新科技浪潮一开始都是硬件和基础设施赚钱多一点，但到后面就是应用，应用赚的钱是前面的十倍以上。

大模型是近年来最热的话题，作为最基础的构件唯一供应商，英伟达也因此一路飙升成为美股新王。作为国内的投资者，如何看待这一浪潮，大模型的趋势是什么？未来AI科技革命的投资机会在哪里？最近参与了几场AIG主题的论坛，整理了一些印象深刻的专家观点，希望对大家有所启发。

国内大模型两股阵营：

一是技术信仰派，大多技术出身，认为应该像OpenAI一样信仰AGI、信仰scaling law（规模定律），思维更偏硅谷。在他们眼中，随着模型能力跃升、模型成本降低，过程中会解锁丰富的应用。倘若不追求“更大更强的AI能力”，一旦其他人的模型飞跃，很快会降维碾碎现有根据地与护城河。

一是市场信仰派，信奉陡峭的技术曲线终有放缓的一天，只需将“足够的AI能力”投入可以快速变现的商业场景中，相信数据和应用才是核心，用市场庞大而独特的数据构筑壁垒。

中美差距与中国优势：

关于当下中美AI的差距，GPT-5能否做出来是个关键点，技术上明年底都会对齐GPT-4。

中国在AI应用上的创新是比美国要领先的。原因一是数据多，二是AI做不到100%取代人。

OpenAI如果底层技术上碰到明显的瓶颈之后，中国在应用的创新肯定会比美国多，因为中国应用场景多、数据多。

快手的视频大模型明显比sora好，为什么？因为快手数据多。大模型的核心不是算法，是高质量的数据。高质量数据，中国在很多领域是比美国有优势的。

中国在AI应用上的创新是比美国要领先的。一是刚才讲的数据多，二是AI达不到100%取代人。在很多细分领域肯定是50%取代人，有些是80%，剩下的就是人工补齐，需要人工补齐的时候，中国肯定是有优势的。

很多财经数据，在中国是要靠人工清洗的，在美国也要人工清洗。公开数据不清洗，误差太多，没法用。中国搞人工清洗有优势，人多，价格便宜。只有把干净数据喂到模型里面去，出来的财经分析报告才是准确的。美国是砸更多钱去搞大模型了，今天根本看不到这个（美国拿到巨量干净数据库的）可能性。

美国创业者设想的目标都很远大，用AI直接制作电影，难度很大，最近两年很难落地商业化。

但是中国有场景优势，已经从图像、图片转向短视频了，今天（中国）所有的电商、网站基本上都是基于短视频的，美国今天还都是图片，中国有特别多的数据，且10-15秒的视频广告是用AI最容易生成的，即使当中有部分瑕疵，靠人工花10%-20%的功夫去补齐也特别适合中国创业者。美国公司看了以后直接就呆了：（虚拟直播！）卧槽，你们怎么做出来的？感觉很惊讶，在美国做不出来你知道吧。

（中国）整出200多个大模型有啥意义呢？没啥优势。但在应用层有很多创新。中国在数据和应用场景上是远远超过美国的。

技术迭代趋势性放缓：

GPT-4是30%的合成数据，GPT-5已经是90%的合成数据了。靠合成数据来提高大模型的能力，肯定很快会到上限。

任何时代都会有“永动机谬论”。AI时代的永动机谬论就是靠计算机不断合成数据，反复提升大模型的能力。这也是GPT-5需要几十万张卡的原因，因为它合成数据的效率非常低，但大部分合成数据没有信息价值，不可能做到熵减，就需要靠很大的合成数据量来创造部分的熵减。

技术迭代曲线肯定会放缓，PC刚出来也一样，（电脑的CPU型号）286、386、486，大家都觉得美国牛，但586以后，联想都收购IBM了。技术迭代曲线不可能一直这么陡峭。

GPT-5以后就基本会放缓—GPT-4.5今年应该很快发布，GPT-5不一定，可能明年。GPT-5是把视频生成做到今天图像生成的水平，再往前走不太容易。现在看，语言模型进步差不多见顶，突破在多模态，Sora再发布三四个版本也能见顶。后面突破按他们自己说7万亿美金，至少几十万张卡拿出来训练，成本太高太贵了，失去了技术革命的意义。

