数据保护法规与AI 应用趋势课堂笔记
（按老师课堂讲授的原始顺序整理，思路：数据收集的告知义务→数据保护的现实困境→我国三部数据法律的背景与区别→制度三要素与数据伦理→算法是什么（扫地机器人案例）→最新AI 产品演示→AI 发布时间线→开源与闭源、中美两条路线→AI 热潮与NFT、元宇宙的对比→大语言模型与AI Agent 的区别→AIGC 图片视频→AI 发展趋势与被影响的产业）
一、开场：数据收集要让大众知情，并且要有选择权
老师先接着上一次的话题讲：企业收集数据，首先要去告知老用户，你的数据是怎样被使用的，然后要有选择，用户要能去决定自己的数据以什么样的方式使用，也就是要给用户提供选项。
还有就是我们这个系统上，许多城市在建大的智慧城市、数字孪生城市。在这样一种大规模的公共应用上，我们需要让大众去了解：这些数据会被怎样收集。
老师强调，我们现在做的一个非常重要的事情，就是把所有线下的数据映射到线上，那这样必然会产生线下数据的一个大汇集。
以武汉市的数据为例，整个武汉市的数据包括哪些呢？比方说视频，然后手持终端，社区工作人员上门敲门、查询，这里面到底有多少口人、姓名这些基本信息，基本上就跟我们做人工检查一样。这些东西，大众其实有必要去了解。
然后就是简单地推进项目，别管它怎么做，就是尽快把这个数据上传上去，就这么简单。
二、光有规划不够，还要有安全技术和强制执行的手段
接下来就是安全的部分，包括一些安全技术、管理系统的安全措施，还要有一种可以强制执行的手段。
老师在这里点出一个很重要的判断：很多规划，从法律的角度或者从伦理的角度看都挺好，但是它没有办法执行，那它就是一个空壳。所以我们还是要有安全技术、管理措施和强制执行力来兜底。
三、我国三部数据相关法律：为什么集中在2021 年出台
世界各国的数据保护法律，或多或少都有相互借鉴，我国的一系列相关法律法规也是这样。首先是网络安全法，2021 年通过；然后数据安全法，同年九月份通过；个人信息保护法十一月执行（施行）。老师抛出一个问题：为什么这么集中，2021 年发生了这么多相关的大事件、这么多法律密集地定下来、实施？
（一）导火索：2021 年滴滴的信息泄露事件
2021 年有一个非常严重的信息泄露事件，就是信息风险。滴滴把我们的关键信息数据，因为需要上市，直接交出去了。
这里要理解互联网公司的盈利模式：除开用广告来盈利之外，很多是依靠金融投资。金融投资就是前期几轮的天使融资等等，完了之后它是要拿到回报的，回报就逼迫这些互联网公司一定要去上市，上市才可以更加稳定。
滴滴在这种压力之下，就毫无道义地把国家的地理信息，还有一些通行（出行）数据，直接打包当成公司资产，直接公开。
在这之前，国家的一些重要机构、政府机构、商务部门、通信管理部门都已经跟它约谈过，说过你们不要上市。
最后的结果：滴滴在很长很长一段时间内（几年之内）被禁止新增用户。但也没有立刻把它禁掉，因为大家出行都很依赖它。滴滴在整个互联网出行行业里挤垮了很多同类型的竞争对手，相当于是一个垄断企业，大家都依靠它，完全禁掉也不可能，所以只有对它进行整顿、规制。
（二）三部法律的共同时代背景与立法价值取向
所以在2021 年前后，就陆陆续续出台了一系列网络安全法、数据保护法等等。这三个法，时代背景都比较相同：我们应该对科技企业的运营去规制它的发展，不能让它无限地膨胀，超过政府、超过官方的手段。
立法的价值取向也基本一致。但要注意，我们并没有像欧盟一样立马出台一个 GDPR。
GDPR 出来之后，对所有互联网公司的发展是非常不利的，基本上就是说你想去开发，那就处处受制，那干脆你就不去开发了。所以欧洲到现在为止没有看到很大的互联网公司，AI 这个赛道根本也就没办法挤进来。
所以我们还是以发展的角度、效率为先，但是不能让效率像没有控制的脱缰野马，还是必须在基本的价值导向上做一些设置和限制。
（三）三部法律的区别：用”房子”打比方
这三个法律虽然都跟我们的数据、信息相关，但差异性在哪呢？老师用了一个比喻：网络安全法，侧重于互联网基础设施。相当于我是保障整个的房子，房子里面关着的、装的是宝贵的信息。所以网络安全法侧重的是房间、房门的安全。
正因为如此，在网络安全法之后，进一步颁布了关键信息基础设施的保护条例，也就是进一步去解释：怎么样去保障网络的安全，哪一些关键信息基础设施是需要重点保护的，比方说电力系统，然后我们的地理位置系统。
数据安全法，数据是最基础的，等于说这个房子里面所有的东西都是数据。数据安全指的是房子里所有东西的安全保障。
个人信息保护法，房子里面最值钱的是什么呢？可能是你的身份证，这就属于个人信息。所以个人信息保护法保护的是比方说身份证、银行卡、户口簿这些很私密的文件。
所以三者既相互独立，又相互补充、相互关联。
（四）延伸例子：地理位置信息为什么属于关键信息基础设施
老师补充说，这可能是一个阴谋论，也可能是大家的一个观点：滴滴事件不久之后，我们陆续出现了一些高阶科学家出车祸离奇死亡的消息。
本来大众不知道这些消息，你像哪个研究所、研究机构的名称我们可能都不熟，但是有媒体做了一个重点的报道，报道的语句也非常简短，就是某某某，可以看到他的年龄，是一个非常年轻的科学家，然后写的是”因公殉职”，但怎么个因公殉职，它没说。所以大家后来就猜测。老师也强调，这有可能是谣传。
阴谋论的说法是：我们关键的滴滴数据信息出去之后，CIA 可以去做一些地点分析，看有一些重点科学家经常往返于哪两地，这两地的地理位置代表什么呢？可能是一个秘密的科研基地，那么在这个行程的轨迹上就可以做文章。
联系到现实：我们国家现在很多地方，比方说出去旅游，西藏、青海、宁夏这一块，你在那边拍照的时候，会有人说这里禁止拍照，比方说是军事基地，或者是重点保护单位，不许拍照。所以其实我们是存在这样一种安全隐患的，这就是关键信息基础设施的保护。
四、法律挡不住所有漏洞：数据被侵犯的真实案例与数据的特殊性
老师接着问：我们对法律的理解，像这种cookie，上节课给大家看过隐私政策，你们自己也看。我们感觉这些法律规定能够有效防范一些坏人的数据使用吗？那么长的法律条款，用户也同意了，大家都知道数据是要保护的，但是为什么在关键的情况下，数据还是会被侵犯、被轻视呢？
（一）武汉交管的例子
老师举例：我去武汉交管（做交流），当时陈峰老师勇敢地报出自己的身份证号码，让大家开心一笑。但私底下可以跟他们深度访谈，他们说过，这个数据库哪怕是做了硬件的隔离，哪怕是做了很多安全
技术上的防护，在管理上也是出现过漏洞事件的。
大家知道出行数据是很宝贵的。当时为什么大家笑陈峰老师呢？就是说，你看你的车上有没有坐其他的女人。出行数据是可以这样被拿来用的。
