AI 迭代狂潮席卷而来。有人觉得是新机会，也有人觉得要警惕。

(相关资料图)

毫无疑问，对于走在科技前沿的投资人来讲，积极拥抱AI已经成为一种共识。

“2023中国投资年会”上，在熙诚致远总经理许峻铭的主持下，天狼星资本创始管理合伙人沈海伦、元璟资本合伙人刘毅然、天堂硅谷高级合伙人王伟、一村淞灵资本投资总经理张晨、山行资本合伙人朱思行，这6位VC/PE行业的资深大咖，围绕AI迭代等话题展开了一场激烈的讨论。

这场AI技术革命几乎颠覆了每一条垂直领域。山行资本合伙人朱思行认为有机会出现在垂直领域的大模型上，一村淞灵资本投资总经理张晨也表示赞同。

“潘多拉魔盒已经打开”，人类除了积极拥抱已经别无选择。元璟资本合伙人刘毅然认为我们要拥抱先进生产力，关键要看如何与它共舞，如何为之所用。面对AI狂潮和热浪，天狼星资本创始管理合伙人沈海伦鼓励行业进行冷思考，一定要关注价值，不要一窝蜂。

事实上，人工智能早已不是新技术，但这次不同于以往，“它真的是一个聪明的机器人”。天堂硅谷高级合伙人王伟提出人工智能对生产力改变，要有明确的边界认知。

以下为现场探讨实录，由投中网进行整理：

许峻铭：我是熙诚致远总经理，我们是一家是投硬科技的基金公司，隶属北京金融街资本旗下。我们专注于与数字经济相关的软硬件基础设施，包括计算、存储和通信领域。我们投了GPGPU、算力池化、存储芯片等国内知名标的，也布局了高端制造赛道，比如卫星制造、数控机床等领域领先企业。

沈海伦：我是天狼星资本创始管理合伙人沈海伦。天狼星资本成立于2015年，和我的合伙人苏文光先生共同发起的专注于硬科技早期投资的投资平台。到现在为止，因为我们关注的领域相对比较专一，总共将近有20个项目。我们管理规模有30亿人民币，与元璟不一样的是，我们专注于人民币的基金。从投资赛道来说，硬科技赛道比较大，我们以机器视觉为主线，在过去7年布局了一些硬科技的企业。比如，比较典型的去年上市的3D视觉公司奥比中光（音），是全球第一家3D全栈式技术解决方案的公司。还有上个月登录科创板的云天励飞（音），还有大家提到的半导体投资我们也有布局，像上海张江的瀚博半导体科技（音），他们有支持大模型的芯片。还有端侧支持汽车移动终端芯片的肇观电子（音），也有更新的下一代发展路径的Risc—V的公司，在深圳的睿思芯科（音），这都是我们Portfolio里面典型的企业。

王伟：我是天堂硅谷王伟，天堂硅谷是一家老牌投资机构，最早由浙江省政府于2000年发起成立，后来改制了，公司主要投资领域包括智能科技、先进制造、医药健康，其中大数据人工智能产业是我们重点投资的赛道。

张晨：一村淞灵专注于早期科技投资，通过前一段时间的积累，在AI方向形成了自己的生态打法，以AI视觉、嗅觉、触觉和类脑。我们觉得AI走三个阶段，我们会坚持生态打法，从智能感知到思考阶段，从思考阶段还会走向执行阶段。我们本身是以生态打法为投资，后期是以中后期两端为投资策略。

朱思行：我是山行资本朱思行，我们2015年成立，是双币基金。从2015年底到现在，我们投了40多个项目，有3个上市公司，包括理想汽车，悦刻及粉笔，都是早期投资人之一。最近，大家关注的AI方向，我们非常关注。

积极拥抱AIGC是共识

许峻铭：谢谢朱总，今天的题目比较大。“AI迭代狂潮下，如何重新发明生产力？”我认为形容当下AIGC“迭代狂潮”并不过分，ChatGPT出来后两个月用户量就达到1个亿，超过了Tiktok 9个月的纪录，但很多人对于AIGC这个领域褒表不一，有人觉得是开拓了新赛道有新的投资或创业机会，也有像马斯克一样表达了伴随着理性和悲观的警惕。接下来，我想请各位分享自己关于这一次AI狂潮的看法，以及这背后有哪些正面和负面的影响。请刘总先来！