GPT-5惊艳与否不再重要

硅谷现在都开始怀疑到底还有没有GPT-5，即使推出GPT-5，其在核心的推理能力上有没有一个显著的跃迁，是被怀疑的。

英伟达核心的问题是Scaling Law(尺度定律)有没有效，如果无效，英伟达的股价会跌得一塌糊涂。最关键的核心就是今年年底美国到底能不能出GPT-5，如果是10万张卡、20万张卡搞下去，还见不到核心推理能力提升，英伟达就完蛋了。

OpenAI到现在也没发布 GPT-5，一直在“跳票”，硅谷也高度怀疑GPT-5还有没有，即使出来在核心推理能力上还有没有显著的提高，这是很不确定的东西，今年年底是一个验金石。

如果GPT-5出不来，大模型的核心推理能力就到现在这个水平了，后面只是优化性能、优化成本。

市场派认为，GPT-5肯定没那么惊艳，或者惊艳与否不重要了，因为GPT-4已经满足了绝大部分的商业需求了。这实际上和X86会很像，X86到586以后的升级几乎都是边缘化。那些升级对本身商业模式已经没有什么大的变化了。

一直到可能在586以后的差不多十年，推出新的多核，那是一个本质性升级，但当中这十年的升级都没啥意思。GPT-4以后，市场对GPT-5没有那么期待。

大模型发展的挑战

大模型Scaling Law还在往前推进,但大模型是不是能够帮助我们推到AGI顶峰上去，现在还有很多未知因素。

以现在公开的Scaling Law，还做不到AGI。Scaling Law之外还有范式的变化，比如数据、算法、算力，不只是去简单地变成压缩模式，走出这个体系，才有机会走向AGI。

大模型发展最大的挑战是数据，在数据没有那么多的领域，或者假设最后要做出来一个比人类更好的AI，可能根本不存在这样的数据，现在所有的数据都是人产生的，最大的问题是怎么解决稀缺甚至不存在的数据。

大模型进步放缓后是应用的大机会

大模型的迭代曲线放缓了以后，未来生成式AI应用的机会就会更多。

以前很多投资人不敢投AI的应用，就是因为大模型演化太快，很可能大模型迭代就把很多场景覆盖掉了，而现在大模型演化速度有放缓趋势，应用机会就会有很多。

现在OpenAI技术迭代曲线还比较陡峭，开源肯定比非开源落后一年甚至一年半。但等非开源技术迭代曲线缓慢下来，开源会上去的。

OpenAI就一两百个工程师，开源的全世界几百万、几千万工程师在用，怎么可能一直比非开源的落后？就像安卓，今天的安卓比iOS差吗？肯定不会。

未来大模型有两个趋势：

一个是模型垂直化，一个是模型缩小化。

比如，华为肯定要把模型上手机，小米也会这么做。大模型跟终端硬件做结合，也是中国创业者的机会。到时候比拼的不再只是参数，更不是一味地卷算力。

大模型的商业模式待商榷

今年就可以看出大模型本身是不是好的商业模式，多少OpenAI的用户会因为价格差异迁移到Google的Gemini——OpenAI是20美金一个月，Gemini 10美金一个月。美国团队已经有一半人切换到Gemini，一部分是因为价格，另外一部分是因为Google的ecosystem。三星的AI手机已经绑定Google Gemini。下面就看苹果的新iPhone会绑定哪个大模型，会向大模型公司收多少钱。

同质化产品必须讲价值，今天的中国大模型几乎没有差别的，最终就只能拼价格。

现在国内200多个大模型。2023年年初大模型一千万私有化部署一个，到6月份500万部署一个，到年底100万都不要。给央企部署一个私有化大模型，不要100万人民币。一年时间就价格杀到地板价去了。一开始就内卷，大模型公司就会很难单独生存。

问题是你技术没有差异点，而且每一代技术你都要投，可能GPT-3.5 就几千万美金， GPT-4 可能要几亿美金， GPT-5 可能要几十亿美金。每一代模型都要重新去砸钱，而且变现周期可能就两三年。这比发电厂还要差，发电厂投入一部分后，基本上不需要再投入更多钱。说实话，大模型是非常非常差的商业模式。

