两到三个月的时间再做一个原型系统中间还有一些迭代整个东西差不多要半年以后他才能够看得到自己想要的那些东西当然你将来如果还有一些新的想法什么的那些公司可能还要问你加钱再次去投入费用有
有了 DeepSeek 几秒钟之后你就拿到了你自己心里想要的那个东西所以存在这种可能性你以前的这些信息系统我们并不需要以后就搭一个 AI 的辅助的一个框架里面有很多东西你直接可以让用户去定制了所以它对学校的教学科研管理的你是说冲击也好你说的改变也好目前才刚刚开始很多人还没有真正的意识到它深层次的影响力在哪里嗯
那林老师那个刚刚我们交大的肖湘老师的团队在 Sail 也发了文嘛那这个是一个创举啊依托我们国家自主研发的这个奋斗者号的潜水器嘛探测马里亚纳海沟实现了我们人类首次啊对这个深渊沉寂的微生物及其生态过程做了系统性研究我注意到您也是这个文章的而且是封面文章啊共同第一作者您主要是研究通讯计算机嘛您为什么会也在海洋或者微生物这个领域里面发挥这么大的作用啊
现在的前沿的科研都是需要跨学科合作的 Cell 的这篇文章的发表涉及了国内的好多的团队有专门负责造船的然后去把这些样本从海里挖掘出来的是在深海一万米马里亚大海沟目前现在国际上唯一能够重复使用的潜水器
叫奋斗责号光造这个东西出来就特别难然后那个肖老师和他的团队专门下到那么地方把这些东西给踩出来这是第一个环节第二个环节这些泥土都弄上去之后呢由华大基因的同事们做基因测序那么它就变成一个原始的数据我呢其实在第三个环节里面我带领的团队和肖雄老师他们一起啊
把这些原始的测试的数据变成研究者可以理解可以使用的这些数据原来只是一些 ATC 一级的这些精序列你要从里面像挖矿挖精子一样把一些可能的这些点都给找出来那么到了第四个环节的时候又有很多的科研的工作者基于我们整理出来的这些数据再从里面去发掘出我们所不知道的这些科学问题
所以整个的一个特别大的一个工作啊去经历的好几个步骤每个步骤都有相关的不同学科的人的紧密参与才能够做到特别好的水平嗯哇那确实是一个很大的工程啊那其实现在包括也有教授来问我同学们如果你用 DeepSick 写作业老师有没有什么应对办法就是能不能看出来他是用 AI 来写的呀嗯
现阶段老师没有特别好的办法很多老师因为常年来也批改学生的论文或者作业他有比较丰富的经验他能够看得出来这些学生的门风上面的有些东西不太一样现在又出现了一个新的词语叫你写的东西有特别有 AI 味 AI 的味道靠经验也是能看得出来
还有一种比较有意思的方法你就可以把这些文章发给 DeepSig 去看这里面的文字是不是你生成的那么它会告诉你一个概率这个里面有多少是它生成的
是不是就是说 AI 看它自己写的东西跟我们看它是不一样的对吧对它是有一些隐藏了这些逻辑的东西在里面看上去都是文字但是从 AI 从大模型的角度里面这些东西它是能判断出来嗯
那其实 AI 说有三个要素一个是算法一个是算力一个是数据像我们科技发展了之后我们数据的像马里亚纳海国这个数据我们能拿到我们这个算法像 DeepSeek 也是慢慢地在进步达到了国际水平但是这个算力领域很核心的就是芯片那其实目前还是以美国为主导的而且也分了几个阵营就是林博士您还有 HPC 产业发展委员会的主任的工作您从委员会的这个角度在芯片的这个核心的这个领域您怎么看待
中国和美国目前看上去关系呢肯定是会越来越不好在这样的一个国际的形式下做酸粒的做芯片的或者说你是培养学生你应该是如何去面对可选项其实不是很多的很多人都会觉得说那我们一定要高举国产自主独立的大旗去做这个肯定是不会有错的我们必须要去做下面一个问题在被美国打压在被美国轻量想跟你切割的情况下你
你是否还是需要做国际合作的一些事这个就是我当时担任全球计算联盟它下面有很多的专业委员会其中一个专业委就是高新计算产业发展委员会做主任的时候我当时的一个想法
从这个算力芯片的角度上来讲目前大概有这么几种第一种就是完全以美国主导的比如说英特尔和 AMD 的 X86 这是他们的 CPU 那么以英伟达公司为主导的 GPU 这几种芯片完全是他们所控制的他们在构建生态包括什么东西他们处于完全的强势和垄断的地位他们说给你就不给你他们说给你多少了
就给你多少应该是昨天吧美国商务部又把中国的 50 家的这个公司跟高清的计算跟量计算有关的东西放到实体名单里面这些公司一旦放到名单里面它其实就没有办法去介入到 X86 包括这些东西它设备肯定都是不能再买的
另外一种生态的构型那就是我们以国内为主导的比如说我们的龙芯比如神威泰尔胡志光所用的深微处理器的芯片那个就是完全由我们中国人所主导的我们在整个构建生态过程中我们也不需要借助外力当然整个生态构型也就是在我们中国的国内问题就在于有了第一种构型老美主导的构型有了第二种构型中国人主导的构型是不是就足够了我
我的一个看法是不够的因为在中国和美国现在这样关系下面如果我们在整个的芯片生态和算力生态上构成只有一两种的话我们会非常容易的切割了达成了你不需要我我也不需要你
那么其实在目前这个位置中国还是需要和国际上特别是美国之外的这些国际的保持一个非常紧密的合作也就是说我们需要第三种构型这个就是我们在全球基金商联盟里面主要推的这种暗默的构型
