这一波大模型浪潮，哪些是创业者的机会，哪些不是？浩哥总结了AI大模型创业的五个核心问题随着ChatGPT的发布，AI/大模型赛道真是风起云涌，一日千里。作为一个互联网老兵，很多朋友问浩哥AI这一波和当年互联网怎么比？其实区别还挺大的，互联网的核心价值是连接信息，AI是理解信息。举个例子：我们去图书馆借一本书，互联网是帮助我们找到这本书。而AI是把这本书仔细读一遍，融汇贯通，还可以回答任何问题。前者当然有意义，但是后者的价值显然要远远大于前者。
像陆奇老师说的，Google的价值是把信息获取的边际成本降为0，ChatGPT的价值是把知识获取的边际成本降为0，这是互联网和AI的价值差异。也正因为如此，长远一点来讲，知识对于一个人可能不是必须掌握的。
就像今天你去面试，没有任何一家公司会考你两位数乘法，为什么？因为这个技能计算器可以轻松解决，未来知识很可能一样。如果知识能够这么轻易的获取，为什么我们还需要掌握呢？所以未来一些知识或者经验推动的领域，会遇到很大的挑战，例如医生、律师、会计师等等。甚至我们目前的教育体制都会受到冲击。
远景的话题我就不展开了，重点和大家聊聊大家所关注的：这一波大模型，哪些是创业者的机会，哪些不是？
一创业公司能不能做通用大模型？
首先中国一定会有自己的ChatGPT。这跟搜索引擎一样，我们有自己的合规要求。但是中国版的ChatGPT只会在5家公司里产生：BAT+字节+华为。这意味着创业公司或者那些纯为了炒股价的A股上市公司很难有机会。当然我这个说法会得罪很多创业者。包括我的朋友王小川也在相关领域创业，以及很多FOMO的VC朋友，现在也在信誓旦旦一定要投或者已经投了大模型创业团队。
为什么浩哥这么讲？浩哥现在虽然是投资人，但在更长的时间里，我更是一个创业者。所以我深刻的理解，创业者在什么情况下能跑赢大厂？核心是必须有先发优势。那凭什么你比大厂有先发优势？无非就是以下几种可能性：
大厂没看懂，觉得这事没价值；大厂没看上，觉得市场太小；大厂没看清，技术路线比较多，想等创业者验证；大厂觉得离自己主营业务太远；也就是只有在非共识的情况下，创业公司才有机会“抢跑”，获得先发优势。但是今天我们看ChatGPT这个赛道，完全不是这个状况。
首先，大厂都极其重视，可以毫不夸张地讲，都是一把手工程。百度的CEO李彦宏也好，阿里的CEO张勇也好，都是亲自站台。可以说没有一家大厂不重视。其次，大厂肯定比创业公司有流量、有钱，通用大模型还是一个挺烧钱的事。但是其实以上这些，都没有“场景”更重要。大厂的核心优势是自带场景。例如：
百度会把问答和搜索集成，就像NewBing一样。我现在首选的搜索引擎就是NewBing，而不是Google。因为在NewBing搜索后，会直接给出答案结果，而不是Google那样给个列表，你还得一个个点进去查找。当然有时候如果你觉得NewBing在乱讲，那你再去Google自己查询。微信一定会植入一个类似个人助理的AI，用户问问题也好，订个机票、点个外卖都可以完成。微信这个场景，我觉得是整个中国互联网大模型落地的最佳场景，没有之一。因为大厂的这些超级APP里面，只有微信是自然语言驱动的，其他的APP都是在手机屏幕上划划点点。而且微信有了授权，获取了个人语料之后，还可以个性化。所以我觉得这个事在腾讯内部，大概率已经在路上了。?阿里已经宣布了第一批集成大模型的产品是天猫精灵和钉钉。这两个场景太顺其自然了，天猫精灵类的产品现在都很傻，只能问问天气，开灯关灯之类的，完全不支持多轮对话，有了大模型赋能，能干的事情就多了。钉钉的集成也很自然，其实就是微软Office系列的Copilot功能。?字节的飞书和钉钉也是类似。?华为和以上大厂比起来，场景是相对比较弱的。华为做这事的核心原因是为了服务云计算，ToC的落地场景主要是华为手机。从这个意义上讲，大模型对于小米等其他手机厂商也是机会。为什么说落地场景如此重要？因为没有落地场景你的技术就没法迭代，没法持续优化形成数据网络效应。所以创业公司的痛苦之处也在于此，自己没有场景，像ChatGPT一样推问答，你还没流量。这就是为什么我说创业公司很难在这条赛道上跑出来，纯粹是浪费钱的原因。