刘毅然：首先我们要拥抱它，要思考如何用好它，让它为我所用，将优点挖掘出来。现阶段，我个人观点是不值得因噎废食，因为恐惧AI就要在早期打杀或者是躲开它。首先，它的确代表了一个很深远的变化，它是一次技术的突破，它能为人类带来很多新的探索位置和不一样的东西还是很重要的。同时，大家都看过《终结者》，大家的恐惧是说一旦它有了自我推理能力和自我意识，在最后进化的那一段时间过快，导致人类无法响应。但是今天我们观察大语言模型和ChatGPT，它的通用智能能力和推理能力尚未出现，今天是饱读群书的状态，在学习人类的知识。

今天大家的恐惧是它发展速度很快，但是大家看不到它即将突破的时间点或者是路径。举一个不恰当的例子，大家一直辩论车上该不该有彩电，很多人说不想让孩子在车上看电视。我的支持观点是我希望车上有电视，不让孩子看。如果车上没有电视，我无从谈起。

那在AI上面也是这样的，首先我们想拥抱先进生产力，如何为之所用，看怎样与它共舞。

许峻铭：刘总提到了一部电影《终结者》，让我想起二十年前还有有一部电影《I，Robot》，里面有个场景是主角问机器人，“你能把画布变成一个艺术吗？”机器人反问：“难道你能？”尽管如刘总所言可能很多问题现阶段讨论为时尚早不应该因噎废食，但AI生产力的边界问题确实也是一个很值得关注的话题，那么请问沈总，您认为AI的生产力边界在哪里？

沈海伦：这一问题还是挺适合我们的。我大概讲一下我们投AI的简单历程，我们是从2015年成立，2015、2016、2017年是我们非常重要的三年投资AI的年份，我们有布局服务型机器人、3D视觉、有布局从芯片底层端到最上层应用端全栈式的视觉公司，还有云端边缘和端侧的AI视觉公司，都是带芯片的公司。

从资本角度，你会发现一个现象，2015、2016、2017年，哪怕到2018年，这几年AI都是高估值，但是2018年以后回归理性，这和大的环境二级市场相关。更重要的是我们也发现了一个问题，我们发现AI这么高估值为什么，到底有没有产生经济价值。我们重新审视它应用到产品层和产业层，有没有产生成本降低、效率提高以及为企业带来盈利，为社会带来经济效益的提升。那时，我们很迷茫，很多AI公司都在亏损，看起来没有产生很大的效应。很多产品到了To C大众端也没有那么智能，感觉也是挺傻的。直到去年，OpenAI和ChatGPT出现，又一次把AI推到风口浪尖，大家又一窝蜂投资，重新审视过去投资的AI公司是什么样的现状。这又是为什么呢？从C端来说，最直接的感受是我们可以用AI写文章，可以生成图片了，这是C端直接的感受。

但是这说明了一个深层的问题，就是我们的知识可以用来转化为真实生产力了，这是其背后深层的逻辑所在。这是我们的第一步，就是To C感受到了。

但是现在对于投资人来说，不能一窝蜂全部投和所有创业公司全部做大模型的创业，这不符合客观规律。在这一基础上，允许一些公司和大厂的存在，我们开发正确的，以及有资本开发的大模型。可能更多的创业公司和我们，还有和产业结合的带有AI部门的公司他要做什么，可能是垂直领域的应用，这又回到多年前投AI的逻辑，AI到底对我们产生了什么样的生产力和价值，我们又回到了核心的问题。

刚才您问边界在哪里，对于我们投资人来说：第一，我们100%拥抱，也是走在最前沿，我们不停地投资最前沿、最先进的AI生产力的公司。同时，我们也是希望更加冷静去对待和看待它所能够带来的一个未来的价值在哪里。

许峻铭：我总结沈总的话，面对AI的狂潮和热浪，我们需要冷思考，一定要关注价值。对于早期的AI创业机构，投资人也不能一窝蜂涌现，还是鼓励行业进行冷思考，一定要关注商业价值方面。

同时，您也为我们复盘了2015年以来AI市场的融资特点。而放眼更为长久的时间段我想王总应该更有发言权，天堂硅谷已经是有二十多年的历史的老牌机构，您能否以一个更长周期的视角，告诉大家关于这次AI狂潮如此饱受争议到底背后的原因有哪些呢？

王伟：从更长的周期看，其实人工智能不是新技术，是非常老的技术，五十年代就出来了。我有些朋友90年代就在中科大学人工智能。人工智能这个领域，总是隔个一二十年来一次热潮，上世纪八九十年代就热过一次，2014、15年的那一拨也很热。每次人工智能浪潮来的时候，都觉得要改变世界了，但是最后都冷了下来。

但这次浪潮和2014、2015年那次浪潮对比，有明显的不同。2014、2015年人脸识别出来的时候，大家觉得这个技术很神奇，通过人脸就能把身份识别出来了。但是2014、2015年以人脸识别技术为代表人工智能识别技术的爆发，对社会并没有产生很深刻的变革。事实上这些年人工智能企业发展的并不是很好，投资机构在这个领域的投资前些年也冷下来了。

