大模型“四小龍”，能否跨越深淵？_風聞
脑极体-脑极体官方账号-从技术协同到产业革命，从智能密钥到已知尽头54分钟前
一張名為《大模型的深淵》的圖，在去年廣為流行。吃瓜羣眾驚詫地發現，原來絕大多數大模型，都擠在深不見底的層級,“宣稱自己快要落地的”“再等等決定啥時候落地的”“什麼落地不落地的”“怎麼還有這麼多沒聽説過的大模型啊”……
時至今日，國產大模型數量已經達到200多個，“深淵”更深。
其中，很多低水平重複造輪子的大模型，無法滿足個人和產業的使用需求，發佈之後無人問津，已經不可能在業內翻起什麼波瀾了。而那些真正具備技術價值和商業價值的大模型，也如同“潛龍在淵”，逐漸顯露出“一飛沖天”的苗頭。
那麼，由大模型開啓的新一輪繁榮週期中，自然也會有“潛龍在淵”。誰會成為類似“AI四小龍”這樣的潛力股呢？答案基本藏在這三個梯隊裏。
大模型“四小龍”的一鱗半爪
業內流傳一句話：小創新靠大廠，大創新靠小廠。從昔日的DeepMind到去年的OpenAI，這些年輕、新鋭的技術團隊，迴歸創新本源，一次又一次給業界帶來顛覆性的變化，成為從業者和投資人眼中的“潛力股”。
所謂大模型的“潛龍”，有兩個基本條件：
一是“潛”，相比谷歌、微軟、英偉達、百度、騰訊、阿里等科技巨頭，成立時間更短、隊伍更加年輕化，組織效率和靈活度更高。
二是“龍”，有着不輸給大廠，甚至超越大廠的技術創新性，基礎模型是自研的，並且是L0級的通用大模型，可以為行業大模型、垂類大模型提供底座，具備向多個產業轉化的潛力，有望帶來高增長和高投資回報率。
雖然機器視覺公司也都推出了大模型，技術實力不俗，但並不算是AI新面孔。而使用開源LLaMA 架構的零一萬物，以及被大廠收購不再獨立競爭的光年之外，雖然夠“新”，但發展遇到較大的轉折點。所以這些企業及其大模型，我們就不放在此次討論。
總體來説，有三類大模型企業，目前都得到了國內外知名投資機構或行業客户的支持，擁有較高的技術認可度與商業轉化潛力，可以被看作是“大模型四小龍”的預備役。
1.明星派
明星創始團隊，具備在工業界或學術界的知名度和影響力，打造的大模型一出世，便憑藉“明星效應”，備受業界關注。
2.技術流
相比“明星效應”，技術流更強調技術實力，其中典型代表是智譜AI。作為一家清華系初創公司，智譜AI在2019年成立時就把OpenAI當作對標，將實現AGI通用智能作為目標，是中國最早啓動預訓練模型研發的科技公司之一。智譜AI最新發布的基座大模型GLM-4，在一系列評測中的表現也被認為逼近了OpenAI的GPT-4。
被寄予厚望的明星派、技術流，都是“高高在上”的，從業務/商業土壤上生長出來的務實派大模型，也可能憑藉落地應用而闖出一條路。比如2023年問世的“天工”大模型，由崑崙萬維自主研發，大模型AIGC與崑崙萬維的搜索、遊戲、社交、娛樂等業務的結合，快速進入應用週期，也讓崑崙萬維成為闖入大模型領域的一匹黑馬。
擁有明星創始團隊的大模型，性能也可能並不遜色於技術流；擁有強大基座模型的技術流，也可能牽起強悍的運營隊伍，帶動產品落地；而務實派是“根據釘子造錘子”，但錘子要是不夠硬，啥也砸不下去，所以技術能力也得過硬。
凝視大模型的“商業化”深淵
對標“AI四小龍”，可能並不讓大模型企業很高興，反而是憂慮更多。
以計算機視覺為核心的“AI四小龍”前期融資能力很強，但普遍遭遇了商業化的艱難探索，面臨盈利難、市值下降等困擾。而大模型的落地“深淵”，背後是更加漫長的商業化之路。
但是，逃避、諱莫如深，是無法打消投資人、市場和用户的顧慮的。無論大模型企業是否願意凝視深淵，深淵一直都在凝視着大模型。
直面大模型的“商業化”深淵，相比上一輪AI，有三新一舊：
三新：新環境、新規模、新要求。
簡單來説，大模型企業面臨着更加嚴苛的融資環境，隨着全球流動性衰減，科技企業的高估值都很難保持，龐大如谷歌都在裁員“降本增效”，融資難度更大了，比如智譜AI的融資水平就明顯不及當年的商湯科技。
一舊：AI標品化依舊很難。
南橘北枳，在中國做AI，照搬OpenAI是絕對不行的，要看到鐵一般的事實：中國toC市場對AI等軟件產品的付費意願不高，監管嚴格，很難做，真要做也要配備龐大的團隊去確保安全合規，投入並不小。
toB市場也有很大的差異，國內企業大多不信任SaaS模式，更傾向於私有化部署，行業市場分散，中小客户眾多，需求紛繁複雜，高薪的算法工程師到一線做一個幾十萬的項目很常見。
至於toG市場，智能化項目競爭激烈，而且事多錢少利潤薄，上一輪機器視覺公司基本在做自動駕駛、智慧城市、安防等業務，都掙的是辛苦錢。一般來説，CV計算機視覺類項目費用，是比NLP自然語言處理類高的，所以大語言模型想要靠項目制獲得高客單價，也是很困難的。
