Evolusi pantas teknologi AI di China telah membawa kedua-dua keterujaan dan ketidakpastian bagi banyak syarikat permulaan. Dahulunya dipenuhi dengan matlamat yang bercita-cita tinggi, beberapa syarikat kini menentukur semula strategi mereka, menghadapi realiti pahit pasaran yang kompetitif dan memerlukan sumber yang banyak.
Dari Visi Besar ke Pivot Strategik
Surat dalaman baru-baru ini daripada CEO salah satu “Harimau Kecil AI” China, Baichuan Intelligent, menandakan ulang tahun kedua syarikat itu dan menyoroti perubahan strategik. Tumpuan akan dipersempit, mengutamakan aplikasi perubatan. Ini berbeza dengan ketara dengan misi awalnya untuk mencipta model asas yang inovatif seperti OpenAI, lengkap dengan aplikasi yang inovatif.
Begitu juga, Li Kaifu, pengasas “Harimau Kecil” yang lain, 01.AI, mengumumkan pada bulan Januari bahawa syarikatnya akan menerima pendekatan “kecil tetapi cantik”. Ini merupakan perlepasan yang ketara daripada visi besar membina platform AI 2.0 untuk mempercepatkan ketibaan AGI.
Pengunduran strategik ini telah mencetuskan spekulasi, dengan beberapa pemerhati mencadangkan bahawa “Harimau Kecil” ini menjadi lebih seperti “kucing yang sakit”. Dalam persekitaran yang ditandai dengan perubahan yang berterusan, bagaimanakah syarikat-syarikat ini dapat menjamin masa depan mereka?
Untuk menjawab soalan ini, pasukan editorial di Zhiwei mendapatkan pandangan daripada pelbagai pakar, termasuk pakar teknologi model besar, pakar AI dalam kewangan dan penjagaan kesihatan, dan pakar teknologi AI dari syarikat terkemuka.
Kesan DeepSeek dan Strategi Peralihan
Landskap AI berubah secara mendadak berikutan populariti meledak DeepSeek, sebuah model yang menggegarkan pasaran. Seperti pahlawan yang hebat, DeepSeek mengganggu landskap, memaksa banyak syarikat AI untuk menilai semula kedudukan mereka dan mengejar jalan yang berbeza.
Walau bagaimanapun, transformasi ini bermula lebih awal daripada yang disedari oleh ramai. Menurut Wang Wenguang, seorang pakar teknologi model besar, beberapa syarikat AI China mula meninggalkan usaha latihan model besar walaupun sebelum pelancaran DeepSeek V3 dan R1. Kosnya terlalu tinggi, dan syarikat-syarikat ini berasa tidak dapat bersaing dengan alternatif sumber terbuka dan percuma seperti DeepSeek V2.5 dan Qwen 70B Alibaba.
Liang He, seorang pakar dari perusahaan perkhidmatan teknologi AI, menambah bahawa walaupun kebanyakan “Harimau Kecil” masih melatih model besar pada pertengahan 2024, pelaburan mereka telah menurun dengan ketara. Menjelang Januari 2025, dengan pelancaran DeepSeek R1, banyak syarikat kecil menyedari bahawa mereka tidak dapat bersaing.
Peralihan mendadak ini menyebabkan perubahan besar dalam hala tuju bagi “Harimau Kecil,” beralih daripada pembangunan AGI ke arah pendekatan yang lebih khusus.
Baichuan dan 01.AI telah meninggalkan pra-latihan model besar, memfokuskan pada AI perubatan dan aplikasi industri, masing-masing. MiniMax mengurangkan operasi B2Bnya dan memfokuskan pada pasaran luar negara dengan penjanaan video C-end dan aplikasi lain. Zhipu, Moonshot AI, dan StepUp masih aktif dalam komuniti sumber terbuka tetapi belum menghasilkan sebarang model baharu yang mengatasi DeepSeek R1. Zhipu telah memperoleh pembiayaan dan perkongsian kerajaan-perusahaan yang besar, memastikan kelangsungan hidupnya. Produk utama Moonshot AI, Kimi, telah melihat kedudukannya terancam oleh Yuanbao, menjadikan kedudukannya semakin janggal.
Secara keseluruhan, “Harimau Kecil” semakin bertumpu dengan pasaran SaaS B2B, yang dianggap oleh sesetengah pihak sebagai “tidak imaginatif.”
Tarikan dan Batasan Pasaran B2B
01.AI baru-baru ini mengumumkan hasratnya untuk menyepadukan sepenuhnya DeepSeek untuk mencipta platform model besar perusahaan sehenti untuk pelbagai industri. Walau bagaimanapun, langkah ini telah disambut dengan keraguan.
Jiang Shao, seorang pakar AI kewangan, percaya bahawa masa depan 01.AI tidak menentu disebabkan oleh fokusnya yang luas, kekurangan daya saing teknologi berikutan kemunculan DeepSeek, dan keupayaan pengkomersialan yang terhad.
Wang Wenguang menyuarakan sentimen ini, menyatakan bahawa halangan teknikal untuk kemasukan bagi platform model besar sehenti adalah agak rendah.
Wang berkongsi pengalamannya membangunkan platform sedemikian secara bebas dalam tempoh kira-kira enam bulan, menjualnya melalui saluran peribadi. Beliau berhujah bahawa walaupun sukar untuk mendapat keuntungan daripada produk ini sebagai sebuah syarikat, ia boleh menguntungkan sebagai usaha solo.
