AI可以被定义为是变革性的风口。
(资料图)
今天大会的主题是AI，没有想到有一天我会在混沌的平台上讲AI。有点意思的是，我之前还在说，在语言概念上，“混沌”可能正是当下市场在接入AI 以后呈现出来的那个最初形态。
我们知道，凡是一定数量的个体都拥有一个共同的名字，它们就有一个共同的“理念”或者“形式”。我们用这个同一性质去统领形态各异的东西。比如白猫黑猫都是猫。但是AI非常复杂，好像还很难用一个同一性去表述它，它可以是模型、算法、手机上的APP应用，也可以是一个具体的机器人。所以AI兴起之后，有很多哲思的东西变得很微妙也很有新的趣味。
回到我们风险投资机构，我们定义一个概念，或者大家感兴趣的，我们定义一个风口，是一时的还是变革性的，它的理念就在于它是不是一个孤立的赛道，还是能带动一整条产业链的，比如智能电动车，就带动了动力电池、汽车芯片、自动驾驶等等方向，所以我们才称之为是变革性的风口。AI在这个理念上，它具备变革性风口的形式特征：包含了基础设施层、模型层和应用层，每个方向上都有颠覆性机会。
作为一个应当算是资深的投资人，面对一个新兴赛道，我也会感到“混沌”，所以我这十几年来基本建立了一套以学习、交流为核心的反馈纠错机制，去对一个赛道进行学习和思考。但是这次的AI，迭代实在太快，让我多少也会感受到学习上的焦虑。我印象非常深刻的就是今年3月的第三周，连续出现了GPT-4、百度文心一言、Microsoft Copilot、斯坦福大学的Alpaca 7B、清华大学的ChatGLM-6B……那段时间，你我应该一样，我们的朋友圈都被AI刷屏了。
带着被动的焦虑和主动的渴望，最近几个月我跟60多名AI领域的创业者，或是准备把AI切入自己业务的高管进行了密集的聊天，多多少少也有一点思考和判断，今天在这里分享给大家。虽然站在三年后看不一定都对，但还是希望能给大家一些启发。
一、对AI发展的一些判断
1. 对AI发展的态度，不FOMO，也不JOMO
今天人工智能很多能力的涌现，不是从去年底ChatGPT出现才开始的，而是从2017-18年就开始的新一轮数据和算力革命，是技术累积的量变到质变。
先说说我们的态度，我们既不会因为FOMO而仓促出手，也不会因为JOMO而过于保守，科技行业的投资就是这样，太JOMO了会错过科技大浪潮的板块性机会，太FOMO了又可能会被泡沫反噬。
相比美国OpenAI+微软+英伟达的模式，中国最终能成功的大模型公司，不管在联盟、商业模式、C/B端收入贡献等方面，都会有很大的不同，未来发展需要时间。
我一直在内部强调要“喧杂中冷静，冷静中持续激进”，有必要分清楚什么阶段是风口，什么阶段是价值。整体上，我们觉得这是一条长期之路，如果拿移动互联网的黄金十年来比较，最优秀的公司其实成立于2010年之后的3~4年内，现在AI才刚刚开始。
2. 可能成功的AI公司，都应该打造自身的数据飞轮
对AI产业链的一个经典划分，是基础设施层、模型层、中间层和应用层，应用场景的横向划分可以主要分为ToC和ToB。在当下，我们认为未来真正能出现一家AI新公司，去挑战现有巨头，还得是敢于从ToC场景里寻求突破的，因为C端能带来的数据飞轮效应，可能是在AI早期决胜的关键。
不知道大家有没有注意到，现在最头部的AI公司比如OpenAI、Character.AI，都是既做模型又做产品，这与移动互联网非常不同，LBS、4G/5G等移动互联网的基础技术，和上层应用比如淘宝、滴滴还是相对分离的。
这不是一个偶然现象，是市场发展阶段导致。AI确实还处于早期的技术创新期，这个阶段的典型特征是需要用技术来驱动产品，比如ChatGPT的创新之处就是用一个聊天界面，直接将大模型触达用户。这是在技术渗透S曲线的早期，需要通过不断提升技术效果，才能够把产品做好，逐渐接近渗透率大幅提升的临界点。在这样的阶段，数据飞轮就变得无比重要。
我前几天和Moonshot AI创始人杨植麟交流，他认为最好的情况就是模型不断为用户提供服务，然后用户不断为模型生成新的数据。Midjourney一个很成功的地方是，它在自己最核心的流程中嵌入了用户反馈，因为每一个用户都必须强制在AI生成的4张图里，选出最符合自己预期的1张，这就是一个巨大的数据飞轮。而对ChatGPT来说，虽然也有这样的反馈机制，但并不在其核心流程里。
