AIGC真如外界所宣傳的那般美好嗎？其背后的創(chuàng)新創(chuàng)業(yè)生態(tài)將如何構(gòu)建？
(資料圖片僅供參考)
作者：周志峰、胡奇
編者按：
今年以來，由游戲設(shè)計(jì)師杰森·艾倫使用 AI 繪圖工具 Midjourney 繪制的作品《太空歌劇院》奪下了美國(guó)科羅拉多博覽會(huì)的年度藝術(shù)比賽的首獎(jiǎng)，引起藝術(shù)家和社交媒體的熱議，也讓AIGC（人工智能自動(dòng)生成內(nèi)容）概念成為AI界年度熱詞，并掀起了一股AIGC投資熱潮。AIGC真如外界所宣傳的那般美好嗎？其背后的創(chuàng)新創(chuàng)業(yè)生態(tài)將如何構(gòu)建？
從2012年AlexNet取得深度學(xué)習(xí)里程碑式的突破以來，啟明創(chuàng)投在過去的十年中都是中國(guó)最活躍的人工智能投資機(jī)構(gòu)之一，我們見證了人工智能從算法到應(yīng)用的一次次突破和發(fā)展，對(duì)人工智能的前景我們始終保持著熱情和理智。啟明創(chuàng)投開設(shè)硬科技前瞻專欄，希望從創(chuàng)投視角深度解讀前瞻技術(shù)突破，多維度剖析行業(yè)趨勢(shì)，尋找新銳科技力量。
如果我和你說，未來AIGC可能有兩種世界：一種世界是多個(gè)大模型基礎(chǔ)公司，為上游應(yīng)用提供API和模型服務(wù)，上游應(yīng)用公司只需要專注于開發(fā)產(chǎn)品邏輯和上層算法；而另一種世界則如同今天的AI公司一樣，每家公司都根據(jù)自身需求研發(fā)底層大模型，為自身應(yīng)用提供技術(shù)支持。
你對(duì)任何一種世界的相信都將構(gòu)成你當(dāng)下投資和創(chuàng)業(yè)的選擇，當(dāng)然，這兩種世界也可能存在互相交織的過渡形態(tài)，但需要你來對(duì)過渡形態(tài)的持續(xù)時(shí)間進(jìn)行判斷，你會(huì)選擇相信哪一種世界？
AIGC的兩種世界
先不用著急給出你的答案，再問你兩個(gè)問題：
1、如果GPT-4，或者3年、5年后最好的模型比GPT-3大100倍甚至1000倍，作為創(chuàng)業(yè)公司是否還要自研？
2、在某個(gè)領(lǐng)域的底層基礎(chǔ)模型尚未成熟的時(shí)候，選擇在該領(lǐng)域進(jìn)行創(chuàng)業(yè)是很好的timing嗎？
如果你對(duì)未來的AIGC世界和這兩個(gè)問題感興趣，我們將進(jìn)入今天的文章。我們將簡(jiǎn)單回顧近期熱鬧的AIGC，從中探尋AIGC在今年火爆的根本原因，并將結(jié)合強(qiáng)化學(xué)習(xí)奠基人之一Rich Sutton的“AI 70年慘痛的教訓(xùn)”和Jasper.AI、Copy.AI等公司的發(fā)展，做出我們對(duì)于這個(gè)世界的判斷。相信看完以后，你也將會(huì)得出自己的答案。
引爆用戶的AIGC如果用一個(gè)字形容過去幾個(gè)月的AIGC（AI Generated Content）/Generative AI那么應(yīng)該是“火”。Midjourney的作品獲得美國(guó)科羅拉多州博覽會(huì)的數(shù)字藝術(shù)比賽一等獎(jiǎng)，引發(fā)關(guān)注和廣泛爭(zhēng)論，有人戲稱AIGC讓每個(gè)畫師都在擔(dān)心失業(yè)。與此同時(shí)，今年相對(duì)沉寂的VC迎來新風(fēng)口，連續(xù)轟炸的AIGC公司的融資消息和新聞讓VC又一次產(chǎn)生FOMO (Fear of Missing Out)的情緒；DreamStudio、Midjourney等AI作畫應(yīng)用符合視覺消費(fèi)的時(shí)代主題，引爆了C端熱情。
