后疫情時代，虛擬場景的運用頻率顯著增加，尤其是演唱會和發(fā)布會等大型活動。虛擬場景由重新建模的虛擬畫面組合而成，可以讓表演者在任何環(huán)境下演出。
如果說在過去的半年中，全球的科技行業(yè)中有什么風口是如同乘上了火箭速度般一騎絕塵的，那么非「大模型」莫屬了。
創(chuàng)業(yè)者們已經站在了集合的十字路口。拋開他們的上一個身份——比如，從業(yè)幾十年的相關科學家、剛剛離開象牙塔的博士、各大互聯網巨頭的技術業(yè)務負責人，如今他們的身份都是：大模型創(chuàng)業(yè)者。
大模型創(chuàng)業(yè)賽道似乎已經迎來新一波「群星閃耀時」。大模型奠基之作、也就是Transformer論文的八位作者，到2023年7月，已經全部都離開了谷歌，選擇自立門戶投身創(chuàng)業(yè)——并且基本是一離開谷歌就能拿到頂級投資者的支持。中國的大模型創(chuàng)業(yè)名單里還有不少明星創(chuàng)業(yè)者的公司，比如創(chuàng)業(yè)工場CEO李開復在年初上線的公司「零一萬物」，前搜狗CEO王小川的「百川智能」，前京東AI掌門人周伯文的「銜遠科技」等等。
大模型狂飆的背后，我們要如何理解它短期內產生的熱度，和長期可能帶來的影響？支撐大模型運作的要素是什么？而在大模型創(chuàng)業(yè)潮似乎席卷了每個科技從業(yè)者的當下，站在不同視角的投資人和創(chuàng)業(yè)者，他們又是如何理解這一趨勢的？
AI與大模型的進化歷程
我們今天之所以會對大模型感到振奮，一方面是因為語言大模型所展現出來的表達能力、知識容量以及提煉能力讓很多人嘆為觀止，另一方面是因為在圖像生成和一些素材創(chuàng)造方面，大模型正逐步釋放大量生產力。所以如果簡單來說我們如何看待大模型，我認為它給了全行業(yè)甚至是整個人類文明一個很重要的信號，就是這條路線具有長期且深遠的價值和產出潛力。
這是投資人羅超。他用「振奮」這個詞來形容大模型給他帶來的震動，事實上，這也成為了科技行業(yè)大多數人的普遍認知——圍繞大模型展開的角逐早已達到白熱化的程度。
盡管時至如今，大模型這個概念正在逐漸祛魅，市場也逐漸回歸理性，但國內外的大廠與創(chuàng)業(yè)者仍然沒有放棄追逐風口。Meta、華為、京東、科大訊飛、字節(jié)等公司都持續(xù)有大模型研發(fā)的新動態(tài)，而回歸「大模型」的價值本身，在流量與資本紅利之外，人們更看重的，或許就是羅超說的——它給全行業(yè)乃至整個人類文明的重要信號，這條路線本身是有長遠價值輸出的。
讓我們回到大模型誕生之初，把它放到一個更大的范疇里看——也就是AI。
最早不被看好的OpenAI通過ChatGPT的成功把大模型的訓練成果帶入大眾眼前，而創(chuàng)始人Sam Altman曾經說，如果你覺得你已經懂了AI對人類社會帶來的影響，那你大概率是沒懂，而且需要再更多地研究一下。如果你覺得你已經搞不懂AI了，那你才是真的懂了。
這背后對應的一件事或許是，作為AI應用分支的大模型，它所涌現出的能力遠遠超出人們對它的常規(guī)預期，而未來甚至可能超出更多。新一代的AI可以說是「任何人都能以最低的門檻使用它們以提高生產力，或者完成創(chuàng)作」。
那么，這種能提高生產力的新一代AI是如何一步步走到今天的？