Wang bekerjasama dengan beberapa syarikat B2B yang menawarkan perkhidmatan model besar tetapi kekurangan platform teknikal. Beliau menyediakan platformnya pada kos yang rendah, sekitar 40,000 hingga 50,000 yuan setiap lesen, secara ketara mengurangkan syarikat yang lebih besar.
Platformnya, KAF (Kilang Ejen Berasaskan Pengetahuan), menggunakan graf pengetahuan, pangkalan data vektor, dan enjin carian untuk menyampaikan aplikasi model besar dan Ejen. Ia membolehkan pengguna mencipta pembantu pengetahuan atau Ejen tersuai tanpa pengekodan melalui pengurusan segera dan model. Wang menyatakan kelaziman platform yang serupa di pasaran, menjadikannya mudah untuk ditiru.
Menurut Wang, sebuah syarikat yang ingin membangunkan aplikasi model besar B2B boleh mencipta produk dengan cepat dengan mengambil pasukan kecil individu mahir atau bekerjasama dengan syarikat AI luaran. Pendekatan ini jauh lebih murah daripada melatih model yang besar.
Sebagai tambahan kepada model platform, penyelesaian bersepadu menyediakan perkakasan, perisian dan persekitaran pelaksanaan, menawarkan fungsi di luar kotak. Zhang Sensen, ketua kumpulan platform teknologi di Ping An Insurance, percaya bahawa penyelesaian bersepadu mempunyai pasaran yang berdaya maju, terutamanya di kalangan institusi kerajaan dan pendidikan dengan keupayaan penggunaan teknikal yang terhad. Penyelesaian ini mengutamakan kemudahan penggunaan dan autonomi teknikal, menawarkan faedah seperti keselamatan data, pematuhan privasi, dan pengoptimuman perkakasan-perisian. Mereka juga boleh menggunakan cip yang dihasilkan di dalam negara, memintas sekatan dan meningkatkan kecekapan. Syarikat yang sensitif kos dan berfokuskan ROI mungkin mendapati penyelesaian bersepadu menarik kerana kitaran hayatnya yang lebih panjang.
Pasaran SaaS domestik secara historinya menghadapi cabaran seperti keperluan penyesuaian yang tinggi, produk generik dan homogen, persaingan sengit, strategi penetapan harga yang rendah, dan fokus pada pengewangan jangka pendek. Pelanggan dalam pasaran ini selalunya mempunyai tahap pendigitalan yang rendah dan kesediaan yang terhad untuk membayar.
Sebaliknya, pasaran SaaS antarabangsa menekankan pengkhususan, dengan syarikat menumpukan pada bidang tertentu dan menyediakan perkhidmatan mendalam kepada pelanggan bersaiz besar dan sederhana dengan kesediaan yang lebih besar untuk membayar.
Bidang model besar mencerminkan trend ini. Peristiwa baru-baru ini di pasaran SaaS antarabangsa menunjukkan ini:
- Pada Februari 2025, MongoDB memperoleh Voyage AI, sebuah syarikat permulaan AI berusia 17 bulan yang memfokuskan pada model pembenaman dan penyusunan semula, dengan harga $220 juta.
- Pada tahun 2024, Amazon mengumumkan perjanjian pelesenan teknologi dengan Adept, sebuah syarikat permulaan Ejen AI berusia dua tahun, dengan beberapa ahli Adept menyertai pasukan AGI Amazon.
Syarikat permulaan ini mencapai kejayaan dengan memfokuskan pada niche tertentu dalam teknologi model besar. Contoh sedemikian jarang berlaku di China. Banyak perusahaan kecil dan sederhana mesti sentiasa berjaga-jaga terhadap syarikat yang lebih besar yang memasuki ruang mereka.
Wang Wenguang, yang mengambil pengalaman luasnya dalam pasaran B2B, menggambarkan realiti pahitnya. Beliau menyatakan bahawa walaupun terdapat pasaran yang besar untuk platform sehenti, ia berpecah-belah. Syarikat yang lebih kecil dengan kos operasi yang lebih rendah boleh menawarkan harga yang kompetitif, mengurangkan syarikat yang lebih besar. Ini menurunkan harga perkhidmatan aplikasi. Malah syarikat besar menghadapi persaingan daripada syarikat permulaan lain dan penyepadu tradisional. Syarikat besar mungkin mempunyai model besar mereka sendiri dan kelebihan jenama, tetapi mereka menghadapi strategi perniagaan B2B yang serupa.
Seperti yang dinyatakan oleh Wang, “Saya juga menggunakan DeepSeek, dan banyak syarikat lain menggunakan DeepSeek, jadi tidak ada pembezaan. Terdapat begitu banyak vendor awan di China, jadi akan ada sekurang-kurangnya banyak pesaing. Pasaran B2B domestik sentiasa seperti ini; untuk terus hidup, anda sama ada perlu mempunyai hubungan yang kuat, perkhidmatan yang baik, atau harga yang rendah.”
Liang He menawarkan penilaian ringkas tentang pilihan semasa dan prospek masa depan 01.AI:
- Keputusan Li Kaifu untuk mengalihkan sepenuhnya perniagaan 01.AI kepada aplikasi B2B dan mempromosikan platform model besar perusahaan sehenti adalah munasabah dari segi komersial tetapi akan membawa kepada persaingan yang sengit.
- Keperluan 01.AI untuk menawarkan produk model besar yang lebih rendah harganya daripada syarikat yang lebih besar adalah hasil daripada kekurangan kelebihan uniknya pada lapisan aplikasi.