Midjourney的獲獎(jiǎng)作品 - 太空歌劇院 Théatre D’opéra Spatial
其實(shí)AIGC并不是一個(gè)新穎的概念，AIGC即用AI算法生成文本或者圖像等內(nèi)容，各種NLG(自然語(yǔ)言生成) 模型和GAN（生成對(duì)抗網(wǎng)絡(luò)）及其變種模型都是此前的生成式AI模型。如果你打開谷歌搜索AIGC，會(huì)發(fā)現(xiàn)排在前面的基本都是中文網(wǎng)站，因此有人說AIGC是一個(gè)國(guó)產(chǎn)概念，與之對(duì)應(yīng)的海外概念是Gartner在2019年提出的Generative AI，為統(tǒng)一理解，本文將采用AIGC來表達(dá)AI生成內(nèi)容。
我們觀察到新一波AIGC浪潮起源于2020年的預(yù)訓(xùn)練大模型GPT-3，現(xiàn)在火爆的圖像生成、視頻生成、3D生成等，本質(zhì)是大模型從文本生成擴(kuò)展到多模態(tài)，并結(jié)合原有模態(tài)算法進(jìn)行實(shí)現(xiàn)（當(dāng)然，以圖片生成圖片等本模態(tài)之間的AI生成，以及圖像生成視頻、2D生成3D等跨模態(tài)生成也是AIGC，例如VAE、StyleGAN、Nerf等與AI生成相關(guān)的模型都在GPT-3發(fā)布之前或之后提出，但這些方向的工作并非引爆新一波AIGC的主要原因）。因此，我們看到的大量AIGC應(yīng)用，目前的表現(xiàn)形式大多為輸入一句話，生成一句話/一張圖/一段視頻/一串代碼等。
1750億參數(shù)的GPT 3曾一度是AI歷史上最大的機(jī)器學(xué)習(xí)模型，相比于15億參數(shù)量的GPT 2，GPT 3參數(shù)量提高約117倍，預(yù)訓(xùn)練的數(shù)據(jù)量也從50 GB提高到的570 GB。2020年發(fā)布GPT 3的時(shí)候，OpenAI并沒有將工作重點(diǎn)放在模型結(jié)構(gòu)的創(chuàng)新上，反而是進(jìn)行了大量工程化的工作，充分展示GPT 3通過Zero-Shot、One-Shot和Few-Shots（即不需要額外數(shù)據(jù)進(jìn)行微調(diào)，直接給出幾個(gè)樣例就可以讓模型做出正確的生成）等Prompt方法完成多種NLP任務(wù)的通用性和泛化能力。通過釋放出API接口供公眾調(diào)用，GPT-3的商業(yè)化也正式提上日程。GPT-3展示出驚人的效果后，一年后頂級(jí)實(shí)驗(yàn)室和科技大廠陸續(xù)發(fā)布自己的NLP預(yù)訓(xùn)練大模型，模型參數(shù)量呈現(xiàn)指數(shù)級(jí)別的增長(zhǎng)。
深度學(xué)習(xí)模型中參數(shù)數(shù)量的指數(shù)級(jí)增長(zhǎng)
隨后的一年內(nèi)，OpenAI進(jìn)行了多次多模態(tài)的探索，其中最知名的是Text-to-image系列模型DALLE和DALLE2。
OpenAI在2021年1月發(fā)布初代Text-to-Image 模型 DALL-E，雖然相比于此前作畫模型進(jìn)展驚人，但效果并未讓大眾驚艷，因此只在學(xué)界引發(fā)了巨大的關(guān)注。2022年4月，OpenAI再次發(fā)布第二代Text-to-Image 模型 DALL-E 2，效果極好，但OpenAI僅用一篇未公布細(xì)節(jié)的論文展示其成果，并僅為審核通過的開發(fā)者提供接口試用。2022年8月，借鑒Dall-E 2的思路，Stable Diffusion模型開源，至此，AI圖像生成開始爆發(fā)。
