Evolusi pesat teknologi AI di China telah membawa kegembiraan sekaligus ketidakpastian bagi banyak startup. Dulunya penuh dengan tujuan ambisius, beberapa perusahaan kini mengkalibrasi ulang strategi mereka, menghadapi kenyataan pahit dari pasar yang kompetitif dan padat sumber daya.
Dari Visi Besar ke Pivot Strategis
Sebuah surat internal baru-baru ini dari CEO salah satu “Macan Kecil AI” China, Baichuan Intelligent, menandai ulang tahun kedua perusahaan dan menyoroti perubahan strategis. Fokus akan dipersempit, memprioritaskan aplikasi medis. Ini sangat kontras dengan misi awalnya untuk menciptakan model dasar inovatif yang mirip dengan OpenAI, lengkap dengan aplikasi inovatif.
Demikian pula, Li Kaifu, pendiri “Macan Kecil” lainnya, 01.AI, mengumumkan pada bulan Januari bahwa perusahaannya akan menerapkan pendekatan “kecil tapi indah”. Ini merupakan penyimpangan yang signifikan dari visi besar membangun platform AI 2.0 untuk mempercepat kedatangan AGI.
Kemunduran strategis ini telah memicu spekulasi, dengan beberapa pengamat menduga bahwa “Macan Kecil” ini menjadi lebih seperti “kucing sakit”. Dalam lingkungan yang ditandai dengan perubahan konstan, bagaimana perusahaan-perusahaan ini dapat mengamankan masa depan mereka?
Untuk menjawab pertanyaan ini, tim editorial di Zhiwei mencari wawasan dari berbagai ahli, termasuk spesialis teknologi model besar, pakar AI di bidang keuangan dan kesehatan, dan pakar teknologi AI dari perusahaan-perusahaan terkemuka.
Efek DeepSeek dan Pergeseran Strategi
Lanskap AI berubah secara dramatis setelah popularitas eksplosif DeepSeek, sebuah model yang mengguncang pasar. Seperti prajurit yang tangguh, DeepSeek mengganggu lanskap, memaksa banyak perusahaan AI untuk mengevaluasi kembali posisi mereka dan mengejar jalan yang berbeda.
Namun, transformasi ini dimulai bahkan lebih awal dari yang disadari banyak orang. Menurut Wang Wenguang, seorang ahli teknologi model besar, beberapa perusahaan AI China mulai meninggalkan pengejaran pelatihan model besar bahkan sebelum rilis DeepSeek V3 dan R1. Biayanya terlalu tinggi, dan perusahaan-perusahaan ini merasa tidak mampu bersaing dengan alternatif yang tersedia secara bebas dan open-source seperti DeepSeek V2.5 dan Qwen 70B Alibaba.
Liang He, seorang ahli dari perusahaan layanan teknologi AI, menambahkan bahwa sementara sebagian besar “Macan Kecil” masih melatih model besar pada pertengahan tahun 2024, investasi mereka telah menurun secara signifikan. Pada Januari 2025, dengan rilis DeepSeek R1, banyak perusahaan kecil menyadari bahwa mereka tidak dapat mengimbanginya.
Pergeseran mendadak ini menyebabkan perubahan besar dalam arah bagi “Macan Kecil”, bergerak menjauh dari pengembangan AGI menuju pendekatan yang lebih khusus.
Baichuan dan 01.AI telah meninggalkan pra-pelatihan model besar, dengan fokus pada AI medis dan aplikasi industri, masing-masing. MiniMax mengurangi operasi B2B-nya dan berfokus pada pasar luar negeri dengan pembuatan video C-end dan aplikasi lainnya. Zhipu, Moonshot AI, dan StepUp masih aktif di komunitas open-source tetapi belum menghasilkan model baru yang mengungguli DeepSeek R1. Zhipu telah mengamankan pendanaan dan kemitraan pemerintah-perusahaan yang cukup besar, memastikan kelangsungan hidupnya. Produk utama Moonshot AI, Kimi, telahmelihat posisinya terancam oleh Yuanbao, membuat posisinya semakin canggung.
Secara keseluruhan, “Macan Kecil” semakin menyatu dengan pasar SaaS B2B, yang oleh beberapa orang dianggap “tidak imajinatif”.
Daya Tarik dan Keterbatasan Pasar B2B
01.AI baru-baru ini mengumumkan niatnya untuk sepenuhnya mengintegrasikan DeepSeek untuk menciptakan platform model besar perusahaan satu atap untuk berbagai industri. Namun, langkah ini disambut dengan skeptisisme.
Jiang Shao, seorang ahli AI keuangan, percaya bahwa masa depan 01.AI tidak pasti karena fokusnya yang luas, kurangnya daya saing teknologi setelah kemunculan DeepSeek, dan kemampuan komersialisasi yang terbatas.
Wang Wenguang menggemakan sentimen ini, mencatat bahwa hambatan teknis untuk masuk bagi platform model besar satu atap relatif rendah.
Wang berbagi pengalamannya mengembangkan platform semacam itu secara mandiri dalam waktu sekitar enam bulan, menjualnya melalui saluran pribadi. Dia berpendapat bahwa meskipun sulit untuk mendapatkan keuntungan dari produk ini sebagai sebuah perusahaan, itu bisa menguntungkan sebagai usaha solo.
