2023年ChatGPT火爆业界，随后大模型全年狂奔，2024年随着人工智能技术的不断发展，带来了众多创新的应用场景。在这轮技术周期中，如何把握AI发展的战略主动，提前布局大模型商业化？如何运用新的技术更高效解决客户问题，让企业盈利，让投资人获益？
近日，百度风投、AI在B端领域投资人炊文伟在盛景人工智能投资闭门研讨会上，分享了AI未来的发展趋势和大模型商业化探索过程中的经验，以及相关企业将会面临的机遇和挑战。
盛景管理130亿股权投资母基金和直投基金，投资组合已涌现232家上市公司。2023年，盛景荣膺融中“2022-2023年度中国人工智能领域最佳早期投资机构”。
精华观点如下：
1. AI的本质是探索人脑智能的极限。
2. AI作用的发挥，关键取决于“数据”在整个场景中能否变成生产要素，助力业务的发展。
3. AI的商业化，技术总投入要小于商业总收入，并且要放到一个更宏大的视角里按需去做反馈。
4. “互联网+”和“AI+”的商业模式存在巨大的本质性差异。
5. 大模型进入企业或行业之后，人和机器的关系会发生变化，两者关系的平衡与否会大幅影响AI模型产品的使用。
6. 大模型未来营收主要体现在两个方向：AICloud和AIoT。
7. 让机器做机器更擅长的事情，让人做人更擅长的事情，这是5-7年这一代技术周期里，人的最佳归宿。
以下为分享内容整理，enjoy～
01
AI距离人脑智能还差多远？
回顾人工智能的发展，第一点，我认为AI的本质是探索人脑智能的极限。相比于对自然的学习和取得的成果，人类对于大脑还有很多未知需要探索。
比如，在物理世界，人通过手和眼睛来感知获取信息，然后在数字世界（大脑）对这些信息进行决策进而指导人的行动，而且这一过程属于个体思考，计算量小、消耗资源低，同时“看、听、说、写、思考”已打通。举个例子，我们看到一杯水就知道这是可以喝的。
但类似的事情，如果AI来做则需要非常大的集群，计算量和资源消耗都非常大，且视觉、音频、文本三者之间此前并未真正打通，即使现在出现了文生文、文生图等，截止目前也不是真正意义上的打通。这说明目前AI的能力和人脑相比，还有非常大的差距。
因此，在人工智能过去十几年的发展过程中，它其实一直受启发于人脑的认知和学习机制。后来随着深度学习的发展和突破，在拥抱实用主义的基础上，人工智能有机会尽可能去逼近人脑智能，但我们还有很长的路要走，人脑依然需要我们去深入探究，那么截至目前有两个方向：
一类是直接学“类脑”，另一类是学习他（人脑）的行为主义，就看起来很像人，但实际上完全是两种不同的智能体。我个人观点，我们距离真正的AGI还有很大的距离，至少这一波技术周期不会实现。但在这一代的技术周期里，会基于此完成商业闭环，因为投资成本和学术研究成本非常大。
第二点，AI是人类认识自然的副产品。从深度学习的发展历程来看，我们经历了CNN（卷积神经网络）、RNN（循环神经网络）到后来能够实现文生文的Transformer模型，同时还有GAN（生成对抗网络）和Diffusion（一种深度生成模型，主要用于图像和音频的生成）。
尤其是Transformer和Diffusion这两个模型的出现，为深度学习的发展带来了新的可能。
在上一代的技术发展过程中，催生出了很多专用模型，也有人称之为小模型，参数量不大，但够用。随着技术的突破，大语言模型应运而生。站在产业界的角度上看，一定不是大模型取代小模型，因为两者各有优劣势。
在解决问题的时候，必须要回到工作流本身，回到问题本身，按需使用，无论是大模型还是小模型都是很好的工具，但并不代表这个工具能包治百病。
第三点，AI的未来会分化、融合为赋能物理空间和数字空间。我们会发现，物理空间和数字空间都在产生Data（数据），这是因为这一代的技术范式就是“深度学习+大数据”，而数据的来源一类是Person产生的（人持设备：Person Data），一类是Things产生的（传感设备：Things Data）。