通用大模型是个“先行者劣势”的方向模式。先行者在前面试错，成本巨高无比，而后面跟进的成本却越来越低。今年能花1000万美金、2个月时间训练出一个GPT-3.5，明年1000万美金就可以训练出一个GPT-4。跟在后面的反而很舒服。

今天的大模型公司很难单独存在，因为没有自己单独的商业模式，在成本线以下了。大厂打大模型价格战，创业公司几乎都没法跟进，因为它的成本比大厂外售价要高，而且本身没有专用的数据，很难建立壁垒。

5年以后根本就没有单独大模型公司，只有应用公司或者云服务公司。云服务公司免费提供大模型这样的接口。大模型是基础服务，基础服务一定会和云在一起。

AGI是愿景，ROI是企业生存的前提，从商业模式上验证大模型的能力同样重要。改变商业模式本身或者ROI很重要的方式，还是要看大模型的成本和产生的实际价值。

很少有一个技术像AI大模型一样，技术迭代和商业模式几乎同时推进，这也意味着，技术带来的商业化时间窗口转瞬即逝，竞争难度可想而知。

边缘侧小模型的未来更美好

iPad Pro 推了 M4 芯片，非常有意思，一个几百亿参数的小模型就可以在端侧直接跑起来了。尤其今年下半年的新 iPhone ，可能也是类似的。预计明年AI在应用层绝对会爆发。

苹果用混合模型，把芯片和端做好，反正大模型已经太多了，我随便用谁的效果都不差。

边缘端的小模型必然是未来方向，而且商业机会特别多。

360帮一些公司做私有化模型落地，发现百亿参数在当下绝大部分场景下够了，甚至你如果给它规定的场景很清晰，会比 GPT-4 还好。只要岗位定义清晰，就是可以省人工。

非常看好在边缘端侧的小模型商业化应用，在未来一两年肯定会在这个方向爆发。

边缘端的开源小模型必然是未来方向，而且这里面商业机会特别多。非常看好这个方向，在未来一两年肯定会爆发，而且很多人在尝试。现在开始必须开始聚焦这方面要做的事情，机会很多，比如机器人，陪伴机器、情感机器基本都需要端侧小模型在这些具体应用场景。

机器人最后拼的就是大脑，大语言模型就是机械的大脑。你可以把机器人看成是大模型的应用。

ARM成功拼的是轻量级，低功率，多年后ARM通过迂回策略，照样成为了CPU王者，甚至在某些方面取代了X86。所以，大模型不只一条路，不是越往大做越好，从千亿到万亿。除了Open AI的路，还有另外一条路，就是大模型是越做越专。

现在卷通用大模型没有意义，我们抢用户、抢场景、抢数据，更有意义。

在企业的定向应用场景里，只需要大模型解决单个场景里的专有问题。培养一个专业大模型，不需要会写古诗，也不需要解奥数题，它只需要做一件事。企业只需要用专有数据和知识进行训练，和企业之前的业务系统进行紧密整合。

今天大模型不只白菜价了，而是免费了。企业终端的焦点不在于模型的选择，而是你有什么样的场景，有什么样的知识，如何和企业业务相结合。这已经被证明，是大模型的一个现实方向。

刚刚开源的Databricks，还有马斯克开源的Grok，看起来参数很大，但里面都是基于混合专家（MoE）架构。说白了，就是由8个或16个小模型构成的，未来可能会有32个。每一个小模型只做自己最擅长的事情，且参数量都是百亿级的，最后再用几十个小模型拼凑成千亿模型。

把一个模型参数从千亿变到百亿，看起来参数小了10倍，但是成本、复杂度、训练和推理成本，可不是小了10倍，而是小了几百倍，甚至上千倍。一个千亿模型，没有几千张卡根本没法训练。但今天一个百亿参数的开源模型，做单一任务，用一台电脑、一个4090的显卡，单机单卡都能跑起来。

现在大模型还有一个趋势，就是大模型上终端、大模型上PC。这证明了，大模型在企业应用场景中，把模型越做越小、越做越专，是有可能的。

最小的一个公司用1张卡，提高了50%的效率。从360的实践来看，+AI是门槛很低的事情，只要一跟进就是能看到效果，创造很多价值。很多创业者做应用端的创新，成本肯定不高，关键是懂垂直场景和用户需求。知道什么样的产品形态，可以给用户创造一个数量级的价值。

