本文來自微信公眾號：明亮公司（ID：suchbright），作者：羅賓，嘉賓：周健工（未盡研究創始人），原文標題：《對話未盡研究周健工：通用AI將推動中國垂直模型應用，訂閱制模式將更普遍》，題圖來自：明亮公司（圖為周健工）

【資料圖】

ChatGPT在2022年底發布，開啟了通用人工智能的時代。大模型在互聯網和數字技術的基礎之上，成為一種通用技術。今年5月初，未盡研究發布了《通用AI，通用技術，通向何方》報告（下稱“報告”）；近日，明亮公司對話了未盡研究創始人周健工，他分享了通用AI的未來和大模型的中國之路。

報告指出，中美在AI領域整體的差距本來并不是很大。但自從GPT-3不再開源之后，中國在生成式人工智能和語言大模型領域變成了追隨者。而中國科技企業趕超美國的機會，目前并不在通用語言大模型方面，而是在通用大模型的能力邊界之外進行創新，如多模態的技術創新，以及中國比美國更大的應用與市場空間。

報告顯示，中國目前可用于大模型訓練的悟道語料庫，包括文本、圖文和對話數據集，最大的僅5TB，其中開源的文本部分僅為200GB。另外一個開源的中文本數據集CLUECorps為100G。相比之下，GPT-3的訓練數據量，以英語為主，達到了45TB。

中國的數據要素市場逐步形成，定制和加工語料數據的企業大量出現。中國的大模型和AI訓練，需要更豐富通用的開源語料庫。以漢語為主的通用語料庫，同時獲取英語的開源和授權使用的數據集，才能建立起立足中國、匯集全人類智慧的大模型。

“人工智能正在吃掉軟件。”周健工表示，幾乎所有的互聯網應用都產生了重新做一遍的機會。特別是移動端的未來，或許變革會比桌面端更激烈，涉及到智能手機的未來由誰定義。在智能手機中部署個性定制化的大模型是未來的一種趨勢，這就需要手機從底層芯片、操作系統到應用程序的改變和創新。

周健工還指出，對于中國通用AI企業的商業化方向，投資機構目前更看好將合適的場景、成熟的業務深度和豐富的數據積累和大模型結合起來的應用領域。同時，提供大模型訓練和應用中間態服務的公司，包括數據質量與標注、向量化數據庫、模型及計算優化等，在中國也將有很高商業價值。

在創辦未盡研究之前，周健工曾擔任第一財經CEO、福布斯中文版總編輯，還著有《橫越未知：從無限勞動力到無限計算力》。

以下系精編整理的對話節選（Q：明亮公司，A：周健工）：

一

中國科技企業的投入集中于性價比高的創新階段，OpenAI的股權投資形式無法在中國復制

Q：報告提到中國企業在通用型AI大模型面臨的幾項挑戰：算力限制、中文語料數據等等，其中一項是資金的投入與“巨頭有較大落差”，如何理解這種落差和公司商業模式、核心競爭力之間的關系？除了營利能力之外，對于中國的大公司來說，是否有其他因素限制了對于技術的投入？

A：ChatGPT從1到4所需的累計投入量是巨大的，從以往的數十億美元到今年初微軟的百億美元，當然其中一些投入是以算力交付的。OpenAI先是以非營利組織的形式而存在，而在這個階段就能長期大量投入于技術，沒有任何一家中國企業可以做到。中國企業不會在一個非常不確定的、信仰級別的技術路線上有這種級別的投入。

OpenAI一邊研究ChatGPT這樣的模型，一邊尋找應用場景，所以微軟開始投資聯手。我認為這也是微軟的一項很精明的投資。微軟CEO納德拉認定未來科技公司都會轉向人工智能的競爭，但谷歌一直以來引領了人工智能的變革，且凝聚了AI領域最好的人才。由于微軟清晰的戰略，它敢于投入大量資金，而且它商業中的精明體現在它投入的很多是算力，它可以借助OpenAI開發大模型而圍繞AI所需的高級算力重構微軟的云服務。

年初至今，作為萬億市值的上市公司，微軟市值漲幅仍有約20~30%，說明它的投入已經被資本市場認可，被給予高估值。GPT-4推出后，微軟將其應用在各個產品線中，體現出微軟的思路非常清晰。從商業回報看，微軟100億美元的投入對應了千億美元市值的擴大，回報率也足夠高。但是VC、PE們所謂的估值體系、投資邏輯、交易結構等完全不適用于OpenAI的LP。所以第一點，從中國巨頭企業到初創公司，都沒辦法按照OpenAI的股權投資協議模式進行投入。

