域名預(yù)訂/競價(jià)，好“米”不錯(cuò)過

“人工智能的商業(yè)模式，是要?jiǎng)?chuàng)造一個(gè)市場，而非一個(gè)算法”。這是世界AI泰斗Michael I.Jordan的觀點(diǎn)。

而當(dāng)前的全球AI市場，占據(jù)主導(dǎo)地位的中美雙方，卻也走出了兩條截然不同的技術(shù)路徑，前者執(zhí)著于前沿技術(shù)的探索，后者則發(fā)力應(yīng)用優(yōu)化和商業(yè)化落地。

南轅北轍的兩個(gè)方向，或許已經(jīng)無法直接進(jìn)行排位先后、優(yōu)劣的對(duì)比，但對(duì)于應(yīng)用和落地，中國明顯有自己的鮮明主張，甚至即將完成超越。谷歌中國區(qū)前負(fù)責(zé)人李開復(fù)表示，預(yù)計(jì)到明年年初，中國的應(yīng)用普及速度將遠(yuǎn)遠(yuǎn)超過美國。

只是，這一路走來，中國企業(yè)付出了多少，鮮為人知。

國內(nèi)AI大模型：從“雨后春筍”到“銷聲匿跡”

2022年11月，自ChatGPT推出后，國內(nèi)市場被激發(fā)出前所未有的熱情。隨后在2023年初，國內(nèi)涌現(xiàn)出首批大模型創(chuàng)業(yè)者，掀起了一陣大模型創(chuàng)業(yè)的小高潮。同年6月，百模大戰(zhàn)正式打響。

耗時(shí)不到三個(gè)月，中國就誕生了超200款大模型，但到23年12月，持續(xù)更新的模型便迅速減少至156款。再到今年5月，便僅剩19款。很多大模型如同曇花一現(xiàn)，稍縱即逝。

而被業(yè)界稱為"六小虎"的智譜AI、零一萬物、百川智能、MiniMax、月之暗面和階躍星辰，也開始進(jìn)行業(yè)務(wù)調(diào)整，有的暫停了預(yù)訓(xùn)練模型的研發(fā)，有的則逐漸退出C端市場，轉(zhuǎn)而聚焦B端業(yè)務(wù)，甚至還有公司進(jìn)行了人員縮減。

這一現(xiàn)象背后，可以預(yù)見的是單靠融資驅(qū)動(dòng)的商業(yè)模式已經(jīng)成為過去式。面對(duì)全球AI大模型百舸爭流的形勢，中國AI產(chǎn)業(yè)需要深刻反思并尋求破局之機(jī)。而首要目標(biāo)就是回歸商業(yè)本質(zhì)，摒棄單純追求技術(shù)參數(shù)競賽的浮躁心態(tài)，更加注重市場需求導(dǎo)向的研發(fā)與應(yīng)用創(chuàng)新。

彼時(shí)，國內(nèi)AI大模型開始進(jìn)一步分化。按模態(tài)劃分，大模型可分為自然語言處理（NLP）大模型，視覺（CV）大模型、多模態(tài)大模型等；按照部署方式劃分則可以分為云側(cè)大模型和端側(cè)大模型兩類。

其中，云側(cè)大模型又有通用大模型和行業(yè)大模型兩種，通用大模型具有適用性廣泛的特征，目前更具代表性的有文心一言、通義千問、訊飛火星等，行業(yè)大模型則具有專業(yè)性強(qiáng)的特點(diǎn)，針對(duì)特定行業(yè)（如金融、醫(yī)療、政務(wù)等）的需求進(jìn)行模型訓(xùn)練。

可見，國內(nèi)AI大模型的應(yīng)用路線開始日漸清晰，大致途徑為“基礎(chǔ)大模型→行業(yè)大模型→終端應(yīng)用”。

值得注意的是，繼百模大戰(zhàn)降溫、應(yīng)用路線清晰后，價(jià)格戰(zhàn)也開始了。一個(gè)典型例子就是，今年5月21日，百度宣布兩款大模型免費(fèi)開放：Speed和Lite，這兩個(gè)相對(duì)輕量的大模型免費(fèi)提供，而最強(qiáng)大的大模型依然收費(fèi)。

盡管，低價(jià)甚至免費(fèi)可以增加用戶基數(shù)，但也給企業(yè)帶來了不小的生存壓力，畢竟這違背了最基本的商業(yè)邏輯。但如果技術(shù)和產(chǎn)品的競爭力足夠強(qiáng)，那么也無需主動(dòng)去參與價(jià)格戰(zhàn)。

