來源：混沌學園
授課老師｜張穎 經緯創投創始管理合夥人
編輯丨混沌商業研究團隊
支持丨混沌前沿課
AI可以被定義為是變革性的風口。
今天大會的主題是AI，沒有想到有一天我會在混沌的平台上講AI。有點意思的是，我之前還在說，在語言概念上，“混沌”可能正是當下市場在接入AI 以後呈現出來的那個最初形態。
我們知道，凡是一定數量的個體都擁有一個共同的名字，它們就有一個共同的“理念”或者“形式”。我們用這個同一性質去統領形態各異的東西。比如白貓黑貓都是貓。但是AI非常複雜，好像還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。所以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。
回到我們風險投資機構，我們定義一個概念，或者大家感興趣的，我們定義一個風口，是一時的還是變革性的，它的理念就在於它是不是一個孤立的賽道，還是能帶動一整條產業鏈的，比如智能電動車，就帶動了動力電池、汽車芯片、自動駕駛等等方向，所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徵：包含了基礎設施層、模型層和應用層，每個方向上都有顛覆性機會。
作為一個應當算是資深的投資人，面對一個新興賽道，我也會感到“混沌”，所以我這十幾年來基本建立了一套以學習、交易所為核心的反饋糾錯機制，去對一個賽道進行學習和思考。但是這次的AI，迭代實在太快，讓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月的第三週，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。
帶著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，或是準備把AI切入自己業務的高管進行了密集的聊天，多多少少也有一點思考和判斷，今天在這里分享給大家。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。
混沌在上海滴水湖洲際酒店舉辦“一”思維創新嘉年華活動。用一整座島、打造兩天兩夜的共學場，2000位混沌同學熱烈參與其中邀請AI 全明星陣容空降授課。
此次，張穎做客混沌“一”思維創新嘉年華帶來的分享是《如何看待AI拐點》。本文為混沌“一”思維創新嘉年華大課筆記第三篇。
對AI發展的一些判斷
1.對AI發展的態度，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2017-18年就開始的新一輪數據和算力革命，是技術上漲的量變到質變。
先說說我們的態度，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）而過於保守，科技行業的投資就是這樣，太JOMO了會錯過科技大浪潮的板塊性機會，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。
我一直在內部強調要“喧雜中冷靜，冷靜中持續激進”，有必要分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，如果拿移動互聯網的黃金十年（2010-2020）來比較，最優秀的公司其實成立於2010年之後的3-4年內，現在AI才剛剛開始。
2.可能成功的AI公司，都應該打造自身的數據飛輪。
對AI產業鏈的一個經典劃分，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，還得是敢於從ToC場景裡尋求突破的，因為C端能帶來的數據飛輪效應，可能是在AI早期決勝的關鍵。
不知道大家有沒有註意到，現在最頭部的AI公司比如OpenAI、Character.AI，都是既做模型又做產品，這與移動互聯網非常不同，LBS、4G/5G等移動互聯網的基礎技術，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，是市場發展階段導致。 AI確實還處於早期的技術創新期，這個階段的典型特徵是需要用技術來驅動產品，比如ChatGPT的創新之處就是用一個聊天界面，直接將大模型觸達用戶。這是在技術滲透S曲線的早期，需要通過不斷提陞技術效果，才能夠把產品做好，逐漸接近滲透率大幅提升的臨界點。在這樣的階段，數據飛輪就變得無比重要。
我前幾天和Moonshot AI創始人楊植麟交易所，他認為最好的情況就是模型不斷為用戶提供服務，然後用戶不斷為模型生成新的數據。 Midjourney一個很成功的地方是，它在自己最核心的流程中嵌入了用戶反饋，因為每一個用戶都必須強制在AI生成的4張圖裡，選出最符合自己預期的1張，這就是一個巨大的數據飛輪。而對ChatGPT來說，雖然也有這樣的反饋機制，但並不在其核心流程裡。
所以在產品設計上，如何形成反饋閉環非常關鍵，數據飛輪會不斷優化模型能力，這種差距最終會決定能給用戶提供多少價值。無論是ToC或ToB的公司，打造反饋閉環、形成數據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，所以也有機會。
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，特別且必須依賴於豐富的專有數據集。比如彭博最近推出了彭博社GPT，彭博就是把模型做小，參數量在50B左右，相比於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。
在國內AI與產業融合節奏上，也會有一些特有的機會，特別是在實體經濟、先進製造、智能駕駛等領域，國內的發展有可能會更快，會出一些更創新的模式、應用場景，大概率政策的支持也會非常明顯。
AI時代可能會顛覆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，很多產品可能活不過GPT的一次迭代升級。我們也在不斷的思考哪些是新觀察點。
在這場AI的浪潮中，我們多重視數據的重要性都不為過。因為，從全球來看，數據都在變得更稀缺。根據一篇聯合研究《Will we run out of data？ 》，由人類原生的數據，未來可能會越來越稀缺，而高質量的自然語言數據，最快可能在2026年就會被大語言模型耗盡。
這意味存量互聯網的數據有限，對於國內的相關公司來說，大家也許會先達到一個標準水平，但之後如何改進，就要看怎麼能持續獲取合法合規、合商業邏輯的數據源，真正的價值會變成可持續性的高質量數據。基於此，國內的大模型公司與各行業原始數據源頭部公司的合作、綁定，可能會更深、更平等，甚至在某些領域數據源會更強勢，這種背景下，大概率會出現不同角度、立場、行業為主的大模型公司，模型+算力+數據+場景，將是成功公司最本質的四個維度。
