文｜周小燕

(資料圖片僅供參考)

在ChatGPT成為“全民應用”的半年時間內，隨著入場做大模型的角色增多，關于大模型創業風口的爭議點已發生了一輪轉變：從討論大模型是否為大廠專屬，轉而關注大模型創業的核心壁壘，在此背景之下，創業公司的競爭力在哪里？VC的投資策略需要做哪些調整？

騰訊科技“AI未來指北”系列，本期專訪國內大模型獨角獸公司MiniMax背后早期投資方云啟合伙人陳昱，對以上問題進行探討，核心觀點：

1大模型時代下，未來的應用也有一個“二八定律”，大約有80%會是現在的應用接入大模型后的「升級版」，有20%是基于大模型的新能力開發出的新應用。 2各行各業的整體格局都不會因為大模型而發生大的改變，即便大模型改變了應用入口，也不會對商業格局的本身產生大的改動，它只是一個體驗升級。AI原生應用的機會可能在：跨境電商、面向開發者的AI解決方案（AI for Developers）、私有化部署和AI安全。 3很多人認為模型層面的創業機會比較小，可能數據層面的創業機會比較多，但其實認為市場并不缺數據，公開的數據很多都還沒有用好，ChatGPT的數據也只更新到2021年9月，對私有數據的考慮可以靠后，先把公有數據用好。并且數據的獨特性本身比數據量更重要，真正擁有自己獨特私有數據并能轉化商業價值的公司幾乎很少甚至是沒有的。 4一個模型做到80分可能不算擁有壁壘，但如果能做到95分，肯定是一種壁壘。雖然國內各種公司都在做模型，但真正能全面碾壓GPT-4的還沒有出現，因為它的核心壁壘是工程上的優化，而這是Open AI沒有公開的“秘密”。 5國內外大模型投資策略的差異源自于項目退出途徑。在國外，投資人愿意投資單點技術創新類的項目，此類項目能通過并購退出。反觀國內，由于并購案例稀少，投資機構更愿意在最終能上市退出的大idea上下注。

云啟合伙人陳昱

以下為訪談全文：

騰訊科技：ChatGPT讓大模型賽道的創業和投資變得很熱鬧，云啟重點投資了哪些項目？當時做投資決策背后有哪些考量？

陳昱：ChatGPT在半年前進入大眾視線，我們大約在18個月之前投資了一款主打社交聊天軟件的多模態企業MiniMax，MiniMax以多模態大模型研發為主，有三種模態基礎架構：文本到視覺（text to visual）、文本到語音（text to audio）、文本到文本（text to text），基于大模型的主要產品是智能對話機器人Glow，目前有五百萬用戶，并且也開放了API接口，與WPS等眾多企業合作。

我們的決策邏輯主要是賭團隊和技術大方向。早在2021年1月份，我們就開始接觸MiniMax創始團隊，彼時他們還沒決定正式出來創業。當時GPT-2和GPT-3也已經出世，只是不像ChatGPT做得這么好。到2021年底，團隊認為時機成熟，MiniMax正式成立，我們便投了天使輪。

MiniMax的出發點是希望沿著通用人工智能的方向做產品，底層是多模態大模型，這個想法和我們不謀而合，我們當時正好也在思考通用大模型這件事情。

具象地說，通用人工智能相當于復刻一個數字人腦，人類擁有自由的思維、能夠通過學習推理出新的知識，通用人工智能也應該能像人類一樣思考，它能夠完成多任務操作，即便面對沒見過的東西，也能給出一個答案。

我們已經投資了MiniMax，并且聊過市面上大部分的模型創業公司，在這波潮流熱起來之后，至少在基建層目前不需要再投第二家大模型公司了，投資重心會轉移到應用層，重點關注能夠利用大模型特性做應用的項目。同時我們也會關注Open AI以外會有什么新的技術出現，希望能投資一些更具備創新性的東西。

騰訊科技：有一種說法認為，未來所有產業都值得用大模型重新做一遍，很多行業可能會利用大模型做升級，比如美團、淘寶這些生意是不是都能用大模型做一遍？創業公司有沒有機會為這些大公司的改變提供更多幫助？