为什么要去选择它首先 ARM 整体是由英国的一家公司就是 ARM 这个公司来主导的那么英国本身也是被欧洲所防着的它是相对来讲比较弱基础在全球上又比较好那么既有中国在做也有日本在做
欧洲呢也有些在做虽然欧洲他自己本身也在推 Risk 5 当然他在美国因为美国手里已经有两张牌了 X86 的 CPU 和英伟大的 GPU 他在美国就很难推所以他迫切的需要中国这样的一个特别大的股东去参与像华为啊像这个国防科的飞腾啊这种体量特别大的你拥有非常大的这个筹码你才能够上桌给他们造成了一种非常纠结的局面他
他非常需要你他又非常舍不得你这么大量的市场他如果最终开始从你这边去切割的话他就会像夫妻如何去处理婚后财产一样让整个事情过成了非常的纠结非常的困难
从而我们在这个过程中能够赢得到非常宝贵的一个时间我们的总体的策略就是用时间去换取我们发展上面的一个空间尽可能的把切割的时间变得长让我们自己国内的相关的产业得到更多的时间来发育成熟
这是我们在现在这个局面下面在算力这个行业上面虽然会很难但是你还是要去努力的去推动这个国际合作特别是保持与美国之外的紧密合作的关系其实这个联想到你看我们这个金融行业也是受中美的这个影响
美国主导的渣打银行受到了很大的冲击现在的话也有很多业务退出了中国但是英国的汇丰银行还很不错然后现在的话业务也在拓张包括在中国的展业还是比较完备的如果从金融角度然后再推回到我们产业角度的话
那 ARM 是英国主导的吗这样的话没有更多的地缘政治的冲突那应该是可以有更大的发展最后林老师能不能带我们展望一下因为现在大家都在谈了这个叫 AGI 时代您作为这么多年的产业专家一直跟踪 AI 的最新的进展您觉得 AGI 时代快到了吗您的这个问题问得特别好其实我一直也在看包括网上我看很多不同的这些看法
说心里话我现在最担心的并不是说 AGI 来的时候社会上会对我们整个的各行各业产生了冲击我其实心里更担心的是它现在已经对我们的下一代的教育产生了非常大的影响这怎么说呢我在网上当时看到一个材料应该是 finance time 金融我应该能够看到它的出入处测了这些小孩子这个智力啊
他发现这几年大家的智力在下降已经回落到大概 2021 年的状态他的意思就是说我们肯定不会说在这几年里面大脑的整个构型发生生理上发生这种问题这肯定是不会的几万年人的大脑都不会有特别大的变化那么他智力的变化是为了什么其实就是用精为退所以
中国人的数学啊口算可能特别好我前段时间在新加坡开会嘛然后去买东西就算一个比如说 25 加 30 啊什么东西我说哎这是多少钱算出来他们那个应该也是还他说哎呀来了新加坡之后好久没算了我还是拿个计算器再摁一下那很多东西其实就是用精费推的且不说 AGI 的这些东西那么现在这种水平的大模型的存在已经对小学
初中都别说大学了产生一个非常大的影响的问题就是孩子到底要记什么东西在脑子里的因为我们这一代人包括我们在下面的人在没有这个东西出现的时间你是要死机硬背很多东西我们也会习惯死机硬背死机硬背的很多东西在脑子里它可能会发酵可能会出了盘通也就是说这个内生外化的过程其实在你自己大脑里面的
但是现在的这一代的孩子他存在一个非常强大的外脑什么东西都知道比老师都厉害他对知识的理解对那些东西的构成是完全不一样的那么这一代的孩子该怎么教育我并不是说现在已经上了大学的孩子去因为他们其实已经完成了人的一个最基本的一些教育无非就是他自己在往上面走还是怎么样但是从小学初中高中这些人还没完成这一代人怎么去看这个问题再
再过十年二十年他们就会成为社会的主流所以我觉得真正的对我们这个社会影响就是现在可能说这个地方会失业都只是战胜了但是下面的这一代孩子等他们三四十岁四五十岁的时候
他们所经历的这些教育他们会对我们这个社会产生什么样的影响我相信我们的人足够的聪明一定会将来在这个大模型的里面和我们的教育体系里面找到一些平衡的点但是问题是我们来不来得及在这一代人的教育里面就能够找到这个平衡点
我目前看下来很有可能来不及那么这一代的人很有可能就会变成这个时代的冲击者甚至是受害者他们接受的东西是不完整的那么他们会带着这个不完整的东西慢慢的成为我们这个社会的主人控制者我觉得那个时候才是最麻烦的时候确实啊因为我们的再往后一代的小孩他就是跟 AI 共生的一代小孩 AI 就是他与生俱来的东西而不是新东西
但是这个可能后续再看看时代的发展说不定更好的一些教育的方法然后能够大家共同的进步实际上我们作为交大老师和交大的校友特别感谢林老师在今年非常早大年初五的时候就拉上团队拉上华为工程师部署了本地化的 DeepSync 让我们去使用而且一直也是在推广教大家怎么样在这个 AI 时代更好的教学更好的去做研究而且
刚刚又听到了林老师在全球计算联盟 HPC 产业发展委员会所做的非常具有前瞻性的工作你觉得也是您作为一个产业的有分量的专家做了一些对我们的整个国家来说对我们整个产业来说特别有益的事情
那我们高清学院后续的话也是不是能够有更多一些课程 AI 化让老师们会运用 AI 的工具然后来辅助教学让同学们也能够更好的去理解课程的内容另外的话也有可能我们在探索是不是出一个 AI 方向的一个不管是硕士还是 MBA 体系到时候可能还要请林老师多多的指导给多多的一些建议那今天特别高兴跟林老师做了一个比较深入的探讨那谢谢林老师谢谢大家好 谢谢拜拜拜拜