視覺中國.
文 |閱讀金融和經濟學。隨著人工智慧的發展，乙個重要的問題逐漸浮出水面：生成式人工智慧究竟應該投資什麼？要回答這個問題，我們不妨看看移動網際網絡的發展史。
在很多人看來，生成式人工智慧的機會有點像移動網際網絡。 回顧移動網際網絡的發展，大概有三個關鍵階段：2024年，iPhone 1發布，移動網際網絡開始正式起航;2024年，iPhone 4發布，奠定了移動網際網絡的基本框架;2024年，移動網際網絡應用開始爆發，位元組、滴滴、小紅書相繼成立。
邏輯gpt 3.5 的發布更像是 iPhone 1 在 AI 世界的瞬間，發展方向已經明確，但行業框架尚不明確。 這樣的亂象也在一定程度上增加了投資的難度，甚至會出現很多投資“陷阱”。
這種事情也發生在移動網際網絡時代。 在移動網際網絡的早期，“手電筒”和應用商店等工具產品一度吸引了眾多投資者的賭注。 後來事實證明，這無非是移動網際網絡的乙個投資“陷阱”。
如何在移動網際網絡中尋找投資機會？婺源資本的做法或許值得您借鑑。
根據吾源資本此前劉勤對移動網際網絡的分析：手機具有PC的特性。 但是，手機在PC上沒有三件非常重要的事情：1）手機上有位置引數;2）手機裡有通訊錄;3）手機有攝像頭和外接裝置。順著這個邏輯，吾元資本得出了乙個結論：下一代殺手級應用是移動化、社交化和豐富化。
按照這個邏輯，當我們在尋找生成式人工智慧的投資機會時，最好多問自己幾句話：生成式 AI 有哪些以前沒有的獨特功能？
2024年是大模特真正破圈的一年。 回顧這一輪生成式AI的突破，它來自於底層大模型的不斷演進。 GPT作為全球最強大的語言模型，從2024年5月的GPT第一版到2024年3月的GPT-4，在短短5年的時間裡，模型的效能有了質的飛躍。
從目前來看，GPT模型快速演進的原因主要有兩個：
首先是訓練方法的不斷迭代，從GPT-1的半監督學習，到放棄GPT-2的微調階段，再到GPT-3的上下文學習和海量引數，以及基於人類反饋的強化學習後引入ChatGPT。
其次，在模型引數規模擴大的背後，OpenAI在研發和算力方面的持續高投入，通過“大力創造奇蹟”的方式，支撐了模型引數和訓練資料的快速擴充套件。
隨著大型模型和ChatGPT等一系列“殺手級”應用的出現，生成式AI在文字、影象、音訊和3D模型等領域展現出了強大的能力。
今年3月，Microsoft發布了基於GPT-4的AI辦公助手Office Copilot，此後，AI在企業服務、營銷、低**、安全、教育、醫療、金融等領域的應用陸續發布。 今年7月，Microsoft 365 Copilot宣布定價為每位使用者每月30美元，而CRM領域的全球領導者Salesforce宣布正式向所有使用者開放AI產品，並給出了每位使用者每月50美元的單個產品定價。 隨著兩大軟體巨頭發布AI功能定價，AI應用將正式進入商業化階段。
生成式AI的應用不僅在B端，也在C端。 11月29日，成立僅半年的AI創業公司Pika正式上線AI生成工具Pika10，同日，公司宣布已獲得5500萬美元融資，目前估值為25億美元。
PIKA的特點是可以實現從普通2D動畫到實拍電影場景、3D動畫的全面覆蓋，還可以支援實時編輯和修改，在光影、動作流暢度等方面產生，甚至不遜色於荷里活動畫電影的水平。
種種跡象表明，人工智慧應用正在進入乙個由模型、算力和生態驅動的爆炸式增長時代。
生成式人工智慧的快速增長也引發了相關領域的投資。
從一級市場來看，截至8月底，GitHub上的AI開源專案數量達到91萬個，較去年全年增長264%。 根據 Replit 資料，23 年第二季度 AI 專案環比增長 80%，與去年同期相比同比增長 34 倍。