DALLE、 DALL-E 2和其他開源模型的發(fā)布時(shí)間線與效果
時(shí)間軸圖片來源：State of AI Report 2022, https://www.stateof.ai/
總結(jié)AI生成圖像發(fā)展滯后于生成文本，但卻在2022年下半年爆發(fā)的原因，我們不難發(fā)現(xiàn)如下規(guī)律，上一層級(jí)的AIGC往往依賴于下一層級(jí)的AIGC發(fā)展到一定程度，如Text-to-Image依賴于Text-to-Text本身的算法發(fā)展相對(duì)成熟，同理，我們推測(cè)Text-to-Video也需要依賴Text-to-Image和其他視頻預(yù)測(cè)算法（如視頻插幀）的發(fā)展成熟，因此，我們可以對(duì)不同復(fù)雜度的AIGC內(nèi)容的進(jìn)化路線得出以下推論：
AIGC中不同內(nèi)容的進(jìn)化路線
AIGC為何引起新一波熱潮？如果分析新一波AIGC得到發(fā)展的原因，最直接的結(jié)論是因?yàn)榇竽Ｐ停ㄈ鏕PT-3、Dalle2、Stable Diffusion等）帶來了非常好的效果和泛化能力。
其實(shí)從GPT-3出現(xiàn)之前，早在2018年3.4億參數(shù)的Bert模型在當(dāng)時(shí)已經(jīng)算是巨無霸級(jí)別的存在，只是沒有想到短短2年內(nèi)，模型參數(shù)就提高到了GPT-3的1750億。3.4億參數(shù)的Bert將SQuAD 1.1的F1得分提高到93.16分，超過人類的表現(xiàn)，并用屠榜的成績(jī)贏得了多項(xiàng)NLP測(cè)試。但直到GPT-3的出現(xiàn)，NLP模型才可以更好地完成NLG任務(wù)，并且對(duì)Few-shots的運(yùn)用更加?jì)故臁?/p>
大模型還展示出了強(qiáng)大的泛化能力，GPT-3的API接口讓下游的應(yīng)用公司可以不需要遷移學(xué)習(xí)就直接將AI能力應(yīng)用到自己的任務(wù)中，API接口發(fā)布不到1年內(nèi)就吸引了約300家公司調(diào)用其API，也印證了在2021年8月斯坦福大學(xué)教授李飛飛等100多位學(xué)者聯(lián)名發(fā)表的200多頁(yè)的研究報(bào)告On the Opportunities and Risk of Foundation Models中關(guān)于大模型（統(tǒng)一命名為Foundation Models）可以集中來自多種模態(tài)的所有數(shù)據(jù)的信息，并直接適用于多種下游任務(wù)的構(gòu)想。借助GPT-3的API接口，OpenAI也逐漸從獨(dú)立的實(shí)驗(yàn)室走向大模型的基礎(chǔ)設(shè)施公司。
圖片來源：論文On the Opportunities and Risk of Foundation Models
但如果進(jìn)一步對(duì)為什么大模型能夠帶來更好的效果和泛化性進(jìn)行分析，我們目前還只能通過實(shí)驗(yàn)而非清晰的理論進(jìn)行解釋。的確大多數(shù)情況下更大規(guī)模的模型會(huì)帶來更好的效果，但具體原因尚未被探明，學(xué)術(shù)界也存在很多探討。在最新的一篇關(guān)于大模型的研究論文中，作者通過實(shí)驗(yàn)證明了大多數(shù)任務(wù)的效果隨著模型的增大而提高——在一些任務(wù)中，隨著模型增大而效果類似線性相關(guān)地變好的情況，作者將這類任務(wù)定義為L(zhǎng)inearity Tasks，同樣，也有一些任務(wù)需要模型規(guī)模超過某個(gè)臨界點(diǎn)后，會(huì)突然出現(xiàn)相應(yīng)的能力，此后在隨著模型規(guī)模的增大而提升效果，作者將這類任務(wù)定義為Breakthroughness Tasks。（當(dāng)然，也存在少部分任務(wù)的效果隨著模型增大而降低）。
