李笑寅
2025-01-07 
峰瑞資本陳石：明年將是AI應用大年，收入能見度有望提高|Alpha峰會
12月21日，在和中歐國際工商學院聯合舉辦的「Alpha峰會」上，峰瑞資本投資創始人陳石對AI行業的發展進行了回顧和展望，并分享了對業內前沿大模型和AI應用的理解。
以下為演講精彩觀點：
1. 除AMD和英特爾外，美國不少科技大廠、模型廠商和創業公司都在做自己的算力芯片，希望能夠在巨大的AI大模型算力需求中，從英偉達芯片的市場分一杯羹，特別是在推理芯片方面。應用方面，模型的小型和端側化是一個明顯的趨勢，如果你在終端上運行較大的模型或通過遠程API調用云端大模型，其實會很慢，而且成本也不劃算，所以基本上來說這是一種趨勢。
2.當前，兩類AI手機應用最掙錢，一類是AI+圖像/視頻，即多模態創意工具，包括制作商業視頻、修圖等偏營銷的內容創作，這類產品的市場份額為53%。另一類是AI+Chatbot，包括ChatGPT這類大模型助手和Character.ai這類AI陪伴聊天助手，市場份額在30%左右。
3.在AI產業供應鏈中，大型云廠商扮演著風險吸收者的角色，但反過來講，大型云廠商也掌握著AI的商業生態，掌握著資源、人才和高達數千億美金的云計算市場。所以我覺得當前AI產業供應鏈的鏈主是大型科技云廠商，而非模型廠商。
4. 當前類似GPT系列的預訓練模型，其回答問題的模式是“一下子給出答案”，不具備分步驟、回溯迭代等“思考”能力，而OpenAI o1/o3這類模型在接收到問題指令后會先“深思熟慮”，在解決問題的過程中搜索可能涉及到的思維鏈空間，然后再輸出答案。這與人類的復雜思考過程類似，它更適合做復雜推理，這是以前的模型都做不到的。
5. 現在用戶越來越希望獲得AI模型的即時反饋，洞察個人需求并給出貼切的個性化答案，這對模型性能、產品規劃等方面都是巨大的挑戰，但這種產品一旦做出來，就有希望打敗基于傳統代碼的移動互聯網產品。
6.當前，大模型廠商陣營基本形成，陣營里的5家公司分別是：谷歌、OpenAI、Anthropic、xAI和Meta。這意味著，AI的基礎設施已經具備，后續應用開發面臨的問題不會太大。
7.2025年有望成為AI應用大年，供應鏈的資產負債表可能會逐步得到修復，這得益于前期投入的累積，另外，客戶端收益的能見度也會有所提升。
以下為演講實錄：
謝謝大家，謝謝Alpha峰會的邀請，去年我也來做過一次AI主題的分享，當時提到了一些話題，比如生成式AI的多模態、復雜推理、具身智能以及模型的自我迭代。最近這一年，我發現AI技術發展十分迅速，已經出現了實踐的產品。峰瑞資本2024年一共投了近30個項目，大部分都是跟AI相關的，比如應用、硬件、芯片、具身智能、AI賦能科研等，所以今天我也想跟大家做一次分享，分享我們2024年的投資實踐和產業思考。
我的演講分為三個部分，第一個部分是行業整體情況，包括供應鏈等；第二個部分是模型和應用的深入講解；第三個部分是對2025年AI的行業展望和其未來趨勢。
我們先對2024年AI的發展進行快速回顧，大概分成兩部分，上面一部分是關于AI行業的原始驅動力，如大模型以及它的基礎設施，下面一部分則側重于AI 在應用端的情況。
在大模型方面，我們看到在閉源基座模型領域中全球出現了三家領先者，分別是Anthropic的Claude 3.5， Google的Gemini 1.5，還有OpenAI的GPT-4o，這三個模型并駕齊驅，達到業界的SOTA水平。
但在今年的下半年，很多人會產生疑問，AI行業是不是正面臨衰退？他們觀察到規模法則似乎不再奏效， OpenAI 一段時間內也并未推出特別好的新模型。當然， OpenAI 后來還是不負眾望，在今年9月份發布了o1模型，在12月份又發布了o3模型，它幾乎是我們AI行業全村的希望。