但是这次不一样。这次GPT的大模型，它是通用大模型，它真的是有智能了。以前五十年代也好、六十年代也好、七十年代、八十年代也好，搞了那么多的人工智能、专家系统，其实都是很傻的。问一个问题，不是答非所问，就是问个2、3句就答不下去了，我们家的智能电视就老是简单问题都搞不清。但是这次GPT真的是有可能通过图灵测试了，真的是一个聪明的机器人了，可以回答很复杂的问题，对很多行业会产生很深刻的变革。

前一段时间好莱坞的编剧在游行，因为影视公司原来需要10个编剧干的活，现在可能人工智能来做就行了，只需要留2个编剧做临时工做最后的剧本修改、审核就可以了。而且人工智能可能更有创意，因为它没有条条框框的限制。这次生成式人工智能大发展，可能很多编剧要失业了，很多初级的程序员要失业了，很多数据标注员要失业了。这次浪潮会对很多行业产生非常大的变革，甚至颠覆。换句话说，很多人真的是要失业了。而上一次浪潮，并没有导致大量的人失业。

关于改变生产力边界的问题，人工智能对生产力改变的边界我认为主要是在这几个方面：

一是人机协作的分工边界，哪些是人做，哪些是机器做，到底可以依然机器到什么程度。特别是犯了错误，发生了损失谁来承担责任，这还是要由人来承担的。包括框架的制订、方向和规则的制订还是要由人来定的，真正的通用人工智能还很早。

二是私有数据安全。现在大量私有数据在输入大模型用于计算，这些数据，我们肯定是不希望个人数据泄密的，保证隐私和私有数据的安全，这是不能突破的边界。

三是伦理道德边界。比如人工智能首先不能杀人类，这是一个边界。

最后一点就是政府监管问题，未来通用大模型可能还是会牌照制的，不是谁想搞通用大模型都可以搞的。

许峻铭：感谢王总，感谢您将您的观点提到人文价值高度。对比之下我想听听有理工背景的投资人，张总，能不能请您分享一下人工智能的边界以及对于未来的期许，到底是是悲观还是乐观。

张晨：我自己的体会没有太多的正面和负面的情绪，因为本身我们投资的方法论先和大家分享一下，我们更重要的是要把底层的技术原理搞明白，然后寻找规律。这个规律两个方面：一个是科学的规律；二个是商业的规律，无论是投资人还是创业团队来说，最终大家本质上是商道。

所以，拥抱是一个共识，但是我们确实没有正面或者是负面的评价。

原因很简单，你把很多大模型的底层架构打开以后，它和我们讲的垂直领域的小模型来比的话，这次的升级就是教会AI我们人类的认知逻辑和学习方法，这是比较通俗地来讲。其实它的底层是一个，我们叫做Transformation，这个就是注意力机制，告诉AI人类怎样思考问题，你把这套学会你也有你的局限性，你只在你最需要的地方花你的注意力，这就是大脑的一种特点。走到现在是仿生的模型，我们相信AI打造好仿生以后是要超越大脑的。

所以在这里，我们和大家粉墙，GPT也好，他们的本质就是Transformation的堆叠，但是不是简单的堆叠，还有进行优化学习，是带有人类反馈的强化学习。这次的迭代升级就是告诉你AI怎样思考人类的这套逻辑，把这套学会以后，我们就知道这次AI你的优势在哪里，不足在哪里，把优势和不足都搞明白以后，作为商道，很多东西怎样发展，我们也有这样的体会。所以把这些东西都搞明白以后，再去和底层创业团队不同的标的请教学习，就形成了自己的一套方法论。

简单来说，我认为边界越来越模糊了，大家看一个现象，就是所有的高校对于这种人才的定义都是交叉学科。我们本科学物理，研究生学计算机甚至还要学化学。你像灵动英智能（音），做Disco Music，他们两个创始人也是清华九字班学化学的。这种模糊性从一开始技术方向就已经越来越模糊了。

从整个迭代速度，我认为现在是以每周的速度在迭代。你现在就已经到达了这个Level，我认为不见得，因为迭代速度快就说明不成熟，你还在变化过程中，我们把这些规律掌握了以后，你的优势在哪里，我们投这个方向。

许峻铭：感谢张晨总，您认为一方面人工智能超过自然智能是有可能的；另一方面投资是科技和商业的结合。这点我也特别认可，硬科技类投资机构要避免一味“按图索骥”迷信高科技，应当专注于商业价值，即为客户提供切实有效的服务或者产品，技术和商业的“共振”才是投资AI赛道的底层逻辑。

