临近年末，不少科技公司与媒体都开始筹备年底总结。恰逢chatGPT诞生一年，「硅基研究室」和不少业内人士在交流中也发现，比起去年想要迫切追赶的焦虑，今年大家的态度似乎都慢慢回归于冷静。
总结来看，谈概念的人少了，谈落地的人多了；说理想的少了，想如何赚钱的人多了；标榜自己是「中国的OpenAI」的人少了，讲商业模式和付费能力的人多了。
据自媒体「光锥智能」的统计，2023年八个月内就诞生了238个大模型，基本每隔一天中国就会官宣一个新的大模型，这样的「中国速度」令隔壁的硅谷都汗颜。
但回到现实，我们更应关注的是一年多来，在AI世界里，中国的投资人和中国的大模型厂商究竟干了些什么？又将带来怎样的改变？
01 钱的流向：风大鱼贵，大厂创企都有机会
看中国AI发展到哪一步了，先看「聪明的钱」的流向。
回顾过去一整年，尽管投融资行业整体收敛遇冷，但AI依旧是热门赛道。根据根据 IT 桔子的数据，截止到2023年11月20日，今年中国人工智能赛道在一级市场的总融资事件数依旧达到了530起，总融资交易额估算有631亿元。
而在这之中，也诞生出一批备受瞩目的AI独角兽企业，最火的就要数百川智能、智谱 AI、零一万物、Minimax 名之梦这4家企业，而他们背后站着的不仅是诸多明星机构，还有大厂们间的联盟。
从投资逻辑来看，投早、投贵成为了典型的趋势。不少投资人也向「硅基研究室」提到：“好的项目还是太少了。”
在腾讯科技Hi Tech Day暨2023数字开物大会上，英诺天使基金合伙人王晟也观察到了类似的趋势：“今年AI投资显著的特点，导致大家投的项目都是高度集中的，都是最贵的，所以很显然都是要投得更早一点，稍微差一点就会变得非常贵。”
背后的原因也并不难理解，一是算力的掣肘下，并非所有玩家都又能力大力出奇迹。二是随着技术周期的变化，AI竞争也逐步迈入强调商业化与商业场景的阶段。
根据Gartner提出的「技术成熟度曲线」理论，目前生成式AI处于「泡沫巅峰期」，需要更多商业场景落地才能实现技术的规模化应用。
昆仲资本投资副总裁陈希就观察到，AI大模型在今年上半年和下半年还有比较大的变化。“上半年特别热，下半年相对来讲投资人会变得稍微冷静一些。”他也表示，市面上很多项目估值存在比较高的溢价，目前投资人还是期待很多新的商业机会和商业前景出现。
另一个关键问题也随之而来，投早投精投贵也就意味着AI大模型创业面临更激烈的挑战。这之中，创业者始终会被拷问一个问题：如何与大厂竞争？
从部分投资人与企业的观点，我们也发现了当下的两点共识：
首先，大厂的优势是相对的，但不是绝对的。 “因为算力问题，大厂的优势可能是被放大了，这是我们认知的事实，长期而言，我们看到的是由于大厂的算力和先发优势。”在腾讯科技Hi Tech Day暨2023数字开物大会上，昆仑万维董事长兼CEO方汉这样谈到。
其次，创业公司更应做的是「破坏式创新」。 大厂在过往竞争中所形成的路径依赖并不能实现一家通吃，大厂往往需要追求业务的稳定性与长期性，从这一点来说，做高度不确定的事——这种机会属于创业公司。
“所有的创造性破坏都是小厂搞出来的，今天的大厂都是过去的小厂，破坏了过去旧的产业结构就会成为大厂。”王晟这样说。
02 场景涌现：循序渐进，找准PMF
前不久，斯坦福华人博士的AI视频创业项目Pika 火遍全网，一时间也引发了科技圈的反思：为什么我们总是做不出来杀手级应用？
事实上，在讨论AI大模型时，我们总会提到两个方向：一是B端，另一个是C端。但事实上，B端和C端的界限其实非常模糊，比如ChatGPT的ChatBot交互，MidJourney、Stable Diffusion，本质上都是先让C端用户玩起来，然后在B端产生价值。
从移动互联网到大模型时代，过往一年中，人们都在期待「杀手级应用」的诞生，但其实产品寥寥，背后的关键原因，一是我们错误地理解了「杀手级应用」的含义，二是很多企业根本找不准PMF。（Product / Market Fit，产品市场匹配）
