内容來源：經授權，轉載自混沌學院（ID：hundun-university）。
責編 | 聶敏
第 7640 篇深度好文：8050 字 | 17 分鐘閱讀
AI
AI可以被定義為是變革性的風口。
但AI又非常複雜，很難用一個同一性去表述它，它可以是模型、算法、手機上的APP應用，也可以是一個具體的機器人。是以AI興起之後，有很多哲思的東西變得很微妙也很有新的趣味。
對風險投資機構來說，我們定義一個概念，或者定義一個風口，是一時的還是變革性的，它的理念就在于它是不是一個孤立的賽道，還是能帶動一整條産業鍊的。
比如智能電動車，就帶動了動力電池、汽車晶片、自動駕駛等等方向，是以我們才稱之為是變革性的風口。
AI在這個理念上，它具備變革性風口的形式特征：包含了基礎設施層、模型層和應用層，每個方向上都有颠覆性機會。
作為一個應當算是資深的投資人，面對AI的快速疊代，我多少也會感受到學習上的焦慮。
我印象非常深刻的就是今年3月的第三周，連續出現了GPT-4、百度文心一言、Microsoft Copilot、斯坦福大學的Alpaca 7B、清華大學的ChatGLM-6B…那段時間，你我應該一樣，我們的朋友圈都被AI刷屏了。
帶着被動的焦慮和主動的渴望，最近幾個月我跟60多名AI領域的創業者進行了密集的聊天，多多少少也有一點思考和判斷，今天在這裡分享給大家。
雖然站在三年後看不一定都對，但還是希望能給大家一些啟發。
一、對AI發展的一些判斷
1.對AI發展的态度，不FOMO，也不JOMO。
今天人工智能很多能力的湧現，不是從去年底ChatGPT出現才開始的，而是從2017-2018年就開始的新一輪資料和算力革命，是技術累積的量變到質變。
先說說我們的态度，我們既不會因為FOMO而倉促出手（Fear Of Missing Out），也不會因為JOMO（Joy Of Missing Out）而過于保守。
科技行業的投資就是這樣，太JOMO了會錯過科技大浪潮的闆塊性機會，太FOMO了又可能會被泡沫反噬。
相比美國OpenAI+微軟+英偉達的模式，中國最終能成功的大模型公司，不管在聯盟、商業模式、C/B端收入貢獻等方面，都會有很大的不同，未來發展需要時間。
我一直在内部強調要“喧雜中冷靜，冷靜中持續激進”，有必要厘清楚什麼階段是風口，什麼階段是價值。
整體上，我們覺得這是一條長期之路，如果拿移動網際網路的黃金十年（2010-2020年）來比較，最優秀的公司其實成立于2010年之後的3-4年内，現在AI才剛剛開始。
2.可能成功的AI公司，都應該打造自身的資料飛輪。
對AI産業鍊的一個經典劃分，是基礎設施層、模型層、中間層和應用層，應用場景的橫向劃分可以主要分為ToC和ToB。
在當下，我們認為未來真正能出現一家AI新公司，去挑戰現有巨頭，還得是敢于從ToC場景裡尋求突破的，因為C端能帶來的資料飛輪效應，可能是在AI早期決勝的關鍵。
不知道大家有沒有注意到，現在最頭部的AI公司比如OpenAI、Character.AI，都是既做模型又做産品，這與移動網際網路非常不同，LBS、4G/5G等移動網際網路的基礎技術，和上層應用比如淘寶、滴滴還是相對分離的。
這不是一個偶然現象，是市場發展階段導緻。
AI确實還處于早期的技術創新期，這個階段的典型特征是需要用技術來驅動産品，比如ChatGPT的創新之處就是用一個聊天界面，直接将大模型觸達使用者。
這是在技術滲透S曲線的早期，需要通過不斷提升技術效果，才能夠把産品做好，逐漸接近滲透率大幅提升的臨界點。在這樣的階段，資料飛輪就變得無比重要。