当时就有内部的交警，因为他有权限，可以获取这些数据，他恶意地使用了这些硬件存储系统，把数据发出来，卖给私家侦探去谋得利益。这就跟我们说的医院里面的”统方数据”被进去偷是一样的道理。后来因为这个接口的异常流量，最终还是被发现了，人被处理掉了。
但问题在于：大家都知道他是公职人员，他还做这样的事情，那法律能保障吗？
（二）数据的特殊性：偷完了你不知道被偷了
数据有一个非常大的特点：你偷完了，你不知道自己被偷了。
它不像贵重物品、有形的物体，一台电脑、一个首饰、一沓纸币，你偷完了、丢掉了，人是可以发现的。
数据我只要拷贝就行，不通过其他的一些技术手段，你很难发现。你在硬盘上拷贝一个东西，你能知道他拷贝了吗？除非去调用底层的操作系统，那就很复杂。所以是很难被发现的。
结论：在管理上，从技术手段上就很难解决；从管理的规范上，你有了法律，但这个法律会不会是空的、难以执行的法律？
五、制度与组织：制度的三大基础要素，以及数据保护为什么要靠文化
理解了数据保护的种种问题之后，老师介绍了一本书，叫《制度与组织》。这本书对制度的三大基础要素做了辨析，也就是把我们所理解的制度拆成三种要素：第一种，规制性要素。我们的法律法规就属于强制的、规制性的要素。
第二种，规范性要素。比方说各种公约，大家协商出来的这种规范。
第三种，也是最重要的，文化性要素。
对于数据保护来说，可能三种要素都需要相辅相成。因为法律有时候是抵挡不住的：强制性的、工具性的法律制裁，是你发现了才能够惩治，它的效用不见得有那么高。
但如果我们全民通过一些教育、通过一些认知培养，把偷数据当成跟偷一个物理的东西一样，当成是一种偷盗行为，其实我们就能从规范上前进一大步。
为什么？因为我们刚刚说了，你把数据拿走、把一个图片拿走、把一个视频拿走，对你来说，它跟拿走别人的一本手机、拿走一台电脑，这种感知是不一样的。所以首先要从文化认知上去强调，要培养这种羞耻感。
老师举了一个对比：同时期在剑桥大学，有两个学者都在做同样的研究，为什么一个几乎要成为阶下囚、差一点进监狱，另外一个可以成为大家所尊敬的研究型高校的教师？这就是一个自我认知、文化上的认知不一样，对数据伦理的认识不一样。
所以我们需要强调：数据的保护还有很远、很严峻的路要走。数据的分析这一块就暂时介绍到这里。
六、算法与AI：从数据分析到算法
接下来看算法和AI。算法和AI 其实就是在数据分析的基础上发展起来的。
最早的推特CEO 就说过一句话：数据是毫无意义的，直到我们加入了一点理解。 AI 训练大语言模型，难道不正是基于我们海量的训练数据吗？通过我的数据上下文，然后一个词下面接另外一个词的概率是多少，这样算出来的。其实AI 大语言模型它根本不懂人类的语言，不懂语法，不懂基础语法。
那它为什么能说出完整的句子，能写出完美的报告，做出很好的PPT，逻辑顺畅？其实就是通过我们海量的语料：我们把古诗词、把小说散文、把一些研究报告，这些凝聚了千百年来人类智慧的资料语料投入进AI 系统里面，让它去做训练，然后它就能说出来很像样的话。所以它本质上就是基于数据。
（一）算法是什么：以扫地机器人为例
算法就是一种特殊的、用来执行一系列功能的、可以结构化、可以程式化的流程。AI 就是一种特殊的算法。
老师举了一个扫地机器人的算法。顺带说到，我们国家对外贸易当中有很大一部分产品集中在小家电产品上。今年暑假欧洲的热浪大家都知道，空调卖疯了，然后就是小家电，包括扫地机器人，还有一个大家可能没想到的，电动牙刷， USMILE。
这个名字很有意思，它是USMILE，但是很多人把它理解成了美国的品牌，因为连起来看像是US 加mile，都以为是美国货。
我们的扫地机器人发展得非常迅猛。那扫地机器人到底要执行什么样的一个算法？它的目的是什么呢？算法是要达到目的的。
（二）扫拖机器人的工作流程与”解放双手”的初衷
市面上所有的扫地机都说自己可以拖地，但其实它们基本都没有做到，只能说是打湿一下地面，带走一些灰尘。
你用这个功能的话，需要手洗湿拖布、装水、换上干净拖布、装入拖地模组、等待拖地结束、取下拖布、再手洗拖布，两分钟就过去了。
一张拖布拖全屋，拖得不干净也就算了，还非常麻烦，完全背离了我们购买扫地机器人来解放双手的初衷。
真正的拖地机，外观上最大的区别就是多了两个大水箱；最大的进步就是它们会自动洗抹布了。
它的目的是什么？是一系列的工作流程：要清洗抹布，然后要拖，拖完了之后还要再进入一个晾干的动作。
最核心的是什么？拖地的时候，机器人是自己行动的，不是你手持，不是人指挥它拖到哪、扫到哪，它要自动化。
所以评价不同品牌、不同系列款式，考察它表现力、效率高低的一个最核心的要素，就是它的拖地路径怎么样。
（三）一个实验室测评：四台拖地机的路径对比
老师放了一段测评。测评者把几台机器做到实验室里，有了顶部的摄像头，就不用再爬到天花板上去拍了。原话大意如下：从结果来看，有一个拖地机出现了明显的遗漏，是科沃斯的N9 加。在这个环节，它对障碍物的位置和边界的识别都不够精确，而另外三款其实都可以把桌椅的位置精确地识别到地图当中。
在拖地的过程中，N9 加房间之间也没有明确的规划，一会儿在卧室，一会儿回客厅，来回反复地跳，非常无效。而另外三款机器都是先沿边清扫，再弓形清扫，逐个房间清扫，考虑很清晰。还有就是遇到桌子这样的障碍物，N9 加并不会像其他三款机器那样沿着桌子的边缘画圈清扫，所以东西多的时候，科沃斯你家的漏扫就比较明显。
为什么只有科沃斯是这样的呢？因为在导航方式上，它选择了视觉导航，而其他三款都是激光导航。你看科沃斯的机器顶部就是有这样的一个摄像头，而其他三款机器都是这样的一个凸起的激光传感器。
科沃斯选这个方案，可能是在考虑机身高度更矮，能进低矮的沙发底、床底，但是从现阶段来看，视觉导航的表现的确不如激光导航高效。
年轻一些的国外品牌，都是激光导航。它们运行的大概逻辑是一样的，但各自在算法上又会有一些差距。其中最差的是某一品牌（测评中原话为body），因为它的导航不够稳定。之前在客厅的时候表现非常好，但是到了卧室之后就开始不停地打转，路径变得混乱。我以为这是突发情况，但是我重复测了三次，结果都还是一样的。
还有一台的路径很奇怪，路径之间的间隔比较宽，每一次会从房间最远的地方往回拖，这样可以减少拖到已经拖干净的干净地面的情况，还是很用心的。导航表现最好的是石头（石头科技）。拖地路径均匀密集，没有遗漏，APP 里同步显示的路径跟实验室追踪到的路径基本上都是吻合的。
因为这个机器在拖地结束或者是回洗拖布的过程中，会把自己的拖地模组抬起，从而不弄脏干净的地面，算法识别到它没有在拖地，就会把这个路径变成虚线，我们用户在手机上也是非常方便地跟进。
（四）弹幕的调侃与老师的结论
有个弹幕很有意思，说的是那个路径最差、最混乱、不停地打转的那一台：“这才是真正的人工智能，人拖地拖累了，就是会这样偷懒，会这样乱来。” 所以我们可以看到，算法都是同样的人类设计的、人类实现的，但它的表现力都是不一样的。