第二，如果將中國科技巨頭和美國巨頭對比，我們也在3年間跟蹤了全球研發2500強企業，每年的研發支出上，谷歌、亞馬遜等美國科技巨頭靠前，中國除了華為外，其他公司雖然支出也不少，但與美國還有很大差距。

第三，除了研發支出，還有幾點是中國科技企業無法與美國相比的，美國巨頭的云做得很強大，很多都有自己的操作系統，另外很多也做了自己的硬件系統，做了芯片和基礎軟件，垂直整合程度很高。中國巨頭主要是在自己的應用里做社交、電商、視頻等業務擴展，而圍繞技術和生態布局比較欠缺。當一波技術浪潮來的時候，其實一直在做準備的企業才能接得住。

Q：除了是否能長期大量投入、商業模式區別，中國公司相比美國受到更多政策限制，是否導致了中美公司發展空間不同？

A：我認為不完全是政策的原因。相反，在中國的互聯網、移動互聯網時代，創新環境是比較好的，只是前兩年開始的整頓，平臺經濟仍然在調整適應新常態之中。而且中國科技巨頭的崛起，既受益于當時的美元基金，還受益于國內相對有利的保護，谷歌、Facebook當時都退出了中國市場。

Q：中國科技企業的研發投入和創新都是跟隨型的，這里有哪些主要原因？

A：中國還是處于應用創新階段，它的特點就是性價比是最好的，因為引領創新的成本巨大，更別說其中有很多創新的嘗試是失敗的。對中國來說最大的好處在于它的不確定性和試錯成本都大幅降低了。GPT-2公開之后，你能大概知道它是怎么做的，成本多少，而且我們也知道1000億參數以上就會“涌現”出一些泛化和通用的智能，跟著做就行了。

二

大模型在C端有望開辟新的商業模式，尤其是訂閱制付費

Q：平臺經濟的科技公司這兩年處于逆風狀態，現在它們也紛紛做了自己的大模型，哪些公司更容易走出來？

A：我認為對這件事看得比較有耐心的是騰訊和字節，除了已經發布了大模型應用的大廠之外，這兩家比較值得期待，甚至可以期待做出世界級的應用產品。

Q：騰訊的價值邏輯是什么？

A：大家能想到的一些非常值得期待的應用，都能跟騰訊的產品有聯系，比如未來每個人都會有一個定制的模型或機器人去為他提供服務，那么微信就自帶這種場景；企業服務方面AI化的空間很大。

第二，在數據量角度看，中國在開源數據上有一個短板，目前僅憑漢語的公開數據，無法訓練出GPT-3.5/4這樣的大模型。但國內非公開、非開源的數據是不缺的，比如電商、知乎、小紅書、B站、微信公眾號、QQ生態及騰訊的一些游戲生態數據，這些構成了非常有價值的語料和多模態數據庫。

第三，騰訊有自己的云，有十多億級用戶群，有應用場景。而且騰訊非常善于做產品，C端對AI產品目前還有一定的寬容度，所以只要騰訊推出大家能接受的產品，并在爭議和反饋中去快速迭代，產品體驗就可能會越來越好。

Q：字節除了視頻，還有什么優勢？

A：首先，它正在獲取一流人才，原阿里達摩院大模型M6帶頭人楊紅霞加入了字節，她可能是中國最好的語言生成模型科學家。另外，字節有得天獨厚的產品閉環。它的整個產品都建立在算法基礎之上，本身就是非常先進的人工智能。

字節已經是國內平臺公司中最大的云服務用戶，最近TikTok上開始推出抖索機器人；而現在很多人做多模態的文字生成圖片或文字生成視頻，就是為了放在抖音或TikTok上，字節的產品就是有些多模態生成式AI應用的歸宿。相比之下，其他公司花很大成本打磨技術、產品，但并沒有弄清楚用在哪里能掙錢。