- Langkah 01.AI ke B2B menandakan kehilangan imaginasi dan projek yang kurang “seksi”. Ini serupa dengan nasib banyak syarikat penglihatan komputer daripada gelombang AI sebelumnya pada tahun 2017.
- 01.AI mungkin mempunyai peluang jika ia meneroka pasaran luar negara.
Berbanding dengan 01.AI, pendapat mengenai masa depan Baichuan kurang pesimis.
Walau bagaimanapun, kemasukan Baichuan ke dalam bidang perubatan tidak mempunyai kelebihan yang unik, terutamanya dalam data.
Jiang Shao berkata bahawa peralihan Baichuan kepada perubatan hanyalah cara untuk terus hidup. Walau bagaimanapun, berbanding dengan 01.AI, Baichuan sekurang-kurangnya cuba memasuki pasaran niche.
Zhang Sensen menyatakan bahawa dia lebih optimis tentang syarikat dengan data perubatan yang membangunkan model besar perubatan daripada syarikat teknologi. Ini terpakai kepada mana-mana syarikat yang ingin mencipta model besar khusus industri. Cabaran utama dalam mencipta model besar perubatan terletak pada data, bukan model itu sendiri. Terdapat banyak hospital yang sangat baik di China yang boleh memperhalusi model besar menggunakan DeepSeek untuk kegunaan mereka sendiri.
Bagaimanakah data perubatan boleh diperoleh dengan berkesan? Jiang Shao berkata bahawa syarikat permulaan teknologi AI tidak mempunyai kelebihan dalam data. Untuk mencipta model besar perubatan, mereka mungkin perlu bekerjasama dengan syarikat yang sudah menyediakan perkhidmatan IT kepada hospital.
Dilaporkan, salah satu daripada “Harimau Kecil” telah bekerjasama secara eksklusif dengan forum pertukaran doktor domestik yang besar untuk melatih model menggunakan sejumlah besar kes yang dihasilkan daripada pertukaran doktor.
Sebagai tambahan kepada pandangan yang lebih optimis mengenai pasaran niche, pakar industri mempunyai harapan untuk pengasas Baichuan, Wang Xiaochuan.
Liang He percaya bahawa sama ada Wang Xiaochuan berjaya mengkhusus dalam perubatan bergantung pada sama ada dia mahu mengejar cita-cita atau membuat wang. Beliau percaya Wang lebih cenderung untuk mengejar cita-cita, mewujudkan hasil penyelidikan AI perubatan yang inovatif.
Wang Wenguang menekankan sifat ketinggalan zaman pasaran ini. Beliau menyatakan bahawa jika matlamatnya adalah pengkomersialan jangka pendek, bidang perubatan juga sangat kompetitif, serupa dengan keseluruhan pasaran B2B. Banyak syarikat boleh menggunakan graf pengetahuan, carian vektor dan model besar untuk aplikasi perubatan.
Menurut perbincangan Zhiwei dengan pakar AI perubatan, penyelidikan perubatan itu sendiri mempunyai jurang pengetahuan yang ketara, dan pengetahuan baharu berkembang pesat. Oleh itu, terdapat potensi yang ketara untuk menggunakan model besar untuk menjalankan penyelidikan asas perubatan. Sebagai contoh, model AlphaFold untuk ramalan struktur protein telah digunakan oleh lebih 1.8 juta saintis di seluruh dunia untuk mempercepatkan penyelidikan, termasuk membangunkan bahan bio-boleh baharu dan memajukan penyelidikan genetik, menurut Meis Medical.
Sebagai tambahan kepada mengejar cita-cita atau membuat wang, syarikat permulaan AI perubatan juga menghadapi soalan sama ada atau tidak untuk mencipta model besar perubatan am.
Zhang Sensen menyatakan bahawa tidak terdapat penemuan dalam model besar perubatan am di pasaran domestik, terutamanya disebabkan oleh pergantungan pada peralatan perubatan yang berkuasa untuk pengumpulan dan aplikasi data berskala besar. Banyak kemudahan perubatan di China belum dipopularkan secara meluas, menjadikannya sukar bagi AI untuk melakukan diagnosis yang tepat. Walau bagaimanapun, beberapa hospital yang kukuh, seperti Mayo Clinic, telah mula meneroka pelancaran model besar mereka sendiri. Walaupun sukar untuk melihat peluang keuntungan dalam jangka pendek, model besar jenis ini mungkin mempunyai kesan yang mendalam terhadap industri perubatan dalam jangka panjang.
Industri perubatan juga menghadapi cabaran diagnosis automatik sepenuhnya, terutamanya di pasaran domestik, di mana peralatan tidak mencukupi, dan AI tidak boleh menggantikan sepenuhnya kaedah diagnostik tradisional. Kekurangan peralatan perubatan yang meluas, terutamanya di kawasan terpencil, menyukarkan untuk meliputi sepenuhnya teknologi perubatan, jadi diagnosis automatik sepenuhnya kekal sebagai cabaran yang ketara.
Industri perubatan mempunyai keperluan pelesenan dan pematuhan yang ketat, dan model besar mesti menangani isu pematuhan apabila memasuki bidang perubatan. Perkhidmatan perubatan C-end masa depan mungkin menggabungkan teknik doktor dan AI untuk meningkatkan kecekapan diagnosis dan rawatan, terutamanya untuk generasi muda.
