其次是增加数据的生产量，捕捉更多人类在实际工作中的行为。 更多捕捉人类在工作中的实际操作？ 是的，捕捉更多人类的操作行为，同时投资于合成数据或混合数据。利用合成数据，同时让人类参与其中，从而生成更高质量的数据。我们需要像对待芯片生产一样看待数据生产。 就像我们讨论芯片生产的边界，确保有足够的生产能力来制造芯片。
对于数据也是一样的，我们需要有效
的数据生产边界，能够生成海量数据 WhatsApp 号码数据 来支持模型训练。 最后一个经常被忽视的方面是对模型的测量，确保我们能够科学地分析模型的不足之处，从而精确确定需要添加哪种数据来提高模型的性能。 大科技公司相对于独立实验室，在数据资源上有多大的优势呢？ 大公司在利用现有数据资源时面临很多监管问题。你可以看到，在生成式 之前， 曾利用所有公开的照片及其标签来训练非常优秀的图像识别算法，但这在欧
洲遇到了许多监管问题，最终变得非常麻烦。 所以如何处理这些数据优势从监管角度来看，特别是在欧洲，还需要进一步观察。我认为大实验室的真正优势在于它们有非常盈利的业务，能够为 项目提供几乎无限的资金来源。对此，我非常关注，也很好奇它将如何发展。 行业中有一个问题是，是否大公司在 领域投入过多。如果你听他们的财报电话会议，他们会说，我们的风险在于投入不足，而不是投入过多。对此你怎么看？ 是的，没错。你可以想象一
下，站在这些 的角度
比如 undr Pi 、Mrk Zukerberg，或者 ty Nde 的位置上。正如你所说，如果他们真正抓住了 的机会，他们可能很容易地为公司增加一万亿美元的市值。 如果他们真的 让客户既感到印象深刻又感受到社交媒体 领先竞争对手，并以好的方式将 产品化，这几乎是显而易见的。而如果他们没有投入额外的 ～ 亿美元的资本支出，却因此错失了这个机会，后果可能是存在性风险。
对于这些大公司来说，每家企业的业务都有可能被 技术深度颠覆。所以对他们来说，风险和回报非常清晰。更战术层面上，他们也能够轻松收回资本支出。最坏的情况下，他们可以通过使核心业务更高效来实现这一点。 比如说，Febook 广告中的 G
PU 利用率？ 是的，比如 Febook 或 Googe，他们的广告系统只 AZB 目录 要稍微改进一点，就可以回收数十亿美元的成本。 通过更好的性能？ 是的，苹果也可以通过推动一个设备升级周期轻松回收投资。我认为这些都相当清晰。 从整个行业来看，这些公司投入大量资本对行业是有益的，尤其是像 Googe 和微软这样的公司，它们还在出租计算资源。