当然有人会挑战我说，浩哥你说的不对呀，人家OpenAI不也是创业公司吗？那事实恰恰是，当时Google等国外大厂没人觉得GPT能跑出来，所以才给了OpenAI先发的机会。但今天这个事对于中国的大厂已经是显而易见的共识，甚至百度、阿里动作比创业公司还快。
所以创业公司做通用大模型，非常难。但是从投资的角度并不错，因为早期项目80%是投人，也许他们会转型到垂直模型，也许会做成一个超级APP，也许会被并购。毕竟大部分成功的公司，最后做成的事都不是他们一开始想做的事，只要创业团队人牛就行，就像腾讯最开始也不是做即时通讯的。
二通用模型vs垂直模型？
ChatGPT既然这么聪明，是否还有垂直模型的生存空间呢？当然有。我随便在NewBing搜“微软的股票会涨么？”，得到的信息，其实没有任何价值。
当然有的人会挑战说，是因为GPT的泛化能力还不够。随着技术的的演进，这个问题会被解决。泛化能力当然是一个问题，但更核心的问题是各行各业都有自己的Know-How。这些最有价值的Know-How很可能不在互联网上，而是在企业的私有数据库里，甚至在一部分专家的脑子里。ChatGPT连信息都没有，自然也不会形成这方面的知识。这也是Bloomberg推出BloombergGPT的意义。
事实上，越是high-value，越是MissionCritical的领域，垂直模型的价值越大，例如自动驾驶，通用大模型没法直接用，因为缺乏数据、缺乏cornercase训练的大模型是很难干容错率这么低的工作。
同理，越是low-value，越是none-mission-critical的领域越适合通用模型。比如：问答。GPT其实经常胡说八道，但是无所谓，人有判断力，你可以去纠正他，这在自动驾驶这样missioncritical的领域肯定是不行。再比如写作，本来也不存在唯一正确的答案。比如以文生图，不存在对错，你不满意就让AI一次生成100个，你从里面挑总可以了吧。?
所以垂直模型的价值是非常大的，这会产生非常多的创业机会，因为行业太多了。一般来讲，垂直模型企业也很少选择自己从头做，而是找一个还不错的pre-train过的大模型，在他基础上做instructiontuning。这就带来下一个问题：到底应该选择闭源大模型，还是开源大模型？
PhotobyDkoionUnsplash三
开源模型vs闭源模型?
ChatGPT目前如日中天，但是开源模型也是如火如荼，未来的格局会是什么样？
浩哥先说结论：未来美国和中国，每个国家都会有1~2个闭源模型，剩下的都会开源。我们回顾iOS和安卓就容易理解：
iOS作为第一个智能手机操作系统，一出来就惊艳全场，安卓选择开源迎战。目前全球范围iOS和安卓的市场大概是2:8。如果安卓当年也选择闭源呢？大概率最多获得iOS市场的一半，然后第三家智能手机操作系统公司选择开源，最终iOS、安卓、第三家的市场份额比例可能是2:1:7。所以你是安卓，你是选择闭源获得那10%的市场，还是选择开源获得80%的市场呢？
这事放在大模型也是类似。只有前1~2两名有资格选择闭源，从第三名开始，反正也追赶不上了，选择开源才最符合他的利益。
开源对于闭源最大的优势就是对私有数据的保护，这对于个人来讲好像无所谓，但是对于企业用户是一个非常核心的问题：我做一个SaaS产品，也想用大模型赋能，但是我并不想把我的行业Know-How和我企业内部的一些私有数据，透露给我的竞争对手，因为这是我的核心竞争力，怎么办？只能选择开源，自己host自己的大模型。如果你选择闭源，不论你使用PromptEngineering的方式，还是选择GPT-index服务，都有可能出现三星那样的机密泄露问题。因此我判断：企业服务应该是开源模型的天下。?