Akhirnya, walaupun tidak menghiraukan ciri-ciri pasaran B2B domestik, persaingan dalam aplikasi model besar menyukarkan untuk terus hidup dalam pasaran To B. Wang Wenguang menyatakan bahawa walaupun model reka bentuk untuk produk model besar To B masih diterokai, mereka akhirnya akan bertumpu. Ini benar bukan sahaja di China tetapi juga di syarikat teknologi Silicon Valley seperti OpenAI, Anthropic dan Google. Selagi tidak ada perbezaan yang ketara dalam prestasi model itu sendiri, adalah mustahil untuk membuat wang dalam pasaran ini, dan akhirnya semua orang akan berada pada tahap yang sama.
Inilah sebabnya mengapa DeepSeek R1 mempunyai impak terbesarnya bukan di China tetapi di luar negara, terutamanya pada syarikat teknologi Silicon Valley. Pasaran saham AS mula mengalami turun naik yang tinggi dan kemudian menurun selepas pelancaran R1. Logik terasnya adalah mudah: Model besar Silicon Valley telah dikejar oleh China. Walaupun tidak mengatasinya, ketidakupayaan untuk meluaskan jurang telah menjadikannya mustahil untuk menyokong penilaian yang begitu tinggi, yang membawa kepada penurunan harga saham.
Sudah tentu, terdapat cara lain untuk pasaran To B menarik pelanggan: sumber terbuka. Model keuntungan utama untuk sumber terbuka termasuk menyediakan fungsi peringkat berbayar, pengehosan awan, dan perkhidmatan nilai tambah seperti perundingan dan latihan peringkat perusahaan berdasarkan teknologi sumber terbuka.
Kesan paling langsung daripada model besar sumber terbuka adalah untuk menggalakkan pempopulasi teknologi. Zhang Sensen menyatakan bahawa sumber terbuka DeepSeek telah mempercepatkan penggunaan model besar syarikat dengan ketara. Pengurusan kanan sangat menyokong aplikasi model besar. Memandangkan model besar berprestasi baik dalam aplikasi praktikal, terutamanya dalam mengurangkan campur tangan manusia dan meningkatkan kecekapan, sokongan akan terus meningkat.
Industri kewangan, sebagai industri dengan kualiti data yang terbaik, sentiasa mempunyai pengumpulan teknikal yang kaya dalam AI dan boleh dengan cepat bersaing. Tanpa mengira DeepSeek, kewangan akan melaksanakan teknologi AI. Walau bagaimanapun, dengan DeepSeek, AI bukan sahaja akan membolehkan perniagaan teras industri kewangan tetapi juga digunakan dalam tugas dan operasi pejabat harian yang sebelum ini sukar dilakukan.
Operasi dahulunya sangat mahal. Sebagai contoh, analisis punca punca sebelum ini memerlukan pemantauan operasi tradisional dan AIOps, serta melatih model kecil. Sekarang, DeepSeek boleh digunakan bersama dengan pangkalan pengetahuan untuk menjana pelan aplikasi untuk mengendalikan pemantauan, penggera, analisis layan diri, dan kebolehkesanan, pemprosesan automatik dan peningkatan kestabilan, yang lebih fleksibel daripada AIOps.
Selain itu, liputan AI bagi operasi telah menjadi lebih luas, dengan pertimbangan yang lebih besar untuk interaktiviti dan inisiatif. Inisiatif bermakna membenarkan AI untuk secara proaktif melakukan operasi. Beralih daripada bergantung pada peraturan, manusia, atau bahkan pengalaman peribadi, di mana tahap pengalaman manusia menentukan tahap keupayaan operasi, model AI yang lebih ringan kini boleh digunakan untuk mencapai ini secara langsung.
Walaupun kadar halusinasi DeepSeek masih tinggi, malah tidak jauh berbeza daripada model serupa yang lain, keupayaan penaakulan dan aplikasi praktikalnya boleh mengimbangi kesan negatif halusinasi. Isu ini secara beransur-ansur akan diperbaiki melalui penalaan halus dan pengoptimuman menggunakan RAG dan teknologi lain yang berkaitan.
Pakar teknologi model besar Alibaba Gao Peng percaya bahawa impak DeepSeek berbeza untuk syarikat besar dan kecil:
Model besar yang digunakan secara dalaman oleh Alibaba sentiasa menjadi yang paling maju dalam industri, jadi kemunculan DeepSeek tidak mempunyai impak yang ketara. Alibaba menggunakan DeepSeek untuk penilaian prestasi dan perbandingan, memberikan lebih banyak inspirasi teknikal. Pelaksanaan DeepSeek dalam Penaakulan agak pantas, dan butiran teknikalnya lebih biasa. DeepSeek juga telah dipengaruhi oleh Qianwen.
Sebaliknya, DeepSeek mempunyai impak yang lebih besar kepada syarikat kecil dan sederhana, kerana sebelum ini tidak ada model yang boleh mencapai kesan DeepSeek sambil menyediakan penggunaan peribadi kos rendah. Selepas pelancaran DeepSeek, banyak syarikat yang menjual mesin bersepadu DeepSeek telah muncul. Walau bagaimanapun, DeepSeek bukanlah yang termurah berbanding dengan banyak mesin bersepadu model sumber terbuka, bergantung pada piawaian tertentu.
