祛魅后的大模型，商业化成为要啃的第一块硬骨头

2023年，以ChatGPT为代表的大模型迅速席卷全球，给人带来一种技术即将跃迁的幻象。尽管业内认为过去一年大模型取得的进步超过以往10年之和，但总体来说大模型技术演进进入了一个相对平缓的平台期。

随着认知的不断拓展和清晰，让企业对大模型祛魅了，越来越多企业明白大模型只是"技术和能力"，开始希望利用好这个新工具，让它在业务层面带来效率提升。这样的变化带来一个结果："百模大战"的风向逐渐收敛。

市场和客户变得越来越务实，越来越多初创企业将目光从基础模型转向应用和工具链。而对于投资者和投资机构来说，最关心的问题还是商业化。

但大模型商业化的落地依然有许多难点。

难点一：ToB还是toC

第一个难点在于大模型玩家对to B和to C两个方向的选择截然不同且充满争议。大模型确实在加速狂飙，但AI商业化却面临巨大鸿沟。一方面，传统企业不知道怎么将AI融入原始业务，另一方面，AI企业难以找到合适的变现方式。AI企业究竟该如何突破商业化之困？B端和C端，呈现出两种不同的路径。

纵观海外的AI玩家，已经有许多企业闯出自己的商业化道路。B端如微软、Salesforce，将AI技术集成到传统产品中并提供垂直定制服务；C端如OpenAI、Midjourney，向个人用户提供生产力解放工具，并以付费订阅模式变现。

而国内虽然起步较晚，但仍有不少企业在积极探索商业化路径，百度、阿里、字节跳动、360、讯飞等公司都在进行相关尝试。如百度在C端打造生产力工具，推出文心一言订阅模式，B端提供底层架构、解决方案；360在C端借助浏览器在PC端的场景优势，发力AI办公，B端聚焦AI安全和知识管理等场景，在ToC、ToB两端入手，寻找大模型的商业价值；讯飞则试图将大模型与自身硬件产品进行结合。

但不论是B端和C端，都有着各自的问题。在B端，传统企业在采用AI技术时需要考虑ROI(投资回报率)、数据安全性等，此外将AI融入以往的工作流程以及后续维护都有较高成本。按企业服务领域的惯性来说，大模型to B应用可以带来更大的行业价值，可以更快实现，但传统企业普遍不敢用、高管不想用、企业不愿为软件付费。

在C端，普通消费者对AI产品的付费意愿上涨，但营收难以覆盖大模型训练和运行的高昂成本。此外，许多企业往往过于关注AI技术本身，而忽视了对消费市场的开拓和消费者需求的挖掘。

相比缺乏付费意愿的C端用户，B端客户对先进技术的渴求更为明确。国际数据公司IDC曾在2023年四季度开展过一次AI应用调研，结果显示，在100家受调企业中，对生成式AI完全没有规划的企业比例只有7%，这也意味着超九成被调查企业已布局了AI应用。已经投资了生成式AI，并已有明确预算的企业有24%；还有34%的企业已经开始制定潜在应用场景；35%的企业开始尝试试点，但暂未明确预算。

不过对此也有人有不同观点，例如创新工场创始人、零一万物CEO李开复认为，短期来看大模型在中国to C的应用更有机会，但挑战在于推理成本高，在考虑产品市场匹配度时，还要考虑技术需求、技术难度和成本等因素，而且还需要把握时间窗口。

然而对于大模型创业公司而言，寻找商业化路径，尤其在to C赛道寻找商业模式是世界难题。

以当下较火的月之暗面为例，对于坚定赌to C赛道的月之暗面而言，在to C赛道构建一个有效的商业模式更是难上加难。杨植麟也曾表示，目前比较流行两种商业模式：一是订阅。在他看来，按照用户数量收费，是无法随着产品创造出更大的商业化价值的，订阅不会是最终的商业模式。