我前幾天和Moonshot AI創始人楊植麟交流，他認為最好的情況就是模型不斷為使用者提供服務，然後使用者不斷為模型生成新的資料。
Midjourney一個很成功的地方是，它在自己最核心的流程中嵌入了使用者回報，因為每一個使用者都必須強制在AI生成的4張圖裡，選出最符合自己預期的1張，這就是一個巨大的資料飛輪。
而對ChatGPT來說，雖然也有這樣的回報機制，但并不在其核心流程裡。
是以在産品設計上，如何形成回報閉環非常關鍵，資料飛輪會不斷優化模型能力，這種差距最終會決定能給使用者提供多少價值。
無論是ToC或ToB的公司，打造回報閉環、形成資料飛輪也是理所當然的一個選擇。而對一些從零開始的小公司，這件事可能會很難，但也因為你們沒有包袱，是以也有機會。
3.有專業壁壘的垂直模型也許是機會所在。
前Google創始人Eric Schmidt有一個觀點，他認為未來會是多個垂直模型或者多個垂直助理，包括各種高價值、專業化的AI系統。
這是因為很多高價值、特定領域的工作流程，特别且必須依賴于豐富的專有資料集。比如彭博最近推出了Bloomberg GPT，彭博就是把模型做小，參數量在50B左右，相比于GPT-3的175B小了很多，雖然削弱了通用性，但在金融領域就是更強。
在國内AI與産業融合節奏上，也會有一些特有的機會，特别是在實體經濟、先進制造、智能駕駛等領域，國内的發展有可能會更快，會出一些更創新的模式、應用場景，大機率政策的支援也會非常明顯。
AI時代可能會颠覆SaaS時代的很多想法。我們在當下會去看一個AI應用有多少是GPT等大模型的能力，有多少是自己的能力。如果壁壘太低，很多産品可能活不過GPT的一次疊代更新。我們也在不斷的思考哪些是新觀察點。
在這場AI的浪潮中，我們多重視資料的重要性都不為過。因為，從全球來看，資料都在變得更稀缺。
根據一篇聯合研究《Will we run out of data？》，由人類原生的資料，未來可能會越來越稀缺，而高品質的自然語言資料，最快可能在2026年就會被大語言模型耗盡。
這意味存量網際網路的資料有限，對于國内的相關公司來說，大家也許會先達到一個标準水準，但之後如何改進，就要看怎麼能持續擷取合法合規、合商業邏輯的資料源，真正的價值會變成可持續性的高品質資料。
基于此，國内的大模型公司與各行業原始資料源頭部公司的合作、綁定，可能會更深、更平等，甚至在某些領域資料源會更強勢，這種背景下，大機率會出現不同角度、立場、行業為主的大模型公司，模型+算力+資料+場景，将是成功公司最本質的四個次元。
4.大模型産品的兩個方向：個性化&場景化。
如果我們再看遠一點，大模型産品的下一步可能是兩個方向：
①個性化：給它裝上“記憶”。
之前大語言模型一個缺失的地方是，它缺乏記憶更新，每次當你重新打開ChatGPT，它并不記得你們的上一次對話。有些AI公司正在這個方向上尋求突破，比如估值10億美金的Character AI，和估值3.5億美金的Rewind。
在我們接觸的AI創業團隊中，不少團隊都希望産品有記憶能力，并且帶來使用者的個性化。
由于包含人類的情感，對你需求的了解，對你個性化的滿足，這是AI比以前移動網際網路時代更進一步的革新，令AI可以真正成為人類的工作助理或是陪伴者，這也帶來了AI Infra比如向量資料庫的機會。
②場景化：給它裝上“手”和“眼睛”。