我们人手一部手机，一台电脑，所以人们往往会比较接受数字空间，但大量的物理空间，其实才是真正和生产强关联的，制造、线下施工会产生大量的数据。所以在这种情况下，一定会分化融合为物理和数字两个空间。
02
人工智能商业化探索，
那些是可以不走的“弯路”
对于人工智能商业化探索过程中的经验，我们的第一个判断是，AI不“直接”创造生产要素和提升生产力。
在没有AI的时候，企业依然可以完成信息化，运用自身数据构建企业的ERP或SaaS服务，很好地把企业内部员工以及外部客户连接在一起，这解决的是信息传输的问题。
所以在这种情况下，即使没有AI，企业依然能活得很好，而有了AI企业有可能活得好，其中，关键取决于“数据”在整个场景中能否变成生产要素，助力业务的发展。
如果可以，那么下图中循环将是正向的；如果不能，循环就会被阻塞，若“数据”在某个行业当中不能称之为生产要素，那么现阶段就无使用AI的必要性。
因此你会发现，AI的位置处在整个循环的中间，由于它本质上是一个信息处理工具，如果“数据”不能提取出价值赋能业务，AI也一定会消亡，因为商业闭环不通。这也是在探索了很多领域之后，我们得出的经验之一。
另外值得注意的是，AI生产业务价值的边际成本，决定未来的核心竞争力。无论我们是做一个Foundation model（基础模型）还是专用小模型，假设成本是2000万，如果一直不能够找到足够大的客户量、足够高的客单价去均摊费用，或者发现只有1000万的市场容量，开发模型这件事就不应该做。
所以，做AI之前先算成本，调研是第一位的。不要认为这个市场有3000亿，我能占10%就有300亿，很有可能调研之后发现实际市场只有2000万，因此调研这件事情非常关键。
第二个经验，技术总投入要小于商业总收入。虽然我做过全栈技术，但再去做AI的商业化时，依然发现非常的困难。因为AI与互联网有一个最大的区别就是，互联网可以先从10个用户做到100个用户，再做到百万用户、亿级用户，但AI初始就得先做到亿级用户，否则一点用都没有。
所以，在这种情况下，下图中的八个要素：战略、生态位、差异化、价值、问题、需求、价格、意愿，大家要想清楚，因为AI产品中大量的问题都出现在这些地方。
企业的战略、在整个产业供应链中的生态位、与竞争对手的差异化以及能够为客户带来怎样的价值，决定了我们在做AI产品时，不是简单回流一些数据做个model（模型），封装一个SaaS或者APP抑或一个WEB就完工了，上图中左侧关于战略层面的事情要提前明确。
然后是产品细节层面，我们首先要理解，需要解决的本质问题是什么，如果没想好就直接上AI说我能解决这个问题，这是本末倒置。很多时候不是我们技术不够好，而是要解决的问题没想清楚。另外在需求方面，从ROI（投资回报率）节奏判断角度来说，用最快的速度让ROI最大化也未必一定是好事。
接下来就是价格，虽然AI产品的成本很高，但价格并不取决于企业自身，而是取决于客户主体。即使我们做Foundation model（基础模型）花了5亿，但如果在客户心里还是只愿意花10万元购买，那么主动权依然在客户。
最后是意愿，也可以理解为预期管理。打个比方，如果你说自己的产品已经超过ChatGPT-4了，但使用过程中连客服的需求都无法完全满足，就会让你的产品“死”得更快。
所以在这样的情况下，企业最开始还是要算自己的收入和投入，并且要放到一个更宏大的视角里按需去做反馈。如果上述八个问题没有想好，这个AI产品基本上必死无疑。
另外个人认为，我们需要先在战略的大处找“全局最优”，再从产品的小处去找“局部最优”。但现在我们很多企业却总是在右侧，一直在优化自己的界面、使用体验、优化自己某个大客户的体验，可能回过来再看，这么做其实是错的。
