中國AI公司可以不走尋常路

　 域名預訂/競價，好“米”不錯過

大模型落地呼聲越來越大，但是以什么方式落地依然有爭議。國內(nèi)如此，國外亦然。不同的思想對應著不同的方法論。

一部分AI企業(yè)忙著更新通用大模型打榜，做一些視頻生成工具之類的熱門產(chǎn)物，巨頭多數(shù)屬于此類。

另一部分則在專注行業(yè)大模型或是平臺，例如國外的Glean和國內(nèi)的第四范式，后者最近還發(fā)布了AI數(shù)字人視頻合成平臺，著眼于讓企業(yè)更方便地用上大模型能力。

此外，還有以服務大模型發(fā)展為己任的“賣鏟子”型公司，比如從數(shù)據(jù)標注工作發(fā)展到AI全流程數(shù)據(jù)服務和模型搭建的Scale AI——如果轉(zhuǎn)型順利，它也會成為第二類公司。

這不是單純的商業(yè)模式辯論，“所有行業(yè)都值得用AI再做一遍”的共識早已形成，但直到現(xiàn)在，還有很多問題在等待著回答。尤其是背靠中國產(chǎn)業(yè)背景的AI公司們，也許可以送上不同的答案。

AI大模型的方向劃分

很多公司現(xiàn)在都可以說自己是AI行業(yè)的，但形成模式≠有長期價值。

目前大多數(shù)企業(yè)利用AI展業(yè)的方式，一定是通用的語言大模型，使用本行業(yè)的數(shù)據(jù)語料訓練一下，就已經(jīng)稱得上差異化應用。但這很可能是一種取巧的方法，Zapier（一家基于無代碼模式開展業(yè)務流程自動化探索的公司，與生成式AI自主工作的智能化特點有較強契合性）聯(lián)合創(chuàng)始人Mike Knoop認為，擴大語言大模型本質(zhì)上只能推動“記憶”這種智力形式的發(fā)展，和智能是有區(qū)別的。它不能理解企業(yè)的場景和需求，所以也做不到把AI的價值徹底發(fā)揮。

（圖源：Zapier官網(wǎng)）

另外，如果我們能將GPU算力投入增加與語言大模型能力提升的曲線進行對比，那么它的收益增量雖然確實存在，但很有可能是存在邊際收益遞減的。當互聯(lián)網(wǎng)上已經(jīng)存在的公開簡易數(shù)據(jù)都被用光了之后，再想依靠做通用語言大模型在AI領域彎道超車，就會變成一種幻想。

這對企業(yè)來說更是不利的。企業(yè)總是會在追求新技術(shù)的過程中如“猴子掰玉米”，譬如一開始想要用新技術(shù)解決一個確切的問題，結(jié)果變成了一場概念追逐戰(zhàn)：大數(shù)據(jù)出來了就用大數(shù)據(jù)，計算機視覺火了開始研究CV，到了大模型和生成式AI的時代，AIGC、AGI變成了他們戰(zhàn)略報告的關鍵詞。但越往后，最根本的問題反而被忘記了。

解決這個問題，或者說解決企業(yè)AI大模型需求問題的方法，其實就握在AI企業(yè)手中。

明星風投公司Benchmark的合伙人Sarah Tavel認為，第一波AI用例只是給出了一種API的使用方式，但把人工智能技術(shù)限定在幫助單一工具層面并不是合理的結(jié)果，最好的發(fā)展方向是基于給客戶提供完整的產(chǎn)品和服務——面向行業(yè)客戶具體需求開展大模型創(chuàng)業(yè)。

而號稱華裔天才少年的Alex Wang，同時也是Scale AI（Scale AI最初以數(shù)據(jù)標注服務起家，后來在此基礎上轉(zhuǎn)變?yōu)橐訟I為主導的全流程數(shù)據(jù)解決方案服務商，包括幫助客戶建立可用大模型，以及托管服務）的聯(lián)創(chuàng)，他認為，數(shù)據(jù)才是AI模型性能的瓶頸，而非算法或計算。數(shù)據(jù)最終來自很多個垂直行業(yè)，這意味著AI企業(yè)應當深入到行業(yè)領域，做符合企業(yè)需求的行業(yè)大模型。