如此一來，價(jià)格戰(zhàn)的開啟雖然不是一個(gè)好兆頭，但也從側(cè)面推動(dòng)AI技術(shù)創(chuàng)新進(jìn)入了新的加速期。

中美多維差異背后，技術(shù)落地路徑已然不同

在全球人工智能持續(xù)競速的背景下，中美雙方孰強(qiáng)孰弱一直是備受關(guān)注的議題。據(jù)悉，目前全球發(fā)布的大模型總數(shù)中，中美合計(jì)占約80%，處于絕對(duì)的主導(dǎo)地位。

具體來看，中美雙方之間在技術(shù)背景、文化屬性、市場環(huán)境、人才培養(yǎng)、算力、數(shù)據(jù)等維度上都存在差異。

技術(shù)背景方面，美國的科技發(fā)展尤其注重“技術(shù)優(yōu)先”和“知識(shí)密度優(yōu)先”，行業(yè)、企業(yè)之間重視基礎(chǔ)創(chuàng)新，對(duì)于新興的事物保持著較強(qiáng)的鼓勵(lì)和促進(jìn)態(tài)度。同時(shí)，整個(gè)生態(tài)上的分工也更為明確，形成了一套較為完整且兼具創(chuàng)新的生態(tài)鏈，從而共同推近統(tǒng)一目標(biāo)。

國內(nèi)相較更為多樣化，并嘗試依托于更多的應(yīng)用爆發(fā)以及市場的多樣性來加速發(fā)展。同時(shí)在發(fā)展過程中，對(duì)于安全、可控，以及持續(xù)性和自主性等維度的要求會(huì)更高。

又因?yàn)榧夹g(shù)背景和市場環(huán)境的緣故，雙方在商業(yè)模式上的區(qū)別也較為明顯。美國AI公司更多用的是軟件模式，可以快速起量；國內(nèi)公司則更擅長性能調(diào)優(yōu)，多采用個(gè)性化定制的服務(wù)方式。

圖源來自知乎@hayley

人才培養(yǎng)方面，從上圖可以看出，國內(nèi)在人工智能人才培養(yǎng)上的比例分布情況。國內(nèi)人工智能人才的本科比例較高，但碩士和博士比例逐漸下降。

原因在于大量人才選擇出國深造和工作。相關(guān)數(shù)據(jù)顯示，美國39.52%的人工智能人才實(shí)際上來自于中國。這使得錯(cuò)失更多高端人才的中國，在基礎(chǔ)研發(fā)上阻力相對(duì)較大。

算力方面，由于國內(nèi)在先進(jìn)制程芯片以及計(jì)算密度上不占優(yōu)勢，所以仍處在落后于美國的階段。但基于國內(nèi)政策及資本的積極態(tài)度，長遠(yuǎn)來講，算力難題是有解的。

而算力之外，數(shù)據(jù)是另一個(gè)限制中國AI產(chǎn)業(yè)發(fā)展的重要因素。一方面是因?yàn)榇罅繑?shù)據(jù)的私有化，導(dǎo)致獲取數(shù)據(jù)的成本高，另一方面，因?yàn)樘幚頂?shù)據(jù)的成本居高不下，所以企業(yè)之間對(duì)自己的數(shù)據(jù)策略（包括數(shù)據(jù)配比，數(shù)據(jù)來源，數(shù)據(jù)加工等等）高度保密。

最后也最關(guān)鍵的是，產(chǎn)業(yè)發(fā)展路徑方面，美國傾向于從底層開始限制開源生態(tài)的分發(fā)過程，并試圖通過限制開源來抑制產(chǎn)業(yè)創(chuàng)新。而國內(nèi)則傾向于大力推動(dòng)開源模型的發(fā)展，從而更加貼合垂直行業(yè)的應(yīng)用落地。

就影響而言，美國所主張的限制開源，對(duì)國內(nèi)不會(huì)造成太大影響。盡管底層研發(fā)技術(shù)仍有差距，但GPT-3.5的出現(xiàn)意味著技術(shù)取得了階段性的突破，而且因?yàn)殚_放使用，國內(nèi)已經(jīng)獲取了開源模型。因此，技術(shù)革命的傳播速度快于立法監(jiān)管的速度，導(dǎo)致監(jiān)管是失效的。

綜合來看，多個(gè)角度上的差異造成了中美雙方在技術(shù)落地路徑上的大相徑庭，美國仍舊處于從0-1技術(shù)探索的前沿陣地，而國內(nèi)則更關(guān)注商業(yè)落地并貼合市場需求進(jìn)行應(yīng)用優(yōu)化。

想“超車”美國，還得看“應(yīng)用線”