Wang berkolaborasi dengan beberapa perusahaan B2B yang menawarkan layanan model besar tetapi tidak memiliki platform teknis. Dia menyediakan platformnya dengan biaya rendah, sekitar 40.000 hingga 50.000 yuan per lisensi, secara signifikan mengalahkan perusahaan-perusahaan yang lebih besar.
Platformnya, KAF (Knowledge-based Agent Factory), menggunakan knowledge graph, basis data vektor, dan mesin pencari untuk memberikan aplikasi model besar dan Agent. Ini memungkinkan pengguna untuk membuat asisten pengetahuan atau Agent khusus tanpa coding melalui manajemen prompt dan model. Wang mencatat prevalensi platform serupa di pasar, sehingga mudah untuk direplikasi.
Menurut Wang, sebuah perusahaan yang ingin mengembangkan aplikasi model besar B2B dapat dengan cepat membuat produk dengan mempekerjakan tim kecil yang terdiri dari individu-individu terampil atau bermitra dengan perusahaan AI eksternal. Pendekatan ini secara signifikan lebih murah daripada melatih model besar.
Selain model platform, solusi terintegrasi menyediakan perangkat keras, perangkat lunak, dan lingkungan eksekusi, menawarkan fungsionalitas langsung dari kotak. Zhang Sensen, kepala kelompok platform teknologi di Ping An Insurance, percaya bahwa solusi terintegrasi memiliki pasar yang layak, terutama di antara lembaga pemerintah dan pendidikan dengan kemampuan penyebaran teknis yang terbatas. Solusi ini memprioritaskan kemudahan penggunaan dan otonomi teknis, menawarkan manfaat seperti keamanan data, kepatuhan privasi, dan optimasi perangkat keras-perangkat lunak. Mereka juga dapat menggunakan chip yang diproduksi di dalam negeri, melewati pembatasan dan meningkatkan efisiensi. Perusahaan yang sensitif terhadap biaya dan berfokus pada ROI mungkin menganggap solusi terintegrasi menarik karena siklus hidupnya yang lebih lama.
Pasar SaaS domestik secara historis menghadapi tantangan seperti persyaratan kustomisasi yang tinggi, produk generik dan homogen, persaingan yang ketat, strategi penetapan harga yang rendah, dan fokus pada monetisasi jangka pendek. Pelanggan di pasar ini sering memiliki tingkat digitalisasi yang rendah dan kesediaan yang terbatas untuk membayar.
Sebaliknya, pasar SaaS internasional menekankan spesialisasi, dengan perusahaan berkonsentrasi pada area tertentu dan menyediakan layanan mendalam untuk klien besar dan menengah dengan kesediaan yang lebih besar untuk membayar.
Bidang model besar mencerminkan tren ini. Peristiwa baru-baru ini di pasar SaaS internasional menunjukkan hal ini:
- Pada Februari 2025, MongoDB mengakuisisi Voyage AI, sebuah startup AI berusia 17 bulan yang berfokus pada embedding dan model pemeringkatan ulang, seharga $220 juta.
- Pada tahun 2024, Amazon mengumumkan perjanjian lisensi teknologi dengan Adept, sebuah startup AI Agent berusia dua tahun, dengan beberapa anggota Adept bergabung dengan tim AGI Amazon.
Startup ini mencapai kesuksesan dengan berfokus pada ceruk tertentu dalam teknologi model besar. Contoh semacam itu jarang terjadi di China. Banyak usaha kecil dan menengah harus terus-menerus menjaga diri terhadap perusahaan-perusahaan yang lebih besar yang memasuki ruang mereka.
Wang Wenguang, yang mengambil dari pengalamannya yang luas di pasar B2B, menggambarkan realitasnya yang keras. Dia mencatat bahwa meskipun ada pasar yang besar untuk platform satu atap, itu terfragmentasi. Perusahaan-perusahaan yang lebih kecil dengan biaya operasi yang lebih rendah dapat menawarkan harga yang kompetitif, mengalahkan perusahaan-perusahaan yang lebih besar. Ini menurunkan harga layanan aplikasi. Bahkan perusahaan-perusahaan besar menghadapi persaingan dari startup lain dan integrator tradisional. Perusahaan-perusahaan besar mungkin memiliki model besar dan keunggulan merek mereka sendiri, tetapi mereka menghadapi strategi bisnis B2B yang serupa.
Seperti yang dinyatakan Wang, “Saya juga menggunakan DeepSeek, dan banyak perusahaan lain menggunakan DeepSeek, jadi tidak ada diferensiasi. Ada begitu banyak vendor cloud di China, jadi setidaknya akan ada banyak pesaing. Pasar B2B domestik selalu seperti ini; untuk bertahan hidup, Anda harus memiliki koneksi yang kuat, layanan yang baik, atau harga yang rendah.”
Liang He menawarkan penilaian singkat tentang pilihan 01.AI saat ini dan prospek masa depan:
- Keputusan Li Kaifu untuk sepenuhnya mengalihkan bisnis 01.AI ke aplikasi B2B dan mempromosikan platform model besar perusahaan satu atap secara komersial sehat tetapi akan menyebabkan persaingan yang ketat.
- Kebutuhan 01.AI untuk menawarkan produk model besar dengan harga lebih rendah daripada perusahaan-perusahaan yang lebih besar adalah akibat dari kurangnya keunggulan unik di lapisan aplikasi.