為什么這么說？閉源模型到了GPT-4水平之后，現有的預訓練方式其實很難再有大的提升，除非它的基礎設施再提高幾倍甚至十倍，據說訓練下一代模型需要的算力是當前模型的10倍。而現在的o1和o3新模型是一個新的訓練范式，能帶來復雜推理和自我迭代能力的極大提升，這部分后面我會再簡單介紹一下。
在多模態方面，2024年也有很大的進步，從年初 OpenAI的視頻生成模型Sora到年末Google的Veo2模型，還有5月份發布的GPT-4o（o是omni，全能的意思），它的輸入支持多模態、輸出也支持多模態，特別是實時語音對話，效果很驚艷。
在開源方面，我覺得Meta是一個很聰明的公司。在閉源領域前三家難以被超越，Meta選取開源的生態位是很明智的，大量的開發者、行業應用和行業模型都會使用Meta的Llama3開源模型，原因是開源模型能帶給他們更多二次開發、模型微調和能力擴展的空間。當然我們欣喜地看到國內也推出很有競爭力的開源模型，例如Qwen和DeepSeek。國內企業在研發的行業或企業模型及應用時，一般會首選國產的開源模型。
在基礎設施方面，我覺得變化并不顯著，英偉達還是一股獨大。但是我們看到，除AMD和英特爾外，美國不少科技大廠、模型廠商和創業公司都在做自己的算力芯片，希望能夠在巨大的AI算力市場中，從英偉達手中分一杯羹，特別是在推理芯片方面。中國也有不少這類芯片公司，包括我們峰瑞投資的公司，在積極從事這方面的研發和生產。
從用戶側應用的角度看，模型的小型和端側化是一個明顯的趨勢，因為如果在終端上運行較大的模型或通過遠程調用云端大模型，速度慢且成本高。美國蘋果公司在10月底發布的Apple Intelligence功能，采用一個自研30億參數的端側小模型，能夠在當前的手機、Pad和筆記本上部署和運行。但最近有媒體報道Apple Intelligence偶爾會出錯，包括幻覺和新聞標題錯誤等，這可能也跟模型參數小有關系，有進一步提升空間。
此外，AI和大模型的技術在2024年的破圈較為明顯。第一個是基礎科學，今年物理學、化學的諾貝爾獎都頒發給了AI領域的科學家和工程師，第二個是在自動駕駛上，特斯拉的FSD算法，以及國內的新能源廠商或智能駕駛公司，在算法和模型上的突飛猛進，都離不開基座模型和AI技術的賦能。第三個獲得AI賦能的領域是具身智能，也是AI方向很熱的賽道，我們峰瑞今年也投了多家這個領域的公司。
最后一點是AI應用的落地。2023年我在Alpha峰會的分享中，也提到過AI應用要開始大力發展，但很遺憾，2024年AI應用的發展不及預期，相信明年AI應用會有比較好的產出，具體情況我接下來會有分析。
AI行業的現狀如何？美國紅杉最近發文稱，“AI的基礎已經穩固建立。”意思是現在全球的五大模型廠商陣營已經基本形成，后面可能會有一些微小變化，比如說蘋果是不是會進入，但現在看起來這五家已經處于領先的地位，包括谷歌、OpenAI、Anthropic、xAI和Meta，這五家各有所長，再加上o1和o3這樣的新模型還在繼續發展，構成的整體模型能力已形成支持AI應用落地的穩固基礎。
現在我們來看一下AI行業的投入產出，這也是AI行業被詬病最多的一點，具體來說，投入巨大但是產出寥寥。四家頭部的科技巨頭Meta、Google、 Microsoft和Amazon，它們2024年第二季度的資本支出是529億美金，大部分投資在AI方向。此外VC和科技巨頭一起投資的AI創業公司，在投資額上也是創出新高。上述四巨頭運營的AI數據中心的數量，也從2020年的500家擴展到2024年的近1000家，而且這些數據中心都是高級別、以GPU為主的算力密集型大型數據中心。
