时间拉回到2015年，梁斌刚刚获得清华大学人工智能博士学位，同年10月八友科技成立，并常年为客户提供国内外数据资料。2023年上半年，GPT大模型进入公众视线，短短半年时间，国内就已有近百家GPT大模型，“八友”成为绝大多数大模型服务商的首选，据统计，这一数字接近50%。作为深度参与大模型发展的数据供应商，梁斌的几点洞察尤其值得业界参考，深聊中，他开门见山指出，我们正处在一个“强者恒强的大模型时代”。这句话背后至少点出了三类企业的处境：一是，对于品牌而言，大模型商用的次序依旧是大品牌优先，即便是大模型技术被广泛应用，不成规模的企业依旧是“小脚穿大鞋，跑一步摔一步”。二是，对于服务商而言，首先拥有大规模的数据样本是一件具备极高时间壁垒的事，其次，拥有数据的平台会想尽办法保护数据，提高数据获取门槛，提高行业难度。因此，后来进入的服务商难度会更大，强者恒强。三是，对于平台而言，如果是国内互联网平台自相比较，会发现“地主”太多，一个应用出来，就马上能有上亿用户，这是中小平台比不了的。如果拿国内平台和国外平台比，差距同样也很明显，正如梁斌所言，如果GPT4打10分，国内大模型厂商还在2-3分这个程度，那么2.5分，还是2.8分，其实没差别，要能达到8分甚至9分才有机会。强者恒强，可能只有一些特别具有垄断性的场景，才能杀出来。这或许也是品牌、服务商和平台的机会。再小的品牌也能建立起自己的专属粉丝圈；再小的服务商，在垂直行业的深耕依旧具备不可替代的高价值；再小的平台，也能在狭窄赛道中做出本地化的微平台。虽然，生成式AI可以提供互联网上没有的答案，并通过大规模数据训练得到的“涌现”性知识来回答网友的各种问题。但应用的最后一公里，是否按下确认键依然取决于你自己。对了，梁斌还将在9月20日参加见实的AIGC主题大会，届时他还将在现场与我们分享更多当前大模型时代下的企业新机会，欢迎大家在文末或者公众号菜单栏报名深度沟通。接下来，让我们回到对话现场，听听梁斌博士在大数据与AI领域的前沿洞察，如下，Enjoy：
01
强者恒强在大模型时代会更加严重
见实：你们现在已经是50%国内AI大模型数据的供应商，这个数据的总样本量大约是多少？
梁斌：我们目前列入销售线索的企业大约有106家，数据总量非常巨大，中文压缩数据掌握了大约100TB，海外数据超过1PB，国内数据比较敏感，国外则主要来自Common Crawl、Laion、Quora，Github，Reddit，电子书等平台。
见实：创业之初，你在数据领域看到了怎样的机会？
梁斌：刚开始做八友是在2015年，当时主要是为舆情公司提供数据服务，后来逐渐给需要提供实时数据的电商公司提供数据需求；目前在为大模型客户提供数据服务。我们一直坚信“数据行业”未来会成为一个独立行业，原因有三：一是，数据规模越来越大，越来越封闭在App中，采集难度大，容易成为独立的社会分工。二是，大规模数据储备价值很大，可以做一些非常长远的宏观报告。2015年公司创办前后，当时还没有大模型，只是觉得这是一件可以做10年甚至20年规模的报告，这个储备是很难短期得到的三是，随着长期的积累，核心竞争力会越来越强，拥有数据的平台会想尽办法保护数据，提高数据的获取门槛，提高行业的难度。
见实：从你的观察来看，目前，行业对AI类企业的认识发生了哪些变化？企业又该如何应对这轮GPT大模型带来的行业冲击？
