【新智元導讀】深耕科技的早期投資機構藍馳創投近期將AGI投資觀叠代至2.0版本。一些比較亮眼的觀點有：未來，軟件公司或將消失，GenAI將催生出一大波一人十億美金初創公司。而且，開源模型的優勢也將慢慢褪去，模型應用需要兩手抓，還有......
去年上半年，藍馳創投推出《通向AGI之路》欄目，多篇連載推演了GenAI時代的可能樣態，也提出了藍馳的AI投資觀——
AI+新的交互界面+Robotics的三浪疊加，將激蕩出嶄新的時代。
截至目前，藍馳創投已經沿著這個思路進行了全面的布局：
過去一年中，藍馳創投與最優秀的創業者共同描摹GenAI的形狀，在前線親歷了最激烈的「炮火」，由此其AI投資觀也在不斷叠代、細化。
GenAI仍在加速進化中，戰事尚未行至中場，藍馳創投希望在此刻與創業者分享這些思考，激發更多討論、加速進化。
01 開源優勢不會更大：大模型不會被一統天下，既做模型又做應用有何不同
關於開源/閉源、做模型還是做應用，過去一段時間有許多討論。藍馳創投有以下判斷：
首先，模型要用得起才有可行性，所以基於開源模型做小型化、垂直化是必然趨勢。
但對於那些AGI製高點，比如邏輯推理能力、多模態和視頻生成模型，未來閉源的趨勢預計還將持續。即便開源，最關鍵的「How」——模型如何訓練、關鍵參數的設置等，也不會被解密，後來者無法復刻。
長遠來看，真正能實現AGI的通用模型會非常有限，但基於不同場景的行業模型會百花齊放。同時由於文化差異、地緣政治等原因，不同國家可能會有各自的大模型。
如果不及時投入，可能在競爭中會落下風。
來源：「Open-source LLMs vs closed-source LLMs: An enterprise perspective」
其次，大模型和很多人常用來類比的操作系統，其實在本質上是不同的。
操作系統本質上是一種技術，但對大模型來說，模型即應用，其叠代的過程中會積累數據。
因此，既做模型也做應用的打法是合乎邏輯的。
只有不斷收集用戶的反饋、積累模型的應用實踐，創業者創業者才能深刻認知自己對模型的需求、以及如何叠代模型。
今天的模型數據驅動屬性越來越強，如果只是向外部開放API，很難形成用戶反饋閉環，遠不如同步做kimi chat這樣的應用更有效率。
最後，構建基礎模型的路徑是多樣的。
就像同樣是做雲平臺，亞馬遜是先通過Amazon.com形成了一定的市場規模，在此過程中構造了AWS的能力，再對外輸出；也有科技公司是直接打造雲平臺，把能力輸出給客戶。
第一種路徑可能對中國市場更為有效，當公司有業務需求、數據反饋，會更懂基礎設施應該怎麽做。
02 此時宜叠代數據認知：關註數據處理和多模態數據
去年，藍馳創投提出一邊賺錢、一邊賺數據、一邊賺知識。
今年，打造數據飛輪已經成為市場的共識，藍馳對於創業者的建議是，繼續升級對數據的認知：更多關註數據處理和多模態數據。
數據方面值得關註的有三層重要問題：
1. 有沒有拿到海量的公域數據/獨特的私域數據？
2. 能不能找到幫助模型持續快速學習、高質量叠代的數據？
3. 能否對數據做妥善的加強，從而構建更高質量的數據結構？
最難的不是收集數據，而是對數據的處理。
對創業團隊而言，能否篩選、處理出真正適配場景的高質量數據，是對技術、模型、以及場景理解的綜合考驗，這最終可能導致用於訓練的數據有2-3個數量級的差別。
在更高的維度上，有三個問題值得創業者仔細思考：智能沿著數據生長、還是數據沿著智能生長？增量新數據和存量舊數據的特征分別是什麽？新數據產生的場景怎麽排序？
互聯網時代，人類處理的都是二維空間的數據，但如果我們把世界看作一個模型，數據就不應該局限於文本範疇。
Sora和Gemini是基於什麽數據？理想的自動駕駛、Apple Vision Pro、大疆又是基於什麽數據？在空間的維度上看，這個世界的數字化程度可能不足5%，剩余95%的世界應該怎樣、用多快的速度進行數字化？
藍馳認為，在人工智能時代，對三維空間數據的獲取和處理會是兵家必爭之地，這些多模態的數據會催生新的超級應用，後者不一定還搭載在手機上，而會結合其他新的交互界面、具身智能這樣的執行終端而產生。
這也是OpenAI投資Figure的原因之一。具身智能賽道中，藍馳創投也在早期投資了智元機器人、銀河機器人等項目。
基於過去沈澱的認知，藍馳關註AGI的底層邏輯是：AI+3D交互+Robotics的三浪疊加，以Web3作為輔助。三浪實際上是三種技術的driver，對應著不同的空間和執行能力。
Apple Vision Pro帶來的空間計算以及此前所說的元宇宙，抽象成第一性原理就是3D交互，新一代的交互界面，Robotics則是具身智能加上執行結構。
03 軟件公司或將消失，一人十億美金公司會批量出現
移動互聯網時代，應用占整個市場的大頭，算力和基礎設施占比較小。
因為互聯網的能力在於「連接」，需要通過應用來兌現價值：人與人的連接產生了社交應用，信息與信息的連接產生搜索應用。
但在GenAI時代，底層的占比要更高，因為它的能力是「生成」，創造的價值比互聯網更大、更直接。
同時，GenAI時代的長尾可能更為肥沃，因為長尾上的每個小單元都可以自己創造價值。