第三个经验，找寻自己的生态位，不越位、不失位。很多企业既想做C端客户，又想做B端客户，还想用后者去养前者，这样大概率应该也是错的。原因在于，从下图中最下方的数据要素，到平台到工具，再到为B端、G端（政府端）和C端客户提供服务，企业所需要人力要素的差异化价值是不一样的。
比如，同样是基于AI去做B端客户，大B和小b、央国企和大型民企的逻辑并不相同，那么对企业内部组织的要求也是不一样的。通常来讲，AI会让你原来的组织结构变得更复杂，而不是更简单。
所以这种情况下，如果说要“做C养B”，基本上至少得有两个事业部，一个事业部做C端，一个事业部做B端，如果两者混在一起，大概率也会出问题。这是因为，所服务的客户主体，有的要免费，有的从第一天开始就要收费，如果不区分好，你就会天天被追问：到底是“技术驱动”还是“市场驱动”？到底是技术不行还是市场不行？这对企业经营而言是非常痛苦的。
最后从商业模式角度，我们来看“互联网+”和“AI+”的最大区别。由于AI距离移动互联网太近，导致大部分人在用移动互联网的商业模式来做AI，但其实两者之间存在巨大的本质性差异。
从技术角度，对于互联网产品来说，从10个用户到100万用户，技术需求是从小变大的，所付出的成本也不用一开始就很高。但对于AI产品，从起步开始就要花巨大的成本先过临界点。举个例子，当你要做一个model（模型）的时候，就得先花300万做数据采集、标注、清洗一直到测试等等环节，且无法省略。
其次，上一代互联网产品，本质上是把人跟人链接到一起，虽然产品的客单价不高，比如会员费，也就是几十元一个月，超过三位数愿意支付的人就会变少，但付费决策链条非常短。而对于AI来说，它本质上是在提高组织效率，所以需要找业务实体与组织链接，从总经理、采购、用户、客户到决策者，再到委员会，决策链条天然比较长。
再次，互联网产品的商业模式基本上就是大量的客户免费进来，收入来自会员费、电商和广告。相比之下，AI产品天然就是要收费，并且客户量是少的，这从过去相关企业提交的招股说明书所披露的信息就能看出。所以照搬移动互联网产品的营销手段，比如免费给客户赠送软硬一体机，这种做法不适用于AI产品。
最后，互联网产品基本上是用户直接参与，所以天天说要关注用户体验。但AI产品的用户是通过客户购买间接参与的，所以我们关注用户体验，但更关注客户的体验。
所以商业模式的不同，使得构建团队的要素、打法和节奏都不相同。虽然移动互联网距离我们很近，但不可盲从。
03
大模型商业化，
未来“高含金量”发力点
这一波大模型让生产链条要素被再次思考，原因在于大模型本质上改善的是文字能力。
人与人之间或者人与历史最大的链接就是文字，不管是使用自然语言的文字，还是机器语言的文字，所以这波技术对我们确实存在影响，但影响不会那么快，因为从智力结构到人力结构再到社会结构的演化，仍需要很长的时间，还有很多的问题没有解决。
首先在生产要素方面，要先有数据，再来探讨数据是不是生产要素，但你会发现很多场景没有构建完善的数字化、信息化，导致没有数据或者数据规模太小，这种情况下其实不需要上AI，因为AI发挥不出自身的价值。
第二，人们容易忽视生产工具对于model（模型）的影响。我们知道，AI模型的运行依赖于计算加速卡，客户在完成“数字化”之后需要先买卡，拥有了符合条件的算力之后，才能运行达到了SOTA的模型（即已经实现当前最优水平的模型）。而如何把数据很好的变成模型利于业务，对于生产工具来说，不管是工具Studio，还是工具的工具或者工具本身，都有很多区别。
当你有几百名研究员、几千张计算加速卡、几十个上百个大模型要去训练的时候，类似TensorFlow这样的开源生产工具就不适用，因此大厂都是自研深度学习框架，这样才能把compute、data、model与研究员更好的链接在一起训练。所以即便有好的数据、优秀的研究员，若没有好的生产工具，效率也将会受到影响。而当下的现状是，国内能训练几千张卡集群的厂商不超过十家。
第三，生产关系方面，大模型进入企业或行业之后，人和机器的关系会发生变化，两者关系的平衡与否会大幅影响AI模型产品的复购。