Walau apa pun, model besar sumber terbuka domestik kini berkembang pesat dan boleh bersaing di peringkat global. Walau bagaimanapun, berdasarkan pelaksanaan model besar Ping An Insurance, Zhang Sensen percaya bahawa model besar sumber terbuka masih mempunyai batasan yang tidak dapat diatasi:
Bagi kami, DeepSeek terutamanya mempunyai kelebihan kos yang besar. Dari segi keupayaan, ia mungkin lebih baik daripada model lain dalam senario operasi dari segi penaakulan, keupayaan generalisasi dan pemahaman kontekstual. Walau bagaimanapun, DeepSeek tidak berprestasi baik dalam senario yang lebih kompleks seperti kawalan risiko kewangan. Ini kerana penalaan halus yang lebih terperinci atau pengoptimuman bersama dengan model lain diperlukan. Oleh itu, penalaan halus yang disasarkan berdasarkan senario aplikasi tertentu diperlukan untuk meningkatkan lagi prestasi model.
Model besar yang dibangunkan sendiri oleh Ping An dibahagikan kepada dua lapisan: model besar asas yang mendasari dan model domain yang bertanggungjawab untuk perbankan, insurans, dan perniagaan lain. Model besar yang digunakan secara dalaman berprestasi lebih baik daripada DeepSeek dalam bidang pengetahuan profesional, terutamanya dalam bidang tertentu seperti kewangan dan perubatan, di mana model lebih tepat. Walau bagaimanapun, DeepSeek masih mempunyai kelebihan yang kuat dalam keupayaan penaakulan. Dalam beberapa senario, kami mahu menggunakan DeepSeek untuk percubaan berskala kecil untuk melihat sama ada ia boleh dijalankan.
Tidak ada perbezaan yang ketara antara Alibaba Qianwen, Baidu Wenxin, dan Zhipu ChatGLM dan DeepSeek dalam hal ini. Penghakiman itu adalah berdasarkan fakta bahawa model ini tidak mempunyai perbezaan yang ketara daripada DeepSeek dalam keupayaan penaakulan dan struktur pangkalan pengetahuan.
Secara keseluruhan, impak model besar sumber terbuka pada masa ini adalah terhad, dan kadar persaingan antara mereka adalah sengit.
Bahaya Pasaran To C
Walaupun persaingan sengit dalam pasaran To B, ini tidak bermakna laluan To C menawarkan lebih banyak harapan.
Persaingan dalam pasaran To C untuk model besar juga sangat sengit, tetapi ia sangat berbeza daripada pasaran To B.
Landskap pasaran sentiasa berubah.
Pengewangan To C adalah sukar.
Aplikasi yang paling popular tidak semestinya menjana hasil yang paling banyak. Sebagai contoh, ChatGPT mempunyai hasil yang tertinggi, tetapi OpenAI masih kehilangan $5 bilion setahun, manakala banyak aplikasi “copycat” ChatGPT mungkin telah mencapai keuntungan yang pantas; selepas DeepSeek menjadi popular, peniru dan pemalsu datang beramai-ramai.
Memerhatikan keadaan “Harimau Kecil” dari pasaran C-end juga tidak optimis. Komunikasi Zhiwei dengan pakar industri secara amnya percaya bahawa pengeluar besar akan membawa tekanan kelangsungan hidup yang besar.
Jiang Shao menyatakan bahawa yang berprestasi terbaik daripada “Harimau Kecil” di pasaran pengguna ialah Kimi Moonshot AI. Tetapi kini, Yuanbao Tencent menduduki tempat pertama, DeepSeek menduduki tempat kedua, dan Doubao menduduki tempat ketiga. Tiga syarikat teratas hampir menduduki sebahagian besar bahagian pasaran. Yuanbao Tencent telah memperoleh sebilangan besar trafik pelanggan dengan bantuan ekosistem WeChat, manakala DeepSeek telah menonjol dengan inovasi teknologi dan prestasi cemerlang dalam pelbagai senario.
Liang He menyatakan bahawa teknologi model besar Kimi tidak jauh berbeza daripada pesaingnya, jadi ia hanya boleh percuma, yang menjadikannya sangat sukar bagi Moonshot untuk mengewangkan. Sebagai aplikasi To C, tidak jelas di mana ia berbeza daripada Yuanbao dan Doubao. Selain itu, Doubao boleh disokong oleh perniagaan Byte yang lain, dan Yuanbao boleh disokong oleh perniagaan Tencent yang lain. Mereka boleh melabur 100 bilion untuk menyokong aplikasi ini.
Jiang Shao menambah bahawa pengguna C-end lebih prihatin dengan kemudahan penggunaan produk, yang mana Tencent dan Byte lebih baik. Sudah tentu, Alibaba juga mempunyai peluang. Alibaba sedang mengeram aplikasi yang dipanggil “AI Listening,” yang menggunakan AI untuk sembang dan interaksi, bertujuan untuk menggantikan Douyin dalam platform video pendek. Walaupun Douyin menarik sebilangan besar pencipta untuk menjana kandungan berkualiti tinggi, aplikasi sembang AI berpotensi untuk menarik kumpulan pengguna dengan menyediakan pengalaman yang lebih diperibadikan dan interaktif. Perbezaan antara keduanya terletak pada penciptaan dan interaksi kandungan. Jika Alibaba boleh menembusi ini, ia juga mempunyai peluang untuk membalikkan keadaan, tetapi sukar untuk mengatakan jika Tencent mengikutinya.
Mengenai MiniMax, pendapat industri sedikit berbeza.
