现在关注更多的是基于大模型之上的场景、应用和需求。
对比往年，九合创投创始人王啸认为自己在2023年出手相对保守了一些，对前期烧钱过多且不一定有收益的项目非常谨慎。对于这一他看好的赛道，他出手迅速。2022年底，王啸曾判断大模型将带来一波新机会。2023年，他投了十多个AI相关项目，差不多占据九合创投2023年投资项目总量的70%~80%。之所以能在大环境遇冷的情况下，在AI赛道坚决出手，一方面是王啸认为自己的内核是乐观的。“早期投资人如果不乐观，根本就做不了早期投资这件事。”另一方面，相比投资遇冷的整体环境，科技赛道受到的影响相对较小，资本密度也没有下降。九合创投成立于2011年，创始人王啸是中国互联网行业最早一批从业者，此前为百度初创团队成员，被称为“百度七剑客”。目前九合创投已经投资近300家早期科技类企业，成功上市的企业有青云科技、鹰瞳科技等。九合创投第五期人民币基金正在募集中，据悉进展顺利。“我认为大模型运用跟商业化的距离并不遥远，部分团队拿到一两轮投资，就能依靠自己活下来了。”王啸说。但王啸也认为，大模型的竞争是大厂和资源的竞争，创业公司的优势并不明显。因此，他选择了具身智能、多模态垂直模型以及大模型的应用开发三个方向。在王啸看来，未来这些领域中有一定机会产生出新的行业巨头。AI这种能力应用在哪个场景进行商业化比较好，这是创业者一开始就要思考的问题。因为AI能力并不一定是稀缺的能力，尤其是大模型能力，在经过了最初期的“紧缺”后，现在国内外都有很多家大模型，且市场上的开源模型也越来越多。所以我不太看好只有技术但不理解市场的团队，我觉得做出来的难度很大。另一方面，我始终认为，大模型的竞争一定非常激烈，投入也非常高。前段时间，Meta表示将花几十亿美元购买35万张英伟达H100显卡，换算成人民币就是百亿级的投入，而这仅仅是一次性购买，它前期肯定累计采购了非常多算力资源。由此可见，大模型竞争依旧处于百亿元量级的资源竞争阶段，包含数据的梳理、算力的购买使用以及工程师的选择等层面，资金的密度和数量都很大。创业公司很难坐上牌桌，它也不可能融到那么多资金。我们现在关注更多的是基于大模型之上的场景、应用和需求。在过去没有大模型，有一部分用户需求是无法被满足的，但基于大模型之上的软硬件服务搭配，就有可能完成得更好，从而提高这部分用户的满足度。以此为基础衍生出的产品或服务，就是很好的商业化落地方向。在我看来，大模型上层应用的商业化路径，并没有大家想象得那么复杂，相反，我觉得是清晰的。大模型本身解决的是生产力问题，为生产力而非生产工具付费，是一件逻辑线更直接的事情。比如说过去一个岗位需要10个人工作，但现在只需要1个人，剩下9个人的任务用AI替代，但只需要花费雇佣2个人的费用，这在商业化逻辑上并不存在问题。例如过去我们拍摄视频广告的时候，可能需要一个小团队拍摄两三天，成本至少要10万元。但现在如果使用大模型生成视频，可能只用付费1万元，就可以获得效果不错的视频，而且还可以同时进行多次复制。但实际上这1万元的费用里，AI生产供应商的成本可能只有1000元。所以，在我看来，大模型应用的商业化路径是清晰有效的。从目前来看，大模型应用的生态化不是轻易能够搭建的。因为大模型本身是一个平台型的技术，它需要在生态建立的基础上，大家购买它的字符。这就需要构建在大模型上的应用层，有足够的丰富度和商业能力，才能够形成商业化闭环。近期OpenAI推出的GPT store其实就类似于App Store，因为大模型本身并不能很好地解决应用中的需求，所以它需要开发者在模型的基础之上做开发，来更好地给用户或者是客户提供服务。这是一个比较简单的逻辑，而且这个生态一旦形成，数据能够回归到大模型里面，大模型的能力也会显著提升。现在大模型还是从互联网抓取数据进行清洗，但如果大模型应用能不断给它反馈数据，它的能力就会显著提升。这也是百度文心一言能够跑到相对头部位置的本质原因，即发布早、用户多，现在已经形成了数据、用户和大模型之间的一个螺旋式上升的过程。对于大模型而言，数据飞轮的先发优势非常明显，即使像Google，现在面对OpenAI也很被动。只有大模型应用的商业化普遍起来，大模型的商业化才会提速。