梁斌：大模型这个卖点之前可能连见到甲方负责人的机会都没有了，现在可以说在2B类生意中具有很强的穿透力，特别是加上耳目一新的演示效果，转化率比以往大大提升。实际上，AI类企业胜负的关键就在成本竞争。做大模型的团队有很多，成本控制不好就很难长久，控制成本是各家团队的核心竞争力，创新的同时还要结合客户的具体场景，从效率，成本，效果等多方面打动甲方。在这样快速变化的时代，企业至少要具备三点基础认知：一是，充分利用现有基础设施，不要重找车轮，模型方面的让专业的人做。二是，寻找自己行业的特殊数据，最好是非公开数据，通过这些数据建立壁垒。三是，找到自己行业的应用场景，能接触到这些场景，快速覆盖，也是重要的壁垒。如果只用一个字来说就是“快”，快是最重要的壁垒，在大厂反应过来之前完成一轮对市场的覆盖。见实：随着 AI 技术的发展，企业竞争的“胜负手”又会转向哪边？商品、服务还是品牌力？梁斌：回看创业之处的那三点观察，首先拥有大规模的数据样本是一件具备极高时间壁垒的事，其次，拥有数据的平台会想尽办法保护数据，提高数据获取门槛，提高行业难度。强者恒强可能在大模型时代会更加严重，中小企业的大模型团队杀出来的可能性还是比较小，中小公司在数据和算力上，人才上都有很大瓶颈，我想可能还是要有一些特别的具有垄断性的场景，才能杀出来。互联网历史上无数中小公司，有服务，有行业内的品牌，也都倒闭了。互联网行业“地主”太多了，一个应用出来，就马上能有上亿用户，这是普通中小公司比不了的。
02
中小企业如何适应强者恒强的时代
见实：你在《走进搜索引擎》这本书中提到，搜索引擎本质是一个由用户定义的信息聚合系统。通过用户输入的查询关键词，搜索引擎推测用户的查询意图，然后快速地返回相关的查询结果，供用户选择。生成式AI的出现，其实是帮用户省去了大量搜索整理信息的时间，它的出现是否会重新定义“主动搜索”这件事？如果让你重新定义搜索，你会如何描述？这么描述的底层逻辑是？梁斌：搜索引擎核心的价值有两个，一是通过网页质量评估方法去掉低质量网页；二是通过相关性方法提高了相关性（相对于查询词的相关性）。这些共同节约了用户找到答案的时间。然而搜索引擎毕竟不是神，它也只能给出一个排序，用户还是需要自己在排序的结果页中寻找答案，选择答案的时间没有省去。生成式AI直接给出最佳结果，风险很大，因为只有一次机会，但是用户体验极佳，而且更难得的是，生成式AI可以提供互联网上没有的答案，通过大规模数据训练得到的“涌现”性知识来回答网友的各种问题。我们的开发工程师研究安卓的源码，有一段看不懂，大模型却可以来解释，这个在网上任何地方都搜索不到答案的。而且大模型解答数学题的能力也很强，一个题目变一种说法，互联网上就找不到了，而大模型依然可以正确回答。
见实：Open AI创始人也曾提到过数据规模并不是越多越好，你们有对数据的临界点做过划分吗？哪些情况下会遇到数据规模触顶？
梁斌：目前基本上我们知道的情况模型参数大概分10B（billion），100B这个参数量级，前者解决一些文史哲数据，或者解决一些理工类数据解决复杂问题。参数的提升意味着数据需要跟着提升，否则就容易过度拟合，对训练数据的解释能力提高，但是泛化能力，理解非训练数据的能力就降低了。因此，从人力发展，算力提升的趋势看，肯定是越多越好。但是多也会带来问题，数据质量要跟着提高，否则数据多反而会影响训练效果，低层次的数据反复训练，也达不到高水平智能。临界点划分目前我知道没有统一标准，目前1TB token都是小模型，玩具型的，随着社会发展需要，10TB甚至100TB token都不算大。
见实：你认为品牌需要发展到多大体量，或者需要多大的数据样本才能支撑起一套大模型的运转？
