万亿市值还是万亿泡沫？人工智能商业版图洞见与展望
万亿市值还是万亿泡沫？人工智能商业版图洞见与展望
人工智能将成为未来商业和社会发展的重要主题，也将给传统产业带来深远影响。我们是否真正理解它的商业模式？人工智能技术能否支撑科技巨头的高市值？目前是否处于泡沫期？这些疑问都值得我们深入思考。
01 让子弹飞一会儿
人工智能首先是一项战略性变革技术，其商业模式与云计算有显著不同。近年来，人工智能领域发展迅猛，各大技术公司也在积极探索人工智能的商业应用。但从业界看，人工智能目前未形成明确的商业模式。OpenAI等AI应用算法公司在训练与维护AI模型成本不断上升的同时，短期内盈利难题仍未突破。一些专家也质疑部分AI生成内容的实用性。
金耀辉教授认为，人工智能首先是一项战略性变革技术，其商业模式与云计算有显著不同。云计算的商业模式呈倒三角形，芯片公司利润较少，中间层是云架构公司，如阿里云、亚马逊云；顶层是应用企业。
而目前，人工智能的商业模式正相反，底层的芯片供应商最赚钱，而顶层的应用公司目前盈利还十分有限。但金教授指出，这仅是短期现象。由于人工智能技术尚处在起步阶段，市场还未明确其在各领域的应用模式，现阶段需要大量用于训练的芯片。但随着开源机器学习模型的发展，我们会更多关注模型的应用，未来，推理芯片在人工智能应用中的重要性会进一步凸显，市场将不再依赖单一芯片供应商。
我们已经看到国内外有越来越多的公司研发人工智能推理芯片。预计随着应用深入渗透到各行各业，人工智能未来的商业模式或可取代现有模式，产业架构将趋于均衡。据此我们可以分析得出结论——当前阶段需给人工智能“放足空间”，留出时间研发各领域的深入应用，探索更稳定的商业模式。这将有利于该领域持续快速而健康的发展。
02 潜力巨大，无需过分担心泡沫
人工智能发展不应仅止于令人兴奋的“现象级”成功，更重要的是在实际中如何带来可持续的经济和社会价值。
谈到人工智能的发展，不得不提及它与云计算的深度融合。随着时代发展，人工智能和云计算两大技术将日益“整合”，其间依存性和联系将更加紧密。在我国，云计算主要包括基础设施云和软件即服务云(SaaS)两种形式。尽管我国SaaS市场规模目前相对较小，但在美国，SaaS业务规模已经达到了数万亿美元的规模。(数据来源:Gartner报告)
在知识型人工智能服务领域，如法律、咨询和会计等，其市场潜力巨大。这类服务未来将广泛依赖于人工智能和云计算技术平台。据Grand View Research估算，到2030年，美国相关领域的人工智能服务市场规模可能高达2570亿美元。
中国同样拥有极其宽广的知识型人工智能服务市场。据国家信息中心数据显示，2020年我国专业服务业增加值已近24万亿元人民币。随着经济和社会变迁，人工智能在法律、咨询和会计等行业的应用需求也将大幅增长。
人工智能的优势在于，它可以与传统软件即服务(SaaS)深度整合，使业务工作流程自动化，从而提升效率。例如，在法律行业，传统文件审查工作需要人工审核，流程复杂、费时费力，而通过结合人工智能技术后的SaaS平台，可以实现秒级自动审查，显著降低成本。但是，由于现有技术的限制，完全依靠机器在某些场景下仍难以取代人类专家的判断。例如，在涉及复杂的重大法律事项中，仍然需要律师团队通过人机协同来得出最终定论。
尽管商业模式尚未成熟，但人工智能在提高效率、缩减成本和优化服务质量方面蕴含极大潜力。
在谈及人工智能泡沫问题时，金教授指出从融资角度来看，当前会存在一定程度的泡沫现象。美国在大模型投入领域的投资规模是中国的10倍，其泡沫效应更为显著。毕竟大模型投资面临很高的技术风险。相对美国的情况而言，中国在人工智能领域的投入更多依靠政府资金支持，一直秉持追求稳健和实用的发展理念。我们应重视人工智能在实际产业中的实质性应用，比如在制造业提高生产效率和创新能力方面如何发挥其巨大潜力。像宁德时代这样的企业就是很好的案例，它利用人工智能技术在提升效率和研发方面获得了显著成效。人工智能发展不应仅止于令人兴奋的“现象级”成功，更重要的是在实际中如何带来可持续的经济和社会价值。
总体来说，人工智能前景广阔，商机无限。只要关注实际应用，就无需过分担心它面临泡沫化风险。
03 自然语言会大行其道吗
我们不必轻易放弃现有应用的优势，而应该思考如何在现有技术基础上，构建更加开放的智能体系统架构。
生成式人工智能，特别是现有的大模型架构，如ChatGPT，彻底颠覆了自然语言处理领域。金教授表示，从人工智能技术诞生伊始，对自然语言的处理就面临巨大挑战。金教授举了一个例子来说明，比如“中国足球队谁也赢不了”，和“中国乒乓球队谁也赢不了”，这两句话表面相近，但背后需要分析和处理的语义点很复杂，理解语义完全不同。