這個過程有兩個需要注意的關鍵點：

一方面是數(shù)據(jù)問題，正如Alex Wang的觀點，AI公司要有“讀懂”用戶和行業(yè)的能力。因為從根本上來說，經(jīng)歷過數(shù)字化時代的公司大多有很多數(shù)據(jù)語料躺在倉庫里，但缺乏輔助情況下，它們無法發(fā)揮作用。

另一方面是管理和迭代問題，由于行業(yè)、場景千變?nèi)f化，目前的行業(yè)資源不太可能支持一家公司橫跨所有領域一個一個建造大模型。如何解決這個問題呢？

第四范式和Zapier聯(lián)合創(chuàng)始人Mike Knoop都將關鍵指向了自動化。技術(shù)方面，AutoML、程序合成和神經(jīng)架構(gòu)搜索都涉及自動化和優(yōu)化過程，以期減少人工干預，提高效率和效果。Mike Knoop認為AGI的探索需要基于程序合成和神經(jīng)架構(gòu)搜索，而第四范式創(chuàng)始人兼CEO戴文淵則在接受“智能涌現(xiàn)”采訪時提到，構(gòu)建無數(shù)個行業(yè)大模型的底座技術(shù)是AutoML——自動機器學習。

（圖源：Microsoft Learn）

戴文淵說，AutoML是“一個失敗的藝術(shù)”，它能發(fā)揮更大的價值，是因為第四范式做過太多的場景，懂得怎么讓數(shù)據(jù)和模型的發(fā)展，向特定場景的需求貼近。成功的化為成果，失敗的變成養(yǎng)料，基于自動化加速擴大迭代。就像Alex Wang說的：“機器學習是一種垃圾輸入、垃圾輸出的框架。”但如果我們有高質(zhì)量的行業(yè)數(shù)據(jù)，以及不斷糾錯的能力，最終就會讓行業(yè)大模型成為現(xiàn)實，并實現(xiàn)可靠的落地。

這個行業(yè)的頂尖思想者們，一定程度上對行業(yè)塑造的邏輯保持了對齊。而像第四范式這種根植于中國復雜產(chǎn)業(yè)場景的AI公司，所做的延伸還可以更多。

做不同的AI模型，想法、途徑和前景

以OpenAI為代表的、一部分專注通用大模型的企業(yè)，發(fā)展趨于橫向，大模型就是一切。在商業(yè)模式上，它們售賣的就單純是大模型的能力。相比之下，第四范式、Glean，甚至Palantir這樣的利用AI技術(shù)幫企業(yè)在某些方面做決策以提升整體工作效果的公司，走的是另一條路。它們的商業(yè)模式也不一樣。

比如Glean，它提供基于AI技術(shù)打造的AI企業(yè)搜索和知識管理平臺，并集成了非常多的第三方應用功能，直達其他的SaaS產(chǎn)品。也就是說，把自己變成了工作流的一部分。同時，Glean也可以幫企業(yè)用企業(yè)數(shù)據(jù)訓練專屬AI模型，而訓練的基礎是Glean自主打造的“可信知識模型”。這家公司的出發(fā)點是，員工往往很難在復雜的工作體系中找到有用的信息，而Glean在傳統(tǒng)企業(yè)搜索的基礎上，利用AI模型和工作流全流程跨應用服務能力，建立了新的優(yōu)勢。

對照Glean來看，第四范式對提升企業(yè)核心業(yè)務的關注，以及實現(xiàn)AI大模型介入業(yè)務的手段，在思想內(nèi)核上是一致的。這是因為它們的理念就是從行業(yè)和企業(yè)需求出發(fā)的，脫離了單純的唯技術(shù)論、唯參數(shù)論、唯語言論。不過，第四范式更深入到行業(yè)核心業(yè)務問題的預測管理上。

第四范式在今年上半年發(fā)布了行業(yè)大模型平臺先知AIOS 5.0，它繼承了此前第四范式對數(shù)據(jù)治理與智能發(fā)展等方面的思考，但更注重幫助企業(yè)挖掘行業(yè)大模型的潛力。AIOS 5.0核心特點是基于各行各業(yè)場景的X模態(tài)數(shù)據(jù)，構(gòu)建行業(yè)基座大模型。

