从宏伟愿景到战略转型
中国AI技术的飞速发展给许多初创公司带来了兴奋和不确定性。一些公司曾经充满雄心勃勃的目标，但现在正在重新调整战略，面对竞争激烈和资源密集的市场的残酷现实。
最近，中国“AI小老虎”之一的百川智能CEO的内部信，标志着公司成立两周年，并强调了战略转变。重点将缩小，优先考虑医疗应用。这与其最初创建类似于OpenAI的突破性基础模型，并提供创新应用的任务形成鲜明对比。
同样，另一家“小老虎”01.AI的创始人李开复在1月份宣布，他的公司将采取“小而美”的方式。这与构建AI 2.0平台以加速AGI到来的宏伟愿景截然不同。
这些战略撤退引发了人们的猜测，一些观察家认为这些“小老虎”正变得更像“病猫”。在不断变化的环境中，这些公司如何确保自己的未来？
为了回答这个问题，智伟编辑团队向包括大型模型技术专家、金融和医疗保健领域的AI专家以及领先公司的AI技术专家在内的各方专家寻求了见解。
DeepSeek效应与战略转变
在DeepSeek的爆炸性流行之后，AI格局发生了巨大变化，这一模型震撼了市场。DeepSeek像一个强大的战士一样，扰乱了格局，迫使许多AI公司重新评估自己的位置并寻求不同的道路。
然而，这种转变比许多人意识到的还要早。大型模型技术专家王文广表示，早在DeepSeek V3和R1发布之前，一些中国AI公司就已经开始放弃大型模型训练。成本太高了，这些公司觉得自己无法与DeepSeek V2.5和阿里巴巴的Qwen 70B等免费提供的开源替代方案竞争。
一家AI技术服务企业的专家梁贺补充说，虽然大多数“小老虎”在2024年中仍在训练大型模型，但他们的投资已经大幅减少。到2025年1月，随着DeepSeek R1的发布，许多小型公司意识到他们无法跟上。
这种突然的转变导致“小老虎”的方向发生了重大变化，从AGI开发转向了更加专业化的方法。
百川和01.AI已经放弃了预训练大型模型，分别专注于医疗AI和行业应用。MiniMax正在减少其B2B业务，并专注于海外市场，推出C端视频生成和其他应用。智谱、Moonshot AI和StepUp仍然活跃在开源社区中，但尚未产生任何优于DeepSeek R1的新模型。智谱已获得大量资金和政企合作，确保了其生存。Moonshot AI的主要产品Kimi的地位受到元宝的威胁，使其定位越来越尴尬。
总的来说，“小老虎”越来越趋同于B2B SaaS市场，一些人认为这是“缺乏想象力”的。
B2B市场的诱惑与局限
01.AI最近宣布计划全面整合DeepSeek，为各行各业创建一个一站式企业大型模型平台。然而，这一举动受到了质疑。
金融AI专家姜少认为，由于01.AI的关注面过广，DeepSeek出现后缺乏技术竞争力以及商业化能力有限，01.AI的未来并不确定。
王文广也表达了同样的观点，他指出，一站式大型模型平台的技术门槛相对较低。
王分享了他大约在六个月内独立开发这样一个平台的经验，并通过个人渠道进行销售。他认为，虽然作为一家公司很难从该产品中获利，但作为一项独立创业，它可以盈利。
王与几家提供大型模型服务的B2B公司合作，但缺乏技术平台。他以低成本（每个许可证约4万至5万元人民币）提供他的平台，大大低于大型公司。
他的平台KAF（基于知识的代理工厂）使用知识图谱、向量数据库和搜索引擎来交付大型模型和代理应用。它使用户无需编码即可通过提示和模型管理创建自定义知识助手或代理。王指出，市场上类似平台非常普遍，很容易复制。
王表示，一家寻求开发B2B大型模型应用的公司可以通过聘请一小批技术娴熟的个人或与外部AI公司合作来快速创建产品。这种方法比训练大型模型便宜得多。
除了平台模型外，集成解决方案还提供硬件、软件和执行环境，提供开箱即用的功能。平安保险技术平台组负责人张森森认为，集成解决方案具有可行的市场，尤其是在技术部署能力有限的政府和教育机构中。这些解决方案优先考虑易用性和技术自主性，提供数据安全、隐私合规和软硬件优化等优势。他们还可以使用国产芯片，绕过限制并提高效率。对成本敏感且注重投资回报率的公司可能会发现集成解决方案因其较长的生命周期而具有吸引力。