Liang He percaya bahawa Conch AI MiniMax pada masa ini membuat keuntungan yang baik. Ia telah menemui caranya sendiri, tetapi masih belum diketahui sama ada laluan ini akan membolehkan MiniMax meningkatkan penilaiannya dengan cukup. Kerana orientasi aplikasinya, MiniMax lebih santai selepas DeepSeek keluar. Jika mereka menggunakan model DeepSeek, ia akan menjimatkan kos penyelidikan dan pembangunan model, dan aplikasinya boleh terus membuat wang, malah lebih.
Jiang Shao percaya bahawa MiniMax mempunyai peluang jika ia boleh mencipta APP popular kemudian, tetapi Alibaba mungkin melebihi ia dan membuat APP popular dahulu, jadi walaupun MiniMax mempunyai peluang, kebarangkaliannya tidak tinggi.
Akhirnya, pembezaan produk masih menjadi titik kejayaan untuk aplikasi C-end.
Menurut laporan terbaru a16z “Top 100 Gen AI Consumer Apps,” banyak aplikasi penggunaan rendah sebenarnya mencapai hasil yang lebih baik. Beberapa produk dengan serba boleh yang lemah, seperti pengenalpastian tumbuhan dan pemakanan, menarik pengguna yang membayar lebih daripada produk am.
Sukar untuk membezakan produk AI am. Pengguna mempunyai kesediaan yang rendah untuk membayar, kitaran keuntungan adalah panjang, jadi mereka tidak boleh bertahan dengan syarikat besar.
Dan jika pembezaannya tidak cukup mendalam secara menegak, ia juga mudah untuk diinternalisasi oleh model besar asas melalui peningkatan kapasiti. Sebagai contoh, keupayaan penjanaan imej GPT-4o baru-baru ini telah membawa tamparan pengurangan dimensi kepada syarikat permulaan teks-ke-imej seperti Midjourney. Keupayaan liputan ini selalunya rawak dan tidak dapat diramalkan, seperti yang dikatakan, “Memusnahkan anda tidak ada kaitan dengan anda.”
Peniruan pesaing peringkat piksel dan peningkatan pesat model besar asas menjadikan pemandangan syarikat permulaan AI C-end hampir selalu dikekalkan untuk masa yang singkat sahaja.
Bagi cara untuk merebut kebarangkalian yang sangat rendah untuk menjadi hit, pakar industri sebulat suara percaya bahawa “pada dasarnya tidak ada pengalaman untuk diikuti.”
“Harimau Kecil” telah memasuki kesukaran hari ini, sebahagian besarnya kerana mereka melabur terlalu banyak dalam model besar asas dan memandang rendah tenaga kerja, sumber kewangan dan sumber bahan yang diperlukan untuk terus hidup dan cemerlang dalam landasan ini, mengakibatkan sukar untuk membezakan pada landasan aplikasi.
Kini, “Harimau Kecil” semakin kurang bertekad untuk menyerang AGI, dan Li Kaifu secara terbuka menyatakan bahawa hanya DeepSeek, Ali, dan Byte akan ditinggalkan dalam model besar asas domestik.
Dalam hal ini, pakar industri yang berkomunikasi dengan Zhiwei pada dasarnya bersetuju dengan pandangan ini.
Jiang Shao berkata bahawa syarikat permulaan AI yang masih terus bekerja keras pada teknologi model besar pada dasarnya mesti mati. Yang paling menjanjikan sudah pasti DeepSeek, yang kedua ialah Alibaba, dan yang ketiga ialah ByteDance. Tempat pertama dijangka mendapat 50%-80% trafik, dan dua yang terakhir mungkin mendapat 10% trafik. Intinya terletak pada siapa yang membuat AGI terlebih dahulu, dan siapa pemenang utama.
DeepSeek pada masa ini adalah yang paling kompetitif dalam bidang model besar, dan inovasi teknologi dan prestasinya dalam aplikasi praktikal tidak dapat dipersalahkan. Alibaba dan ByteDance juga mempunyai daya saing yang kuat, terutamanya dalam aplikasi merentas platform dan sumber data. Kedudukan itu terutamanya berdasarkan keupayaan inovasi setiap syarikat dalam teknologi asas, kuasa pengkomputeran, sumber data dan aplikasi praktikal.
Pasukan Zhipu dan Kimi sangat percaya bahawa terus meningkatkan keupayaan model asas adalah masa depan. Sebaliknya, saya percaya bahawa dengan perubahan dalam permintaan pasaran dan kepelbagaian senario aplikasi, laluan hanya mengukuhkan model asas mungkin terhad, dan laluan pembangunan model yang lebih fleksibel dan mudah menyesuaikan diri mungkin lebih berdaya saing di pasaran.
Persaingan dalam teknologi model besar sangat sengit, dan syarikat dengan pelaburan yang besar mesti akhirnya mempunyai penemuan yang jelas dalam inovasi, kuasa pengkomputeran, data, dan pengoptimuman untuk mengekalkan daya saing. Syarikat lain yang gagal bersaing dengan kemajuan teknologi atau tidak dapat mengatasi permintaan pasaran akan secara beransur-ansur dihapuskan.