陳昱：大模型時代下，未來的應用也有一個“二八定律”，大約有80%會是現在的應用接入大模型后的「升級版」，有20%是基于大模型的新能力開發出的新應用。

大模型是不是適用于所有行業，現在還沒有定論，第一個挑戰就是國內還沒有成熟的中文大語言模型可用，光這一步的優化就需要很多年時間。現在也不能確定國內哪一個模型使用體驗更強，因為使用的感覺非常主觀，并且每個模型都有自己擅長的地方，到最后還是看綜合用戶體驗。

如果中文大語言模型發展得很成熟了，這波產業升級肯定也會先從互聯網行業開始，然后再逐漸過渡到傳統行業，這個過程可能也會持續5-8年時間。

未來大模型可能會變成所有應用的入口，舉例來說，現在大家買東西要上美團APP或者小程序，未來可能直接對大模型說幫我買一個東西，就完成了整個購買操作動作，就沒有類似美團這種一級入口了，它的APP或小程序反而變成二級入口。未來，隨著人機交互方式的改變，這些都是很可能會發生的。

但這些改變之前也被嘗試過，比如蘋果Siri、各種智能音箱都嘗試做這樣的場景改變，也鬧出過很多笑話，可能就是因為語言模型還不夠好，影響用戶的使用體驗，如果花一樣的時間但體驗不好，用戶就不會再用它了。

再看創業公司在這波產業升級中的機會，我認為各行各業的整體格局都不會因為大模型而發生大的改變，比如外賣行業原先就只有美團和餓了么，本來也沒有創業公司存在，即便大模型改變了應用入口，也不會對商業格局的本身產生大的改動，它只是一個體驗升級。

騰訊科技：如果說80%的存量應用可能會在接入大模型后做升級，那么你提及的20%基于大模型開發出的新應用就相當于增量市場的機會，你認為這類AI原生應用會優先產生在哪些場景？從云啟已經投資的項目中看，哪些屬于這20%的增量機會？

陳昱：先回答后一個問題，大家可能存在一個誤區，好像今天投資了以后明天就能看到結果，這是不可能的事情。一個創業公司真正能夠做出東西、讓大家看到結果，至少要等18-24個月，一周能做出來的東西沒有壁壘和想象力，我們會關注更實際的東西。

從我們投資的案例來看，因為我們一般都在非常早期的階段進行投資，整體項目本身發展都還處于很早期，所以也很難判斷這20%的原生應用是否已經做到。即便是MiniMax這樣已經能看出潛力的企業，回溯對它的投資歷程，其實我們在投資之前也觀察了近一年的時間。

再回到關于AI原生應用的機會預測上，我認為AI原生應用的探尋挖寶過程，就像以往西部牛仔的淘金歷程一樣，需要敢于探險，這波的機會可能在這幾個地方：

第一，跨境電商，因為涉及多語言（multilingual）交流；

第二、面向開發者的AI解決方案（AI for Developers），幫助程序員寫代碼或者檢查錯誤和安全漏洞；

第三、私有化部署，企業客戶會有個性化模型和數據安全方面的需求；

第四、AI安全，大模型的廣泛應用會帶來一系列安全問題，譬如模型生成的內容造成的虛假信息傳播，還有針對模型進行提示詞注入攻擊（prompt injection）導致企業內部信息泄漏等。

騰訊科技：在大模型帶來的機會中，高效利用有限數據的能力，比如數據標注、數據提煉等，以及利用私有數據做垂直模型，是否是創業公司潛在的增長點？對投資人來說機會點在哪里？

陳昱：前陣子谷歌內部泄露一份文件，谷歌內部一名研究員認為Open AI沒有護城河，里面也提到你可以通過一個開源模型做fine tuning得到一個80分的模型，但是它和GPT-4這樣95分的模型還是有很大的差距。

雖然創業者通過開源可以將做模型的成本極度降低，但不意味著他們能做出95分的模型，而95分的模型會吃掉大部分的市場。這里可以類比歷史上的谷歌，剛開始搜索引擎市場也百花齊放，但最后90%以上的市場占有率都在谷歌身上，所以當一個東西被做到極致之后，沒有多少終端消費者會愿意使用非主流的產品。

