文|讀懂財(cái)經(jīng)
隨著AI故事的演進(jìn)，一個重要問題逐漸擺在了投資人面前：生成式AI到底應(yīng)該投什么？想要回答這個問題，我們不妨看看移動互聯(lián)網(wǎng)的發(fā)展歷史。
在很多人看來，生成式AI的機(jī)會有點(diǎn)像移動互聯(lián)網(wǎng)?；仡櫼苿踊ヂ?lián)網(wǎng)的發(fā)展，大概有三個關(guān)鍵階段：2007 年，iPhone 1 發(fā)布，至此移動互聯(lián)網(wǎng)開始正式啟航；2010 年，iPhone 4 發(fā)布，奠定了移動互聯(lián)網(wǎng)的基本框架；2012 年，移動互聯(lián)網(wǎng)的應(yīng)用開始爆發(fā)，字節(jié)、滴滴、小紅書紛紛成立。
從邏輯上講，GPT 3.5 的發(fā)布，更像是 AI界的iPhone 1時刻，發(fā)展方向已經(jīng)明確，但產(chǎn)業(yè)框架尚不清晰。這樣的混沌也一定程度上增加了投資的難度，甚至?xí)霈F(xiàn)不少的投資“陷阱”。
這樣的事情在移動互聯(lián)網(wǎng)時代同樣發(fā)生。在移動互聯(lián)網(wǎng)早期，“手電筒”等工具類產(chǎn)品以及應(yīng)用商店曾經(jīng)吸引了不少投資人的押注。后來的事實(shí)證明，這不過是移動互聯(lián)網(wǎng)的投資“陷阱”。
如何尋找移動互聯(lián)網(wǎng)的投資機(jī)會？五源資本的方法或許值得大家參考。
根據(jù)五源資本劉芹此前對移動互聯(lián)網(wǎng)的分析：手機(jī)具備了PC的特點(diǎn)。但是，手機(jī)還有三個非常重要的東西，是PC上沒有的：1）手機(jī)上有位置的參數(shù)；2）手機(jī)里面有通訊錄；3）手機(jī)有攝像頭，有外放設(shè)備。沿著這個邏輯，五源資本得出一個結(jié)論：下一代殺手級的應(yīng)用是移動的、社交的和富媒體化的。
沿著這個邏輯，當(dāng)我們在尋找生成式AI的投資機(jī)會，倒不如多問自己幾句：什么能力是生成式AI獨(dú)有，而以前不具備的？
01 大模型進(jìn)入應(yīng)用時刻
2023年是大模型真正破圈的一年?；仡櫛据喩墒紸I的突破，來自于底層大模型的持續(xù)進(jìn)化。GPT 作為當(dāng)前全球最強(qiáng)大的語言大模型，從2018年5月GPT初代版本，到2023年3月的 GPT-4，僅5年時間模型的性能就產(chǎn)生了質(zhì)的飛躍。
從目前看， GPT 模型快速進(jìn)化的原因主要有兩個：
一是訓(xùn)練方法的持續(xù)迭代，從 GPT-1 的半監(jiān)督式學(xué)習(xí)，到 GPT-2 舍棄了微調(diào)階段，再到 GPT-3 的 In-context 學(xué)習(xí)和海量參數(shù)，以及引入了基于人工反饋的強(qiáng)化學(xué)習(xí)之后的ChatGPT。
二是在模型參數(shù)規(guī)模擴(kuò)大背后，是 OpenAI 對研發(fā)和算力的持續(xù)高投入，通過“大力出奇跡”的方式，支撐了模型參數(shù)和訓(xùn)練數(shù)據(jù)的快速膨脹。
隨著大模型以及 ChatGPT 等一系列“殺手級”應(yīng)用的誕生，生成式 AI 在文本、圖像、代碼、音頻、視頻和 3D 模型等領(lǐng)域展現(xiàn)出了強(qiáng)大的能力。