国内SaaS市场历来面临着定制化需求高、产品通用性和同质化、竞争激烈、定价策略低以及注重短期盈利等挑战。该市场的客户通常数字化水平较低，且付费意愿有限。
相比之下，国际SaaS市场强调专业化，公司专注于特定领域，并为付费意愿较高的大中型客户提供深入服务。
大型模型领域反映了这些趋势。国际SaaS市场的最新事件表明了这一点：
- 2025年2月，MongoDB以2.2亿美元收购了Voyage AI，这是一家专注于嵌入和重新排序模型的17个月大的AI初创公司。
- 2024年，亚马逊宣布与Adept达成技术许可协议，Adept是一家成立两年的AI代理初创公司，一些Adept成员加入了亚马逊的AGI团队。
这些初创公司通过专注于大型模型技术中的特定利基市场而取得了成功。在中国，这样的例子很少见。许多中小企业必须不断防范大型公司进入他们的领域。
王文广凭借其在B2B市场中的丰富经验，描述了它的残酷现实。他指出，虽然一站式平台市场很大，但它很分散。运营成本较低的小公司可以提供有竞争力的价格，从而削弱大公司的价格。这压低了应用服务的价格。即使大型公司也面临着其他初创公司和传统集成商的竞争。大型公司可能拥有自己的大型模型和品牌优势，但他们面临着类似的B2B业务战略。
正如王所说：“我也在使用DeepSeek，很多其他公司也在使用DeepSeek，因此没有差异化。中国有这么多的云厂商，因此至少会有那么多的竞争对手。国内B2B市场一直如此；要生存，要么必须有强大的关系，良好的服务，要么价格低廉。”
梁贺对01.AI当前的选择和未来前景提出了简洁的评估：
- 李开复决定将01.AI的业务完全转移到B2B应用并推广一站式企业大型模型平台在商业上是合理的，但会导致激烈的竞争。
- 01.AI需要提供比大型公司更低价的大型模型产品，这是因为它在应用层缺乏独特的优势。
- 01.AI转向B2B标志着想象力的丧失和“性感”项目的减少。这与2017年上一波AI浪潮中许多计算机视觉公司的命运相似。
- 如果01.AI探索海外市场，可能会有机会。
与01.AI相比，对百川的未来持乐观态度的人较少。
然而，百川进入医疗领域缺乏独特的优势，尤其是在数据方面。
姜少说，百川转向医疗只是为了生存。但是，与01.AI相比，百川至少正在尝试进入利基市场。
张森森表示，她对拥有医疗数据的公司开发医疗大型模型比技术公司更乐观。这适用于任何寻求创建特定行业大型模型的公司。创建医疗大型模型的关键挑战在于数据，而不是模型本身。中国有很多优秀的医院可以使用DeepSeek微调大型模型供自己使用。
如何有效获取医疗数据？姜少说，AI技术初创公司在数据方面缺乏优势。要创建医疗大型模型，他们可能需要与已经向医院提供IT服务的公司合作。
据报道，一家“小老虎”与国内大型医生交流论坛独家合作，利用医生交流中产生的大量案例来训练模型。
除了对利基市场更为乐观的前景外，行业专家还对百川的创始人王小川抱有希望。
梁贺认为，王小川是否成功专注于医学取决于他是想追求理想还是赚钱。他认为王更倾向于追求理想，创造突破性的医疗AI研究成果。
王文广强调了这个市场的过时性。他表示，如果目标是短期商业化，那么医疗领域的竞争也很激烈，类似于整个B2B市场。许多公司可以使用知识图谱、向量搜索和大型模型进行医疗应用。
根据智伟与医疗AI专家的讨论，医疗研究本身存在很大的知识差距，并且新知识正在迅速增长。因此，使用大型模型进行医疗基础研究具有很大的潜力。例如，Meis Medical称，用于蛋白质结构预测的AlphaFold模型已被全球超过180万科学家使用，以加速研究，包括开发生物可再生材料和推进基因研究。
除了追求理想或赚钱之外，医疗AI初创公司还面临着是否创建通用医疗大型模型的问题。
