寒冬里的求索——科技公司的新突破
图片来源：图虫创意
随着亚马逊、脸书、微软、特斯拉等公司相继启动大规模裁员，美国的科技企业似乎彻底进入了“寒冬”。当目睹了一众大型科技企业在短短几个月内失去了数千亿，甚至近万亿美元的市值之后，很多人对这些企业，以及整个科技领域的未来产生了怀疑。
这场科技企业集体遭遇的“寒冬”会持续多久呢？对此，我个人是比较乐观的。如果我们回顾一下历史，就会发现在上一次互联网泡沫破灭之后不久，互联网领域就迎来了新生，而催动那次新生的很多重要技术和商业模式则是在市场最低迷的那一段时间内孕育的。
这段历史告诉我们，无论总体环境多么恶劣，如果一个行业中含有的新力量足够多，那么它重新赢回繁荣的希望就很大。而在当下，只要我们对美国的科技企业进行一些观察，就会发现即使在这一段萧条期内，这些企业依然没有停止对技术的研发，以及与技术匹配的商业模式的探索。而这一切，很可能会成为开启下一轮繁荣的关键。
在本文中，我们将对七个技术领域的发展进行一些介绍，看一看在这些领域中，科技企业正在怎样求索着未来。
大模型带来的AI小高潮
几年前，我曾应邀做过一个关于人工智能对就业影响的报告。在报告之后的问答环节，有一位女士向我问道，她想让自己的孩子学点儿难以被人工智能替代的技艺，不知道计算机是不是一个理想的选择。我当时的回答是：“在我个人看来，编程是很可能被人工智能所取代的，至少一些对创造性要求不高的编程是这样，因为它们其实就是按照某些规则来处理问题，而只要这些规则是明确的，那么人工智能就应该很容易实现。”
尽管我对自己的判断是比较自信的，但在当时，我估计如果要让人工智能可以像人类程序员一样编程，得要用上至少十年的时间。但在短短的几年之后，事实就证明，我当时的预期实在是太保守了。就在这几天，一款名为ChatGPT的交互式AI程序刷爆了朋友圈。尽管交互式AI并不是什么新东西，例如微软小冰、苹果Siri都可以归于这一类别，但过去的类似AI所能进行的交互、处理的问题通常比较简单，至多只能算是一个小型的辅助工具。ChatGPT则完全不同，它可以被用来处理相对复杂的任务。
比如，我曾让ChatGPT解答一个“鸡兔同笼”问题。当我把问题输入对话框之后，ChatGPT就会开始和一个小学生一样，列方程、算答案。一会儿，一个完整的解答就出现了。不过，不知道是由于对中文的文本训练不足还是其他什么原因，它给出的答案并不正确。我要求程序重试，于是，ChatGPT就又进行了一遍演算。到第三遍时，它给出了正确的答案以及十分工整的解答过程。相比于求解用文字描述的数学题，ChatGPT在其他一些需要描述的任务上要好得多。例如，我让它生成一段关于Web3.0的一千字左右介绍，它立刻生成了对应的文本，并且从我个人的判断看，其内容还是有一定专业水准的。
ChatGPT最令人吃惊的功能还是我认为可能还要过上几年才能实现的编程。比如，我让它用python语言编写一个“九九乘法表”，它立刻编写了对应的程序，还顺带生成出了运行的结果。值得一提的是，ChatGPT强大的编程能力甚还造就了一个最近流传颇广的段子：说由于马斯克要求推特的程序员们每周都要提交编写的程序，所以现在这些程序员正在密集使用ChatGPT，让这个AI来帮助他们应付“黑心老板”的压榨。
当然，如果有哪个程序员真的要用这种方法来糊弄马斯克，那可能多半是难以蒙混过关的。因为归根到底，其实创造ChatGPT的OpenAI最早就是由马斯克和山姆·阿尔特曼（Sam Altman）等人一起缔造的。据说，在2015年12月，马斯克和硅谷知名创业孵化器Y Combinator的掌门人阿尔特曼，以及PayPal联合创始人彼得·蒂尔（PeterTheil）在一个人工智能的会议上相遇，三人相谈甚欢，一拍即合，于是就在一周之后成立了OpenAI。此后，马斯克由于特斯拉与OpenAI在数据上的利益冲突问题离开了OpenAI。不久后，微软就对OpenAI投资了10亿美元，并让OpenAI用Azure云来进行模型的训练。