今年3月，微軟發(fā)布了基于GPT-4的AI辦公助手office Copilot，此后包括企業(yè)服務(wù)、營銷、低代碼、安全、教育、醫(yī)療、金融等領(lǐng)域的AI應(yīng)用開始陸續(xù)發(fā)布。7 月份，Microsoft 365 Copilot 公布定價，為每個用戶 30 美元/月，同時全球CRM龍頭 Salesforce 宣布正式向所有用戶開放AI產(chǎn)品,并給出了單個產(chǎn)品每用戶每月50美元的定價。隨著兩大軟件巨頭AI功能定價發(fā)布，AI 應(yīng)用將正式進(jìn)入商業(yè)化落地階段。
生成式 AI的應(yīng)用不止停留在B端，C端的落地速度同樣可觀。11 月 29 日，成立僅半年的 AI 初創(chuàng)公司 Pika 正式推出 AI 視頻生成工具 Pika1.0，同日公司宣布獲得 5500 萬美元的融資，當(dāng)前估值 2.5 億美元。
Pika的特點(diǎn)在于，能夠?qū)崿F(xiàn)從普通 2D 動畫到實(shí)拍感的電影場景、3D 動畫全面 覆蓋，還能夠支持對視頻實(shí)時編輯和修改，其中生成的視頻在光影、動作流暢度等方面甚至都不輸好萊塢動畫電影級別。
種種跡象顯示，在模型、算力、生態(tài)推動下，AI 應(yīng)用正在進(jìn)入大爆發(fā)時代。
02 資本紛紛押注大模型基礎(chǔ)設(shè)施
生成式AI的高速增長，也引爆了相關(guān)領(lǐng)域的投資。
從一級市場看，截至8月底，GitHub 上 AI 開源項(xiàng)目數(shù)量達(dá)到了 91 萬，相較于去年全年的增幅達(dá)到 264%。根據(jù)Replit的數(shù)據(jù)，23年二季度AI項(xiàng)目環(huán)比增速達(dá) 80%，相較于去年同期同比增長了34倍。
從去向看，大部分生成式 AI 項(xiàng)目還處在早期，大部分資金投向了包括大模型開發(fā)在內(nèi) AI 基礎(chǔ)設(shè)施層， 而應(yīng)用層資金流向僅占三成。
其中，基礎(chǔ)設(shè)施層的投資集中度相對較高。自22年第三季度以來，AI基礎(chǔ)設(shè)施層，在投融資的數(shù)量僅占總數(shù)的 10%的情況下，投融資的金額占據(jù)生成式AI融資金額的70%以上，這也體現(xiàn)了基礎(chǔ)設(shè)施層資金密集型的特點(diǎn)。
在應(yīng)用層，通用AI應(yīng)用占大多數(shù)絕對主導(dǎo)，占比達(dá) 65%。相比之下，垂直行業(yè)應(yīng)用目前無論投融資的數(shù)量還是金額都要遠(yuǎn)低 于通用型應(yīng)用。
從二級市場看，AI 算力基礎(chǔ)設(shè)施層公司率先受益于 AI 產(chǎn)業(yè)浪潮，其中英偉達(dá)是 AI“掘金買鏟”邏輯的核心受益者，其次為微軟、Google、AWS、Oracle 等頭部云服務(wù)廠商和大模型廠商。
原因在于，在當(dāng)下的生成式AI產(chǎn)業(yè)鏈里，基礎(chǔ)設(shè)施層是最確定的環(huán)節(jié)。根據(jù)海外風(fēng)險投資機(jī)構(gòu) Andressen Horowitz 的粗略估算，應(yīng)用廠商平均需要將 20-40%的收入支付給云服務(wù)商或大模型廠商，同時大模型廠商通常也會將近一半收入用于支付云基礎(chǔ)架構(gòu)。也就是說，當(dāng)前生成式AI總收益的10-20%流向了云服務(wù)商。
