大模型是短暫的風口還是工業革命？是操作系統還是個人電腦？是Atom彈還是Ak47？
自大模型去年強勢進入人們的視野以來，人們在試圖理解大模型的過程中，不斷為大模型添加不同的比喻。
不同的創業者對此也有著不同的答案。
7 月23 日，在極客公園主辦的AGI Playground 大會上，360 集團創始人，也是通過自研通用大模型「360 智腦」親自下場，參與了本場大模型創業浪潮的周鴻禕給出了自己的答案。
周鴻禕一向以十分敢說而著名，本場演講中更是金句頻出：「創業需要把大模型拉下神壇。」「不要等到大模型無所不能才開始做，只要想清楚了就可以開始乾了。」「在企業裡面做大模型，我們要忘掉ChatGPT 這個榜樣。」
周鴻禕在演講中表示，大模型是一場五到十年的風口，有引發一場新的工業革命的潛質。而大模型的未來絕對不像曼哈頓計劃，是尖端科學家和幾億人民幣才能訓練出的Atom彈，而一定像是AK47，價格便宜，火力足，分量夠。
而在周鴻禕眼中，創業者目前最好的「瞄準技巧」就是面向B 端市場。
周鴻禕談到，「現在創業者應該做什麼？做垂直大模型。我們講創業方法論，創業團隊要算力沒算力，要錢也不夠多，要人才也不夠厚。跟這些巨頭競爭相比，你唯一的機會是把你所有的資源聚焦在一根針上，才能形成非常大的壓強。垂直大模型，是創業者的『金光大道』。」
以下是周鴻禕在AGI Playground 大會上的演講全文，經極客公園節選整理：
大模型沒有壟斷
今天的演講題目叫「我的大模型產品方法論」，是我自己的一些經驗和體會。
最近有人開始唱衰大模型，但我覺得作為創業者，一定要站在現在看未來。如果站在現在看過去，我們能挑出大模型的很多毛病，但如果用發展的眼光來看，我相信大模型代表了未來一次工業革命的機會。
曾經有人說風口來的時候豬都在天上飛，我們也經歷了AI、元宇宙、web3，但是我可以肯定：這次大模型不是風口和泡沫。即使是風口，我覺得這個風怎麼也得吹五年到十年。所以對在座的創業者來說，我覺得應該還有十年的紅利期。
大模型有引發工業革命的潛質。我們以電腦的發展為例：電腦在1946 年被發明的時候，也沒有立刻引發工業革命。當時，它只被氣象局、研究核物理的軍方等少數單位使用。電腦真正引發工業革命，應該是比爾·蓋茨、喬布斯等人躬身入局，發明了個人電腦。雖然當時大公司的人看不上個人電腦，但PC 最大的好處就是每個人都用得起，每個公司都買得起。而且在通用的硬件架構上加上不同軟件，就使得它能解決每個人生活工作中方方面面的問題，這才產生了電腦帶來的信息革命。
所以我認為，大模型現在還很「高大上」，我們的目標是要把它拉下神壇。讓大模型真正的走進千家萬戶，影響百行千業，這才是大模型引發工業革命的道路。
作為行業裡的先入局者，過去半年我們經歷了3 個過程：
第一個階段充滿了懷疑和震驚，第二階段是焦慮和等待——中國能不能也做出來大模型。我記得有投資人當時認為這是一件長期的工程，結果過了不到3 個月，國內很多大模型都面世了。很快，「孩子出生」不到三個月，投資人的期望已經來到了第三個階段：大模型究竟能不能賺錢。所以今天，你發現沒有太多人去關注大模型的技術，大家更關心大模型的產品化、場景化和商業化。
關於大模型，有一種說法是「大模型是操作系統」，我覺得這是一種謬論。大模型的未來不會成為操作系統，而是會成為個人電腦，成為數字化系統的標配。因為操作系統往往是被大公司壟斷的，全世界不太可能有超過3 套的操作系統；而在今天，在座每個人的兜里都揣著一台甚至更多台「電腦」。
所以，我覺得大模型的發展路徑會更接近電腦的發展歷程。以後每個家庭、每個企業、每個政府部門可能都有至少一個或多個大模型。
最近蘋果在嘗試讓大模型在電腦上跑起來，高通在嘗試讓大模型在手機跑起來。而在未來，我認為大模型還會出現在每一台智能汽車上，它不僅要解決智能座艙和交互控制的問題，甚至會從認知層面解決自動駕駛和輔助駕駛的問題。
