大模型“四小龙”，能否跨越深渊？
图片来源 @视觉中国
文 | 脑极体
一张名为《大模型的深渊》的图，在去年广为流行。吃瓜群众惊诧地发现，原来绝大多数大模型，都挤在深不见底的层级 ," 宣称自己快要落地的 "" 再等等决定啥时候落地的 "" 什么落地不落地的 "" 怎么还有这么多没听说过的大模型啊 " ……
时至今日，国产大模型数量已经达到 200 多个，" 深渊 " 更深。
其中，很多低水平重复造轮子的大模型，无法满足个人和产业的使用需求，发布之后无人问津，已经不可能在业内翻起什么波澜了。而那些真正具备技术价值和商业价值的大模型，也如同 " 潜龙在渊 "，逐渐显露出 " 一飞冲天 " 的苗头。
上一波 2015 年左右开始的 AI 创业浪潮，以 CV 计算机视觉技术为主导的初创企业中，号称 "CV 四小天鹅 " 的商汤科技、旷视科技、云从科技、依图科技，也被誉为中国的 "AI 四小龙 "，成为那一个 AI 繁荣周期中的标志性创新企业。
那么，由大模型开启的新一轮繁荣周期中，自然也会有 " 潜龙在渊 "。谁会成为类似 "AI 四小龙 " 这样的潜力股呢？答案基本藏在这三个梯队里。
大模型 " 四小龙 " 的一鳞半爪
业内流传一句话：小创新靠大厂，大创新靠小厂。从昔日的 DeepMind 到去年的 OpenAI，这些年轻、新锐的技术团队，回归创新本源，一次又一次给业界带来颠覆性的变化，成为从业者和投资人眼中的 " 潜力股 "。
所谓大模型的 " 潜龙 "，有两个基本条件：
一是 " 潜 "，相比谷歌、微软、英伟达、百度、腾讯、阿里等科技巨头，成立时间更短、队伍更加年轻化，组织效率和灵活度更高。
二是 " 龙 "，有着不输给大厂，甚至超越大厂的技术创新性，基础模型是自研的，并且是 L0 级的通用大模型，可以为行业大模型、垂类大模型提供底座，具备向多个产业转化的潜力，有望带来高增长和高投资回报率。
虽然机器视觉公司也都推出了大模型，技术实力不俗，但并不算是 AI 新面孔。而使用开源 LLaMA 架构的零一万物，以及被大厂收购不再独立竞争的光年之外，虽然够 " 新 "，但发展遇到较大的转折点。所以这些企业及其大模型，我们就不放在此次讨论。
总体来说，有三类大模型企业，目前都得到了国内外知名投资机构或行业客户的支持，拥有较高的技术认可度与商业转化潜力，可以被看作是 " 大模型四小龙 " 的预备役。
1. 明星派
明星创始团队，具备在工业界或学术界的知名度和影响力，打造的大模型一出世，便凭借 " 明星效应 "，备受业界关注。
包括，由前搜狗公司 CEO 王小川创立的百川智能（2023 年 3 月，拥有多种参数的 Baichuan 系列大模型）；由前商汤研究院副院长闫俊杰创立的 Minimax（2021 年 12 月，拥有 ABAB 大模型）；由中国最早从事中英机器翻译领域的研究者之一、2023 年 ACL Fellow 周明博士创办的 Langboat 澜舟科技（2021 年 6 月，拥有通用大模型孟子）。
2. 技术流
相比 " 明星效应 "，技术流更强调技术实力，其中典型代表是智谱 AI。作为一家清华系初创公司，智谱 AI 在 2019 年成立时就把 OpenAI 当作对标，将实现 AGI 通用智能作为目标，是中国最早启动预训练模型研发的科技公司之一。智谱 AI 最新发布的基座大模型 GLM-4，在一系列评测中的表现也被认为逼近了 OpenAI 的 GPT-4。
3. 务实派
被寄予厚望的明星派、技术流，都是 " 高高在上 " 的，从业务 / 商业土壤上生长出来的务实派大模型，也可能凭借落地应用而闯出一条路。比如 2023 年问世的 " 天工 " 大模型，由昆仑万维自主研发，大模型 AIGC 与昆仑万维的搜索、游戏、社交、娱乐等业务的结合，快速进入应用周期，也让昆仑万维成为闯入大模型领域的一匹黑马。
需要说明一下，三个类别是看 " 最长板 "，并不意味着其他赛道的能力不高。