4.大模型產品的兩個方向：個性化&場景化。
如果我們再看遠一點，大模型產品的下一步可能是兩個方向：
l 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，它並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，不少團隊都希望產品有記憶能力，並且帶來用戶的個性化。由於包含人類的情感，對你需求的理解，對你個性化的滿足，這是AI比以前移動互聯網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比如向量數據庫的機會。
l 場景化：給它裝上“手”和“眼睛”。
如果你覺得ChatGPT只能問一些問題，還乾不了太多事，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，你只需要輸入問題：“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，它可以實時搜索航班、住宿和租賃汽車信息，根據你的預算提供旅行推薦。比如訂酒店，你只需要問它：“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正沿著類似蘋果“硬件+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互聯網創業的感覺。
而“眼睛”，則是多模態（文字、圖片、影像等），我們日常不僅僅是通過純語言（文本）來交易所，通過眼睛獲取的信息比例非常高。像漫威電影里賈維斯（JARVIS）、《光環》遊戲裡的科塔娜那樣的高級AI，需要多模態的介入，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跌。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，將以月為單位出現更多應用創新，我們也會很關注在技術和產品上領先的團隊。
AI的冰與火，實踐嘗試的意義永遠大於坐而論道
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，但好像大多都是在討論、在聊、在分享，而實際真正使用和應用的並不多，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標普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，大概率就是在這一輪熱潮中討論過、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產品的人不多。
一個可能的原因是當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，都顯得過於高大上了，一下拉遠了我們和AI的距離，讓我們敢於談論，但怯於實踐。所以，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，我特別想舉幾個很接地氣、有意思的小例子，來給大家一些直觀感受。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用戶，可以更加積極地投身到AI實踐當中。
1、通過擁抱AI而獲得實際的數據增長：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件，可以用來寫博客、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，這個產品一下子引爆了，因為它上述的這些功能與ChatGPT融合後，生成的內容只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。
這種應用場景的實現，直接的結果就是Notion只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，它是一款基於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。所以，你可以在上面創建和訓練自己的個性化人工智能，也可以選擇已有的公共虛擬角色，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。
這種應用場景的實現，直接的結果就是在移動端不到一周的時間內，被下載了170萬次，是ChatGPT 3倍多，在4月有接近2億的訪問量。不僅增長很快，用戶在Character.AI上的停留時間也很長，每次訪問時間達到了25.4分鐘。
這在未來，也指向了有一定角色意識的虛擬人，雖然倫理上可能還有一些問題，但離實現並不遠，通過軟硬件的結合，會有很大的想像空間。
2、專業化、垂直模型的先行場景：DoNotPay和法律應用
由於大模型在文本處理方面是最成熟的，所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。對於很多小事，大家往往也不會去打官司，因為性價比太低。 DoNotPay利用AI將整個法律流程數字化，個人很容易操作，並且只收取少量費用。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，就可以幫你找到正確的聯繫方式，寫完備的申斥郵件，幫你退費。而這種場景只是DoNotPay上百個幫人解決切實痛點的法律場景中的一個而已。
你可能說美國和國內不同，那再舉一個國內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，是確認某種營銷話術能不能對外說，這種判斷在之前非常依賴於個人經驗，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的判斷質量和效率。 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，只是我們還沒有特別便捷的入口去應用，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眾號文章，講了一個美國急診科醫生的經歷，他在凌晨3點治療一位96歲的老年癡呆症患者，由於她的肺部有流動性，所以呼吸困難。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。
