顶尖投资人对大模型的判断：Scaling Law仍未达上限，没出现Killer App的根因是能力不足
Editor's Note
The following article is from Atom Capital Author 科技最前沿的
写在前面
5月29日-30日，「2024 亚马逊云科技中国峰会」在上海隆重召开，AI是此次峰会上最受关注的话题，来自全球的人工智能技术专家、行业领袖以及创新者汇聚一堂，围绕AI技术的全球前沿创新与应用实践等话题展开了热烈的交流与分享。
01 自我介绍
Q：非常高兴邀请到Melissa参与本场圆桌讨论，请您给现场观众做一下自我介绍？
02 大模型迭代路线
Q：您对模型下一步迭代的路线有何看法？市场接下去是继续通过Scaling Law卷模型性能还是有更多力量去做Model-Product-Fit的生产可用模型？Scaling Law被封为圭臬，但对于它是否已经达到瓶颈目前业界也有很多争议，您怎么看？
Melissa：目前大模型领域最核心的工作还是提高模型的性能（以复杂推理能力为代表）在这个性能达到上限之前，我认为大家还会聚焦在性能层面，而不是优化成本。因为在性能达到上限之前，很难确定你优化的是否是最核心的东西。
虽然去年硅谷就有很多人在讨论Transformer架构的上限，但我们看到目前Scaling Law还没有达到瓶颈，大家还是沿着这个路线在不断增加规模。
Scaling Law往下走主要面临几个限制：算力、数据和数据中心。
算力问题主要需要依靠一些商业模式的探索和创新，做好大模型的商业化，从而可以保证可持续的在算力层面的投资来解决。
数据层面，有很多人担忧目前已有的数据已经不够大模型训练了，但这个问题是有解决方案的，比如通过人工合成多模态数据的方式来解决。
最后是数据中心，这也是个很挑战的问题，因为随着多模态的增加，视频的数据是非常大的，尤其现在多模态下很多视频数据是生成性的数据，跟youtube不一样，youtube可以做Cache, 生成性视频无法做cache, 导致数据量大了很多倍，数据中心的基础设施也会面临很大挑战。
03 应用生态
Q:作为深入观察中美两地AI初创企业的一线投资人，您怎么看中美两个市场上Gen AI应用生态？从2B和2C维度来看，我们观察到国内市场上2C的应用生态并不输美国，而海外的2B AI应用远比中国繁荣。两国在2B和2C产品特性、市场策略也有所不同，想听听您对这个问题的观察和思考？
Melissa：我认为相比中美以及2B、2C这样的维度，目前决定了应用生态的核心还是AI的能力有多强、能解锁多少应用场景。我们看到，大模型目前的能力已经可以解决一些应用场景，但还有很多场景，目前AI的能力达不到。举个简单的例子，我是技术出身，花了挺多时间看AI编程这个方向，因为编程占了ChatGPT三分之一的应用场景，是目前大模型很重要的一个应用领域。在这个方向上，目前大模型可以做到的是Github Copilot这类辅助人去写程序的场景，这也是中国、美国都有很多人在做的方向。但是如果我们想做成一个Code Agent, 让AI直接从需求产生出一个完整的产品的代码，或者让AI在一个复杂系统中修改代码，这件事情无论在中国还是美国，现在都做不了。
所以，我们认为，很多场景的解锁是依赖AI能力的发展，并不是中美或2B/2C的问题。
回到中美的差异，我个人在中美都创业、投资过，对两边的市场都比较了解，我认为中美有两个比较大的区别：
产业生态上，美国的水平分工更加成熟。很多小公司专注于某个领域或者某个点去创造价值，在美国就可以活得很好。而在中国，大厂倾向于上下游通吃。