二是抽成。其中广告已经被互联网验证过了，它的确定性更高，但人的注意力和时间有限，这种商业模式的机会可能也没有那么大。

并且不论是toB还是toC，商业化的成绩单都很直接，所以大家会迅速进入赤裸裸的拼刺刀的阶段。投资方或者市场对大模型创业公司的期待，就是每3~6个月，必须拿出新的产品，或者发生新的变化——要在阶段性交出能够让人买单或者信服的成绩，比如用户量、收入、影响力等。

难点二：经济性

而不论是面向B端还是C端，大模型商业化的核心其实还是一个经济性的问题。也就是收益能否覆盖成本。

"大的模型投不起，小的模型还看不到赚钱能力。"有业内人士用这样一句话形容当下大模型领域的投资难题。

一方面，大模型的"贵"众所皆知，数千万元一次的训练成本注定了这是少数人的游戏。再叠加美元基金黄金时代落幕，风险投资也愈发谨慎。或许正是因此，大模型热潮难以带火一级市场。

研究机构CB Insights发布的《2023年人工智能(AI)行业现状报告》数据显示，2023年，中国AI领域投融资数量约为232笔，同比下降38%；融资总额约为20亿美元，同比下降70%。特别是2023年第一季度，无论是融资额还是融资量，都创下了5年来最低，中国AI行业融资热"降温"尤为明显。

当创业者获取融资的难度增大，难以覆盖长期研究所需成本，它们就必须迅速获得商业成果、完成商业闭环，才能确保项目的可持续发展——这成为了中国与硅谷大模型创业生态之间的最大差异。

难点三：人的认知

除了面向什么客户和成本外，人对AI的接受和使用程度也会给AI大模型商业化带来难点。

在2024 世界人工智能大会上，中国工程院院士、之江实验室主任、阿里云创始人 王坚表示："人的因素容易被忽略，当我们讲AI对每个部门都会产生影响，AI是革命性力量的时候，要所有部门的所有人都去拥抱AI，这在很多大企业是很难的。小企业跟大企业的差别就是，大企业会觉得AI是工具的革命，而小企业一定会觉得这是革命的工具。"

王坚在大会上说，当大企业也意识到AI是革命的工具，变化才会到来。

王坚观察到的现象是中国企业对AI的态度之现状，让所有企业都去拥抱AI、拥抱大模型并不容易。中国移动从2023年年初开始启动大模型研发工作，当年就推出了139亿参数的大语言模型，在公司内部和客户中加快推进大模型落地，但面临的一大挑战是，行业如何看待和拥抱大模型，行业内部对于大模型的看法和接受程度不一，存在思维方式的转变问题。

而这种思维方式的转变之难不仅存在于公司和行业，也存在于我们每个人内心中。

从苏格拉底说："人是万物价值的尺度"；到哈姆雷特中的"人是宇宙的精华，万物的灵长"；又到近代科学理论为工业革命奠定了基础，生产力发展推动社会进步。人类无疑是过去历史的绝对主角。

但随着人工智能的出现，许多人说，科技将成为世界的"主角"，这时一场计算机和人类之间的"分工之战"也拉开了——人不再掌握生产知识的特权，机器也可以了。

在此背景下，人类如何与人工智能更好的分工成为了时代的课题。这个答案每个人可能都不一样，但必须承认的是AI时代渐行渐近。

结语：对新事物可以多一些耐心

最后虽然AI大模型商业化有这样那样的难点，但笔者相信终有一天AI大模型会找到适合自己的商业模式。

这背后的信心来源于AI代表着先进生产力。正如马克思所言，新生事物之所以是不可战胜的，它代表了事物的发展方向，符合事物的发展规律，能够适合于当前特别是未来的发展条件，因而具有强大的生命力和广阔的发展前途。

至于现在的问题，我们不妨用动态长远的眼光去看待。毕竟所有的问题要在动态的过程中解决——不能以现在这个时刻的状态来解决十年以后的问题，要拿十年以后的状态来解决十年以后的问题。

因此，我们有理由相信，中国大模型在商业化落地中遇到的问题，也必然会在大模型的动态发展中得到解决。