Liang He berkata bahawa hanya DeepSeek, Ali, dan Byte akan ditinggalkan dalam syarikat model besar asas domestik pada masa hadapan, berdasarkan fakta bahawa ketiga-tiga ini mempunyai kekuatan dan keazaman untuk melabur sumber super dalam penyelidikan dan pembangunan. Bagi Byte,adalah mustahil untuk melepaskan peluang untuk model besar, jika tidak, ia akan memberi impak yang besar kepada keseluruhannya. Dan teknologi DeepSeek tidak akan mempunyai terlalu banyak halangan untuk Byte, tetapi DeepSeek pada masa ini mempunyai kelebihan yang lebih besar dalam kecekapan R&D. Model sumber terbuka Qianwen Alibaba sendiri berada pada tahap yang tinggi. Sebelum DeepSeek menjadi popular, Qianwen dan Llama pada dasarnya mengejar satu sama lain. Bagi Alibaba, model Qianwen mungkin tidak membuat wang, tetapi perniagaan awan yang berkaitan boleh membuat wang, dan Byte adalah serupa, dan boleh terus menggunakan teknologi model besar untuk terus mengoptimumkan pengalaman Douyin dan APP lain. Bagi syarikat permulaan AI, jika model itu sendiri tidak membuat wang, ia menyentuh akar kelangsungan hidup.
Wang Wenguang berkata bahawa kelebihan DeepSeek terutamanya terletak pada idealisme teknologi. Dalam tempoh dua atau tiga bulan sebelum dan selepas Festival Musim Bunga, trafik DeepSeek sangat besar. Jika ia mahu mengewangkan, ia tidak lama lagi akan mencapai yang teratas di dunia, dan model besar lain seperti Doubao tidak akan mempunyai peluang sama sekali. Selagi DeepSeek tidak membuka sumber kaedah pengoptimuman berkaitan infrastruktur dalam minggu sumber terbuka baru-baru ini, ia boleh bergantung pada ini untuk membuat wang pada masa hadapan, supaya orang lain tidak mempunyai peluang. DeepSeek belum dibiayai dan tidak perlu dipengaruhi oleh pelabur. Idealisme teknologi dan bakat adalah halangan terbesar. Berbanding dengan OpenAI, hasil yang boleh dilihat oleh OpenAI sekarang pada dasarnya adalah hasil penyelidikan sebelum pertikaian antara Altman dan Ilya berlaku. Sekurang-kurangnya titik inovasi telah ditentukan. Kini, selepas pemergian pasukan idealis asal, OpenAI sendiri hampir tidak mempunyai inovasi. Pada masa ini, inovasi OpenAI lebih pada peringkat aplikasi, seperti Deep Research. Tidak ada halangan untuk inovasi pada peringkat aplikasi, jadi ia perlu bersaing dengan pesaing.
Wang Mu, seorang pakar teknologi AI kilang besar, memberitahu Zhiwei bahawa melainkan terdapat wang, bakat dan perkakasan, tidak perlu membuang usaha pada model besar pra-latihan. DeepSeek mempunyai kluster 10,000 kad seawal 2021 dan tidak kekurangan wang. Sebaliknya, syarikat kecil dan sederhana lain hampir tidak boleh menyatukan keadaan ini.
Gao Peng menyatakan bahawa syarikat permulaan AI mahu terus hidup, mereka masih perlu beralih kepada aplikasi. Saya fikir begitu setahun atau dua tahun lalu, dan kini mungkin sudah terlambat untuk beralih. Kumpulan pertama syarikat AI yang dihapuskan seterusnya ialah mereka yang membuat model besar asas. Latihan model besar sebenarnya mempunyai banyak butiran yang kompleks dan sangat bergantung pada pengumpulan pengalaman. Butiran dalaman seni bina Transformer secara amnya difahami dengan baik, tetapi kertas kerja model sumber terbuka atau sumber tertutup pada dasarnya tidak memberitahu anda bagaimana data disediakan, apakah butiran data, seberapa besar skala data, dan seberapa baik kualiti data. Tidak ada standard bersatu dalam industri.
Sumber terbuka terbuka-setengah sentiasa menjadi amalan tipikal dalam landasan model besar. Pada masa ini, terdapat sangat sedikit model besar yang akan mendedahkan sepenuhnya kod, berat, set data dan proses latihan. Yang lebih terkenal ialah OLMo, BLOOM, dsb.
Walau bagaimanapun, walaupun beralih kepada aplikasi boleh terus hidup? Daripada analisis sebelumnya tentang landasan To B dan landasan To C, hampir sukar bagi syarikat permulaan AI untuk membentuk halangan industri mereka sendiri dalam aplikasi. Dalam hal ini, Gao Peng menyatakan bahawa kunci untuk membentuk halangan industri anda sendiri terletak pada data apa yang anda ada. Model boleh digunakan oleh sesiapa sahaja. Data dibahagikan kepada dua aspek: satu ialah pengalaman bidang usahawan, dan yang lain ialah data yang ada.
Dari perspektif budaya korporat, Gao Peng percaya bahawa penyelidikan dan pembangunan model besar asas memerlukan semangat kerja keras eksperimen dan kejuruteraan. “Untuk masa yang lama sebelum ini, banyak syarikat permulaan AI domestik terlalu berprofil tinggi. Apabila melakukan teknologi, anda harus terlebih dahulu melakukannya dengan cara yang rendah dan kemudian mempromosikannya dengan cara yang berprofil tinggi. Sesetengah pasukan lebih banyak terdiri daripada ahli akademik, tetapi orang dalam bidang akademik kadangkala mengkaji teknologi terlalu teoritis. Dari segi bakat atau pasukan, kejayaan pasukan model besar terutamanya bergantung pada sama ada bos memahami model besar. Jika bos tidak memahami teknologi model besar atau tidak mempunyai kepercayaan untuk bertahan, kerana ia tidak membuat wang, ia tidak akan berfungsi sama sekali. Kejayaan DeepSeek lebih bergantung pada mod organisasi atas ke bawah. Bos memahami butiran teknikal dengan sangat baik dan mengetuai semua orang untuk melakukannya bersama-sama. Terdapat terlalu sedikit model domestik yang memenuhi model ini.”