在國內(nèi)企業(yè)轉(zhuǎn)向美國的開源人工智能模式以求迎頭趕上的同時(shí)，美方也陷入一個(gè)相對(duì)尷尬的境地。因?yàn)?，他們一直試圖通過限制微芯片銷售和遏制投資來減緩國內(nèi)的進(jìn)步，但卻無法阻止企業(yè)為了促進(jìn)軟件的普及而選擇公開發(fā)布的做法。

美國在開源模型上的“兩頭為難”恰好為國內(nèi)企業(yè)實(shí)現(xiàn)“超車”提供了機(jī)會(huì)。

從Sora和GPT-4這兩大爆款來看，Sora在算法上的突破并不大，效果展示上的驚艷更多源于巨亮算力的堆集，它解決了決幀與幀之間的時(shí)序一致性問題，但同時(shí)導(dǎo)致Sora的視頻生成成本短時(shí)間內(nèi)無法降低。

而GPT-4雖然強(qiáng)大，其成本高企同樣是當(dāng)下最難跨越的現(xiàn)實(shí)問題之一。這也使得企業(yè)在實(shí)際應(yīng)用中往往選擇性價(jià)比更高的解決方案，如開源模型或規(guī)模更小的商用模型。

而且，一旦最好的開源技術(shù)來自于中國，美國開發(fā)者最終將由主動(dòng)轉(zhuǎn)為被動(dòng)，甚至需要在中國技術(shù)的基礎(chǔ)上構(gòu)建自己的底層系統(tǒng)。

可見，追求技術(shù)領(lǐng)先的美國，在跨出商業(yè)化落地的“臨門一腳”時(shí)已經(jīng)被成本“絆倒”，未來還有可能因此陷入僵局。

形成鮮明對(duì)比的是，中國的科技投資者在推動(dòng)人工智能時(shí)追求盡快轉(zhuǎn)虧為盈，這意味著資金正在流向易于執(zhí)行的應(yīng)用，而不是更具抱負(fù)、專注于基礎(chǔ)研究的目標(biāo)，杜克大學(xué)約翰·科克電氣與計(jì)算機(jī)工程杰出教授陳怡然這樣說到。

與此同時(shí)，中國對(duì)人工智能的投資中，多達(dá)50%投向了監(jiān)控所需的計(jì)算機(jī)視覺技術(shù)，而不是為生成式人工智能建立基礎(chǔ)模型。

尤其對(duì)于國內(nèi)本地市場的需求，百度文心一言、阿里通義千問等國內(nèi)自主研發(fā)的大規(guī)模模型，在應(yīng)對(duì)廣泛且普遍的應(yīng)用場景時(shí)，已經(jīng)充分展現(xiàn)了其實(shí)用性與高效性。誠然，在應(yīng)對(duì)極其復(fù)雜或特定復(fù)雜需求時(shí)，這些模型與全球頂尖的大模型相比，尚存在一定的性能差距。

然而，就當(dāng)前多數(shù)生產(chǎn)工具的實(shí)際需求而言，無論是通過開源途徑獲取的模型，還是國內(nèi)商業(yè)化提供的解決方案，均能提供基本且相對(duì)令人滿意的服務(wù)支持。

尤為值得一提的是，隨著各類應(yīng)用場景的不斷拓展與深化，國內(nèi)大模型的實(shí)際應(yīng)用落地進(jìn)程正顯著加速，展現(xiàn)出蓬勃的發(fā)展態(tài)勢。

由此來看，中國雖然暫時(shí)無法通過現(xiàn)有的大模型實(shí)現(xiàn)技術(shù)上的全面超越，但美國也無法進(jìn)行有效封鎖，開源技術(shù)既是中國AI發(fā)展如此迅速的關(guān)鍵原因，也將是中國取得領(lǐng)先地位的機(jī)遇。

而技術(shù)路徑上的差異已經(jīng)讓美國陷入階段性停滯不前，國內(nèi)應(yīng)該繼續(xù)專注于應(yīng)用開發(fā)，從而縮小商業(yè)化價(jià)值上的差距。

長遠(yuǎn)來看，美國如果真限制開源，那么這將是技術(shù)衰落的開始，同時(shí)也是中國正式崛起的開始。

戰(zhàn)局最終將如何演化，我們靜待時(shí)間揭曉。

作者：璟松

來源：港股研究社

申請(qǐng)創(chuàng)業(yè)報(bào)道，分享創(chuàng)業(yè)好點(diǎn)子。點(diǎn)擊此處，共同探討創(chuàng)業(yè)新機(jī)遇！