在硬件層面，英偉達(dá)是最受益的標(biāo)的，其主力 AI 芯片 A100、 H100 承載了絕大多數(shù) AI 模型訓(xùn)練與開發(fā)，占據(jù) AI 服務(wù)器硬件成本的近 90%。
盡管AI 應(yīng)用仍然處于早期，且應(yīng)用層從商業(yè)化以及兌現(xiàn)時間會落后于基礎(chǔ)設(shè)施層幾個季度，但今年以來頭部應(yīng)用廠商股價同樣也有所演繹。今年年初至今，Palantir、Salesforce、Shopify等應(yīng)用層公司也都有著不錯的漲幅。
隨著后續(xù)越來越多的AI應(yīng)用廠商進(jìn)入到實(shí)質(zhì)性商業(yè)化階段，AI領(lǐng)域的投資也將進(jìn)入更加復(fù)雜的階段。
03 尋找生成式AI的投資脈絡(luò)
在信息技術(shù)脈絡(luò)里，軟件和硬件呈現(xiàn)了完全不同的發(fā)展軌跡。在軟件行業(yè)，只有直接掌控用戶和數(shù)據(jù)資產(chǎn)的平臺型應(yīng)用才是最終的贏家。而在半導(dǎo)體行業(yè)，比下游直接面向用戶的電子產(chǎn)品公司有更高的集中度，高通、臺積電和英特爾在各自領(lǐng)域都有極強(qiáng)的話語權(quán)。
換言之，AI世界的演進(jìn)路徑會更接近半導(dǎo)體還是互聯(lián)網(wǎng)行業(yè)，意味著最大的蛋糕到底會出現(xiàn)在模型層還是產(chǎn)品層？在回答這個問題前，我們先來看下AI與上述兩個領(lǐng)域究竟有何不同。
與很多行業(yè)不同，半導(dǎo)體行業(yè)的發(fā)展邏輯來自消費(fèi)市場對性能永無止境的需求，并最終演化為摩爾定律。這迫使制造巨頭們通過巨額研發(fā)投入，持續(xù)保持了每一代產(chǎn)品的技術(shù)領(lǐng)先。在這個過程中，性能提升會越來越難，其帶來的收入增長和所需巨額研發(fā)成本往往是不匹配的，這構(gòu)成了半導(dǎo)體制造的極高的壁壘。
但這樣的情況并不會出現(xiàn)在生成式AI的模型層，原因有兩點(diǎn)：
一是軟件相比硬件更難保持技術(shù)的長期領(lǐng)先。目前，大模型的投入成本主要在訓(xùn)練成本，但訓(xùn)練成本相比造芯片動輒幾十億的投入相比還是小巫見大巫。這也能從國內(nèi)外大模型發(fā)展看出。盡管國內(nèi)與國外大模型仍有明顯差距，但相比年初差距已有明顯縮短。
二是相比消費(fèi)者對手機(jī)和PC「性能」的無限需求，在很多場景下，用戶對生成式AI的智能化程度呈現(xiàn)邊際遞減的。也就是說，所有場景對生成式AI性能的要求并不是無限的。
既然模型層邏輯跑不通，但要說應(yīng)用層公司有很大機(jī)會，也未必。原因在于，大模型邏輯下，產(chǎn)品體驗(yàn)與控制模型高度綁定，且數(shù)據(jù)反饋對模型改進(jìn)至關(guān)重要。在這種情況下，你很難相信一個高度依賴大模型廠商的應(yīng)用層公司。而對應(yīng)用層公司來說，把自身高質(zhì)量數(shù)據(jù)完全交給大模型廠商去進(jìn)行迭代，本身也是一件風(fēng)險極高的事情。
從這個角度上說，無論是模型層還是應(yīng)用層公司都有各自的問題，同時占據(jù)模型層和應(yīng)用層的全棧公司或許才有捕獲最大價值的可能。