张森森表示，国内市场尚未在通用医疗大型模型方面取得突破，主要是由于依赖强大的医疗设备进行大规模数据收集和应用。中国的许多医疗机构尚未得到广泛普及，因此AI难以进行准确的诊断。但是，一些强大的医院（例如梅奥诊所）已开始探索推出自己的大型模型。尽管短期内很难看到盈利机会，但这些类型的大型模型可能会对医疗行业产生深远的影响。
医疗行业还面临着完全自动化诊断的挑战，尤其是在国内市场，设备不足，并且AI无法完全替代传统的诊断方法。医疗设备（尤其是在偏远地区）的缺乏使得难以完全覆盖医疗技术，因此完全自动化诊断仍然是一个重大挑战。
医疗行业具有严格的许可和合规性要求，并且大型模型在进入医疗领域时必须解决合规性问题。未来的C端医疗服务可能会结合医生的技术和AI来提高诊断和治疗的效率，尤其是在年轻一代中。
最后，即使不考虑国内B2B市场的特征，大型模型应用中的竞争也使得在To B市场中生存充满挑战。王文广表示，虽然大型模型To B产品的设计模型仍在探索中，但它们最终会趋同。这不仅在中国如此，而且在硅谷科技公司（例如OpenAI、Anthropic和Google）中也是如此。只要模型本身的性能没有显着差异，就不可能在这个市场上赚钱，最终每个人都会处于同一水平。
这就是DeepSeek R1的最大影响不在中国而在于国外（尤其是在硅谷科技公司）的原因。美国股市在R1发布后开始出现剧烈波动，然后下跌。核心逻辑很简单：硅谷的大型模型已被中国赶上。虽然没有超越它们，但无法扩大差距使得无法支持如此高的估值，从而导致股价下跌。
当然，To B市场还有另一种吸引客户的方式：开源。开源的主要盈利模式包括提供付费级别的功能、云托管以及基于开源技术提供的企业级咨询和培训等增值服务。
开源大型模型最直接的影响是促进技术的普及。张森森表示，DeepSeek的开源大大加快了公司对大型模型的应用。高层管理人员非常支持大型模型的应用。由于大型模型在实际应用中表现良好，尤其是在减少人工干预和提高效率方面，因此支持将继续增加。
金融业作为数据质量最好的行业，在AI方面一直拥有丰富的技术积累，可以迅速跟上。无论有没有DeepSeek，金融业都会实施AI技术。但是，有了DeepSeek，AI不仅可以实现金融业的核心业务，还可以用于以前难以完成的日常办公任务和运营。
运营过去非常昂贵。例如，根本原因分析以前需要传统的运营监控和AIOps，以及训练小型模型。现在，DeepSeek可以与知识库结合使用，以生成应用计划来处理监控、警报、自助分析和可追溯性、自动化处理和稳定性改进，这比AIOps更灵活。
此外，AI对运营的覆盖范围变得更广，更加注重互动性和主动性。主动性意味着允许AI主动执行操作。从依赖规则、人类甚至个人经验（人类经验的水平决定了运营能力的水平）转变而来，现在可以使用更轻的AI模型来直接实现此目的。
尽管DeepSeek的幻觉率仍然很高，甚至与其他类似模型相比没有显着差异，但其推理和实际应用能力可以抵消幻觉的负面影响。该问题将通过使用RAG和其他相关技术进行微调和优化来逐步改进。
阿里巴巴的大型模型技术专家高鹏认为，DeepSeek的影响对于大型和小型公司而言是不同的：
阿里巴巴内部使用的大型模型一直是业界最先进的，因此DeepSeek的出现并没有产生重大影响。阿里巴巴使用DeepSeek进行性能评估和比较，更多的是提供技术灵感。DeepSeek在推理中的实现相对较快，并且技术细节更为常见。DeepSeek也受到Qianwen的影响。
相比之下，DeepSeek对中小企业的影响更大，因为以前没有一种模型可以在提供低成本、私有部署的同时实现DeepSeek的效果。在DeepSeek发布后，出现了许多销售DeepSeek集成机的公司。但是，与许多开源模型集成机相比，DeepSeek并不是最便宜的，具体取决于特定标准。
无论如何，国内开源大型模型现在蓬勃发展，并且可以在全球范围内竞争。但是，基于平安保险对大型模型的实施，张森森认为，开源大型模型仍然存在无法逾越的限制：
对我们来说，DeepSeek主要具有巨大的成本优势。在功能方面，它在推理、泛化能力和上下文理解方面可能比其他模型在运营场景中更好。但是，DeepSeek在更复杂的场景（例如金融风险控制）中表现不佳。这是因为需要更详细的微调甚至与其他模型结合使用进行优化。因此，需要根据特定的应用场景进行有针对性的微调，以进一步提高模型性能。
