2024年的生成式AI，到底該投什麽？

隨著AI故事的演進，一個重要問題逐漸擺在了投資人面前：生成式AI到底應該投什麽？想要回答這個問題，我們不妨看看移動互聯網的發展歷史。

在很多人看來，生成式AI的機會有點像移動互聯網。回顧移動互聯網的發展，大概有三個關鍵階段：2007 年，iPhone 1 發布，至此移動互聯網開始正式啓航；2010 年，iPhone 4 發布，奠定了移動互聯網的基本框架；2012 年，移動互聯網的應用開始爆發，字節、滴滴、小紅書紛紛成立。

從邏輯上講，GPT 3.5 的發布，更像是 AI界的iPhone 1時刻，發展方向已經明確，但産業框架尚不清晰。這樣的混沌也一定程度上增加了投資的難度，甚至會出現不少的投資“陷阱”。

這樣的事情在移動互聯網時代同樣發生。在移動互聯網早期，“手電筒”等工具類産品以及應用商店曾經吸引了不少投資人的押注。後來的事實證明，這不過是移動互聯網的投資“陷阱”。

*如何尋找移動互聯網的投資機會？五源資本的方法或許值得大家參考。

根據五源資本劉芹此前對移動互聯網的分析：手機具備了PC的特點。但是，手機還有三個非常重要的東西，是PC上沒有的：1）手機上有位置的參數；2）手機裏面有通訊錄；3）手機有攝像頭，有外放設備。沿著這個邏輯，五源資本得出一個結論：下一代殺手級的應用是移動的、社交的和富媒體化的。

沿著這個邏輯，當我們在尋找生成式AI的投資機會，倒不如多問自己幾句：什麽能力是生成式AI獨有，而以前不具備的？

01大模型進入應用時刻

2023年是大模型真正破圈的一年。回顧本輪生成式AI的突破，來自于底層大模型的持續進化。GPT 作爲當前全球最強大的語言大模型，從2018年5月GPT初代版本，到2023年3月的 GPT-4，僅5年時間模型的性能就産生了質的飛躍。

從目前看， GPT 模型快速進化的原因主要有兩個：

一是訓練方法的持續叠代，從 GPT-1 的半監督式學習，到 GPT-2 舍棄了微調階段，再到 GPT-3 的 In-context 學習和海量參數，以及引入了基于人工反饋的強化學習之後的ChatGPT。

二是在模型參數規模擴大背後，是 OpenAI 對研發和算力的持續高投入，通過“大力出奇迹”的方式，支撐了模型參數和訓練數據的快速膨脹。

隨著大模型以及 ChatGPT 等一系列“殺手級”應用的誕生，生成式 AI 在文本、圖像、代碼、音頻、視頻和 3D 模型等領域展現出了強大的能力。

今年3月，微軟發布了基于GPT-4的AI辦公助手office Copilot，此後包括企業服務、營銷、低代碼、安全、教育、醫療、金融等領域的AI應用開始陸續發布。7 月份，Microsoft 365 Copilot 公布定價，爲每個用戶 30 美元/月，同時全球CRM龍頭 Salesforce 宣布正式向所有用戶開放AI産品,並給出了單個産品每用戶每月50美元的定價。隨著兩大軟件巨頭AI功能定價發布，AI 應用將正式進入商業化落地階段。

生成式 AI的應用不止停留在B端，C端的落地速度同樣可觀。11 月 29 日，成立僅半年的 AI 初創公司 Pika 正式推出 AI 視頻生成工具 Pika1.0，同日公司宣布獲得 5500 萬美元的融資，當前估值 2.5 億美元。

Pika的特點在于，能夠實現從普通 2D 動畫到實拍感的電影場景、3D 動畫全面 覆蓋，還能夠支持對視頻實時編輯和修改，其中生成的視頻在光影、動作流暢度等方面甚至都不輸好萊塢動畫電影級別。

種種迹象顯示，在模型、算力、生態推動下，AI 應用正在進入大爆發時代。

02資本紛紛押注大模型基礎設施

生成式AI的高速增長，也引爆了相關領域的投資。

從一級市場看，截至8月底，GitHub 上 AI 開源項目數量達到了 91 萬，相較于去年全年的增幅達到 264%。根據Replit的數據，23年二季度AI項目環比增速達 80%，相較于去年同期同比增長了34倍。