如果你覺得ChatGPT隻能問一些問題，還幹不了太多事，那你需要去試試OpenAI Plugin，這是OpenAI新推出的一個應用商店，上面幾百個插件涵蓋了衣食住行、社交、工作學習等各種日常所需場景，可以說是給大模型裝上了“手”。
比如一個叫Klarna Shopping的插件，它的功能是比價，你隻需要輸入問題：“請比較不同購物網站上索尼單反相機的價格”，ChatGPT就能給你答案。
再比如KAYAK，它可以實時搜尋航班、住宿和租賃汽車資訊，根據你的預算提供旅行推薦。
比如訂酒店，你隻需要問它：“請在紐約現代藝術博物館附近找一家預算為每晚300美元的酒店。”
OpenAI正沿着類似蘋果“硬體+App Store”的模式，邁向更高的戰略系統地位，看到OpenAI Plugin上百花齊放的App，是不是有點類似曾經移動網際網路創業的感覺。
而“眼睛”，則是多模态（文字、圖檔、影像等），我們日常不僅僅是通過純語言（文本）來交流，通過眼睛擷取的資訊比例非常高。像漫威電影裡賈維斯（J.A.R.V.I.S.）、《光環》遊戲裡的科塔娜那樣的進階AI，需要多模态的介入，這是重要的發展方向。
要想裝上“記憶”、“手”和“眼睛”，離不開大模型成本結構的下降。我們看到今年4月之後，訓練+推理成本都在迅速降低。
而中國創業者一向在應用層會有很好發揮，在未來半年到一年，将以月為機關出現更多應用創新，我們也會很關注在技術和産品上領先的團隊。
二、AI的冰與火，
實踐嘗試的意義永遠大于坐而論道
一個我被問到過的小問題，但我認為很有必要拿出來聊一下。
這個問題是：“現在AI看似很熱，但好像大多都是在讨論、在聊、在分享，而實際真正使用和應用的并不多，你怎麼看這個問題？”
我想先舉兩個很有意思的數字對比。一個數字是從今年3月到5月，召開業績電話會議的标普500指數的公司中，有110家公司的高管提到了AI，這是過去十年的3倍。
另一個數字是摩根士丹利最近做了一個2000多人的調研，結果竟然是有80%的人沒有用過ChatGPT或是谷歌的Bard。
大家發現這兩個數字的對比，有意思在哪裡了嗎？顯然，摩根士丹利調研的群體，大機率就是在這一輪熱潮中讨論過、分享、演講、提到過AI的那群人。
而這不是個例，現實世界的情況，應該和這組數字對比的體感差不多，一面是大家都在談論AI，另一面是真正用過AI産品的人不多。
一個可能的原因是目前那些動不動十幾億美金估值，成千上萬塊GPU的故事，大量的專業詞彙，都顯得過于高大上了，一下拉遠了我們和AI的距離，讓我們敢于談論，但怯于實踐。
是以，AI真的離我們這麼遠嗎？
事實上，AI正在很多地方發揮實際作用，我特别想舉幾個很接地氣、有意思的小例子，來給大家一些直覺感受。
這些例子的意義和價值，就是讓我們各位有意參與的創新創業者，亦或可能的個人和企業使用者，可以更加積極地投身到AI實踐當中。
1.通過擁抱AI而獲得實際的資料增長：Notion和Character.AI
Notion是一家十年前成立的公司，我不知道在座的各位同學有沒有使用過。它是一款個人筆記軟體，可以用來寫部落格、社交媒體文案、會議紀要、工作郵件等等。
在去年底第一波接入ChatGPT後，這個産品一下子引爆了，因為它上述的這些功能與ChatGPT融合後，生成的内容隻需要簡單修改就可以直接使用，它的應用場景被大大簡潔、高效、強化了。
這種應用場景的實作，直接的結果就是Notion隻用了一個月就做到了1000萬美元ARR收入。
