大模型“四小龙”,能否跨越深渊?

一张名为《大模型的深渊》的图,在去年广为流行。吃瓜群众惊诧地发现,原来绝大多数大模型,都挤在深不见底的层级,“宣称自己快要落地的”“再等等决定啥时候落地的”“什么落地不落地的”“怎么还有这么多没听说过的大模型啊”……

时至今日,国产大模型数量已经达到200多个,“深渊”更深。

其中,很多低水平重复造轮子的大模型,无法满足个人和产业的使用需求,发布之后无人问津,已经不可能在业内翻起什么波澜了。而那些真正具备技术价值和商业价值的大模型,也如同“潜龙在渊”,逐渐显露出“一飞冲天”的苗头。

上一波2015年左右开始的AI创业浪潮,以CV计算机视觉技术为主导的初创企业中,号称“CV四小天鹅”的商汤科技、旷视科技、云从科技、依图科技,也被誉为中国的“AI四小龙”,成为那一个AI繁荣周期中的标志性创新企业。

那么,由大模型开启的新一轮繁荣周期中,自然也会有“潜龙在渊”。谁会成为类似“AI四小龙”这样的潜力股呢?答案基本藏在这三个梯队里。


大模型“四小龙”的一鳞半爪


业内流传一句话:小创新靠大厂,大创新靠小厂。从昔日的DeepMind到去年的OpenAI,这些年轻、新锐的技术团队,回归创新本源,一次又一次给业界带来颠覆性的变化,成为从业者和投资人眼中的“潜力股”。

所谓大模型的“潜龙”,有两个基本条件:

一是“潜”,相比谷歌、微软、英伟达、百度、腾讯、阿里等科技巨头,成立时间更短、队伍更加年轻化,组织效率和灵活度更高。

二是“龙”,有着不输给大厂,甚至超越大厂的技术创新性,基础模型是自研的,并且是L0级的通用大模型,可以为行业大模型、垂类大模型提供底座,具备向多个产业转化的潜力,有望带来高增长和高投资回报率。

虽然机器视觉公司也都推出了大模型,技术实力不俗,但并不算是AI新面孔。而使用开源LLaMA 架构的零一万物,以及被大厂收购不再独立竞争的光年之外,虽然够“新”,但发展遇到较大的转折点。所以这些企业及其大模型,我们就不放在此次讨论。

总体来说,有三类大模型企业,目前都得到了国内外知名投资机构或行业客户的支持,拥有较高的技术认可度与商业转化潜力,可以被看作是“大模型四小龙”的预备役。

1.明星派

明星创始团队,具备在工业界或学术界的知名度和影响力,打造的大模型一出世,便凭借“明星效应”,备受业界关注。

包括,由前搜狗公司CEO王小川创立的百川智能(2023年3月,拥有多种参数的Baichuan系列大模型);由前商汤研究院副院长闫俊杰创立的Minimax(2021年12月,拥有ABAB 大模型);由中国最早从事中英机器翻译领域的研究者之一、2023年ACL Fellow周明博士创办的Langboat澜舟科技(2021年6月,拥有通用大模型孟子)。

2.技术流

相比“明星效应”,技术流更强调技术实力,其中典型代表是智谱AI。作为一家清华系初创公司,智谱AI在2019年成立时就把OpenAI当作对标,将实现AGI通用智能作为目标,是中国最早启动预训练模型研发的科技公司之一。智谱AI最新发布的基座大模型GLM-4,在一系列评测中的表现也被认为逼近了OpenAI的GPT-4。

3.务实派

被寄予厚望的明星派、技术流,都是“高高在上”的,从业务/商业土壤上生长出来的务实派大模型,也可能凭借落地应用而闯出一条路。比如2023年问世的“天工”大模型,由昆仑万维自主研发,大模型AIGC与昆仑万维的搜索、游戏、社交、娱乐等业务的结合,快速进入应用周期,也让昆仑万维成为闯入大模型领域的一匹黑马。

需要说明一下,三个类别是看“最长板”,并不意味着其他赛道的能力不高。

拥有明星创始团队的大模型,性能也可能并不逊色于技术流;拥有强大基座模型的技术流,也可能牵起强悍的运营队伍,带动产品落地;而务实派是“根据钉子造锤子”,但锤子要是不够硬,啥也砸不下去,所以技术能力也得过硬。