所以在产品设计上，如何形成反馈闭环非常关键，数据飞轮会不断优化模型能力，这种差距最终会决定能给用户提供多少价值。无论是ToC或ToB的公司，打造反馈闭环、形成数据飞轮也是理所当然的一个选择。而对一些从零开始的小公司，这件事可能会很难，但也因为你们没有包袱，所以也有机会。
3. 有专业壁垒的垂直模型也许是机会所在
前Google创始人Eric Schmidt有一个观点，他认为未来会是多个垂直模型或者多个垂直助理，包括各种高价值、专业化的AI系统。这是因为很多高价值、特定领域的工作流程，特别且必须依赖于丰富的专有数据集。比如彭博最近推出了Bloomberg GPT，彭博就是把模型做小，参数量在50B左右，相比于GPT-3的175B小了很多，虽然削弱了通用性，但在金融领域就是更强。
在国内AI与产业融合节奏上，也会有一些特有的机会，特别是在实体经济、先进制造、智能驾驶等领域，国内的发展有可能会更快，会出一些更创新的模式、应用场景，大概率政策的支持也会非常明显。
AI时代可能会颠覆SaaS时代的很多想法。我们在当下会去看一个AI应用有多少是GPT等大模型的能力，有多少是自己的能力。如果壁垒太低，很多产品可能活不过GPT的一次迭代升级。我们也在不断地思考哪些是新观察点。
在这场AI的浪潮中，我们多重视数据的重要性都不为过。因为，从全球来看，数据都在变得更稀缺。根据一篇联合研究《Will we run out of data？》，由人类原生的数据，未来可能会越来越稀缺，而高质量的自然语言数据，最快可能在2026年就会被大语言模型耗尽。
这意味存量互联网的数据有限，对于国内的相关公司来说，大家也许会先达到一个标准水平，但之后如何改进，就要看怎么能持续获取合法合规、合商业逻辑的数据源，真正的价值会变成可持续性的高质量数据。基于此，国内的大模型公司与各行业原始数据源头部公司的合作、绑定，可能会更深、更平等，甚至在某些领域数据源会更强势，这种背景下，大概率会出现不同角度、立场、行业为主的大模型公司，模型+算力+数据+场景，将是成功公司最本质的四个维度。
4. 大模型产品的两个方向：个性化&场景化
如果我们再看远一点，大模型产品的下一步可能是两个方向：
个性化：给它装上“记忆”。
之前大语言模型一个缺失的地方是，它缺乏记忆更新，每次当你重新打开ChatGPT，它并不记得你们的上一次对话。有些AI公司正在这个方向上寻求突破，比如估值10亿美金的Character AI，和估值3.5亿美金的Rewind。
在我们接触的AI创业团队中，不少团队都希望产品有记忆能力，并且带来用户的个性化。由于包含人类的情感，对你需求的理解，对你个性化的满足，这是AI比以前移动互联网时代更进一步的革新，令AI可以真正成为人类的工作助理或是陪伴者，这也带来了AI Infra比如向量数据库的机会。
场景化：给它装上“手”和“眼睛”。
如果你觉得ChatGPT只能问一些问题，还干不了太多事，那你需要去试试OpenAI Plugin，这是OpenAI新推出的一个应用商店，上面几百个插件涵盖了衣食住行、社交、工作学习等各种日常所需场景，可以说是给大模型装上了“手”。
比如一个叫Klarna Shopping的插件，它的功能是比价，你只需要输入问题：“请比较不同购物网站上索尼单反相机的价格”，ChatGPT就能给你答案。再比如KAYAK，它可以实时搜索航班、住宿和租赁汽车信息，根据你的预算提供旅行推荐。比如订酒店，你只需要问它：“请在纽约现代艺术博物馆附近找一家预算为每晚300美元的酒店。”
OpenAI正沿着类似苹果“硬件+App Store”的模式，迈向更高的战略系统地位，看到OpenAI Plugin上百花齐放的App，是不是有点类似曾经移动互联网创业的感觉。
而“眼睛”，则是多模态，我们日常不仅仅是通过纯语言来交流，通过眼睛获取的信息比例非常高。像漫威电影里贾维斯、《光环》游戏里的科塔娜那样的高级AI，需要多模态的介入，这是重要的发展方向。
要想装上“记忆”、“手”和“眼睛”，离不开大模型成本结构的下降。我们看到今年4月之后，训练+推理成本都在迅速降低。而中国创业者一向在应用层会有很好发挥，在未来半年到一年，将以月为单位出现更多应用创新，我们也会很关注在技术和产品上领先的团队。