360AI浏览器用了5个小模型，分别做翻译、搜索、阅读理解、脑图生成。五个百亿级模型加起来，比千亿级模型成本更低、速度更快。

入口为王，最值钱的不是技术

苹果再次定义了什么是入口为王，最值钱的永远不会是技术本身。谷歌每年是给苹果100多亿美金，就是做一个预装，在苹果上打开搜索浏览器确保搜索器是谷歌，所以最终最值钱的还是入口。

今天苹果也可能用OpenAI的GPT，但苹果不给GPT导用户，不用注册就可以用GPT，就是苹果不给GPT导用户，只统一接口去访问GPT的服务；而且苹果可以随时切掉。

今天苹果和OpenAI双方是免费的，我免费用你的服务，但我也不给你用户也不给你付钱。如果谷歌追上GPT-4，还给苹果100亿美金，iPhone会用谁？最终还是入口为王，苹果自己也在做大模型，如果没有GPT-5，我觉得到明年所有人都到GPT-4水平，那可能就是用苹果自己的大模型了。

数据是企业的核心资产

做企业级大模型时，越智慧的知识，越是知识类的数据，才更有价值。而这些需要在企业里去深度挖掘和搜集。企业私有大模型融合了企业对业务的理解和企业独有的知识，进而成为了企业的核心资产。

数据，美国没有产品短视频数据。在美国看亚马逊、Shopify，还是基于照片。所有的电商，美国基于照片。中国过去三年全部转成短视频了。很多垂直领域，都要积累数据、积累优化。他们60%-70%客户授权监控效果，就知道哪些视频适合淘宝，哪些适合小红书，哪些适合抖音，有闭环数据反馈。后面追不容易。

AI应用赚的钱是前面的十倍以上。

不管是PC互联网和移动互联网都是一样的，新科技浪潮来的时候，首先是硬件涨得最快，然后是基础设施，然后才是应用。2000年PC互联热潮，第一市值的公司是思科，今天市值最高的公司则是英伟达。

从发展规律来看，硬件和基础设施之后，AI应用公司会有更多的机会。

历史总是踩着非常类似的旋律，从思科到移动互联网的高通，然后到苹果、三星，最后会是应用型公司的机会，创高价值的都是像亚马逊、谷歌、脸书等应用型的公司，所以像AI应用型的公司同样还有机会。从PC互联网到移动互联网都是应用赚最多的钱。

确实每一个周期一开始都是硬件和基础设施赚的钱多一点，但到后面就是应用，应用赚的钱是前面的十倍以上。

这次大模型肯定也是的，而且这次速度比较快，PC互联网可能迭代速度是十年为周期的，这次是以年为周期的。

AI应用级爆点：

随着技术的不断演进，下一个杀手级应用的核心将聚焦在准确率上，特别是大模型在垂直场景细分中能否达到95%甚至接近99%的准确率，将成为决定其成败的关键因素。

现象级应用的大趋势：

但从这个历史来看，肯定是每一代都是比上一代要放大一个数量级。PC互联网时代是搜索，移动互联网时期是推荐，AI时代到底是什么？现在没有人知道。

美国AI的应用创新两条路：

一条是非常、非常薄，因为底层大模型太强大了，所以上面叫套壳应用。

另一条是看上去很伟大，但肯定走不通的，像Pika。这种目标很伟大，AIGC生成视频、电影。但这条路可能在几年之内都看不到走通的可能性。

AI应用迅速落地的三个有利条件：

一、中国有很多垂直行业的高质量数据，通过post-training是可以降低幻觉、提高可用性，达到商业化质量；（国内有优势）

二、如果用AI自身无法达到商业化质量，那就靠人工补齐，可以用80%的AI加20%的人工，为客户交付最终服务；（国内有优势）

三、找到高度容错的场景，即使有部分的错误幻觉或者不可控的结果，也无所谓。

AI应用爆发的场景首先在B端：

短期内肯定做to B，起来快。iPhone、大哥大、电脑出来的时候，都是to B先用。马上能提高生产力、见到效果。企业愿意花钱。

在B端上首先采用的都是企业服务端，只要能够给企业创造价值，即使价格贵一点，企业也是愿意用的。现在的机会是要为企业端创造价值，AI赋能企业内部降本增效可以取得立竿见影的效果。