在微软的强大财力和资源的支持之下，OpenAI训练出了一系列功能强大的AI产品，而其中最为著名的就是自然语言处理模型GPT系列。所谓GPT，是“生成性预训练”（Generative Pre-Training）的简称。这种训练方式分为两步：第一步利用没有标签的文本数据集训练语言模型，第二步是根据具体的下游任务对模型进行调整。相关的研究证明，采用这种训练方式，可以很好地利用海量的无标签文本材料，从而让训练效果更好。
当然，除了训练原理外，GPT系列模型最显著的特点就是其包含的巨大参数数量。在GPT-1中，参数数量约为1.17亿个；GPT-2的参数数量约为15亿个；而到了GPT-3，参数数量更是达到了骇人的1750亿个。如此巨大的参数，在经过海量学习材料的训练和校准之后，所得到的AI就可以很好地模拟人的思维和语言习惯，从而可以让AI能够用类似人的方式来思考和处理各种问题。
前面我们所提到的ChatGPT，其实只不过是GPT-3的一个模块，它的功能主要是让GPT-3所产生的结果以一个更为自然的方式呈现出来，从而让人与AI的交互更为便利。但仅仅是这样一个模块，就足以让数百万的注册用户震撼了，甚至还有人在使用ChatGPT之后惊呼：有了这个东西，那谷歌搜索不就要下岗了？
应该说，这种感叹是一定道理的。由于GPT经过了海量的文本训练，因此其对知识文献的整理能力是相当强悍的，从这个角度看，它将来确实有可能取代现在谷歌的部分功能，尤其是在各界期待已久的GPT-4面世之后。不过，如果要说它可以就此让谷歌“下岗”，这或许就有些言过其实了。
其原因，除了GPT系列本身依然存在的缺陷之外，更重要的是谷歌本身的人工智能能力也不容小觑。不仅谷歌自身的AI部门已经开发出了PaLM、LaMDA等功能强大的AI模型，其收购的DeepMind更是与OpenAI齐名的AI研究机构。例如，几年前击败人类顶级围棋选手，掀起人工智能热潮的AlphaGo，就是出自DeepMind。
而近年来，DeepMind更是开发出了很多堪称“逆天”的AI模型，例如其在2020年推出的AlphaFold就预测了超过两亿个蛋白质的结构，从而对分子生物学产生了巨大的推动作用；而其在最近推出的DeepNash，则可以有效处理信息不对称条件下的博弈，在实战中，已经可以战胜西洋军棋的顶尖人类高手。即使在大型自然语言模型方面，它也毫不逊色于OpenAI。目前，其已经训练的大语言模型就包括Go－pher、Chinchilla等。尤其值得注意的是，和OpenAI通过持续增加参数数量来提升模型表现不同，谷歌和DeepMind目前正在尝试用较少的参数来训练较少的模型。例如，Gopher模型的参数是2800亿个，而Chinchilla模型的参数则只有Gopher的1/4，约为700亿个，但在各种实验中，Chinchilla模型的表现则要优于Gopher。可以想象，如果在后续的实践中，谷歌将DeepMind训练出的这些AI模型集成到其搜索引擎当中，那么ChatGPT或者其他的产品想要轻易撼动其地位，也并不是一件容易的事。
需要指出的是，以上提到的这些AI模型其实只是现在科技巨头们开发的AI模型中比较有代表性的几个。随着人工智能技术的日益成熟，几乎所有科技巨头都加入了对高性能AI产品的研发，而各种明星AI产品则如雨后春笋般涌现。仅比较近的产品就有脸书的OPT-175B（其参数量和GPT-3类似，为1750亿个），以及微软与英伟达联合开发的Megatron-TuringNLG（其参数达到了5300亿个）等。不出预料的话，在未来的相当长的一段时间内，AI将会成为科技巨头们竞争的主战场。
开启计算的量子时代
随着人工智能、元宇宙等新技术陆续得到应用，人们对于算力的需求正变得越来越大。因此，如何突破算力瓶颈，也就成为了科技巨头们最为关注的问题之一。从目前看，对于这个问题，有两个不同的应对思路：一个思路是沿用经典计算的框架，用更多的计算单位（CPU和GPU）来创造更多的算力；另一个思路则是根据新的计算理论制造计算机，而量子计算机就是这个思路的一个代表性产物。