拥有明星创始团队的大模型，性能也可能并不逊色于技术流；拥有强大基座模型的技术流，也可能牵起强悍的运营队伍，带动产品落地；而务实派是 " 根据钉子造锤子 "，但锤子要是不够硬，啥也砸不下去，所以技术能力也得过硬。
凝视大模型的 " 商业化 " 深渊
对标 "AI 四小龙 "，可能并不让大模型企业很高兴，反而是忧虑更多。
以计算机视觉为核心的 "AI 四小龙 " 前期融资能力很强，但普遍遭遇了商业化的艰难探索，面临盈利难、市值下降等困扰。而大模型的落地 " 深渊 "，背后是更加漫长的商业化之路。
但是，逃避、讳莫如深，是无法打消投资人、市场和用户的顾虑的。无论大模型企业是否愿意凝视深渊，深渊一直都在凝视着大模型。
直面大模型的 " 商业化 " 深渊，相比上一轮 AI，有三新一旧：
三新：新环境、新规模、新要求。
简单来说，大模型企业面临着更加严苛的融资环境，随着全球流动性衰减，科技企业的高估值都很难保持，庞大如谷歌都在裁员 " 降本增效 "，融资难度更大了，比如智谱 AI 的融资水平就明显不及当年的商汤科技。
同时，大模型又是一个重投入的行业，基座模型的技术竞赛，还远远没到终结的时候，持续向上探索意味着长期烧钱，需要的资金规模更大。而吸取了上一轮 AI 投融资经验的投资人，面对大模型也格外冷静，对初创企业的自身造血盈利能力提出了更高的要求。
一旧：AI 标品化依旧很难。
南橘北枳，在中国做 AI，照搬 OpenAI 是绝对不行的，要看到铁一般的事实：中国 toC 市场对 AI 等软件产品的付费意愿不高，监管严格，很难做，真要做也要配备庞大的团队去确保安全合规，投入并不小。
toB 市场也有很大的差异，国内企业大多不信任 SaaS 模式，更倾向于私有化部署，行业市场分散，中小客户众多，需求纷繁复杂，高薪的算法工程师到一线做一个几十万的项目很常见。
至于 toG 市场，智能化项目竞争激烈，而且事多钱少利润薄，上一轮机器视觉公司基本在做自动驾驶、智慧城市、安防等业务，都挣的是辛苦钱。一般来说，CV 计算机视觉类项目费用，是比 NLP 自然语言处理类高的，所以大语言模型想要靠项目制获得高客单价，也是很困难的。
究其原因，ToB/ToG 市场的 AI 项目，大多以解决方案式落地，政企机构更希望打包式引入 AI、云、IoT 等软硬件，针对自身打造定制化方案，AI 产品无法以标准化、模块化的形式快速交付，前期要投入很高的成本。
从这个角度看，整体投入更大、单个项目收益更小，大模型的商业化挑战，比上一波机器视觉公司更严峻。
那么，" 大模型四小龙 "，会重蹈覆辙吗？
龙跃于渊，大模型盈利出路在哪里？
悟已往之不谏，知来者之可追。面对 AI 商业化难题，也不必悲观，事实上，我们看到大模型 " 四小龙 " 预备役们，大多能开始吸取经验开新局。我们也发现了一些共同点：
共同点一：降本，但不 " 增笑 "。
对内 " 节流 "，提高人效。相比上一轮 AI 创业热潮中 " 高薪挖算法 / 科学家 "，这些大模型 " 潜龙 " 从一开始就会注重 " 人效比 "。
此前科技行业的高流动性、高估值，也催生了 " 独角兽 " 们随意扩张，反而造成了大量的低效现象，比如硅谷 " 神员工 " 精通各种编程语言，原来是把工作外包给多个中国工程师，几年都没被发现。这种环境也导致创新大幅度收缩，初创企业招人成本奇高。
而这波大模型创业热潮中，企业对于人员扩张都是比较谨慎的。周明曾对媒体说过，开始创业时团队只有他自己，后来扩展到 5 个人，慢慢开始训练模型，以一个 " 轻量化 " 的团队做出的孟子模型，未来应该长期稳定在百人的规模。百川智能、智谱 AI 也是类似的思路。
对外降本，提升大模型企业的盈利潜力。帮助企业和用户 " 节流 "，降低应用大模型的成本。很多客户的痛点是，用大模型的成本压力很大，希望大小模型结合，来提高投入产出比。比如百川、智谱 AI 都推出了多种参数的大模型，来综合不同需求。
共同点二：聚焦 toB，重视现金流。
这些大模型企业从一开始就聚焦在 toB 市场，智谱 AI 的 CEO 张鹏、澜舟科技创始人周明都曾明确表示过，优先发展 toB 企业服务业务。
