作者：彭昭(智次方創始人、云和資本聯合創始合伙人)
物聯網智庫 原創
這是我的第291篇專欄文章。
就像2022年8月我們跨越了“物超人”的歷史性拐點一樣，彭博社認為本周我們邁過了從智能手機時代到人工智能時代的拐點。
這個判斷基于一個事實，就是代表性企業的智能手機芯片與高性能計算芯片的出貨量或營收，后者出現了明顯的歷史性扭轉和反超。
彭博社以臺積電最新發布的2023第二季度報告為例，智能手機芯片的營收占比為33%，高性能計算芯片HPC的營收占比為44%，后者超越前者11%，歷史上首次以兩位數百分比的差距明顯領先。
尤其是對于臺積電這樣一家在過去長達15年中，都依靠移動芯片的需求不斷增長而崛起的公司來說，“新舊動能”的轉換確實是一個里程碑式事件。
見微知著，因此彭博社認為人工智能時代已經邁過了分水嶺，進入新階段。
當然，目前人工智能的發展水平可能只能與2007年第一代iPhone相媲美，但是隨后安卓、微信、支付寶、抖音、滴滴…等應用的崛起，在2007年是難以想象的，就像我們不能因為現在的狀態而限制了對生成式AI未來的想象力。
正好本周我受邀參與由杭州市投資促進局與浙江省人工智能產業技術聯盟共同主辦的“AIGC與行業賦能”交流活動并做演講，因此檢索了全球生成式AI企業的最新發展動態，嘗試分析大模型即將引發的3波浪潮及其挑戰。
全球生成式AI企業達598家
投資機構NFX持續匯總了最新的全球生成式AI企業列表，目前表內包含的企業已經達到598家，并且持續更新，具體名單可以在下面的鏈接中查看：
https://docs.google.com/spreadsheets/d/1rMs69QO4UJKueNS2w784KpJlsdsK_ERmuq8qnCMmGUA/edit#gid=503924035
* 我已將該表格下載，不方便科學上網的朋友可以在物聯網智庫微信公眾號留言【598】獲取更新至2023年8月1日的完整表格。
按照類別劃分，這些生成式AI企業的分布如下：
整體融資金額高達660億美元!
如果將這些企業在做的事情更詳細的匯總到一幅圖中，相當的五花八門。
生成式AI的5層架構以及成功企業的4點共性
隨著生成式AI的演進，業內普遍認為將其分為5層架構，包括：
5. 應用層
4. 操作系統或API層
3. 超本地化AI模型層
2. 特定AI模型層
1. 通用AI模型層
由于眾多公司都想抓住這一波生成式AI的發展浪潮，整體的融資金額已經高達660億美元，那么如何另辟蹊徑在競爭中取勝變得尤為關鍵。
整理了全球598家生成式AI企業的投資機構NFX，還分析了那些脫穎而出項目的共性：
1. 產品速度
速度，首當其沖!
脫穎而出的項目往往不會糾結于花費太多時間尋找特定的數據，或者對初始階段就構建完美的模型抱有不切實際的期待。他們常常是先把可以使用的功能推向市場，然后再讓AI模型隨著時間的推移持續學習。因為這些項目團隊知道時間比完美更重要。
無論如何都要保證速度，先啟動產品的測試版投入市場再說。
2. 銷售能力
出色的企業當然既要技術，也要營收。
隨著生成式人工智能的持續完善，從實現某一功能，到整合為產品，再到能夠解決實際的業務問題，積極的銷售和營銷將是項目方跨越2023-2024生存期的保障。
3. 網絡效應
尤其是對于在應用層和操作系統/API層的項目來說，網絡效應是必須的。每一個加入網絡的新節點都是對網絡的一次增強，從而構建“傳真機效應”。
4. 嵌入流程
如果是位于第1~3層的生成式人工智能企業，NFX建議優先考慮如何將其嵌入到客戶的工作流程或者日常場景，增強用戶的使用粘性。
首批運營智能平臺初見端倪
在此前的文章《工業AI距離到達“ChatGPT時刻”還有多遠?》中，我曾經提到過生成式AI在企業的殺手級應用，可能是對知識管理的重構。
目前這方面的進展初見端倪，有企業更進一步，由知識管理進而推出了“運營智能平臺”。
很多企業擁有數十年的流程數據、程序記錄和日志，如果將這些流程和程序整合到大模型中，可能會產生意想不到的效果。
然而提到知識管理，人們往往聯想到繁瑣的信息收集與整理。其實最好的知識管理是無需管理，最好的整理就是不用整理。
大家可以回憶一下，有多長時間沒有整理過手機里的照片了，隨著iOS的升級，蘋果公司每一次都把新的AI特性帶入相冊應用。自動分類、自動識別照片和視頻內容，自動生成最佳回憶，你只需要簡單地問Siri就可以找到想要的照片。
同樣，知識管理的下一步，就是無需管理。
大模型可能會讓散落在企業各處的知識，變成在員工之外的企業第二大腦，一個連成一體的硅基大腦。當然現在讓AI整理知識結構，還有很大挑戰，但大規模語言模型的進化速度可能會讓人驚嘆，更好的工具正在路上。
舉例來說，Akooda自稱是世界上第一個“運營智能平臺”，該平臺使用人工智能來定位、訪問和分析分散在組織中的各種知識和關鍵數據，幫助企業跟蹤和分析正在發生的事情，做出更快、更明智的決策。
市場研究機構麥肯錫發現，員工每周平均有近20%的工作時間被浪費在搜索內部信息或追蹤同事上，這些問題阻礙了運營效率的提升，并讓時間白白流失。
管理者也普遍缺乏對實際發生情況的可見度，導致資源分配不當，或被各種雜音分心干擾，有時甚至會過度依賴某幾個熟練的員工。