Q：它們需不需要單獨考慮模型的商業模式，還是只是作為入口或免費應用？

A：我覺得這兩家公司優先考慮的可能還是把大模型應用有效地集成到平臺上。就像谷歌這樣的大公司一樣，雖然它有技術，而且技術參數不比ChatGPT差，但它還是很慎重。

而且其實有人計算過，大模型的推理和搜索結合起來的成本很高，比如當GPT-4和Bing結合起來，體現為為每個搜索用戶提供免費的聊天機器人功能，每個query的成本可能會是提供單一搜索功能的5~10倍，所以谷歌推出了縮小版的聊天機器人Bard。縮小版是因為它也在測試，因為不確定聊天機器人服務帶來的成本，對搜索業務會帶來多少沖擊。

OpenAI已將Bing作為ChatGPT的默認搜索引擎，但Bing的流量增長最近也開始放緩了，所以微軟的搜索+聊天機器人的模式是否能顛覆現有搜索市場還需繼續觀望。現在谷歌的搜索市場份額還不能被撼動。

Q：中國的用戶對ChatGPT這樣的產品不一定有付費習慣，我們應該把它理解為一個SaaS還是搜索類的免費工具？

A：B端收費提供API調用，大家都理解了。C端會跟免費搜索有不同的模式，免費搜索會面臨廣告越來越多，帶來不好的用戶體驗。現在ChatGPT作為與搜索并列的應用已經有幾個新方式出現了，ChatGPT對C端用戶有免費版和Plus版，API也有不少個人用戶。如果它再提供多模態功能，或者還有agent平臺的功能，能管理更復雜的任務，其實它也構成了一個SaaS訂閱模式，可以說是開辟了新的商業模式，我覺得大家也是可以接受的。所以向C端收費的模式，其實也可以做得起來。

Q：在垂直領域出現了像幻方AI這樣做大模型和算力儲備的公司，它們可能遇到的問題是什么？

A：幻方做得怎么樣，細節我們并不清楚，但是金融領域我們分析過一個典型的彭博的例子。彭博有很大的金融類數據量，它可以用自己的數據來訓練獨有的模型，但彭博又做了一個通用大模型，我們稱之為一種防守反擊策略。也就是它防止別人基于GPT-4來侵入它的金融模型；同時，它的用戶進入其生態，如果希望用通用的大模型，它也可以滿足這種需求。彭博現在還在不斷優化。與彭博相比，幻方并沒有這么大的數據量，如果用自己的算力優勢進行高通量的高頻交易，它會面臨監管問題。

用大模型能做好的主要是提升投研的效率，因為知識密集型的勞動對自動化的要求很高。第二，它還可以建立一些策略，因為它可以用生成式人工智能的方法去做一些預測。但這跟彭博的大模型是有所不同的。獨有的數據量是一個關鍵問題。當然，如果幻方囤卡不少，硬做通用大模型，那是另外一回事。

三

手機移動端的“認知階段”，移動端的定制化大模型將催生硬件創新

Q：除了數據量，算力會成為挑戰嗎？

A：中國已經出現了“百模大戰”，其實AI算力是很緊張的，北京市政府印發的《促進通用人工智能創新發展的若干措施》，第一條主要內容就是提升算力資源統籌供給能力。從我們遇到的案例看，有大型國有金融機構，要為它的保險經紀業務引入生成式人工智能，比如有場景是每個保險代理配一個虛擬機器人，以提升服務體驗和效率。他們找能夠訓練大模型的科技公司幫助訓練模型，但是遇到了算力瓶頸。由此，這種算力瓶頸會從基礎大模型延伸到應用領域。

Q：算力缺口還是整體存在的。

A：大模型的訓練包含訓練和推理兩個部分，訓練的部分更好解決，它不是低延時高并發的，訓練是一個月還是兩個月完成的時間問題，不行大家還可以排隊。還有一種方式是利用分布式算力訓練，通過東數西算等統籌算力方式也可以幫助解決。

但如果你都訓練和部署好了，上百個大模型開始大規模應用，這時推理的并發又滿足不了。所以在推理階段，大家的使用量如果上來了，對算力的要求更高。中國的算力雖然整體不缺，但結構上有問題，也就是圍繞人工智能的推理的高性能算力比重較小。

Q：相比于算力、算法和數據，中國公司對于具體應用場景的理解能力和技術應用商業化能力都更突出，但對于通用型AI來說，這種“技術+應用”的路徑和此前移動互聯網時代最大的區別是什么？

A：人工智能和移動互聯網的發展并不能割裂來看。因為移動互聯網產生的自然語言數據、云計算模式等都是大模型訓練的基礎。以智能手機來看，雖然它已經實現了很多功能，但手機聯網加初步的感知智能，過去其實還處于感知的階段，而現在我們進入到認知階段，智能手機要變得真正智能，值得“再做一遍”。

