AI创世纪 如何成为赢家

近日，AI界频频有新动作：字节跳动发布豆包大模型“全家桶”，百万Tokens（表示和传递信息的标识符）只卖8毛；腾讯宣布混元文生图大模型全面开源，支持中英文双语输入及理解，参数量达到15亿；谷歌在2024年开发者大会上推出十几款AI产品，试图全面对标OpenAI；OpenAI发布ChatGPT新UI，桌面版GPT，以及能读懂人类情绪、无时延多模态实时交互的“像魔法一样”的多模态模型GPT-4o。

 

这仅是一周内AI界的部分事件。

 

自Sora文生视频大模型发布以来，AI应用已经进入史上最密集的发布期，各大科技巨头正面对决，中小模型加速演进，交互范式迎来革新，AI生态逐渐完善。甲子光年创始人兼CEO张一甲在“甲子光年X大会”上表示，技术刺激市场的频次变高，但单次刺激的力度却在减小。新技术新应用的搜索指数，从峰值下降的速度远高于2023年，AI为公众带来的情绪曲线逐渐趋于平缓。同时，AI前沿技术的追赶周期明显缩短，从文本生成到千亿参数，从文生视频到超长文本，新技术一问世，后来者便加速。而各大AI相关企业在“卷”大模型性能、参数的竞赛中，也将比拼的重心逐渐向成本优化、应用落地等商业部分倾斜。过去狂飙突进的AI行业，其生态正在悄然发生变革。

 

甲子光年创始人兼CEO张一甲

 

 

AI企业是近年来投融资的宠儿，哪怕是零收入的状态，也能凭借技术赢得各大投资人的青睐。推出“第一位接近人类的AI程序员”的AI初创企业CognitionLabs，公司估值从3.5亿美元到20亿美元，仅仅用了一个月。CognitionLabs的融资神话并不是AI界的孤例，AI的迅猛发展吸引了一波又一波的大手笔投资。

 

但据红杉资本透露，AI行业去年仅在英伟达芯片上就花费了500亿美元，但产出的营收只有30亿美元，17∶1的投入产出比令人咋舌。

 

张一甲对此表示，从好的方面看，作为对比，SaaS（软件即服务）花了近10年才达到这个收入水平，从坏的方面看，AI的商业闭环还没有形成。

 

DeepMind创始人Hassiabis强调：“现在资本对于AI赛道的投入已经有点当初加密货币的味道了，而真正的AI带来的可以改变人类的科学突破却没有得到应有的重视。”

 

AI的快速发展在带来机遇的同时，也伴随着高昂成本和极大的不确定性。如何在技术创新与成本控制之间找到平衡点，确定可持续的商业模式是所有AI企业要面临的重要问题。

 

金沙江创业投资基金主管合伙人朱啸虎表示，大模型的商业模式非常差，技术没有差异点，且每一代模型都要重新砸钱，每一代的变现周期仅有两三年。他强调，企业的目标不应该是技术领先，而是商业化体验。层出不穷的新技术让用户的注意力难以集中，“日抛型”应用遍地开花，因此抢占用户数据才是企业的头等大事。用户和市场并不关注技术领域第一、第二名的差距，上游水准的技术能够满足大部分用户的需求。用户在手，技术迭代，才是企业合理的商业化演进路径。朱啸虎表示，创业者往往充满浪漫情怀，喜欢谈论无限可能和想象力，而投资人则相对务实，更关注商业化前景。

 

金沙江创业投资基金主管合伙人朱啸虎

 

摩尔线程创始人兼CEO张建中则有不同意见。他表示，技术创新需要与行业紧密结合才能实现真正的商业化。技术创新能够改造行业，行业越是先行，AI挖掘的商业价值越大，例如办公应用、人脸识别、医疗健康等领域。以人脸识别为例，深度学习框架应用于人脸识别业务，使得推理精度从60%左右提升至90%左右，能够识别出人眼识别不出的双胞胎。

 

摩尔线程创始人兼CEO张建中

 

AI在诸多领域能做到人类做不到的事，但“贫穷限制了想象力”，即算力资源匮乏是AI行业迭代放缓、实验搁置的关键因素。张建中表示，这需要芯片厂商挺身而出，建设人人用得起的算力底座。