圖片來源：論文Beyond the Imitation Game: Quantifying and extrapolating the capabilities of language models
同樣，論文Emergent Abilities of Large Language Models中也有類似的實(shí)驗(yàn)證明，當(dāng)模型達(dá)到臨界大小時(shí)，許多NLP能力會(huì)不可預(yù)測(cè)地出現(xiàn)——涌現(xiàn)規(guī)律。
如果再進(jìn)一步追問為什么模型可以越做越大，則不得不提到Transformer的優(yōu)點(diǎn)。Transformer解決了并行化訓(xùn)練和長(zhǎng)依賴問題，能夠容納更多的參數(shù)規(guī)模，為模型進(jìn)一步做大提供了基礎(chǔ)，而大模型帶來了更好的效果和泛化性，提供了超過以往的生成能力，引發(fā)了新一波AIGC的爆發(fā)。
Transformer提供的并行化和對(duì)全局信息掌控能力，對(duì)算力的充分挖掘和利用，也近乎完美地符合2019年 DeepMind杰出科學(xué)家、強(qiáng)化學(xué)習(xí)的奠基人之一的Rich Sutton在文章The Bitter Lesson中論述的觀點(diǎn)——從過去70年的人工智能研究中可以得到的最大教訓(xùn)，是利用計(jì)算的一般方法最終是最有效的，而且效果提升幅度很大。
在文章中，Rich Sutton通過列舉深度搜索超過人類知識(shí)設(shè)計(jì)的算法而在計(jì)算機(jī)國(guó)際象棋中擊敗人類冠軍、隱性馬爾可夫模型在語(yǔ)音識(shí)別領(lǐng)域戰(zhàn)勝基于人類知識(shí)的算法、計(jì)算機(jī)視覺中深度學(xué)習(xí)使用卷積超過此前搜索邊緣和以SIFT特征為基礎(chǔ)的方法，論證了為了尋求在短期內(nèi)有所作為的改進(jìn)，研究人員更傾向于利用人類對(duì)該領(lǐng)域的知識(shí)，但從長(zhǎng)遠(yuǎn)來看，唯一重要的是對(duì)計(jì)算的利用。
然而， Rich Sutton關(guān)于“長(zhǎng)遠(yuǎn)來看，唯一重要的是對(duì)計(jì)算的利用”的觀點(diǎn)，當(dāng)時(shí)并沒有引發(fā)業(yè)界的強(qiáng)烈關(guān)注，甚至在大模型促進(jìn)AIGC蓬勃發(fā)展的今天，很多創(chuàng)業(yè)者和投資人仍然沒有對(duì)這句話的意義足夠重視。
未來的世界目前關(guān)于GPT-4流行著兩種傳言，第一種是生成GPT-4并不會(huì)比GPT-3的參數(shù)規(guī)模大太多，預(yù)計(jì)是幾千億級(jí)別的參數(shù)量，但會(huì)使用更大量的數(shù)據(jù)進(jìn)行訓(xùn)練；另一種傳言是GPT-4的規(guī)模將會(huì)比GPT-3大至少一個(gè)量級(jí)。不管哪一種傳言是對(duì)的，如果我們認(rèn)真思考Rich Sutton的“長(zhǎng)遠(yuǎn)來看，唯一重要的是對(duì)計(jì)算的利用”這一觀點(diǎn)，則很難避免的需要回答這樣一個(gè)問題“如果GPT-4，或者3年、5年后最好的模型比GPT-3大100倍甚至1000倍（這里的100倍，可能是模型參數(shù)量、也可能是訓(xùn)練使用的數(shù)據(jù)量），作為AIGC應(yīng)用側(cè)的初創(chuàng)公司還是否要自研？”