算法不是一个很新的词汇，我们现在说的一些种种的算法风险、算法偏见，它是一个非常现代的词。最早的时候，算法就是工程师用来评测：你这套程序、或者你的硬件搭载的这个算法，能不能非常高效地去实现你的功能。到了AI 时代之后，我们才越来越去追究算法对人类到底会产生什么样的影响。
七、最新的AI 产品：GPT 新版智能体模型的官方广告
老师给大家看了ChatGPT 刚刚在九月推出的新版智能体模型（课上称GPT-6）的官方广告，看它已经强大到什么地步。广告里的对话如下： “Can you draw me a small yellow circle?” “Done.” “OK, take this and make it the window of a rocket ship.” “I like this.” “Your yellow circle is not a window on a rocket.” “Okay, this is awesome. Now make it a 3D model in Blender.” “Opening Blender.” “Let’s build a presentation for next season’s rainwear for retailers. Make sure that it feels really high end and that it’s colorful. Make it fun.” “I can help with that. Can you go to eBay and make this listing of this table I bought a few years ago at flea market? It’s this wild orange table.” “Sure.” “Okay, this is awesome. I want you to make a 3D game where I’m ducking asteroids, using the arrow keys to move around, and I’m using space to boost.” “Yep, I’m building the game.” “Also, I’m a little hungry. Can you get me some beef and rice from that spot over from last week?” “Looking into ordering food.” “So, my law firm needs a licensing agreement template. Can you generate a draft template for the lawyers at my firm to look at? While you’re doing that, I want to play tennis this afternoon. So can you look for a court for me?” “Checking now. I’ll see what I can find.” “Can you include in the photo that I have of it in my documents folder? There’s like a slight dent in it. It’s also saved in my downloads folder. Can you put in the description that it’s just slightly damaged?” “Can you just take the limitation of liability provision and make it a little more favorable to the license owner?” “Okay, I’ve taken it, so the licensee’s liability is more narrowly capped.” “That looks pretty good, thanks. Can you change the background color to complement the rain jacket?” “Oh, I love it!” “And what’s going on with my reservation?” “I found an open court at five p.m.” “Yeah, look at it. Now I want you to make a file I can sign.” “I’ll get working on creating an STL file of this robot.”
（一）老师对这段广告的解读
老师说他看过一个最早的大语言模型的段子：有人在跟一个大语言模型对话的时候说，你写的这一份报告”有点那个吧”，你改善一下。他觉得这个东西不够完善，但是说不出哪里有问题，就是一个非常模糊的指令。结果那个AI 改完之后，发现居然真的还是自己想要的方向。
所以刚刚广告里那些指令我们看到没有，“make it more fun”，它怎么理解”要好玩”，把这个网页设计成好玩的；要”colorful”，它也能理解。
（二）这就是通用智能体
这就是现在最新的一个攻克方向，叫通用智能体，就是它什么都能干。
你可以让它在网页上通过你的账号去发布广告、去卖货；广告的内容现在都可以让它自己写；它可以写非常专业的法律条款，就一句话，说对这个许可方的责任放松一点，这么专业的话，普通一个没有学过法律知识的人，或者是法律专业刚毕业、刚去律所工作的人，可能都还不太知道要怎么样把这块去修订。
还有3D 打印，这个不用说了；可以帮你点外卖，可以帮你做各种各样的设计。也就是说，统统在一个平台、一个AI 的入口上面就可以给你实现，这是非常非常强大的。
（三）李飞飞的World Labs 与新模型Atlas
老师还举了一个例子：给AI 一张照片，它能把照片里压根没拍到的地方自己补出来。这是李飞飞（也是一位AI 大佬）的公司。
9 月1 日，李飞飞那家World Labs 放了一个新模型，叫Atlas。你只给它一张机器人的正面照，让它把镜头绕到背后，背面什么样它压根没见过，要自己”圆”，结果还真圆上了。以前那些视频AI，说白了是在猜下一帧长什么样。Atlas 猜的是另一件事：我要是换个位置看，会看到什么？