二、AI的冰与火，实践尝试的意义永远大于坐而论道
一个我被问到过的小问题，但我认为很有必要拿出来聊一下。这个问题是：“现在AI看似很热，但好像大多都是在讨论、在聊、在分享，而实际真正使用和应用的并不多，你怎么看这个问题？”
我想先举两个很有意思的数字对比。一个数字是从今年3月到5月，召开业绩电话会议的标普500指数的公司中，有110家公司的高管提到了AI，这是过去十年的3倍。另一个数字是摩根士丹利最近做了一个2000多人的调研，结果竟然是有80%的人没有用过ChatGPT或是谷歌的Bard。
大家发现这两个数字的对比，有意思在哪里了吗？显然，摩根士丹利调研的群体，大概率就是在这一轮热潮中讨论过、分享、演讲、提到过AI的那群人。而这不是个例，现实世界的情况，应该和这组数字对比的体感差不多，一面是大家都在谈论AI，另一面是真正用过AI产品的人不多。
一个可能的原因是当前那些动不动十几亿美金估值，成千上万块GPU的故事，大量的专业词汇，都显得过于高大上了，一下拉远了我们和AI的距离，让我们敢于谈论，但怯于实践。所以，AI真的离我们这么远吗？
事实上，AI正在很多地方发挥实际作用，我特别想举几个很接地气、有意思的小例子，来给大家一些直观感受。这些例子的意义和价值，就是让我们各位有意参与的创新创业者，亦或可能的个人和企业用户，可以更加积极地投身到AI实践当中。
1. 通过拥抱AI而获得实际的数据增长：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学有没有使用过。它是一款个人笔记软件，可以用来写博客、社交媒体文案、会议纪要、工作邮件等等。在去年底第一波接入ChatGPT后，这个产品一下子引爆了，因为它上述的这些功能与ChatGPT融合后，生成的内容只需要简单修改就可以直接使用，它的应用场景被大大简洁、高效、强化了。
这种应用场景的实现，直接的结果就是Notion只用了一个月就做到了1000万美元ARR收入。
Character.AI也是一个很有意思的应用，它是一款基于AI大模型的聊天机器人。相比ChatGPT和New Bing而言，记忆功能是Character.AI一个很强的特点，ChatGPT在你下一次跟它开启聊天时，是不记得上一次你们聊了什么，但Character.AI记得。所以，你可以在上面创建和训练自己的个性化人工智能，也可以选择已有的公共虚拟角色，比如埃隆·马斯克、苏格拉底等等，你可以和马斯克聊火箭，可以和苏格拉底谈哲学。
这种应用场景的实现，直接的结果就是在移动端不到一周的时间内，被下载了170万次，是ChatGPT 3倍多，在4月有接近2亿的访问量。不仅增长很快，用户在Character.AI上的停留时间也很长，每次访问时间达到了25.4分钟。
这在未来，也指向了有一定角色意识的虚拟人，虽然伦理上可能还有一些问题，但离实现并不远，通过软硬件的结合，会有很大的想象空间。
2. 专业化、垂直模型的先行场景：DoNotPay和法律应用
由于大模型在文本处理方面是最成熟的，所以在文本很多的法律行业有天然优势，这在海外已经被验证。
美国有一家叫DoNotPay的热门公司，它主要提供针对“小官司”的AI法律服务。对于很多小事，大家往往也不会去打官司，因为性价比太低。DoNotPay利用AI将整个法律流程数字化，个人很容易操作，并且只收取少量费用。比如你想停掉健身房的会员费，在美国很多地方都缺少人工客服，而且需要很繁琐的手续来退费。用DoNotPay，就可以帮你找到正确的联系方式，写完备的申诉邮件，帮你退费。而这种场景只是DoNotPay上百个帮人解决切实痛点的法律场景中的一个而已。
你可能说美国和国内不同，那再举一个国内公司在法律领域使用AI的例子。我们有一家食品消费类被投公司，他们就在法务环节用到了AI。他们的法务部门每天最头疼的事情，是确认某种营销话术能不能对外说，这种判断在之前非常依赖于个人经验，耗时耗力，效率不高。他们用AI试了3~4个月，效果非常好，即便再经验丰富的人也很难达到AI的判断质量和效率。AI甚至能告诉你涉及哪些法律条文，以及曾经类似的判决案例是什么，非常便捷。
