正在阅读:

大模型产品竞争加剧,摩根大通称将迎来生成式AI消费者应用的第一波浪潮

扫一扫下载界面新闻APP

大模型产品竞争加剧,摩根大通称将迎来生成式AI消费者应用的第一波浪潮

在姚橙看来,AI可能落地的场景很多,初创公司在某个垂类做创新、做定制化也会有回报的机会,只是所面临的不确定性与风险会比大公司更大一些。

图片来源:图虫

界面新闻记者 | 于浩

随着多家大模型产品宣布通过备案正式向公众开放,大模型生态的竞争也变得愈发激烈。无论是底层大模型能力增强,还是垂直领域大模型还是相关应用生态的落地都有了更多想象空间。 

摩根大通在此前发布的AIGC研报中也指出,中国生成式AI发展处于早期阶段,即将迎来大规模消费者应用。摩根大通亚洲TMT行业研究联席主管姚橙在接受界面新闻专访时表示,由于AI可落地的场景众多,因此无论是巨头企业还是初创公司都会有生存空间,只是所需面对的风险大小或有所不同。 

算力、算法与数据是大模型研发过程中的重要要素。大模型训练热潮使得算力需求上升而硬件设备产能有限,使得算力的供求关系发生了变化。大模型时代下,智能算力已经成为至关重要的稀缺资源

姚橙认为,随着底层大模型市场的整合,部分厂商可能会被边缘化,来自训练端的算力需求会减少,但是在AIGC产品开始落地后,来自终端的调用需求会随之上涨。从长线来看,市场上对芯片的需求还是会持续走高。

而回归厂商之间的竞争,大模型的理论框架、OpenAI的工程方向大多处于公开状态,在姚橙看来,算力及算法方面的挑战可以约等于时间、资金方面的投入,现阶段更为重要的竞争要素在于数据。 

相较于全球范围内可用的英文数据,中文数据在广度与深度上都存在着一定差距。这就意味着,如果大模型厂商具备适合的落地场景、在某些具体的场景上具有独家数据访问权限,那么对应大模型产品就可以在落地过程中获取新的数据反哺模型,实现正向迭代。 

在访谈过程中,是否具备落地场景这一点被姚橙多次强调。“对于大公司,尤其是大型互联网公司,他们往往都有AI可以落地的场景,那么在对外输出产品之前就可以先在自身场景上先做优化,”姚橙说,“一方面加强主营业务,另一方面也可以产生正向利润,以战养战。”

事实上,如阿里巴巴、百度等参与者也已经开始将自身大模型产品融入原有业务体系内,阿里巴巴新CEO吴泳铭更是打出了“让阿里巴巴各业务的用户场景都变成AI技术最佳的应用场”的口号。

至于行业内的初创公司,姚橙认为在大模型应用层同样存在着生存空间。在他看来,AI可能落地的场景很多,初创公司在某个垂类做创新、做定制化也会有回报的机会,只是所面临的不确定性与风险会比大公司更大一些。

类比SaaS行业的发展,由于人力成本相对较低,中国企业在节约成本与创收两者之间会更加侧重于创收,因此姚橙也建议AIGC产品在To B端落地时,首先要找到合适的落地场景,其次在落地时可将重点放在创收方面。

在此前发布的研报中,摩根大通将中国生成式AI价值链分为4个层级,依次为硬件基础设施(代工厂、人工智能芯片、云等)、通用LLM(大型语言模型)、垂直领域LLM、LLM应用。从终端用户规模的角度来看,摩根大通预计,沿价值链向上,潜在市场以及未来财务前景可预见性下降,而单用户变现可能增加。从投资角度来看,垂直领域LLM层级较通用LLM风险更高,可提供的回报也更高。 

但需注意的是,AIGC产品的商业化路径与互联网产品并不完全一致。互联网产品前期变现往往做得很轻,直到用户产生黏性后再开启付费,但这一逻辑似乎并不完全适用于AIGC类产品。

姚橙告诉界面新闻,上述互联网产品服务客户的边际成本很低,如游戏产品新增用户后可能只需支付电费及带宽服务费,但大语言模型所生产的内容都需要实时计算、支付算力成本,因此整个行业的商业化进程可能会快于互联网产品。

未经正式授权严禁转载本文,侵权必究。

评论

暂无评论哦,快来评价一下吧!