運營智能平臺就是試圖解決這類問題，他們使用生成式人工智能來讀取、理解和分析幾乎公司的所有內部信息，使企業員工能夠即時訪問他們的整個知識庫。
就像是在企業內部放入了X光機，借助運營智能平臺，管理者不僅了解團隊和部門正在做什么，而且了解每個項目的實際進度。
運營智能平臺通過閱讀和分析Slack討論、Salesforce數據條目、Google文檔、GitHub、Notion、Zoom等系統中的內容，自動提取數據的巨大潛力，無需解釋或人工參與。
這些數據可以更準確地描繪組織內、外部發生的情況，使決策者能夠客觀地了解項目和時間表，并做出相應的反應。
使用運營智能平臺之后，企業內部的溝通流變得更加多元，增強了原本沒有太多工作交集的公司內部利益相關者之間的協作、員工在特定主題上的專業知識共享等，這些都是傳統協作方式難以覆蓋到的場景。
除了運營智能平臺之外，我們在近期有望看到更多生成式AI的創新應用誕生。
生成式AI公司即將經歷的3波浪潮
目前我們仍處在生成式人工智能的第1波浪潮中，根據投資機構a16z和NFX的預測，生成式AI將經歷完整的3波浪潮：
第一波：人工智能大模型的封裝
隨著ChatGPT、文心一言等大模型應用的普及，人們對人工智能的能力形成了新的共識，切身感受到了AI的力量，企業對于試用AI的熱情空前高漲。
消費者使用AI生成圖片、頭像或者故事，企業嘗試借助AI的能力提高產品質量、節省研發時間，或者對成本進行改善。
在第一波浪潮中，人工智能的大部分應用集中于通過提示詞生成各種各樣的信息，也就是根據一組指令產生新的內容。
第二波浪潮：從生成式AI到綜合式AI
當模型參數達到100億，就進入到語言理解能力提升的“平臺區”，隨著參數規模增加，AGI能力會快速提升，但語言理解能力不會再顯著提升，而且在這樣的參數規模上，語言理解能力已開始可以滿足商用或垂直領域應用的基本需求。
所以，如果是to B的大模型，參數規模選在100-1000億之間是最經濟的，且有利于私有化部署，保護企業用戶的數據隱私。
而且在B2B領域，焦點會從“信息生成”轉向“信息綜合”，從“生成式AI”轉到“綜合式AI”，也就是匯聚信息從而改善決策。
B2B領域的AI將從大規模的通用模型轉向能夠應用多種模型的架構，包括在特定領域和特定用途的數據集上訓練的更精細模型。
在第二波浪潮中，相信我們將看到更多人工智能應用來匯聚信息，也就是說，綜合式AI將向我們展示更少的內容，但是更為有效。
最終，人工智能在B2B解決方案之間的競爭，將不再集中于令人眼花繚亂的功能，而是更聚焦于這些功能如何幫助公司重新定義更有價值的工作流程。
在這一波浪潮中，客戶并不關心是否使用人工智能，而是更加關心實際效果。
第三波浪潮：因為相信所以看見
第三波浪潮將會激發那些我們還無法想象的事情。當第一次看到智能手機時，我們不會想到：“這真的會改變出租車行業。”我們花了幾年時間才推出了一些更具革命性的產品，比如微信、滴滴，然后是Airbnb和抖音。
第三波浪潮中的項目將由充滿遠見的人建立和推動，他們并不畏懼重新發明或定義人工智能本身。他們會發現以前不可能的新交易，找到以前不可能的新體驗。
在這個階段，人工智能需要具備使用其他工具的授權，以及支持多模態的能力。
雖然現在ChatGPT、Claude、文心一言等能夠詳細的描述如何訂航班，但是他們本身并不具備真正自行預定航班的能力，因為他們沒有操作其他工具的授權，只有“大腦”而不具備“手和腳”。
在未來大模型不僅具備使用工具的授權，還可以操控各種機器人與實體設備。
雖然閱讀文字或者聊天對話能夠讓我們興奮，但是在日常生活中，我們“聽和說”的頻率并不遜于“讀和寫”，因此發展多模態的能力變得尤為重要。
就像人類具備五感一樣，人工智能也即將可接受文本、圖像、語音、視頻等多種不同類型數據的輸入、處理、分析，并將結果以不同的模態形式對外輸出，實現異構模態數據協同推理。
具備使用其他工具能力的多模態人工智能模型，可以激發天馬行空的應用蓬勃呈現。因為相信所以看見，讓我們一起靜待未來。
寫在最后
生產式人工智能領域是否已經過熱或者存在泡沫呢?
對于國內市場來說，通用大模型確實已經太多。不完全統計，短短不到8個月時間，已經有超過85家大模型發布，其中很多成了上市公司的套現概念。
Wind數據顯示，2023年24家“AIGC概念股”已經合計發生67筆減持。同時，大模型創業公司的情況也并不樂觀，伴隨著開源免費且強大的Llama2大模型來襲之際，下半年很多大模型企業勢必會面臨融資難的問題。
然而，過熱或者泡沫并不一定是壞事，這是一種常見現象，往往意味著良好的未來。之前的互聯網、生物技術、區塊鏈…都曾歷經洗禮。
過熱或泡沫之后的調整和重組，恰恰為新技術更加理性和可持續的發展奠定了基礎。
參考資料：
1、The AI Hot 75，來源：NFX
2、3 Waves of Successful Generative Tech Startups，來源：NFX
3、From strategy to execution，作者：Daniel Suchi，來源：medium.com
4、大模型創業300天，成者100億估值，80%敗者出局，作者：楊曉鶴，來源：AI鯨選
