作者：彭昭(智次方创始人、云和资本联合创始合伙人)
物联网智库 原创
这是我的第291篇专栏文章。
就像2022年8月我们跨越了“物超人”的历史性拐点一样，彭博社认为本周我们迈过了从智能手机时代到人工智能时代的拐点。
这个判断基于一个事实，就是代表性企业的智能手机芯片与高性能计算芯片的出货量或营收，后者出现了明显的历史性扭转和反超。
彭博社以台积电最新发布的2023第二季度报告为例，智能手机芯片的营收占比为33%，高性能计算芯片HPC的营收占比为44%，后者超越前者11%，历史上首次以两位数百分比的差距明显领先。
尤其是对于台积电这样一家在过去长达15年中，都依靠移动芯片的需求不断增长而崛起的公司来说，“新旧动能”的转换确实是一个里程碑式事件。
见微知著，因此彭博社认为人工智能时代已经迈过了分水岭，进入新阶段。
当然，目前人工智能的发展水平可能只能与2007年第一代iPhone相媲美，但是随后安卓、微信、支付宝、抖音、滴滴…等应用的崛起，在2007年是难以想象的，就像我们不能因为现在的状态而限制了对生成式AI未来的想象力。
正好本周我受邀参与由杭州市投资促进局与浙江省人工智能产业技术联盟共同主办的“AIGC与行业赋能”交流活动并做演讲，因此检索了全球生成式AI企业的最新发展动态，尝试分析大模型即将引发的3波浪潮及其挑战。
全球生成式AI企业达598家
投资机构NFX持续汇总了最新的全球生成式AI企业列表，目前表内包含的企业已经达到598家，并且持续更新，具体名单可以在下面的链接中查看：
https://docs.google.com/spreadsheets/d/1rMs69QO4UJKueNS2w784KpJlsdsK_ERmuq8qnCMmGUA/edit#gid=503924035
* 我已将该表格下载，不方便科学上网的朋友可以在物联网智库微信公众号留言【598】获取更新至2023年8月1日的完整表格。
按照类别划分，这些生成式AI企业的分布如下：
整体融资金额高达660亿美元!
如果将这些企业在做的事情更详细的汇总到一幅图中，相当的五花八门。
生成式AI的5层架构以及成功企业的4点共性
随着生成式AI的演进，业内普遍认为将其分为5层架构，包括：
5. 应用层
4. 操作系统或API层
3. 超本地化AI模型层
2. 特定AI模型层
1. 通用AI模型层
由于众多公司都想抓住这一波生成式AI的发展浪潮，整体的融资金额已经高达660亿美元，那么如何另辟蹊径在竞争中取胜变得尤为关键。
整理了全球598家生成式AI企业的投资机构NFX，还分析了那些脱颖而出项目的共性：
1. 产品速度
速度，首当其冲!
脱颖而出的项目往往不会纠结于花费太多时间寻找特定的数据，或者对初始阶段就构建完美的模型抱有不切实际的期待。他们常常是先把可以使用的功能推向市场，然后再让AI模型随着时间的推移持续学习。因为这些项目团队知道时间比完美更重要。
无论如何都要保证速度，先启动产品的测试版投入市场再说。
2. 销售能力
出色的企业当然既要技术，也要营收。
随着生成式人工智能的持续完善，从实现某一功能，到整合为产品，再到能够解决实际的业务问题，积极的销售和营销将是项目方跨越2023-2024生存期的保障。
3. 网络效应
尤其是对于在应用层和操作系统/API层的项目来说，网络效应是必须的。每一个加入网络的新节点都是对网络的一次增强，从而构建“传真机效应”。
4. 嵌入流程
如果是位于第1~3层的生成式人工智能企业，NFX建议优先考虑如何将其嵌入到客户的工作流程或者日常场景，增强用户的使用粘性。
首批运营智能平台初见端倪
在此前的文章《工业AI距离到达“ChatGPT时刻”还有多远?》中，我曾经提到过生成式AI在企业的杀手级应用，可能是对知识管理的重构。
目前这方面的进展初见端倪，有企业更进一步，由知识管理进而推出了“运营智能平台”。
很多企业拥有数十年的流程数据、程序记录和日志，如果将这些流程和程序整合到大模型中，可能会产生意想不到的效果。
然而提到知识管理，人们往往联想到繁琐的信息收集与整理。其实最好的知识管理是无需管理，最好的整理就是不用整理。
大家可以回忆一下，有多长时间没有整理过手机里的照片了，随着iOS的升级，苹果公司每一次都把新的AI特性带入相册应用。自动分类、自动识别照片和视频内容，自动生成最佳回忆，你只需要简单地问Siri就可以找到想要的照片。
同样，知识管理的下一步，就是无需管理。
大模型可能会让散落在企业各处的知识，变成在员工之外的企业第二大脑，一个连成一体的硅基大脑。当然现在让AI整理知识结构，还有很大挑战，但大规模语言模型的进化速度可能会让人惊叹，更好的工具正在路上。
举例来说，Akooda自称是世界上第一个“运营智能平台”，该平台使用人工智能来定位、访问和分析分散在组织中的各种知识和关键数据，帮助企业跟踪和分析正在发生的事情，做出更快、更明智的决策。
市场研究机构麦肯锡发现，员工每周平均有近20%的工作时间被浪费在搜索内部信息或追踪同事上，这些问题阻碍了运营效率的提升，并让时间白白流失。
管理者也普遍缺乏对实际发生情况的可见度，导致资源分配不当，或被各种杂音分心干扰，有时甚至会过度依赖某几个熟练的员工。