我們都知道最早的AI概念是上個世紀由圖靈提出的，同時代的另一位科學家馮·諾依曼提出了一套電子計算機通用架構，可以說是現代意義上的AI雛形，這套架構也沿用了幾乎七十年。
此后的劃時代事件是1997年，當時IBM的機器人深藍打敗了國際象棋冠軍卡斯帕羅夫，在全球范圍內引起了轟動；不過當時的AI是基于logic也就是「邏輯」的——簡單來說，當時的電腦遵循的基本是“If...then”的邏輯，人類給計算機輸入大量的規(guī)則和邏輯，計算機在面對問題的時候，根據設定好的邏輯法則，檢索知識庫或是推演來找到答案。本質上，機器并不具有自主學習的能力，而且人類能夠為機器輸入的邏輯法則是有限的，也無法做到無限地窮舉所有可能性。
在這之后，「機器學習」和「深度學習」的概念出現了，但更多是落在研究層面的。真正迎來爆發(fā)之前，業(yè)內經歷了大大小小的眾多突破性時間點——比如2006年，英偉達推出了革命性的統一編程軟件CUDA，降低了GPU的應用門檻；2009年，斯坦福的計算機科學家創(chuàng)建了ImageNet，用于訓練計算機視覺算法。
深度學習的真正爆發(fā)是2012年。這一年的關鍵詞是名為AlexNet的深度神經網絡。當年的大規(guī)模視覺識別挑戰(zhàn)賽上，獲勝的冠軍第一次使用了這種深度學習架構，圖像識別正確率達到了84%。對于大眾來說這意味著什么呢？——當今我們已經習以為常的圖像搜索、看圖識別等功能，某種意義上就是由AlexNet奠定了基礎。所以如果我們回看2012年的《紐約時報》，11年前的主流媒體才剛開始為「機器也能夠精準識別圖片」這件事感到驚嘆。
2012年后，包括計算機視覺在內，還有語音識別、自然語言識別，這類「識別型AI」一度風頭無兩，且被寄予厚望。但在2019年，AI繁榮一度戛然而止——當年的AI融資金額比起2018年幾乎縮水了一個0，AI初創(chuàng)企業(yè)的數量也大幅縮水。當時的一個門檻就在于，識別性AI大多采用的是專門為特定任務訓練的小模型，但它很難在更大范圍內解決多個不同的問題。在落地應用時就帶來了問題：沒有通用型的AI，一個需求需要定制不止一個AI，而這么做成本太高了。
而且你大概會有同感：早期的AI好像多少有點不太聰明，有時甚至它的回答方式，文不對題中還帶著點油膩。一直到——ChatGPT橫空出世。
上一代產品之所以會采用俏皮的態(tài)度來回答用戶的問題，是出于產品形式上的需要。因當時的技術還做不到對所有問題都給出正確的答案，這是只有模型達到一定規(guī)模后才能去做到的事情，既然做不到，那么就要在產品形式上采取一種更容易被用戶接受的方式，比如俏皮或油膩，以掩蓋模型在能力上的不足。
因此這是產品選擇而非故意如此，這樣用戶可能會把它看成小孩，而大人對小孩總是寬容一些。如果它一本正經地回答，你會覺得不行，相反它用這種語調來回答的時候，你會感覺還可以，好像它能理解你的意思，這都是之前技術的限制。
為什么大模型這個概念特別火？我覺得是因為ChatGPT這樣的產品使人們真切感受到大模型在體驗上已經具備智能。我們并不認為AlphaGo具備思考能力，對于圍棋的任何一個局面，它都能很快地計算出勝率，即這樣走下去以后獲勝的概率是多少，但它只是按照傳統的辦法查看后續(xù)幾步然后找一個勝率最高的走法，而人類對于勝率的判斷可能沒有它準確，因此在水平上存在明顯差距。
與此相比，我們認為ChatGPT具備智力，因為它展現出推理能力，能夠按照有條理的思維邏輯逐步回答問題，甚至能夠糾正用戶的錯誤，這些都表現為一種智力，與AlphaGo的表現完全不同。