由於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、爭論，非常花時間並且影響治療。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輸液，並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。
這個例子我印像很深，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，這意味著每年可以節省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，質量上不會顯著低於人工，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產品概念，供客戶在產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簡歷，大大提升HR的工作效率；在編程領域，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。
所以，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態，我們熱切於討論和學習，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，在產品中，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時代所拋棄。
關於AI創業的幾點建議
最後，主持人在大會上問我，“在經歷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易所內容，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、有效迭代大於一切。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確的底層工作邏輯，或者設計正確的AI改變工作生活的流程，按節奏確定目標和復盤。比如公司業務流程梳理，合適AI工具的使用，最合理合適的切入點。在自己的人脈圈，去找到最合適的人、公司、產品、服務，讓自己（不管懂不懂技術）都能真正意義上迭代認知。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，不同的策略，不同的產品，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產品為重的。未來的應用與模型能力結合更緊密，所以對模型的理解與差距，會決定產品與用戶體驗，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產出，AI時代如果還是落後的組織架構、人才密度，那說明創始人的迭代和對AI的真正理解都沒有到位。
5、如果你是在做ToC產品，那數據飛輪帶來的正反饋效應非常重要。這個飛輪需要從第一天的產品設計裡面就重視起來，更好的數據才能產生真正的飛輪效應。像很多我們看到的優秀的產品，不管是Character.AI還是Midjourney，他們的反饋機制設置都非常好。這個反饋會讓你的數據飛輪形成正向的循環，不斷螺旋上漲。同時要重視產品的記憶性和個性化，這可能是AI時代最大的產品特性之一。
6、在當下AI相關如此火的狀態，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、貨幣存量，這些因素都需要找到平衡點，並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的數據，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。
但對於國內來說，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。對於創新型公司，特別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出現後國內也迅速跟進，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，大家的目標都是要做中國版的OpenAI。而後來開源模型的發展，以及OpenAI開放API接口改變了很多，開源導致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。
所以，長期來看，我Optimism地認為各個方向都有機會，只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，最終國內最優秀的AI公司，極有可能是既做模型，又做應用的。
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。有用的東西終將會留下和發展，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產生可觀收入，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個月是重要的窗口期。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；再比如冪律智能，他們與國內的大模型公司合作，共同訓練了法律領域垂直大模型PowerLawGLM……我們正處於AI滲透商業的早期，很多產品還在研發和內測中。事實上，像我們的一些智能電動車生產公司，已經將AI應用在了包括製造、客服、營銷等多個環節，它是一種生產力環節的滲透。
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在各個生產力環節的參與，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很有可能會消失於無形，滲透進我們工作、生活的各個角落，並改變世界，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，它最後大概率會變成人類的災難。但我之前和很多人討論過這點，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、佔有”這些人類根深蒂固頑疾有繼承性、一致性。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的人的約束和監管可能是更加有必要的。隨著發展，再往後，我們需要的也許是跳出固有思維，也許AI最後會顛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。
資訊來源：由0x資訊編譯自8BTC。版權歸作者所有，未經許可，不得轉載