凝视大模型的“商业化”深渊


对标“AI四小龙”,可能并不让大模型企业很高兴,反而是忧虑更多。

以计算机视觉为核心的“AI四小龙”前期融资能力很强,但普遍遭遇了商业化的艰难探索,面临盈利难、市值下降等困扰。而大模型的落地“深渊”,背后是更加漫长的商业化之路。

但是,逃避、讳莫如深,是无法打消投资人、市场和用户的顾虑的。无论大模型企业是否愿意凝视深渊,深渊一直都在凝视着大模型。

直面大模型的“商业化”深渊,相比上一轮AI,有三新一旧:

三新:新环境、新规模、新要求。

简单来说,大模型企业面临着更加严苛的融资环境,随着全球流动性衰减,科技企业的高估值都很难保持,庞大如谷歌都在裁员“降本增效”,融资难度更大了,比如智谱AI的融资水平就明显不及当年的商汤科技。

同时,大模型又是一个重投入的行业,基座模型的技术竞赛,还远远没到终结的时候,持续向上探索意味着长期烧钱,需要的资金规模更大。而吸取了上一轮AI投融资经验的投资人,面对大模型也格外冷静,对初创企业的自身造血盈利能力提出了更高的要求。

一旧:AI标品化依旧很难。

南橘北枳,在中国做AI,照搬OpenAI是绝对不行的,要看到铁一般的事实:中国toC市场对AI等软件产品的付费意愿不高,监管严格,很难做,真要做也要配备庞大的团队去确保安全合规,投入并不小。

toB市场也有很大的差异,国内企业大多不信任SaaS模式,更倾向于私有化部署,行业市场分散,中小客户众多,需求纷繁复杂,高薪的算法工程师到一线做一个几十万的项目很常见。

至于toG市场,智能化项目竞争激烈,而且事多钱少利润薄,上一轮机器视觉公司基本在做自动驾驶、智慧城市、安防等业务,都挣的是辛苦钱。一般来说,CV计算机视觉类项目费用,是比NLP自然语言处理类高的,所以大语言模型想要靠项目制获得高客单价,也是很困难的。

究其原因,ToB/ToG市场的AI项目,大多以解决方案式落地,政企机构更希望打包式引入AI、云、IoT等软硬件,针对自身打造定制化方案,AI产品无法以标准化、模块化的形式快速交付,前期要投入很高的成本。

从这个角度看,整体投入更大、单个项目收益更小,大模型的商业化挑战,比上一波机器视觉公司更严峻。

那么,“大模型四小龙”,会重蹈覆辙吗?


龙跃于渊,大模型盈利出路在哪里?


悟已往之不谏,知来者之可追。面对AI商业化难题,也不必悲观,事实上,我们看到大模型“四小龙”预备役们,大多能开始吸取经验开新局。我们也发现了一些共同点:

共同点一:降本,但不“增笑”。

对内“节流”,提高人效。相比上一轮AI创业热潮中“高薪挖算法/科学家”,这些大模型“潜龙”从一开始就会注重“人效比”。

此前科技行业的高流动性、高估值,也催生了“独角兽”们随意扩张,反而造成了大量的低效现象,比如硅谷“神员工”精通各种编程语言,原来是把工作外包给多个中国工程师,几年都没被发现。这种环境也导致创新大幅度收缩,初创企业招人成本奇高。

而这波大模型创业热潮中,企业对于人员扩张都是比较谨慎的。周明曾对媒体说过,开始创业时团队只有他自己,后来扩展到5个人,慢慢开始训练模型,以一个“轻量化”的团队做出的孟子模型,未来应该长期稳定在百人的规模。百川智能、智谱AI也是类似的思路。

对外降本,提升大模型企业的盈利潜力。帮助企业和用户“节流”,降低应用大模型的成本。很多客户的痛点是,用大模型的成本压力很大,希望大小模型结合,来提高投入产出比。比如百川、智谱AI都推出了多种参数的大模型,来综合不同需求。

共同点二:聚焦toB,重视现金流。

这些大模型企业从一开始就聚焦在toB市场,智谱AI的CEO张鹏、澜舟科技创始人周明都曾明确表示过,优先发展toB企业服务业务。

从数字化到智能化,传统AI厂商需要从零开始做用户教育,去讲述AI技术降本增效的价值。与之相比,大模型的认知度和接纳度,都是非常高的。各行各业对生产力的渴求、对应用AI的共识,都非常充沛。这给大模型企业带来了非常好的增长基础。

