把大模型作为应用端来解决商业问题，这可能是一个正确的、最好投入产出比的商业解。
11月16日，盛景阿拉丁神灯汇第3期：基于大语言模型的垂直应用场景和商业价值讨论，邀请了创世伙伴资本合伙人梁宇进行分享，他以“漫谈大模型之落地的商业化表达”为题，同大家探讨了大模型的商业化落地和投资机会。
以下为精华内容整理，enjoy～
01
大模型发展现状和机会
大模型自今年3月份被ChatGPT对话机器人引爆以来，国内的大厂和优秀公司也开始往里突进，本土早期的一些应用基本上都是在抄袭北美那些已经有了高估值的应用，比如文生图、文生视频等等，这些应用虽然吸引眼球，但也引发了“VC到底投什么”的讨论。
对比中美大模型的发现进程，客观来讲，国内大模型的发展水平和北美（尤其是以ChatGPT为代表）的发展水平，事实上在加速拉开距离。但我们在和不同群体交流的过程中发现，更多人对中国未来大模型的发展充满了信心。
因为从历史上来看，自互联网出现以来，中国的创业家和创业者走的是“应用为先”的路径，他们擅长捕捉场景、识别需求，并利用技术来解决问题，这是值得尊重和利用的优势。
因此，我们在探讨大模型技术、探讨微调技术的时候，不妨把眼光更多的放在“需求在哪里？”
现在开源模型越来越厉害了，我们在代码方面的一些积累可能在不经意间就被大模型给摧毁了。但从另一角度看，我们面临着这样一种市场情况：越来越多超级武器的出现，可以很轻易地拿来为我所用，去解决以前很难解决的问题。这里面存在着大量的商业机会。
对于绝大部分的人而言，大模型仍旧是个黑箱，只不过它透露出来的各种的参数和能力，让我们感觉到敬畏。
在这种情形下，我们不必去追逐大模型本身到底有多少参数，也不必去追逐大模型本身是怎么构造起来的，我们更多要了解的是现在市场上涌现的大量模型各自有着怎样的能力和边界。
把大模型作为应用端来解决商业问题，这可能是一个正确的、最好投入产出比的商业解。
大模型本质上带来了什么？我觉得是通过大模型的泛化能力极大地解决掉成本问题。在供需矛盾极其突出的行业中，供应端本身制作成本很高的情况下，引入大模型的泛化能力，引入微调的技术参数和能力，掌握好数据，是极有可能改变原来的商业生态的。
事实上，这种情况各个领域都在发生，包括游戏制作、广告创意生成等等，不一而足。
在这样的逻辑推断下，我们更需要做的其实是提出问题和解决问题。提出问题是比较困难的，解决问题有路径可依赖。我们能否向所有人快速解释清楚一个问题并解决它，还是需要做很多的 “专业铺垫”，向专业的用户去解释 ？两种不同的路径会带来两种不同的市场。
对前者而言，过去在移动互联网时代，大量的创业公司基于对外媒体上的描述和自己抽象的表达，让用户能够看得懂它想做什么，用户也愿意去尝试，这个时候带来的是市场空间大但壁垒相对低的一些创业和服务。
后者是那些空间小但高壁垒的公司，公司在专业的领域当中有非常深的knowhow，它的技术knowhow、商业关系knowhow会决定它能不能守得住这个市场。
我们意识到大模型的存在和它的威力其实也就过去了八九个月的时间，大模型进入各个行业还处在一个早期阶段。广告领域、泛娱乐领域，也许会诞生第一波的机会。更容易的是在线上，利用大模型泛化的能力，基于线上的场景，更容易创造出低成本、可扩张的一些商业。
02
你能不能帮助客户消减90%的成本？
越是供需不平衡的地方，越是矛盾冲突频发的地方，付费需求的产生就越明显。当我们谈创业的时候，如果不谈怎么收费，向谁来收费，不能构成可持续的商业模式，那就是在耍流氓。我们要找到那些具有规模性和潜在冲突的市场机会。
在一个很容易满足需求的场景中，如果我们能在其中的一个供应环节，利用现在的计算机技术，削掉已有的90%的成本，就有可能会局部地颠覆这里面的商业关系，让商业变得更加流畅，这也是客户愿意为之付费的地方。
在中国其实最不缺的就是竞争，过去我们看到的竞争往往都强调钱多、人好、商业机会大、技术壁垒高，但更聪明的创业者在早期阶段并不追求绝对的优势，而是相应的找到一个比较优势，比如技术上的领先、独特的数据壁垒，或者是行业knowhow，
创业者一定要做比较优势的建构和自我的客观分析，这样才能够获得0到1之间短暂的成长机会，然后利用这样的机会快速长大，并且不断的建立自己的壁垒。
创业者在做产品端设计的时候，也要构建一个自我强化机制，这其实是一个构建核心壁垒的过程，缺乏这一环节，后面很难获得持续性优势。
比如说搜索，微软作为后进者，有大量的工程师资源和更多的钱，为什么在市场份额上始终无法超过谷歌？原因在于大量用户在使用google产品的时候，留下了他们的点击痕迹，这些数据自我增强了google最核心的排序算法，使得它一骑绝尘。