- Langkah 01.AI ke B2B menandakan hilangnya imajinasi dan proyek yang kurang “seksi”. Ini mirip dengan nasib banyak perusahaan visi komputer dari gelombang AI sebelumnya pada tahun 2017.
- 01.AI mungkin memiliki peluang jika menjelajahi pasar luar negeri.
Dibandingkan dengan 01.AI, pendapat tentang masa depan Baichuan kurang pesimistis.
Namun, masuknya Baichuan ke bidang medis tidak memiliki keunggulan unik, terutama dalam data.
Jiang Shao mengatakan bahwa pergeseran Baichuan ke medis hanyalah cara untuk bertahan hidup. Namun, dibandingkan dengan 01.AI, Baichuan setidaknya berusaha memasuki pasar ceruk.
Zhang Sensen menyatakan bahwa dia lebih optimis tentang perusahaan dengan data medis yang mengembangkan model besar medis daripada perusahaan teknologi. Ini berlaku untuk perusahaan mana pun yang ingin membuat model besar khusus industri. Tantangan utama dalam menciptakan model besar medis terletak pada data, bukan model itu sendiri. Ada banyak rumah sakit yang sangat baik di China yang dapat menyempurnakan model besar menggunakan DeepSeek untuk penggunaan mereka sendiri.
Bagaimana data medis dapat diperoleh secara efektif? Jiang Shao mengatakan bahwa startup teknologi AI tidak memiliki keunggulan dalam data. Untuk membuat model besar medis, mereka mungkin perlu berkolaborasi dengan perusahaan yang sudah menyediakan layanan TI ke rumah sakit.
Dilaporkan, salah satu “Macan Kecil” telah bermitra secara eksklusif dengan forum pertukaran dokter domestik besar untuk melatih model menggunakan sejumlah besar kasus yang dihasilkan dari pertukaran dokter.
Selain pandangan yang lebih optimis tentang pasar ceruk, para ahli industri memiliki harapan untuk pendiri Baichuan, Wang Xiaochuan.
Liang He percaya bahwa apakah Wang Xiaochuan berhasil mengkhususkan diri dalam kedokteran tergantung pada apakah dia ingin mengejar cita-cita atau menghasilkan uang. Dia percaya Wang lebih cenderung mengejar cita-cita, menciptakan hasil penelitian AI medis yang inovatif.
Wang Wenguang menekankan sifat ketinggalan zaman dari pasar ini. Dia menyatakan bahwa jika tujuannya adalah komersialisasi jangka pendek, bidang medis juga sangat kompetitif, mirip dengan pasar B2B secara keseluruhan. Banyak perusahaan dapat menggunakan knowledge graph, pencarian vektor, dan model besar untuk aplikasi medis.
Menurut diskusi Zhiwei dengan para ahli AI medis, penelitian medis itu sendiri memiliki kesenjangan pengetahuan yang signifikan, dan pengetahuan baru berkembang pesat. Oleh karena itu, ada potensi signifikan untuk menggunakan model besar untuk melakukan penelitian dasar medis. Misalnya, model AlphaFold untuk prediksi struktur protein telah digunakan oleh lebih dari 1,8 juta ilmuwan di seluruh dunia untuk mempercepat penelitian, termasuk mengembangkan bahan bio-terbarukan dan memajukan penelitian genetik, menurut Meis Medical.
Selain mengejar cita-cita atau menghasilkan uang, startup AI medis juga menghadapi pertanyaan apakah akan membuat model besar medis umum atau tidak.
Zhang Sensen menyatakan bahwa belum ada terobosan dalam model besar medis umum di pasar domestik, terutama karena ketergantungan pada peralatan medis yang kuat untuk pengumpulan dan aplikasi data skala besar. Banyak fasilitas medis di China belum dipopulerkan secara luas, sehingga sulit bagi AI untuk melakukan diagnosis yang akurat. Namun, beberapa rumah sakit yang kuat, seperti Mayo Clinic, telah mulai menjajaki peluncuran model besar mereka sendiri. Meskipun sulit untuk melihat peluang keuntungan dalam jangka pendek, model besar semacam ini mungkin memiliki dampak yang mendalam pada industri medis dalam jangka panjang.
Industri medis juga menghadapi tantangan diagnosis otomatis penuh, terutama di pasar domestik, di mana peralatannya tidak memadai, dan AI tidak dapat sepenuhnya menggantikan metode diagnosis tradisional. Kurangnya peralatan medis yang meluas, terutama di daerah terpencil, mempersulit untuk sepenuhnya mencakup teknologi medis, sehingga diagnosis otomatis penuh tetap menjadi tantangan yang signifikan.
Industri medis memiliki persyaratan perizinan dan kepatuhan yang ketat, dan model besar harus mengatasi masalah kepatuhan saat memasuki bidang medis. Layanan medis C-end di masa depan dapat menggabungkan teknik dokter dan AI untuk meningkatkan efisiensi diagnosis dan perawatan, terutama untuk generasi muda.
Akhirnya, bahkan dengan mengabaikan karakteristik pasar B2B domestik, persaingan dalam aplikasi model besar membuat sulit untuk bertahan hidup di pasar To B. Wang Wenguang menyatakan bahwa sementara model desain untuk produk To B model besar masih dieksplorasi, mereka pada akhirnya akan menyatu. Ini benar tidak hanya di China tetapi juga di perusahaan teknologi Silicon Valley seperti OpenAI, Anthropic, dan Google. Selama tidak ada perbedaan signifikan dalam kinerja model itu sendiri, tidak mungkin untuk menghasilkan uang di pasar ini, dan pada akhirnya semua orang akan berada di tingkat yang sama.