Character.AI也是一個很有意思的應用，它是一款基于AI大模型的聊天機器人。相比ChatGPT和New Bing而言，記憶功能是Character.AI一個很強的特點，ChatGPT在你下一次跟它開啟聊天時，是不記得上一次你們聊了什麼，但Character.AI記得。
是以，你可以在上面建立和訓練自己的個性化人工智能，也可以選擇已有的公共虛拟角色，比如埃隆·馬斯克、蘇格拉底等等，你可以和馬斯克聊火箭，可以和蘇格拉底談哲學。
這種應用場景的實作，直接的結果就是在移動端不到一周的時間内，被下載下傳了170萬次，是ChatGPT 3倍多，在4月有接近2億的通路量。
不僅增長很快，使用者在Character.AI上的停留時間也很長，每次通路時間達到了25.4分鐘。
這在未來，也指向了有一定角色意識的虛拟人，雖然倫理上可能還有一些問題，但離實作并不遠，通過軟硬體的結合，會有很大的想象空間。
2.專業化、垂直模型的先行場景：DoNotPay和法律應用
由于大模型在文本處理方面是最成熟的，是以在文本很多的法律行業有天然優勢，這在海外已經被驗證。
美國有一家叫DoNotPay的熱門公司，它主要提供針對“小官司”的AI法律服務。對于很多小事，大家往往也不會去打官司，因為成本效益太低。
DoNotPay利用AI将整個法律流程數字化，個人很容易操作，并且隻收取少量費用。比如你想停掉健身房的會員費，在美國很多地方都缺少人工客服，而且需要很繁瑣的手續來退費。
用DoNotPay，就可以幫你找到正确的聯系方式，寫完備的申斥郵件，幫你退費。而這種場景隻是DoNotPay上百個幫人解決切實痛點的法律場景中的一個而已。
你可能說美國和國内不同，那再舉一個國内公司在法律領域使用AI的例子。
我們有一家食品消費類被投公司，他們就在法務環節用到了AI。他們的法務部門每天最頭疼的事情，是确認某種營銷話術能不能對外說，這種判斷在之前非常依賴于個人經驗，耗時耗力，效率不高。
他們用AI試了3-4個月，效果非常好，即便再經驗豐富的人也很難達到AI的判斷品質和效率。AI甚至能告訴你涉及哪些法律條文，以及曾經類似的判決案例是什麼，非常便捷。
這些場景其實都非常普遍，隻是我們還沒有特别便捷的入口去應用，但這就是機會。
3.雖然很小，但意義重大的例子：醫療領域的應用
再換一個更加普遍，但專業度可能更高的場景，我前不久看了一篇公衆号文章，講了一個美國急診科醫生的經曆，他在淩晨3點治療一位96歲的老年癡呆症患者，由于她的肺部有液體，是以呼吸困難。
患者的三個孩子也都是70多歲的老人，他們也在急診室裡，情緒激動、言辭激烈，他們根據自己的經驗開始不斷提出要求，但這些要求實際上對這位96歲的患者是非常錯誤的。
由于還有好幾個病人同時需要處理，如果這位醫生去和這些70歲以上情緒不穩定的家屬解釋、争論，非常花時間并且影響治療。
這位醫生給ChatGPT-4下了一個“為什麼不能給嚴重肺水腫和呼吸困難的人進行靜脈打點滴，并且用富有同情心的語言來解釋”的指令。
ChatGPT寫了一篇非常好的回答，醫生讓護士把這篇回答念給這些家屬，聽了這篇有道理、有邏輯、有同理心的解釋之後，家屬們激動的表情融化為了平靜的同意。
這個例子我印象很深，像急診室這種時間緊迫的時刻，如果ChatGPT能為每位患者平均節省5分鐘，每年急診室就診人數超過1.3億人次，這意味着每年可以節省1000萬小時的時間，即便我的這個計算很理想主義，但即便數字再縮小十倍，那也極為有意義。
這其實是一個非常小的場景，不涉及到付費和業務流程，但這就是擁抱AI最細的顆粒度。
4.一些ToB場景的例子