从数字化到智能化，传统 AI 厂商需要从零开始做用户教育，去讲述 AI 技术降本增效的价值。与之相比，大模型的认知度和接纳度，都是非常高的。各行各业对生产力的渴求、对应用 AI 的共识，都非常充沛。这给大模型企业带来了非常好的增长基础。
百炼智能发布的《大模型招标需求分析简报（2023 年 1 月 -11 月 ) 》显示，7 月起，随着国内 130 个大模型相继问世，大模型招标需求量开始呈现明显上升趋势。11 月迎来增长高峰，需求量较前月翻至近 3 倍。其中选择投入 10 万 -50 万预算进行小规模尝试的企业最多，同时也有不少以国央企为代表的企业开始释放百万级项目预算。
如前所说，toB 的钱也未必好赚。企业客户虽然付费意愿比 C 端用户高，但 toC 应用可以标品化、大规模地吸引用户付费，而 toB 智能化项目却需要定制化，投入更大。此前机器视觉公司也曾想将 AI 模型跨场景、泛化应用，但发现现实世界的商业模式依然是强定制，成本居高不下。
这个问题，在大模型创业者中有比较广泛的共识，也都在积极探索解法。百川智能 CEO 王小川曾对媒体透露，要突破 toB 定制化问题，通过可配置、可调整的搜索增强知识库，以产品化的方式，通过不同的产品组合，来解决客户的定制化需求。
共同点三：广交朋友，积极开源。
" 定制化 " 之所以成为企业的天然需求，一个主要原因是 AI 落地业务场景，是从零开始的，AI 要和业务一起磨合才能发挥作用，很多场景是无法用一个通用产品来解决的。智能化是一门长期的慢生意，是离不开生态合作伙伴，去深入行业，做大量定制化工作的。
这些年，我们团队实地走访了不少 AI+ 工厂、AI+ 养猪、AI+ 巡检、AI+ 煤矿、AI+ 码头等智能化项目，最常见的一个场景就是：AI 企业的科学家、算法工程师、产品运营人员、项目经理等各色人等，有的在田间地头码头仓库，一待就是几个月，去了解基层人员的工作需求，去从头设计作业流程。
而智能化往往也伴随着 " 去人化 "，有的时候一线工作人员也会不理解、不配合，大大延缓项目进度。有一年冬天，某煤矿智能化团队在陕北某场站调研时，工作人员不想搭理他们，就故意不开暖气炉，想让他们大冷天的自己知难而退。还有一次，在一家养猪场，管理方希望用智能摄像头来实时感知猪的体温，防范猪瘟等传染病，但算法性能一直提不上去，最后技术人员在现场反复调研，发现是因为猪皮太厚了，导致体温识别准确率下降……
不难看到，这些十万、几十万的中小微企业的小项目，可能客单价比不了大 B/ 政府类客户，但数量多、规模大，以基础大模型作为底座，进行定制化开发，可以极大地提高基座模型厂商的使用率，吸引更多伙伴 /ISV 服务商去打造商业版。
吸引行业伙伴，百川智能、智谱 AI、昆仑万维、澜舟科技都相继开源了数个模型。
但我们都知道，开源容易，做生态难。一个大模型开源之后，生态繁荣不起来，没有开发者来持续贡献、打造商业版，无法形成正循环。
要吸引开发者，一是基座模型的能力还是要过硬，理解分析逻辑不能有硬伤。奥特曼就曾经说过，GPT-4 的很多问题会在 GPT-5 得到解决，希望开发者基于 AGI 通用人工智能去设计业务。换句话说，更强大的新模型，可能会将旧模型的商业价值一笔勾销，让开发者彻底白干。所以，开发者一定会选择将时间精力放在那些最先进的基座模型上，避免被卷得太快。
此外，需要良好完备的工具栈。大模型要用好，软件也要做一定的适配和改造，则考验的是大模型厂商的工程化能力，软件是否对开发者友好。而 " 四小龙 " 中比较多初创公司，工程团队在规模、人才、经验、积累等方面可能与 BAT 这类成熟企业有差距。比如任务调度、代码可读性、技术文档、标准数据集等，减轻开发者和伙伴们的负担，共同把大模型用好。
无论是曾经辉煌的 "AI 四小龙 "，还是正在崛起的 " 大模型四小龙 "，这些企业用锐利的技术和昂扬的理想，一次又一次地推高创新的 " 天花板 "，是中国科技不可或缺的一支力量。
智能中国正打开更宽广的天地，这些大模型 " 潜力股 "，一定会有龙跃于渊，遨游九天。