比如To B市場，長久以來場景高度分化、數據分散各處，導致相當多個性化的需求得不到滿足，但GenAI或許能夠將這些細分的需求聚合在同一個入口。
大家在討論的AI Agent、AI Native、Copilot，本質上都是AI-powerd的應用，這些應用會讓每個人自主解決問題的能力會大幅提升。
藍馳創投判斷，當GenAI普遍地賦能個體，模式創新隨之發生，會有越來越多一人十億美金公司出現。
過去20年，囿於優質人才的供給不足，法律、醫療、教育這些高端服務行業成本在持續上升。
但GenAI讓我們看到了「Do More with Less」的可能：當公司逐漸減少對人的依賴，創造價值的單位成本也會隨之急劇降低，這將會催生新一代公司出現，即不再是賦能於垂直行業的軟件公司，而是一家AI模型驅動的行業player。
比如，現在創業者想做一家服務於零售行業的SaaS公司，首先要雇人開發軟件，再把產品賣給零售公司；但未來，產品開發的工作可能由代碼生成工具完成，系統維護也可以交給AI，這樣企業實際上雇傭了一群零售數字員工，這家企業本身就是一家零售公司，而不再是「賦能零售行業的軟件公司」。
04 GenAI應用創業者的核心關註點
首先，選擇data rich的場景，主要指有上下文、或者尚未被數字化的場景。
其次，要一邊賺錢、一邊賺數據、一邊賺知識，形成數據飛輪。
對創業者來說第一關是形成PMF，但GenAI時代的PMF和之前不同。現階段的產品定義要基於技術的約束條件，創業者無論是不理解技術、還是過度定義產品，都很容易被秒殺。
創業者要去思考：在相應技術分類中，是否適用/仍然適用Scaling Law？技術的上限會在哪裏？有什麽本質是不會隨著技術的叠代而改變的？基於這些技術判斷，創業者要決策一些關鍵問題：產品采用什麽技術？是追技術的上限還是抓技術的下限？如何叠代？
來源：「Designing Generative AI Products That Users Will Love」
所以懂AI的產品經理在GenAI產品的PMF階段就很寶貴，其所構造的反饋機製需要能讓用戶在使用過程中進一步形成數據，這是最終能形成護城河的關鍵所在。
這群人往往經歷過幾輪AI技術的叠代，在GenAI發展過程中經歷、參與過模型的訓練和對齊，並且嘗試過基於AI能力從0到1構建產品。
三是要註意降低成本。
在模型上，創業者要知道不同模型的核心能力是什麽，模型能力的差異化如何高效低成本地適配到合適的場景；同時，要借助PMF 形成的數據飛輪來提高收入。
要相信大模型的Scaling Law，也要相信大模型的cost down速度是非常快的。所以創業者要去思考，依照新摩爾定律，2-3年後公司的商業模型應該是怎樣的？
To C和To B產品在不同階段應該達成的milestone各有不同，藍馳創投的思考如下：
toC的產品
「探索期」有細分場景、有細分功能，實現核心用戶的留存和付費
「驗證中」在原有場景、功能上疊加，用戶群泛化，收入能覆蓋模型調用的成本
「已驗證」產品及場景收斂，用戶的規模指數級增長，獲客成本大幅降低
toB的產品
「探索期」有產品、有場景、少量試用客戶，持續發散
「驗證中」有產品、有場景、少量付費客戶，嘗試收斂、持續的客戶成功
「已驗證」產品及場景收斂，有商業化客戶、有規模性收入（客戶復購帶來的upscale），有少量續費客戶
05 要看清自己的優勢，也要具備全球視野
雖然地緣政治會是一個不可避開的主旋律，但AI創業從一開始就需要有全球視野。
我們需要持續吸取全球認知，引入世界級人才和資源，並用不偏不倚、中立、務實的視角去觀察世界各國——包括美國、中國的pros and cons，從中思考自身的機會和挑戰，以及與這個局勢的相處之道。
我們可以開放地去想：中國就算有再多的挑戰，自身的比較優勢是什麽？美國就算有再多的領先優勢，有沒有阿喀琉斯之踵？
於是，我們在考慮下一階段的AI應用時，還要考慮一個重要問題：未來市場向何處伸展。
不管是中國還是海外的創業者，要在世界局勢中找到自己的站位、資本市場的出口。
藍馳始終從全球視角來看中國比較優勢，基於深耕中國多年打下的基礎，希望為AI創業者創造成為全球頂級公司的機會。
06 模型小型化、垂直化與Scaling Law不矛盾，但想探索AGI有難度
藍馳認為，Scaling Law所帶來的模型能力提升還遠沒有看到盡頭，仍能沿著它繼續向前。
雖然有的人擔心數據有限，但實際上仍有大量的數據沒有被應用到模型訓練中，比如私域數據，以及更重要的物理數據，這兩類數據都會賦予模型更多可能。
一些學者、創業者嘗試用更小的、端側的模型去探索AGI。
這個路線和Scaling Law並不矛盾，它希望用更低成本、更快速度實現上升曲線更陡峭的智能提升。就像是我們發現一個煉丹爐已經能產出成果了，現在希望它更高效地運行起來。
不過，這條路線非常考驗團隊的能力，涉及到上面說的對數據的處理、選用，對超參數的設置等等。
未來這條路線的難度會逐漸加大，如上文所說，市場上關於高階模型訓練的公開信息會越來越少，再想復刻、調優是更難的。
與此同時，作為投資人，藍馳會始終保持開放心態，對可能的路線保持關註。人類對AGI的探索尚處早期，並不是沒有新路線出現的可能。---[新智元報導*編輯：編輯部/來源: 新智元]