剛才提到的基本都是ToC的例子，離大家都很近。而在很多ToB場景中，AI其實也在快速應用。
比如電商場景中營銷物料的生成，品質上不會顯著低于人工，但成本會降低1-2個數量級；
在消費品行業，AI可以自動化生成多個專業級産品概念，供客戶在産品研發初期選擇使用，啟發早期靈感；
在人力資源領域，AI可以高效地根據HR的需求，自動化篩選某個崗位的所有履歷，大大提升HR的工作效率；
在程式設計領域，如今GitHub上有41%的代碼是AI生成的，這個過程僅用了6個月……
這些場景可能離在座的一些人相對遠，但離一些人一定也非常近。
是以，回到這個部分的開頭，為什麼我說這個問題值得被拿出來聊一下？因為我們大多數人還停留在坐而論道的狀态，我們熱切于讨論和學習，因為我們有FOMO的情緒，但更有意義的可能就是去親自實踐一下，在生活中，在工作中，在産品中，去做一些嘗試性的實踐，這樣我們才能真的不被這個新的AI時代所抛棄。
三、關于AI創業的幾點建議
最後，主持人在大會上問我，“在經曆過那麼多次真真假假的風口後，你能不能給台下想擁抱AI的創業者一些建議？”
最近也有不少朋友問過我類似的問題，我也認真思考了一下，結合最近與幾十位創業者的交流内容，我覺得不算建議吧，也是我自己在做的事情，供大家參考。
1.AI的學習和應用，大家一定注意，用起來、有效疊代大于一切。
這點其實在剛剛的第二部分已經有提到。多說一句的話，一個簡單的關鍵點就是要學會寫提示詞，知道如何提問非常關鍵，怎麼能更好的與AI互動也是一門學問。
2.大家可以嘗試形成正确的底層工作邏輯，或者設計正确的AI改變工作生活的流程，按節奏确定目标和複盤。
比如公司業務流程梳理，合适AI工具的使用，最合理合适的切入點。在自己的人脈圈，去找到最合适的人、公司、産品、服務，讓自己（不管懂不懂技術）都能真正意義上疊代認知。每個技術的演進，從開始萌芽到形成市場，都是有周期的，不同的時間點，不同的政策，不同的産品，不同的業務線滲透。創始人最怕的是弄錯了所處的階段、踏錯了時間點節奏、花錯錢。
3.AI浪潮在這個階段，一定是技術驅動為先和定義産品為重的。
未來的應用與模型能力結合更緊密，是以對模型的了解與差距，會決定産品與使用者體驗，有技術創新基因和能力的小團隊，必須拼命奔跑。
4.AI創業，不但要能用好市面上的AI工具，更要從AI效率、變革的角度，去組織公司架構。
更好地運用AI工具，一定會帶來更高效的人均産出，AI時代如果還是落後的組織架構、人才密度，那說明創始人的疊代和對AI的真正了解都沒有到位。
5.如果你是在做ToC産品，那資料飛輪帶來的正回報效應非常重要。
這個飛輪需要從第一天的産品設計裡面就重視起來，更好的資料才能産生真正的飛輪效應。像很多我們看到的優秀的産品，不管是Character.AI還是Midjourney，他們的回報機制設定都非常好。
這個回報會讓你的資料飛輪形成正向的循環，不斷螺旋上升。同時要重視産品的記憶性和個性化，這可能是AI時代最大的産品特性之一。
6.在當下AI相關如此火的狀态，也對創始人提出了更高、更全面的要求。
創始人需要綜合思考技術、市場情況、投資人預期、貨币存量，這些因素都需要找到平衡點，并進行一定的前置預判，要能夠綜合把握自身和公司全面成長的速度，以及對各種風險都要有前瞻意識。
7.AI創業一定要把握好融資節奏。
這點需要展開說一說。目前的總體情況是，美國非常熱，中國其實才剛剛開始。
根據PitchBook Data的資料，美國在2023年前五個月，就有127億美元的投資額，而去年全年也才48億美元而已。