梁斌：不同行业数字化水平不同，比如机械行业，基本上数据都在书籍，论文，课本上。如果是一个消费者品牌，其可以拿到的数据，也就是知乎，小红书，一些评价型数据，基本品牌在销售过程中一些售后服务对话数据，也是非常小的。所以，狭窄行业的专业知识是非常少的。如果从百度知道，知乎上搜索这个品牌词，看看有多少相关的提问就会知道，其实，很多小行业可能短时间还用不上大模型。
见实：怎么看待微信私域CRM中的用户数据？好友或者群聊天记录是否会是品牌主要的数据源。如果对话内容会成为主要数据源，那你觉得需要多大量级才能实现对话场景中的自动化？
梁斌：目前我知道的对话数据大多涉及个人隐私，处理起来也极其困难，直接用作训练风险极高，特别是2C场景不太敢用对话数据。我目前了解的可以买到的对话数据大概是这么几类。一是，医疗类多轮对话数据；二是，社交网络（比如微博）的多轮评论改造成的对话数据；三是，影视作品中的对白。这些对话数据还是太少，目前看还没法满足各种垂类行业的需求。
见实：瑞幸咖啡、汉堡王等企业本质上是一家技术公司，也是数据驱动型公司，这是否也意味着他们这样体量的消费品品牌会是接下来AI大模型应用落地的排头兵？毕竟这类行业的用户交互频次与增长速度是最快的。
梁斌：到目前为止还没有一个消费品品牌有独立技术团队在做大模型，也没有向我们购买数据的品牌企业。瑞幸、汉堡王这样的企业，主要解决的还是用户增长问题，智能客服和自动化文案宣传部分的应用需求可能会多些。有用到大模型的场景，独立组建团队来做是不太可能的，但他们可能是在同赛道企业中最先拿到结果的。
见实：中小企业能做些什么呢？哪些不可逆的错误动作需要中小企业特别注意的？
梁斌：中小企业积累数据风险很高，特别是积累用户个人数据可能风险更大，万一传播开来会比较麻烦，最安全的方法就是不要积累用户个人数据。这个可能是数据积累过程中遇到的最大风险。
03
百模大战：国内AI大模型的演变与发展
见实：国内AI大模型的演变过程是怎样的？可以被分为几类？
梁斌：目前，国内AI大模型发展速度飞快，但起步有点晚，仍还在追赶阶段。每家大模型团队向前迭代都有不同的思路，总体上受限于数据和算力等资源。不缺算力的团队，在持续扩大数据规模；缺算力的团队，则在不断优化现有数据质量。总体来看，国内做AI大模型的企业可分为三类：第一类做底座开源的2B类大模型，如，智谱AI，零一万物这种。第二类是做垂类大模型的企业，主要在底座大模型上用特殊数据做continue training的，比如，左手医生等等。第三类做2C类型的大模型服务，代码闭源。如，百度文心一言，阿里通义千问、讯飞星火大模型等等。其中，底座大模型的发展还在爬坡，垂类大模型和 2C 类型的大模型团队都已经开始赚钱了。当然，做垂类大模型的也有可能2C，不过现在看来可能性比较小，盈利模式基本跑不通。垂类解决行业问题，B端用户付费是比较正常的。见实：你们会被归为哪一类？是否已经实现盈利？这类商业模式目前还有多大的进入机会？未来是否有引入资本的计划？
梁斌：我们不做大模型，我们只是给大模型提供数据服务，已经盈利了。做大模型的企业目前基本都在投入期，传统的技术型公司，有应用场景的业务型公司，还有各行各业的龙头企业都在进入这个领域，服务的客户千奇百怪。
见实：在大数据服务中你们的核心价值是什么，这些价值是如何帮助企业实现更好的业务成果的？
梁斌：我们的服务核心理念和“赌场理念”相似，不怕客户（员工）占便宜，就怕客户（员工）不来。只要客户愿意让我们服务，就是巨大的机会。 首先是交付阶段，先做事，先服务，满意后再付费；其次是遇到问题了，积极赔偿；最后是客户随时需要，我们的工程师随时服务，我们会给工程师高昂加班费，以确保服务的连续性。见实：之前有提到过数据市场的三个发展阶段，能否详细阐述这些阶段，以及在你看来，企业在每个阶段的机遇和挑战是什么？