在這樣的情況下，很多人認為模型層面的創業機會比較小，可能數據層面的創業機會比較多，但我認為市場并不缺數據，公開的數據大家都還沒有用好，ChatGPT和GPT-4的數據也只更新到2021年9月，對私有數據的考慮可以靠后，先把公有數據用好。

至于怎么用好這塊數據，就要各顯神通了，這就需要團隊不斷改進算法、改進工程能力，本質上還是看人。在軟件科技創新領域，我們一直強調要投“聰明”并且“有野心”的“年輕人”，因為技術每年都會更新迭代，年輕人跟進的速度最快。

對于投資擁有自己獨特私有數據的垂直模型，我們持保留態度。我們在研究機器學習的時候也能了解到，數據的獨特性本身比數據量更重要，但我認為真正擁有自己獨特私有數據的公司幾乎很少甚至是沒有的，而當通用大模型的訓練數據里某領域的數據足夠多的時候，垂直模型的表現不一定會比通用大模型好。

舉個例子，比如某教育類上市公司披露自己有很多私有的試卷數據，但實際上用公共網絡上已有的試卷數據就能訓練出不錯的結果，并不需要上市公司提供的私有數據。很多公司擁有的所謂私有數據其實沒有想象中的那么重要，真正有價值的私有數據是獨特的數據，而且不需要很多的量就能做出不錯的效果，而這類獨特數據實在太少了，專有獨特的數據公司在整個市場可能都找不出幾家，即便有了這類數據，也不代表就能利用好它們或讓其產生商業價值，這幾個條件一卡，就會發現沒什么項目可以投資。

此外，即便沒有大模型，類似智能制造這些傳統行業也會擁有自己的數據，但如果在大模型出現之前并沒有利用好這些數據，有了大模型后也不一定能顯著提升數據利用效率，如果它們真的有投資價值，在大模型出現之前應該已經被大家看到了。

騰訊科技：一方面，按照你的說法，模型的出現并不會提升擁有私有數據的公司的壁壘；另一方面，做大模型好像并不難，在ChatGPT剛火的時候，行業默認大模型是大廠專屬，但從最近三個月的情況來看，越來越多的非大廠出品的大模型也出現了。在這樣的背景下，是否可以認為大模型創業的門檻本身就不穩固？投資人是否需要重新評估投資機會？

陳昱：關于模型壁壘的問題，需要分層看待。一個模型做到80分可能不算擁有壁壘，但如果能做到95分，那肯定是一種壁壘。

雖然國內各種公司都在做模型，但真正能全面碾壓GPT-4的還沒有出現，因為它的核心壁壘是工程上的優化，即團隊對工程細節的反復打磨，并且不僅僅是一兩個地方的優化，可能涉及50個甚至100個子工程的優化，而這是Open AI沒有公開的“秘密”，需要技術團隊自己在創新的過程中反復試水調優，很難產生能被國內公司借鑒的方法論，它是一項工程創新，而非技術創新。

在GPT-3.5及之前，Open AI還是比較開放的，他們會在論文里仔細地描述自己做了什么，發展到GPT-4階段就開始“語焉不詳”了，外界只能靠猜測或者找Open AI里面的人去聊的方式，來了解一二，但團隊里的人也不能泄露公司的秘密，對于外界來說這就像一個令人琢磨不透的黑匣子。

我曾經在谷歌擔任工程師，谷歌的搜索引擎質量非常好，它的壁壘也在于工程優化。15年前谷歌就有超過200個工程師全職做搜索質量的改進工作。每個工程師都會以不同的方式去優化搜索引擎，通過A/B測試的方式，決定某項改進工作是否能最終發布，這樣做的結果是量變引起質變，每年數百項的改進極大的提高了搜索質量，但在這中間沒有任何一個人知道全景是怎么樣的。

在這樣的背景下，如果總結對這類項目的投資判斷標準，我認為有這幾點：

第一，團隊成員至少長期耕耘在這個領域；

第二，要有很強的工程創新和實踐能力；

第三，做這類創業非常燒顯卡、燒算力，這就要求團隊有很強的融資能力，否則很難上牌桌。

騰訊科技：國內大模型如雨后春筍涌現，對比國內外大模型，可以看出國外代表性的ChatGPT目前走的是to C訂閱模式，國內模型很多接入到產業層面。從投資角度看，大模型國內外投資方法和風格有哪些不同？國外AI發展的經驗比我們快，有沒有可以copy to China的東西？