张晨：对。大家觉得马斯克对AI的发展是悲观，在我看来不是的，他是一个十足的商人。他每次公开场合的发言，大家要从商业的角度考虑。他也是OpenAI的投资人，之所以表达这样的负面观点，是因为AI到了大模型时代再往上走，会影响到资本议价，很多的东西降本增效。这次大模型还是降本增效，所以，在我看来，要回归本质看问题。

许峻铭：感谢张晨总，回到您举例所说的马斯克的态度，可能背后有其他的原因，应当关注背后商业的逻辑。商业的逻辑的话，问题就可以抛给朱总了，朱总既是投资人，也有从事企业的经验。您怎样看待AI狂潮下涌现的正面或负面的评价，其背后的原因又有哪些。

朱思行：说到正面和负面，这件事很重要的点是一定要界定清楚，我们是站在哪个立场说这个事，我们可以举内部认知的一个例子。在过去半年多的时间里，其实内部在迅速地认知学习这一领域，我们可以看到内部大家一开始会说，容易达成共识的是AI，现在是不是一个蒸汽机时刻，是不是人类开始知道怎么用火的时刻。

刚才我说的顺序，是我们内部认知的顺序。刚才张晨总所说的在我们内部也有所反应，大家在说这个东西的变化速度之快，使我们对这一东西的重要性的理解不断前进。最开始，我们觉得它只是我们眼前，在我们生命中曾经经历过的最激动人心的移动互联网的时刻。再往前我们发现这有可能是人类技术历史发展史上很重要的时刻。再往前，我们甚至可以想像它是否对于人类本身很重要的时刻，我们越来越不知道，是因为AI发展速度实在太快了。我们看它是好还是不好，我们也是在思考这个事。

最后，我们得出结论，我要知道我们站在哪个角度分析这个问题。比如，工业革命，我们看工业革命带来了人类的进步，但是也有阵痛。由于蒸汽机和纺纱机的使用，羊毛不够了，产生了羊吃人的事情，我们上学时都学到这件事。那今天，有没有可能因为某些技术的发展，带来效率的提升，然后产生的结果是现在存在了很多年的职业类型会受到影响。这个影响有可能是正面的，也有可能是负面的，而这个负面影响可能非常大。我们的观察和思考是，这两者都存在。

二是我们把一个社会里的人作为生产的个体还是消费的个体，从我们的角度，一个单位的人既有生产性也有消费属性，这个里面你把人作为生产的主体来说，那我觉得它的生产性一定受到技术进步的压制，因为我们不需要投入那么多的时间、精力去再做生产了。但是如果我们感觉未来大家更加焕发出自己的消费性，因为整个社会生产效率的提高，大家消费的社会性会极大焕发出来，从这个角度来看的话，人的价值可能会被重估。重估的框架和我们的框架有可能完全不一样的。

AIGC会颠覆每一条垂直领域

许峻铭：谢谢朱总，您说发展过程中有积极的，也有负面的，也有我们可能预料不到的。就像当时很多网约车平台出来，最先消灭的不是出租车，而是广播节目，因为他们不听广播了。

刚才大部分嘉宾也提到，很多重复劳动可能帮助人减轻负担，但是另一方面也会挤压生产力，导致“人”的价值降低。接下来聊一下这个话题，整个AIGC出来以后，至少有一点共识是，很多的重复劳动作业可以通过AIGC解决，刘总之前提到AI可能最终成为高阶人工智能的新物种。怎样看待这次AIGC出来以后，很多的重复劳动是否对创新还有推动作用？

刘毅然：我刚才说了AI的现状是博览群书，但是好读书不求甚解，只学会了人类表面的形式和逻辑，大家老说它一本正经胡说八道，它其实产生很多新的可能和新的创造，但是弱点是不精准。如果不精准，以它现在的技术特点所产生的技术贡献和能发挥的地方是不一样的。

既然刚才提到电动车，我们正有兴致地观察大模型如何进入车里，产生哪些变化，我们说驾驶的智能和舱内的智能是两个方向。舱内的智能可能是大模型占领的，今天大模型出现模态，不仅仅是一个模态的输入，你指一个地方，什么媒体做什么响应，理解人类的意图和推理人类的需求，今天已经看到端倪了。所以这个会迅速产生大家在交互和娱乐上的体验。在车里，想去一个餐馆怎么走？。这个必须对你过往的意图和经验精准理解，基本前三个就要命中，否则你就很烦躁，这样大模型就有优势。