這是徐串。架構師出身的他，在2022年成立了一家初創(chuàng)公司，專注于人工智能平臺的研發(fā)。在他看來，在參數達到一定程度、用了最基本的訓練之后，大模型自己本身已經具備了問答的能力，而人類要做的是「如何把它激發(fā)出來」。
模型已經存儲了許多知識，但人類語言表達相對復雜，需要通過instruction來訓練模型。比如寫好問題后，應該這么回答，應該分步驟，怎么用思維鏈的方式，這些都要全部輸入進去，訓練以后，它就自然地涌現出了這樣的能力。
目前真正要做出一個這樣的大模型，可能門票是10億人民幣。然后能不能做出來，還要看這方面的經驗之類的，因為在訓練模型的過程中會遇到很多的問題，就像有時候不收斂，有時候崩了，突然開始胡說八道了，怎么樣訓練，怎么樣讓它在各種反饋上更像人類的思考方式，這需要很細致的工作，沒辦法一下子就突破。因此，當前模型之間的差距主要在于時間積累，就像谷歌、OpenAI做的東西讓人感覺有智能，但其他的公司總覺得有點差距，就是因為這方面的積累還不夠。
他所說的「時間積累」，背后的另一層含義是——你需要有足夠的資金與人力來支撐模型的訓練與技術革新，而這一周期或許是相當漫長的、且投入產出比并不確定。OpenAI的成功遠遠不是「天時地利人和」，GPT也不是突然達到今天的水平的；在ChatGPT引爆全球之前，OpenAI也經歷了GPT-1、GPT-2的蟄伏期，但關鍵的是，他們愿意投入資金為創(chuàng)新的邊界買單——即使它成功的概率可能只有1%。
另一方面，要讓機器能夠處理復雜的文本，達到甚至超越人類智慧的水平——資金量、算法、算力和數據規(guī)模都至關重要。這也就是業(yè)內常常說的，算力、算法和數據是做好大模型的三要素。
從算力角度來看，大模型對訓練算力需求非常高，ChatGPT的公開數據顯示，它的整個訓練算力消耗如果折算成時間，按照每秒計算一千萬億次來算，也需要計算3640天。而算力的相關設備就是GPU芯片，行業(yè)內有人估算，ChatGPT硬件需求的最低門檻是1萬塊英偉達的A100芯片，算力的硬件投資規(guī)模達到10億人民幣。
而算法拼的是人才，它背后的本質要求也是資本——當公司擁有了足夠大的體量，才有可能匯集更多優(yōu)秀人才去為大模型服務。
今天要做好一個真正意義上的通用大模型，所需要的前期投入成本是非常高的，可能幾千萬美金只是一個入場券而已。這三件事情背后所對應的，就是你是否有足夠的資金量、是否有足夠的底層的科研人才和算法人才，以及是否有對應的場景所需要的數據，Know-How這些東西，來幫助你去完成好一個更完整的產品。
但在算力這件事情上，越有錢就越能夠掌握更多算力，更能支撐起這么大的算力去做，所以它是傾向于更集中。算法這件事情，其實全球目前來看，雖然還是有一些小的細微差別，但是在大模型這件事情上，大家的認知和算法的起點是高度一致的。在這種情況下，算法上其實拼的是人才，而人才又會傾向于集中，因為理論上越多的優(yōu)秀人才聚在一起去為一個大模型服務，產生的效能一定是很高的。
大模型是只有巨頭才有入場券的游戲嗎？
對資本的要求，多少決定了我們如今看到的大模型賽道的熱鬧，大多都是巨頭的狂歡。
大模型這個市場似乎容不下太多的公司——初創(chuàng)企業(yè)在入局大模型的時候，多少會考慮投入產出比。晚點的報道里提到，在ChatGPT教育中國市場以前，創(chuàng)業(yè)公司算力資源有限，注定向投入產出比更高的主營業(yè)務傾斜，投資界的關注點更集中于應用，而不是底層的大模型。而最早的企業(yè)客戶也是猶疑的態(tài)度：你做大模型，但我們用不起。
