中國AI公司可以不走尋常路

大模型落地呼聲越來越大，但是以什麼方式落地依然有爭議。國內如此，國外亦然。不同的思想對應著不同的方法論。

一部分AI企業忙著更新通用大模型打榜，做一些影片生成工具之類的熱門產物，巨頭多數屬於此類。

另一部分則在專注行業大模型或是平台，例如國外的Glean和國內的第四範式，後者最近還發佈了AI數字人影片合成平台，著眼於讓企業更方便地用上大模型能力。

此外，還有以服務大模型發展為己任的「賣鏟子」型公司，比如從數據標註工作發展到AI全流程數據服務和模型搭建的Scale AI——如果轉型順利，它也會成為第二類公司。

這不是單純的商業模式辯論，「所有行業都值得用AI再做一遍」的共識早已形成，但直到現在，還有很多問題在等待著回答。尤其是背靠中國產業背景的AI公司們，也許可以送上不同的答案。

AI大模型的方向劃分

很多公司現在都可以說自己是AI行業的，但形成模式≠有長期價值。

目前大多數企業利用AI展業的方式，一定是通用的語言大模型，使用本行業的數據語料訓練一下，就已經稱得上差異化應用。但這很可能是一種取巧的方法，Zapier（一家基於無代碼模式開展業務流程自動化探索的公司，與生成式AI自主工作的智能化特點有較強契合性）聯合創始人Mike Knoop認為，擴大語言大模型本質上只能推動「記憶」這種智力形式的發展，和智能是有區別的。它不能理解企業的場景和需求，所以也做不到把AI的價值徹底發揮。

另外，如果我們能將GPU算力投入增加與語言大模型能力提升的曲線進行對比，那麼它的收益增量雖然確實存在，但很有可能是存在邊際收益遞減的。當互聯網上已經存在的公開簡易數據都被用光了之後，再想依靠做通用語言大模型在AI領域彎道超車，就會變成一種幻想。

這對企業來說更是不利的。企業總是會在追求新技術的過程中如「猴子掰玉米」，譬如一開始想要用新技術解決一個確切的問題，結果變成了一場概念追逐戰：大數據出來了就用大數據，計算機視覺火了開始研究CV，到了大模型和生成式AI的時代，AIGC、AGI變成了他們戰略報告的關鍵詞。但越往後，最根本的問題反而被忘記了。

解決這個問題，或者說解決企業AI大模型需求問題的方法，其實就握在AI企業手中。

明星風投公司Benchmark的合夥人Sarah Tavel認為，第一波AI用例只是給出了一種API的使用方式，但把人工智能技術限定在幫助單一工具層面並不是合理的結果，最好的發展方向是基於給客戶提供完整的產品和服務——面向行業客戶具體需求開展大模型創業。

而號稱華裔天才少年的Alex Wang，同時也是Scale AI（Scale AI最初以數據標註服務起家，後來在此基礎上轉變為以AI為主導的全流程數據解決方案服務商，包括幫助客戶建立可用大模型，以及託管服務）的聯創，他認為，數據才是AI模型性能的瓶頸，而非算法或計算。數據最終來自很多個垂直行業，這意味著AI企業應當深入到行業領域，做符合企業需求的行業大模型。

這個過程有兩個需要注意的關鍵點：

一方面是數據問題，正如Alex Wang的觀點，AI公司要有「讀懂」用戶和行業的能力。因為從根本上來說，經歷過數字化時代的公司大多有很多數據語料躺在倉居里，但缺乏輔助情況下，它們無法發揮作用。

另一方面是管理和迭代問題，由於行業、場景千變萬化，目前的行業資源不太可能支持一家公司橫跨所有領域一個一個建造大模型。如何解決這個問題呢？

第四範式和Zapier聯合創始人Mike Knoop都將關鍵指向了自動化。技術方面，AutoML、程序合成和神經架構搜索都涉及自動化和優化過程，以期減少人工干預，提高效率和效果。Mike Knoop認為AGI的探索需要基於程序合成和神經架構搜索，而第四範式創始人兼CEO戴文淵則在接受「智能湧現」採訪時提到，構建無數個行業大模型的底座技術是AutoML——自動機器學習。

戴文淵說，AutoML是「一個失敗的藝術」，它能發揮更大的價值，是因為第四範式做過太多的場景，懂得怎麼讓數據和模型的發展，向特定場景的需求貼近。成功的化為成果，失敗的變成養料，基於自動化加速擴大迭代。就像Alex Wang說的：「機器學習是一種垃圾輸入、垃圾輸出的框架。」但如果我們有高質量的行業數據，以及不斷糾錯的能力，最終就會讓行業大模型成為現實，並實現可靠的落地。

這個行業的頂尖思想者們，一定程度上對行業塑造的邏輯保持了對齊。而像第四範式這種根植於中國複雜產業場景的AI公司，所做的延伸還可以更多。

做不同的AI模型，想法、途徑和前景

以OpenAI為代表的、一部分專注通用大模型的企業，發展趨於橫向，大模型就是一切。在商業模式上，它們售賣的就單純是大模型的能力。相比之下，第四範式、Glean，甚至Palantir這樣的利用AI技術幫企業在某些方面做決策以提升整體工作效果的公司，走的是另一條路。它們的商業模式也不一樣。