2012年至今，表現(xiàn)最好的模型參數(shù)每18個(gè)月增加35倍，增速遠(yuǎn)超摩爾定律
我們?cè)诮裉鞜狒[的AIGC創(chuàng)業(yè)氛圍中，有時(shí)會(huì)聽到這樣的一種樂觀言論—市場(chǎng)上能夠調(diào)用的大模型API效果并不好，我們需要得到一筆融資，去研發(fā)自己的大模型，有了自研的大模型，我們想要做的殺手級(jí)別的應(yīng)用（如寫作助手、圖畫生成等等）就會(huì)取得更好的效果，最終贏得客戶。持這種論調(diào)的創(chuàng)業(yè)者，大多有著不錯(cuò)的技術(shù)背景，并且大概率在AI領(lǐng)域有過一些值得人尊敬的成果。然而，Rich Sutton之所以得出慘痛的教訓(xùn)，正是因?yàn)榛谶@樣的歷史觀察：1）人工智能研究者經(jīng)常試圖將認(rèn)知加入到他們的模型中，2）這在短期內(nèi)總是有幫助的，并且對(duì)研究者個(gè)人來說是滿意的，但是3）從長(zhǎng)遠(yuǎn)來看，它的影響趨于平穩(wěn)，甚至抑制了進(jìn)一步的進(jìn)展，4）突破性的進(jìn)展最終通過一種與之對(duì)立的方法，是基于搜索和學(xué)習(xí)這樣能夠擴(kuò)展計(jì)算的方法。
這樣的觀察與上文我們觀察到的一些論調(diào)非常相似，今天創(chuàng)業(yè)者希望通過利用與自身業(yè)務(wù)相關(guān)的數(shù)據(jù)、經(jīng)驗(yàn)、技巧等去自己構(gòu)建當(dāng)下的最好的大模型，的確有機(jī)會(huì)在自身領(lǐng)域帶來超過今天大模型基礎(chǔ)設(shè)施公司公開提供API的效果，然而這也同樣意味著企業(yè)要一直分配一大部分精力和資金在基礎(chǔ)模型的研發(fā)上，那自然放在業(yè)務(wù)上的資金和精力則會(huì)減少。PMF(Product-market fit)以及PMF之后的業(yè)務(wù)拓展，都需要企業(yè)投入全部的精力來完成，這大模型所需要耗費(fèi)的研發(fā)投入和資金成本顯然與集中精力做PMF有一些矛盾。
對(duì)于以上的問題，目前AIGC創(chuàng)業(yè)公司中已經(jīng)實(shí)現(xiàn)PMF和商業(yè)化拓展的兩個(gè)代表性公司Copy.AI和Jasper.AI并未糾結(jié)。前者在成立的一年內(nèi)實(shí)現(xiàn)了1000萬美元的ARR，而后者則更是厲害，在成立的2年內(nèi)實(shí)現(xiàn)了4000萬美元的ARR，預(yù)計(jì)在今年實(shí)現(xiàn)9000萬以上的ARR。兩者的共同點(diǎn)都是基于選擇了使用GPT-3提供的API進(jìn)行創(chuàng)業(yè)，并在GPT-3提供的API的基礎(chǔ)上，在前端做了大量的控制算法和產(chǎn)品邏輯，并集中精力打磨產(chǎn)品。
