经纬张颖：与60位AI创业者聊完后的判断和思考

-----------------------

作为一名资深的投资人，张颖坦言，面对新兴赛道时，也会感到“迷茫”。

前些日子，他接受采访时回忆，今年3月，连续出现了包括GPT-4、百度文心一言、Microsoft Copilot在内的多个AI项目，其迭代的迅速，让他感到了学习上的焦虑，即使是他十几年建立起来的学习、交流为核心的反馈纠错机制，也显得有些无力。

他将AI定义为变革性的风口。

在风险投资机构的世界里，定义一个风口，是一时的还是变革性的，主要看它是一个孤立的赛道，还是能带动一整条的产业链。

比如智能电动车，带动了动力电池、汽车芯片、自动驾驶等等方向的发展，所以我们称之为变革性的风口。

AI也一样，它包含了基础设施层、模型层和应用层，每个方向上都有颠覆性机会，具备变革性风口的形式特征。

最近几个月，张颖跟60多名AI领域的创业者，或是准备把AI切入自己业务的高管进行了密集的聊天，产生了一些思考和判断，即使三年后看不一定都对，但还是希望能给大家一些启发。

01 自己去实践：热议AI的那些人，也许根本没用过AI

“现在AI看似很热，但好像大多都是在讨论、在聊、在分享，而实际真正使用和应用的并不多，你怎么看这个问题？”

在与创业者或投资人沟通时，张颖经常会被问到这样的问题。

他举了两个很有意思的数字对比。

一个是从今年3月到5月，召开业绩电话会议的标普500指数的公司中，有110家公司的高管提到了AI，这是过去十年的3倍。

另一个数字是摩根士丹利最近做了一个2000多人的调研，结果竟然是有80%的人没有用过ChatGPT或是谷歌的Bard。

仔细琢磨，这两组数据很有意思。

摩根士丹利调研的群体，很有可能就是在这一轮热潮中讨论过、分享、演讲、提到过AI的那群人。

而这不是个例，现实世界的情况，应该和这组数字对比的体感差不多。

一面是大家都在谈论AI，另一面是真正用过AI产品的人不多。

一个可能的原因是，当前那些动不动十几亿美金估值，成千上万块GPU的故事，大量的专业词汇，都显得过于高大上了，拉远了我们和AI的距离，让我们虽然敢于谈论，但怯于实践。

作为投资人，尤其是关注AI领域的投资人，听别人说的，不如自己亲自去实践一下，因为那些说的人，很可能自己也没有用过，在生活中，在工作中，在产品中，多做一些尝试性的实践，来防止我们真的被这个新的AI时代所抛弃。

02 面对AI：即不FOMO，也不JOMO

ChatGPT并不是人工智能的鼻祖，2017-18年，人工智能就已经开始的新一轮数据和算力革命了，发展至今，是技术累积的量变到质变。

张颖以为，作为投资人既不要因为FOMO而仓促出手（Fear Of Missing Out），也不要因为JOMO（Joy Of Missing Out）而过于保守。

科技行业的投资就是这样，太JOMO了会错过科技大浪潮的板块性机会，太FOMO了又可能会被泡沫反噬。

相比美国OpenAI+微软+英伟达的模式，中国最终能成功的大模型公司，不管在联盟、商业模式、C/B端收入贡献等方面，都会有很大的不同，未来发展需要时间。

在经纬，张颖一直强调要“喧杂中冷静，冷静中持续激进”，有必要分清楚什么阶段是风口，什么阶段是价值。

张颖认为，AI才刚刚开始。

尽管AI发展是一条长期之路，但如果拿移动互联网的黄金十年（2010-2020）来比较，最优秀的公司其实应该成立于2010年之后的3-4年内。

03 大模型的发展方向：个性化&场景化

如果再看远一点，大模型产品的下一步可能是两个方向：

一、个性化：给它装上“记忆”。

之前大语言模型一个缺失的地方是，它缺乏记忆更新，每次当你重新打开ChatGPT，它并不记得你们的上一次对话。

有些AI公司正在这个方向上寻求突破，比如估值10亿美金的Character AI，和估值3.5亿美金的Rewind。

在我们接触的AI创业团队中，不少团队都希望产品有记忆能力，并且带来用户的个性化。

由于包含人类的情感，对你需求的理解，对你个性化的满足，这是AI比以前移动互联网时代更进一步的革新，令AI可以真正成为人类的工作助理或是陪伴者，这也带来了AI Infra比如向量数据库的机会。