比如Glean，它提供基於AI技術打造的AI企業搜索和知識管理平台，並集成了非常多的第三方應用功能，直達其他的SaaS產品。也就是說，把自己變成了工作流的一部分。同時，Glean也可以幫企業用企業數據訓練專屬AI模型，而訓練的基礎是Glean自主打造的「可信知識模型」。這家公司的出發點是，員工往往很難在複雜的工作體系中找到有用的信息，而Glean在傳統企業搜索的基礎上，利用AI模型和工作流全流程跨應用服務能力，建立了新的優勢。

對照Glean來看，第四範式對提升企業核心業務的關注，以及實現AI大模型介入業務的手段，在思想內核上是一致的。這是因為它們的理念就是從行業和企業需求出發的，脫離了單純的唯技術論、唯參數論、唯語言論。不過，第四範式更深入到行業核心業務問題的預測管理上。

第四範式在今年上半年發佈了行業大模型平台先知AIOS 5.0，它繼承了此前第四範式對數據治理與智能發展等方面的思考，但更注重幫助企業挖掘行業大模型的潛力。AIOS 5.0核心特點是基於各行各業場景的X模態數據，構建行業基座大模型。

在能力層面，它側重於Predict the Next 「X」，X代表各大行業包羅萬象的邏輯和結果。在使用層面，在支持接入企業各類模態數據的基礎上，先知AIOS 5提供大模型訓練、精調等低門檻建模工具、科學家創新服務體系、北極星策略管理平台、大模型納管平台、主流算力適配優化等能力，實現端到端的行業大模型的構建、部署、管理服務。在應用層面，考慮到中國的產業和場景複雜度水平極高，實際為行業大模型垂直髮展提供了環境。

這其實是中國AI公司基於產業背景發展的一個極佳案例。戴文淵曾說：「我們國內有大量場景和數據優勢，當我們覆蓋場景足夠多，把這些模型拚起來，最後你可能也實現了AGI。」相比之下，現在流行的很多行業大模型，依然還是行業大語言模型，大而不精。劃分到更精準的場景後，雖然表面上看起來需要建立很多個大模型，但每個精準場景的數據量負載有限，同時有自動化技術的幫助，反而另闢蹊徑實現了AGI在應用層面的發展。

如同Mike Knoop的觀點，AGI之所以在狂飆突進後迅速遇到了上行阻礙，是因為我們過度依賴語言大模型，把AGI定義為能完成大多數工作的系統，但AGI實際上應該更側重高效獲取的新的能力，解決各種場景下的開放性問題。

事實上，這也許才是正確的思路。英偉達CEO黃仁勳就在美國加州理工學院第130屆畢業典禮講話中提到，隨著大模型發展，計算機從指令驅動轉向意圖驅動，「將來的應用程序所做的和執行的都會與我們做事的方式相似，組建專家團隊，使用工具、推理、計劃和執行我們的任務」。這樣的邏輯本身就意味著通用性。所以我們也看到，大模型正在進入物理世界，因為物理世界的決策同樣有跡可循。

類似的例子，就像過去一年多時間因AI技術估值暴漲兩倍多的Palantir。Palantir原本是一家To G的大數據公司，基於數據分析和建模仿真輔助決策，但生成式AI技術令其處理數據的方式發生轉變，在自動化與數據決策方面進步甚多，加速了AI To B業務的開拓。第四範式，就是在每個具有確定性的場景中建立行業大模型，助力企業掌握自己的應用，做出有效的決策。

最後，回到關於未來前景的思考上。OpenAI過於注重把通用能力做到極致，因而暫時失去了佔據特定領域產品優勢的機會。相比之下，那些側重於發展更自由、更開放的模型的企業，都得到了發展機會。而在商業模式上，以訂閱為主導的OpenAI會繼續「出售」大模型的能力，更像是工具；而第四範式、Glean、Scale AI、Palantir等公司則是銷售技術及其附加組件和服務，更像一個系統。

Scale AI上半年以138億美元估值融資了10億美元。成立五年的Glean在 D 輪融資中籌集了2億美元巨款，估值已高達22億美元，換算成人民幣在160億元左右。第四範式在港股的估值穩定在224億港元左右，其成長性應該主要掛鉤先知平台的發展和收入。今年一季度，第四範式8.28億元的總營收中，先知平台佔5億元，比例為60.6%。隨著應用場景的增加和收入的增長，它的價值也會得到釋放。

最終，AI公司在通往AGI的道路上一定免不了和行業巨頭對比。但只要它們能生產出越來越多的能在實際場景中為企業創造價值的產品時，市場自然會為它們賦予不一樣的價值。AGI是個巨大的概念，一切探索對未來而言都是有益的。

本文來自「港股研究社」，36氪經授權發佈。