下载界面新闻

微信公众号

微博

大模型产品竞争加剧,摩根大通称将迎来生成式AI消费者应用的第一波浪潮

在姚橙看来,AI可能落地的场景很多,初创公司在某个垂类做创新、做定制化也会有回报的机会,只是所面临的不确定性与风险会比大公司更大一些。

图片来源:图虫

界面新闻记者 | 于浩

随着多家大模型产品宣布通过备案正式向公众开放,大模型生态的竞争也变得愈发激烈。无论是底层大模型能力增强,还是垂直领域大模型还是相关应用生态的落地都有了更多想象空间。 

摩根大通在此前发布的AIGC研报中也指出,中国生成式AI发展处于早期阶段,即将迎来大规模消费者应用。摩根大通亚洲TMT行业研究联席主管姚橙在接受界面新闻专访时表示,由于AI可落地的场景众多,因此无论是巨头企业还是初创公司都会有生存空间,只是所需面对的风险大小或有所不同。 

算力、算法与数据是大模型研发过程中的重要要素。大模型训练热潮使得算力需求上升而硬件设备产能有限,使得算力的供求关系发生了变化。大模型时代下,智能算力已经成为至关重要的稀缺资源

姚橙认为,随着底层大模型市场的整合,部分厂商可能会被边缘化,来自训练端的算力需求会减少,但是在AIGC产品开始落地后,来自终端的调用需求会随之上涨。从长线来看,市场上对芯片的需求还是会持续走高。

而回归厂商之间的竞争,大模型的理论框架、OpenAI的工程方向大多处于公开状态,在姚橙看来,算力及算法方面的挑战可以约等于时间、资金方面的投入,现阶段更为重要的竞争要素在于数据。 

相较于全球范围内可用的英文数据,中文数据在广度与深度上都存在着一定差距。这就意味着,如果大模型厂商具备适合的落地场景、在某些具体的场景上具有独家数据访问权限,那么对应大模型产品就可以在落地过程中获取新的数据反哺模型,实现正向迭代。 

在访谈过程中,是否具备落地场景这一点被姚橙多次强调。“对于大公司,尤其是大型互联网公司,他们往往都有AI可以落地的场景,那么在对外输出产品之前就可以先在自身场景上先做优化,”姚橙说,“一方面加强主营业务,另一方面也可以产生正向利润,以战养战。”

事实上,如阿里巴巴、百度等参与者也已经开始将自身大模型产品融入原有业务体系内,阿里巴巴新CEO吴泳铭更是打出了“让阿里巴巴各业务的用户场景都变成AI技术最佳的应用场”的口号。

至于行业内的初创公司,姚橙认为在大模型应用层同样存在着生存空间。在他看来,AI可能落地的场景很多,初创公司在某个垂类做创新、做定制化也会有回报的机会,只是所面临的不确定性与风险会比大公司更大一些。

类比SaaS行业的发展,由于人力成本相对较低,中国企业在节约成本与创收两者之间会更加侧重于创收,因此姚橙也建议AIGC产品在To B端落地时,首先要找到合适的落地场景,其次在落地时可将重点放在创收方面。

在此前发布的研报中,摩根大通将中国生成式AI价值链分为4个层级,依次为硬件基础设施(代工厂、人工智能芯片、云等)、通用LLM(大型语言模型)、垂直领域LLM、LLM应用。从终端用户规模的角度来看,摩根大通预计,沿价值链向上,潜在市场以及未来财务前景可预见性下降,而单用户变现可能增加。从投资角度来看,垂直领域LLM层级较通用LLM风险更高,可提供的回报也更高。 

但需注意的是,AIGC产品的商业化路径与互联网产品并不完全一致。互联网产品前期变现往往做得很轻,直到用户产生黏性后再开启付费,但这一逻辑似乎并不完全适用于AIGC类产品。

姚橙告诉界面新闻,上述互联网产品服务客户的边际成本很低,如游戏产品新增用户后可能只需支付电费及带宽服务费,但大语言模型所生产的内容都需要实时计算、支付算力成本,因此整个行业的商业化进程可能会快于互联网产品。

未经正式授权严禁转载本文,侵权必究。