二、场景化：给它装上“手”和“眼睛”。

如果你觉得ChatGPT只能问一些问题，还干不了太多事，那你需要去试试OpenAI Plugin。

这是OpenAI新推出的一个应用商店，上面几百个插件涵盖了衣食住行、社交、工作学习等各种日常所需场景，可以说是给大模型装上了“手”。

比如一个叫Klarna Shopping的插件，它的功能是比价，你只需要输入问题：

“请比较不同购物网站上索尼单反相机的价格”，ChatGPT就能给你答案。再比如KAYAK，它可以实时搜索航班、住宿和租赁汽车信息，根据你的预算提供旅行推荐。比如订酒店，你只需要问它：“请在纽约现代艺术博物馆附近找一家预算为每晚300美元的酒店。”

OpenAI正沿着类似苹果“硬件+App Store”的模式，迈向更高的战略系统地位，看到OpenAI Plugin上百花齐放的App，是不是有点类似曾经移动互联网创业的感觉。

而“眼睛”，则是多模态（文字、图片、影像等），我们日常不仅仅是通过纯语言（文本）来交流，通过眼睛获取的信息比例非常高。

像漫威电影里贾维斯（J.A.R.V.I.S.）、《光环》游戏里的科塔娜那样的高级AI，需要多模态的介入，这是重要的发展方向。

要想装上“记忆”、“手”和“眼睛”，离不开大模型成本结构的下降。

我们看到今年4月之后，训练+推理成本都在迅速降低。

而中国创业者一向在应用层会有很好发挥，在未来半年到一年，将以月为单位出现更多应用创新，我们也会很关注在技术和产品上领先的团队。

04 数据飞轮，是AI公司最该重视的东西

对AI产业链的一个经典划分，是基础设施层、模型层、中间层和应用层，应用场景的横向划分可以主要分为ToC和ToB。

在当下，如果一家AI公司真正能够脱颖而出，去挑战现有巨头，还得是敢于从ToC场景里寻求突破的，因为C端能带来的数据飞轮效应，可能是在AI早期决胜的关键。

现在最头部的AI公司，比如OpenAI、Character.AI，都是既做模型又做产品，这与移动互联网非常不同。

LBS、4G/5G等移动互联网的基础技术，和上层应用比如淘宝、滴滴还是相对分离的。

这不是一个偶然现象，是市场发展阶段导致的。

AI确实还处于早期的技术创新期，这个阶段的典型特征是需要用技术来驱动产品。

比如ChatGPT的创新之处就是用一个聊天界面，直接将大模型触达用户。

这是在技术渗透S曲线的早期，需要通过不断提升技术效果，才能够把产品做好，逐渐接近渗透率大幅提升的临界点。

在这样的阶段，数据飞轮就变得无比重要。

张颖提到，前几天他和Moonshot AI创始人杨植麟交流，杨植麟认为最好的情况就是模型不断为用户提供服务，然后用户不断为模型生成新的数据。

Midjourney一个很成功的地方是，它在自己最核心的流程中嵌入了用户反馈。

因为每一个用户都必须强制在AI生成的4张图里，选出最符合自己预期的1张，这就是一个巨大的数据飞轮。

而对ChatGPT来说，虽然也有这样的反馈机制，但并不在其核心流程里。

所以在产品设计上，如何形成反馈闭环非常关键，数据飞轮会不断优化模型能力，这种差距最终会决定能给用户提供多少价值。

无论是ToC或ToB的公司，打造反馈闭环、形成数据飞轮也是理所当然的一个选择。

而对一些从零开始的小公司，这件事可能会很难，但也因为你们没有包袱，所以也有机会。

05 机会：有专业壁垒的垂直模型

彭博最近推出了Bloomberg GPT，是把模型做小，参数量在50B左右，相比于GPT-3的175B小了很多，虽然削弱了通用性，但在金融领域就是更强。

这正应了前Google创始人Eric Schmidt的一个观点：未来会是多个垂直模型或者多个垂直助理，包括各种高价值、专业化的AI系统。

这是因为很多高价值、特定领域的工作流程，特别且必须依赖于丰富的专有数据集。

在国内AI与产业融合节奏上，也会有一些特有的机会。

特别是在实体经济、先进制造、智能驾驶等领域，国内的发展有可能会更快，会出一些更创新的模式、应用场景，大概率政策的支持也会非常明显。

AI时代可能会颠覆SaaS时代的很多想法。

我们在当下会去看一个AI应用有多少是GPT等大模型的能力，有多少是自己的能力。

如果壁垒太低，很多产品可能活不过GPT的一次迭代升级。

我们也在不断的思考哪些是新观察点。

在这场AI的浪潮中，我们多重视数据的重要性都不为过。

因为，从全球来看，数据都在变得更稀缺。

根据一篇联合研究《Will we run out of data？》，由人类原生的数据，未来可能会越来越稀缺，而高质量的自然语言数据，最快可能在2026年就会被大语言模型耗尽。