这些场景其实都非常普遍，只是我们还没有特别便捷的入口去应用，但这就是机会。
3. 虽然很小，但意义重大的例子：医疗领域的应用
再换一个更加普遍，但专业度可能更高的场景，我前不久看了一篇公众号文章，讲了一个美国急诊科医生的经历，他在凌晨3点治疗一位96岁的老年痴呆症患者，由于她的肺部有液体，所以呼吸困难。患者的三个孩子也都是70多岁的老人，他们也在急诊室里，情绪激动、言辞激烈，他们根据自己的经验开始不断提出要求，但这些要求实际上对这位96岁的患者是非常错误的。
由于还有好几个病人同时需要处理，如果这位医生去和这些70岁以上情绪不稳定的家属解释、争论，非常花时间并且影响治疗。这位医生给ChatGPT-4下了一个“为什么不能给严重肺水肿和呼吸困难的人进行静脉输液，并且用富有同情心的语言来解释”的指令。ChatGPT写了一篇非常好的回答，医生让护士把这篇回答念给这些家属，听了这篇有道理、有逻辑、有同理心的解释之后，家属们激动的表情融化为了平静的同意。
这个例子我印象很深，像急诊室这种时间紧迫的时刻，如果ChatGPT能为每位患者平均节省5分钟，每年急诊室就诊人数超过1.3亿人次，这意味着每年可以节省1000万小时的时间，即便我的这个计算很理想主义，但即便数字再缩小十倍，那也极为有意义。
这其实是一个非常小的场景，不涉及到付费和业务流程，但这就是拥抱AI最细的颗粒度。
4. 一些ToB场景的例子
刚才提到的基本都是ToC的例子，离大家都很近。而在很多ToB场景中，AI其实也在快速应用。
比如电商场景中营销物料的生成，质量上不会显著低于人工，但成本会降低1~2个数量级；在消费品行业，AI可以自动化生成多个专业级产品概念，供客户在产品研发初期选择使用，启发早期灵感；在人力资源领域，AI可以高效地根据HR的需求，自动化筛选某个岗位的所有简历，大大提升HR的工作效率；在编程领域，如今GitHub上有41%的代码是AI生成的，这个过程仅用了6个月……这些场景可能离在座的一些人相对远，但离一些人一定也非常近。
所以，回到这个部分的开头，为什么我说这个问题值得被拿出来聊一下？因为我们大多数人还停留在坐而论道的状态，我们热切于讨论和学习，因为我们有FOMO的情绪，但更有意义的可能就是去亲自实践一下，在生活中、在工作中、在产品中，去做一些尝试性的实践，这样我们才能真的不被这个新的AI时代所抛弃。
三、关于AI创业的几点建议
最后，主持人在大会上问我，“在经历过那么多次真真假假的风口后，你能不能给台下想拥抱AI的创业者一些建议？”
最近也有不少朋友问过我类似的问题，我也认真思考了一下，结合最近与几十位创业者的交流内容，我觉得不算建议吧，也是我自己在做的事情，供大家参考。
1. AI的学习和应用，大家一定注意，用起来、有效迭代大于一切。这点其实在刚刚的第二部分已经有提到。多说一句的话，一个简单的关键点就是要学会写提示词，知道如何提问非常关键，怎么能更好地与AI互动也是一门学问。
2. 大家可以尝试形成正确的底层工作逻辑，或者设计正确的AI改变工作生活的流程，按节奏确定目标和复盘。比如公司业务流程梳理，合适AI工具的使用，最合理合适的切入点。在自己的人脉圈，去找到最合适的人、公司、产品、服务，让自己都能真正意义上迭代认知。每个技术的演进，从开始萌芽到形成市场，都是有周期的，不同的时间点，不同的策略，不同的产品，不同的业务线渗透。创始人最怕的是弄错了所处的阶段、踏错了时间点节奏、花错钱。
3. AI浪潮在这个阶段，一定是技术驱动为先和定义产品为重的。未来的应用与模型能力结合更紧密，所以对模型的理解与差距，会决定产品与用户体验，有技术创新基因和能力的小团队，必须拼命奔跑。
4. AI创业，不但要能用好市面上的AI工具，更要从AI效率、变革的角度，去组织公司架构。更好地运用AI工具，一定会带来更高效的人均产出，AI时代如果还是落后的组织架构、人才密度，那说明创始人的迭代和对AI的真正理解都没有到位。
5. 如果你是在做ToC产品，那数据飞轮带来的正反馈效应非常重要。这个飞轮需要从第一天的产品设计里面就重视起来，更好的数据才能产生真正的飞轮效应。像很多我们看到的优秀的产品，不管是Character.AI还是Midjourney，他们的反馈机制设置都非常好。这个反馈会让你的数据飞轮形成正向的循环，不断螺旋上升。同时要重视产品的记忆性和个性化，这可能是AI时代最大的产品特性之一。