所谓的「杀手级应用」，看似是短暂的爆红，但更应被定义为是否形成高频使用，形成用户粘性。如何形成高频使用？还需回到第一性原理——回归产品，找准PMF。
木牛机器人的创始人郭林认为，更应该从「产品视角」出发，更应该用新的供给方式去解决一些麻烦的问题。“在哪些真正具体的场景中，有哪些用户群体真正面临的问题，是靠过去的技术不能解决的，从用户需求出发，就能产生好的产品，把一个问题解决好就是爆款应用。”
“商业不能光看技术，还要看外面的包装。”清华大学交叉信息研究院助理教授袁洋，他目前的研究方向是智能医疗领域，他也表达了类似的观点。
他打了个「卖车」的生动比喻：“卖车最关键是车的发动机，但现在卖车还卖很多别的，包括内饰和造型，这些其实是一种包装。发动机在外面加上品牌、加上装饰，最后不只是卖发动机的零件，而是整个车卖很多钱。”
回到大模型本身，必须深入场景，去更好地「包装自己」，才能具备更大的商业价值。
除了找准PMF外，大模型赋能场景，是一件循序渐进的事，是一件「急不来」的事。 特别在「难啃的硬骨头」，如在工业制造业领域，如何将技术落地复杂的工业场景与具体的生产流程，都是一场硬仗。
通用大模型虽然已经很好，但面对专业领域、专业知识还是相对匮乏的，能力也是需要提升的。
在腾讯科技Hi Tech Day上，思谋科技SmartMore联合创始人刘枢提到了这一点：“通用大模型虽然已经很好，但面对专业领域、专业知识还是相对匮乏的，能力也是需要提升的。”大模型领域的「幻觉」问题一直被反复讨论，在工业制造业这种严肃精密场景，「幻觉」所带来的往往是不可估量的损失。
算力、算法、数据，是AI时代的核心三要素，不少业内人士此前也向「硅基研究室」提到，「结构化、更高质量的数据」是工业制造业场景的核心壁垒之一。中工互联科技集团也同样深耕工业大模型领域，董事长智振提到，他们整一年都在做深入的思考，如何解决大模型存在的诸多不确定性。
他提到，目前不光是中国，国外大模型理论也没有怎么搞明白，所谓的幻觉问题。“现在很多东西还是从外部工程的角度去尝试，怎样提高确定性，这是一个技术创新方面的问题。”
03 AI与人：新世界、新可能
而随着AI浪潮的涌来，带着「后视镜」去眺望AI未来，每一个身处其间的人应该关注什么？这同样是一个值得思考的未来之问。
过去一年间，无论是个体、企业抑或是国与国间的竞争，AI所带来的改变是深远的，所带来的挑战也是严峻的。
大洋彼岸外，从OpenAI「宫斗」所爆发出的保守与激进两个阵营间的路线之争就能看出，如何规避AI风险，解决相关伦理问题，某种程度上，将这些问题前置，也是在竞争中抢占话语权的体现。
比如在数据层，中国人民大学交叉科学研究院院长、教育部长江学者、特聘教授杨东就认为，过去移动互联网时代，中国存在严重的数据风险主义。大模型不能及早地产生和发展的根本原因在于数据没有互联互通。本来在移动互联网时代的先机，包括海量的数据、丰富的场景、信息的举国体制等是非常好的优势，但在进一步的数据共享、数据开放方面是落后的，导致大模型训练需要的语料、数据的基础设施比美国落后。
因此，杨东教授认为，当务之急就是要把数据资产、数据场景、数据价值的实现机制，包括价值实现以后的利益分配机制优先考虑建立。
诗人博尔赫斯曾说过：“时间永远分岔，通向无数的未来”。某种程度上也可以成为这个技术新时代的注解。人们总会短期高估技术的影响，长期低估技术的魅力，只有经历一个从神化到祛魅的完整过程，才会看到技术的新可能。
而对中国大模型而言，经历了一个完整周期的2023年，热闹过，痛苦过，也激动过，面对新的2024，我们有理由相信，中国大模型会更有自信，也更有底气。
本文来自微信公众号“硅基研究室”（ID:gh_cef05ac13977），作者：山核桃
相关文章