这意味存量互联网的数据有限。

对于国内的相关公司来说，大家也许会先达到一个标准水平，但之后如何改进，就要看怎么能持续获取合法合规、合商业逻辑的数据源，真正的价值会变成可持续性的高质量数据。

基于此，国内的大模型公司与各行业原始数据源头部公司的合作、绑定，可能会更深、更平等，甚至在某些领域数据源会更强势。

这种背景下，大概率会出现不同角度、立场、行业为主的大模型公司，模型+算力+数据+场景，将是成功公司最本质的四个维度。

06 拥抱AI而获益的案例：Character.AI和Notion

ChatGPT在你下一次跟它开启聊天时，是不记得上一次你们聊了什么，但Character.AI记得。

Character.AI是一个很有意思的应用，它是一款基于AI大模型的聊天机器人。

相比ChatGPT和New Bing而言，记忆功能是Character.AI一个很强的特点。

你可以在上面创建和训练自己的个性化人工智能，也可以选择已有的公共虚拟角色，比如埃隆·马斯克、苏格拉底等等。

你可以和马斯克聊火箭，可以和苏格拉底谈哲学。

这种应用场景的实现，直接的结果就是在移动端不到一周的时间内，被下载了170万次，是ChatGPT 3倍多，在4月有接近2亿的访问量。

不仅增长很快，用户在Character.AI上的停留时间也很长，每次访问时间达到了25.4分钟。

这在未来，也指向了有一定角色意识的虚拟人，虽然伦理上可能还有一些问题，但离实现并不远，通过软硬件的结合，会有很大的想象空间。

Notion是一家十年前成立的公司，它是一款个人笔记软件，可以用来写博客、社交媒体文案、会议纪要、工作邮件等等。

在去年底第一波接入ChatGPT后，这个产品一下子引爆了。

因为它上述的这些功能与ChatGPT融合后，生成的内容只需要简单修改就可以直接使用，它的应用场景被大大简洁、高效、强化了。

这种应用场景的实现，直接的结果就是Notion只用了一个月就做到了1000万美元ARR收入。

07 专业化、垂直模型的先行场景：DoNotPay和法律应用

由于大模型在文本处理方面是最成熟的，所以在文本很多的法律行业有天然优势，这在海外已经被验证。

美国有一家叫DoNotPay的热门公司，它主要提供针对“小官司”的AI法律服务。

对于很多小事，大家往往也不会去打官司，因为性价比太低。

DoNotPay利用AI将整个法律流程数字化，个人很容易操作，并且只收取少量费用。

比如你想停掉健身房的会员费，在美国很多地方都缺少人工客服，而且需要很繁琐的手续来退费。

用DoNotPay，就可以帮你找到正确的联系方式，写完备的申斥邮件，帮你退费。

而这种场景只是DoNotPay上百个帮人解决切实痛点的法律场景中的一个而已。

你可能说美国和国内不同，那再举一个国内公司在法律领域使用AI的例子。

经纬有一家食品消费类被投公司，他们就在法务环节用到了AI。

他们的法务部门每天最头疼的事情，是确认某种营销话术能不能对外说，这种判断在之前非常依赖于个人经验，耗时耗力，效率不高。

他们用AI试了3-4个月，效果非常好，即便再经验丰富的人也很难达到AI的判断质量和效率。