這是我今天一個非常極端的觀點，但這的確是我認知的未來大模型在中國的發展之路：不會有壟斷，不會只有3-5 個大模型，大模型將無處不在。
所以像OpenAI 這樣，做一個極端的遙遙領先的大模型的商業模式，也許不一定是我們各位創業者喜歡的模式。只有市場可以完全的去中心化，並且切成非常多碎片，才會有創業者的機會。大模型剛出來的時候，有人把它描述為「曼哈頓計劃」。但如果這是「曼哈頓計劃」，就沒有創業者的機會了。
ChatGPT 剛出來的時候，我的人也很慌。我說慌什麼，讓子彈再飛一會。因為我有兩個東西會有突破。第一，OpenAI 做大之後，就會有很多人離職創業。很多的訓練方法、訓練技巧被慢慢會出來。第二，就像《讓子彈飛》的劇情裡一樣，安卓當初在追趕iOS 的時候，用了一個方法就是開源。我覺得這種開源非常好，就像是AK47：價格便宜，火力足，分量夠，能夠實現「科技平權」。
所以今天我們要感謝開源，感謝對大模型越來越開放的討論和公開，特別是Facebook（Meta）。我原來以為小扎（Meta 創始人扎克伯格）都陷入到元宇宙的泥潭里不能自拔，沒想到他們貢獻了LLaMa，LLaMa 會讓很多公司不那麼需要OpenAI。
免費的開源帶來了科技平權，也降低了大模型的創業門檻。 LLaMa 開了這個先河，產生了寒武紀生物大爆炸的那樣的效果。
企業市場裡，的機會和痛點
我今天沒有能力給大家發AK47，但可以教授一些射擊的方法，也就是對於創業者來說，在大模型領域應該關注什麼市場？市場分為中心化和去中心化。如果把中心化理解為科技巨頭、互聯網平台公司，那麼在已有的業務上，它們用AI 把握住現有的存量市場，那麼這一塊不會有創業者大多的機會，除非別人做到60 分，你能做到200 分。
所以巨頭們，會把自己已有的場景，特別是to C 的場景都佔住。為什麼騰訊不慌不忙？因為誰做出一個聊天機器人，最大的聊天場景都是在微信和QQ 裡；字節跳動也不慌不忙，如果將來它有一個大模型，在每個抖音場景裡給你放一個，那不用都很難。
我覺得，巨頭一定會用全家桶的思路，把自己的全家桶產品裝上它們的大模型。用戶又很懶，很多用戶會就近使用。所以這個存量市場，或者叫中心化市場，我預估在未來在大模型市場裡，很難有大的改變。
我覺得在80% 去中心化的企業級市場，蘊含著巨大的機會。也就是我剛才提到的，每個政府部門、每個行業、每個企業可能都需要結合自己業務使用的大模型。因為大模型就像一個發動機，這些企業都關心怎麼把發動機買來，放在自己造的「車」上，和現有的業務進行緊密的結合。
張鵬前段時間去美國做了一系列調研。我這幾年也一直在轉型做to B 和數字安全，我發現我們的調研結果是一致的，就是很多企業對大模型非常神往，但是他們又有非常多的顧慮。大模型不是雲計算，企業不會選擇直接接入大模型的API，通用大模型在企業級場景中沒辦法直接用。周鴻禕總結主要是以下幾個方面的問題：
第一個痛點：目前的大模型是萬事通，但不是行業通。如果你真的用過chatGPT，在震驚完它什麼都會之後，你會發現一旦問它一些行業的問題，它就會說很多概念性的正確廢話。也就是說，ChatGPT 對行業理解的深度還遠遠不足。
我經常誇獎創業者，「你可能是一個天才，但你一定不是一個全才。」反過來，如果把自己定義成一個通才、全才，那麼在某一個方面要想達到天才的深度，我認為也是很難的。
第二個痛點：不懂企業，不懂企業內部的知識。而我們每個成功的企業，都有點自己的「小九九」，有點自己的know-how。比如說360，在數字安全方面增持了全球最多的攻擊樣本。我會願意把這個貢獻給行業嗎？我會願意把它訓練到公有的大模型裡嗎？不可能。所以這就形成了一個巨大的矛盾。即：企業有獨特的知識，希望能夠訓到模型裡面去，這樣這個模型才能更加的結合企業的業務，但同時，企業又不願意把這些知識放到公有云上去。
