解读AI商业前景与挑战

近日，AI独角兽Anthropic的CEO Dario Amodei接受了Noah Smith的访谈，从商业角度畅谈AI发展，贡献了不少来自业界一线的真知灼见。

以下是我的学习笔记，分享给大家。

一、Google是AI时代的贝尔实验室

在创办Anthropic之前，Dario Amodei曾在百度、Google及OpenAI任职。说起Google，Dario认为很多科研人员把Google当做他们学术生涯的延续，这点和当年的贝尔实验室很像。

Google浓厚的学术氛围和优质的产业资源吸引了大量顶级科研人才，开展数以百计的创新科研项目，Transformer只是其中之一。

无论从算力资源还是人才密度来看，Google理应是AI浪潮的最大受益者。但是Google的组织架构是为了“搜索”服务的，并没有把AI相关的要素有效的组织起来。

如果当时Google能够把算力优势、关键学术成果、人才优势有效利用起来，它本可以成为AI领域的唯一主导者。

二、AI公司究竟有没有护城河？

AI公司的商业模式取决于Scaling Law是否持续成立。

假设Scaling Law在未来相当长一段时间保持有效，那么AI将带来巨大的经济价值，涉及人类社会的方方面面。

Dario认为，随着大模型不断Scaling up，单个模型的训练成本将超过百亿美金，甚至达到千亿美金。因此这将成为一个准入门槛极高的生意，大模型将成为国家级基础设施，只会有少数几家科技巨头，甚至国有企业参与其中，形成寡头垄断的竞争格局。

当然这里有一个关键问题，是否会有公司愿意开源千亿参数的大模型？

Dario对此深表怀疑，千亿规模的模型的推理成本非常高昂，甚至超过训练成本，开源模型的商业价值将会受限。

三、AI公司的生存之道：差异化

要想在竞争中生存发展，AI公司需要找到自己的差异化定位，Dario提供了两种思路。

其一是基座模型能力差异化。A公司可以训练出一个专门写代码的模型，B公司可以训练擅长创意写作的模型，C公司训练出一个虚拟伴侣模型。与其拼尽全力做基座万能大模型，不如选择一个领域做深做透，专项训练。

其二是模型与应用的垂直整合。理论上看，你可以把模型层和应用侧解耦分离，但实操中要把应用做到极致，往往需要对模型进行专项训练，这是大模型公司得天独厚的优势。

Dario认为未来AI公司不能只提供API能力输出，而应该深度介入应用层。虽然目前基于大模型的应用还很薄，但未来会越做越厚，逐渐形成壁垒。

四、AI行业的宿命会和光伏类似吗？

Scaling Law目前只是基于观察总结的经验，可能持续很久，也可能随时停止。根据目前的观察，Dario认为Scaling Law还将持续相当一段时间。

假设Scaling Law在达到AGI之前失效，AI公司的处境可能与光伏类似。

纵观光伏行业，技术创新层出不穷，带来了巨大的经济价值，但并不具备垄断属性，导致光伏企业利润率整体偏低。

与光伏行业类似，AI行业的市场规模非常巨大，但公司想要保持较高的margin并非易事。

五、AI公司是否会被国有化？

如果Scaling Law持续有效，在不久的将来，AI模型有可能成为一个国家国防领域最重要的资产之一。

另一方面，针对AI的misuse和autonomy问题，如果不加以严格监管，可能导致较大的社会问题和安全隐患。

因此，政府会在AI领域扮演越来越重要的角色，但不太可能对AI公司进行国有化，具体的有效介入方式还需要探索。

六、蜂群协作模式：大模型与小模型的有机统一

未来的AI生态将由大模型与小模型共同构成。大模型强大但价格昂贵，小模型便宜且推理迅速，但没有那么智能。

根据Dario所言，Anthropic正在尝试构建“蜂群协作”的推理模式，由大模型将一个复杂的任务拆解成数个简单的子任务，然后把每个子任务分配给一个小模型来处理，最后将小模型处理的结果统一汇总给大模型，输出最终结果，整个处理过程就像蜂群一样。

七、AI将加剧贫富差距

Dario认为AI能带来财富的增长和富足的生活，但也极有可能加剧贫富差距。

发达国家将率先受益于AI带来的生产力进步，实现GDP的双位数增长，但财富可能高度集中于头部科技公司及其员工，而非平均分配。

与此同时，发展中国家的居民可能无法共享AI带来经济增长的果实，并面临更加严峻的就业压力。

八、人们低估了AI在生命科学中的应用潜力

基于此前生物学的学术背景，Dario对AI在生命科学中的应用前景颇为重视。

在大模型诞生之前，AI在生命科学中最多只是辅助工具，即使是AlphaFold也没有从根本上改变这一定位。但在不久的将来，AI将逐渐走到台前，成为生物科研领域的核心参与者。

纵观整个20世纪，生命科学的所有进展都是由极个别的重大发现推动的，比如基因测序技术，以及CRISPR基因编辑技术。

Dario认为，大模型将十倍甚至百倍的提升科学发现的速度。

以CRISPR为例，这项技术最初是在细菌中发现的一种天然免疫系统，用于防御病毒入侵。当细菌遭受噬菌体攻击时，会将入侵者的DNA片段整合到自身的CRISPR序列中，并通过RNA和Cas蛋白来定位并消灭这些入侵者。

这项技术早在30年前就被发现，但是直到2013年哈佛医学院的George Church才首次使用CRISPR技术完成了RNA介导的人类基因组编辑。如果科学家使用 AI加快从科学发现到应用转化的速度，这无疑是全人类的福音。

Dario判断，AI有望在未来10年内实现原本预计整个21世纪才能达成的生物学进展，治愈罕见疾病，让我们拭目以待。

相关推荐

解读AI商业前景与挑战
“AI深度合成”首次纳入民法典，一文解读趋势、前景与治理
代码生成：基于 AI 大模型的挑战与前景
“小度”的前景与分析
光源资本郑烜乐解读AI产业投资：冰川之上，生之响往
脑科学这个商业前景被严重低估的领域，AI如何助力其产业化
马斯克戏言背后的深度剖析：人工智能超越人类的前景与挑战
李开复对话“硅谷海漂”: AI创业灵感与当前挑战
云从科技亏损近30亿，AI独角兽前景引发担忧
8万亿中国AI算力产业，面临哪些机遇与挑战？

网址: 解读AI商业前景与挑战 http://www.xishuta.com/zhidaoview31083.html