我们知道，经典计算的基本单位是比特，比特的状态要么是0，要么是1，因此经典计算机中的所有问题都可以分解为对0和1的操作。而量子计算的基本单位则是量子比特，它的状态则可以是一个向量。这样一来，量子存储器就比经典的存储器具有很大的优势。具体来说，对于一个N物理比特的存储器，如果用它作为经典存储器，那它只能存储N个数据；如果它是量子存储器，那么它可以同时存储的数据就有2的N次方个。随着 N的增加，量子存储器相对于经典存储器的存储能力就会出现指数级增长。
在进行量子计算时，数学操作可以同时对存储器中全部的数据进行。这样一来，量子计算机在实施一次的运算中可以同时对2的N次方个输入数进行数学运算。其效果相当于经典计算机要重复实施2的N次方次操作，或者采用2的N次方个不同处理器实行并行操作。这样一来，就可以大幅度节省计算次数。
打个不太恰当的比方：玩过动作游戏的朋友大多知道，在游戏中，我们扮演的英雄可以使用很多招数，有些招数只能是针对单一对象输出的，另一些招数则可以针对全体敌人输出。前一类的单体输出招数就相当于经典计算，而后一类的群体输出招数就相当于量子计算。我们知道，在面对大量小怪围攻的时候，一次群体输出产生的效果可以顶得上很多次单体输出的招数。同样的道理，在一些特定情况下，量子计算可以比经典计算实现效率质的提升。一个例子是大数因式分解。在这方面，量子计算就对经典计算有着碾压性的优势。比如，从理论上看，如果我们要用现有的经典计算机分解一个二进制长度为1000的数，将会耗时1025年，而如果改用量子计算机完成相同的工作，则用不了1秒就可以完成这个工作。另一个例子是新型药品发现。在进行新药开发时，研究者经常要用计算机模拟不同的药品分子结构。这一工作如果交由经典计算机完成，效率相当低下，而如果改用量子计算，效率则可以得到巨大的提升。
这里需要指出的是，作为量子计算的载体，量子计算机除了可以在某些特定领域实现超高的计算速度外，还可以作为试验场，完成一些量子物理的试验。例如，不久之前，谷歌就在自己的量子计算机“悬铃木”上实现了量子虫洞，成功地将量子态通过虫洞，由一个量子系统传递到了另一个量子系统。
由于量子计算拥有如此巨大的潜力，因此它也就自然成为了科技巨头们竞相争夺的制高点。其中，谷歌是在这一领域进展最快的。在2019年，它就开发出了上面提到的“悬铃木”计算机，这个计算机拥有53个量子比特，从而帮谷歌首先实现了量子霸权。“蓝色巨人”IBM实现量子霸权的时间虽然晚于谷歌，但作为老牌的硬件巨头，其进步速度显然更快。目前，它的量子计算机已经装备了433个量子比特，其性能已经要比谷歌的“悬铃木”胜出一筹。微软早在2015年就建立了量子计算实验室，尽管到目前为止，它还没有造出计算机成品，但却在理论上取得了很多突破，不仅发现了新的粒子，还对量子计算的框架进行了很多探索。这些成果，都可能在下一阶段引领微软实现量子计算的“弯道超车”。相比于微软、谷歌更重视单机量子计算机的开发，亚马逊则更加重视将量子计算的算力通过云提供给用户。为此，亚马逊推出了量子计算云服务Amazon Braket，并建立了量子云计算中心。如果亚马逊的类似工作顺利，那么在不久的将来，即使我们并不拥有属于自己的量子计算机，但依然可以通过云来调用量子计算，完成很多用经典计算难以完成的工作。
让元宇宙为产业服务
在虚拟现实（VR）、增强现实（AR），以及人工智能等技术实现突飞猛进之后，人们在赛博空间中构造虚拟世界的能力获得了空前的提升。因此，从2021年开始，元宇宙就成为了诸多科技企业竞相布局的领域。
最初进入元宇宙领域的是脸书等企业，其布局的重心是消费领域的元宇宙，其产品主要是满足人们的生活和娱乐需求。随后，微软、亚马逊等大型企业也相继进入到了元宇宙领域。和脸书不同的是，这些企业在布局元宇宙时，更加侧重于其在各产业，尤其是工业领域的应用，其产品也主要是围绕着提升生产效率而设计的。关于微软的元宇宙布局，在此前的专栏中已经有了比较多的介绍，限于篇幅，在此不再赘述。这里着重介绍一下亚马逊的相关布局。