在自动驾驶，是以毫秒级的精准控制，至少今天在控制层面大模型做不到。今天大模型进入自动驾驶，更多的是在感知层面，提高效率和学习能力，但是我们还是抱着开放和学习的态度，在看它怎样解决一些精准的问题，因为在人类社会精准有时候意味着最终的结果，甚至是在车里就是致命的问题，这是我们粗浅的看法。

许峻铭：刚才沈总说要拥抱要理性，天狼星在很多硬科技领域都有布局，尤其聚焦早期项目，您怎样看待当下AIGC对于解放可重复生产力的贡献，未来在哪些点有创新的机会，以及您们还关注哪些赛道？

沈海伦：谢谢主持人。可重复劳动这件事只是AI解决的第一步，应该说是最简单的一步，因为可重复意味着可训练，这是AI的基础。我们且不说现在OpenAI和ChatGPT这一代AI的形式，以大模型为基础。之前是训练式AI，达到的第一步目的是解决可重复的事情。

可重复毫无疑问，我们在一些工业和智能制造领域，包括一些AI项目应用到城市治理。举个小例子，过去三年的疫情虽然已经过去了，但是其实大家都能感受到无处不在的摄像头。无处不在的数据追踪，以及精准的匹配。其实这些如果在古老的年代，也不用说古老，在五六十年代我们都是以人盯人的方式实现，但是现在不用，这就是典型的AI解决重复劳动的环节。包括在深圳大湾区很多工厂，精密仪器的制造，包括“果链”（3C手机链）都是重复劳动，早就形成以芯片为基础，算法应用层为主导的和人配合的模式，再做智能制造。所以AI解决的第一步问题重复劳动正在进行，并且做得不错。

未来要解决的问题，或者是对于人来说最害怕的问题，就是创新的问题。过去我们说“知识就是力量”，还有一句话是“知识改变命运”，这在过去对人是适用的，是积极的口号。但是现在来看，“知识改变命运”可能真的要改变人类的命运。第一步只是被替代了重复劳动力，往后很多工作，包括人类引以为豪的，我们与动物不一样的创新和创造，机器是否也能替代我们？这是我们有敬畏所在的地方。

现在来看，可能还早，没必要过余担心这个问题。现在AI模型是不一样的，这一代AI是认知型的AI，根本的不同是它将知识转化为商业和生产力更直接了，成本更低，速度更快。就像刚才张总讲的几个星期迭代一下，它有自适应和自我迭代的能力。所以这个基础上，创新是不断发生的，是我们始料未及的。这个基础上，我们要思考的是怎样做到人机结合和人机交互，而不是非常杞人忧天的思考它会不会完全替代我们人类。

许峻铭：您强调了现阶段不要过于杞人忧天。但对AI还是要敬畏一些，因为确实有些工作可能会被替代。这里我想到了一个词，就是“颠覆”，现在是2023年5月，在十年前的2013年6月份，余额宝横空出世，当时也说互联网金融业要颠覆银行，随之而来的O2O也说要颠覆传统的商业模式，后来的共享经济也说要颠覆以往的消费业态，这几年有各种各样的“颠覆”，我认为应该警惕“颠覆性”说辞的创业或投资焦虑，但仍要关注技术变革所可能带来的新的机会与隐形风险。请问王总，除了可重复劳动，您认为AIGC会在哪些方面有创新可能真的会“颠覆”我们的认知？

王伟：近几年人工智能的投资其实是在低潮期，大家虽然投了很多人工智能的项目，但跑出来的不多。但是这次不一样的地方在哪里？我们在很多行业里之前做人工智能的公司，在很多行业积累了行业数据，已经进行了行业解决方案的探索。但是原先的智能程度不行，商业客户用了以后不满意，可能一开始觉得还可以的，但是用了一段时间后就不满意了，所以这些人工智能公司都赚不到钱。这次GPT出来以后，它解决了通用人工智能初期的问题，人工智能真的可以对话，可以比较好地理解我们的意思，可以进行一定程度的推理，所以真的是具备了智能。

这次的GPT加上原来的行业专家系统，结合起来运用，就可能对某个行业产生重大影响。所以现在有非常大的机会，但大机会的点不在于替代简单重复劳动，替代简单重复劳动没有那么大的意义；而在于GPT加上行业的专家系统，产生一个新的垂直领域大模型，各个行业的垂直领域大模型对所在行业可能产生重大甚至是颠覆性的影响。

理论上，各行各业都可以被垂直大模型进行变革。但实际上还是那些有大量行业数据积累的行业会率先被大模型变革，没有行业数据的行业搞垂直领域大模型还是比较难的。金融行业有很多的数据，营销行业有很多的数据，还有公安和法律行业，他们比较容易搞。这些垂直领域大模型去变革什么？一个方面就是将原来的非标准化的东西变成了标准化，大幅提高效率。比如以前公安都是老刑侦带小警察用师傅带徒弟的模式传授知识，没有好的手段将这些经验知识标准化。现在有了人工智能以后，到了一个刑事现场，年轻警察可以问人工智能，这种类型的案发现场应该怎样勘察，要注意哪些点，人工智能可能可以提示很完整的100个点，而原来一个年轻警察可能只想到了二三十个点，这样就把知识标准化了，可以产生一个很大效率的提高。