順道說一下，中國和美國的市場有很大的不一樣。在美國，基本上都是公有云的天下。哪怕IBM 收購了紅帽公司Red Hat，但是私有云市場在美國還是不成氣候，甚至美國的很多軍方情報機構都會接受和使用微軟或者亞馬遜的公有云。
但是在中國，你會發現我們的企業老闆、政務部門對服務器的位置是非常在意的。所以在國內，混合雲、專有云、私有云的市場，機會要比美國要大很多。
第三，存在數據安全隱患。三星曾經犯過這個錯誤，360 也給程序員開了ChatGPT 的賬號，讓他們試用一下。還真有程序員，把剛寫的代碼整個上傳，讓ChatGPT 給他看一下有沒有bug，這是不被允許的。
第四，大模型無法保證生成的內容完全可信，或者說大模型能產生知識模糊、製造知識幻覺。我覺得這是既是優點也是缺點。
對於一個幫助別人寫劇本、寫小說的大模型來說，能編出「林黛玉三打白骨精」、「賈寶玉倒拔垂楊柳」的故事，可以看成創造力的展現。因為在這個出現之前，世界上所有的動物只有人類會瞎編，我們每個創業者都要學會描繪不存在的事情來激勵自己的團隊，這是產生意識和智力的基礎。大模型有了這種能力，讓我們看到它有機會產生真正的智能。
但問題是，在企業裡面，如果這種不可信和企業的業務系統融合在一起，就可能產生悲劇的結果。舉個例子，如果有人要做一個中醫大模型，準備把本草綱目、黃帝內經全部都灌進去了。但是它給你開了一方子，敢不敢照方抓藥呢？怎麼解決內容不可信的問題，我覺得是一個非常大的挑戰。
幻覺問題是一個大模型的普遍問題，誰能解決幻覺問題，相當於摘下了「皇冠上的明珠」。
目前看到有人在用向量數據庫解決，其他的解決方案還包括使用企業全文檢索，企業外部數據庫，但即使這樣，你會發現它依然不能全部解決這一問題，所以我們也在研究如何訓練一個大模型，來保證大模型的內容輸出。
第五，大模型的模型訓練和部署，現在的普通企業無法承擔。傳說OpenAI 訓練一次GPT-4，需要2000 萬美元的成本。中國什麼樣的客戶能承受這樣的價格？所以，如果不把大模型拉下神壇，讓它像PC 一樣變得簡單好用、成本低廉，企業是很難接受的。就算有一些企業和單位現階段買得起大模型，它也僱不起訓練大模型的人——現在訓練大模型的人比大模型還要貴。
最後一個問題，無法保證大模型的所有權。我們的企業和政府，對所有權都非常在意，因為大模型一旦把企業的核心知識訓進去了，它的安全性、重要性就無比重要。把中石化的數據拿到，然後去給中石油服務，或者把協和醫院的數據拿到，去給301 醫院服務是不現實的。 to B 和to C 的市場完全不一樣。
另外，我們要考慮國家對大模型的政策法規對創業的影響。我覺得國家大戰略是產業數字化。互聯網企業要甘當配角，順勢而為，把數字化能力和大模型能力賦能傳統企業，特別是製造業，幫助他們實現數字化、智能化。
網信辦近期公佈了一個《生成式人工智能服務管理暫行辦法》，它明確瞭如果你是為企業、行業提供生產力的工具服務，數字化轉型的賦能服務，用大模型給中國的產業數字化做賦能，國家是支持的，這對我們很多做to B、To G 的創業者來說是一個非常好的消息。
在我和極客公園張鵬討論的時候，我們談到會不會有行業大模型的機會。對這個問題，我現在還處於思考之中，我覺得行業大模型可能是一個幻覺。不會出現公有服務的行業大模型，但很多企業仍然會做私有的行業大模型。
可以想像一下，我是一家醫院，我有無數的病例知識做訓練，訓練結束後我會一定拿這個醫療大模型加強我的行業競爭力，但我不會把它開放出去共享給其他醫院，所以做公有的行業大模型的機會是不是存在？我們打一個問號，這也是值得各位創業者去思考的問題。
創業者的機會：垂直大模型的六大方向
所以從前面這些，我們推出一個結論，現在創業者應該做什麼？做垂直大模型。
我們講創業方法論，創業團隊要算力沒算力，要錢也不夠多，要人才也不夠厚。跟這些巨頭競爭相比，你唯一的機會是把你所有的資源聚焦在一根針上，才能形成非常大的壓強。
垂直大模型，是創業者的金光大道。
我認為在這個下面，有六個垂直的趨勢：行業垂直化、企業垂直化、專業垂直化、小型垂直化、分佈式垂直化、專有垂直化。