它给每张图都标了一个三维坐标，连相机是从哪拍的都一块算进去，所以它懂的是空间，不是像素，甚至能从现场根本不存在的机位，把一段已经发生的事再看一遍。让老师最上头的是他们自己写的一句话：“模型看到的越多，需要脑补的就越少。“只给一张房子，后头是它编的；加第二张，位置对上了；给到第三张，基本就是那个地方了。
老师说，越想越觉得这句话其实在说人：你刷到的、课上听的、实习干的，就是你往脑子里塞的那几样。它好记。塞得越少，你越容易把没见过的部分想成自己以为的样子，还特别确信。以后AI 会越来越准确，但从哪个角度看，这件事暂时还很模糊。所以你现在是只有一张照片的人，还是已经拍了两三张的人？
八、AI 的发展趋势：热门大语言模型与AI Agent 的发布时间线
接下来看AI 的整个发展趋势，以及它给我们带来的一些变化：我们怎么看待这种趋势，怎么去应对风险，怎么去把握它的收益和益处。老师整理了一个热门的大语言模型和AI Agent 应用发布的时间线。这里非常明确地区分了两种不同类型的产品：大语言模型，只是跟你们对话的。比方说现在豆包也不能完全这样算，豆包有时候也可以产生文件。
就是只能跟你去对话的，属于大语言模型。 Agent，是帮你干活的，是真的去操作一些事情了。
这一波这么火热的AI 话题，其实最早是从ChatGPT 开始出发的，就是2022 年底，OpenAI 公司的第一版产品ChatGPT 上线了。（老师说明：时间线里他做了简写，后面都没有带版本号。） ChatGPT 出现之后，谷歌，还有我们国家的一些产品，基本上也都在积极跟进。让老师惊讶的是，豆包出来得也蛮早。然后往下，越下面的是月之暗面的Kimi 这个产品，然后是深度求索DeepSeek。
这两家公司的业务，感觉应该是现在市面上炒得最热、最广的AI 产品了。
（一）OpenAI 高管出走与Anthropic 的成立
从2022 年之后，OpenAI 的一部分高管陆陆续续离职了，因为一些职业理念、发展观点的不同而离职，然后形成了新的公司。现在整个欧美市场上，基本上都是OpenAI 跟Anthropic 两大巨头。Anthropic 推出的第一个产品叫Claude，可能大家现在也听过Claude Code、Claude Agent。
值得一提的是，Anthropic 对中国是极度防范的。基本上不用美国商务部去宣扬什么，就说禁止中国大陆的用户使用，它们立马就跟进，还主动地宣传不让中国人用。
（二）Agent 这条线，以及校友的Manus
时间线的下面一条是Agent、智能体。最早的也是OpenAI，它推出了相关产品，当时就可以参与编程、做这样的一些工作。
老师特别提到一件非常可惜的事：我们的校友马老师，肖红（音），是我们前几级软件学院的毕业生，当时推出了Manus 做公测，我们华科不遗余力地在推广支持。
但后来战略失误了，就是刚刚说的一些伦理道德问题把握不准，然后他还是要上市，要上市的话，他就把这个公司给卖掉。可是现在我们的AI 模型已经是一种战略上重要的装备了，这个装备的地位不亚于核武器或者导弹。那你这个时候怎么能把它卖给美国的公司呢？他想赚一笔、捞钱走人。
然后想尽一切办法，他跑到新加坡，把它改成了一个新加坡的公司，说这样就至于不受中国法律规制。但其实还是不行，我们国家就说：你当时训练使用的这些数据，一定要把它的权限理清楚之后，你才能够把它卖掉。所以现在就卡在这了。
（三）Claude 在编程上的超越，以及一个段子
接下来就是训练。去年Claude 出来之后，就把OpenAI 的那条产品线完全盖过了。这个时候就发现，用它来做编程、写代码，已经完全可以超过基础水平，不用我们自己去做一些基础的代码工作了。
这里有一个小段子，老师看完之后大笑了：Claude 在帮忙改那个程序里面的 bug，那个bug 很难，然后它很认真地在调；而旁边的人类，像一个笨头笨脑的大头鱼一样在那边摸索，不知道发生了什么，不知道怎么回事，不知道它是怎么改的。
这基本上就是当代人类与AI 协同工作的一个非常好的写真。
老师说，其实现在很多情况下，他把一个任务交给AI，然后AI 给他出来一个东西，他都惊呆了，说它是怎么实现、怎么完成的呀。
（四）老师装Claude Code 的亲身经历
今年七月初，老师请了他的学生帮忙，帮他装Claude Code，因为现在Claude 被封掉了，是被禁止的。从这个产品出了之后，它是严禁中国国内的IP 去使用的，所以我们想要调用这些模型或智能体相当困难。
首先你得翻墙。翻了墙之后，有一些梯子因为已经被太多大陆的用户同时使用，已经被锁定了，它认为还是来自大陆的用户，所以把这个梯子也给堵掉。你得找一个靠谱的梯子，这是第一步。
第二步，你得花巨资。这个钱不是我们国产模型那种一两百就可以解决的，那是几千块钱。然后花了巨资，它通常还不稳定。
在六月份它推出最新版本之后，美国商务部直接发布了相关的法令，禁止给中国使用。老师顺带提到达利奥（桥水），说查它的CEO，特别繁华（此处口误，随后略过）。老师在用Claude Code 的时候，要通过另外一种平台的方式，那个安装就非常复杂，叫Visual Studio Code，然后要搭载一个CC switch。
CC switch 是提供给你选择用哪一个大的模型；Visual Studio Code 是一个编写代码的平台，等于说是用代码平台去调用Claude Code 的接口，反正就是七弯八绕，很复杂。
安装的时候经常会出现一些bug。帮老师安装的这个同学，他自己是在 Windows 上装，而老师的电脑是Mac，操作系统不一样，然后就出现了问题，类似于某一个文件没有办法安装之类的，就卡在那了。按照我们过去了解一点计算机的做法，一般卡到bug 之后会怎么样？
会把那一段bug 的描述放到搜索引擎里面去搜，看有没有相关的编程论坛，像GitHub 这种，给出了解释，然后按照解释上的指示一条条地去做好。当时老师就已经感受到：那位同学直接就来了一句自然语言，把那个bug 的描述、什么什么文件的问题丢进去，说把这个东西解决一下，然后Claude Code 就直接开始行动了，动作完了之后，这个问题就过了，就解决了。
老师就跟那位安装的同学说，从这里看，就感觉人已经完全干不过这个AI 了。他还问同学：你知道它刚才是怎么解决的吗？同学说，你看这写了一大串的解决思路。老师说，那就是一堆说明，我是不会去看这个东西的。所以从这个时刻开始，AI 不再是简简单单地给你制一个PPT 这种功能了，已经开始往编程上面去搞了。
（五）2025 年11 月的重大事件：小龙虾OpenClaw
去年十一月份的时候，有个非常重大的事件，叫小龙虾OpenClaw。当时大家全部都在关注，我们国家从老到小都在关心这个东西到底是什么、怎么样用，大家都想去学习一下。