值得警惕的是，大模型是一直在進(jìn)步的，耗費(fèi)的成本也越來越高。OpenAI 1750億參數(shù)的GPT-3耗費(fèi)了大約500萬美元的訓(xùn)練資金，Stability.AI也在維護(hù)一個(gè)4000 多個(gè)Nvidia A100 GPU組成的集群來訓(xùn)練AI模型，顯然這么大的訓(xùn)練費(fèi)用對(duì)于創(chuàng)業(yè)公司是一個(gè)壓力。雖然Stable Diffusion已經(jīng)開源，但在圖文生成領(lǐng)域還有更多進(jìn)步的空間，目前來看Stability.AI的方向并非成為圖像側(cè)的應(yīng)用公司，而是成為大模型領(lǐng)域的基礎(chǔ)設(shè)施公司（可能類似于hugging face）。那么不禁要問，如果有一天Stability.AI像OpenAI一樣，并不再開源其最先進(jìn)的模型，而是提供商業(yè)化調(diào)用的時(shí)候，創(chuàng)業(yè)公司是否還要選擇自研大模型來保持最先進(jìn)，如果回答是Yes的話，資金又要從哪里募集呢？
另外一個(gè)值得注意的問題是，目前Stable diffusion開源模型所展示的效果并沒有在圖像領(lǐng)域達(dá)成如GPT-3在NLP領(lǐng)域一樣的效果，雖然其C端火爆的現(xiàn)象仍然持續(xù)，然而如果真的轉(zhuǎn)化成B端的通用生產(chǎn)力工具，Stable diffusion還存在無法針對(duì)圖像做更細(xì)節(jié)的生成（如手部效果等）、無法制定某個(gè)特定區(qū)域修改乃至修改后與原場(chǎng)景十分融洽、無法控制畫作中不同元素（實(shí)體）進(jìn)行單獨(dú)修改等諸多問題（截止發(fā)稿前，Stable diffusion2.0已經(jīng)在11月24日發(fā)布，變化包括對(duì)分辨率的提升、引入圖片編輯功能等，但上述問題仍然未得到充分解決）。簡(jiǎn)而言之，目前除了NLP領(lǐng)域的大模型是相對(duì)成熟以外，圖像的AIGC模型尚且處于早期，視頻、3D、游戲等內(nèi)容的AIGC模型則處于更早期階段。因此創(chuàng)業(yè)者需要回答的另一個(gè)問題是“當(dāng)?shù)讓踊A(chǔ)模型尚未成熟的時(shí)候，是選擇在該領(lǐng)域進(jìn)行創(chuàng)業(yè)很好的timing嗎？是否應(yīng)該等到底層模型相對(duì)成熟且API就位后才是更好的創(chuàng)業(yè)timing？”
以Text-to-Image領(lǐng)域?yàn)槔?，自然?huì)有一些勇敢的創(chuàng)業(yè)者會(huì)去提高當(dāng)前Stable diffusion的效果，自己訓(xùn)練前端的CLIP模型，甚至自己訓(xùn)練后端的Diffusion模型。的確，在當(dāng)前模型沒有發(fā)展到一定程度時(shí)，拿到一筆錢后做出比當(dāng)下市場(chǎng)上最好的模型效果還要好的模型，并為業(yè)務(wù)產(chǎn)生更好的效果的想法確實(shí)非常誘惑，這個(gè)想法下能夠展示出的Demo、優(yōu)秀的AI團(tuán)隊(duì)，可能也是令VC沉醉的。但回顧NLP的歷史，如果Copy.AI、Jasper.AI并未在2020年OpenAI研發(fā)出GPT-3并開放接口后再選擇創(chuàng)業(yè)，而是在2015年、2018年拿著當(dāng)時(shí)的模型去選擇做營(yíng)銷助手的創(chuàng)業(yè)，其成功的概率會(huì)有多大？而從目前的市場(chǎng)情況來看，圖像、視頻領(lǐng)域則尚未出現(xiàn)與Jasper.AI和Copy.AI類似的、已經(jīng)實(shí)現(xiàn)超過千萬ARR的新的應(yīng)用類創(chuàng)業(yè)公司，更多是原來已經(jīng)存在的應(yīng)用公司通過新的模型進(jìn)行業(yè)務(wù)能力的增加。相信除了Stable Diffusion模型開源的時(shí)間尚短以外，也有著當(dāng)前最好的模型亦尚未成熟的原因。也許，在圖像等其他內(nèi)容領(lǐng)域，目前時(shí)代還在呼喚著與OpenAI類似的提供API的基礎(chǔ)設(shè)施類公司，然后才是應(yīng)用生態(tài)繁榮的開始。