從去向看，大部分生成式 AI 項目還處在早期，大部分資金投向了包括大模型開發在內 AI 基礎設施層， 而應用層資金流向僅占三成。

其中，基礎設施層的投資集中度相對較高。自22年第三季度以來，AI基礎設施層，在投融資的數量僅占總數的 10%的情況下，投融資的金額占據生成式AI融資金額的70%以上，這也體現了基礎設施層資金密集型的特點。

在應用層，通用AI應用占大多數絕對主導，占比達 65%。相比之下，垂直行業應用目前無論投融資的數量還是金額都要遠低 于通用型應用。

從二級市場看，AI 算力基礎設施層公司率先受益于 AI 産業浪潮，其中英偉達是 AI“掘金買鏟”邏輯的核心受益者，其次爲微軟、Google、AWS、Oracle 等頭部雲服務廠商和大模型廠商。

原因在于，在當下的生成式AI産業鏈裏，基礎設施層是最確定的環節。根據海外風險投資機構 Andressen Horowitz 的粗略估算，應用廠商平均需要將 20-40%的收入支付給雲服務商或大模型廠商，同時大模型廠商通常也會將近一半收入用于支付雲基礎架構。也就是說，當前生成式AI總收益的10-20%流向了雲服務商。

在硬件層面，英偉達是最受益的標的，其主力 AI 芯片 A100、 H100 承載了絕大多數 AI 模型訓練與開發，占據 AI 服務器硬件成本的近 90%。

盡管AI 應用仍然處于早期，且應用層從商業化以及兌現時間會落後于基礎設施層幾個季度，但今年以來頭部應用廠商股價同樣也有所演繹。今年年初至今，Palantir、Salesforce、Shopify等應用層公司也都有著不錯的漲幅。

隨著後續越來越多的AI應用廠商進入到實質性商業化階段，AI領域的投資也將進入更加複雜的階段。

03尋找生成式AI的投資脈絡

在信息技術脈絡裏，軟件和硬件呈現了完全不同的發展軌迹。在軟件行業，只有直接掌控用戶和數據資産的平台型應用才是最終的贏家。而在半導體行業，比下遊直接面向用戶的電子産品公司有更高的集中度，高通、台積電和英特爾在各自領域都有極強的話語權。

換言之，AI世界的演進路徑會更接近半導體還是互聯網行業，意味著最大的蛋糕到底會出現在模型層還是産品層？在回答這個問題前，我們先來看下AI與上述兩個領域究竟有何不同。

與很多行業不同，半導體行業的發展邏輯來自消費市場對性能永無止境的需求，並最終演化爲摩爾定律。這迫使制造巨頭們通過巨額研發投入，持續保持了每一代産品的技術領先。在這個過程中，性能提升會越來越難，其帶來的收入增長和所需巨額研發成本往往是不匹配的，這構成了半導體制造的極高的壁壘。

但這樣的情況並不會出現在生成式AI的模型層，原因有兩點：

一是軟件相比硬件更難保持技術的長期領先。目前，大模型的投入成本主要在訓練成本，但訓練成本相比造芯片動辄幾十億的投入相比還是小巫見大巫。這也能從國內外大模型發展看出。盡管國內與國外大模型仍有明顯差距，但相比年初差距已有明顯縮短。

二是相比消費者對手機和PC「性能」的無限需求，在很多場景下，用戶對生成式AI的智能化程度呈現邊際遞減的。也就是說，所有場景對生成式AI性能的要求並不是無限的。

既然模型層邏輯跑不通，但要說應用層公司有很大機會，也未必。原因在于，大模型邏輯下，産品體驗與控制模型高度綁定，且數據反饋對模型改進至關重要。在這種情況下，你很難相信一個高度依賴大模型廠商的應用層公司。而對應用層公司來說，把自身高質量數據完全交給大模型廠商去進行叠代，本身也是一件風險極高的事情。

從這個角度上說，無論是模型層還是應用層公司都有各自的問題，同時占據模型層和應用層的全棧公司或許才有捕獲最大價值的可能。- (文 : 讀懂財經/钛媒體)