所以 AI 2.0 實際上已經來臨，如果你一直在等待第二波的到來，你已經身處其中。我們看到 AI 正從實驗室走向各行各業的實際商業應用。沒錯，NVIDIA 作為晶片供應商獲得了所有的頭條新聞，但說實話，他們只是更大拼圖中的一塊。

問題是，AI 並不是一個單一的整體。多種類型的 AI 正同時出現，它們的運作方式也不盡相同。大多數最終會整合在一起，但這需要時間。這正是為什麼這是一個世代性的布局——我們談的是數十年的發展，而不僅僅是幾年的事情。

Transformer 網絡目前吸引了大部分的注意力，這是有充分理由的。這些大型預訓練模型能同時處理多個任務，理解語言、閱讀程式碼、生成內容——像 ChatGPT 和類似的工具就是明顯的例子。它們比舊的獨立模型更高效，能完成相同的工作。真正的基礎設施由超大規模雲端服務商建立——亞馬遜網路服務（AWS）、Google、IBM、微軟。這些公司提供雲端平台，這也是目前 AI 真正存在的地方。雲端基礎設施的布局將持續擴大。

然後是合成數據，這聽起來有點瘋狂。AI 公司需要大量數據來訓練模型，但以合理的成本獲取這些數據越來越困難。隱私問題推動行業轉向使用 AI 生成的數據來訓練其他 AI 系統。自動駕駛公司、金融服務、保險、製藥——他們現在都在使用合成數據。當你將這與 Ambarella 等公司提供的計算機視覺技術結合起來，你就能將原始晶片數據轉化為實際洞察。

強化學習進一步推動這一進程。你利用多個數據流，並通過合成數據來優化製造和機器人技術的運作。像 Rockwell Automation、Zebra Technologies、Intuitive Surgical 和 UiPath 這些公司都在這方面做出重大舉措。UiPath 的自動化平台就是一個完美的案例——Uber 曾陷入運營複雜性，但通過在整個業務中實施 UiPath 的數字機器人，成功重新聚焦。

連接層則是聯邦學習——基本上就是所有這些 AI 模型如何相互通信和共享數據。Google 和微軟在這方面領先，但 Oracle 和 Adobe 也是關鍵角色。Adobe 很有趣，因為它的界面無處不在，成為 AI 應用實際部署的基礎。MongoDB 也是一個突出的例子，增長速度非常快。

較不明顯但同樣重要的是因果推斷——數據分析的下一個演進。這不僅僅是模式匹配，而是從數據集中確定真正的因果關係，做出預測，提前捕捉錯誤。製藥研發團隊都在積極推動這一領域。諾華與微軟和 NVIDIA 合作，擴展他們未來十年的 AI 基礎設施，這說明這個領域的嚴肅性。

真正的故事是，AI 2.0 只是剛剛開始。這不是短期的炒作循環——我們預計在很長一段時間內，會在多個 AI 應用和基礎設施布局中獲得持續的回報。