其实最有动力开源大模型的是云计算厂商，因为虽然开源不赚钱，但是你总需要云服务吧？用我的云就好了，这就是典型的羊毛出在猪身上的商业逻辑。因此像阿里、腾讯、华为这样的云服务厂商都会是大模型开源的支持者。?
目前在美国，ChatGPT选择了闭源，但是出现了一堆以动物名字命名的开源大模型，甚至我认为OpenAI未来也会可能会推出一个开源大模型：闭源模型继续服务ToC，例如问答、Co-Pilot等，但也为ToB提供一个开源模型，允许合作伙伴自己部署。
当然，通常开源模型参数不会是1750亿那么多，这么大的模型对基础设施要求太高，很少有合作伙伴能跑起来。开源模型通常会被缩小规模到几十亿到上百亿参数。四
AIGC+vs+AIGC？
还有一个创业者非常关注的问题：那就一个创业机会到底是AIGC+，还是+AIGC？换一句话，就是AIGC原生，还是AIGC赋能？
做任何一个领域，比如说智能客服，创业者可以直接以AIGC做智能回复为切入点，然后把客服的全流程都做了。当然也可能，我之前就是做客服系统的，现在把AIGC能力加上。好像听起来两边都能做，而且也一定会相互渗透，那谁更有优势？我觉得取决于两点：
第1点，也是最重要的一点就是，要看AIGC在全业务流程价值链的比例。如果这条赛道全价值链是100，AIGC只占10%，说白了你从AIGC切入，你得把另外90%补齐，这个太累了。对比来说，竞争对手在产业链里深耕多年，90%已经有了，只需要补缺AIGC的10%，你觉得哪个容易？肯定是+AIGC更容易。所以到底是AIGC+，还是+AIGC，首先取决于AIGC在全业务流程价值链的比例，这是最核心的判断标准。
第2点，取决于这个业务AIGC的护城河有多高。如果传统企业也意识到了AI的价值，也开始做+AIGC，并且轻松就能做到你的水平，那你想从AIGC+切进去就很难。但反过来说，假设AIGC部分只在全产业链占30%，但这30%却有极高的门槛。那些竞争者即使跑赢了70%，但不好意思，剩下这30%的他们做不了，那这也是AIGC+的机会。
例如以文生图Midjourney，生成的图片质感确实不错，这就变成了他的护城河。但是Adode也推出了Firefly，如果Firefly也很快达到了Midjourney的效果，那Midjourney的生存空间就会被极大压缩。因为这个全业务流程里，Adobe可能占了70%，以文生图只占30%。但只要Firefly追赶不到Midjourney的效果，那后者就有自己的生存空间。
当然，既然是服务垂直行业，不管是AIGC+，还是+AIGC，创业者懂行业始终都是非常核心的。五
ToC还是ToB，国内还是海外？
ToC、ToB，国内、海外把市场分成了四个象限。我和大家分别说一说。?