Q：所以硬件整合是通用AI應用于移動端的一個必然選項？

A：我們最近看了些資料，其中一些觀點值得探討：1）手機上所有的應用都可能是一個垂直領域的大模型；2）很多人都希望自己的手機能部署一個定制化的大模型，那就需要硬件來支撐，但現有的硬件是不支持的，我們又需要硬件的創新，這包括手機從底層芯片到操作系統、到應用程序的改變。所以我們說再做一遍是極有可能的。而基于AI的通用技術，手機和電腦上的任務，未來都可以打通應用自動化地完成。

除了手機，在移動端還有物聯網將對硬件產生創新。物聯網是更典型的感知形式。未來分布在各地的傳感器把感知到的物理世界的信息搜集好，在云、邊、端的不同層面的大模型去調用，物聯網也會進入認知時代。

Q：你看到的中國公司中，哪些商業化方向大家能形成共識、哪些大家存在爭議？

A：在我接觸到的企業投資機構那里，我感覺越往應用層，大家共識越大。

第一，在有較多共識的創意、電商、企業服務、專業服務等領域，大家已經比較堅定地看好和使用生成式AI。

第二，投資機構比較看重的是有好的場景、成熟的業務深度和豐富的數據積累和大模型結合起來的應用領域。大家都在尋找。“上一代”人工智能公司如語音識別和圖像識別的公司有很多并沒有殺出來，主要是它們雖然看似在任何一個場景都能通用，但業務深度還不夠，所以現在有的公司開始聚焦，譬如醫療健康等場景中的某些環節，或者在語音、視覺等領域用生成式人工智能加持。

第三類是大模型訓練和應用的中間態公司，是所謂的“賣鏟子”的公司，中國還不多，但我相信未來會有這樣的公司浮出水面，它們的價值很大。其中包括數據標注、數據的向量化、模型算法的優化等等，標注更初級一些，而數據向量化公司在美國的估值現在很高，因為大模型訓練后，尤其對多模態數據，向量化是必須進行的一步。

基礎層的大模型，國內的幾家科技巨頭自己在做，仍然是跟著美國的幾個大模型在走，雖然現在很多產品在接近GPT-3.5的水平，但國內進步的同時國外也在進步，差距依然存在，所以反而有些基礎模型，尤其是對C端的應用，引起了不少爭議。

備注

在人工智能領域，涌現（Emergence）指的是在計算機系統或人工智能模型中，通過簡單的規則或局部交互產生出復雜的整體行為或屬性的現象。

在人工智能中，涌現是指在模型或系統中，通過對輸入數據進行處理、學習和推理等過程，產生出超出預期的、復雜的、新穎的行為或特征。這些行為或特征并沒有被顯式地編碼或設計，而是通過模型的內部機制自發地涌現出來。

涌現在人工智能中可以表現為以下幾個方面：

高級的智能行為：通過大規模的數據訓練和模型優化，人工智能系統可以表現出對語言、圖像、音頻等多種輸入數據的理解和處理能力。這包括自然語言處理、圖像識別、語音識別等任務，在其中涌現出了復雜的智能行為。

新穎的解決方案：在人工智能系統中，通過學習和優化的過程，模型可以發現新穎的解決方案和方法，超出了傳統編程所能預先設定的范圍。例如，生成對抗網絡（GAN）可以生成逼真的圖像和音頻，這種能力是通過模型內部的對抗訓練過程涌現出來的。

自適應和自學習：人工智能系統具有自適應和自學習的能力，通過與環境的交互和反饋，系統可以調整自身的參數和策略，以適應不斷變化的情況。這種自適應和自學習的能力涌現出了系統在新任務和環境中的適應性和智能性。

涌現在人工智能中是一種有益的現象，它展示了模型在處理復雜問題時具有的自發性、創造性和適應性。通過利用涌現現象，人工智能系統可以更好地應對復雜任務和現實世界的挑戰。但是對于涌現的科學機制還需要進一步研究。一些專家認為涌現也可能導致大模型應用在對話中產生幻覺。

（備注部分來源：ChatGPT，經過核實編輯）

本文來自微信公眾號：明亮公司（ID：suchbright），作者：羅賓，嘉賓：周健工（未盡研究創始人）

關鍵詞：