 

猎豹移动董事长兼CEO傅盛则推行技术市场平衡策略。他表示，长期坚持技术主义，短期要以市场需求为核心。AI改变了劳动力、技术、数据、资本、土地五大生产要素，对全行业的颠覆已成必然趋势。但技术并不是线性发展，而是阶段性进步。往往一次技术突破带来一轮市场化运作，再进入技术瓶颈期，周而复始。企业关注的焦点必须与市场紧密结合，算力资源越是有限，技术执念越应该让位于市场需求。过度迷信技术本身带来的爆发力而不计成本地投入，反而会导致行业泡沫的破灭，即所谓的资源陷阱。

猎豹移动董事长兼CEO傅盛

 

中科视语联合创始人张腊提出了更为具体的商业闭环策略。她提出，要明确AI技术能够解决的具体问题，同时建立一套完整的产品开发、市场营销和售后服务体系，建立敏捷性和市场适应能力，确保技术能够快速响应市场变化，从而形成完整的商业闭环。技术研发需要巨额投入，从研发到市场应用落地的过程中存在许多不确定性。因此构建一个有效的商业闭环对AI技术的长远发展至关重要。

 

 

在AI行业发展中，先发和后发是两种不同的战略考量。

 

先发优势在于建立强大的品牌忠诚度和用户黏性，通过技术领先建立企业护城河，能够更早收集用户数据训练AI模型，根据市场反馈迭代产品。同时，先发优势也要面临巨额初期投资、市场不确定性等风险。

 

后发优势在于跟着前辈过河，避开技术、市场陷阱的同时，能提高成本效益，有利于通过差异化策略瞄准细分用户。当然，后发也不可避免要面对市场进入障碍以及技术、资本差距。

 

具体实践中，先发与后发到底该如何选择？

 

对于大公司而言，可能倾向于先发，因为它们有资源和能力去承担早期的研发成本。对于小公司或初创公司，可能会更倾向于后发，因为它们可以利用市场上已有的技术和资源，专注于快速迭代和满足特定用户需求。

 

清华大学电子工程系系主任、教授汪玉表示，从学术角度来说，必须要争取先发优势，从业务角度来说，所谓先发优势并非技术，而是生态建设。

 

清华大学电子工程系系主任、教授汪玉

 

AI生态指的是一个互相依赖、共同发展的环境，由算法、硬件、软件和应用共同构成，包括技术提供者、应用开发者、用户、硬件制造商、服务提供者等。在激烈的技术竞争中，技术壁垒很难长期维持。

 

以英伟达为代表的硬件提供商，在算力竞赛中赚得盆满钵满，囤积足够的算力芯片一度成为AI竞争的焦点。

 

此后各大科技巨头频频传出要发展自己的AI芯片：软银集团旗下公司Arm计划自研AI芯片，目标是在2025年春季打造原型产品，并将于当年晚些时候实现量产；微软早在2019年就开始在内部开发代号为“雅典娜”的AI芯片，2023年11月正式推出AI芯片Maia100，将为其Azure数据中心提供算力。

 

算力竞赛的火热，颇有得芯片者得未来的架势。

 

但近日，各大企业似乎都在推出更高效的模型，以减少对GPU等昂贵硬件资源的需求。谷歌的GeminiNano、微软的Phi-3-mini、苹果的OpenELM，参数小的小语言模型如雨后春笋般冒出来。大规模训练是一场烧钱游戏，但吸金能力却迟迟得不到验证。算力荒问题也在进一步蔓延。小模型能有效降低模型推理训练的高昂算力成本，本地设备运行使其无须依赖昂贵的云计算设施，方便集成到各种设备及应用中。同时，小模型可以针对特定应用场景进行定制和优化。

 

OpenAI是AI界毋庸置疑的领头羊级别的明星企业。但ChatGPT和GPT-4之后，一直没有同等重量级的AI新产品问世。

 

不久前结束的OpenAI春季发布会，既没有发布传闻中的搜索引擎，也不是GPT5，而是GPT-4的迭代版本———GPT-4o，精简GPT-4的构架，优化推理参数，同时节省了更多的GPU。

 