中美投资机构对初创公司的偏好存在差异。如果一个项目只是在某个点上做得很好，美国投资人可能会考虑投资，但中国的投资人可能会觉得太小而不投。这背后可能也跟中美在退出路径上存在差异有关，美国有非常成熟的并购文化，大量中小公司是通过并购退出。相比而言，中国并没有成熟的并购文化，投资人更希望一家初创公司“做大做强”上市退出。
回到产品上，我认为中国在2C领域有一个很大的优势是过去十几年中国互联网的高速发展和“卷”，让国内的团队对于人性、用户心理有非常好的洞察和积累，所以我们可以把产品和运营做的非常好。举个例子，大家比较熟悉的AI陪伴领域的头部产品C.ai和星野。C.ai是美国团队，他们的更多精力还是放在底层大模型的打造，C端产品上显得有些“放养”，在设计和运营上没有那么精细。而国内大模型厂商Minimax所开发的星野，在产品的设计与运营上明显更加精细，比如C.ai完全依靠文字交流，而星野会更加注重视觉、声音等多模态内容的融合带给用户更好的体验。同时在玩法和商业模式上，星野也进一步与游戏融合，构建了一套卡牌系统，用户之间也可以相互交易卡牌，相当于同时为平台上的创作者打造了一个经济系统。这些产品和运营的设计是我们国内团队擅长的。
04 应用场景
Q：我们发现，目前Gen AI应用不论2B还是2C核心都在解决两条曲线问题，也即在「技术方案能达到的效果-成本曲线」和客户的「需求满足度-付费意愿曲线」之间寻找交叉点， 您认为哪些场景的主要矛盾是第一条曲线，哪些场景的主要矛盾是第二曲线，哪些场景已经实现了2条曲线的交汇点？
Melissa：我对这两个曲线的理解，可以把它看成经济学里的供需关系曲线。一条线描述的是供给，一条线描述是需求，这两者的交叉点是指用户愿意支付的价格已经可以cover技术的成本。
我们观察到，现阶段AI还没有出现任何的Killer app(杀手级应用）, 即使是ChatGPT——从日活角度去看，它也构不成一个Killer app. 这是为什么？是技术太贵大家用不起？还是技术不足够好用、不能满足用户的需求？我认为现阶段的主要矛盾还是后者，是大模型能力的问题。而不是前者——从历史上来看，好用的技术的成本问题在规模化使用之后都可以有各种方法解决。
举几个例子，比如2B领域，我们研究过大模型在法律领域的落地，我们访谈的一些律所，他们对于大模型准确率的要求是95%以上，现在大模型的幻觉导致做到这个准确率还是比较困难的，这是没法用起来的核心原因。在2C领域，情感陪伴是目前AI应用流量最大的方向之一，但当你仔细去研究那些产品，你会发现大部分产品做的还是“擦边”，一方面因为这是用户的刚需，另外一方面，也是因为这类产品不需要对用户有过多的了解，在现阶段大模型的memory、学习能力都不够好的情况下，也只能做好这类产品，目前大模型的能力还无法达到能做出智能助手、Her的水平。05 投资及创业者洞察
Q：您所在机构投资策略是怎样的？喜欢什么样的团队、核心关注哪些指标？
Melissa：机构的投资策略跟技术发展的阶段是相关的。技术发展有探索期，突破期和成熟期，我们判断目前这轮AI技术还处在探索期，技术还在发展中，商业模式和落地场景都有很大的不确定性。在这个阶段，我们认为，人比事更加重要一些。从看人的角度，我们认为有两点比较重要：
一是对大模型有一定了解的新一代AI native团队，对于大模型能做什么、不能做什么、未来能做什么有个清晰的认知和判断，这样才能最大化利用大模型的能力去解决问题。
二是团队对要解决的问题/场景有清晰的认知。我们希望创始人对于某个行业有深刻的积累和洞察，能够发现其中长期未解决的核心问题是什么，用好新的AI技术去解决。把这个问题想清楚了，公司的长期目标、商业价值以及产品的形态和发展路径也就相对清晰了。
亲爱的读者们，不星标《明说开源》公众号，不仅会收不到最新推送，还会看不到主理人精心挑选的封面大图！星标《明说开源》，不错过每一篇最值得阅读的开源文章。主编：李小明@明说开源