從這個角度看，整體投入更大、單個項目收益更小，大模型的商業化挑戰，比上一波機器視覺公司更嚴峻。
那麼，“大模型四小龍”，會重蹈覆轍嗎？
龍躍於淵，大模型盈利出路在哪裏？
悟已往之不諫，知來者之可追。面對AI商業化難題，也不必悲觀，事實上，我們看到大模型“四小龍”預備役們，大多能開始吸取經驗開新局。我們也發現了一些共同點：
共同點一：降本，但不“增笑”。
對內“節流”，提高人效。相比上一輪AI創業熱潮中“高薪挖算法/科學家”，這些大模型“潛龍”從一開始就會注重“人效比”。
此前科技行業的高流動性、高估值，也催生了“獨角獸”們隨意擴張，反而造成了大量的低效現象，比如硅谷“神員工”精通各種編程語言，原來是把工作外包給多箇中國工程師，幾年都沒被發現。這種環境也導致創新大幅度收縮，初創企業招人成本奇高。
而這波大模型創業熱潮中，企業對於人員擴張都是比較謹慎的。周明曾對媒體説過，開始創業時團隊只有他自己，後來擴展到5個人，慢慢開始訓練模型，以一個“輕量化”的團隊做出的孟子模型，未來應該長期穩定在百人的規模。百川智能、智譜AI也是類似的思路。
共同點二：聚焦toB，重視現金流。
這些大模型企業從一開始就聚焦在toB市場，智譜AI的CEO張鵬、瀾舟科技創始人周明都曾明確表示過，優先發展toB企業服務業務。
從數字化到智能化，傳統AI廠商需要從零開始做用户教育，去講述AI技術降本增效的價值。與之相比，大模型的認知度和接納度，都是非常高的。各行各業對生產力的渴求、對應用AI的共識，都非常充沛。這給大模型企業帶來了非常好的增長基礎。
百鍊智能發佈的《大模型招標需求分析簡報（2023年1月-11月)》顯示，7月起，隨着國內130個大模型相繼問世，大模型招標需求量開始呈現明顯上升趨勢。11月迎來增長高峯，需求量較前月翻至近3倍。其中選擇投入10萬-50萬預算進行小規模嘗試的企業最多，同時也有不少以國央企為代表的企業開始釋放百萬級項目預算。
如前所説，toB的錢也未必好賺。企業客户雖然付費意願比C端用户高，但toC應用可以標品化、大規模地吸引用户付費，而toB智能化項目卻需要定製化，投入更大。此前機器視覺公司也曾想將AI模型跨場景、泛化應用，但發現現實世界的商業模式依然是強定製，成本居高不下。
這個問題，在大模型創業者中有比較廣泛的共識，也都在積極探索解法。百川智能CEO王小川曾對媒體透露，要突破toB定製化問題，通過可配置、可調整的搜索增強知識庫，以產品化的方式，通過不同的產品組合，來解決客户的定製化需求。
共同點三：廣交朋友，積極開源。
“定製化”之所以成為企業的天然需求，一個主要原因是AI落地業務場景，是從零開始的，AI要和業務一起磨合才能發揮作用，很多場景是無法用一個通用產品來解決的。智能化是一門長期的慢生意，是離不開生態合作伙伴，去深入行業，做大量定製化工作的。
這些年，我們團隊實地走訪了不少AI+工廠、AI+養豬、AI+巡檢、AI+煤礦、AI+碼頭等智能化項目，最常見的一個場景就是：AI企業的科學家、算法工程師、產品運營人員、項目經理等各色人等，有的在田間地頭碼頭倉庫，一待就是幾個月，去了解基層人員的工作需求，去從頭設計作業流程。
而智能化往往也伴隨着“去人化”，有的時候一線工作人員也會不理解、不配合，大大延緩項目進度。有一年冬天，某煤礦智能化團隊在陝北某場站調研時，工作人員不想搭理他們，就故意不開暖氣爐，想讓他們大冷天的自己知難而退。還有一次，在一家養豬場，管理方希望用智能攝像頭來實時感知豬的體温，防範豬瘟等傳染病，但算法性能一直提不上去，最後技術人員在現場反覆調研，發現是因為豬皮太厚了，導致體温識別準確率下降……
吸引行業夥伴，百川智能、智譜AI、崑崙萬維、瀾舟科技都相繼開源了數個模型。
但我們都知道，開源容易，做生態難。一個大模型開源之後，生態繁榮不起來，沒有開發者來持續貢獻、打造商業版，無法形成正循環。
要吸引開發者，一是基座模型的能力還是要過硬，理解分析邏輯不能有硬傷。奧特曼就曾經説過，GPT-4的很多問題會在GPT-5得到解決，希望開發者基於AGI通用人工智能去設計業務。換句話説，更強大的新模型，可能會將舊模型的商業價值一筆勾銷，讓開發者徹底白乾。所以，開發者一定會選擇將時間精力放在那些最先進的基座模型上，避免被卷得太快。
此外，需要良好完備的工具棧。大模型要用好，軟件也要做一定的適配和改造，則考驗的是大模型廠商的工程化能力，軟件是否對開發者友好。而“四小龍”中比較多初創公司，工程團隊在規模、人才、經驗、積累等方面可能與BAT這類成熟企業有差距。比如任務調度、代碼可讀性、技術文檔、標準數據集等，減輕開發者和夥伴們的負擔，共同把大模型用好。
智能中國正打開更寬廣的天地，這些大模型“潛力股”，一定會有龍躍於淵，遨遊九天。