对话亚马逊云科技顾凡：生成式AI热潮下创业公司到底有多大机会？

· 不会出现大的模型通吃市场。 用户不仅需要通用性强的大模型，还需要在特定领域有深入的能力。 如何使用私有数据构建自定义模型来解决特定问题才是真正差异化的来源。

“未来真正改变‘游戏规则’的是基础模型的调优和定制，以服务于企业/行业的特定场景和领域。”

谷帆，亚马逊云技术大中华区战略业务发展部总经理。

“生成式人工智能还处于早期阶段，没有人拥有能够了解未来的水晶球，但现在每个人都必须在这个市场上做出计划，这需要对未来的预期。” 在亚马逊云技术中国峰会期间，亚马逊云技术大中华区战略业务发展部总经理顾帆与澎湃科技分享了亚马逊云技术对生成式AI的三大判断：

第一，不会出现大规模的模型市场，就像今天不会出现一个数据库、一个操作系统包揽天下，也不会是现在看到的“百模型大战”； 第二，从用户角度来看，不仅需要通用性强的大机型，还需要在专属领域有深入的能力； 第三，企业私有数据肯定会在To C（针对个人）和To B（针对企业）的生成式AI应用中使用，对于如何利用私有数据构建定制模型来解决特定问题起着非常重要的作用，这才是真正差异化和核心优势的源泉。

这三个判断其实涉及到了业界的一个热门话题——在这波生成式AI浪潮中，初创企业有机会吗？机会在哪里？

“‘游戏规则改变者’是基础模型的调整和定制”

就拿最近网络上流行的金沙江创投管理合伙人朱啸虎与猎豹创始人傅盛的争论来说，朱啸虎认为，基于生成式AI，初创公司能创造的价值很薄，99%的价值由 GPT 创建。 傅盛认为，大模式催生了基于它的创业机会。 他用热力学的定义反驳，“汽车99%的价值都是这个物理规则创造的，创业有价值吗？” 在傅盛看来，大模式更像是一所大学，培养学生，但并不主宰一切。

对于这个问题，谷帆在接受澎湃科技采访时表示，“我们不应该一刀切地看待这个问题。基础模型的创业和应用的创业显然是不一样的。如果你用基础模型来创业，门槛很高，门槛高，不在于你需要花多少钱，而在于你有没有机会成功？正如我前面提到的，基础款未来肯定有多种选择，但是这种多样性的程度目前还不确定，在这个过程中一定有一些独特的特征，也许是视频，也许是多模态，又或者是大量行业数据的积累，最后这一定是一个大波浪。”

然而，这并没有触及核心问题。 其实更底层的问题是，基于现有的基础模式，是否很难为应用型创业打造护城河？ 同时，你也可以想象一个非常实际的场景。 如果你所依赖的基本模型背后的公司消失了，那么基于它构建的应用程序将如何生存？

对此，谷帆提到了奇绩创坛创始人陆奇在演讲中提出的一个观点：信息系统的拐点是信息的生产和获取成本从边际成本转向固定成本。 “一系列伟大的公司诞生了，它们会付出固定的成本，发明新的商业模式，最后整个行业+改变，产生一个新的世界。”

“就像今天的云计算一样，有的人站出来承担所有的固定成本，然后其他人只需要承担很低的边际成本就可以使用。” 顾凡说道，“现在我们和很多公司谈业务，公司的原话就是‘我看到了大模型的能力，但是请跟我谈谈如何解决我的问题’。同时，不要忘记，应用程序可以在大模型之间进行迁移，在大模型的开发过程中，未来可能会进行大规模的模型切换，因此，最有价值的是企业差异化自己的数据，拥有对场景和应用有深刻的理解。”

在亚马逊云技术中国峰会上，亚马逊全球副总裁、亚马逊云技术大中华区执行董事张文毅也表达了类似的观点，“未来真正改变‘游戏规则’的是基础设施的调优。模型（通过调整模型参数、特征等选择等方法来提高模型的性能）和定制，服务于企业/行业的特定场景和领域。”

“在与企业客户的交流中，我发现客户最关心的是如何利用生成式AI将底层基础模型与自己的私有数据相结合，构建定制化模型，打造杀手级应用，解决具体问题。领域或者行业。场景问题。这是To B领域真正改变行业的基础。” 张文义说道。

生成式AI热潮下的创业机会与趋势

对于生成式AI热潮下的创业机会和趋势，谷帆分享了三个要点。

第一个非常明显的趋势是基础模式，这是中国很多创业者正在做的事情。 谷帆认为，这个赛道有一个特点，“现在做基础模型的中国创业者瞄准了世界，他们不是先在国内做大型模型，然后走向海外，而是从第一天起就瞄准了全球市场”。 1.”

第二个趋势是应用程序是“Game”（游戏规则改变者）。 “我们今天都被基础模型所吸引，因为今天的创业者都在打磨To C的应用，当大家使用的时候就会明白，他们到底在乎的是基础模型，还是实际体验的应用。就像在对于B来说，企业最关心的是自己想要解决的行业问题，但困难在于，企业要使用大模型，需要使用自己的私有数据，担心自己的数据被泄露。私有数据会被大模型吸收，这需要技术来解决。” 顾凡说道。

第三个趋势是对工具链的需求。 谷帆最近的经历是，他经常和客户聊生成式AI，最后的结论是先做数据项目，从数据清洗、存储、处理到形成定制模型、模型蒸馏（Model），旨在传递生成式AI的知识。一个复杂的大型模型到另一个较小的更简单的模型）、性能调优等，这个过程中有很多工具链要求，需要更简单的解决方案。

对于未来的发展，谷帆认为，生成式AI也有三个不会改变的事实。 首先，基础模型的演化仍然需要大量的数据馈送； 其次，数据所有权仍然有边界，私有数据必须得到妥善保护和使用； 第三，随着模型的演进，公共数据和私有数据交替使用，肯定会产生大量的工具链需求。 需要这些工具链来串联数据并解决模型调整和蒸馏。