陳昱：從國內外模型的差異來看，目前核心還是技術的差異，第一梯隊的OpenAI GPT-4、第二梯隊的谷歌PaLM 2，還有從Open AI離職出來創業的Anthropic，他們都做得非常好，如果做測評的話，會發現中外模型之間的差異主要在技術層面。

另外，雖然國外目前主流大模型ChatGPT是to C的訂閱付費模式，但不代表國外沒有做to B，他們的模型應用也是百花齊放的，但國外做to C的一個優勢是他們用戶付費意愿強，比如Midjourney團隊只有11個人，但是卻有1億美金的收入，這在國內是難以想象的。

從投資角度來看：

第一，在國外我們更愿意投資單點技術創新類的項目，在國內的話很多投資機構會設想項目idea能不能做到IPO；

第二，從投資人的經驗來看，國內外各有擅長的東西，國外軟件做得普遍比國內好，國內偏硬件的東西做得比國外好。所以國內的投資機會更偏向機器人、電動車這類硬件的出海，因為它們利用了國內供應鏈優勢將生產成本降到很低。如果在AI層面做到80分，再和硬件結合起來，產品的競爭力就很強了。我們看好通用人形機器人，它會是大模型和機器人的結合。

騰訊科技：為什么國內外大模型投資策略會產生這樣的差異？

陳昱：國內外大模型投資策略的差異源自于項目退出途徑。在國外，投資單點技術創新類的項目能通過并購退出。反觀國內，由于并購案例稀少，投資機構更愿意在最終能上市退出的大idea上下注。

不同的投資人可能有不同的風格，對于偏早期的投資人而言，投資就是投“變量”，如果一個項目缺乏未來想象空間，我們就不會投；如果它只是停留在想象力層面，團隊沒有落地能力和堅定信仰，我們也不會投。大模型才剛剛開始，能到上市階段至少是好幾年之后的事情，如果要投資“確定性”，可能就要等到項目上市前一兩年再投進去，這可能不是早期基金的風格。

另一方面，大家確實會考慮宏觀環境，比如當下大家投資硬科技項目會相對多一些，模式和軟件類的偏少一些，但大家的思路和想法是沒有變的，還是跟隨變量、投資想象空間大的東西，并不斷關注技術帶來的產業變革。

可能這幾年受大環境的影響，很多人非常思慮退出問題，我認為不用過于憂慮，比如美元基金可以通過中外合資或QFLP投資項目，并且退出途徑也是比較多元的，港股也是其中一個選擇。

我們是比較早期的基金，很多項目都會經過多輪融資，在這中間也能實現適度退出，所以我們目前的投資都保持著自己的節奏。

騰訊科技：Open AI做出來的ChatGPT，算是近幾年國外單點技術創新的代表性案例，能否預測Open AI的下一個關鍵變化節點？

陳昱：Open AI可能確實有“后招”：

第一，大語言模型未來會往多模態方向發展。“多模態”不僅體現在“輸入”，“輸出”也可以是文本、圖像或視頻；

第二，未來生成式AI的輸出結果可能從二維圖像變成三維模型。OpenAI 近日對外發布條件生成模型 Shap-E，它可以用來生成3D資產。Shap-E 可以生成隱含函數的參數，這些函數可以被渲染成紋理網格或神經輻射場（NeRF），從而可以生成多功能的、現實的3D資產。

騰訊科技：最后，回到國內看AI治理，最近網信辦也頒布了關于大模型相關的數據管理辦法，中國的生成式AI應該如何正確地應對監管法規？

陳昱：以前純靠人工去做監管，現在可能需要用模型去監管模型，因為模型生成的內容數量巨大，且容易以假亂真，監管部門需要思考如何更好的利用技術來規范行業。此外，模型本身是有價值觀的，企業在訓練模型的時候，就得對訓練數據做仔細的篩選和清洗，并使之與正確的價值觀對齊。OpenAI在這方面下了很大的功夫，值得國內企業學習。