从出发点到终点，有一万条路，AI模型的训练就是把这一万条路都走一遍，然后选出最合适的那条路，这才是AI的价值。

就像生物制药，有一万种选择，AI帮忙给出最好的那几个选择，就会大大地缩减研发经费、提高研发成功率。

要是一开始就只提供一条路，那还训练个屁啊，不给AI选择、评判、思考和分析的机会，就只告诉他一个标准答案，AI就会毫无意义。

德文、法文、日文、韩文的数据量太少，中文的数据量很大，可是因为环境的限制有价值的数据也很少。

所以，想训练出世界级的AI模型，就只能用英文语料来训练。

这就需要一些弱势语言的AI模型，要有语言转换能力，去转换成英文。

就像使用文心一言，让他画一个起重机的图片。

结果画的是鹤。

这就很让人费解。

其实很简单，起重机的英文是crane，而crane在英文里主要是指鹤。所以AI模型就画出了鹤的图片。

又比如“可乐鸡翅”这种，放在中文语境里，其实很好理解，就是一道菜。可是，这里面有一道翻译的手续，把“可乐鸡翅”翻译成英文，在翻译过程中就造成了信息离散，导致画出来的可乐和鸡翅。

ChatGPT一样会遇到这样的困境。

用英文向ChatGPT提问，回答的速度会非常快，而且准确度极高；如果用中文、日文、韩文、法文、德文等其他语言来提问，反应速度就会很慢，给出的答案也会错误百出。

因为其他语言的数据量太小了，训练出的模型就不够智能。

只有英文版最智能。

文心一言想要表达得智能一些，就不能对接中文的语料，要去对接英文的训练数据才行，然后背后再增加一套翻译算法和内容审查算法。

所以，想做出一款伟大的AI产品，除了在人工智能领域的顶尖算法之外，还有很重要的一个因素，就是训练AI模型的数据。

这些数据里，有些是开源的公共数据，全世界都可以用。有一些是私有数据，只有自己可以用。

像微软、谷歌、Facebook这种硅谷的巨头公司，除了可以使用庞大的公有数据外，还有庞大的有价值的英文私有数据可以使用，他们做出来的AI模型就会比只根据公有数据训练的AI模型要更加强大。

所以，周不器对内容很重要，尤其是海外的英文内容。

这些都是私有数据，都有可能成为紫微星在未来世界竞争中最宝贵的资产。

如果拉里·佩奇说的这款Knol真的是对标维基百科的产品，那就太有意义了。维基百科是公有数据，Knol就是私有数据。

“维基百科更像是一个词典，内容都比较基础，是偏大众的产品。Knol是由一部分有能力的权威用户来共同协作，用来解释一件事物的是什么、怎么做、起因经过结果及其周边事物，并且注明作者的真实资料，从而让内容更加地精准、权威。”

拉里·佩奇做了一个简单的比较。

周不器一下就听明白了Knol这款产品失败的原因。

信息的准确性、真实性，其实一点都不重要，大众根本不在乎真相，只在乎表象。这就会形成一种“越大众，越普及”、“越权威，越小众”的现象。

谷歌想把Knol打造成一款有权威级的内容产品，立意很高、志向很大，但想要收获足够多的用户，那还是难了点。

就像紫微星在国内的两款产品，微知和今日头条。

微知上的内容比今日头条优秀多了。

可是，微知的日流量只有6500多万，今日头条却高达2.8亿。就是因为微知的内容太好了，头条的内容很能哗众取宠博大众的眼球。

两人又经过了简单的交流，周不器对Knol这款产品兴趣越来越浓，打算回头先去研究一下。如果合适，不妨就买过来，加以改造。

会谈的最后，两人谈到了长生不老的话题。

拉里·佩奇对此很感兴趣，“等敲定了推特的案子，接下来一个方向就是要让董事会批准，去尝试在这个领域做一下。”

周不器似笑非笑，“要投资多少钱？”

拉里·佩奇口气很大，“20亿美元吧，资金太少也没必要让董事会批准。我打算成立一家专门从事生物研究领域的子公司，用于抗衰老的相关研究，目标是实现人类长寿甚至永生。”

周不器问：“跟IT相结合？”

拉里·佩奇坦言道：“当然，要跟人工智能关联起来。现在人类每研究出一款蛋白质的功效，可能都要由几十位医学专家花上千万美元才能研究出来。如果AI发展起来了，完全可以一次性地把全人类所有已知蛋白质的功效都给破译出来。”

周不器竖起一根大拇指，“有追求。”

“你也会参与吧？AI在改变世界。”

“当然。”