平安的自研大型模型分为两层：底层的基础大型模型和负责银行、保险和其他业务的领域模型。内部使用的大型模型在专业知识领域（尤其是在金融和医学等特定领域）的表现优于DeepSeek，在这些领域中，模型更加准确。但是，DeepSeek在推理能力方面仍然具有强大的优势。在某些情况下，我们希望使用DeepSeek进行小规模的尝试，以查看是否可以运行。
阿里巴巴Qianwen、百度文心和智谱ChatGLM在这方面与DeepSeek没有显着差异。该判断基于以下事实：这些模型在推理能力和知识库结构方面与DeepSeek没有显着差异。
总的来说，开源大型模型的影响目前有限，并且它们之间的竞争步伐非常激烈。
To C市场的风险
虽然To B市场的竞争非常激烈，但这并不意味着To C路线会带来更多的希望。
To C市场上大型模型的竞争也非常激烈，但这与To B市场截然不同。
市场格局在不断变化。
To C的盈利非常困难。
最受欢迎的应用不一定产生最多的收入。例如，ChatGPT的收入最高，但OpenAI仍然亏损50亿美元，而许多ChatGPT的“山寨”应用很可能已经实现了快速盈利；在DeepSeek流行之后，模仿者和造假者蜂拥而至。
从C端市场观察“小老虎”的处境也并不乐观。智伟与行业专家的沟通普遍认为，大型制造商将带来巨大的生存压力。
姜少表示，在消费者市场中表现最好的“小老虎”是Moonshot AI的Kimi。但是现在，腾讯的元宝排名第一，DeepSeek排名第二，豆包排名第三。前三家公司几乎占据了大部分市场份额。腾讯的元宝在微信生态系统的帮助下获得了大量的客户流量，而DeepSeek凭借其技术创新和在多种场景中的出色表现脱颖而出。
梁贺表示，Kimi的大型模型技术与其竞争对手没有太大区别，因此它只能是免费的，这使得Moonshot很难商业化。作为To C应用，尚不清楚它与元宝和豆包有何不同。此外，豆包可以得到字节的其他业务的支持，而元宝可以得到腾讯的其他业务的支持。他们可以投资1000亿来支持这些应用。
姜少补充说，C端用户更关心产品的易用性，而腾讯和字节更擅长这一点。当然，阿里巴巴也有机会。阿里巴巴正在孵化一个名为“AI聆听”的应用，该应用使用AI进行聊天和互动，旨在取代抖音在短视频平台中的地位。尽管抖音吸引了大量创作者来生成高质量的内容，但AI聊天应用有可能通过提供更个性化和互动式的体验来吸引用户群体。两者的区别在于内容创作和互动。如果阿里巴巴能够突破这一点，它也有机会扭转局面，但很难说腾讯是否会效仿。
关于MiniMax，行业意见略有不同。
梁贺认为，MiniMax的Conch AI目前正在盈利。它已经找到了自己的方式，但尚不清楚这条道路是否可以让MiniMax充分提高其估值。由于其应用导向，MiniMax在DeepSeek问世后更加放松。如果他们使用DeepSeek的模型，它将节省模型的研发成本，并且其应用可以继续赚钱，甚至更多。
姜少认为，如果MiniMax以后可以创建一个流行的APP，它就有机会，但阿里巴巴可能会超过它并首先创建一个流行的APP，因此即使MiniMax有机会，概率也不高。
最终，产品差异化仍然是C端应用的突破点。
根据a16z的最新报告“Top 100 Gen AI Consumer Apps”，许多低使用率的应用实际上实现了更好的收入。一些通用性较差的产品，例如植物识别和营养，比通用产品更能吸引付费用户。
很难区分通用AI产品。用户付费意愿低，盈利周期长，因此他们无法在大型公司中生存。
如果差异化程度在垂直方向上不够深入，也很容易被基础大型模型通过容量升级而内在化。例如，最近GPT-4o的图像生成功能对文本到图像的初创公司（例如Midjourney）带来了降维打击。这种覆盖能力通常是随机且不可预测的，正如俗话所说，“摧毁你与你无关”。
