季度AI观察：大模型时代的大公司，就像贪吃蛇

共识粉碎机从本季度开始推出新的季度文章系列《季度AI观察》，期望通过与行业内最前沿的一线创始人/从业者们交流了解每个阶段大家的所思所想。

本次作为观察者参与了Whatif组织的AI Panel。WhatIf季度研究线下会，是一个投研组织，季度会主要参与者为AI公司创始人、工程师、科学家和行业组织等。本期通过为期3小时的脑暴交流，感受到了AI行业第一年的变化。

一、贪吃蛇与俄罗斯方块

在《大模型未来三年的十个假设》中，我们提到了一个有趣的现象“为什么LLM第一年没有颠覆大玩家？”。

成熟的大公司在LLM元年，没有一家被弯道超车。

听完这次Panel，如果用一句话总结：“AI在现在更像Consolidation，而不是Disruption。”

Panel中提出了一个有意思的观点，LLM时代的大公司就像贪吃蛇：

• 全世界最大的公司们就像贪吃蛇，一直在尝试，尝试在哪个领域可以应用LLM。

• 在思考怎么在自己的生态里，用LLM去聚拢更多的人才：可能是公有云代表的软件生态，可能是内容代表的创意生态，也可能是端侧代表的供应链生态。

• 每家公司都在努力认领一个超级入口作为LLM时代的船票。

• 他们是LLM这场马拉松开始时候的种子选手，也大概率可能是决赛圈选手。

贪吃蛇们也正像我们熟知的游戏里一样，非常有规划地吸纳所有力量：

• 人才密度高的公司有引力，微软就投资OpenAI，AWS与GCP也打响了一次Anthropic争夺战，而在先前Google是上一家明星企业DeepMind的收购方。

• 围绕AI的收购争夺战在2023年也越来越激烈，MoSaicML、Neeva、G2K、OmniML等一批最优秀的LLM企业都成为了被争抢的对象。

• 在过去的技术浪潮里，大公司们往往先尝试自有团队来试，但在LLM时代所有人都把时间和资本视为最宝贵的资源，收购甚至比自己来试走得更前。

而相比贪吃蛇们，剩下的LLM创业公司则更像在玩一场俄罗斯方块游戏：

• 要去找巨头们觉得很重要，但是现在还不能做的领域。

• 要么是巨头不想做的领域，要么是巨头因为架构和方向不能做的领域。

• 不断地在夹缝中寻找生存点和创新创业的方向。就像是寻找单点突破的方向，找到能嵌合进去的突破口。

在任何一个时代创业公司都像俄罗斯方块，但AI时代的难度看起来更大：

• PC 软件时代，互联网时代，移动互联网时代，都是介质不同，所有业务天然有重塑需求，比如社交可以重做一遍，做移动原生的微信。

• 但 AI 本质是工具加强，不是介质创新，很多业务未必需要重做一遍。因此 AI 时代的俄罗斯方块难度更大。

二、贪吃蛇的存钱罐与触手

这一期的贪吃蛇们非常强劲，有很强的循环造血能力。

就像我们在讨论LLM时代最大的贪吃蛇微软时：

• 微软有着全世界最全的SaaS生态，是几乎所有软件公司的对手，这就像他的一对对触手，最有机会赋予先期极大投入的大模型商业价值。

• 微软躺在几乎所有客户公司的供应商列表里，省去了大量POC流程时间，产品出来就能很快用上。

• 微软总是能激发1+1>2的潜力。就像我们在讨论Copilot的时候，往往更多看到的Copilot作为Seat售卖提高生产力。却很容易忽略Copilot本身结合企业的Domain Data后还可以成为一个知识库产品，按照Data Consumption模式商业化可能比Copilot本身更具潜力。

Panel有个有意思的话题：“为什么Azure OpenAI API卖得比OpenAI API还好”。

• Enterprise客户非常看重安全，微软的安全做得最好。

• 微软已经是供应商了，不需要再走流程了，每家客户都想着越快越好。

• 初创AI客服公司很难卖进去几千人的CallCenter，但被CallCenter大公司收购后很快就进入了很大的CallCenter项目。

• Stability.ai正在寻求收购，收购后可能才更容易在竞争激烈的文生图行业找到商业化机会。

“AI超级个体”、“AI小公司赚大钱”是最近常见的叙事，但Pannel上有一个惊讶的观点是“LLM可能会让大公司们打破壁垒变得更加庞大”：

• 过去的大公司大到一定程度，边际收益就会越来越低。

• 每一次生产工具的进步，都会使得组织变得越来越大，交通、电话、互联网、移动互联网、云的出现都使得组织突破时间空间变得更大。

• AI也会使得组织有无限膨胀能力，大企业的资本投入效率变得更高，也会让边际收益的天花板再次提高。

三、贪吃蛇也没有秘密

在大模型时代最大的贪吃蛇是OpenAI+微软的组合。

OpenAI是大模型时代的登月者，在OpenAI登月的过程中，其中的Knowhow和技术思想也在不断向外扩散。

GPT4在硅谷已经几乎没有秘密了：

• 算法层面上没有问题了，圈子内对各家有什么技术，以及重点研究方向都非常了解。

• 差别主要在数据和工程上，这里面可能有很多大大小小的卡点，可能中间会碰壁，但方向确定的情况下解决都是时间问题。

• 都已经摸索出门道，大概估算得出到达GPT4需要多少算力、人力和工程量。

• 硅谷层面没有秘密的时间点肯定比中国时间点要快，但两方信息差也在逐渐缩小。

虽然OpenAI代表的先进模型没有秘密，但我们仍然很难想象出下几代模型的含义：

• 到底什么样的才算GPT5，是Qstar、原生多模态、理解物理世界？

• 还有什么方向是最重要的，哪一个方向能够让模型更加智能？

• 相比先前的工程问题，这些更像是研究问题，OpenAI的人才密度带来了充沛的想象力，以及算力资源带来了充沛的试错机会。

• Scaling Law大家坚信会走很久，但OpenAI在研发上敢于探索很多我们不敢想象的方向，差距不一定会缩小。

四、中国的方块与美国的方块

不同的土壤让创业者也出现了不同的方向。

移动互联网时代为中国培养了一批优秀的产品经理，产品经理定义需求和场景。

云计算时代为美国培养了一批优质的软件客户和擅长找到PMF的软件从业者，他们的入手点多从生产力提效开始。

美国有非常多Niche的小AI应用公司：

• 最早的AI应用网红公司Harvey和Jasper，都来自于Nitch的商业场景。

• 除了这些场景，还有更小的场景一出现就能立刻拿到标杆客户，靠创始人的朋友圈资源就能快速商业化。

• 例如Adobe CTO出来做的MarTech AI公司Typeface。

• 还有相比Jasper更加细分的2B Jasper Writer，仅做B2B领域的文本生成服务，在没拿到融资前就已经有十几个客户。

但与美国不同，中国的AI企业一开始就面临困难模式：

• 美国很多小的垂直场景都能赚到钱，客户的付费意愿很好，愿意为ROI买单，最近四年剧烈的通货膨胀也让客户更加意识到提效的重要性。LLM在这个时代也首先被定义成生产力提效工具。