运营智能平台就是试图解决这类问题，他们使用生成式人工智能来读取、理解和分析几乎公司的所有内部信息，使企业员工能够即时访问他们的整个知识库。
就像是在企业内部放入了X光机，借助运营智能平台，管理者不仅了解团队和部门正在做什么，而且了解每个项目的实际进度。
运营智能平台通过阅读和分析Slack讨论、Salesforce数据条目、Google文档、GitHub、Notion、Zoom等系统中的内容，自动提取数据的巨大潜力，无需解释或人工参与。
这些数据可以更准确地描绘组织内、外部发生的情况，使决策者能够客观地了解项目和时间表，并做出相应的反应。
使用运营智能平台之后，企业内部的沟通流变得更加多元，增强了原本没有太多工作交集的公司内部利益相关者之间的协作、员工在特定主题上的专业知识共享等，这些都是传统协作方式难以覆盖到的场景。
除了运营智能平台之外，我们在近期有望看到更多生成式AI的创新应用诞生。
生成式AI公司即将经历的3波浪潮
目前我们仍处在生成式人工智能的第1波浪潮中，根据投资机构a16z和NFX的预测，生成式AI将经历完整的3波浪潮：
第一波：人工智能大模型的封装
随着ChatGPT、文心一言等大模型应用的普及，人们对人工智能的能力形成了新的共识，切身感受到了AI的力量，企业对于试用AI的热情空前高涨。
消费者使用AI生成图片、头像或者故事，企业尝试借助AI的能力提高产品质量、节省研发时间，或者对成本进行改善。
在第一波浪潮中，人工智能的大部分应用集中于通过提示词生成各种各样的信息，也就是根据一组指令产生新的内容。
第二波浪潮：从生成式AI到综合式AI
当模型参数达到100亿，就进入到语言理解能力提升的“平台区”，随着参数规模增加，AGI能力会快速提升，但语言理解能力不会再显著提升，而且在这样的参数规模上，语言理解能力已开始可以满足商用或垂直领域应用的基本需求。
所以，如果是to B的大模型，参数规模选在100-1000亿之间是最经济的，且有利于私有化部署，保护企业用户的数据隐私。
而且在B2B领域，焦点会从“信息生成”转向“信息综合”，从“生成式AI”转到“综合式AI”，也就是汇聚信息从而改善决策。
B2B领域的AI将从大规模的通用模型转向能够应用多种模型的架构，包括在特定领域和特定用途的数据集上训练的更精细模型。
在第二波浪潮中，相信我们将看到更多人工智能应用来汇聚信息，也就是说，综合式AI将向我们展示更少的内容，但是更为有效。
最终，人工智能在B2B解决方案之间的竞争，将不再集中于令人眼花缭乱的功能，而是更聚焦于这些功能如何帮助公司重新定义更有价值的工作流程。
在这一波浪潮中，客户并不关心是否使用人工智能，而是更加关心实际效果。
第三波浪潮：因为相信所以看见
第三波浪潮将会激发那些我们还无法想象的事情。当第一次看到智能手机时，我们不会想到：“这真的会改变出租车行业。”我们花了几年时间才推出了一些更具革命性的产品，比如微信、滴滴，然后是Airbnb和抖音。
第三波浪潮中的项目将由充满远见的人建立和推动，他们并不畏惧重新发明或定义人工智能本身。他们会发现以前不可能的新交易，找到以前不可能的新体验。
在这个阶段，人工智能需要具备使用其他工具的授权，以及支持多模态的能力。
虽然现在ChatGPT、Claude、文心一言等能够详细的描述如何订航班，但是他们本身并不具备真正自行预定航班的能力，因为他们没有操作其他工具的授权，只有“大脑”而不具备“手和脚”。
在未来大模型不仅具备使用工具的授权，还可以操控各种机器人与实体设备。
虽然阅读文字或者聊天对话能够让我们兴奋，但是在日常生活中，我们“听和说”的频率并不逊于“读和写”，因此发展多模态的能力变得尤为重要。
就像人类具备五感一样，人工智能也即将可接受文本、图像、语音、视频等多种不同类型数据的输入、处理、分析，并将结果以不同的模态形式对外输出，实现异构模态数据协同推理。
具备使用其他工具能力的多模态人工智能模型，可以激发天马行空的应用蓬勃呈现。因为相信所以看见，让我们一起静待未来。
写在最后
生产式人工智能领域是否已经过热或者存在泡沫呢?
对于国内市场来说，通用大模型确实已经太多。不完全统计，短短不到8个月时间，已经有超过85家大模型发布，其中很多成了上市公司的套现概念。
Wind数据显示，2023年24家“AIGC概念股”已经合计发生67笔减持。同时，大模型创业公司的情况也并不乐观，伴随着开源免费且强大的Llama2大模型来袭之际，下半年很多大模型企业势必会面临融资难的问题。
然而，过热或者泡沫并不一定是坏事，这是一种常见现象，往往意味着良好的未来。之前的互联网、生物技术、区块链…都曾历经洗礼。
过热或泡沫之后的调整和重组，恰恰为新技术更加理性和可持续的发展奠定了基础。
参考资料：
1、The AI Hot 75，来源：NFX
2、3 Waves of Successful Generative Tech Startups，来源：NFX
3、From strategy to execution，作者：Daniel Suchi，来源：medium.com
4、大模型创业300天，成者100亿估值，80%败者出局，作者：杨晓鹤，来源：AI鲸选