Inilah mengapa DeepSeek R1 memiliki dampak terbesar bukan di China tetapi di luar negeri, terutama pada perusahaan teknologi Silicon Valley. Pasar saham AS mulai mengalami volatilitas tinggi dan kemudian menurun setelah rilis R1. Logika intinya sederhana: Model besar Silicon Valley telah dikejar oleh China. Meskipun tidak melampaui mereka, ketidakmampuan untuk memperlebar kesenjangan telah membuatnya tidak mungkin untuk mendukung penilaian yang begitu tinggi, yang menyebabkan penurunan harga saham.
Tentu saja, ada cara lain bagi pasar To B untuk menarik pelanggan: open source. Model keuntungan utama untuk open-source termasuk menyediakan fungsi tingkat berbayar, hosting cloud, dan layanan bernilai tambah seperti konsultasi tingkat perusahaan dan pelatihan berdasarkan teknologi open-source.
Efek paling langsung dari model besar open-source adalah untuk mempromosikan popularisasi teknologi. Zhang Sensen menyatakan bahwa open source DeepSeek telah secara signifikan mempercepat penerapan model besar oleh perusahaan. Manajemen senior sangat mendukung penerapan model besar. Karena model besar berkinerja baik dalam aplikasi praktis, terutama dalam mengurangi intervensi manusia dan meningkatkan efisiensi, dukungan akan terus meningkat.
Industri keuangan, sebagai industri dengan kualitas data terbaik, selalu memiliki akumulasi teknis yang kaya di bidang AI dan dapat dengan cepat mengimbanginya. Terlepas dari DeepSeek, keuangan akan menerapkan teknologi AI. Namun, dengan DeepSeek, AI tidak hanya akan memungkinkan bisnis inti industri keuangan tetapi juga digunakan dalam tugas dan operasi kantor sehari-hari yang sebelumnya sulit dilakukan.
Operasi dulu sangat mahal. Misalnya, analisis penyebab utama sebelumnya membutuhkan pemantauan operasi tradisional dan AIOps, serta melatih model kecil. Sekarang, DeepSeek dapat digunakan bersama dengan basis pengetahuan untuk menghasilkan rencana aplikasi untuk menangani pemantauan, alarm, analisis swalayan, dan ketertelusuran, pemrosesan otomatis, dan peningkatan stabilitas, yang lebih fleksibel daripada AIOps.
Selain itu, cakupan AI operasi telah menjadi lebih luas, dengan pertimbangan yang lebih besar untuk interaktivitas dan inisiatif. Inisiatif berarti memungkinkan AI untuk secara proaktif melakukan operasi. Beralih dari bergantung pada aturan, manusia, atau bahkan pengalaman pribadi, di mana tingkat pengalaman manusia menentukan tingkat kemampuan operasi, model AI yang lebih ringan sekarang dapat digunakan untuk secara langsung mencapai ini.
Meskipun tingkat halusinasi DeepSeek masih tinggi, bahkan tidak berbeda secara signifikan dari model serupa lainnya, kemampuan penalaran dan aplikasi praktisnya dapat mengimbangi efek negatif dari halusinasi. Masalah ini akan ditingkatkan secara bertahap melalui fine-tuning dan optimasi menggunakan RAG dan teknologi terkait lainnya.
Pakar teknologi model besar Alibaba Gao Peng percaya bahwa dampak DeepSeek bervariasi untuk perusahaan besar dan kecil:
Model besar yang digunakan secara internal oleh Alibaba selalu menjadi yang paling canggih di industri, sehingga kemunculan DeepSeek tidak berdampak signifikan. Alibaba menggunakan DeepSeek untuk evaluasi kinerja dan perbandingan, memberikan lebih banyak inspirasi teknis. Implementasi DeepSeek dalam Penalaran relatif cepat, dan detail teknisnya lebih umum. DeepSeek juga telah dipengaruhi oleh Qianwen.
Sebaliknya, DeepSeek memiliki dampak yang lebih besar pada perusahaan kecil dan menengah, karena sebelumnya tidak ada model yang dapat mencapai efek DeepSeek sambil memberikan penerapan pribadi berbiaya rendah. Setelah rilis DeepSeek, banyak perusahaan yang menjual mesin terintegrasi DeepSeek telah muncul. Namun, DeepSeek bukanlah yang termurah dibandingkan dengan banyak mesin terintegrasi model open-source, tergantung pada standar tertentu.
Bagaimanapun, model besar open-source domestik sekarang berkembang dan dapat bersaing secara global. Namun, berdasarkan implementasi model besar Ping An Insurance, Zhang Sensen percaya bahwa model besar open-source masih memiliki keterbatasan yang tidak dapat diatasi:
Bagi kami, DeepSeek terutama memiliki keuntungan biaya yang besar. Dalam hal kemampuan, mungkin lebih baik daripada model lain dalam skenario operasi dalam hal penalaran, kemampuan generalisasi, dan pemahaman kontekstual. Namun, DeepSeek tidak berkinerja baik dalam skenario yang lebih kompleks seperti pengendalian risiko keuangan. Ini karena fine-tuning yang lebih rinci atau bahkan optimasi bersama dengan model lain diperlukan. Oleh karena itu, fine-tuning yang ditargetkan berdasarkan skenario aplikasi tertentu diperlukan untuk lebih meningkatkan kinerja model.