梁斌：我认为数据发展的阶段，也是人类知识数字化的阶段。在有计算机，互联网以前，人类知识通过书本传承。在计算机出现，特别是互联网出现以后，数据开始向互联网转移。大概可分为三个阶段：传统互联网时代，数据都在网页上，只要是社交需求，部分功能需求。移动互联网时代，数据既在网页上，也在app上，社交需求降低，功能需求提升，大量的数据围绕这实现具体功能，购物，外卖，叫车，订票等等。人工智能时代（大模型时代），人类知识有计划的数字化，大量纸质书被电子化，政府公开大量数据，数据越来越成为人类共有的资产参与对人类的服务中去。现阶段来说，企业都有面向大模型的需求，一方面是卖点，另一方面是切实创造价值，快速用现有基础设施和行业需求进行整合，快速实现行业服务水平的升级。比如有团队做了网店的24小时多语言客服，可以和全球的客商在任何时间用任何语言进行导购服务，去掉了时差，去掉了语言障碍。见实：还有哪些应用案例？以及你们的通用做法是怎样的？
梁斌：以我们目前服务的金融和汽车行业客户为例，通常有三种落地方式：一是，通过生成式模型替代部分甚至全部人类工作（这类工作往往是低阶工作），金融行业比如做一些基础数据准备，简报，传统的需要人力的部分，可以通过大模型来解决。新能源汽车行业车载交互系统，客户需求的研究等等都可以由大模型来参与。包括很多游戏行业通过大模型创造图片，减少了游戏原画师的需求。一些客服需求很重的企业，通过大模型降低人工客服的需求，等等。二是，通过大模型来辅助人类工作（这类工作往往是高阶工作），比如现在大模型帮助高中生解题，帮助大学生写论文，帮助工程师写代码，帮助律师分析案情，帮助医生进行诊断等等，这类往往可能是实现盈利模式的重点，也是目前大模型发展方向的重点。三是，通过大模型来指导人类工作，因为大模型可以把大量交叉学科的语料一起训练，容易产生更加高阶的智慧，从而能够指导高科技研究，高精尖装备的研发等等，目前国外大模型在向这个方向努力，国内大模型还暂时没到这个阶段。见实：一路观察下来，科技互联网大厂、投融资机构和学术研究机构都在做什么？
梁斌：都在齐头并进吧，行业的交流氛围还是比较开放的。理论研究方面国内科学家已经取得了很好的成果，比如清华大学的朱军老师提出的快速高效训练方法等；互联网大厂团队则在疯狂迭代推进，基本三个月一个小版本，半年一个大版本；投融资机构稍微有些安静，因为种种原因实际上并没有及时跟进，至少国内还并没有看到特别大的投融资事件发生。
见实：那未来大数据与人工智能发展趋势，你是如何预测的？接下来互联网大厂的“百模大战”中你更看好哪一家？
梁斌：从业务视角去看，第一波买我们数据的是互联网公司；第二波会是非互联网的上市公司；第三波是想也没想到的各行各业的2B类公司。这个影响速度是非常快的，大部分企业决策人都已经在深度思考大模型和自己业务的结合了。目前国内确实正在经历着一场“百模大战”，很难定输赢。从整个大的行业来看，国内大模型团队做的产品我感觉和GPT4都有较大差距，如果GPT4打10分，其他还在2-3分这个程度，那么2.5分，还是2.8分，其实没差别，要能达到8分甚至9分才有机会，目前国内的大模型还要继续努力才行。
您想获取的私域资料和白皮书、私域服务、私域换量、游学等活动，请在见实公号菜单栏领取；或添加见实小boss微信（微信号：jskj44）报名加入会员。