6. 在当下AI相关如此火的状态，也对创始人提出了更高、更全面的要求。创始人需要综合思考技术、市场情况、投资人预期、货币存量，这些因素都需要找到平衡点，并进行一定的前置预判，要能够综合把握自身和公司全面成长的速度，以及对各种风险都要有前瞻意识。
7. AI创业一定要把握好融资节奏。
这点需要展开说一说。目前的总体情况是，美国非常热，中国其实才刚刚开始。根据PitchBook Data的数据，美国在2023年前五个月，就有127亿美元的投资额，而去年全年也才48亿美元而已。最近最大的一笔融资是Inflection，13亿美元融资，估值40亿美元，而Inflection成立也就才一年半。最大的一笔收购也在最近诞生，Databricks以13亿美金收购了MosaicML，比其估值溢价了快6倍。
但对于国内来说，大家现在是看得多下手少，雷声大雨点小，为什么会这样？
第一点是在今天的大环境下，资金变得更加珍贵。对于创新型公司，特别是那些需要资金有很大容忍度，商业模式还没有被验证，失败率比较高的细分赛道的公司，今天市场上可以给到这些公司的钱，我感觉比3年前少了10倍。
第二点是从发展方向上来说，目前还比较混沌。市场上真正拿到融资的大模型公司不算很多，做中间层的稍微多一点，应用层更多些。从时间线来看，ChatGPT出现后国内也迅速跟进，大厂、科研院所、创业公司等等各方势力都很快推出自己的大模型，大家的目标都是要做中国版的OpenAI。而后来开源模型的发展，以及OpenAI开放API接口改变了很多，开源导致对自有大模型的拥有成本降低，开放接口使得在大模型之外，不少中间层、应用层的创业机会凸显。
所以，长期来看，我乐观地认为各个方向都有机会，只是现在还不是那么清晰，当然不清晰本身就是机会。那对创业者来说，无论是基础设施、模型层、中间层、前端应用，开源模型或闭源模型，都会各有各的场景与优势。当然，我个人的观点还是如前所述，最终国内最优秀的AI公司，极有可能是既做模型，又做应用的。
四、结语
总而言之，新事物出来往往会有两个极端，我们不要神化AI，但也不可忽视它。有用的东西终将会留下和发展，不以个人的意志为转移。
虽然现在大部分公司还没有通过AI产生可观收入，也还没有大量实践诞生，但一切都在紧锣密鼓地进行中，未来6~8个月是重要的窗口期。经纬的不少被投公司，也都在积极尝试，比如猿辅导在很多业务环节都在尝试切入AI工具；再比如幂律智能，他们与国内的大模型公司合作，共同训练了法律领域垂直大模型PowerLawGLM……我们正处于AI渗透商业的早期，很多产品还在研发和内测中。事实上，像我们的一些智能电动车生产公司，已经将AI应用在了包括制造、客服、营销等多个环节，它是一种生产力环节的渗透。
按照OpenAI创始人Sam Altman的说法，未来模型性能每18个月提升两倍。虽然目前AI还不能代替人，但我们能看到AI在各个生产力环节的参与，它降本提效的能力也会逐渐发挥出来，我们看到很多创业者都是无比兴奋的。如果我们想十年后，AI很有可能会消失于无形，渗透进我们工作、生活的各个角落，并改变世界，所有公司也都会变成AI公司。
最后我想到一个很有意思的话题，有人总是觉得AI如果发展得非常迅猛，它最后大概率会变成人类的灾难。但我之前和很多人讨论过这点，这个判断的前提其实还是从我们的一些固有观念出发去思考AI，认为它会对“统治、占有”这些人类根深蒂固的顽疾有继承性、一致性。但其实如果我们从另外的角度去想，也许AI的思维完全和我们不一样，它对这些也许根本没兴趣。
当然我的意思也不是说，在AI发展的过程中，我们不需要任何的监管或者警惕。相反，我觉得在初始阶段，对使用AI的人的约束和监管可能是更加有必要的。随着发展，再往后，我们需要的也许是跳出固有思维，也许AI最后会颠覆掉我们现有的观念也不一定。这点也许是我们今天参与这个新时代的人，最应该去拭目以待的事情。
但反正对我们做投资的来说，winning is so sweet because most of the time we lose，有这个心就好。