大模型的发展是突飞猛进的，以至于很多人暴力去追赶它，市场上已经出现了一些套壳的应用，GPT 3.5的出现甚至让一个十亿估值的公司瞬间垮掉。所以，创新者不仅要不断关注虎视眈眈的技术模型本身，还要关注场景和冲突。
中国整体的开发者总量大约有700万到800万，产品经理的数量大概在70万到100万，我们有一个大胆的猜测，这其中真正具有独立思考能力的人可能不到1%，兼顾需求和开发能力的人可能也只有1%，两者相乘，数量级是让我们比较踏实的。这样数量级的产品经理真正能够找到的大的泛化场景大概也就不到100个。
03
下沉市场结构性矛盾和共性需求
冲突的本源是极度的不平衡。今天的市场格局已经不如十年前那样遍地开花，格局基本稳定，增长红利匮乏，流量端、用户端、资源端被大的公司所垄断，回过头看，大公司和成长起来的明星企业真正专注和优势的地方，其实还是北上广深这些一线城市，并没有聚焦到下沉市场。
中国有将近2000个市县，如果把100万人口作为一个指标，这样的城市有538个，如果人口数量再小一点，按30万-50万人口来计算，这样的城市有690个，这里面就蕴含了约8亿人口。
下沉市场有一些结构性的矛盾：第一，人才是极度匮乏的，不管是开发人才、产品人才还是运营人才；第二，商业在各个县城里是广泛存在的，但是非常分散；第三，关注性价比，普通的用户甚至可以为了一块钱改变他的购买行为；第四，更不平衡的基尼系数，富有者非常富有，贫困者极其贫困。
在这种极度不平衡之下，也有一些共性的需求。第一，娱乐，相较于一线城市，用户花在娱乐上的时间更多。第二，教育和医疗，人才极度匮乏，技术水平落后。这里面都存在很多机会。
04
总结
作为大模型创业者，虽然找到矛盾点和需求点有一定的难度，但随着模型的泛化能力不断增强和开源模型的不断迭代，相信未来只会越来越好。
回到大模型的选择上，是开源还是闭源？两手都得做准备，因为它们都是武器。如果我们对这些武器本身视而不见，对武器使用的熟练程度不如其他人，我们的先发优势很可能会被别人迭代掉。
创业公司不能只谈技术，要更多地去谈商业、谈人性，核心壁垒在于对矛盾的理解。现在创造新的增量市场的机会越来越少，创业者进入一个行业后，一定要客观地思考，自己到底动了谁的已有蛋糕，对方有没有反抗能力，能不能找歃血为盟的盟友一起把蛋糕做大。
05
互动问答
Q1：高壁垒小市场和低壁垒大市场，分别适合什么样的创业者进入？
梁宇：非专业领域的市场竞争是极其激烈的，能够持续提高并护住自己门槛的其实是快速反应能力。在任何新市场或新机会中，先发者总是有优势的。对于后来者而言，进入市场的成本会显著提高。
这就要求创业者要非常灵活，要有超强的执行能力，这样才能够快速掉头，不断去追逐技术的领先性，通过数据反馈不断构建自身的产品壁垒，同时还要更多地倾听客户需求，在客户提出需求的第一时间识别到他的需求并且快速实现。
反过来，对于垂直类的高壁垒小市场而言，领导者最好是对行业有深度knowhow的人，找到一个对技术比较了解的产品经理把knowhow变成产品需求，然后由团队去执行。执行的效率不一定是最好的，竞争壁垒更多在于领导者对行业本身的理解，在于如何建立商业关系，吸引潜在客户，获取必要数据，以及建立合理的联盟关系。
Q2：近几年，宏观和微观环境的变化让资本市场也受到很大影响，投资机构对于早期项目投资的标准或策略发生了哪些改变?
梁宇：像Stable Diffusion和Midjourney这样的文生图创业公司，虽然受到了很多关注，赚得盆满钵满，但同时也暴露了某些弱点。在大模型和跨模态理解方面，虽然有前瞻性的论文和研究可供参考，但这些公司的未来发展如何、核心竞争壁垒在哪，仍需审慎评估。
现在国内投资人对大模型看的多，投的少，核心还是在于壁垒。抛开外部环境，打铁还需自身硬。创业者需要有一个比较好的产品定位，能够避开大公司的打击和碾压，同时要非常深刻地分析产品需求，尤其是客户付费的需求和意愿，利用模型现有的能力帮助客户大规模降低生产成本。
Q3：现在AI应用层的创新跟当年TMT应用层的创新的相似点跟区别在哪儿？
梁宇：TMT或者Web 2.0的时候，我们面临的是一个增量市场，而现在我们面临的是一个存量市场。增量市场的时候，大家可以百花齐放，也可以有大量的浪费，因为总有市场没有被满足；但在经济发展低速平缓情况下，大多数市场已经被瓜分了。
这种差异性恰恰是现在这波大模型的机会，因为它能够在存量市场上逐渐改变生产关系和生产效率。这波大模型虽然看上去各种花枝招展的，但它真正为市场所接受的一个重要原因，就是它能够通过泛化能力大规模削减生产成本。
共同点在于大家都在关注需求，用产品经理的视角，找到需求点和矛盾点，然后用自己的产品去解决问题。