參考國(guó)外AIGC不同類型的公司出現(xiàn)的節(jié)奏，可以發(fā)現(xiàn)如下規(guī)律：
第一步，頂級(jí)實(shí)驗(yàn)室研發(fā)革命性的模型
第二步，實(shí)驗(yàn)室或者AI科學(xué)家成立基礎(chǔ)設(shè)施公司，提供API和模型對(duì)外服務(wù)
第三步，具備行業(yè)經(jīng)驗(yàn)的產(chǎn)品人才利用基礎(chǔ)設(shè)施公司提供的API，專注于打磨自身應(yīng)用，服務(wù)客戶
從NLP到其他模態(tài)（如圖像、視頻、3D等），以上規(guī)律反復(fù)出現(xiàn)。
當(dāng)前NLP國(guó)內(nèi)外都已經(jīng)出現(xiàn)基礎(chǔ)設(shè)施公司提供API接口，國(guó)外有OpenAI、Cohere等公司，國(guó)內(nèi)也出現(xiàn)了智譜華章這樣研發(fā)出超大規(guī)模預(yù)訓(xùn)練模型（效果在多個(gè)公開評(píng)測(cè)集上性能超過GPT-3）并提供模型服務(wù)市場(chǎng)（Model as a Service）的基礎(chǔ)設(shè)施公司。
有了基礎(chǔ)設(shè)施公司提供相對(duì)成熟的API服務(wù)，啟明創(chuàng)投將持續(xù)關(guān)注NLP殺手級(jí)應(yīng)用；而圖像、視頻、3D等領(lǐng)域，尚未出現(xiàn)能夠提供商用API的基礎(chǔ)設(shè)施公司（Stable Diffusion和Midjourney有可能是第一批圖像領(lǐng)域的基礎(chǔ)設(shè)施公司）。
啟明創(chuàng)投同樣會(huì)關(guān)注在大模型時(shí)代前就成立，專注于垂直領(lǐng)域的應(yīng)用公司，他們將在新一波AIGC浪潮中借助大模型的能力，推出新產(chǎn)品和或者大幅提升原有產(chǎn)品效果（例如Notion和RunwayML）。此外，在兩個(gè)世界過渡的過程中，能夠拿到高額融資的垂直一體AI公司仍然有可能在時(shí)間窗口中占據(jù)有利地位（例如AI21lab和Character.ai），我們對(duì)此類機(jī)會(huì)同樣保持關(guān)注，但會(huì)更加謹(jǐn)慎。
當(dāng)然，就像是恐龍時(shí)代中，哺乳動(dòng)物作為弱小的生物并不顯眼，但卻最終面對(duì)各種惡劣的環(huán)境生存下來并開枝散葉一樣。從2012年AlexNet取得深度學(xué)習(xí)里程碑式的突破以來，啟明創(chuàng)投在過去的十年中都是中國(guó)最活躍的人工智能投資機(jī)構(gòu)之一，我們見證了人工智能從算法到應(yīng)用的一次次突破和發(fā)展，對(duì)人工智能的前景我們始終保持著熱情和理智。我們將對(duì)目前發(fā)展的元學(xué)習(xí)、新一代AI推理或者其他使用更小數(shù)據(jù)量和參數(shù)量的模型發(fā)展保持關(guān)注，也許未來有一天transformer不再是最優(yōu)范式，垂直應(yīng)用的世界會(huì)再次到來。
但是，在此之前，第二種世界向第一種世界的過渡看起來無法避免，要知道雖然恐龍最終滅絕，但滅絕之前，他們?cè)鳛榘灾鹘y(tǒng)治地球1.6億年。
關(guān)于作者
署名作者均為啟明創(chuàng)投TECH投資團(tuán)隊(duì)成員，周志峰是啟明創(chuàng)投合伙人，胡奇是啟明創(chuàng)投投資經(jīng)理。