很多时候，当我们造出来一个智力水平非常高的工具以后，都在谈“降本增效”，但实际上很多客户要的不是“降本增效”，要的是“增收”。因此在不知何时能够“增效”的情况下，购买大模型在客户眼里反而是“增本”，所以AI的“降本增效”在很多场景是不成立的。
那么有人会说，当一个工具进入以后，原本10个人可以开掉5个人，但真正实现起来其实很难。首先大模型虽然学东西很快，但它没有“知识”需要有人来教。这是因为模型之前一直训练的是如何更快更好的“学习”，但如果它想学习投资，就得有人教它什么是投资，怎么投资。
其次，大模型进入后生产关系会发生变化，如果出现以下情况，老板大概率会“留人去AI”。比如，某个工人原本一个月5000元工资，AI的综合成本3000元，但该工人愿意自降薪资至2000元；又或者如果工人知道AI模型会威胁到自己的岗位去留，他们大概率会反馈AI是垃圾，不好用，反正AI又无法反驳。
并且这里还涉及到另一个问题，这一代AI不能兼容更低的智能。什么意思？举个例子，同一个问题，高手和普通人问ChatGPT，得到的回答是不一样的。因此，高手会觉得ChatGPT很厉害，但普通人会认为它并不好用。所以，在挑选场景的时候，你必须要兼顾AI模型进入以后，这个场景里的人怎么来看它和使用它。
最后才是生产力。从商业的角度，长期来看AI一定是正确的事情，但短期我不认为这一波AI可以赋能千行百业，因为前面的“生产要素、生产工具和生产关系”都决定它存在“马太效应”。我的判断是，如果某个场景，人不想干，就AI上，但还是人来主导AI；某个场景人如果还想干，AI就别去。所以当你在某个行业的时候，先要看到生产力到底有没有提升，几年能提升，并且除了技术要素，心理要素、人的要素都要通盘考虑，否则上了AI也没用。
那么大模型未来的主要营收方向在哪里呢？先说明几个关键点。
首先，最初Cloud提供认知数据，IOT提供感知数据，从Small data（小数据）变成Big data（大数据），AI再从Big data（大数据）中洞察数据的本质和规律，在“感知、认知、决策、行动”这四步上给予帮助。而基于计算机视觉和AI的突破，感知和认知层面上都有很大的提升，但在决策和行动上表现并不理想。比如，行动的代表机器人，目前还无法像真人一样运动。并且上述四步在不同行业里目前的发展顺序也不一样。
那么未来的营收方向主要有两个，AICloud和AIoT。前者完成认知决策，后者完成感知行动，两者在客户层面上，模型能力是不同的， AICloud层面关注软件、用户、平台、运营能力；AIoT层面关注硬件、芯片、制造、供应链能力，这就要求创业者在搭建团队的时候招的人也是不一样的。
我认为这一代在营收上AICloud会更有优势，原因是文字数据可以非常低成本做到集中式，但需要大算力，而Cloud不管是“公有云”还是“专有云”，天然就是大的云计算的集群，所以会非常利好Cloud的厂商。当然，上述两个方向在营收上都有非常大的空间，只是发展节奏不同。
那么具体会落在哪些行业里呢？从AI角度来说，AI for science能够让大家更好的认识自然，但这部分主要是科研院所在做，而大部分人是在AI+Industries , AI+Society则是G端较为集中，AI+Person是C端较多。
不同的行业会逻辑目标不同。其中，AI for science核心要解决两类问题，其一是帮助科学家去更好的发现值得研究的问题，其二是这个值得研究的问题，什么时候能尽快出成果。
改造自然方面（AI+Industries），集中在六个领域，信息、能源、生物、制造、农业和文化。在社会协同方面（AI+Society），先是城市、交通、金融，再是医疗、教育和办公。最后在AI+Person层面，本质上还是C端逻辑，移动互联网原有的商业模式可能依然适用，但除了AI+Person，前面介绍的三类一定不是C端逻辑。