Model besar yang dikembangkan sendiri oleh Ping An dibagi menjadi dua lapisan: model besar fondasi yang mendasari dan model domain yang bertanggung jawab untuk perbankan, asuransi, dan bisnis lainnya. Model besar yang digunakan secara internal berkinerja lebih baik daripada DeepSeek di bidang pengetahuan profesional, terutama di bidang-bidang tertentu seperti keuangan dan kedokteran, di mana modelnya lebih akurat. Namun, DeepSeek masih memiliki keuntungan yang kuat dalam kemampuan penalaran. Dalam beberapa skenario, kami ingin menggunakan DeepSeek untuk percobaan skala kecil untuk melihat apakah dapat dijalankan.
Tidak ada perbedaan signifikan antara Alibaba Qianwen, Baidu Wenxin, dan Zhipu ChatGLM dan DeepSeek dalam hal ini. Penilaian didasarkan pada fakta bahwa model-model ini tidak memiliki perbedaan signifikan dari DeepSeek dalam kemampuan penalaran dan struktur basis pengetahuan.
Secara keseluruhan, dampak model besar open-source saat ini terbatas, dan laju persaingan di antara mereka sangat ketat.
Bahaya Pasar To C
Sementara persaingan ketat di pasar To B, ini tidak berarti bahwa rute To C menawarkan lebih banyak harapan.
Persaingan di pasar To C untuk model besar juga sangat ketat, tetapi sangat berbeda dari pasar To B.
Lanskap pasar terus berubah.
Monetisasi To C sulit.
Aplikasi yang paling populer tidak selalu menghasilkan pendapatan terbanyak. Misalnya, ChatGPT memiliki pendapatan tertinggi, tetapi OpenAI masih kehilangan $5 miliar per tahun, sementara banyak aplikasi “peniru” dari ChatGPT kemungkinan telah mencapai profitabilitas yang cepat; setelah DeepSeek menjadi populer, para peniru dan pemalsu datang berbondong-bondong.
Mengamati situasi “Macan Kecil” dari pasar C-end juga tidak optimis. Komunikasi Zhiwei dengan para ahli industri umumnya percaya bahwa produsen besar akan membawa tekanan kelangsungan hidup yang besar.
Jiang Shao menyatakan bahwa yang berkinerja terbaik dari “Macan Kecil” di pasar konsumen adalah Kimi dari Moonshot AI. Tetapi sekarang, Yuanbao Tencent menempati peringkat pertama, DeepSeek menempati peringkat kedua, dan Doubao menempati peringkat ketiga. Tiga perusahaan teratas hampir menempati sebagian besar pangsa pasar. Yuanbao Tencent telah memperoleh sejumlah besar lalu lintas pelanggan dengan bantuan ekosistem WeChat, sementara DeepSeek telah menonjol dengan inovasi teknologi dan kinerja yang sangat baik dalam berbagai skenario.
Liang He menyatakan bahwa teknologi model besar Kimi tidak jauh berbeda dari para pesaingnya, sehingga hanya bisa gratis, yang membuatnya sangat sulit bagi Moonshot untuk melakukan komersialisasi. Sebagai aplikasi To C, tidak jelas di mana perbedaannya dari Yuanbao dan Doubao. Selain itu, Doubao dapat didukung oleh bisnis Byte lainnya, dan Yuanbao dapat didukung oleh bisnis Tencent lainnya. Mereka dapat menginvestasikan 100 miliar untuk mendukung aplikasi ini.
Jiang Shao menambahkan bahwa pengguna C-end lebih memperhatikan kemudahan penggunaan produk, di mana Tencent dan Byte lebih baik. Tentu saja, Alibaba juga memiliki peluang. Alibaba sedang menginkubasi aplikasi yang disebut “AI Listening”, yang menggunakan AI untuk obrolan dan interaksi, yang bertujuan untuk menggantikan Douyin di platform video pendek. Meskipun Douyin menarik sejumlah besar pembuat untuk menghasilkan konten berkualitas tinggi, aplikasi obrolan AI memiliki potensi untuk menarik kelompok pengguna dengan memberikan pengalaman yang lebih personal dan interaktif. Perbedaan antara keduanya terletak pada pembuatan konten dan interaksi. Jika Alibaba dapat menembus ini, ia juga memiliki kesempatan untuk membalikkan keadaan, tetapi sulit untuk mengatakan apakah Tencent akan mengikuti.
Mengenai MiniMax, pendapat industri sedikit berbeda.
Liang He percaya bahwa Conch AI MiniMax saat ini menghasilkan keuntungan yang baik. Ia telah menemukan jalannya sendiri, tetapi belum diketahui apakah jalan ini akan memungkinkan MiniMax untuk meningkatkan valuasinya yang cukup. Karena orientasi aplikasinya, MiniMax lebih santai setelah DeepSeek keluar. Jika mereka menggunakan model DeepSeek, itu akan menghemat biaya penelitian dan pengembangan model, dan aplikasinya dapat terus menghasilkan uang, bahkan lebih.
