九合创投王啸:大模型竞争依旧处于百亿元量级
来源:中国企业家杂志
现在关注更多的是基于大模型之上的场景、应用和需求。
文|《中国企业家》记者 孔月昕
编辑|马吉英
摄影|邓攀
对比往年,九合创投创始人王啸认为自己在2023年出手相对保守了一些,对前期烧钱过多且不一定有收益的项目非常谨慎。
但对生成式AI项目除外。
对于这一他看好的赛道,他出手迅速。2022年底,王啸曾判断大模型将带来一波新机会。2023年,他投了十多个AI相关项目,差不多占据九合创投2023年投资项目总量的70%~80%。
之所以能在大环境遇冷的情况下,在AI赛道坚决出手,一方面是王啸认为自己的内核是乐观的。“早期投资人如果不乐观,根本就做不了早期投资这件事。”另一方面,相比投资遇冷的整体环境,科技赛道受到的影响相对较小,资本密度也没有下降。
九合创投成立于2011年,创始人王啸是中国互联网行业最早一批从业者,此前为百度初创团队成员,被称为“百度七剑客”。目前九合创投已经投资近300家早期科技类企业,成功上市的企业有青云科技、鹰瞳科技等。九合创投第五期人民币基金正在募集中,据悉进展顺利。
“我认为大模型运用跟商业化的距离并不遥远,部分团队拿到一两轮投资,就能依靠自己活下来了。”王啸说。
但王啸也认为,大模型的竞争是大厂和资源的竞争,创业公司的优势并不明显。因此,他选择了具身智能、多模态垂直模型以及大模型的应用开发三个方向。在王啸看来,未来这些领域中有一定机会产生出新的行业巨头。
以下为王啸的采访整理,有删节。
大模型上层应用的商业化路径,相对清晰
AI这种能力应用在哪个场景进行商业化比较好,这是创业者一开始就要思考的问题。
因为AI能力并不一定是稀缺的能力,尤其是大模型能力,在经过了最初期的“紧缺”后,现在国内外都有很多家大模型,且市场上的开源模型也越来越多。
所以我不太看好只有技术但不理解市场的团队,我觉得做出来的难度很大。
另一方面,我始终认为,大模型的竞争一定非常激烈,投入也非常高。前段时间,Meta表示将花几十亿美元购买35万张英伟达H100显卡,换算成人民币就是百亿级的投入,而这仅仅是一次性购买,它前期肯定累计采购了非常多算力资源。
由此可见,大模型竞争依旧处于百亿元量级的资源竞争阶段,包含数据的梳理、算力的购买使用以及工程师的选择等层面,资金的密度和数量都很大。创业公司很难坐上牌桌,它也不可能融到那么多资金。
我们现在关注更多的是基于大模型之上的场景、应用和需求。在过去没有大模型,有一部分用户需求是无法被满足的,但基于大模型之上的软硬件服务搭配,就有可能完成得更好,从而提高这部分用户的满足度。以此为基础衍生出的产品或服务,就是很好的商业化落地方向。
在我看来,大模型上层应用的商业化路径,并没有大家想象得那么复杂,相反,我觉得是清晰的。
大模型本身解决的是生产力问题,为生产力而非生产工具付费,是一件逻辑线更直接的事情。比如说过去一个岗位需要10个人工作,但现在只需要1个人,剩下9个人的任务用AI替代,但只需要花费雇佣2个人的费用,这在商业化逻辑上并不存在问题。
例如过去我们拍摄视频广告的时候,可能需要一个小团队拍摄两三天,成本至少要10万元。但现在如果使用大模型生成视频,可能只用付费1万元,就可以获得效果不错的视频,而且还可以同时进行多次复制。但实际上这1万元的费用里,AI生产供应商的成本可能只有1000元。所以,在我看来,大模型应用的商业化路径是清晰有效的。
与之相对的是,大模型的商业化依赖于应用侧的繁荣。
从目前来看,大模型应用的生态化不是轻易能够搭建的。因为大模型本身是一个平台型的技术,它需要在生态建立的基础上,大家购买它的字符。这就需要构建在大模型上的应用层,有足够的丰富度和商业能力,才能够形成商业化闭环。
近期OpenAI推出的GPTstore其实就类似于AppStore,因为大模型本身并不能很好地解决应用中的需求,所以它需要开发者在模型的基础之上做开发,来更好地给用户或者是客户提供服务。
这是一个比较简单的逻辑,而且这个生态一旦形成,数据能够回归到大模型里面,大模型的能力也会显著提升。
现在大模型还是从互联网抓取数据进行清洗,但如果大模型应用能不断给它反馈数据,它的能力就会显著提升。