最近最大的一筆融資是Inflection，13億美元融資，估值40億美元，而Inflection成立也就才一年半。最大的一筆收購也在最近誕生，Databricks以13億美金收購了MosaicML，比其估值溢價了快6倍。
但對于國内來說，大家現在是看得多下手少，雷聲大雨點小，為什麼會這樣？
第一點是在今天的大環境下，資金變得更加珍貴。對于創新型公司，特别是那些需要資金有很大容忍度，商業模式還沒有被驗證，失敗率比較高的細分賽道的公司，今天市場上可以給到這些公司的錢，我感覺比3年前少了10倍。
第二點是從發展方向上來說，目前還比較混沌。市場上真正拿到融資的大模型公司不算很多，做中間層的稍微多一點，應用層更多些。
從時間線來看，ChatGPT出現後國内也迅速跟進，大廠、科研院所、創業公司等等各方勢力都很快推出自己的大模型，大家的目标都是要做中國版的OpenAI。
而後來開源模型的發展，以及OpenAI開放API接口改變了很多，開源導緻對自有大模型的擁有成本降低，開放接口使得在大模型之外，不少中間層、應用層的創業機會凸顯。
是以，長期來看，我樂觀地認為各個方向都有機會，隻是現在還不是那麼清晰，當然不清晰本身就是機會。
那對創業者來說，無論是基礎設施、模型層、中間層、前端應用，開源模型或閉源模型，都會各有各的場景與優勢。
當然，我個人的觀點還是如前所述，最終國内最優秀的AI公司，極有可能是既做模型，又做應用的。
四、結語
總而言之，新事物出來往往會有兩個極端，我們不要神化AI，但也不可忽視它。有用的東西終将會留下和發展，不以個人的意志為轉移。
雖然現在大部分公司還沒有通過AI産生可觀收入，也還沒有大量實踐誕生，但一切都在緊鑼密鼓的進行中，未來6-8個月是重要的視窗期。
經緯的不少被投公司，也都在積極嘗試，比如猿輔導在很多業務環節都在嘗試切入AI工具；再比如幂律智能，他們與國内的大模型公司合作，共同訓練了法律領域垂直大模型PowerLawGLM……我們正處于AI滲透商業的早期，很多産品還在研發和内測中。
事實上，像我們的一些智能電動車生産公司，已經将AI應用在了包括制造、客服、營銷等多個環節，它是一種生産力環節的滲透。
按照OpenAI創始人Sam Altman的說法，未來模型性能每18個月提升兩倍。雖然目前AI還不能代替人，但我們能看到AI在各個生産力環節的參與，它降本提效的能力也會逐漸發揮出來，我們看到很多創業者都是無比興奮的。
如果我們想十年後，AI很有可能會消失于無形，滲透進我們工作、生活的各個角落，并改變世界，所有公司也都會變成AI公司。
最後我想到一個很有意思的話題，有人總是覺得AI如果發展的非常迅猛，它最後大機率會變成人類的災難。
但我之前和很多人讨論過這點，這個判斷的前提其實還是從我們的一些固有觀念出發去思考AI，認為它會對“統治、占有”這些人類根深蒂固頑疾有繼承性、一緻性。
但其實如果我們從另外的角度去想，也許AI的思維完全和我們不一樣，它對這些也許根本沒興趣。
當然我的意思也不是說，在AI發展的過程中，我們不需要任何的監管或者警惕。相反，我覺得在初始階段，對使用AI的人的限制和監管可能是更加有必要的。
随着發展，再往後，我們需要的也許是跳出固有思維，也許AI最後會颠覆掉我們現有的觀念也不一定。這點也許是我們今天參與這個新時代的人，最應該去拭目以待的事情。
但反正對我們做投資的來說，winning is so sweet because most of the time we lose，有這個心就好。