頭部AI算力芯片提供方英偉達公司2025財年Q2的收入達到300億美金，這些收入主要來自于AI行業的算力投入，當然除了算力還有大量人才的投入。
業界認為，對比上述的各種投入，AI行業的產出要到6000億美元才能達到投入產出的合理水平，但今天AI行業的真正產出是在數百億美元的水平，精確的數字很難統計，但估計應該是300億美元左右，距離6000億美元仍有較大差距。
還有另一項統計數據顯示，當前全球AI創業公司年循環收入能達到1000萬美元的不到100家，收入整體相對較低。我這里列出幾家頭部公司的收入數據中，OpenAI應該是收入最多的，它聲稱2024年要做到37億美元營收，其他包括微軟的Github Copilot和Anthropic等。此外，根據Sensor Tower發布的圖表，2024年手機端的AI應用收入約33億美元，其中兩類AI手機應用最掙錢，一類是AI+圖像/視頻，也就是多模態創意工具，包括視頻、圖像創作編輯等，這類產品的市場份額為53%。另一類是AI+Chatbot，包括諸如ChatGPT的大模型助手和Character.ai這類的AI陪伴聊天助手，市場份額為29%，其他類型的應用相對收入較少。從國家市場上看，歐美占據三分之二左右，所以出海也是主要的需求，我們投資的AI應用公司大多在出海。
剛才講到了AI行業投入產出的不匹配，那么這個行業的風險由誰承擔？美國紅杉資本提出當前AI的供應鏈處于 “脆弱的平衡”狀態。分層來看，最下層的代工廠是盈利的，比如臺積電；往上一層的半導體廠商也是盈利的，比如英偉達；中間的云廠商是虧損的；之后的模型廠商應該也是虧損的，且模型廠商的投資來自云廠商或風險投資；最上面則是客戶層，也就是應用層的收入，比如ChatGPT、Github Copilot等。那么風險在哪？風險主要在大型云廠商。大型云廠商投入大量的資本支出，扮演著風險吸收者的角色。從另外一個角度看，我會覺得大型云廠商其實掌握著AI的商業生態，掌握著資源和人才，也掌握著高達數千億美金的云計算市場，AI供應鏈的鏈主就是大型云廠商，這種情況在中國和美國都適用。所以業界需要思考，模型創業應該如何做？大模型創業公司能不能獨立發展起來？
美國頭部的語言模型陣營已經基本收斂，主要是科技大廠和頭部模型的結對，剛才提到了這5家模型廠商。本來可能的挑戰者，如Character.ai、Inflection和ADEPT等，也紛紛被這幾家大廠收購，再此驗證大廠對AI供應鏈的控制力。中國的語言模型陣營也在迅速收斂，中國的大型云廠商阿里、字節、騰訊、百度等，不但自研模型，其中幾家也在積極投資模型創業公司。作為創業公司，中國的模型六小虎已經跑在前列，但在今年也承受了很大的壓力。其他還有少數有競爭力的跟隨者。回到我們前面討論的，中國未來我覺得也是云廠商在控制AI供應鏈，獨立的大模型還是比較困難的。當然，中國還有一個特殊因素就是國家隊。我覺得應該會有國家隊出現，或者國家隊支持的創業公司。
有一個來自EpochAI的圖表，顯示開源模型和閉源模型的時間差距是5-22個月——例如GPT-4發布之后，Llama 3.1大約經過16個月時間可追平當時GPT-4的水平。你可以認為開源就代表著行業的基準線，所以這是一場殘酷的生存之戰，即我們的三大閉源模型，它們最多只有22個月來發展用戶和占領市場，不然行業就會追趕上來。
所以，如果Llama及Qwen等模型的開源策略不變的話，中外的閉源基座模型都將面臨很大的競爭壓力。開源模型的定位很不錯，抓住了行業和企業的開發者，也包括一些大型企業，大力形成合作生態，并成為了閉源模型很好的跟隨者。當然，國內的閉源模型廠商更難受些，無論是大廠還是創業公司都一樣，因為你在警惕海內外開源模型的追趕之余，還要投入巨資持續追趕全球最領先的模型，窗口期更短。據說，GPT-4基座模型的訓練成本需要1億美金，而GPT-5或下一代基座模型的訓練成本要達到10億美金。即便是中國的大廠，要拿出10億美金去訓練模型也會面臨挑戰。當然后續也還存在不確定的因素，那就是如果Meta要花10億美金訓練下一代模型，它還會不會愿意像現在這樣開源？這也是未知因素，所以這個行業其實存在很多的不確定性。
