人工智能（AI）已经引起了全球的关注，特别是大语言模型，如的，以其强 大的语言理解和生成能力，不断刷新我们对AI可能性的认识。然而，对于那些想在中国投资 类似的大型人工智能模型的风险投资者，我有一些警告。在我看来，成功创建中国 版的只有现有的云计算大厂才可能，而新的创业公司则可能面临巨大挑战。以下是 我的核心观点，请您参考。
1. 用户体验透明化导致只有头部玩家才有生存机会
首先，我们要明白，与其它技术不同，大语言模型的使用场景是面向普通用户的。当一个产 品面对的不再是专 业用户，而是普通消费者， 并且对用户体验透明，比较成本和切换成本 都很低的时候，产品的用户体验、优劣对比极易被感知，估计最多聊上五分钟就能体验到明显差异。 因此，对于新的创业公司来说，要么赶 不上大厂的用户体验被用户抛弃，要么在追平过程中因成本拖累退出竞争，要么 做不到大 厂的应用场景而在商业转化上失败。而这些都是创业公司不愿看到的。
2. 技术并非决定性因素，关键在于资源和商业转化能力
虽然技术对于大语言模型至关重要，但在这个领域，主要玩家在技术掌握能力上处于同一 起跑线。真正决定大模型创业成败的，不是技术，而是算力、人才、和商业转化能力。
在算力和人才这两个方面，大厂的优势无疑是确定的。他们拥有现成的、丰富的资源和人才储备，可 以应对各种挑战。而对于新的创业公司来说，这无疑是一项巨大的挑战。
再者，对于大语言模型的商业转化，大厂也有着明显的优势。无论是以API方式对外提供云 服务，还是集成到B端或C端产品中，大厂都有成熟的经验和资源。而对于新的创业公司来说， 这些都是他们无法触及的。
3. 商业化与大语言模型的双轮驱动闭环是成功的关键
当我们谈论大语言模型的商业化途径时，通常有两种：一种是以API方式对外提供云服务（A I as a ），如的付费API服务；另一种是将大语言模型集成到用户端产品中 ，如微软的 365 Co-Pilot软件产品或集成大语言模型对话能力的机器人或手机等硬 件产品。
值得注意的是，这两种商业化途径不仅是大语言模型的服务对象，也是大语言模型的场景化 需求和持续训练素材来源。让我们深入分析一下这个观点。
首先，无论是云服务还是用户端产品，都需要大语言模型提供服务。这是因为，无论是在服 务器上处理大规模的数据，还是在用户设备上为用户提供个性化的服务，大语言模型都是不 可或缺的角色。
其次，这些商业化途径也是大语言模型的场景化需求和持续训练素材来源。这是因为，只有 在真实的商业环境中，大语言模型才能获得足够的训练数据，不断优化并提高其性能。同时 ，通过解决实际的商业问题，大语言模型也能不断发现新的应用场景，进一步提升其商业价 值。
这样看来，商业化与大语言模型形成了一个双轮驱动的闭环：商业化推动了大语言模型的应 用和优化，而大语言模型的优化又反过来推动了商业化的进程。这种相互促进的关系确保了 大语言模型的持续发展和优化。
然而，有能力实现这个双轮驱动闭环的，只有现有的大厂，尤其是云计算大厂。这是因为， 云计算大厂有足够的组织能力、资金投入、算力资源和人才储备来处理大规模的数据， 同时也有足够的资源和经验来进行商业化的尝试和优化。
所以，对于新的创业公司来说，要想在这个领域取得成功，无疑面临着巨大的挑战。他们不 仅需要有足够的技术实力，还需要有足够的资源和经验来实现商业化。这是一项艰巨的任务 ，而只有少数的大厂才有可能完成。
4. 软件大厂，与其自己尝试，不如寻找合作机会
对于软件大厂来说，最佳途径是与云计算大厂合作，将大语言模型作为云服务，集成到自己 的产品中。这样一来，他们能在用户体验上达到大厂的水平，同时还能获得云计算大厂的技 术支持。这将是一种互惠互利的合作方式，能够保障产品的质量和用户体验。
即使是像微软这样的技术巨头，也是将集成到其 365 Co-Pil ot软件产品中，以提升用户体验。通过与云计算大厂合作，软件大厂可以更快地实现大语言 模型的商业化。
5. 投资更具前景的创新应用
对于风险投资者来说，投资大型人工智能模型可能并非最佳选择。除非您只是为了追求概念 ，参与一下市场热潮，否则还是建议关注那些将大型人工智能模型集成到现有产品，或者基 于大语言模型AI能力在ToB和ToC领域开展创新应用的机会。这些领域的投资可能会带来更高 的回报和成功率。
总之，对于投资中国类似的大型人工智能模型创业项目，投资者需谨慎。从成本、 资源和市场竞争的角度来看，新的创业公司很难成功。相反，投资者应关注那些与云计算大 厂合作，或者开发创新应用的项目，这些将更有可能带来可观的回报。
宛如当年我们面对所启动的移动互联网时代时，一直紧盯着那些庞大的移动互联网软硬件产品创业机会一样。