第一個是行業垂直化，即在通用大模型的基礎之上，做行業數據的訓練。這就像你把一個本科生訓練成研究生或者博士生。我最近剛考上博士生，博士生都是在特別專、特別垂直的領域裡培養，要這樣才能在某個領域有所突破。
第二個是企業垂直化。做大模型一定要跟某個企業的技術訣竅、商業秘密的知識管理緊密地融合在一起。
第三個，也是非常重要的，是專業垂直化。在企業裡面，我覺得從訓練的難度來說，最好是用一個模型解決一類問題。
ChatGPT 給了大家一個幻覺，覺得應該用一個模型解決所有的問題，實際上如果大家訓練過大模型就會知道，它跟人非常像，會出現學物理學多了，數學能力就有點下跌的問題。
大家對GPT-4 為什麼這麼強有一個猜測，說是它不是一個大模型，而是由8 個專業模型共同支持的，一個模型解數學，一個模型解編程，一個模型定安全，我認為這種猜測是合理的。
事實上，在企業信息化管理上，到今天也沒有一個統一的業務系統。 HR 有HR 的管理系統，管理客戶有CRM 管理系統，管理生產有ERP 管理系統，不會用一個業務系統去做。
如果我們把大模型看低一點，它就是企業業務系統的智能化的升級。那麼企業業務系統現在分成很多垂直的部分，那麼大模型也應該做到專業垂直。
第四是小型垂直化。現在的趨勢，GPT-5 號稱據說要往100 萬億的參數做，那需要一台超級電腦進行支持，據說英偉達一年的顯卡供給它用都不夠，這個肯定不是我們創業者該走的道路。
那麼現在還有一個趨勢，是LLaMa 的生態裡有一家公司專門研究怎麼往邊緣設備上部署LLaMa，模型小型化其實是OpenAI 這種模式的逆向操作。小型化之後雖然能力會降低，但是我給企業做一個大模型，專門解決企業文書寫作的問題，需要會唱歌嗎？需要會解奧數題嗎？事實上奧數題也就是這些國內的大模型，用來互相攻擊對手的一種測試案例，在生活中使用的都非常少，在企業市場裡，使用的場景更是非常少。
王小川的百川智能和LLaMa 都做了7B（70 億參數）的模型，還做了13B（130 億參數）的模型，它為什麼要做這樣的參數？因為小模型無論是訓練、部署還是調試，成本都特別低。可能，比如說你用大概80 張A100（英偉達GPU 產品）能夠調試一個百億的模型，這對很多企業的來講成本就非常低。
第五個是分佈式垂直化，就是將來在企業裡面雲管邊端結合部署，既可以在雲端也可以在終端上部署。
第六個是專有垂直化，或者叫私有垂直化，私有化的部署保證安全可控。
所以在企業裡面做大模型，我們要忘掉ChatGPT 這個榜樣。 ChatGPT 在C 端使用，從奧數到物理，從天文到地理，從醫療到法律，無所不能。
你的目標如果是打造一個天才，那我覺得這個挑戰會非常難，但是我們在企業裡，通常僱不到也僱不起天才，常見的方法是用管培生——受過通識教育的優秀本科生，根據公司業務進行專門的培養。所以企業裡面不一定需要GPT4 這樣的全才、通才或者天才，而是需要有垂直領域經驗和技能的人才，這就是我們垂直模型要幹的事情。
我還有一個觀點，我覺得創業者現在就能立即行動起來，我們不需要等到大模型無所不能，等到它超越了GPT-4 的能力之後才開始做。只要想清楚了產品應用的場景，現在就能做。因為我們劃定的這個企業化、行業化、垂直化、專業化的一個市場，今天你只要達到GPT-4 的70 分或者80 分，我認為就夠用了，所以對創業者的要求也降低了很多。
最後誰能成功，我覺得就看誰能先找到場景，快速行動，first move，just do it。
創業實戰：用最成熟的能力，尋找小切口，解決用戶痛點
最後簡單分享一些我們關於如何讓大模型在企業去落地的實戰的想法。
第一個，雖然大模型無所不能，我建議大家仔細的把大模型的能力好好做一個篩選，把它最通用的、最成熟的能力先拿出來。