前面討論了模型，現在講應用，為什么覺得AI應用不達預期？除了前面提到的收入低之外，還有兩個部分。一方面，我們AI應用的前兩位，即用戶量最大的應用分別是ChatGPT和Character.ai，ChatGPT的訪問量在經歷了早期瘋狂陡峭的曲線上升之后，到2023年夏季突然間走平，到2024年夏季才突然又有上升趨勢，應該是GPT-4o發布的時間節點，后面的數據暫未更新有待觀察。Character.ai更是在2023年下半年訪問量就開始下滑且一直沒有抬頭的趨勢。所以在用戶增長方面，頭部公司面臨一些挑戰。另一方面，把現在的頭部AI應用跟互聯網/移動互聯網時代的頭部應用進行對比，發現前者的用戶活躍指標遠遠不如后者的，這也是一個不那么理想的情況。
當然這只是現狀，而且有個體原因，但AI作為新興行業，如果頭部企業不能持續快速發展的話，行業整體都會稍微面臨壓力，我猜主要問題可能還是模型能力不夠，使得我們的AI應用對比傳統應用拉不開差距。如果我們能夠有新的模型，解鎖更多更強大的能力，就有可能創造出體驗遠超當前的應用，說不定會有機會跳過增長陷阱。
據美國a16z統計，全球用戶訪問排名前50家的應用和App中，有52%是創意工具，即圖片視頻編輯工具，這是比較明顯的最大品類。第二大品類是AI + Chatbot，例如ChatGPT這類的大模型助手和Character.ai這類的AI陪伴聊天助手。其他的品類變化不大，所以2024年頭部AI應用在品類上也沒產生顯著的變化。
在行業整體概覽之后，我們來深度講解一下模型的進展。我們先聚焦于OpenAI的o1，o1 代表一種模型新范式，借助思維鏈，帶來復雜推理能力的增強。推理Reasoning，是指使用理性思維和認知過程，從現有知識中推斷出新知識。這是人類一個非常強大的能力，包括常識推理、數學推理、符號推理、因果推理等。
那么思維鏈是什么？思維鏈是指一系列中間推理的步驟。人在思考一個復雜問題的時候，他腦子里是有一個思維鏈條甚至是思維樹、思維圖的，這些統稱為思維鏈。在思考過程中如果發現走這一步不行，那就退回到前面的步驟進一步探索。但是我們今天的預訓練模型例如GPT-4,是沒有回退的能力，它的工作模式就像“文字接龍”，每次出一個字（token），如果你走了十步，發現前面有個字出錯了，是沒有辦法退回來的，只能在后面進行修補，但這可能就修補不回來。這只是個不準確的簡單比喻，但有助于我們理解為什么當前的基座模型，在復雜推理等方面的能力不如人類。
今天，o1就有比較強大的復雜推理能力。如果我們提問題，它會先思考，而不是馬上給出答案，在思考過程中做思維鏈的搜索或遍歷，遍歷結束后它會開始說出結論。在我這個演示里，它給出了結論結果之后，還會有一個叫思維鏈步驟的總結，這里它總結出9個思考步驟，但是它其實有個隱含的復雜思維鏈，根據OpenAI的論文，以上述9個思考步驟的思維鏈為例，隱含的思考過程大概有600多行文字，每一行都有點像自言自語，是“我做了這個、我猜可能什么樣、發現不是我又回退到前面什么地方”，這個過程就非常類似人類的思考過程，更接近復雜推理能力。
復雜推理的評測標準是什么？一個是AIME，即美國數學邀請賽；另外一個是Codeforces，非常難的編程競賽；還有一個是GPQA，博士級的科學問題。o1的回答明顯超過之前其他模型，部分評測超過人類專家。而o3在o1基礎上能力又有大幅提升。OpenAI在今年7月份發布了基座模型的5個能力等級，并認為當前的o1或o3已經達到第二等級即“推理者”的水平，就是推理能力比較強、能夠執行基本任務的等級，相當于沒有任何工具的博士學位水平的人類。