至於去向，大多數生成式AI專案仍處於早期階段，大部分資金都投入在AI基礎設施層，包括大模型的開發，而應用層的資金只佔30%。
其中，基礎設施層的投資集中度相對較高。 自22年第三季度以來，AI基礎設施層，雖然投融資數量僅佔總量的10%，但投融資金額佔生成式AI融資金額的70%以上，這也體現了基礎設施層的資金密集型特徵。
在應用層，通用AI應用占多數，佔比65%。 相比之下，垂直行業應用目前無論在投融資金額和金額上都遠低於一般應用。
從二級市場來看，AI計算基礎設施公司最先受益於AI產業的浪潮，其中英偉達是AI“掘金買鏟”邏輯的核心受益者，其次是Microsoft、谷歌、AWS、甲骨文等頭部雲服務廠商和大模型廠商。
究其原因，在當前的生成式AI產業鏈中，基礎設施層是最確定的環節。 根據海外風險投資公司 Andressen Horowitz 的粗略估計，應用廠商平均需要將收入的 20-40% 支付給雲服務提供商或大模型廠商，而大模型廠商通常將近一半的收入用於雲基礎設施。 換句話說，生成式人工智慧總收入的10-20%目前流向了雲服務提供商。
在硬體層面，英偉達最為受益，其主力AI晶元A100和H100承載了絕大部分AI模型的訓練和開發，佔AI伺服器硬體成本的近90%。
儘管AI應用仍處於早期階段，應用層在商業化和套現時間上將落後基礎設施層幾個季度，但今年以來，頭部應用廠商的股價也得到了解讀。 年初至今，Palantir、Salesforce、Shopify和其他應用層公司也取得了不錯的收益。
隨著越來越多的AI應用廠商進入實質性商業化階段，AI領域的投資也將進入更加複雜的階段。
在資訊科技的背景下，軟體和硬體呈現出完全不同的發展軌跡。 在軟體行業，只有直接控制使用者和資料資產的基於平台的應用程式才是最終的贏家。 在半導體行業，集中度高於下游直接面向使用者的電子產品企業，高通、台積電和英特爾在各自領域都有很強的話語權。
換言之，AI世界的演進路徑將更接近半導體或網際網絡行業，這意味著最大的蛋糕將出現在模型層或產品層在回答這個問題之前，我們先來看看AI與上述兩個領域有何不同。
與許多行業不同，半導體行業的邏輯來源於消費市場對效能永無止境的需求，並最終演變成摩爾定律。 這迫使製造業巨頭通過鉅額的研發投入，繼續保持每一代產品的技術領先地位。 在此過程中，效能提公升變得越來越困難，收入增長和所需的鉅額研發成本往往不匹配，這對半導體製造構成了極高的壁壘。
但這不會發生在生成式 AI 模型層，原因有兩個：
一是軟體比硬體更難保持長期的技術領先地位。 目前，大模型的投資成本主要在訓練成本上，但與數十億的晶元製造投資相比，訓練成本還是一筆不小的數目。 這從國內外大模型的發展中也可以看出。 雖然國內外大車型仍有明顯差距，但與年初相比差距明顯縮小。
其次，相較於消費者對手機和PC效能的無限需求，在很多場景中，使用者在生成式AI中的智慧型性在小幅下降。 也就是說，在所有場景中，對生成式 AI 效能的要求並不是無限的。
既然模型層的邏輯不起作用，就不用說應用層公司有很大的機會了。 究其原因，在大模型邏輯下，產品體驗與控制模型高度繫結，資料反饋對模型的改進至關重要。 在這種情況下，很難信任一家嚴重依賴大型模型供應商的應用層公司。 對於應用層企業來說，將自己高質量的資料完全交給大型模型廠商進行迭代，也是一件風險很大的事情。
從這個角度來看，無論是模型層還是應用層公司，都有各自的問題，同時佔據模型層和應用層的全棧公司，或許有可能攫取最大的價值。