也包括它的设计者。他是一个人，他设计小龙虾这个界面、这个窗口，只是想跟自己的Claude Code 通过语音去关联，因为Claude Code 需要你去输入、去打字。他就说，如果设计一个接口，用语音，然后这才构成了这样的一个东西。它是一个对话接口。连他自己都没想到，为什么我们编的这个小龙虾在中国会掀起这样的一个热潮。
当然，小龙虾出来之后，大家也是通过小龙虾去调用Claude Code，底层还是这个Agent。
这个国家工信部也出台了一系列的警示，因为Agent 是可以帮你去处理电脑上的东西的，是真的可以操作，这是有安全风险的：你怎么知道它把你的文件放到哪里？你会不会被篡改？等等这些安全风险。
这是小龙虾。随后在七月份，腾讯也出了最新的产品。（这一段课堂上音频断续，内容不完整。）
（六）关于迭代速度
可以看到，真的是越来越快，好像每个月都有新东西。有的产品发布上线没几天，它就把它撤回，做技术的更新。
九、开源与闭源：中美两条不同的AI 发展路径
先看开源。开源首先意味着训练参数等东西开放出来，你可以基于它的开源做开放的使用，可以是免费的。也就是说，它是用一种占领市场的行为来看待的。
而且我们国产的模型通常来说价格不贵。它虽然说也会产生故障，但是评价众说纷纭：有的人就特别鄙视国产的，说差了很远很远。
老师的实际体会是：他自己在用，觉得已经够好了。他不需要花很多途径、用那种很困难的方式去绕过又一个又一个的封锁，然后还花几千块钱去用国外最新的模型；用国产的，准确率也很高。
这就是开源跟闭源的两种发展模式。那么美国为什么闭源？
（一）美国走”科技加金融”，中国走”实用”
美国的AI 做出来之后，它的目的其实不是在市场上应用。美国的AI 发展是走科技加金融的道路，而我们中国的AI 发展是走实用道路。
要实用，就不能太贵。现在美国的中小企业都在用我们国家的国产模型，因为美国的模型太贵了。他们的企业收益本来就不多，再用一个消耗这么大成本的AI 模型，实在负担不起。
（二）美国为什么能靠金融推动
大家想想，美国连比特币都可以炒作，炒成一个价格，还有稳定币。
美金本身连废纸都不算。美金的霸主地位，它背后有相应的工业制造能力做支撑吗？其实不太匹配。那美金为什么能换那么多东西？还不就是因为它的霸主地位：美金是全球各个国家都需要的，你要去交易，中国跟欧洲的国家交易，用欧元吗？用英镑吗？用人民币吗？都不行，你肯定是用美金来交易。
那用美金交易，交易双方每次都要把自己的本国货币换成美金。换到手了，你卖出去的货换到的这个美金做什么用？放到国内你也用不了，你只能去投资美国。
美国就有国债：当美国政府缺钱的时候，就发国债，反正全球人都来买。也就是全球人辛辛苦苦地劳作，去支撑他们的这种金融。所以他们在玩金融，他们不需要辛辛苦苦地在工厂里面做工，不需要在田里面生产，直接就动一动金融的小手指，钱就源源不断地来了。
各个国家都有美元储备，要么就买美债，要么就买美股。美国的金融很发达，这些公司背后上市圈钱，大把的人要把钱送给这个公司给他们花，所以他们是不考虑营收的。
（三）一个例子：Sora 的死
要考虑营收的时候是什么样呢？老师举了一个例子。做图形视频制作的Sora， 2024 年推出的时候震惊全球，它制作的视频非常精致，你就给它一段描述性的话，它给你做一个动态的东西出来。而在此之前，Midjourney 只能做静态的图片。
但是Sora 现在已经死掉了，因为它活不下去了，养不起了，整个生产线就从谷歌集团裁掉了。它不是靠用户去给它付费的，它是靠金融。但是谷歌是老牌的互联网企业，它本身在AI 时代就站不稳脚跟，所以就把这个不赚钱的给撤掉了。
（四）白热化的竞争
所以我们中美两国有不同的AI 发展路径。现在这个AI 竞争也是到了一种白热化，是一场看不见的硝烟的战争，斗争是非常非常激烈的。
（五）关于Kimi K3 的谣言，以及月之暗面报案
有一件最近没有得到证实的事情：Kimi K3 后来被爆料说，它等于做了一个中介，就是说它背后没有真正的一个AI 模型，它是把用户给它的请求，转移到它拥有的Claude Code 的用户账户上（它大概
有5000 个账户），把我们这些普通用户的需求转给Claude Code 让它们回答，回答完了之后再把答案抄回来。
就在前两个星期，老师密集地看到了很多关于这个的谣言。但他严谨地去查了一下：不是Kimi，是月之暗面，月之暗面已经报案了。
这个谣言是针对公司名称、创始人杨植麟及员工的。杨植麟他们这些都是青年才俊，特别年轻。在B 站上，杨植麟有一个非常长的访谈，老师建议大家可以看一下，上面很多单词老师都搞不懂，因为他讲了很多底层内核的东西。
老师说，从这个创始人的表现看，他感觉是一个非常严谨的人。所以在这种情况下，他就很难相信：原来大肆宣传、说做了很大突破的这个K3，居然是一个虚假的产品。底下有评论也是这样调侃的：一个199 月租的模型，如果这个事情是真的，能让我享用到几千块钱的Claude Code 的回答，那我觉得Kimi 也是做了一件好事，你做中介，那你怎么能把这个价格打下来？
所以这种战争就很难说，到底是因为最近这两家公司都在面临上市、还有商业上的竞争，或者是真的跟国际上的AI 竞争有关、投放的一些谣言去抹黑。老师说自己真的说不准。
十、AI 热潮的历史参照：一张梗图与ChatGPT 的字母诗
这是它们的发布时间线。然后我们再来看一些相关的、很有趣的现象。
（一）泳池梗图：AI art、NFT 与元宇宙
当ChatGPT 最早上线的时候，大家看到左边这个梗图。这个梗挺有意思的：媒体和大的投资人在泳池边，ChatGPT 跟AI art 被拉起来，觉得只有你这种公司冉冉升起，非常受关照、非常喜欢；而NFT 呢，都快淹死了，都没人管；在游泳池底下、已经只剩骷髅的是什么呢？是元宇宙。 NFT 是基于区块链技术的non-fungible token（非同质化代币），它是一种数字产品、数字珍藏产品的应用。然后这个也死掉了。
（二）盲目追新的风险：南京信息工程大学改名
2022 年ChatGPT 出来的时候，大家想想元宇宙。元宇宙当时引发过很多争议。老师记得南京信息工程大学（他查了一下，它不是一个野鸡大学），在元宇宙这个技术刚刚兴起、非常火热的时候，把整个的一个专业改名了，感觉是改成了元宇宙工程。
其实你想一想，你盲目地追新，是有风险的。你现在谁还在提这个理念？
（三）老师的判断失误
那张图就已经告诉我们，AI 在当下是最受火的。但是老师当时很早、两三年前看到这个图的时候，本以为AI 也会像区块链、元宇宙一样，也是一阵风。但是他判断错误了。 2022、2023、2024、2025、2026，它越来越触发了老师的焦虑。他感觉AI 在成熟模型上的发展，太恐怖了，让人恐惧了。
（四）ChatGPT 的字母诗：从A 到Z 讲灰姑娘