对于创业公司来说，无论是to B还是to C领域，两边都有（商业化的）机会，只不过解决的问题不一样。to B端解决的更多是提高效率的问题，to C需要解决用户的需求和痛点，可能更偏娱乐或陪伴。从过去一年多的发展来看，我们目前看到AI创业公司的商业化落地路径，主要有两种类型。第一种是原公司具备数据能力和一定的客户能力，在自身核心能力之上加入大模型能力，提升原有产品的体验和服务，在我看来这是一波更明确的机会。第二种是从收集数据开始，重新做一个垂直领域的模型。目前已经有一些创业公司在尝试做了，但想要真正把大模型运用好，在垂直领域中满足客户需求，这是一个慢慢尝试的过程。我预计三到五年后，才会有一批公司出现，把这件事做好。具体是哪些方向、领域或创业团队，可能还得再过两三年才能看出来。相比to B领域，to C的AI创业公司需要更长的商业化耐心，可以优先发展终端用户规模，至于杀手级应用程序，还需要一段时间。但值得注意的是，如果AI创业公司最开始没有找到商业化落地的场景或机会，在大模型训练成本普遍较高的情况下，融不到钱就很难存活下去。因此，今年可能有大批的早期大模型创业公司陷入融资困难，甚至团队解散的困境。
在我看来，创业公司能做下去其实是小概率事件，“死掉”才是大概率。2023年，九合创投投资了十几个AI相关的项目，这期间，我们看了至少一两百个AI相关项目。我们也观察到，目前国内AI创业者对于融资的态度更切合实际了，估值等各方面的考虑也更合适。他们也更务实了，会优先思考更多方面，比如商业化层面，公司成立初期就要有收入、利润，而不是单纯讲故事。尽管当下的融资环境比较艰难，我认为依然还有很多人在创业和尝试创业的过程当中。另一方面，在生成式AI领域，大家关注AI是共识，但从投资的角度来看，还存在很多非共识。九合在过去一年的投资筛选逻辑也进行了一些微调。在团队能不能创造比较好的价值、有没有技术壁垒、能不能解决一些核心问题等大方向不变的基础上，我们对于项目能不能持续生存、是否有造血能力这部分的考察比重在增加。如果自我造血能力短期内无法跟上，那么团队的融资能力也是十分重要的一部分。
很多人可能对中国的人工智能发展比较悲观，担心存在被“卡住”的风险，但我是相对乐观的。算力确实是人工智能发展的一个很重要的部分，但除了算力之外，场景、场景之上的数据，以及工程师的能力也非常重要。我认为我们在算力外的其他几个领域中，并不存在显著的问题。甚至我们的场景更丰富、更多、更容易获取数据；数据和数据处理能力也不错、人力成本也都相对更低。所以我不认为我们处在非常劣势的位置。但是在算力上，我们确实存在瓶颈，这也会影响我们的速度。比如说别人1个月训练完，我们可能需要10个月。但我觉得对人工智能最终在中国的使用，以及大范围地提高社会效率，产生的影响并不大。即使是算力问题，通过一些其他技术解决方案，甚至有可能形成大规模算力的替代机会。短期内我们可能会难受一些，但长期来看，我们不必悲观。大范围的模型应用能力，我觉得我们会更靠前。在这一领域，中国人的积极性、主动性和速度更快。因此，我觉得长期是乐观的，中短期相对比较困难，但可以克服。另一方面，在具身智能领域，我觉得中国甚至可能会领先半个身位，因为我们的制造成本低，硬件创业公司多。并且，我们的供应链能力、硬件制造能力都是全球领先的。明显多于其他国家几倍的工程师红利，也让我们具备了参与全球化竞争的机会和能力。新闻热线&投稿邮箱：tougao@iceo.com.cn
。END 。值班编辑：王怡洁 审校：张格格 制作：袁茂丽