AI甚至能告诉你涉及哪些法律条文，以及曾经类似的判决案例是什么，非常便捷。

这些场景其实都非常普遍，只是我们还没有特别便捷的入口去应用，但这就是机会。

08 虽然很小，但意义重大的例子：医疗领域的应用

张颖讲了一个美国急诊科医生的经历，他在凌晨3点治疗一位96岁的老年痴呆症患者，由于她的肺部有液体，所以呼吸困难。

患者的三个孩子也都是70多岁的老人，他们也在急诊室里，情绪激动、言辞激烈，他们根据自己的经验开始不断提出要求，但这些要求实际上对这位96岁的患者是非常错误的。

由于还有好几个病人同时需要处理，如果这位医生去和这些70岁以上情绪不稳定的家属解释、争论，非常花时间并且影响治疗。

这位医生给ChatGPT-4下了一个“为什么不能给严重肺水肿和呼吸困难的人进行静脉输液，并且用富有同情心的语言来解释”的指令。

ChatGPT写了一篇非常好的回答，医生让护士把这篇回答念给这些家属，听了这篇有道理、有逻辑、有同理心的解释之后，家属们激动的表情融化为了平静的同意。

这个例子让张颖印象很深。

像急诊室这种时间紧迫的时刻，如果ChatGPT能为每位患者平均节省5分钟，每年急诊室就诊人数超过1.3亿人次，这意味着每年可以节省1000万小时的时间。

即便这个计算很理想主义，但即便数字再缩小十倍，那也极为有意义。

这其实是一个非常小的场景，不涉及到付费和业务流程，但这就是拥抱AI最细的颗粒度。

09 一些ToB场景的例子

除了ToC的例子，还有很多ToB场景中，AI都起到了关键的作用。

比如电商场景中营销物料的生成，质量上不会显著低于人工，但成本会降低1-2个数量级；在消费品行业，AI可以自动化生成多个专业级产品概念，供客户在产品研发初期选择使用，启发早期灵感；在人力资源领域，AI可以高效地根据HR的需求，自动化筛选某个岗位的所有简历，大大提升HR的工作效率；在编程领域，如今GitHub上有41%的代码是AI生成的，这个过程仅用了6个月……

这些场景可能离在座的一些人相对远，但离一些人一定也非常近。

10 跳出固定思维，参与AI新时代

一个很有意思的话题，有人总是觉得AI如果发展的非常迅猛，它最后大概率会变成人类的灾难。

张颖之前和很多人讨论过这个问题，这个判断的前提其实还是从我们的一些固有观念出发去思考AI，认为它会对“统治、占有”这些人类根深蒂固顽疾有继承性、一致性。

但也未必，或许AI对这些压根没有兴趣也说不定。

不要用人类的固定思维去揣测AI的思维，这样会让我们退步的更快。

当然，这并不是说在AI发展的过程中，不需要监管或者警惕。相反，在AI发展的初始阶段，对使用AI的人的约束和监管可能是更加有必要的。

等到发展到一定阶段，我们需要的也许就是跳出固有思维，放弃揣测AI这件事，也许它会颠覆我们更多的思维方式。

这点也许是我们这些今天参与这个新时代的人，最应该去拭目以待的事情。

“对我们做投资的来说，winning is so sweet because most of the time we lose，有这个心就好。”张颖说。

END