在微信营销端、电话中心客服端都可以很轻松地取代50%的人。

美国对AI应用的落地相对更理性一点，落地速度比期望值要慢很多，因为今年的大模型本身还是有很多错误的，且出来的结果不可控。

中国以前的企服软件在几千万人民币的时候增长放到50%了，很难增长。AIGC出来以后不一样，去年很多公司增长三倍到五倍以上。

中国企服还是有机会的，但可能还有三到五年冬天。宏观太多不确定，企服就是剩者为王。今天你能不能靠AIGC迅速达到不烧钱的爆发增长是唯一之路。

明年C端应用或见端倪

To C应用必须刚需、高频，长远才有机会守得住。

To C要见到iPhone 3时刻。就像当年移动互联网To C应用爆发是Multi-Touch（多点触控），想不到的，对吧？愤怒的小鸟和切西瓜是Multi-Touch出来以后，才成为全球爆款。

大模型到底在什么点让to C应用爆发，不知道。“个人助理”是技术人员的想象。实际有几个人需要个人助理？都是典型的伪需求！

今天C端应用明显不够成熟，还没有到时机点，到明年的时机才可以探讨应用。

AI创业建议：

一、聚焦行业，重度垂直。

聚焦落地场景，让你的用户一看到你的产品就尖叫。要聚焦到垂直行业里，懂你的客户，懂你的客户要什么东西。

中国市场还是有很好的机会，它的特点是很碎片，按企业、按行业、按规模分成了很多区隔市场。

重度垂直，场景选择要非常小切口，不要做宏大叙事。要有足够多的知识壁垒。

垂直场景，场景不怕小。有个说法叫小切口、大纵深。虽然切口小，但影响的企业是数以百万计。

其次是重度垂直，跟行业结合得很深，比如做广告视频或视频剪辑。在视频内容的产生方面跟Sora比，是以卵击石。但在做广告视频方面下很多功夫后，这个软件能降低做事情的难度，提升工作效率，也一样有价值。

二、没钱别碰大模型

中国创业者不要在底层技术上投入研发，因为大模型已经很强大了，做AI应用不需要砸大钱的，不需要很大算力，任何一个人告诉你做AI需要投入很多的钱他都是在忽悠你。

现在问你一个很扎心的问题：GPT-4你要不要投入做科研？你做GPT-4科研至少砸四五千万美金。GPT-5要几亿美金！关键是万一你砸了四五千万美金做出来，别人开源了呢？你不是全白砸了？

一定要做成AI 100%做不了的东西，这才是中国的机会，100%大模型能做的很快就被颠覆掉，你现在做的都是浪费。

中国创业者不要再在底层技术上投入研发，在垂直场景上做优化也很重要。不要再投很多钱，买很多卡。

找到好的场景切进去，也很有机会。要达到商业化质量，并降低一个数量级的交付成本。

没有足够的资金和技术积累的创业者，别去碰通用大模型。

绝大多数创业者在资金有限的情况下，面临巨头领先者的竞争，再去卷通用大模型，是不可能成功的。

对于AGI的竞争，算力越来越是一个卡脖子的问题了，算力背后又是能源问题。你做模型做不过Open AI，后面还有LLama2这种开源模型。昨天Databricks又开源了一个1320亿参数的大模型，能力也超强。

联想的“贸工技”路线依然最适合中国创业者。依然是先养活自己，脚踏实地，同时要记着远方的梦想。

（文中观点主要来自360创始人周鸿祎、金沙江创投主管合伙人朱啸虎、猎豹移动董事长兼CEO傅盛、百川智能CEO王小川、智谱AI CEO张鹏、月之暗面CEO杨植麟、面壁智能CEO李大海 ）

特别提醒：本文为投资逻辑分享，不构成投资建议。

价值投资理念、知识经验学习与交流平台，投资风险教育平台。

发现价值，践行价值。书会长期开展独立投研活动，定期发布原创研究报告，组织线下分享活动。

“行稳致远”,秉持“专业、谨慎、诚信”的精神，努力与会员和客户共同实现长期价值稳步成长