而从周期性的角度来看，这一轮的信息、物质、能源全部在发生变化。比如，在信息层面上，之前的电报、互联网只是让人和组织以及人和人之间的信息传输的更快，但这一代AI可以让人的信息处理效率变得更快，所以过去六年的发展加上半导体自身处理数据效率的提升，会让我们在处理信息层面上远超过去20年。
那么当物质、信息和能源层面上全部发生变化的时候，整个社会必然会发生结构性的变化。所以，个人认为目前经济并不是在下行周期中，只是在做结构性的调整。
04
时代洪流下，
企业的机遇与挑战
从规模角度来看，只做AI的企业，营收规模很难达到千亿。相比之下，云计算企业规模会相对较大，阿里云2023年的全年的营收在1000亿左右；其次是基于“边+端”的企业或者独立事业部，可以达到百亿规模，主要因为“边+端”能出量，且能把算法的边际成本摊薄。（注：“边＋端”，就是将数据处理和存储从云端转移到终端设备和边缘计算设备中进行。边缘计算设备可以实现对设备数据的本地存储、分析和控制，从而满足对实时性要求较高的应用场景。）最上面一层是提供行业解决方案的企业，它天然与人距离最近，营收规模在十亿左右。
那么企业在与AI技术结合时，又会面临怎样的挑战和机遇呢？过去，企业只要按客户的需求，把产品做出来进行销售，并提供相应的服务，同时做好企业管理即可。但现在企业拥抱AI的时候，“新兴要素”与“传统要素”如何融合将面临较大挑战。
目前，无论是人才供给、算力供给，还是模型、工程仍然存在很大的提升空间。数据方面的挑战则在于，要如何把数据进行提炼教给机器，相当于“知识”的传授，令机器更好的将“知识”应用于日常的工作执行中。否则，纵使有再多的数据也枉然。
而当AI与企业融合一段时间之后，企业的基因层面也将面临调整，除了对于到底是“技工贸”还是“贸工技”的路径思考以外，算法人才与传统人才，不同阶段的互联网技术、AI技术之间的融合，也是企业必须要面对的考验。
机遇方面，由于企业的核心生产要素还是人本体，需要人去使用工具、人去满足企业的需求，所以，具有认知智能的数字人和拥有具身智能的机器人，在企业管理领域是有机会的。
对于数字人而言，通过认知能力拥有3-5年或5-10年的岗位经验是核心，这样才能潜入到工作流在数字空间中帮助企业解决问题。对于机器人来说，无论其形态如何，具有智能则是关键。
毋庸置疑，随着互联网技术和两代AI技术的发展，工具变强了，客户会希望用更低的成本解决更多的问题，但即使是AI大模型技术，现在也无法把所有问题都解决掉。所以，对于创业公司来说，在理解问题本身和技术边界的基础上，如何用不完美的技术和少量本质问题，为客户提供解决方案，这是最重要的。
很多时候，大量的创业者耗费精力去解决行业know-how，但本质上我们需要解决的是know-what，如果要解决的“问题本质”没想清楚，再多的know-how也不能使企业盈利。因此，作为创业者还是应该将更多的时间放在调研和思考“问题”本身上。
最后，在时代洪流下，无论是产业领域还是投资领域，对于每个人来说，都需要清晰的认知到，AI为我们提供了一个让人成为更好的人的工具。
而要成为更好的人有两个方向，要么非常懂机器，成为少数擅长和机器打交道的研究者；要么成为一个创造力劳动者，更多关注如何与人打交道，然后与机器打交道。
原因在于，目前这代AI在理解逻辑记忆和生成能力上还不够好，机器不容易理解人。简单来说就是，如果让你的客户直接与ChatGPT沟通产品需求，这个产品是肯定做不出来的。因为客户不理解ChatGPT的内在逻辑，ChatGPT又以为自己理解了客户的需求。所以，你的客户最佳的信息接受载体是你这个人，因为人更擅长跟人交流，AI代替不了或代替不好。
而未来，把人不想做的事情或公共事务教给机器，让机器做机器更擅长的事情，让人做人更擅长的事情，让少数更擅长的人和机器打交道，让大部人的人和人去打交道，这是5-7年这一代技术周期里，人的最佳归宿。