基礎性大模型在當前階段一定是一個非常燒錢的生意。我看到一組OpenAI的數字，包括數據中心和整體模型投入，成本大約為440億美元，再加上人工等成本，訓練這一模型需要巨額資金。同時全球各地的用戶提問會導致model serving成本上升，因為每次提問都需要調用算力進行計算，成本相應增加。但是隨著時間推移，問題可能會呈現收斂，如果通過把一部分的結果緩存的方式，成本、開銷應該會有壓縮和下降的拐點，但這個拐點現在有沒有到，我還不太清楚。
這是堵俊平，同為AI賽道創(chuàng)業(yè)者的他此前主要從事的是開源相關的工作。在他看來，大模型燒錢，未來勢必會走向集中，但這并不意味著容不下更多入局者。基礎性的大模型，或者說通用大模型，或許更多是巨頭的游戲；但是當模型面向行業(yè)、面向應用，也會誕生一些結合行業(yè)的、趨向中型的模型，也就是垂直領域模型。
在這個領域里有很多新的機會出現了，很多公司，包括一些初創(chuàng)企業(yè)會往這個方向在走，一方面做自己行業(yè)的模型、應用的模型，另外一方面想通過模型構建競爭壁壘，所以在很多個行業(yè)其實都存在著被顛覆的可能。
OpenAI在做的通用大模型仰賴技術團隊與資金支持，在這個賽道中，創(chuàng)業(yè)公司很難獲得先發(fā)優(yōu)勢；但偏應用的垂直大模型，更多地是利用行業(yè)數據，提供更精準的解決方案，只關注某個特定的領域或場景。此外，它還可以利用一些開源或閉源的通用大模型，依據自己的目標領域的需求，做指令的微調，使其更好地匹配特定需求。
在HR Tech賽道，從業(yè)者們就正在探索大模型的垂直應用嘗試。
我們現在絕大多數產品的形態(tài)，還是以商業(yè)化的大模型為基礎，通過調用其能力，結合特定的數據、場景和API去實現，其他可能的形式仍處于探索和構想階段。
目前，大多數產品仍然以商業(yè)化的大型模型為基礎，通過調用其能力，結合特定數據、場景和API進行定制改造。其他可能的形式仍處于探索和構想階段。
這是HR SaaS廠商Moka的CEO李國興。在他的觀察中，大模型如今應用在HR領域還是有一些細微的偏差存在，這也是HR領域垂直大模型的價值——
其實任何一個專業(yè)領域的知識，往往跨度大且難以獲取或理解，這些知識構成了業(yè)務或職業(yè)所需的技能和積累。比如在與人事打交道時，就需要知道專項、補償金的概念。另外存在一些專業(yè)術語，GPT的理解沒有那么深。比如我們去問它，在一些場景里面的匯報上級是誰，它可能會答出來，但如果問它直接上級是誰，它不一定能理解這個概念，這種細微的語言差異可能導致其對概念的誤解，這種概念的背后其實都是知識。
而垂直模型的落地如今也有不少相對成形的嘗試。比如彭博就在今年4月推出了首個金融垂直領域的模型，這個叫BloombergGPT的模型專門使用大量金融數據進行訓練，能夠改進現在很多金融企業(yè)的自然語言處理任務，金融相關的新聞分類、問答、情緒分析、命名識別都會更成熟。在國內，學而思也曾表示過，正在自研名叫MathGPT的數學大模型，行業(yè)內的大模型大多以閱讀、寫作應用為主，而他們的垂直模型，則以數學領域的解題和講題算法為核心。
從投資人的角度，羅超是這么解讀的：