Jiang Shao percaya bahwa MiniMax memiliki kesempatan jika dapat membuat APP populer nanti, tetapi Alibaba mungkin melampauinya dan membuat APP populer terlebih dahulu, jadi bahkan jika MiniMax memiliki kesempatan, probabilitasnya tidak tinggi.
Pada akhirnya, diferensiasi produk masih merupakan titik terobosan untuk aplikasi C-end.
Menurut laporan terbaru a16z “Top 100 Gen AI Consumer Apps”, banyak aplikasi penggunaan rendah sebenarnya mencapai pendapatan yang lebih baik. Beberapa produk dengan fleksibilitas yang buruk, seperti identifikasi tanaman dan nutrisi, menarik pengguna yang membayar lebih banyak daripada produk umum.
Sulit untuk membedakan produk AI umum. Pengguna memiliki kesediaan yang rendah untuk membayar, siklus keuntungan panjang, sehingga mereka tidak dapat bertahan dari perusahaan-perusahaan besar.
Dan jika diferensiasi tidak cukup dalam secara vertikal, juga mudah untuk diinternalisasi oleh model besar dasar melalui peningkatan kapasitas. Misalnya, kemampuan pembuatan gambar GPT-4o baru-baru ini telah membawa pukulan pengurangan dimensi ke startup teks-ke-gambar seperti Midjourney. Kemampuan cakupan ini seringkali acak dan tidak dapat diprediksi, seperti pepatah mengatakan, “Menghancurkan Anda tidak ada hubungannya dengan Anda.”
Imitasi tingkat piksel dari para pesaing dan peningkatan cepat model besar dasar membuat pemandangan startup AI C-end hampir selalu dipertahankan hanya untuk waktu yang singkat.
Adapun bagaimana merebut probabilitas yang sangat rendah untuk menjadi hit, para ahli industri dengan suara bulat percaya bahwa “pada dasarnya tidak ada pengalaman untuk diikuti.”
“Macan Kecil” telah memasuki kesulitan hari ini, sebagian besar karena mereka terlalu banyak berinvestasi dalam model besar dasar dan meremehkan tenaga kerja, sumber daya keuangan, dan sumber daya material yang diperlukan untuk bertahan hidup dan unggul di jalur ini, yang mengakibatkan sulit untuk membedakan di jalur aplikasi.
Sekarang, “Macan Kecil” semakin kurang bertekad untuk menyerang AGI, dan Li Kaifu telah secara terbuka menyatakan bahwa hanya DeepSeek, Ali, dan Byte yang akan ditinggalkan dalam model besar dasar domestik.
Dalam hal ini, para ahli industri yang berkomunikasi dengan Zhiwei pada dasarnya setuju dengan pandangan ini.
Jiang Shao mengatakan bahwa startup AI yang masih terus bekerja keras pada teknologi model besar pada dasarnya harus mati. Yang paling menjanjikan jelas DeepSeek, yang kedua adalah Alibaba, dan yang ketiga adalah ByteDance. Tempat pertama diharapkan mendapatkan 50%-80% lalu lintas, dan dua yang terakhir dapat memperoleh 10% lalu lintas. Intinya terletak pada siapa yang membuat AGI terlebih dahulu, dan siapa pemenang utamanya.
DeepSeek saat ini adalah yang paling kompetitif di bidang model besar, dan inovasi teknologi dan kinerjanya dalam aplikasi praktis sangat sempurna. Alibaba dan ByteDance juga memiliki daya saing yang kuat, terutama dalam aplikasi lintas platform dan sumber daya data. Peringkat ini terutama didasarkan pada kemampuan inovasi masing-masing perusahaan dalam teknologi dasar, daya komputasi, sumber daya data, dan aplikasi praktis.
Tim Zhipu dan Kimi sangat yakin bahwa terus meningkatkan kemampuan model dasar adalah masa depan. Sebaliknya, saya percaya bahwa dengan perubahan dalam permintaan pasar dan diversifikasi skenario aplikasi, rute hanya memperkuat model dasar mungkin terbatas, dan jalur pengembangan model yang lebih fleksibel dan mudah beradaptasi mungkin lebih kompetitif di pasar.
Persaingan dalam teknologi model besar sangat ketat, dan perusahaan dengan investasi besar pada akhirnya harus memiliki terobosan yang jelas dalam inovasi, daya komputasi, data, dan optimasi untuk mempertahankan daya saing. Perusahaan lain yang gagal mengikuti kemajuan teknologi atau tidak dapat mengatasi permintaan pasar secara bertahap akan dihilangkan.
Liang He mengatakan bahwa hanya DeepSeek, Ali, dan Byte yang akan ditinggalkan di perusahaan model besar dasar domestik di masa depan, berdasarkan fakta bahwa ketiganya memiliki kekuatan dan tekad untuk menginvestasikan sumber daya super dalam penelitian dan pengembangan. Untuk Byte, tidak mungkin untuk melewatkan kesempatan untuk model besar, jika tidak, itu akan memiliki dampak besar pada keseluruhannya. Dan teknologi DeepSeek tidak akan memiliki terlalu banyak hambatan untuk Byte, tetapi DeepSeek saat ini memiliki keuntungan yang lebih besar dalam efisiensi R&D. Model open-source Qianwen Alibaba sendiri berada pada tingkat yang tinggi. Sebelum DeepSeek menjadi populer, Qianwen dan Llama pada dasarnya saling mengejar. Untuk Alibaba, model Qianwen mungkin tidak menghasilkan uang, tetapi bisnis cloud terkait dapat menghasilkan uang, dan Byte serupa, dan dapat terus menggunakan teknologi model besar untuk terus mengoptimalkan pengalaman Douyin dan Aplikasi lainnya. Untuk startup AI, jika model itu sendiri tidak menghasilkan uang, itu menyentuh akar kelangsungan hidup.