你像現在有很多人很痴迷於研究agent 模式，就是代理模式，但是這是國外最前沿的研究。用大模型來做規劃，為什麼乾著幹不下去了？規劃不穩定，有時會陷入死循環，而且讓大模型做規劃，控制資源還有很多安全問題。
我覺得大模型最常用的功能只有兩個：一個是知識問答，一個是寫作生成。所以我覺得應該先把大模型這兩個功能找到各種細化的垂直場景應用。
第二個，要選擇用戶的痛點和剛需切入，「小切口、大縱深」。實際上目前討論大模型跟生產業務系統連接的，我認為現在都是浪漫主義行為，我非常的不贊同。我的建議還是先回到辦公的場景。我把它劃分為四個需求：上下內外。
對上，就是對領導，需求有信息決策、輿情分析。對下就是對普通員工來說，需求包括企業的知識搜索、知識管理和新員工培訓。
對內，需求有辦公協作，辦公生成。對外，智能客服。這些目前的場景都是企業客戶比較能接受的，也是大模型比較擅長的。
第三個，這個觀點會很有爭議，一些創業者希望用大模型來做主駕駛驅動業務系統。我倒是跟客戶都這麼講，大模型不是萬能的，那麼你現在的很多業務系統是不能被取代的。創業者千萬不要介入舊系統的改造之中，陷入其中可能長期無法交付。
大模型要跟現有的系統做一定的隔離，盡量少發生API，函數調用的聯繫，它們看起來很強大，但和已有業務融合在一起很難交付。做一個相對獨立的人工智能的公文系統、問答系統、知識管理系統，那麼它相對容易落地，容易交付。
第四點，人工智能應當作為副駕駛。微軟做的產品叫Copilot，想想還是很有道理。現階段人工智能還是有一些不穩定和不確定的情況，不要讓它來做出不可撤銷的決定。
我舉一個例子，比如我們可以專門做一個系統，就叫客戶郵件生成，給客戶寫郵件。系統可以生成文本，可以幫助修改用戶的郵件，但是千萬不能超越用戶的郵箱。你想有一天我的機器分身超越了我的郵箱，自己就給別人發了一些信件，也太可怕了。
第五點是堅持AI 普惠的原則，大模型發展要以人為本。我們做大模型的創業，不要給企業宣揚有了這個東西就會裁員。
過去很多信息化系統在落地之後，跟普通的企業的基層員工沒有關係。
但人工智能的辦公系統的用戶實際上是單位裡的很多普通員工、中層幹部，當然也包括領導。如果中層骨乾和基層員工都討厭你的系統，你的系統一定不會成功。這件事表面看起來是to B 的模式，最後實際上你的產品的使用終端是to C 的，最終的用戶還是企業裡的個人。
第六點，也是和它相關的一個觀點，因為我們需要讓企業裡的每個人都能使用，我們做to B 產品時需要考慮產品體驗。我認為現在有些人宣揚LUI，也就是用自然語言作為交互界面，現在有點走火入魔了，我也不認同我們每個人都要變成prompt 專家。
網上有人研究寫prompt 寫到那個令人髮指的程度，那prompt 你說它是中文嗎？說它是自然語言，它寫得又很有格式化，說它是編程序語言嗎？它比編程語言還復雜。寫prompt 對於我們的觀眾來說可能不是很難，但是對一個企業的普通員工來說，基層員工來說，這個東西比搜索還要門檻要更高一些。
所以我在內部講，能用程序解決的問題千萬不要用自然語言去解決問題。不要去迷信LUI，我認為未來CUI、GUI 將成為主流。
CUI（Conversational User Interface 對話式用戶交互界面），是指可以把一些功能定義成數字人。數字人絕不僅僅局限於直播中，我們在政府裡面做了一些嘗試，提供數字顧問。當員工面對一個法律顧問時，他只會問跟法律相關的問題，更適合專業的垂直大模型。
GUI（Graphical User Interface）是圖形化交互界面。很多場合下，比如點餐，在圖形化界面上快速的點選其實還是最方便的交互方式。如果拿語言說，「我要一個蔥薑肉絲，多加點蔥，不要姜。」雖然機器能理解，但是它依然很繁瑣。
大模型很好，但大家不要走極端，總說要把GUI 都消滅。將來的應用，背後可能是大模型的API，但是前端依然會是各種應用軟件的界面，這樣也能更好地和企業的業務系統融合。所以我建議三條路並行，LUI 滿足高級用戶，CUI 滿足領導，GUI 滿足普通員工。