傅盛表示，算力军备竞赛走到今天，裁剪参数的走势非常明显。通过优化算法减少算力需求，或将影响先发者依赖的硬件优势，同时弱化相关硬件供应商的业务模式和市场地位。

 

张建中则强调，GPU的迭代速度不比大语言模型的迭代速度慢，GPU有各种不同的应用场景，能跟着算法的迭代不停地优化架构，适配未来的应用场景。

 

小模型遍地开花，大模型也不遑多让。

 

近日，MiniMax正式推出abab6.5系列模型，其中abab6.5包含万亿参数，支持200kTokens的上下文长度。阿里云发布通义千问2.5，据称“在中文场景模型性能赶超GPT-4-Turbo”，同时1100亿参数开源模型在多个基准测评中收获最佳成绩。字节跳动发布豆包大模型，目前日均处理1200亿Tokens文本，生成3000万张图片。

 

据麦肯锡报告分析，大模型的价值创造潜力惊人，到2030年，有望在全球推动49万亿元人民币的经济增量。目前大模型仍处于用户增长的爬坡期。QuestMobile数据显示，截至2024年3月，基于大模型的AIGC行业用户量为7380万，尽管同比增长了8倍，也仅占移动互联网用户量的6%。

 

未来AI应用或将呈现大小模型混合发展的格局。

 

 

AI继续发展会去往何方？中信建投5月14日研报指出，国产AI大模型正在快速迭代，今年有望成为AI应用爆发的元年，渗透率预计持续提升。

 

出门问问创始人兼CEO李志飞表示，产品和模型的结合是实现AI商业化的关键。他认为，当前AI领域存在产品和模型脱节的问题，导致产品不能满足用户需求。同时，开发一流的模型成本高昂，对创业公司来说难以为继。这要求企业必须清晰地定义产品目标和模型的技术指标，通过自主模型为产品提供强大的迭代能力和市场竞争力。基于产品的高质量数据，是构建持久竞争壁垒的关键。

 

出门问问创始人兼CEO李志飞

 

应用爆发也将促进算力基础设施建设。商汤科技联合创始人杨帆表示，AI的三要素，算力、算法、数据的基础设施化是产业发展的必然趋势。硅谷知名投资人张璐指出，当前AI基础设施仍面临四大挑战，包括GPU算力消耗、能耗问题、延迟问题和数据隐私与安全问题。因此AI基础设施的创新变得尤为关键，包括芯片硬件、云计算、数据处理、网络安全以及边缘计算等方面。青云科技副总裁沈鸥则强调，国产算力适配的重要性以及算力平台的可靠性。

 

但是，即使是融资数十亿美元的科创企业，距离建设算力中心仍有漫长的距离。张建中表示，算力基础设施应当是公用性的，让人人都能随时随地调用算力资源。北电数智战略与市场负责人杨震提出要从硬件、软件和场域层面重新定义AI基础设施，他提到，北京市数字经济算力中心扮演的正是公共算力提供者的角色。

 

高质量数据对机器学习算法的准确性、性能和鲁棒性至关重要。张璐提到，对于AI应用来说，海量高质量数据的作用举足轻重。而高质量数据是否正在枯竭是近来争议的焦点。

 

EpochAI人工智能预测组织的研究显示，AI公司可能在2026年前耗尽高质量文本训练数据，而低质量文本和图像数据的枯竭时间可能介于2030年至2060年之间。澳大利亚麦考瑞大学的信息技术法学教授RitaMatulionyte提出了使用合成数据的可能解决方案，即由AI模型生成的数据用于培训新模型。谷歌曾曝出Bard的训练数据部分来自ChatGPT，Bard更名为Gemini后，则曝出用文心一言训练中文语料的魔幻内幕，向GeminiPro提问，它会说自己是百度的文心大模型。中关村智友研究院院长王田苗则认为AI合成数据在训练底层智能行为方面效果很好，尤其是在具身智能领域，通过生成数据训练可以提高机器人的操作能力。

 

针对高质量数据荒的讨论，华裔人工智能科学家、斯坦福大学教授李飞飞则直言，当前AI训练数据并不存在短缺的问题，仍有大量的差异化的数据等待挖掘。“我们尚未触及的数据领域还很多，如医疗保健、环境、教育等。因此，我并不认为我们正在耗尽数据。”