AI会颠覆ToB软件吗？
这是近期「ToB行业头条」在采访ToB创业者时讨论度最高的一个问题。
创业者们在思考如何利用这个颠覆性机会构建新的护城河，但现实情况却是，当下的生成式AI仍有一定的局限性，与ToB软件/产业的结合更是一个需要被反复论证迭代的过程。
为此「ToB行业头条」推出【AIGCx企业服务】系列专题，希望通过分享一线创业者们今时今日对AI的思考与判断，找到「AI将如何颠覆ToB软件」这个终极命题的答案。专题报名请联系策划：瑞雪（wx:furuixue224）
猎豹移动CEO傅盛与金沙江创投董事及总经理朱啸虎进行了一场“阈值”不同的朋友圈激辩，迅速在业内扩散并吸引了业内众多从业者讨论。创业者的“激情”和投资者的“克制”正好折射出过去半年乃至一年间与大模型有关项目发展的真实写照。一方面，以大模型为主导的AI技术能切实降本增效的前景，几乎让所有企业服务提供商感到兴奋和激动，百模大战仍有玩家入局，与大模型结合落地实践与场景应用、与产业生态融合也正如火如荼。另一方面，通用大模型变现能力不明朗，创业公司商业逻辑难以闭环，C端市场对ChatGPT热度正在放缓（ChatGPT今年一月访问量环比增长率为131.6%，到5月份，这一数据仅为2.8%），二级市场陷入疲态，国内一级市场投资人谨慎入局。更有甚者，过去一周，“昆仑万维创始人周亚辉前妻李琼借AIGC概念减持风波”与“光年之外创始人及CEO王慧文健康抱恙退场”等等行业事件无疑也在“人工智能”这把热情的火上浇盆冷水。一次大模型浪潮下为何呈现两幅截然不同的面孔，一些投资人真的不看好AIGC赛道吗？从投资视角下，投资人是如何思考的？为此，「ToB行业头条」在近期与常垒资本创始管理合伙人石矛进行了一次对话。
如果是我
今年不会选择投大模型相关
几乎不会有人否认，人工智能大模型将会对研发和应用范式的带来巨大变革，但仍然需要长期实践，石矛如此说到。目前，整体大模型相关产业的演进顺序已经相对清晰，从基础层到模型层再到应用层逐级发展已有布局。从投资视角下，各投资机构也在遵循算力基础设施、硬件载体、大模型平台、应用这样的顺序去寻找收益标的。不过在石矛看来，在大模型发展的早期，最早受关注的应该是算力、算法、数据方向的公司和人才团队。回顾过去半年甚至过去三个季度投融资情况会发现，大量的投资都集中发生在对大模型底层基础技术上的投入，而且基本呈现出“好项目不需要找人投”、“底层基础设施大厂和一线超级投资机构抢投”的局面。比如在像由前商汤科技副总裁创立的通用大模型初创企业MiniMax（金山办公WPS AI接入的就是MiniMax自研大模型）就吸引了来自腾讯、IDG资本、高瓴资本等大厂和大投资机构的入局。再比如像由清华大学自然语言处理实验室（THUNLP）和北京智源人工智能研究院孵化的深言科技、王慧文组建的光年之外、王小川入局的百川智能等等都受到投资人的追捧。石矛表示：“常垒资本近期一直关注算力等基础层方向，因为我们本身在数据中心端还有不错的产业资源，而且目前国内算力的竞争格局相对清晰，各家算力芯片玩家都有自己针对的应用场景，坦白说，中国当下的算力创业者想在底层大模型训练场景替代国际巨头，还是不现实的。国内已经有几十家做大模型的团队了，从资金的使用效率角度和时间窗口看，我们对于底层大模型赛道整体Miss了。”石矛进一步说到，百模大战仍在不断涌入新玩家，想必大家都清楚一个事实，尽管投资机构投资底层技术公司是当下相对确定性的机会，但真正能脱颖而出的肯定是少数，AI基础设施本质上还是算力、算法、数据三位一体的东西，最后谁能将三者能力整合得好，提供更低成本、更低门槛的能力才是决定整个竞争最重要的点。但目前依旧属于混沌阶段。这也许是投资人保持谨慎观望的原因之一，也是投资正在变少的原因。按照当下的走向，从通用大模型到行业大模型再到SaaS企业开始探索与AIGC结合的相关落地实践，理应投资者会沿着这个路径继续保持资金输送，但根源在于从目前实地与应用的结合实践上看，模型层与应用层的结合，产生了不小的鸿沟。“我们目前还没在市面上看到与大模型结合很好的项目出现，尤其是在早期常垒资本接触到很多AIGC类的项目都是在做送水服务，比如做一个类似ChatGPT小样本的聊天窗口、或者是通过接入Mindjourney这类的AI绘画工具形成一个通过知识付费的知识星球等。”石矛介绍到。石矛此话并非虚言，如果大家只是将AI技术（20%）简单接入到80%的产品和场景当中，这样经过大模型融合的基础能力几乎会在行业内形成同质化，有多少原创属于企业想必很明显，那投项目的意义最终不是在大模型能力本身，而是在于自身产品过去的护城河，这样的创业机会和差异价值点都会很小，并不会产生所谓的iphone时刻。价值更大的机会一定是基于AI能力原生出的，哪怕是如过去将PC端应用迁移至移动端，像淘宝、百度它还可以迁移或基于AI重构都是很有机会的，因为它还是掌握了这个场景。理想状态下，也许很快模型之争尘埃落定，每个模型都有它的独特性，届时企业会根据各自的模型做出端到端的超级应用，或者有第三方团队基于这些模型构建端到端的超级应用，或许价值点会更大。也因此，错过了基础层的投资，而又看到今年模型层与产品层的融合鸿沟之后，我们会对今年的大模型类项目的投资布局并不看好，但仍然会持续关注大模型市场，更加期待明年。石矛表示。
