AI 行业最新发展趋势：贪吃蛇与俄罗斯方块的比喻及策略挑战

文章摘要

本文总结了AI行业最新发展趋势，从贪吃蛇与俄罗斯方块的比喻入手，探讨了大公司和创业公司在LLM时代的不同策略和挑战。

• AI行业更像，而不是

• 大模型时代的贪吃蛇和俄罗斯方块比喻

• 教育领域是国内最大的AI应用方向

共识粉碎机从本季度开始推出新的季度文章系列《季度AI观察》，期望通过与行业内最前沿的一线创始人/从业者们交流了解每个阶段大家的所思所想。

本次作为观察者参与了组织的AI Panel。季度研究线下会，是一个投研组织，季度会主要参与者为AI公司创始人、工程师、科学家和行业组织等。本期通过为期3小时的脑暴交流，感受到了AI行业第一年的变化。

一、贪吃蛇与俄罗斯方块

在《》中，我们提到了一个有趣的现象“为什么LLM第一年没有颠覆大玩家？”。

成熟的大公司在LLM元年，没有一家被弯道超车。

听完这次Panel，如果用一句话总结：“AI在现在更像，而不是。”

Panel中提出了一个有意思的观点，LLM时代的大公司就像贪吃蛇：

贪吃蛇们也正像我们熟知的游戏里一样，非常有规划地吸纳所有力量：

而相比贪吃蛇们，剩下的LLM创业公司则更像在玩一场俄罗斯方块游戏：

在任何一个时代创业公司都像俄罗斯方块，但AI时代的难度看起来更大：

二、贪吃蛇的存钱罐与触手

这一期的贪吃蛇们非常强劲，有很强的循环造血能力。

就像我们在讨论LLM时代最大的贪吃蛇微软时：

Panel有个有意思的话题：“为什么Azure API卖得比 API还好”。

“AI超级个体”、“AI小公司赚大钱”是最近常见的叙事，但上有一个惊讶的观点是“LLM可能会让大公司们打破壁垒变得更加庞大”：

三、贪吃蛇也没有秘密

在大模型时代最大的贪吃蛇是+微软的组合。

是大模型时代的登月者，在登月的过程中，其中的和技术思想也在不断向外扩散。

GPT4在硅谷已经几乎没有秘密了：

虽然代表的先进模型没有秘密，但我们仍然很难想象出下几代模型的含义：

四、中国的方块与美国的方块

不同的土壤让创业者也出现了不同的方向。

移动互联网时代为中国培养了一批优秀的产品经理，产品经理定义需求和场景。

云计算时代为美国培养了一批优质的软件客户和擅长找到PMF的软件从业者，他们的入手点多从生产力提效开始。

美国有非常多Niche的小AI应用公司：

但与美国不同，中国的AI企业一开始就面临困难模式：

这也使得AI应用的方向与美国有很大的区别：

五、模型公司的下一步

“做的是登月工程。跟着后面走，会忘了还有开源社区，还有产品和客户需求。”

在与模型公司和创业公司的对话中，我发现模型的SOTA不是最重要的：

这也使得中国的模型公司更多开始考虑场景与需求的意义，理性看待自己定位：可能难以和竞争登月者的角色，但可以做出最适合客户的模型。

Panel中我还发现模型公司开始尝试做自己的应用产品：

六、应用公司的下一步

为什么现在还没有看到令人兴奋的国内AI应用？在每一场讨论会中，都是最大的焦点。

我在这次Panel中听到了一线创业者的反思与尝试。

一位创业者反思了过去做语言模型中出现的问题：

也看到了生产力提效创业者爱设计/AI PPT赵充的初步成功：

一款优秀的AI产品，在专注AI的同时，可能不需要将AI挂在嘴边：

相比2023年看到的很多Model as 产品，找场景的意义远大于秀肌肉：

有一位希望打造AI原生应用的创业者提到了一个问题：

在这次Panel中，我听到了非常多的点子。

诚然说还没有听到一个非常大场景，非常令人震撼的创业方向。

但就像前面说的，中国的AI应用创业者，就算从小事情起步，也都在想属于自己的大事情。

七、教育领域是国内最大的方块

在这次Panel上提到的最多应用想法是教育。

教育作为一个天然的存量大市场同时兼具2C+AI属性，并且已经在很多领域看到了AI尝试。

首先看到了录播课、作业批改等形式正在被AI改造：

而中国教育公司在进入全球AI市场时候也有自己独特的优势：

除了教育产品，与会还有创业者正在探讨应用LLM做学生的知识储备测评，阅读能力测评，进而可能帮助到书本等内容定级、内容匹配。

八、Sora如何改变世界

对这个时代最大的贡献是领路人，通过最多的人才、钱和资源将AGI的方向指出来。

如果说当GPT4刚出来的时候，因为没有足够的公开信息，大模型追赶者们可能还不确定能否复现。但当Sora出来后，第一反应已经是可以复现，更多是资源和工程问题。

Sora复现的方向和难点：

到复现节点来看，克服以上难点并且成功复现可能需要6~8个月的时间，但快速迭代的能力也非常强，可能届时已经有Sora 2出现。同时尽快开放给2C用户，也会收集更多的用户反馈。

Sora也同时带来了模型公司排期的变化，过去都会优先训练大模型，或者先做LLM再做多模态。但现在更可能同时做，同样重要。

训练LLM模型需要基于 Law，效果提升遵循对数指标，边际提高越来越困难。但在多模态的早期更像是直接取得线性效果，提升更加明显。

Sora的出现也可能对内容生态有很大冲击：

九、我们在1.0，即将进入2.0

现在的我们更像是站在LLM时代的1.0阶段，1.0阶段反馈在算力芯片和模型自身。这次的Panel也更多是在探索和讨论1.0阶段国内外最前沿AI从业者的思考与见闻。

进入2.0阶段，将是以应用为代表的叙事。

在这次Panel中，的前研究员，现 的合伙人Jenny Xiao也分享了自己的看法：