这也是百度文心一言能够跑到相对头部位置的本质原因,即发布早、用户多,现在已经形成了数据、用户和大模型之间的一个螺旋式上升的过程。对于大模型而言,数据飞轮的先发优势非常明显,即使像Google,现在面对OpenAI也很被动。
只有大模型应用的商业化普遍起来,大模型的商业化才会提速。
2024年,AI创业公司面临“生死劫”
对于创业公司来说,无论是toB还是toC领域,两边都有(商业化的)机会,只不过解决的问题不一样。toB端解决的更多是提高效率的问题,toC需要解决用户的需求和痛点,可能更偏娱乐或陪伴。
从过去一年多的发展来看,我们目前看到AI创业公司的商业化落地路径,主要有两种类型。
第一种是原公司具备数据能力和一定的客户能力,在自身核心能力之上加入大模型能力,提升原有产品的体验和服务,在我看来这是一波更明确的机会。
第二种是从收集数据开始,重新做一个垂直领域的模型。目前已经有一些创业公司在尝试做了,但想要真正把大模型运用好,在垂直领域中满足客户需求,这是一个慢慢尝试的过程。我预计三到五年后,才会有一批公司出现,把这件事做好。具体是哪些方向、领域或创业团队,可能还得再过两三年才能看出来。
相比toB领域,toC的AI创业公司需要更长的商业化耐心,可以优先发展终端用户规模,至于杀手级应用程序,还需要一段时间。
但值得注意的是,如果AI创业公司最开始没有找到商业化落地的场景或机会,在大模型训练成本普遍较高的情况下,融不到钱就很难存活下去。因此,今年可能有大批的早期大模型创业公司陷入融资困难,甚至团队解散的困境。
在我看来,创业公司能做下去其实是小概率事件,“死掉”才是大概率。
2023年,九合创投投资了十几个AI相关的项目,这期间,我们看了至少一两百个AI相关项目。
我们也观察到,目前国内AI创业者对于融资的态度更切合实际了,估值等各方面的考虑也更合适。他们也更务实了,会优先思考更多方面,比如商业化层面,公司成立初期就要有收入、利润,而不是单纯讲故事。尽管当下的融资环境比较艰难,我认为依然还有很多人在创业和尝试创业的过程当中。
另一方面,在生成式AI领域,大家关注AI是共识,但从投资的角度来看,还存在很多非共识。
九合在过去一年的投资筛选逻辑也进行了一些微调。在团队能不能创造比较好的价值、有没有技术壁垒、能不能解决一些核心问题等大方向不变的基础上,我们对于项目能不能持续生存、是否有造血能力这部分的考察比重在增加。如果自我造血能力短期内无法跟上,那么团队的融资能力也是十分重要的一部分。
面对被“卡住”的风险,保持乐观
很多人可能对中国的人工智能发展比较悲观,担心存在被“卡住”的风险,但我是相对乐观的。
算力确实是人工智能发展的一个很重要的部分,但除了算力之外,场景、场景之上的数据,以及工程师的能力也非常重要。我认为我们在算力外的其他几个领域中,并不存在显著的问题。甚至我们的场景更丰富、更多、更容易获取数据;数据和数据处理能力也不错、人力成本也都相对更低。所以我不认为我们处在非常劣势的位置。
但是在算力上,我们确实存在瓶颈,这也会影响我们的速度。比如说别人1个月训练完,我们可能需要10个月。但我觉得对人工智能最终在中国的使用,以及大范围地提高社会效率,产生的影响并不大。
即使是算力问题,通过一些其他技术解决方案,甚至有可能形成大规模算力的替代机会。
短期内我们可能会难受一些,但长期来看,我们不必悲观。大范围的模型应用能力,我觉得我们会更靠前。在这一领域,中国人的积极性、主动性和速度更快。因此,我觉得长期是乐观的,中短期相对比较困难,但可以克服。
另一方面,在具身智能领域,我觉得中国甚至可能会领先半个身位,因为我们的制造成本低,硬件创业公司多。
并且,我们的供应链能力、硬件制造能力都是全球领先的。明显多于其他国家几倍的工程师红利,也让我们具备了参与全球化竞争的机会和能力。
新闻热线&投稿邮箱:tougao@iceo.com.cn
特别声明:以上内容仅代表作者本人的观点或立场,不代表新浪财经头条的观点或立场。如因作品内容、版权或其他问题需要与新浪财经头条联系的,请于上述内容发布后的30天内进行。