当下，大模型可以同时处理以往我们用于自然语言处理的各个单个任务，如词性标注、关键词提取、主题分析等。甚至一些需要多项技能复合的任务，如翻译，也可以由一个模型来完成。这代表着自然语言处理技术已经取得长足进步。
更为令人鼓舞的是，现阶段人工智能研究的重点已不限于自然语言处理，而是将视角扩大到智能体(agent)。新的智能体不仅能进行自然语言交互，更重要的是其具备反思能力及调用外部工具资源的能力，这为我们打开了更广阔的应用前景。
通过智能体框架，我们可以更好地利用大模型来规避其固有短板，同时将人工智能技术深入商业、生活的各个领域。未来，大模型和各类专业领域的小模型将共同发展，人机将通过协同形式共同参与完成任务。
我们不必轻易放弃现有应用的优势，而应该思考如何在现有技术基础上，构建更加开放的智能体系统架构，实现各类人工智能技术的协同整合运用。这将会是未来发展的一个主要方向。
04 现在是人工智能领域创业的好时机吗？
即便是目前公认水平最高的自然语言生成模型，其背后涉及的核心算法本身的复杂程度也并不算高。
针对人工智能领域创业问题的讨论，不可避免地需要就进入这个行业的门槛进行探讨。金教授指出，从算法本身来看，即便是目前公认水平最高的自然语言生成模型，例如ChatGPT-4及后续版本，其背后涉及的核心算法本身的复杂程度也并不算高。真正的难点在于对这些算法进行大规模并行训练所需的工程层面的突破，例如需要数以万计的GPU计算机群集联合运行，这一点难度很大。
不过，我们现在可以利用这些开源的预训练语言模型进行下游应用开发。须明确的是，这里所说的“开源”需要区分，这些模型公开了参数而不是完全开源代码。
通过与特定行业专业领域知识相结合，我们能够在各行各业开展许多具有潜在商业价值的下游任务，这为创业者提供了很大机遇。
最近，Hugging Face平台上发布的LLM-3语言模型提供了一个示范性案例。据公开资料显示，LLM-3仅发布三天，就有近1500个下游应用模型在平台上线，这在人工智能模型更新迭代速度来看已经属于很快。据初步统计，这些下游应用中有相当一部分是由个人或者小型初创团队独立开发的。虽然这些项目是否能够实现商业盈利尚需长期观察跟进，但是如果这些应用能够结合特定专业领域的知识，有可能解决一些细分问题，从而抓住商机。
金教授总结分析道，人工智能领域创业的关键在于如何获取专业领域知识和相关实际数据资源，或者在数据匮乏情况下如何采取创新的合成数据方法，这将成为未来这个融合交叉学科的重要挑战。同时，也为创新型创业提供了广阔的发展空间。当前AI技术产品快速迭代，门槛不断降低，给初创团队带来了不少机遇，值得长期关注并跟进。
05 数据开放流动才有价值
只有在流动和交换中，数据才能真正发挥其应有的作用，静止状态下数据将毫无意义。
谈到数据时，金教授指出，数据的最大价值在于其流动性。只有在流动和交换中，数据才能真正发挥其应有的作用，静止状态下数据将毫无意义。关于数据安全，人们往往由于未知风险而泛化安全概念，但实际上，我们可以根据数据属性对其进行细致分类并管理。
最高等级的数据涉及国家主权安全，不可危及国家利益；企业层面的数据泄漏可能导致商业秘密外泄；个人层面的数据外泏将侵害隐私。相比之下，后面两者更容易划定界限，但国家主权数据较难界定，因为其涉及泛主权概念，这也正是数据跨境流动问题极为复杂的重要原因之一。金教授在上海市开放数据委员会担任专家多年，一直呼吁政府主动开放更多公共数据资源，以实现数据的最大效益。
在利用大量数据进行人工智能模型训练应用时，我们需要特别重视个人隐私与商业机密数据的保护。
对可能涉及国家主权的敏感数据，可以由专家小组进行分类评估，因为单条数据未必对国家安全构成直接影响，但大量数据在一定程度上的聚合和分析可能存在不确定风险。机构和个人都需以最高标准履行保密责任。
06 处在生成式人工智能元年是我们的幸运
生成式人工智能不仅为我们带来前所未有的机遇，也代表着一个历史性的新纪元的诞生。
金教授总结道：当前，我们正处于一个颠覆性的时代。生成式人工智能不仅为我们带来前所未有的机遇，也代表着一个历史性的新纪元的诞生。它已经普及到每个人手中，任何人现在都可以轻松使用这些强大的工具。回顾20年前互联网的兴起，很难想象到今日科技产业会这么深入地改变我们的生产和生活。生成式人工智能将以革命性的速度引领全球各行各业发展，必将给人类未来带来深远的影响。