簡單理解，我覺得AI模型的學習分為兩個步驟。第一個步驟是GPT類型的預訓練，利用大量的人類文本數據去訓練，可以理解為是“模仿學習”，模仿人類如何遣詞造句、怎么做思考等等。而到了當前階段，可供模仿的互聯網數據已經差不多用完了，這時候o1、o3這類模型，開始選擇用“強化學習”，通過主動探索和自我博弈之類的方式生成數據，基于思維鏈等方式來進行模型的訓練和推理，并實現“測試時間計算”。
做個類比，有點像一位武學大師，年輕的時候跟師傅學習，學得挺好，但是超過師傅之后，如果找不到更好的師傅怎么辦呢？他只能自我學習，自己摸索著前進。
之前下圍棋的AI模型（AlphaGo和AlphaZero）也是如此。AlphaGo原先是利用人類棋譜訓練，到達一定程度后棋力升級乏力，然后AlphaZero就出來了，它完全扔掉人類棋譜，依靠自我博弈來訓練自己，達到更高的境界。這也是模仿學習和強化學習逐步遞進的案例之一。所以其實技術上有很多概念是互通的。
o1或o3這類AI模型的強化學習難度比圍棋更大，因為圍棋是有簡單的評測標準的（例如輸贏），而AI模型在大部分情況下拿不到準確的評測信號。不過很聰明的一點是，這次它們拉來一個幫手，即之前模仿學習訓練出來的GPT這類預訓練模型，后者可以幫助生成更好的評測信號，從而幫助o1或者o3的強化學習訓練。
最近有一個討論是關于陶哲軒和Mark Chen的，陶哲軒是著名數學家和菲爾茨獎獲得者，Mark Chen是OpenAI的研發副總裁。陶哲軒說，AI不擅長找到正確的問題，但它可以在一個更大的項目中處理非常狹窄的特定部分，類似于在僅有稀疏數據時產生推理，所以這個能力很強大，來自于直覺和經驗。Mark Chen則說，我們現在正在做test time computer，即測試時間計算，他認為這個是可以超越當前推理能力，在稀疏數據條件下達到與人類類似的直覺式的推理。我覺得兩者都是有道理的，陶哲軒那個時候還只在用GPT-4，用AI作為數據科研，當時的GPT4預訓練模型確實只有這個能力，但是Mark Chen說的也有道理，因為像o3這樣的新模型確實有能力達到這個水平。
因為o3是今天（北京時間12月21日）凌晨4點發布的，我特地添加了一頁PPT。模型的三大能力之一是編碼編程，數據集評測分數比o1提高到70%多。我們投資了一家做AI Coding應用的公司，創始人跟我說，如果模型在高難度編程測試數據集的評測分數超過70%，基本就算可實用了，因為我們可以想些其他辦法降低實際應用的難度，讓70%的模型能力做到接近100%的應用能力，所以70%以上模型基本就夠用了。此外，o3的美國數學競賽和科學問題的得分也明顯高于o1。
這里還想提一點，按照OpenAI官方的說法，o1是一個大型推理模型，是用強化學習來訓練的語言模型，o3只不過進一步地擴展了強化學習的規模，但是短短的三個月時間內讓o3相對o1有那么大的提升，還是非常令人驚喜的。這還可能只是第一步，后續應該還有進一步提升和優化的空間。當然，o3的運行成本非常貴，據非官方測算，最高配置的o3回答一個問題的成本可達2500美元。但我覺得，未來成本問題是可以逐步解決的。