在不久前的亚马逊云科技re:Invent大会上，亚马逊公布了一款名为SimSpace Weaver的模拟服务。这项服务可以根据用户需要对多主体、大规模的场景进行模拟，并通过直观的方式向用户进行呈现。借助它，用户就可以轻松地对诸如城市设施建设在内的各种公共项目的后果进行预测。在大会播放的演示片中，SimSpace Weaver模拟了100万人在拉斯维加斯四处游走的状况，通过将地理空间数据同成群结队的模拟人群叠加起来，我们就能观察到这样巨大的人群是如何在街道上活动、休憩的。
而在另一个测试中，SimSpace Weaver则模拟了整片森林中所有植物的生长状况，并据此计算了森林对控制碳排放和增加生物多样性的贡献。显然，至少对于个人或小企业，如此巨大规模的模拟是很难实现的，而现在，只要通过AWS调用SimSpace Weaver，就可以做到这一点。除了 SimSpace Weaver等模拟工具之外，针对元宇宙时代对VR、AR内容产品需求激增的情况，亚马逊还在AWS上提供了空间计算（Space Computing）服务。利用这一服务，用户可以像制作图片、短视频那样，以比较便捷的方法和低廉的成本构建3D模型和场景。这样，就为未来元宇宙生态的多样性提供了有力的保证。
为了能源而奋斗
随着大模型、大计算时代的到来，巨大的耗能量就成为了人们不得不面对的另一个问题。以GPT-3为例，其一次模型训练需要耗电19万度，妥妥的一个“电老虎”！与此同时，它还会产生85吨的二氧化碳，非常不环保。针对这一情况，现在越来越多的科技巨头已经将能源，尤其是清洁能源的发展和利用，以及节能技术作为了突破的重点。
在对能源领域的探索上，特斯拉是当之无愧的先行者。早在2015年4月，特斯拉就对外公布了一个名为“特斯拉能源”的方案。在该方案中，特斯拉宣布推出了一款名为“能量墙”（powerwall）的家用电池。这款电池可以悬挂在建筑物的墙上，并和太阳能板相连进行充电。在太阳能资源充足的地区，家庭完全可以通过“能量墙”来实现用电的自给自足。不仅如此，“能量墙”还可以接入电网，充当虚拟电厂的角色。这样，有电力富裕的家庭就可以通过它来出售富余电力获得收入，电力也可以在市场上获得更有效率的配置。后来，特斯拉又进一步推出了“能量墙”的商用版本“能量包”（powerpack）。截至2021年底，特斯拉在全美国部署的“能量墙”和“能量包”的储能规模已经达到了3992MWh。根据特斯拉官方的预测，其部署的储能设备规模将进一步达到1500GWh。在不久前的一次访谈中，当被记者问及“特斯拉能源”是否可以帮助美国解决能源问题时，马斯克信心满满地回答：“我相信它不仅可以解决所有美国人的能源需求问题，还能解决全世界人的能源问题。”尽管这个回答带有很大的吹嘘成分，但至少也在一个侧面反映出了特斯拉在这个领域取得的成绩。
另一家大举进军能源行业的科技巨头是亚马逊。一方面，和特斯拉类似，亚马逊也在储能领域进行了大规模的投入。尽管从储能设备的建成规模上看，它暂时还无法和特斯拉相提并论，但依然是不可小视的。另一方面，亚马逊也在积极推进能源的分散化。目前，亚马逊已经建成了一个内部的能源共享网络，接入这个网络的用户、发电设备，以及储能设备可以在网络内进行电力的交易和调剂。在此过程中，部署的传感器可以传回大量的数据，而亚马逊的人工智能则可以对这些数据进行分析，并在此基础上帮助交易网络更有效率地运作。尽管到现在为止，亚马逊的这个能源交易网络规模还较小，但亚马逊方面预计，在未来几年内，这个网络的规模将迅速扩展，并最终达到在全球范围内实现电力调配的目标。
破解供应链难题
过去几年内，全球供应链的脆弱性问题引发了世界各国的广泛重视。受各种地缘政治和自然因素的影响，供应链中断事件时有发生。因此，提升供应链韧性就成为了摆在人们面前的一个重要课题。很显然，对于这样一个重大的课题，科技巨头们也不会缺席。