等待临界点突破
诚然，从市面上不少公布的大模型以及应用层的探索来看，都还并未到完全开发的程度，甚至距离可用、好用还有差距。从投资角度上讲，当然可以理解投资人对于AI产品营利性、商业化产生的质疑。一方面来自于，大模型技术变现能力至少现在还不清晰。二是有多少应用是真正基于AI原生出来的端到端的应用，或者创业者自身有没有一个明确的、有优势的大模型规模化产业应用落地案例。而且VC们把大模型项目当成互联网项目去类比，围绕着商业模式和团队构建打转，资本在自己的确定区间中去逐利并没有错。在石矛眼中，这一轮大模型的产业落地和早期以深度学习为代表的AI产业落地有很大的区别，投入也不一样。但从商业落地的逻辑上讲，健康的公司一定是在企业容忍度和技术水平上找到一个平衡，最终才能够实现盈利。像过去的AI产业投入也很多，但总体产出却不尽人意，这也是大家诟病以AI四小龙为首的技术公司会出现大规模亏损的情况，由于技术局限性，导致的实际产业环境碎片化。比如大家都争先涌入闸机人脸识别、支付识别这样的场景当中，根据不同应用、收集不同客户数据做训练、再拿去场景做适配，本质上是在做定制化的小样本、小场景的探索。但同时，我们也看到一些所谓“二线梯队”的AI企业，他们并没有在底层研发上做无底洞式的投入，反而更注重AI工程场景和客户数据的结合，然后找到一些突破，拿到客户订单，虽然技术上的准确性和精度达不到大模型的水平，但能达到客户容忍度，完成最终交付，也能实现商业正循环。当然，在基础大模型的加持下，这些小样本场景在未来也不需要太多精调数据，不需要训练太多轮次，就可以获得非常好的结果。可问题在于，如今的AI大模型虽然更“聪明”，可在各个通用场景以及行业场景能达到商业化这件事是否被大家过度神化？对于企业而言，过去的AI技术基于人工调教在某个小样本上基本可以达到商业可能，但就目前企业接入大模型做智能客服类、智能机器人类的整体体验来看，这代生成式大模型，最大的突破还是基于上下文理解的，通用泛化的多轮对话场景。垂直类的行业场景在当下真正能懂多少，面对客户是否存在容错率，最终又是否实现商业价值仍然值得讨论。也因此，在技术突破商业化的临界点还没有出现之前，容忍度和技术水平没有达到平衡之前，我们确实需要等待，但一旦出现，就会产生庞大的系统性机会。
企业提前做足内功
投资者也需要紧跟机会
百度集团副总裁候震宇之前在接受媒体采访时讲到，3月客户在聊大模型需求时天马行空，要多科幻有多科幻，在4月后，大家逐渐看到大模型的局限性，才慢慢开始贴近实际需求。诚然，将科幻变为现实仍然是一件很漫长的事。大模型能力在不断提升，各场景间也会在未来出现大众所言的“智慧涌现”。对于大多数企业和创业者而言，碍于自身的发展情况，应该深知不会去做成本投入高昂的大模型，而是思考如何去做融合与重构。在大模型厂商们在解决技术上难攻不落的高墙，突破AI生产力的同时，企业应该做的并不是等待，而是修炼内功。石矛表示，企业应该持续演练prompt能力，包括数据清洗、逻辑推理的能力，并不断地在某一个场景上去演练，形成局部的商业证明，当国内大模型厂商真正突破技术高墙，形成AI生产力的时候，再接入成熟的大模型，可能上手速度也会更快。算法和算力在短时间内都可以追赶和复制，但对数据的处理，反而是对整个大模型领域以及企业服务领域影响最大的因素之一。在以数据为中心的大模型时代，模型能不能出彩实际上主要看数据，数据里面也潜藏着诸多细节，甚至可以决定大模型产品的成败以及企业应用的成败。也因此，不管是医疗、工业、消费，甚至是某一个科技的场景，企业如果拿到或者深耕足够多的垂直数据，通过这些数据去设计场景，才会成为企业真正的核心武器。另外，企业也可以一开始就从AI端做起，真正围绕AI原生去做一个新的交互，最终肯定会是一件翻天覆地的举动，但注定是在黑暗中航行。对于投资者而言，一个产业的发展不是一两年就能催熟的，所以周期起起伏伏很正常，投资热点每隔一年就会发生变化，在大模型不成熟的情况下，我们要更多地跟随变化。无论是创业者还是投资者，大家都在摸索阶段，所以在内心上要拥抱变化，AI对于各个行业的变革是必然的，但眼光长远来看，这个变革也一定会经历高峰到低谷再到成熟的阶段。在当下这个鱼龙混杂，诸侯混战的大环境下，投资人也更需要静下心来，真正的去看清楚一个商业的本质，拨开乱象迷雾，寻找真正的机会。