去年我在這也提到過多模態，當時業界認為視頻會在2024取得突破，今年果然有突破。突破的標準是，我們看到有些公司開始用這些視頻生成工具來生產廣告或者影視作品的原始素材。多模態其實只是人類的概念，如果從AI模型的角度來說，各種模態在它的“腦海”里都是一個高維空間的向量。例如GPT-3.5模型的向量是12288維的，后來維度有所降低和優化。所以無論是文本、圖像，還是視頻，對AI模型來說都是向量。向量就可以相互做計算，比如以前我們說的“國王”這個向量，減去一個“男人”向量，加上一個“女人”向量，就得到一個“女皇”或“皇后”向量。AI模型的訓練和推理，本質上都是在進行類似的向量計算。但是因為AI模型需要跟人類交流，它還是需要認識我們的多模態數據，另外也需要輸出多模態數據，所以就有個“解構”和“重構”的過程，這個過程就要借助一些算法。其實我們今天看到的算法，包括大家都知道的擴散模型（Diffusion Model）、神經輻射場（NeRF）等都是一些非常有意思的算法。
以AI畫圖為例，一般人類畫師如果繪圖，他會找張白紙，先勾勒出大致形象，然后逐步補充細節，再去染色，最后做些小的修補，一步步生產出一張畫像。但是AI畫圖并不遵循這樣的流程。以Diffusion Model為例，它首先生成一張原圖（其實是一張隨機生成的噪聲圖，即各向同性高斯分布的噪聲圖），就是PPT里左上角的一塊圖，然后AI模型在提示詞的指導下，每次生成一張去噪圖（其實也是一張噪聲圖），并從原圖中去掉這個去噪圖，這樣循環操作，經過幾十步或者上百步的去噪過程，就畫出這張帶著帽子的女士的畫像。這個操作很違背我們人類的直覺，人類直覺不會覺得還能這樣畫圖，但AI就是這么理解、這么畫圖的，這甚至可能比人類還高效。這些算法比較復雜，大家沒必要都仔細去了解，但是這些算法確實非常神奇。
今天的多模態其實還是以文本作為主模態的，因為其他模態都是通過文本模態做的“轉譯”或映射。這個“轉譯”原理有個通俗的比喻，如果AI看到一張圖，它會先進行“看圖寫作”，寫一篇很長的作文來描述這張圖，然后把這篇作文的文本作為整體映射到語言的高維空間里，形成一個高維向量，這個向量就是這張圖的向量。所以它是借助于文本這個載體映射到高維空間里面去的。
模態的概念是可以延展的，不僅僅是當前的文本、圖像和視頻這幾類模態，像Alpha FOLD生成的蛋白質三維結構，兩人對話形式的播客等都可以算是一類模態。我們峰瑞投資的一家公司叫Top view.AI，其目標就是給TikTok或者Instagram的商家制作商業視頻，但是它基本上無需人工介入即可完成大部分工作，我們只要提供商品詳情頁的鏈接，它可以自己抓取文本、圖像、視頻，融入指定的數字人的形象，然后自動進行劇本創作、配音配樂和視頻剪輯合成等一系列工作，最后完成視頻。
今年有個詞特別流行，叫“世界模型”，它到底是什么？首先說我們為什么需要世界模型。我剛才講到文本是主模態，其他模態通過文本映射進入這個高維空間，但是文本難以準確表達物理世界，比如說復雜的空間關系，寫作文來表達它很困難，再比如說物理屬性，杯子摔下來可能會碎，那這種情況應該怎么去描述？不可描述。所以大家認為，是不是還應該再做一個模型，使其天然就具備一些視覺的能力，我們叫感知。例如，我今天站在講臺上往前看，我會迅速感知到在中歐工商學院，Alpha峰會的現場是什么樣，有個整體感知，就不需要通過文本去映射其他模態，而且感知之后我還可以預測，預測之后還可以跟這個物理世界做交互。這些就屬于“世界模型”的基本概念。總結一下，大語言模型形成了一個基于文本的“世界模型”，而文本是一種抽象，它有損失，所以我們要做一個“視覺”的世界模型。Yann LeCun提出的“世界模型”，李飛飛提出的“空間智能”，其中都有類似的概念。
被稱為OpenCV之父的知名AI專家Gary Bradski，提出了一個“WHAT-WHERE-WHY”框架，可用來簡單解釋什么是“世界模型”。“What”指我看一眼知道今天有誰，有些什么東西，有什么事件；“Where”指在哪里，即它的位置，以及相互之間的空間關系；“Why”指事件背后的因果關系或目的等，以今天我的AI分享為例，聽眾們是金融行業的翹楚，過來想了解一下AI行業的發展情況，這就是一個前因后果的實例。這個模型比較簡單，有助于我們理解“世界模型”的基本概念。