旁边是当时ChatGPT 的一个信息处理的例子。比方说你给它一个任务，让它用一句话来解释灰姑娘这个故事、去描述这个故事，这个大家都能做，不难。但是它的要求非常严苛：你的每一个单词的首字母连起来，要从A 到Z。
你看，它可以完全实现，一个美丽的Cinderella，从A、B、C、D、E、F、G、 H 一直排下去。它能做到。
老师说，我觉得让母语是英语的那些人这样来做，他们是做不到的。这相当于什么呢？让我们用AI 给我们写一段rap，单押、双押、连押，普通人是写不出来的，AI 可不可以？
十一、大语言模型与AI Agent 的区别
刚刚说的是大语言模型，它只负责语言对话。那Agent 呢？Agent 可以感知环境，可以做任务的执行。
（一）AI Agent 的功能结构图
来看这个图，它代表的就是AI Agent 的功能。
比方说它可以跟人进行交互，这是交互的界面，这个很容易做到。但最主要的是什么呢？它可以通过一系列的prompt 词去执行instruction，就是给它的指令。现在AI 很火，大家在看社交媒体的时候，skill、prompt 这些词大概都听过吧，叫提示语。prompt 就是说，你用不同的prompt 是可以达到不同的结果的：同一个问题、一个目的，有经验的人用一套非常结构化的prompt，可以得到很完善的一个结果。
然后是输入请求词，它可以连什么呢？可以连整个的一个大环境，可以连整个互联网平台。连互联网平台的时候，你要查询资料，它就可以去调用谷歌；你要去查天气预报，它可以去找天气预报的网点；你要去编程，它可以去调用Python 的接口，等等。最主要的是什么呢？
当初老师在装Claude Code 的时候，有一个Visual Studio Code 平台，这个就是来装Claude Code 的，但是它要调用大语言模型，所以这两个是分开的，中间用CC switch。这个大语言模型你可以装任何一个，不管是DeepSeek 的也好，还是国内或者国外的一些产品也好，它可以跟你对话，可以
为你生成文本。而最主要的是，Agent 可以调用你自己电脑上的资源，像memory，存储的一些资料、一些数据。
（二）老师自己的测试：一句话做一个网页
老师给大家秀一个。他当时买了Kimi K3 之后就用了一下。他就给它一句话：你能不能做一个网页，这个网页就是用OpenAI 跟Anthropic 的高管流动，做一个显示人员变动信息的网页。我们来看一下：它首先会有这样的一个prompt，做网页。那第一步是干什么呢？首先肯定是要搜索这些信息，它把所有高管最近几年的人员变动情况去找，查的是谷歌、查的是搜索引擎。
然后查到这些信息之后，它去写网页，要调用工具，这就是它的外部环境。最后是跟你有一些交互。
老师好像还给它提了一些形容上的要求。这个早期的版本，他让它更新过。
来看最后的情况：它就制作成了这样的一个网页，而且这个人物信息点开是可以查看的。就这么简单的一句话，它就会给我生成。拖到后面这个复杂一点：你看它左边这一块就是OpenAI 公司，有人员的流动，流向了其他的各公司，最终Anthropic 成立了。刚开始还没有出现，这个时候，到了后来一月份走了一波人过来（老师课上口误说成”达里奥”）。
然后他们之间，每个公司里面的人员、高层人员变动也是非常频繁的，有一些政治斗争，动来动去的。所以你看这个网页，动态的，做得非常完善。这就是AI Agent。
（三）AI Agent 与LLM 的四个区别
那么AI Agent 跟LLM 的区别主要在哪呢？
第一，它是以目标来驱动的。是给一个目标，不是给每一步的指令。
第二，它是可以自主规划的。它自己会拆解任务。你其实详细地去点开，比方说你用的Kimi，你可以看到它每一步在做什么、下一步做什么，它是有非常详细的解释的。
第三，它可以调用外部的工具。它不像大语言模型是封装的。第四，它可以反馈跟循环。老师现在经常用它去做PPT，做完PPT 之后，他甚至不用说第几页，就告诉它某一个概念或某一个单词你这样翻译得不对，你给我用一个比较精准的翻译。
他都不用给它一个指令说”你把这个词翻译成什么”，就说”你给我翻译清楚”，然后它就可以反馈、调整自己的行动，自己迭代。
十二、AIGC：图片与视频生成
讲完了大语言模型，我们再来看一大类新的AI 应用，也就是AIGC（AI generated content）。这一块主要涉及的内容是什么呢？图片跟视频。
（一）产品时间线：Midjourney、Sora、Seedance
我们最早看到的图片产品是Midjourney。然后是2024 年12 月，我记得也就是那一年快过年了，一时之间社交媒体上又在炒作：哇，出来一个Sora。这个Sora 非常让人震惊，它可以做一个视频出来。然后过了没多久，Seedance 就出来了；过了半年，Seedance 1.0 出来了； Seedance 2.0 是在今年的二月份出来的。这个时候Seedance 已经可以做很多很多的短视频了。
我们看到的一些短视频，非常精美、精致。比方说这一个，老师当时也有点震惊，是模拟的一个韩团，好像它的歌、包括人物，全部都是AI 生成的。反正我觉得，你不告诉我是AI 制作的，我真的就看不出来。
（二）版权问题就藏在评论区
老师没有做过追踪，不知道它可能是有参考一些现有韩团的图片和视频。你看这个评论很有意思：作者说”这只是一个测试哈，可能参考了某些形象啊，抱歉啊”，对版权的问题怎么样怎么样；然后底下就有人说他是侵权，说这可能是真人，直接把他插放进去的。
很明显，这里你们会有版权问题。
（三）没有免费版
Seedance 老师本来想去测试一下，去那个网页输一段文字，让它生成一个视频。后来发现它没有免费版本，就是你一开始就得花钱。它不像别的产品一样，还有基础款、还有升级版，这个我肯定是要花钱，所以就没有上手用。
（四）AI 生成视频的两条技术路径
那这个AI 是怎么实现的呢？你给它文字，它为什么会生成视频？我们看一下，这套AI 技术是有两条路径的。
第一条路径：通过文字去产生视频。这个文字产生视频的过程，就是一个降噪的过程。
什么叫做噪声，我们待会再讲。首先给它一个文字提示词，把这个文字提示词生成一个初始向量。大家看到的就是这边这样的一个、你们很看不清楚有什么内容的、完全噪声的一张图片，然后一点点地去降
噪、降低这个噪声。
这个降低噪声的依据是什么呢？因为我们也有大量的素材，素材里面是一个相反的过程：是先有图片，然后给它增加噪声，形成了这样的内容。所以我们通过AI 训练，训练的是知道它反向的这个操作，一步一步地噪声怎么降下来。知道噪声怎么降下来，也就知道怎么样去实现这个反向过程，实现这个图片的生成了。
第二条路径：影像到影像，或者是图片到图片。这个参照的是我们传统动画制作里面一个已经非常成熟的路线。
过去的时候，其实我们有些动画片，比方说很早的迪士尼，它的白雪公主是真人去演绎，先演绎，然后拍出那个胶片，那个胶片投影到画师的纸上，投上去，然后画师去照着描，这样会更加快速一点。