许峻铭：具有客户黏性在垂直领域有优势的，未来发力点可能很大。感觉您认为整个产业链创新从0到1的机会并不太多。

王伟：我认为这次的GPT带来的变革主要不是To C的，和苹果手机出来带动移动互联网革命不一样，这次还是以To B领域为主，需要具体的应用场景和端到端的解决客户问题，要有行业数据和行业Know-How。

许峻铭：我和您的观点相似，应关注AIGC在企业级应用的发力，在C端依然遵循“消费主义”的特点，难以捕捉长久的投资逻辑，而在B端企业客户还是聚焦于“降本增效”，值得投资人持续关注。

那接下来请教张总，刚才王总提到可能未来的机会在一些垂直领域优势的机构，您们也专注于早期投资，可否分享您们现阶段在AIGC领域的投资逻辑？

张晨：先说结论，我们认为在垂直领域基于大模型微调的小模型是有机会的。这种机会在我现在的认知和体会中，更多的是这些创意团队，你对于自己行业认知如何在微调的模型中很好地表达，是一个见真章的工夫。

举个例子，创业玩家在基于大模型建立自己小模型的时间，你的激励函数和惩罚函数就能很好表现出你们这个团队在所在的垂直领域，认识够不够，解决的点痛不痛，这也是我们在看很多基于大模型做垂直领域小模型的时候，技术门槛是否已经上升到这样一个水平的评判标准。

除此以外，我们认为当前阶段最多的，是对于人类这套认知和知识体系的所谓创新，它其实是排列组合。在我们看来还要上升到更高的高度，这一更高的高度其实就是两个字——“创造”。因为现在我们已经看到很多对抗网络生成的东西，AIGC生成的东西很奇怪。但我们认为东西奇怪，不代表这些东西没有想象力，只是在我们人类的认知体系下这些东西很奇怪而已。所以现在我们更多的无论是To B还是To C，大家就是体验好不好，降本增效。

除此以外，我们还会花一些心思就在我刚才讲到的。给大家举个例子，刚才毅然总提到我们会认真学习Google的模型，原因是什么？在GPT我们讲到Transformation，以及人类反馈的强化基础上，它还引入了带有自身特点的演码机制，鼓励猜测和预测。这种演码机制在语言过程中，我怎样Get到你的点，怎样猜你下一步表达的意思。然后通过训练量的积累，改变一套体系，这就是我们讲到的创造。

我们不知道这个事儿什么时候到，但是真的到了那一天，我们认为是拥抱，原因是AI带领人类进入了另一范式，这个范式以我们现在的认知是无法体会的。就像学物理的不懂计算机，学量子的不懂化学。很多逻辑在当前这个阶段理解不了，我认为每个阶段都有机会，投资人更多是要思考的是如何服务好AI。

许峻铭：张总认为在局部领域依然会涌现好的创业企业，每个阶段都会有机会，。朱总，贵司也提过一句金句，创业如登山，山行资本愿意陪创业者攀登，所以也请您分享一下您们如何选择AI赛道的投资标的。

朱思行：我们的Portfolio里面，很多是CTO出身，他们用大家关注比较多的AIGC的方法论做尝试，比如说内容生成图片，以及代替相关的编程工作，他们一直走在前面，我们一直观察这个事。这本身也是一个创新的过程。

刚才提到Transformation和Bert，我们在做一些不一定对但很有意思的事。从它的想象能力来看的话，今天语言大模型的想象力很像9-10岁孩子的状态。我们前两天请教授过来做分享，教授举了一个例子问了它，回答就是风马牛不相及的，ChatGPT给你的回答就像孩子编的东西。这是第一点，我们把我们觉得所谓对的那些知识抛在一边只是考虑想象力一个维度，这是很可怕的因素。

第二个如果你认为它是一个可以自学习的系统，在Transformation出现以后，这个学习的方式比之前发生了非常大的变化。人和人的区别很大的，大部分普通人阅读和获取信息的时候，是逐字逐行阅读。今天看到Transformation，大模型带来的就是一目十行的感觉。它已经到了10岁孩子想象力的主体，同时它又有超乎常人学习能力的状态，这样的系统在未来有可能给你带来的想象力非常值得期待，不是今天能够预料的事。