由于其主营业务——电商与供应链的关系非常密切，因此亚马逊是众多科技巨头中对供应链问题探索最早，同时也是最为深入的。这种探索首先源于亚马逊体系的内部。为了提升其自身的仓储和物流效率，亚马逊率先用大数据、人工智能、机器视觉、云计算等技术对其自身的仓储和物流管理体系进行了全面改造，搭建大数据智慧物流运营系统，对整个体系内部的物流进行调度。
尤其值得一提的是亚马逊的仓储管理系统Bin。Bin系统在收到采购订单后，会将采购订单、运货车以及仓储位置都视为不同的货位，这样产品从入库开始的流转状况就被对应地描述为了在不同货位之间的切换。借助系统的强大支撑，产品从收货、上架、盘点、验货、出货的全流程中具备非常高的灵活性，所有的信息都存储在货位系统中。亚马逊强大的信息系统将货品、货位、数量的绑定关系做到了极致，从而支持起了其每年数百亿美元的销售规模。依托这种先进的信息化手段，亚马逊可以将每张订单的处理时间缩短3分钟以上，从总体上看，其运营效率可以获得三到四倍的提升。
在满足了自身的需求之后，亚马逊还将其供应链解决方案，以及技术能力积极对外输出。今年9月，亚马逊向其电商平台上的第三方卖家推出了一项“亚马逊仓储配送”（Amazon Warehousing & Distribution，简称AWD）服务。一旦第三方卖家购买了这一服务，就可以依托亚马逊的仓储和物流体系来对其货物进行存储和配送。
值得一提的是，目前卡车司机严重缺乏是美国供应链面临的一大难题。据估计，目前全美卡车司机的缺口大约在8万左右，这一方面导致了美国长途运输成本居高不下，另一方面也会造成司机疲劳驾驶。针对这一问题，亚马逊方面表示将在不久的将来推出无人驾驶卡车服务。如果这一设想成真，那么就可以有效缓解司机缺乏的问题，从而让货物的流通变得更为高效和安全。
在对供应链解决方案进行探索的科技巨头中，另一个比较有代表性的是微软。如果说做电商起家的亚马逊在这个问题上是“软（件）硬（件）兼施”，那么做软件起家的微软就是更为侧重软件，力图通过软件和服务来为客户的供应链进行优化。现在，亚马逊已经推出了包括Dynamics 365 Supply Chain Insights与Microsoft Cloud for Manufacturing在内的多套针对供应链的优化应用。其中，Microsoft Cloud for Manufacturing制造云主要负责协助制造业客户从生产现场到组织全面数字化，让客户掌握供应链全貌以快速因应各环节的波动。而Supply Chain Insights则是专为规划供应链路线，以及在出现瓶颈前及时排除影响原物料运送问题而设计的新工具。将其和 Microsoft Cloud for Manufacturing进行搭配后，能够有效强化制造商的敏捷度与弹性。
今年11月，微软还联合甲骨文、SAPSE等友商共同推出了“微软供应链中心”（Microsoft Supply Chain Center）平台。在这个平台上，用户可以调用以上多家公司的产品，来完成供应链漏洞检查、供求预测、订单自动管理等一系列供应链管理中常见的任务。这样，用户就可以大幅减少投入到相关问题上的精力和成本。
重新激活无人驾驶领域
无人驾驶是一个需要综合应用计算机、人工智能、通信、导航定位、模式识别、机器视觉、智能控制等各种技术的领域，因而能否制造出高质量的无人汽车就在某种程度上成为了检验一个科技公司综合实力的试金石。
美国是最早探索无人驾驶技术的国家。早在上世纪80年代，美国陆军就和美国国防高级研究计划署（DARPA）一起在这个领域进行了很多的探索。在早期的探索中，围绕无人驾驶的发展路径曾经出现过很大的争议。一种观点认为，无人驾驶应该走“车路协同”的道路。这种观点认为，无人驾驶应该通过车、路、人、环境的互动来实现，人们可以通过用通讯技术改造后的道路来协调在道路上行驶的汽车的行为，从而实现所有汽车整体运行的高效率。而另一种观点则主张走“单机智能”的道路，即依靠汽车自己携带的摄像机和雷达来识别图框，并由人工智能来进行判断、作出决策。