所以我们是通过已有的素材给它慢慢地控制，然后让它去生成我们想要的一系列影视作品。
（五）B 站上的讽刺视频例子
B 站上有一个视频，拿特朗普，还有高市早苗，还有台湾地区现在的那位所谓领导人，拿他们三个人做了一个讽刺的视频。用的是很早的一个早古的电视剧，描述了一个高门大户，那个老爷要给自己的儿子娶一个媳妇。
现在就模拟这个日本、美国还有台湾地区之间的等级关系：相当于日本叫美国爸爸，台湾地区就是跟着表现得像孙子一样。然后把台湾地区领导人的头像放到那个儿子的头上，特朗普是那个爸爸，为他娶的那个老婆呢，是高市早苗。
所以这就是什么呢？先有影像，然后再逐帧重画，是通过这种方式来的。
（六）黑神话·悟空的人脸捕捉
包括我们的《黑神话·悟空》，里面这些动画人物其实都有人脸捕捉，是有真人去提取他的这些面部表情，然后把它放到游戏的项目里面去了。这是我们讲到的AI 的现有应用。
十三、AI 的发展趋势：从金融界、科技界、政府部门三个面向看
那么我们再来看一下AI 的发展趋势。这里老师选择了三个不同领域的重要观点：第一个是金融界。我们刚刚已经讲到，美国的AI 发展主要就是靠资本在背后推动，那这些资本家是怎么看待AI 的？
然后科技界，这些科学家、工程师怎样看待AI 的发展？老师用了黄仁勋今年的一个博客，讲他怎样看待AI 是一个多少层的架构、由哪一些层组建而成。
然后再来看我们政府部门。政府部门有一些官方的，比方说人工智能发展报告，还有政府的一些战略规划，我们国家的这样的一些规划。我们就从这三个大的面向来看待AI 的发展。
（一）金融界：Bond 的AI 发展报告
这个图是从Bond（一家很有名的金融投资公司）做的一个AI 发展报告里节选的图片，我们来看一下这个态势有多凶猛。横轴是年份，纵轴是终端数量。什么叫终端？终端就是搭载了这个AI 应用的设备。我们来做一个对比：前面一个是手机终端mobile。mobile 的终端数量在全球范围内看的话，大概是41 亿个这样的终端数量。但是AI 呢？它是一个指数级的量级的增加。
大家看到，AI 是tens of billions，是百亿级的终端。
大家有没有想过一个问题：你作为一个终端，在我们国家手机的普及率应该很高了，14 亿人口基本上都是十几亿部，除了小孩没有自己的终端，老人也可能没有，那肯定都是有的。所以为什么AI 的终端还会超过手机的终端？
那就说明，这个AI 终端不只是装载在我们的手机和电脑上。这个还不算，还有一些工业级别的应用：比方说我们的工业机器人、我们搭载的无人机，这些都属于 AI 设备；还有我们的无人工厂、黑灯工厂，基本上就是机械臂在里面做操作，这些都叫AI 的终端。所以这个数量级上是非常庞大的。
（二）每个时代的基础设施支撑不一样
我们来看，底下支撑这些量级的一个最主要的设备、一个架构是什么呢？到AI 时代，就是芯片、GPU。
在互联网时代、我们手机终端的时代，是大数据，是云计算，像云计算中心这样的一些基础设施的支撑。那么在更早一点的个人主机时代，更早的话，那就是CPU，就是我们台式机里面的芯片，以它为基础。所以我们未来不光是AI 模型的一个竞争，其实我们也是一个算力中心的竞争，是芯片的竞争。
（三）模型数量的增长：从一家到几百家
那么从模型开发上来说，我们看到速度也是非常惊人的。不管是大语言模型还是Agent 的模型，种种的、但凡是有特殊功能的AI 模型，它的量级在四五年间的增长接近一百七十倍（老师口述为”百分之一百七十”，指增长约170 倍），这个年增长是非常非常强的。我们来看旁边的这些公司，有很多我们知道的公司，对吧？
X，就是马斯克现在做的这一套；然后微软，它虽然是做芯片和软件的，但是它也做一些模型等等；还有很多我们都不知道的公司。你看最早的是什么呢？最早的谷歌，它做这个下棋的AlphaGo，下围棋的 DeepMind，这是2017 年，就它们一家在做。
但是到了2024 年，多年之后，已经有几百家的模型存在了。
（四）AI 表现日渐成熟：图灵测试的反转
关于AI 数量的指数级增长还不够，AI 的表现也是在日渐成熟的。
大家看到左右两边的这两个对话，这是一个图灵测试：让一个真人来做一个对话，你去看这个对话，你能不能发现它是一个机器生成的、很一板一眼的对话，还是说它是一个真正的人类的对话。当你判断不出来这个机器的时候，它就已经通过了这个图灵测试。
在这个图当中我们可以看到，左边的Witness A，它的回答非常的谜语化、口语化，用了很多我们现在最新的、时兴的词。其实很多人都会把这个Witness A 当成人。然后把这个Witness B 当成人，其实它是一板一眼地回答。比方说问”你喜欢做这样的一个case study 吗？为什么？“然后它就回答”It depends. Sometimes I’m just not in the mood to write.”，就是有的时候我就是没有心情去写。那这种回答实际上是人类的。旁边的回答”They are chill”，你喜不喜欢？
哎，这个很酷啊，怎么怎么样啊，这反而是机器的回答。
说明现在我们的大语言模型已经远远地超过了这个图灵测试。
（五）图像的成熟：向日葵项链
这个是图像的发展成熟。你看在2022 年的时候，Midjourney 模型一代，你给它一个文字的请求，说要画、要设计一个女士的项链，那这个项链呢，是要长得像那个向日葵。我们看到，就像我们画的一样，弯弯扭扭。然后到了2025 年4 月份的模型期（新版模型）的时候，同样一条指令，它已经画得非常精致了。
老师记得2023 年看小林（一位博主）在讲，Midjourney 画人手、画人脸已经画得很完善了，但那个手、手指头总觉得有点奇怪：有的时候多画了一个指头，有的时候五个手指头那个长短就很怪。
结果他讲完这个事情之后没几个月，再见面（再看新）的作品，已经把这个手指头的问题解决了。
十四、AI 会影响哪些未来的产业
AI 表现这么好，那么有哪一些未来的产业会被AI 所影响呢？我们来看一下。
（一）知识工作者
它对知识工作者将是一个影响。大学老师算不算？
老师其实包括他自己，周围已经不止一次地表达过这种担忧：我们不知道我们生存还有什么价值意义。
大学老师，文科的老师，你说现在论文，你让它去总结一下这个论文的观点，或者让它去提炼，然后让它去发现有哪一些可值研究的点，它完全可以给你代做了。
然后数据分析也不需要你去做。你把原始数据输入进去，你说我做一个项目，做一个数据清洗，做一个线性回归，它也是完完全全可以的。
你甚至用的这个高阶一点的话，你可以让它在网页上帮你找数据。所以你这个知识工作者会不会被影响？很明显。
（二）教育、法务、顾问