通用大模型長期來看，它一定會是高度集中，但不會是一家獨大，這是我初步的一個判斷。高度集中的原因很簡單，因為通用大模型的前期投入非常大，而它后續(xù)的使用成本，也就是邊際使用成本恰恰是不高的。也就是說前期需要投入大量的錢，但一旦開始商業(yè)化，每一次調用的邊際成本相對是偏低的，所以它一定是需要重資本密集型投入，并且需要非常長的時間和人力和資本累積才能夠做出來的。
世界上不可能存在數百個、數千個大模型。一方面是因為我們今天人類文明所掌握的算力資源、電力資源、人才資源都不足以支撐全世界有數千個甚至更多的大模型同時發(fā)生。另一方面一旦大模型做出來之后，因為邊際使用成本很低，所以越集中的巨頭越有優(yōu)勢把這樣的服務提供給更多的使用者和應用開發(fā)者。
在互聯網時代，大量的公域數據都可以被抓來，這也是為什么今天ChatGPT可以達到這樣一個水準。其中存在的一個問題是：當移動互聯網產生，尤其是在很多國家，它的大量數據都是切割開的，分散在不同的私域里，所以這個時候其實很多數據并沒有被互通好，各家有各家的所謂的Proprietary Data。如果這些數據能被很好地使用和利用的話，就可以產生各種各樣的不同方向的模型。
高質量的行業(yè)數據是細分企業(yè)入局垂直大模型的優(yōu)勢。
OpenAI之前曾披露，研發(fā)人員給GPT-3.5提供了45TB的文本語料，這是什么概念呢？是472萬套中國四大名著的規(guī)模。而程序員「喂」給機器的語料，包括了百科、網絡文章、書籍期刊等等，甚至代碼開源平臺Github也被納入其中。
而正如羅超提到的，在細分行業(yè)，很多企業(yè)由于數據風險問題，不可能將數據放在通用大模型中做訓練；由此企業(yè)所持有的私域數據擁有極高的價值，比如醫(yī)療公司擁有大量的醫(yī)療數據和病例數據，那么它就有機會開發(fā)醫(yī)療垂直大模型產品。
從投資人和創(chuàng)業(yè)者的角度，如何看待大模型
如果說巨頭是高調入局大模型，那么對于創(chuàng)業(yè)公司而言，他們的商業(yè)道路也逐漸清晰。首先需要想清楚的問題或許是：我是要做To B的垂直應用，還是To C的產品？
我覺得如果你今天是一個相對草根的初創(chuàng)團隊，機會其實還是很多的。因為在移動互聯網的初期，當時也有所謂的巨頭，但是只要想法足夠新穎且能夠抓住自己的創(chuàng)業(yè)優(yōu)勢，那么你依然可以在自己的垂直領域，無論是去做一個To B的垂直應用，還是做好積累去做一個 To C的未來爆款級，這種可能性我認為都是存在的。
如果TA是一個To B領域的創(chuàng)業(yè)者，今天已經有一些客戶在使用TA的產品，那么TA需要更多地回答：
“我能否把我的服務價值做到更好，我能否讓我的客戶留存做到更好？”然后我慢慢把客單價提起來，在做扎實基本盤之后，逐步滲透到越來越多的客戶。
在把拉新和留存這兩個維度的事情做完之后，它是一個非常正常的飛輪的循環(huán)過程。如果今天TA的產品還沒有找到PMI，即在做一個To B的業(yè)務，但同時產品還沒有人開始用，那我覺得TA需要花更多時間去和TA的客戶交流：“我的技術對你是否真的有幫助？我的技術如果對你有幫助，應該如何更好地產品化，才能讓你真的用得上？”
如果是To C的話，簡單來說還是需要更多耐心。移動互聯網這么長的時間，幾乎大家能夠想到的在C端應用上的創(chuàng)新，都被無數創(chuàng)業(yè)者試過無數遍。所以創(chuàng)業(yè)者今天想通過一個很好的、之前沒人想到的想法，就去抓到一波用戶實現暴漲的可能性雖不是0，但它確實不高，所以這個時候創(chuàng)業(yè)者其實需要考慮的是有耐心地等待一個新的范式轉移。