未来给我们带来的东西，有可能类似于2010、2011年移动互联网带给我们的状态。那时候，我们投了大量的移动互联网的公司，相信所有的同行都出手有过投资。但是等到2015、2016年回头看，2010、2011年对移动互联网的认知我们是非常表面化的。这次大模型带来的变革，比当年的移动互联网更底层和基础，可能影响力更大。今天我们预判它能带来什么商业和投资的机会，我认为有可能大家在使劲思考，但是有可能根本想不到，有可能这个事是5年以后我们恍然大悟说，这个东西在这方面发挥重大的作用，但是今天有是我们看不到的。

投垂直领域的大模型

许峻铭：感谢朱总，我也是很有共鸣。我们研究AI芯片时，曾翻阅过5、6年前各大机构或研究院校的相关报告，在当下来看99%都不对。但是他们经历的过程是值得的，就像一个楼房的脚手架，是建立摩天大楼不可缺少的环节，尽管最后可能不会体现其真实价值。我追着朱总问一下，刚才您说大模型类似于9-10岁的孩子。我们也知道9-10岁的孩子终会长到20岁、30岁，作为投资机构和广大创业者，您觉得该做什么样的准备？

朱思行：我们每天都在做准备，虽然以我们阶段性的认知，可能今天我们做的事是看不到答案的，但是也不妨碍我们今天穷尽精力去投入地看，这个不矛盾。

很多东西都是有价值，无论是在中国、美国，今天做大模型是有价值的，在垂直领域利用大模型所带来的变化，做提升和优化这个本身也是有价值的。但是这些东西是不是意味着对初创企业是很好的创业机会，或者是对于投资人来说是很好的投资机会，这个要具体问题具体分析，这个事儿没有统一的结论。我们也在思考垂直领域的情况。我们发现有些垂直领域，有些企业已经在场景的统治力上非常有力量了。在这些领域已经有统治力的公司，我们看到他们的行为，他们拥抱大模型时采用非常积极的态度。我们猜测，我们不能指望在这些领域对于初创企业是个非常有优势的机会。但是有一些机会，比如说通用的System机会，我们也看到很多的公司在尝试。但是做一个通用的System这件事，必须在大模型和大模型的全局具备相当的实力，不然很难给终端消费端交付出非常有吸引力的东西来，这两个领域我们花了非常多的时间。最后的结论对于我们投资人来说，都不乐观。

所以到现在为止，我们是在求索的过程中，没有结论。我们认为一定会有机会，但是这个机会是什么，是未知数。

许峻铭：求索过程就是提升认知的必经之旅，对我们投资人来说学习是持续 的事情，在此我也要特别感谢一村资本，2019年曾写出了一份我认为非常不错的关于SaaS的行研报告，我认为非常有价值，其中有个结论就是由于中美两国用户对于软件使用意愿和付费方式的观念及习惯不一致，导致SaaS模式很难从美国照搬到国内。

我想请张总能不能也是适度比较一下国内外创业环境，并告诉我们无论是创业者还是投资者，该从中美不同的环境中汲取哪些营养？

张晨：很遗憾，这是一村资本一村资本企业数字化团队写的报告，我没有参与。从我的角度，回到大模型的时代，我是回到朱总所说的，你是算法团队，就不要考虑做底层大模型。至少是我现在的投资策略中，底层大模型的创业机会我不太愿意看，或者是很谨慎，更多的是垂直应用。

第二个点是我自己所学到的所谓拐点，来自于一本书《基点零进》，这书本看完就记住一个“下料指数”，带有理工背景的的科学家，他们往哪个方面走，他们的逻辑是值得我们学习的。

回答主持人，初创企业大家更多思考的是如何利用好大模型。大模型的机会在哪里？我认为我们要很客观看待一点，美国在科技方面的领先，不是谁谁谁来赶超的，这是我的观点，我认为长期它是一家独大，大模型也是一样的。中国会不会建立自己的大模型，我认为是会的。同时，每一个大国都会建立自己的超级大引擎，中国的机会在哪里，有可能是在互联网巨头等这样一些手里有可能跑出来。

许峻铭：我也相信在垂直领域有产品优势、高质量数据以及有用户粘度的头部企业，仍然有较大概率在大模型背景下脱颖而出。也请王总基于更宏大的视角，告诉我们AIGC对中美两国影响力有多少，这其中哪些值得我们学习和警惕的？尤其是国内的投资人，要做哪些准备？