前面探討了模型的算法，現在講講算力。馬斯克建造的十萬卡的集群，是全球最大的集群之一，當前，其他公司都在追趕，面臨著不小的競爭壓力。從數字上來說，四巨頭在2024年的資本支出超過2000億美元，大部分可能都投入在了數據中心建設上，據說訓練下一代模型的算力需要10倍，也有人說下一個階段數據中心物理建設的重要程度將超過科學發現。
接下來我們討論數據。眾所周知，算法、算力和數據被普遍視為模型的三大生產資料。在AI領域構建一個大模型的時候，前面的預訓練階段已經使用了大部分數據，剩余的人類數據比較少，就需要大量的前沿數據來訓練。當前，預訓練模型的能力邊界是數據，數據到不了的地方模型就不能模仿，所以要沿著它的能力邊界去構建一些數據，從而幫助模型產生相應的能力。因此前沿數據的重要性凸顯。現在比較缺乏的是復雜推理、專業知識、人類思維模式等這類高品質的數據。
但是我們還有一條路徑，就是所謂的算法合成數據，包括今天提到的強化學習、自我博弈，這些都是新的方法，但反過來講，強化學習又需要新的數據來訓練它的能力，所以這三者是非常耦合的關系。我們投資了一家做數據工程的公司，人機結合來標注數據，也積極利用算法來合成數據，這家公司當前也在積極出海。這個領域的頭部的公司叫Scale AI，盈利能力很強，估值也很高。
再來談談AI應用，我覺得AI應用跟傳統互聯網應用不太一樣。我們以前一般把應用分為兩大類，一個叫ToB，一個叫ToC，但我覺得今天在AI行業，應該有一個新的分類叫ToP（Prosumer，專業用戶），這個類別的應用當前在用戶增長和商業化方面表現出色。Prosumer包括比如說內容創作者，這就是創作者經濟，從業者估計有1億以上。還包括一些專業從業者、技術專家、深度用戶等，這些都是未來的超級個體。這類人有明確的需求，熱愛學習，能夠積極學習去掌握一個功能強大但上手操作并不簡單的AI工具，我覺得這些專業用戶是當前最理想的AI應用使用者和付費方。今天ChatGPT 大家說可能是ToC，但我覺得它是ToP，因為說句實在話，我身邊也很少有人能夠真正地把ChatGPT、豆包、Kimi這類AI工具用好。我最近寫一篇文章，在整理思路、構建框架、形成初稿和文字潤色等各個方面，高強度地使用了ChatGPT，感覺寫作效率和寫作質量都有大幅提升，這個過程讓我深刻體驗到這類AI應用對于專業用戶的價值。
這只是一個案例，說明當我們要真正把AI作為深度生產力工具的時候，首先會面臨一條陡峭的學習曲線，并非所有人都能學會，掌握后還要容忍它出錯，因為盡管AI強大，它也容易出錯，產生幻覺，所以我們還要有能力去判斷，不能盲目接受。具備這類能力的人當前還不多，我覺得在座都可以是這樣的專業用戶，但一定要廣泛嘗試和深度使用AI工具。
我也想鼓勵AI應用的創業者先做ToP這個市場，要找各行各業的專業用戶，給專業用戶先提供一個功能強大工具，體驗要明顯優于傳統互聯網應用，偶爾不穩定和出錯也沒關系。這類工具先從ToP做起來，后續有機會可以往ToB或ToC去延展。前面我們提到的多模態創意工具大部分也屬于ToP， ChatGPT本質上也是ToP，當前To P應用明顯占優，用戶增長不錯、營收能力也強。
第二個就是ToB，面向企業提供服務。因為人類的工作流程很復雜，再加上人機混合的難度，AI應用切入進來不太容易。所以我覺得它可能應該先從一些獨立的業務模塊或者標準的技能模塊切入進來。