百炼智能发布的《大模型招标需求分析简报(2023年1月-11月)》显示,7月起,随着国内130个大模型相继问世,大模型招标需求量开始呈现明显上升趋势。11月迎来增长高峰,需求量较前月翻至近3倍。其中选择投入10万-50万预算进行小规模尝试的企业最多,同时也有不少以国央企为代表的企业开始释放百万级项目预算。

如前所说,toB的钱也未必好赚。企业客户虽然付费意愿比C端用户高,但toC应用可以标品化、大规模地吸引用户付费,而toB智能化项目却需要定制化,投入更大。此前机器视觉公司也曾想将AI模型跨场景、泛化应用,但发现现实世界的商业模式依然是强定制,成本居高不下。

这个问题,在大模型创业者中有比较广泛的共识,也都在积极探索解法。百川智能CEO王小川曾对媒体透露,要突破toB定制化问题,通过可配置、可调整的搜索增强知识库,以产品化的方式,通过不同的产品组合,来解决客户的定制化需求。

共同点三:广交朋友,积极开源。

“定制化”之所以成为企业的天然需求,一个主要原因是AI落地业务场景,是从零开始的,AI要和业务一起磨合才能发挥作用,很多场景是无法用一个通用产品来解决的。智能化是一门长期的慢生意,是离不开生态合作伙伴,去深入行业,做大量定制化工作的。

这些年,我们团队实地走访了不少AI+工厂、AI+养猪、AI+巡检、AI+煤矿、AI+码头等智能化项目,最常见的一个场景就是:AI企业的科学家、算法工程师、产品运营人员、项目经理等各色人等,有的在田间地头码头仓库,一待就是几个月,去了解基层人员的工作需求,去从头设计作业流程。

而智能化往往也伴随着“去人化”,有的时候一线工作人员也会不理解、不配合,大大延缓项目进度。有一年冬天,某煤矿智能化团队在陕北某场站调研时,工作人员不想搭理他们,就故意不开暖气炉,想让他们大冷天的自己知难而退。还有一次,在一家养猪场,管理方希望用智能摄像头来实时感知猪的体温,防范猪瘟等传染病,但算法性能一直提不上去,最后技术人员在现场反复调研,发现是因为猪皮太厚了,导致体温识别准确率下降……

不难看到,这些十万、几十万的中小微企业的小项目,可能客单价比不了大B/政府类客户,但数量多、规模大,以基础大模型作为底座,进行定制化开发,可以极大地提高基座模型厂商的使用率,吸引更多伙伴/ISV服务商去打造商业版。

吸引行业伙伴,百川智能、智谱AI、昆仑万维、澜舟科技都相继开源了数个模型。

但我们都知道,开源容易,做生态难。一个大模型开源之后,生态繁荣不起来,没有开发者来持续贡献、打造商业版,无法形成正循环。

要吸引开发者,一是基座模型的能力还是要过硬,理解分析逻辑不能有硬伤。奥特曼就曾经说过,GPT-4的很多问题会在GPT-5得到解决,希望开发者基于AGI通用人工智能去设计业务。换句话说,更强大的新模型,可能会将旧模型的商业价值一笔勾销,让开发者彻底白干。所以,开发者一定会选择将时间精力放在那些最先进的基座模型上,避免被卷得太快。

此外,需要良好完备的工具栈。大模型要用好,软件也要做一定的适配和改造,则考验的是大模型厂商的工程化能力,软件是否对开发者友好。而“四小龙”中比较多初创公司,工程团队在规模、人才、经验、积累等方面可能与BAT这类成熟企业有差距。比如任务调度、代码可读性、技术文档、标准数据集等,减轻开发者和伙伴们的负担,共同把大模型用好。

无论是曾经辉煌的“AI四小龙”,还是正在崛起的“大模型四小龙”,这些企业用锐利的技术和昂扬的理想,一次又一次地推高创新的“天花板”,是中国科技不可或缺的一支力量。

智能中国正打开更宽广的天地,这些大模型“潜力股”,一定会有龙跃于渊,遨游九天。