接下来是什么呢？教育、法务、顾问。我们后面看到国家的一些尝试，比方说深圳市，它在做一些政府尝试的AI 应用，已经有这样的一种意图，去做成比方说劳动保障的咨询。
大家知道现在劳动争议很多，但是我们国家的法律资源很少，也就是律师是很少的，律所是很少的，而且你去咨询一下成本还是很高。
所以政府机构考虑去做一套AI 的咨询系统，去解释、去根据别人的请求描述事实，然后给你提出法律的建议。这个是一个会被影响的领域。
（三）客户服务：淘宝里的千问
然后还有客户服务。客户服务嘛，那很简单，就是我不喜欢这个产品，或者说是我需要什么样的产品，它会给你解释。
其实现在淘宝里面已经有很多这样的应用了，有一个千问。
过去你会看到，比方说你想要一个服装，那个服装的材料、料子是一个什么材质的，它的款式是什么情况；或者那个护肤品它有什么成分，你基本上过去是需要我们去看产品的评论、购买者的评论。但是现在我们已经看到，那个APP 里面直接就会有一个千问的回答，它就会把你所想要的答案及时地反馈给你。
比方说这个护肤品成分是什么样的，然后这个是棉的还是丝绸的，穿在身上是什么感受。现在千问都已经做出来了。
（四）搜索引擎与社交媒体：谷歌、Facebook 的痛苦
那么对搜索引擎，其实这对谷歌、对Facebook、对社交媒体的搜索引擎，是一个非常剧烈的动荡。这就不亚于说社交媒体出现之后，对我们的传统媒体、对我们的电视广播报纸的冲击。
因为现在你们要有一些什么样的提问，你们是不是直接就问豆包了？你们很少再去百度了吧？如果是小心谨慎一点的，你多方去验证一下。其实我们已经发现，大家就直接在豆包上问了。
刚开始的时候还害怕它会出现一些幻觉，其实它出现过。老师很好奇，搜自己的名字问豆包，然后它给了一个不知道从哪来的照片，那个人肯定不是他。他就觉得很有意思：文字的解释都是对的，我的网页也是公开的呀，它连截取我个人教师主页上的那个照片都拿得到，我不知道从哪搞的这个照片。
因为老师当时想的是什么呢？出去开会，经常跟人碰面，本身记人、记脸都记得不行，然后就查了这个名字、查了这个学校，想赶快知道他是哪个高校的、哪个专业的、研究过什么。当时就用豆包去查，查完了之后，后来就好奇，说我查一下自己吧。后来发现那个照片真的不对。
但是现在的问题是，这个社交媒体还有一些内容生成，其实都蛮影响你在社交媒体上的内容创作，它都是AI 来代理。所以搜索引擎跟社交媒体平台，谷歌跟 Facebook，生存是非常非常痛苦的。它们的好日子大概也就十来年，作为一个垄断性的互联网平台。
（五）软件开发
然后就是对软件开发。我们看到，大概它的影响范围是3000 万个（searching million，三千万个）基层的软件开发者。它影响这么广泛、这么广大的一个职业从业者面向。
（六）医药化学开发
然后是医药化学开发。医药化学开发我们需要做一些基因测序、药物的效果测试，这些都是需要用到AI 的这种测算工具的，它的影响非常大。
（七）金融
对金融，我们上次去讲座的时候，已经有基层的公司，比方说仙桃他们做的那个公司，已经开始在用AI 做金融投资了。
你想，DeepSeek 本来最早就是在做量化的，它本来就是一个金融公司嘛， DeepSeek 的钱是从那来的，所以它才有钱砸着去开发这样一个大语言模型。
我们现在的一些金融投资，怎么样去看这些市场的变化，怎么样去捕捉哪些信息，怎么样去看这个股票的动荡，这些特征其实都可以用这个模型去做一个分析。
（八）制造业
还有制造业。制造业的话，我们讲无人工厂，还有一些可替代的基础工作，都是靠这个人工智能的。
（九）最大的问题：就业在哪里
所以看到这个问题的时候：这个职业会被影响，工业环境被影响，其实最后风险最大的一个问题，就是下一个问题：就业在哪里？
就从五六年前，老师的学生就开始哀叹不好找工作，每一年都说今年不好找。从疫情之后吧，每一年都不好。这个每一年不好呢，有全球经济都在走下行的因素存在。但问题是，从2023 年开始，就叠加了AI 对人类工作的替代。所以这个问题导致了现在我们一谈到就业、经济，看法就是相对来说比较悲观。
（十）达到100 万用户所需天数的对比
那这个图说的是什么呢？就是每达到100 万用户，它使用的这个天数。你看，最早的这个工业时代，到这个电脑终端时代，到移动终端的时代，然后再到这个AI 的时代，你看这个终端达到的数量。要达到100 万个家用汽车的用户数，花了多久时间呢？花了2500 多天，时间是非常长的。达到100 万个iPhone 智能手机的用户，花了多久？还要74 天。
但是ChatGPT 达到100 万个用户，花了多长时间？只要5 天的时间。这个迅猛程度是非常让人惊讶的。
（十一）老师的一段个人回忆
老师记得iPhone 最早是在他读博的时候、在美国的时候出现的。那个时候稍微有钱一点的同学，就拿了一个这样的iPhone。
他当时买不起iPhone，他是买电脑送了一个类似iPad 那样的、有点像手机但是很薄的终端，那是他最早接触智能手机。
十五、本节小结与下一步
回顾整堂课的思路：从数据收集的告知与选择权讲起，讲到智慧城市、数字孪生对线下数据的汇集；再讲光有规划不够、要有安全技术与强制执行；然后落到我国三部数据法律为什么在2021 年密集出台（滴滴事件是导火索），以及三部法律” 房子—房门—房内所有东西—最值钱的东西”这个层次的区别；
再用武汉交管内部人员卖出行数据的案例说明法律挡不住管理漏洞、数据被偷了还很难发现；接着引入《制度与组织》的规制性、规范性、文化性三大要素，说明数据保护最终要靠文化认知和羞耻感。
下半节课从数据分析转到算法与AI：先用扫地机器人和拖地机的路径测评说明算法就是为达到目的而设计的一系列流程，同样是人设计的算法表现力也千差万别；再看最新的通用智能体广告、李飞飞的Atlas 空间模型；然后梳理大语言模型与 Agent 的发布时间线，讲OpenAI 与Anthropic 两大巨头、校友Manus 被卖的可惜、 Claude Code 安装经历、小龙虾OpenClaw 的热潮与工信部的安全警示；
再对比开源与闭源，讲清美国”科技加金融”与中国”实用路线”两条路径的不同，以及Sora 被裁、Kimi K3 谣言与月之暗面报案这些现象；最后用泳池梗图、NFT 与元宇宙的死、南京信息工程大学改名，提醒盲目追新的风险；用A 到Z 的灰姑娘、图灵测试的反转、向日葵项链说明AI 能力的成熟；再用Bond 报告的终端数量、模型数量、算力与芯片竞争，以及知识工作者、教育法务顾问、
客户服务、搜索引擎、软件开发、医药化学、金融、制造业这一串被影响的行业，落到最尖锐的问题：就业在哪里；并用家用汽车2500 多天、iPhone 74 天、ChatGPT 5 天这个对比收尾。
课堂上老师最后说到”那么科技界对这个AI 的发展看法”，也就是黄仁勋那部分的内容，讲稿音频到这里就断了，需要下次课或看课件补上。