To C 的發(fā)展我會認為更偏向于應用驅動。以手機為例，比如 iPhone 的Siri，它是一個天然和模型結合的場景，因為我們問 Siri 的期待是停留在 iPhone 剛出來的那個時刻，很長時間已經沒有變化了，可能就是逗它一下，問一下天氣，跟它講笑話。但是如果它和 GPT-4 甚至更高級的模型聯合起來的話，就會是一個真正更好的助手，甚至是生活助理，它會更了解你。也就是說應用級的 AI 或者 C端的AI，一定是和人的日常生活會更緊密，所以應用級的創(chuàng)新會更多。
但是在B端是另外一回事。B端的問題在于，一個 AI模型離企業(yè)的落地創(chuàng)造價值還是有很長的一個路徑要走?，F在有AI生成的文檔，能夠替換掉一些純粹意義上的paperwork，但是在未來它其實能改變很多，比如說提高我們決策的質量。企業(yè)要做很多的商業(yè)決策，決策的質量現在是基于歷史上的數據來做，但是得到數據的過程其實涉及了大量的人工，也會有很多的偏差，因為人的判斷或者分析有時可能會有些問題，但是 AI 做這樣的事情，精確度會高很多。再比如說通過 AI 來壓縮整個流程，比如說在公司場景里面的采購流程、銷售流程、業(yè)務流程，其實有很多的鏈條，這些實際上是可以用AI來提升效率，甚至是取代一部分的。
當然，在人們依然處于探索大模型創(chuàng)新邊界的當下，通用大模型還是垂直大模型，這個問題或許沒有標準答案。
大模型到底會怎么變化，其實現在是有爭議的。有人認為通用模型能做所有事情，有的人則認為通用模型一定做不過專業(yè)模型，專業(yè)模型依然有存在的價值。因為一旦越通用，在專業(yè)領域的知識就不可能像專業(yè)模型一樣好，這就涌現了行業(yè)垂直模型的價值。
但這方面也存在爭議，比如理論上如果通用模型做得足夠好，那么每一個細分行業(yè)就沒有太大價值，就像搜索引擎，以前有很多針對特定行業(yè)的搜索，但這個市場已經被通用搜索擠壓得很小，絕大部分的需求已經可以被通用搜索滿足。同樣的，當通用模型做得足夠好，已經能夠滿足大部分人的需求，是否會使得行業(yè)模型變得不成立？如果是一個很標準的垂直細分行業(yè)，需要的是考慮行業(yè)里的用戶有多少，值不值得為這些用戶專門做一套行業(yè)模型？永遠存在這樣的需求是不能被滿足的，但是需求夠不夠大是一個很關鍵的問題，一定要有一個足夠大的市場，這樣才會有產品的價值。
無論如何，大模型從沉淀到爆發(fā)，它確實在人類歷史上留下了濃墨重彩的一筆。
行業(yè)里的人習慣用「涌現」這個詞形容機器在某個階段突然爆發(fā)出的能力；這并不是個新鮮詞匯，在自然界中「涌現」很常見——成千上萬只螞蟻用身體搭建起能夠跨越巨大縫隙的橋梁，小鳥遷徙時在空中組成的復雜隊列，或者是更微觀的，無數個水分子與空氣分子形成了颶風——研究人員針對這些自然界中跨尺度的自組織現象，提出了「涌現」的概念。
那么在機器也涌現出人類無法預估的、龐大能力的當下，我們又要如何剔除噪音與泡沫，找到大模型賽道背后的真正邏輯？
AI 是一個被談論了很長時間的話題，歷史上也有非常多相關的預言。AI 類型的技術產生并得到了廣為的認知，但隨著時間推移，很多人會認為它并不能滿足預期，于是感到失望并跌入谷底，然后又逐漸恢復，所以我認為AI會經歷這樣一個長期的震蕩反復過程。