对竞争对手的像素级模仿和基础大型模型的快速升级使得C端AI初创公司的风景几乎总是只能维持很短的时间。
至于如何抓住极低的爆红概率，行业专家一致认为“基本上没有经验可循”。
“小老虎”陷入今天的困境，很大程度上是因为他们在基础大型模型上投入了太多，而低估了在这种赛道上生存和脱颖而出所需的人力、财力和物力，导致很难在应用赛道上进行差异化。
现在，“小老虎”越来越不决心攻击AGI，李开复公开表示，国内基础大型模型只会剩下DeepSeek、阿里和字节。
在这方面，与智伟沟通的行业专家基本上同意这一观点。
姜少说，仍在继续努力研究大型模型技术的AI初创公司基本上肯定会死。最有前途的肯定是DeepSeek，其次是阿里巴巴，第三是字节跳动。预计第一名将获得50％-80％的流量，而后两者可能获得10％的流量。核心在于谁先制造AGI，以及谁是最终的赢家。
DeepSeek目前在大型模型领域最具竞争力，其技术创新和在实际应用中的表现无可挑剔。阿里巴巴和字节跳动也具有强大的竞争力，尤其是在跨平台应用和数据资源方面。排名主要基于每家公司在基础技术、计算能力、数据资源和实际应用中的创新能力。
智谱和Kimi团队坚信，继续增强基础模型的能力是未来。相比之下，我认为随着市场需求的变化和应用场景的多样化，仅简单地加强基础模型的路线可能会受到限制，而更加灵活和适应性强的模型开发路径可能在市场上更具竞争力。
大型模型技术的竞争非常激烈，拥有巨额投资的公司最终必须在创新、计算能力、数据和优化方面取得明确的突破，才能保持竞争力。未能跟上技术进步或无法应对市场需求的，其他公司将逐渐被淘汰。
梁贺说，未来国内基础大型模型公司只会剩下DeepSeek、阿里和字节，这是基于这三者都有实力和决心将超级资源投入研发。对于字节来说，不可能错过大型模型的机会，否则会对整体产生很大的影响。DeepSeek的技术对于字节来说也不会有太多的障碍，但是DeepSeek目前在研发效率方面具有更大的优势。阿里巴巴的Qianwen开源模型本身处于较高水平。在DeepSeek流行之前，Qianwen和Llama基本上在互相追赶。对于阿里巴巴来说，Qianwen模型可能无法赚钱，但是相关的云业务可以赚钱，而字节也类似，并且可以继续使用大型模型技术来不断优化抖音和其他App的体验。对于AI初创公司来说，如果模型本身不赚钱，那它就触及了生存的根本。
王文广说，DeepSeek的优势主要在于技术理想主义。在春节前后的两三个月内，DeepSeek的流量巨大。如果它想商业化，它很快就会达到世界顶峰，而Doubao等其他大型模型将根本没有机会。只要DeepSeek不公开最近开源周中与基础架构相关的优化方法，它将来就可以依靠它来赚钱，因此其他人没有机会。DeepSeek尚未获得资助，因此不需要受到投资者的影响。技术理想主义和人才就是最大的障碍。与OpenAI相比，OpenAI现在可以看到的结果基本上都是Altman和Ilya之间发生争端之前的研究结果。至少创新点已经确定。现在，在最初的理想主义者团队离开后，OpenAI本身几乎没有创新。目前，OpenAI的创新更多是在应用层面，例如Deep Research。应用层面的创新没有障碍，因此必须与竞争对手竞争。
一家大型工厂AI技术专家王牧告诉智伟，除非有资金、人才和硬件，否则无需在预训练大型模型上浪费精力。DeepSeek早在2021年就拥有一个10,000张卡的集群，并且不缺钱。相比之下，其他中小型公司很难满足此条件。
高鹏表示，AI初创公司想要生存，仍然必须转向应用。我一两年前就是这样想的，现在转向可能为时已晚。下一批被淘汰的AI公司将是那些制造基础大型模型的公司。大型模型训练实际上有很多复杂的细节，并且非常依赖经验的积累。Transformer架构的内部细节通常很容易理解，但是开源或闭源模型的论文基本上不会告诉您如何准备数据、数据细节是什么、数据规模有多大以及数据质量有多好。行业中没有统一的标准。
开源open-half一直是大型模型赛道中的典型做法。当前，很少有大型模型会完全公开代码、权重、数据集和训练过程。更著名的有OLMo、BLOOM等。