Mengenai perbincangan hangat industri mengenai ramalan pemenang akhir model besar asas domestik, Gao Peng percaya bahawa penghakiman ini terlalu awal. “Tidak akan ada banyak perbezaan dalam laluan teknikal pemain yang boleh menyertai pertandingan. Ikuti sahaja seni bina Transformer dan lakukan pengoptimuman terperinci. Mamba dan RWKV juga mempunyai harapan. Kuncinya adalah untuk melakukan sesuatu dengan mantap, dan masa akan membuktikan segala-galanya. Pemenang akhir dan tiga teratas tidak mudah untuk dikatakan. Tindanan teknologi model besar adalah perkara yang sangat rumit, dan siapa tahu jika ada banyak orang yang diam-diam melakukan satu perkara, tetapi masanya belum tiba.”
Dalam situasi semasa di mana sukar untuk menghakimi pemenang model, data telah menjadi parit yang paling penting. Konstantine Buhler, rakan kongsi di Sequoia Capital, pernah berkata bahawa satu kesilapan yang dilakukan oleh OpenAI pada ChatGPT ialah tidak membenarkan penyuntingan balasan, yang boleh memberikan data berkualiti tinggi dalam gelung maklum balas dan membina parit yang lebih dalam.
Sama ada data boleh membenarkan industri tertentu untuk terus berkembang dengan bantuan AI atau membawa peluang perniagaan baharu pada masa kini juga sangat penting. Zhang Sensen berkata bahawa kematangan pendaratan AI lebih dekat dengan industri kewangan dan Internet. Saya lebih optimis tentang pejabat AI, hal ehwal kerajaan AI, dan e-dagang AI. Ia terutamanya berdasarkan tahap pendigitalan yang tinggi dan kepastian prestasi yang tinggi.
“Walaupun e-dagang agak matang, AI akan terus meningkatkan kecekapan e-dagang, terutamanya dalam cadangan komoditi, perkhidmatan pelanggan dan pengoptimuman logistik. AI boleh meningkatkan kecekapan platform e-dagang melalui analisis pasaran yang lebih tepat dan pengoptimuman membuat keputusan. Peningkatan kecekapan ini bukan sahaja akan menjadi kesinambungan runcit luar talian tetapi akan membawa bentuk e-dagang baharu, terutamanya dalam bidang e-dagang rentas sempadan, AI akan membantu pertumbuhan meledaknya.”
“Sebaliknya, industri kewangan mengalami ledakan prestasi pada tahun 2024, dan masih terdapat banyak ruang untuk pertumbuhan pada tahun 2025 apabila perniagaan AI semakin mendalam.”
“Melihat kepada industri-industri di mana pendaratan AI tidak matang, terutamanya pembuatan pintar, terdapat banyak perkara tersuai, dan produk yang dihasilkan oleh setiap perusahaan adalah berbeza, dan tidak ada standard bersatu. Oleh itu, sukar bagi perusahaan untuk mempromosikan automasi kerja AI, harga data sangat tinggi, dan keperluan ketepatan juga sangat tinggi. Walaupun perisian industri pada dasarnya adalah arah penyelesaian terawal untuk pendaratan pembuatan pintar, ia mempunyai kesan yang lebih baik. Walau bagaimanapun, peningkatan AI industri pembuatan mempunyai beban sejarah. Tahap data dan maklumat kebanyakan industri pembuatan tidak mencukupi, yang membawa mereka kekurangan data apabila melakukan AI, terutamanya pengumpulan sampel abnormal hampir tidak wujud. Kerumitan juga tinggi, seperti sebilangan besar jenis peralatan dan piawaian data yang tidak konsisten, yang membawa kepada kebolehpindahan algoritma yang lemah, sering mengabaikan beberapa faktor utama seperti suhu, bahan atau pengaruh beberapa pemboleh ubah yang tidak dapat diramalkan. Selain itu, perusahaan mempunyai sisihan dalam perhatian mereka terhadap data sensor. Untuk pelbagai data kegagalan sensor, perusahaan terutamanya memberi tumpuan kepada data yang akan mempengaruhi hasil pengeluaran. Sebenarnya, data sensor pinggir itu mungkin menjadi titik tumpuan bagi kami untuk memanfaatkan inovasi dan pengkomersialan seluruh industri pembuatan pada masa hadapan. AI boleh menemui peluang pengoptimuman yang berpotensi melalui analisis data ini, dengan itu menggalakkan kemajuan seluruh industri.”
“Selain itu, keperluan keupayaan industri pembuatan juga berbeza daripada industri lain. Ia memerlukan pemprosesan masalah masa nyata, dan kependaman model besar sukar diterima di sini. Oleh itu, pembuatan pintar tidak mempunyai pulangan pelaburan dalam jangka pendek. Sudah tentu, negara pasti akan menyokong AI industri ini. Ada kemungkinan bahawa peningkatan berskala besar akan berlaku dalam tempoh lima tahun akan datang, dan robot dan AI akan menjadi gabungan berganda.”
Akhirnya, bagi syarikat permulaan, sama ada ia melakukan model besar asas atau melakukan To B atau To C, sukar untuk mencari parit yang kukuh. Tanpa pengumpulan data atau pengalaman teknikal jangka panjang, adalah mustahil untuk membentuk halangan yang kompetitif.
Oleh itu, sebaik sahaja syarikat permulaan gagal menggulung