首先是国内ToC。其实大模型做ToC的场景非常多，问答也好，个人助理也好，社交也好，但整体感觉偏巨头的赛道，因此国内ToC总结成一句话就是：夹缝中做爆品。
虽然ToC确实容易出爆品，但是前提得有流量红利。我在2016年刚开始做投资的时候，虽然还没想好具体投什么，但已经明确了不投什么，就是绝对不碰纯APP。因为我做了这么多年互联网，深刻感受到那时候流量红利已经没了。事实上从2016年之后，国内纯APP跑出来的独角兽很少，所以我们的结论基本上是正确的。
但毕竟还是漏了一个拼多多。拼多多本质上也是流量红利，就是那些用微信但是不用淘宝的人，全中国有4~5亿，以3~5线城市居多。我们平时多在一二线城市跑，并未能关注到。而且这个流量红利还在阿里的竞争对手手里，腾讯选择了扶持拼多多，没有自己亲自上场。
除了流量红利之外，还有一个就是做ToC，大厂比较容易抄你。当然你自己还没搞明白的时候，大厂也懒得理你。你一旦PMF了，大厂就开始重视。所以这是典型的国内ToC市场，夹缝中做爆款。?
另外用大语言模型做国内ToC，会有比较高的合规成本。因为通用领域，你也不知道用户会问什么。严重一点的就是竞争对手会故意找一些敏感话题，然后去举报你，这就非常恶劣了，在互联网时代国内发生过很多起。相比ToB就好很多：没人会跟一个客服机器人聊今天天气怎么样。?
第二个是国内ToB。大模型可以赋能的ToB赛道实在太多了，包括法律、电商、招聘、设计等等行业。但国内ToB也继承了中国ToB市场已有的问题，就是天花板比较低。?
财富500强里确实有很多中国企业，但你仔细一看几乎全是国企和央企。他们的采购一是市场化程度不够，二是几乎都要求私有化部署和定制。而市场化程度高的民企普遍没钱。?
中国IT支出只有美国的1/6，很多还在央企和国企。国内SaaS上市公司的人均产值，是30-60万人民币，美国是30-60万美元。这就是中国企业服务的现状，而且不是短期就能改善的。?
所以做国内的企业服务市场，必须得耐得住寂寞，有韬光养晦的心态。?
第三个是做国际ToC。例如Lensa.ai，Jasper.ai、Copy.ai、Midjourney等(我把部分PLG产品也归纳到了此象限里)。
首先，国际ToC本身已经偏红海了，类似Jasper的公司，已经不下十几个了。其次这些公司今天也面临着巨头的竞争，例如Jasper面临的是Office的Copilot和NotionAI的竞争；包括上文提到的Midjourney面临AdobeFirefly的竞争。所以这些创业公司是否还能像过去那样野蛮成长，还是有很大的不确定性。?
问题的核心原因就是护城河稍微有点窄。之前微软Teams+Office全家桶PKSlack也是类似的案例。?
第四个就是利用AIGC做海外ToB。好处当然是海外B端的支付能力和付费习惯都比较好。我专门问过几个硅谷创业公司的CEO，基本上美国这边3-5人的startup每年在SaaS上的费用都在几千美金。都是直接下载安装注册然后付费，全都自助完成，没有任何教育成本，因为在之前的公司就是这么用的。
中国人做海外ToB的优势就是比较勤奋，迭代速度快，中国创业者996是默认，海外根本不可能。所以中国人做SaaS一个月可以迭代3次，海外同行可能是3个月迭代一次。所以如果你本来就是做ToB的，与其在国内卷，还不如出海卷外国人。当然做海外市场，对创业者背景还是有一定要求，最好是有一定的海外生活经历，特别还在海外的ToB企业干过更佳。?
最后，我前几天对远望的被投企业做了一些调查，发现超过50%的企业都已经开始用AIGC/大模型来提高内部效率了，还有好几个企业已经在他们产品中集成了AIGC/大模型来对外提供服务了。所以AI的渗透远比我们想象的更快。?
如果你是一名创业者，也想探索这方面的机会，欢迎随时和我们联系，一起开拓新的大航海时代！
郑重声明： 本文版权归原作者所有， 转载文章仅为传播更多信息之目的， 如作者信息标记有误， 请第一时间联系我们修改或删除， 多谢。