所以最後總結一下，在我想像裡，如果今天你有幸給一個企業做一個行業或者垂直的大模型，你不要試圖去解決萬能的問題，你不要試圖去解決所有的問題，你也不要跟它原來的業務系統糅合地特別緊密，你就是挑一個領域說，我幫你做一個知識管理，或者知識問答的應用。
不過知識管理，大家不要狹隘地理解為回答問題。舉個例子，有一次我聽百度的Robin 在台上講，說他們進入了造車領域。我一開始有些不解，他和我解釋說，一個車廠有上萬種零件，有幾千種工藝。創造一個工具，使大家可以及時地找出來應該用什麼零件，這本身是知識搜索的範疇可以解決的。你會發現，在很多場景下，本質的邏輯都是知識搜索。
我建議大家去選小的切口，小的場景。比如我了解到，山東省想推文旅大模型，讓外地的人知道山東不僅有淄博的燒烤，還有其他的旅遊項目。這用知識問答就可以解決，知識問答的方向可能是文旅知識，面向的是全國各地的旅遊者。選這種小的接口、小的場景，特別容易成功。
現在很多甲方對於大模型依然還是一個半信半疑的態度，他們不是我們這行業裡的人，他們也被無數新技術騙過。每次出來一個新技術都有公司找到他們，勸說他們花錢做個新技術，所以客戶希望的是我能不能花點小錢，快速地一兩個月、兩三個月能出一個成果。
如果這個成果出來之後，他的客戶，他的員工都能用一下，像我們第一次用ChatGPT 一樣，有一個「哇」的感受，我認為你就獲得了第一步的成功。所以這個模式的驗證可能比你第一次要掙用戶一個億可能更為重要。
守住安全總結，邁出大模型創業堅實一步
最後，構建企業級大模型，我認為應該遵循安全、向善、可信、可控。
安全指的是網絡安全、數據安全、算法安全，這也是360 核心要解決的方向。向善的原則，主要是內容安全，要注意不要讓AIGC 成為詐騙者的工具。
可控，是如何把大模型關在籠子裡邊，保證它變得非常powerful（強大）的時候不會危害人類。這邊有兩個原則，一個是說永遠讓人在決策的迴路上，而不能讓大模型決策。第二個我覺得做垂直大模型也是一個很好的解決思路。垂直大模型出錯的概率比一個天才大模型出錯的概率要低很多。
大模型的進化剛剛開始，百模大戰才是第一波浪潮，有了開源之後，萬「模」亂舞都是有可能的。我覺得企業級市場具有無限的創業可能性，而且這個市場不會被壟斷，不會被統一。
360 也做了自研通用大模型「360 智腦」，我們希望能夠與許多創業者合作。如果你願意做行業市場，那360 可以提供to B 方向很多的經驗和算力。我們也願意把很多原來是我們安全的客戶分享給大家，因為每一個行業都需要有大模型的深度結合。光有foundation model（基礎模型）是不夠的，與B 端結合的技術和經驗非常重要。
我們目前的服務已經落地了。我們和中稅集團合作做了一個稅務大模型，在註冊稅務師考試裡面，我們比ChatGPT 還高5 分。那麼我們也跟黑馬創業聯合做了一個企業服務大模型，幫企業寫各種評高新企業的報告，人寫報告大概花幾個月，大模型寫報告效率比人能夠提升20 倍。我們也發起了GPT 產業聯盟。
許多創業者希望說我像OpenAI 一樣做一個大模型，我就等著賣API 賺錢了。這個想法我覺得對創業者是很難的。還有人希望說我做一個大模型，我就賣給企業，企業直接採購了去自己用。真正做過to B 的人都知道這個想法很不切實際。即使是Oracle（甲骨文），在中國還有很多增值服務商，幫助它能夠和企業的行業理解，企業的具體的業務領域相結合。
所以，現在要說在大模型的to B 方向能夠形成一個產品方法論，我的建議就是：深度垂直，重度垂直。不能太貪心，上來之後就選擇多個行業鋪開。你可以在某一個行業，比如說教育，比如說醫療，選擇行業中的一個頂尖的，有數據有知識的企業進行深度合作，我覺得這可能是大模型創業最堅實的第一步。
謝謝大家。
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