王伟：这次GPT的浪潮，确实对中、美都会产生很大的冲击，因为我们都是大数据、人工智能大国，可以改变的产业很多。这波大模型的浪潮是叠加在原有的AI和数字化浪潮之上的，它是底层生产力的提升，这个提升带来的想象空间是巨大的，在这波浪潮中极有可能出现新的超越Google、微软的巨型公司，而这个公司肯定出自AI大模型相关领域。至于这家公司是出在中国还是美国，让我们拭目以待。中国和美国比还是有明显的劣势，虽然美国把很多大模型都开源了，但我们的语料、数据和美国比，质量是差得多的。包括算法也不如美国。但是我们好的点是应用场景比美国多得多。

作为国内投资机构，重点投资布局的领域，我觉得通用大模型就不太用考虑投了，通用大模型在中国我觉得只要有一个就够了。我觉得重点还是投三个方向：一个是垂直领域大模型，掌握行业数据、懂行业Know-how的项目。二是有厚度的中间层，比如建立大模型和行业专家系统之间高效协作的框架。三是针对大模型的国产硬件，特别是应对中小规模大模型的私有化部署的国产硬件。现在一个相当普遍的趋势是，很多公司希望有私有数据+私有化部署，但是私有算力无法支撑定制化训练甚至是优化部署，这个矛盾的解决有两个维度，一方面是国产化算力成本的进一步下降，另一方面是有隐私计算的方案来保证私有云服务的训练甚至部署。

许峻铭：王总对AI浪潮的投资机会给出了很具体的意见，对此沈总有没有其他的顾虑？

沈海伦：说几点有顾虑的地方：

一是算力是大家一定要重视的问题，现在大模型也好、或者是后期要到更大的模型，我们也不太知道ChatGPT4以后的算力要求，那一定是要更高的。自从美国出台了一系列的法案，包括很核心的是A100禁卖，大模型一定要用A100这个现象怎样解决？当然了，欣慰的是中国的创业公司和大厂都在布局可替代的算力，所以这个是一定要考虑到的最核心的一个问题。

二是整个半导体衍生出来的AI基础设施，除了AI的训练芯片，还有一系列的基础设施，包括工具链层和开发层的，这是非常长的链条。所以对于人才的要求是比以前还要高的。我们刚才讲到一直是替代重复性的劳动，但是机器创新前，更需要人才去做这一轮AI的创新。所以我觉得人才也是我们需要去重点关注的地方，也是可能出现问题的地方。

许峻铭：最近很多朋友也在调侃，人工智能的尽头就是半导体，算力不够本身就是发展AIGC的关键痛点。“人类的无能成为了人类最后的屏障”，要关注解决算力痛点的新基础设施软硬件服务提供商，数字经济底座领域是AIGC爆发的最大受益者之一；感谢海伦总，刘总，也请您分享您对国内外环境比较下，AI投资有没有什么相同和不同之处。

刘毅然：我取一个视角，行业讨论大家大量讨论苹果时刻，有iphone时刻就一定是有安卓时刻，美国有OpenAI就有开源模型，做大模型创业做不过开源模型没有意义。因为背后还是全球的竞争，可能短期，中国在语料和数据上有短暂的优势，但是如果这是长期和全球性的竞争，基础大模型的能力大家一定要做好安卓模式到来的准备，而且已经发生了，众多的开源模式做到90分和95分，这是我们的看待视角和中美竞争之间我们很谨慎的东西，也是参与到我们看待投资直接参与大模型创业的因素。

二是iPhone时刻有没有来，如果细说是，时刻来了，但是体验没来。简单来说，iPhone模式是垂直整合，OpenAI和底层模型和上层的杀手应用都想自己做，这是简单的垂直整合模式。但是今天的AI远未到移动互联网那个时候，出现非常完善和成熟水平的生态结构。对于创业者来说，我不吸收iPhone怎样工作，我只需要创造这上面的产品。今天新的AI远未到那个时候，今天不懂技术和底层大模型的原理，以及今天的基础模型建立在微调基础上收敛的东西，是做不好体验的。

我们认为今天的AI创业，从新公司抓新机会来说，还是要做端到端的体验优化。这时候美国更多的团队它其实是在技术上有更多的储备和积累。我们更愿意鼓励国内的创业者，可能我们在自己的垂直领域和应用方向上有更多的方向和积累，但是还是要结合对于AI应用和大模型和AI智能如何收敛上有更多的认识，才能把自己的产品做好。才能抵御住通用大模型的进攻。否则的话，很浅的壁垒。如果是接口的调用，刚才讲了大模型今天是八、九岁的孩子，但是它在疯长，如果疯长边界踩到你，是无法预防的。

许峻铭：所以还是要修炼内功，尽管AI领域未来有可能是全球化的竞争，但我们还是保持乐观的心态。因时间有效，无法与各位嘉宾更深一度交流，但依然感到受益匪浅，谢谢各位！

关键词：