Wang Wenguang mengatakan bahwa keuntungan DeepSeek terutama terletak pada idealisme teknologi. Dalam dua atau tiga bulan sebelum dan sesudah Festival Musim Semi, lalu lintas DeepSeek sangat besar. Jika ingin melakukan komersialisasi, ia akan segera mencapai puncak di dunia, dan model besar lainnya seperti Doubao tidak akan memiliki kesempatan sama sekali. Selama DeepSeek tidak membuka metode optimasi terkait infrastruktur open source dalam minggu open-source baru-baru ini, ia dapat mengandalkan ini untuk menghasilkan uang di masa depan, sehingga orang lain tidak memiliki kesempatan. DeepSeek belum didanai dan tidak perlu dipengaruhi oleh investor. Idealisme teknologi dan bakat adalah hambatan terbesar. Dibandingkan dengan OpenAI, hasil yang dapat dilihat OpenAI sekarang pada dasarnya adalah hasil penelitian sebelum perselisihan antara Altman dan Ilya terjadi. Setidaknya poin inovasi telah ditentukan. Sekarang, setelah kepergian tim idealis asli, OpenAI itu sendiri hampir tidak memiliki inovasi. Saat ini, inovasi OpenAI lebih pada tingkat aplikasi, seperti Deep Research. Tidak ada hambatan untuk inovasi di tingkat aplikasi, jadi harus bersaing dengan para pesaing.
Wang Mu, seorang ahli teknologi AI pabrik besar, mengatakan kepada Zhiwei bahwa kecuali ada uang, bakat, dan perangkat keras, tidak perlu membuang-buang upaya pada pra-pelatihan model besar. DeepSeek memiliki cluster 10.000 kartu seawal tahun 2021 dan tidak kekurangan uang. Sebaliknya, perusahaan kecil dan menengah lainnya hampir tidak dapat mengumpulkan kondisi ini.
Gao Peng menyatakan bahwa startup AI ingin bertahan hidup, mereka masih harus beralih ke aplikasi. Saya berpikir demikian satu atau dua tahun yang lalu, dan sekarang mungkin sudah terlambat untuk berbalik. Batch pertama perusahaan AI yang akan dihilangkan selanjutnya adalah mereka yang membuat model besar dasar. Pelatihan model besar sebenarnya memiliki banyak detail yang kompleks dan sangat bergantung pada akumulasi pengalaman. Detail internal dari arsitektur Transformer umumnya dipahami dengan baik, tetapi makalah model open-source atau closed-source pada dasarnya tidak memberi tahu Anda bagaimana data disiapkan, apa detail datanya, seberapa besar skala datanya, dan seberapa baik kualitas datanya. Tidak ada standar terpadu di industri.
Buka setengah jalan open-source selalu menjadi praktik khas di jalur model besar. Saat ini, sangat sedikit model besar yang akan sepenuhnya mengungkapkan kode, bobot, set data, dan proses pelatihan. Yang lebih terkenal adalah OLMo, BLOOM, dll.
Namun, bahkan jika beralih ke aplikasi dapat bertahan hidup? Dari analisis sebelumnya dari jalur To B dan jalur To C, hampir sulit bagi startup AI untuk membentuk hambatan industri mereka sendiri dalam aplikasi. Dalam hal ini, Gao Peng menyatakan bahwa kunci untuk membentuk hambatan industri Anda sendiri terletak pada data apa yang Anda miliki. Model dapat digunakan oleh siapa saja. Data dibagi menjadi dua aspek: satu adalah pengalaman lapangan pengusaha, dan yang lainnya adalah data di tangan.
Dari perspektif budaya perusahaan, Gao Peng percaya bahwa penelitian dan pengembangan model besar dasar membutuhkan semangat kerja keras eksperimental dan teknik. “Untuk waktu yang lama sebelumnya, banyak startup AI domestik terlalu menonjol. Saat melakukan teknologi, Anda harus terlebih dahulu melakukannya dengan cara yang rendah dan kemudian mempromosikannya dengan cara yang tinggi. Beberapa tim lebih banyak terdiri dari akademisi, tetapi orang-orang di akademisi terkadang mempelajari teknologi terlalu teoritis. Dalam hal bakat atau tim, keberhasilan tim model besar terutama tergantung pada apakah bos memahami model besar. Jika bos tidak memahami teknologi model besar atau tidak memiliki keyakinan untuk bertahan, karena tidak menghasilkan uang, itu tidak akan berfungsi sama sekali. Keberhasilan DeepSeek lebih bergantung pada mode organisasi top-down. Bos memahami detail teknis dengan sangat baik dan memimpin semua orang untuk melakukannya bersama-sama. Terlalu sedikit model domestik yang memenuhi model ini.”