在最初的一段时间内，“车路协同”的思路曾一度占据了上风。美国的一些州甚至已经制定了“车路协同”相关规范。不过，由于美国基础建设建造能力相对不足，“单机智能”最终取代“车路协同”，成为了主流，而这就导致了在人工智能领域更有优势的企业在无人驾驶领域具有先天优势。也正是因为这个道理，在人工智能领域占据优势的谷歌成为了最早进入这一领域的科技企业之一。
早在2009年，谷歌就在内部开始了无人驾驶研究。这个部门后来被分拆了出去，就是现在的Waymo。此后，随着共享出行的崛起，共享出行巨头UBER、Lyft等也先后加入了无人驾驶的研发，并设想会在不久的将来用无人驾驶彻底取代人类司机。但由于一系列事故，导致无人驾驶的安全性受到很多质疑，无人驾驶也由此一度陷入低潮。
不过，这并不是说科技巨头们的造车事业停止了，事实上，它们只是对此更为低调了。最近，很多科技巨头在这一领域取得了较大的突破。例如，11月19日，美国加州公用事业委员会（CPUC）决定授予 Waymo参与其无人驾驶试点计划的许可，这一计划允许自动驾驶汽车公司在无人驾驶的情况下搭载特定的公众乘车，并且可以全天候运营。与此同时，通用旗下的Cruise，以及特斯拉的无人汽车也都先后开始了上路载客测试。可以想见，在不远的将来，无人驾驶这个看似沉寂的领域或许又会重新爆红，成为科技企业业务中亮眼的一块。
让机器人全面走向生产生活
除了无人驾驶之外，机器人也是科技巨头们竞相布局的一块硬件领域，并且其对各项技术的综合要求也是较高的。
我们知道，在现实中，机器人有很多不同的用途。一些机器人是工业用的，主要被用来完成一些流程相对固定的自动化任务，对其智能化、拟人化要求相对较低。而另一些机器人则是民用的，主要用于服务用途，因此需要相对较多的智能，在形象方面也有一定要求。
在实践当中，不同的科技企业根据其业务发展的需要，在机器人发展方面也选择了不同的方向。
比如，主营电商的亚马逊由于对其仓储物流方面的业务十分重视，因此其在机器人领域的发展主要侧重于专用的工业机器人。不久之前，亚马逊刚刚公布了一款新型的机器手。这款机器手可以像人类的手一样，十分灵活地对物品进行抓握。利用这款机器手，就可以省去大量整理和搬运货物的人力。
而相比于亚马逊的务实，特斯拉研发的机器人则要花哨得多。在今年9月举行的特斯拉发布会上，马斯克向在场的观众介绍了一款名为“擎天柱”的机器人。这款机器人有着和人类近似的身高，可以像人类一样行走，和人类交流，还可以完成一些简单的任务。更重要的是，根据马斯克的介绍，在不久的将来，擎天柱就可以量产，其成本可以降到2万美元以下。如果真是这样，那么在不久的将来，这款人形机器人就很有希望从科幻进入现实，走进千家万户。
结语
通过对以上这些领域近况的回顾，我们不难看到，虽然从总体上讲，美国的科技企业确实陷入了一个低谷。但在这个低谷当中，其实正在孕育着很多新的技术力量和商业机会。在不久的将来，时机成熟之后，它们就会迅速萌芽，长出一个新的繁荣时期。
这里值得一提的是，相比于美国的科技巨头，中国的科技企业现在正面临着更为严酷的寒冬。在疫情、严监管等多重因素的作用之下，很多企业的市值惨遭腰斩。不仅如此，社会上的很多舆论还认为，造成这一切的根本是在于这些企业没有硬的技术创新，只会用一些新的模式来圈钱。
但其实只要我们了解一下国内科技企业的研发状况，就会发现这样的指责其实是不公道的。仅以AI大模型为例，事实上早在2021年，阿里巴巴的达摩院已经开发出了和GPT类似的AI预训练模型M6，并且其参数已经多达10万亿个，远超GPT-3。目前，M6已经部署在阿里云上，为淘宝和天猫的客户提供支持，只不过阿里并没有开发出一个类似ChatGPT的交互程序来进行宣传，因而M6的知名度并不高。除此之外，无论是在能源、供应链、无人驾驶，还是在机器人上，我国的一线科技企业都有能够和美国巨头们相匹敌的产品。甚至在一些领域，如无人驾驶上，我国的一些企业还做得更好。从这个角度看，我们或许应该给国内的科技企业以更多的关爱和体谅，而不应该对它们盲目污名化。或许，它们握有的那些技术才是帮助我们走出经济寒冬的关键。
阅读作者更多文章