但是，即使转向应用可以生存吗？从先前对To B赛道和To C赛道的分析来看，AI初创公司几乎很难在应用中形成自己的行业壁垒。对此，高鹏表示，形成自己的行业壁垒的关键在于你有什么数据。模型可以被任何人使用。数据分为两个方面：一个是企业家的领域经验，另一个是手中的数据。
从企业文化的角度来看，高鹏认为，基础大型模型的研发需要一种实验和工程的艰苦精神。“在此之前的很长一段时间里，许多国内AI初创公司都过于高调。在做技术时，您应该首先以低调的方式做，然后再以高调的方式推广。有些团队的学术成分更高，但是学术界的人有时会过于理论化地研究技术。就人才或团队而言，大型模型团队的成功主要取决于老板是否了解大型模型。如果老板不了解大型模型技术或没有坚持下去的信念，因为它不赚钱，那根本行不通。DeepSeek的成功更多地依赖于自上而下的组织模式。老板非常了解技术细节，并带领大家一起做。国内很少有符合这种模型的模型。”
关于业界对国内基础大型模型的最终获胜者预测的激烈讨论，高鹏认为，这种判断为时过早。“可以参加比赛的参与者的技术路线不会有太大差异。只需遵循Transformer架构并进行详细的优化。Mamba和RWKV也有希望。关键是要稳扎稳打地做事，时间会证明一切。最终的获胜者和前三名不容易说。大型模型技术堆栈是一件非常复杂的事情，谁知道是否有人默默地做一件事，但是时间还没有到。”
在当前难以判断模型获胜者的情况下，数据已成为最重要的护城河。红杉资本的合伙人Konstantine Buhler曾经说过，OpenAI在ChatGPT上犯的一个错误是不允许编辑回复，这本可以在反馈循环中提供更高质量的数据并建立更深的护城河。
数据是否可以让某个行业借助AI进一步发展，或者在当下带来新的商机，也非常重要。张森森说，AI落地的成熟度更接近金融和互联网行业。我更看好AI办公、AI政务和AI电商。它主要是基于其高度的数字化和性能的高度确定性。
“尽管电子商务相对成熟，但AI将继续提高电子商务的效率，尤其是在商品推荐、客户服务和物流优化方面。AI可以通过更准确的市场分析和决策优化来提高电子商务平台的效率。这种效率的提高不仅是线下零售的延续，还将带来新的电子商务形式，尤其是在跨境电子商务领域，AI将帮助其爆炸性增长。”
“相比之下，金融业在2024年经历了业绩爆发，随着AI业务的深入，2025年仍有很大的增长空间。”
“看看那些AI落地不成熟的行业，尤其是智能制造，有很多定制化的东西，每个企业生产的产品都不同，没有统一的标准。因此，企业很难推广AI工作自动化，数据的价格非常高，精度要求也很高。虽然工业软件基本上是智能制造落地的最早解决方案方向，但效果更好。但是，制造业的AI升级具有历史负担。大多数制造业的数据和信息化水平都不够，这导致他们在做AI时缺乏数据，尤其是不良样本的收集几乎不存在。复杂性也很高，例如设备类型繁多且数据标准不一致，这导致算法的可传递性差，通常会忽略一些关键因素，例如温度、材料或一些不可预测的变量的影响。此外，企业对传感器数据的关注存在偏差。对于各种传感器故障数据，企业主要关注会影响生产结果的数据。实际上，这些边缘传感器数据很可能成为我们未来利用创新和整个制造业商业化的支点。AI可以通过分析这些数据来发现潜在的优化机会，从而促进整个行业的进步。”
“而且，制造业的能力要求也与其他行业不同。它需要实时处理问题，并且大型模型的延迟很难在这里被接受。因此，智能制造在短期内没有投资回报。当然，国家肯定会支持该行业的AI。有可能在未来五年内大规模增长，并且机器人和AI将是双重组合。”
最后，对于初创公司而言，无论是做基础大型模型还是做To B或To C，都很难找到坚实的护城河。如果没有长期的数据积累或技术经验，就不可能形成竞争壁垒。
因此，一旦一家初创公司在略有名气时未能滚雪球，它很容易逐渐衰落，最终找不到生存的理由。
当他们在某个时候摘下一个金苹果时，那只是命运女神在小睡片刻。