Mengenai diskusi hangat industri tentang prediksi pemenang akhir dari model besar dasar domestik, Gao Peng percaya bahwa penilaian ini terlalu dini. “Tidak akan ada banyak perbedaan dalam rute teknis pemain yang dapat berpartisipasi dalam kompetisi. Cukup ikuti arsitektur Transformer dan lakukan optimasi terperinci. Mamba dan RWKV juga memiliki harapan. Kuncinya adalah melakukan sesuatu dengan mantap, dan waktu akan membuktikan segalanya. Pemenang akhir dan tiga besar tidak mudah dikatakan. Tumpukan teknologi model besar adalah hal yang sangat rumit, dan siapa tahu jika ada banyak orang yang diam-diam melakukan satu hal, tetapi waktunya belum tiba.”
Dalam situasi saat ini di mana sulit untuk menilai pemenang model, data telah menjadi parit yang paling penting. Konstantine Buhler, seorang mitra di Sequoia Capital, pernah mengatakan bahwa satu kesalahan yang dibuat OpenAI pada ChatGPT adalah tidak mengizinkan balasan pengeditan, yang dapat memberikan data berkualitas lebih tinggi dalam lingkaran umpan balik dan membangun parit yang lebih dalam.
Apakah data dapat memungkinkan industri tertentu untuk lebih berkembang dengan bantuan AI atau membawa peluang bisnis baru saat ini juga sangat penting. Zhang Sensen mengatakan bahwa kematangan pendaratan AI lebih dekat ke industri keuangan dan Internet. Saya lebih optimis tentang kantor AI, urusan pemerintah AI, dan e-commerce AI. Hal ini terutama didasarkan pada tingkat digitalisasi yang tinggi dan kepastian kinerja yang tinggi.
“Meskipun e-commerce relatif matang, AI akan terus meningkatkan efisiensi e-commerce, terutama dalam rekomendasi komoditas, layanan pelanggan, dan optimasi logistik. AI dapat meningkatkan efisiensi platform e-commerce melalui analisis pasar yang lebih akurat dan optimasi pengambilan keputusan. Peningkatan efisiensi ini tidak hanya akan menjadi kelanjutan dari ritel offline tetapi akan membawa bentuk e-commerce baru, terutama di bidang e-commerce lintas batas, AI akan membantu pertumbuhan eksplosifnya.”
“Sebaliknya, industri keuangan mengalami ledakan kinerja pada tahun 2024, dan masih ada banyak ruang untuk pertumbuhan pada tahun 2025 karena bisnis AI semakin dalam.”
“Melihat industri-industri di mana pendaratan AI tidak matang, terutama manufaktur cerdas, ada banyak hal yang disesuaikan, dan produk yang dihasilkan oleh setiap perusahaan berbeda, dan tidak ada standar yang terpadu. Oleh karena itu, sulit bagi perusahaan untuk mempromosikan otomatisasi kerja AI, harga data sangat tinggi, dan persyaratan presisi juga sangat tinggi. Meskipun perangkat lunak industri pada dasarnya adalah arah solusi paling awal untuk pendaratan manufaktur cerdas, ia memiliki efek yang lebih baik. Namun, peningkatan AI dari industri manufaktur memiliki beban sejarah. Tingkat data dan informatika sebagian besar industri manufaktur tidak cukup, yang menyebabkan mereka kekurangan data saat melakukan AI, terutama pengumpulan sampel abnormal hampir tidak ada. Kompleksitasnya juga tinggi, seperti banyaknya jenis peralatan dan standar data yang tidak konsisten, yang menyebabkan transferabilitas algoritma yang buruk, seringkali mengabaikan beberapa faktor kunci seperti suhu, bahan, atau pengaruh beberapa variabel yang tidak dapat diprediksi. Selain itu, perusahaan memiliki penyimpangan dalam perhatian mereka pada data sensor. Untuk berbagai data kegagalan sensor, perusahaan terutama berfokus pada data yang akan memengaruhi hasil produksi. Faktanya, data sensor tepi tersebut kemungkinan akan menjadi tumpuan bagi kita untuk memanfaatkan inovasi dan komersialisasi seluruh industri manufaktur di masa depan. AI dapat menemukan peluang optimasi potensial melalui analisis data ini, sehingga mempromosikan kemajuan seluruh industri.”
“Selain itu, persyaratan kemampuan industri manufaktur juga berbeda dari industri lain. Ini membutuhkan pemrosesan masalah secara real-time, dan latensi model besar sulit diterima di sini. Oleh karena itu, manufaktur cerdas tidak memiliki laba atas investasi dalam jangka pendek. Tentu saja, negara pasti akan mendukung AI dari industri ini. Ada kemungkinan bahwa peningkatan skala besar akan terjadi dalam lima tahun ke depan, dan robot dan AI akan menjadi kombinasi ganda.”
Pada akhirnya, untuk startup, apakah itu melakukan model besar dasar atau melakukan To B atau To C, sulit untuk menemukan parit yang solid. Tanpa akumulasi data atau pengalaman teknis jangka panjang, tidak mungkin untuk membentuk penghalang kompetitif.
Oleh karena itu, setelah sebuah startup gagal menggulir bola salju ketika sedikit terkenal, mudah untuk secara bertahap menurun dan akhirnya gagal menemukan alasan untuk bertahan hidup.
Ketika mereka memetik apel emas pada suatu saat, itu hanya bahwa dewi nasib sedang tidur siang sebentar.