（圖源：第四范式官網(wǎng)）

在能力層面，它側(cè)重于Predict the Next “X”，X代表各大行業(yè)包羅萬象的邏輯和結(jié)果。在使用層面，在支持接入企業(yè)各類模態(tài)數(shù)據(jù)的基礎上，先知AIOS 5提供大模型訓練、精調(diào)等低門檻建模工具、科學家創(chuàng)新服務體系、北極星策略管理平臺、大模型納管平臺、主流算力適配優(yōu)化等能力，實現(xiàn)端到端的行業(yè)大模型的構(gòu)建、部署、管理服務。在應用層面，考慮到中國的產(chǎn)業(yè)和場景復雜度水平極高，實際為行業(yè)大模型垂直發(fā)展提供了環(huán)境。

這其實是中國AI公司基于產(chǎn)業(yè)背景發(fā)展的一個極佳案例。戴文淵曾說：“我們國內(nèi)有大量場景和數(shù)據(jù)優(yōu)勢，當我們覆蓋場景足夠多，把這些模型拼起來，最后你可能也實現(xiàn)了AGI。”相比之下，現(xiàn)在流行的很多行業(yè)大模型，依然還是行業(yè)大語言模型，大而不精。劃分到更精準的場景后，雖然表面上看起來需要建立很多個大模型，但每個精準場景的數(shù)據(jù)量負載有限，同時有自動化技術(shù)的幫助，反而另辟蹊徑實現(xiàn)了AGI在應用層面的發(fā)展。

如同Mike Knoop的觀點，AGI之所以在狂飆突進后迅速遇到了上行阻礙，是因為我們過度依賴語言大模型，把AGI定義為能完成大多數(shù)工作的系統(tǒng)，但AGI實際上應該更側(cè)重高效獲取的新的能力，解決各種場景下的開放性問題。

事實上，這也許才是正確的思路。英偉達CEO黃仁勛就在美國加州理工學院第130屆畢業(yè)典禮講話中提到，隨著大模型發(fā)展，計算機從指令驅(qū)動轉(zhuǎn)向意圖驅(qū)動，“將來的應用程序所做的和執(zhí)行的都會與我們做事的方式相似，組建專家團隊，使用工具、推理、計劃和執(zhí)行我們的任務”。這樣的邏輯本身就意味著通用性。所以我們也看到，大模型正在進入物理世界，因為物理世界的決策同樣有跡可循。

類似的例子，就像過去一年多時間因AI技術(shù)估值暴漲兩倍多的Palantir。Palantir原本是一家To G的大數(shù)據(jù)公司，基于數(shù)據(jù)分析和建模仿真輔助決策，但生成式AI技術(shù)令其處理數(shù)據(jù)的方式發(fā)生轉(zhuǎn)變，在自動化與數(shù)據(jù)決策方面進步甚多，加速了AI To B業(yè)務的開拓。第四范式，就是在每個具有確定性的場景中建立行業(yè)大模型，助力企業(yè)掌握自己的應用，做出有效的決策。

（圖源：雪球）

最后，回到關于未來前景的思考上。OpenAI過于注重把通用能力做到極致，因而暫時失去了占據(jù)特定領域產(chǎn)品優(yōu)勢的機會。相比之下，那些側(cè)重于發(fā)展更自由、更開放的模型的企業(yè)，都得到了發(fā)展機會。而在商業(yè)模式上，以訂閱為主導的OpenAI會繼續(xù)“出售”大模型的能力，更像是工具；而第四范式、Glean、Scale AI、Palantir等公司則是銷售技術(shù)及其附加組件和服務，更像一個系統(tǒng)。

Scale AI上半年以138億美元估值融資了10億美元。成立五年的Glean在 D 輪融資中籌集了2億美元巨款，估值已高達22億美元，換算成人民幣在160億元左右。第四范式在港股的估值穩(wěn)定在224億港元左右，其成長性應該主要掛鉤先知平臺的發(fā)展和收入。今年一季度，第四范式8.28億元的總營收中，先知平臺占5億元，比例為60.6%。隨著應用場景的增加和收入的增長，它的價值也會得到釋放。

最終，AI公司在通往AGI的道路上一定免不了和行業(yè)巨頭對比。但只要它們能生產(chǎn)出越來越多的能在實際場景中為企業(yè)創(chuàng)造價值的產(chǎn)品時，市場自然會為它們賦予不一樣的價值。AGI是個巨大的概念，一切探索對未來而言都是有益的。

來源：港股研究社

申請創(chuàng)業(yè)報道，分享創(chuàng)業(yè)好點子。點擊此處，共同探討創(chuàng)業(yè)新機遇！