第三個是ToC，ToC的話感覺是顛覆時刻未到，我覺得核心原因是模型的能力還不足夠。舉個例子，我們之前看過一些項目，讓AI在小紅書等社交媒體發帶貨文章來掙錢，能形成一定的收入；但是后續我們發現，它寫的文章并不能有效漲粉，阻礙了這類應用的進一步發展。為什么呢？我覺得，今天的語言模型可以寫出中上水平的內容，但要創作出圈粉的文章，預訓練模型的自己能力還達不到，可能需要大量人類的參與和指導。o1、o3這類模型之后情況可能會有所好轉嗎？暫不可知。現在很多ToC的AI應用都跟上述案例類似，就是功能雖然不錯，但是跟傳統軟件相比的功能領先優勢不大。
進入到最后一部分——展望和挑戰。關于挑戰，一個顯著的問題是產品落地緩慢，技術應用周期長。核心原因可能是大家都認識到AI要競爭過傳統移動互聯網，產品體驗是一定不能減分的，成本可以初期承受損失，之后再慢慢降低。但因為模型能力還不足夠，產品質量很難達到八九十分的水準，可能就只有六十分甚至不及格。
還有一點，現在用戶會變得越來越希望AI成為貼心的助手，當我問什么問題，AI可以精確判斷我的意圖，直接給我需要的反饋結果，而不是給我一堆搜索答案、或者需要讓我多次交互。未來的AI應用，一定需要服務用戶較長時間，對用戶的習慣（“上下文”）有深度理解和長期記憶，當用戶問個問題，AI就能知道用戶問題背后的需求，從而直接給出準確的答案，甚至給出一些用戶自己都沒想到的答復，這才是AI時代的應用產品應該具備的模樣。如果做出這種產品，相信它絕對可以打敗現有的基于移動互聯網的傳統應用產品。但是這對模型的要求很高，對產品的設計、建構、規劃都有很大的壓力。
關于2025年的行業期望，有以下幾點。一是模型逐漸成熟（特別是在o1、o3等新模型的加持之下），AI應用落地取得階段性的成果，我覺得2025年可能會成為AI應用的大年，AI供應鏈的資產負債表可能會逐步得到修復。
二是關于模型的優化，比如“世界模型”與物理世界融合的推進，無論是對自動駕駛還是智能機器人，我覺得都會有很大幫助。三是多模態融合，我覺得還可以更進一步。四是模型的可解釋性與安全性，我們叫可解釋性是因為它是個黑盒子，你不知道它在想什么東西。AI模型是高階智慧，它的能力未來會超過人類，我們需要了解它到底在想什么，然而這是一項極具挑戰性的任務，現階段還沒有成熟的方法，但這也是我們想要的，否則你真的很難控制一個能力這么強、但是又不聽你的模型。
人類的勞動分為體力勞動和腦力勞動，其中腦力勞動以知識、智力和創造力為核心。但是今天，我覺得AI在解構人類的勞動，未來AI也會具備這樣的勞動能力，甚至超過人類。AI 還有一點比人強，人類培養出一個愛因斯坦這樣的頂尖科學家非常難，卻很難將其能力復制給其他人，而AI一旦訓練出一位頂尖科學家，它可以迅速批量復制。所以最后這些人類引以為傲的腦力勞動能力，可能未來AI都會具備，而且經過規模化復制后，最終會以軟件化的方式低成本提供。如果再加上具身智能的機器人，體力勞動也可能被大范圍替代。
所以，未來的勞動可能會軟件化，就像即插即用的工具一樣來獲取。當然我覺得大家也不必過于緊張，這還是很遙遠的事情，而且我們人類還會找到自己跟AI相處的方式。回到當前，我覺得最重要的是，我們在座各位，大家要多用AI工具，多了解它的能力，多了解它的不足。在這個過程中我們也能有一些新的思考和進步，對我們自己的事業、工作和生活也會有很大的促進，希望大家有機會一定要認真地去用當前的AI，用AI工具把自己武裝起來，成為未來的“超級個體”，謝謝大家！
Alpha峰會由全新林肯飛行家AVIATOR為您特約呈現
即刻啟程，從容駕馭2025全球投資之旅
相關推薦
- 免責聲明
- 本文所包含的觀點僅代表作者個人看法，不代表新火種的觀點。在新火種上獲取的所有信息均不應被視為投資建議。新火種對本文可能提及或鏈接的任何項目不表示認可。 交易和投資涉及高風險，讀者在采取與本文內容相關的任何行動之前，請務必進行充分的盡職調查。最終的決策應該基于您自己的獨立判斷。新火種不對因依賴本文觀點而產生的任何金錢損失負任何責任。