因此，作為一個投資人，我們今天在看AI、大模型以及AIGC的時候，一是要保持足夠的樂觀和好奇心，去了解它究竟能夠帶來什么，但同時也要保持足夠的耐心，時常剔除短期的泡沫，短期的噪音，去看它更長期的發(fā)展趨勢和價值。
我覺得這里面可以找?guī)讉€特質。首先得看人才密度，經歷了大模型這波還能生存下來的，一定是人才密度比較高的公司。第二點是數據，它一定有大量的數據作為儲備，有助于模型訓練的樣本和它的精度調優(yōu)的一系列工作。第三個是長期的投入，并不指望這樣的過程是投入3到6個月、6個月到12個月就能完成的，大模型的探索一定不會是一帆風順的，就像OpenAI也不是一路鮮花掌聲過來的，因此這個公司要有屢敗屢戰(zhàn)的氣質。所以要有韌性，要有人才密度，再加上大量的數據，我認為這三個要素一個都不能少。
在大家只是在趕風口，隨著市場競爭，最終可能只剩下兩三家最出色的公司。雖然 ChatGPT 的中文能力不錯，但是和英文對比就能發(fā)現它在中文方面存在一些缺陷，因為它訓練的中文數據不夠多，如果想要做好，需要引入更多中文數據，特別是各種文章和古文。從這個角度考慮，我認為中國還是會有自己的大模型，但是也容不下太多家公司，最終只會留下極少數，因為公司需要考慮投入高成本是否值得。
ChatGPT目前著面臨很大的問題，就是它現在的收入完全不可能cover成本，還是要靠微軟的Office和Bing搜索來彌補。國內公司也面臨類似情況，要確保大模型的日常投入能依靠其他業(yè)務產生的收益來彌補，然而對很多公司來說，這種平衡可能并不成立，因此有些公司可能會因為高成本而放棄這個領域。
但無論如何，大模型終究不會是巨頭的游戲，也不會只誕生于英文世界的語境中。哪怕前路模糊也愿意投身其中的創(chuàng)業(yè)者，經歷了無數次失敗也愿意為了1%創(chuàng)新可能繼續(xù)投身研發(fā)的科學家......當我們觸摸到創(chuàng)新與科技的邊界，向外探索一步、再探索一步......有足夠的理由相信，人類一定可以賦予機器更廣闊的價值。
我沒有辦法回答中國是否會產生OpenAI，但我相信中文世界一定會產生OpenAI，我這里指的并非將OpenAI的回復轉為中文，而是指完全由中文native生成的大模型必然會出現。我相信在有生之年，甚至在短時間內我們就能看到非常優(yōu)秀的中文大語言模型的出現。我們需要保持耐心，不應該讓短期噪聲或是浮躁影響我們對于長期事物的判斷，我覺得這是一件不亞于芯片的需要積累的事情。
關于巨頭是否會和你做一樣的事情，這一問題不僅存在于AI領域，比如在移動互聯網領域，甚至在沒有互聯網的時代，當有人要做一輛新的車時，人們都會問通用汽車或福特會不會做。因此，傳統巨頭是否會涉足相似的創(chuàng)新業(yè)務不是問題的關鍵，因為傳統公司始終在尋找新的機會和方向，而新興創(chuàng)業(yè)公司也一定會面臨傳統大公司的競爭和挑戰(zhàn)，所以這個問題永遠存在。
但是回答這個問題的核心在于獲勝的核心資源。因此，如果一個創(chuàng)業(yè)者是潛心追求長期價值，是使命驅動而非機會驅動，對于長期價值保持信念而不只是對短期價值保持信仰，那么現在是一個特別好的創(chuàng)業(yè)時機。這樣的創(chuàng)業(yè)者更有可能匯聚一批志同道合、有耐心的人，共同致力于一個既有長期價值又能在短期內充分沉淀的事業(yè)。
