5 月 23 日，36 氪舉辦「颠覆 · AIGC」産業發展峰會。本次峰會彙聚産業力量，共同探讨企業、行業在面臨變革時的應對策略，分享思考，探索和發現産業中最具潛力的企業與最具價值的技術，在激蕩的環境中探尋前行的方向。
大會的首場圓桌論壇上，主持人 36 氪分析師 Ben，與樂言科技創始人兼 CEO 沈李斌、松禾資本董事總經理闫陽、中科智雲 CTO 李源，圍繞通用人工智能、AI 的第一性原理等廣泛關注的問題展開了熱烈的讨論。
圓桌論壇：ChatGPT 的第一性原理：通往 AGI 的路上還有哪些系統性機會？
3 位嘉賓分别從 AIGC+ 電商行業、AIGC+ 數字化轉型，以及資本視角，對于不同領域如何看待大模型浪潮下的機遇與挑戰、如何推動 AIGC 應用大範圍商業落地，以及着眼于未來 AI2.0 的發展方向充分闡述了各自的觀點。
樂言科技創始人兼 CEO 沈李斌談到：我們如果要判斷是否需要探索一個場景，評估它是否有價值是一方面，另一方面也需要去把握節奏，即判斷現在是否是合适的時機、這個技術是否能支撐服務要求的體驗，以及率先入場是否能将技術壁壘變成生态壁壘。
樂言科技創始人兼 CEO 沈李斌
松禾資本董事總經理闫陽認爲：縱觀全球科技創新數十年的磅礴發展曆程，越是颠覆性的創新越需要「第一性原理」的演繹思維與實際行動。毋庸置疑，通用人工智能與 AIGC 爲現今的世界注入了無與倫比的強大科技源動力，希望所有參與這場盛宴的夥伴們都要好奇不息、思考不止、探索不停，尋美而求真，爲這個行業的發展貢獻積極力量。
松禾資本董事總經理闫陽
中科智雲 CTO 李源表示：機器視覺領域的深度學習模型同樣具備智能湧現的可能，而處理大規模樣本至關重要。中科智雲的 X-Brain 平台結合預訓練模型和小樣本技術，可實現強大的樣本自标注。我們将繼續訓練圖像領域的大模型，降低大模型的訓練和運營成本，爲行業應用創造新機遇。
中科智雲 CTO 李源
以下是圓桌論壇實錄，經 36 氪摘編：
Ben：各位嘉賓、各位觀衆大家好，我是 36 氪分析師 Ben，非常榮幸地介紹本場圓桌的三位嘉賓，也請每位嘉賓做一個簡單的自我介紹。
沈李斌：樂言科技爲電商行業提供 AI SaaS+ 全鏈路數智化解決方案，包括智能客服機器人、跨境出海電商工具、智能 CRM、低代碼 RPA、電話機器人等 AI 産品。我們近期也推出了原創研發的國産行業大模型體系。很多人問我，ChatGPT 是否會給客服機器人帶來沖擊，我覺得其實并不會，這部分之後我會詳細談。
闫陽：大家好，先簡單介紹一下我們的團隊，松禾資本成立于 1996 年，到現在已經有 27 年的曆史。松禾資本早期以科技投資、産學研孵化、科技成果轉化爲特色，啓航于深圳，目前在上海、北京、廣州、深圳和川渝都有辦公室。我們團隊早期成員的背景也比較多元化，早期基本都是圍繞大型企業和高校院所做一些孵化投資，同時也做一些陪伴。
李源：大家中午好，中科智雲是一家人工智能科技公司，專注提供數字化生産與運營的行業算法平台，助力建造、交通、工業等領域實現數字化轉型。我們圍繞公司的核心平台 X-Brain，進行模型訓練。比如在工業領域，我們提供人工智能巡檢、自動化機械操作、設備無人化操作等方案。我們是圖像賽道，AIGC 其實給我們很多啓發，我們認爲 GPT 這樣的大模型，其中的思維和實踐經驗也可以應用到機器視覺上面。早在 2 年前，我們就在機器視覺的工具平台上提供大規模預訓練模型，并實現了小樣本标注，達到主動學習的标注，取得了不錯的效果。
Ben：今天這場圓桌的主題是用第一性原理來看實現 AGI 的路徑上存在哪些系統性的機會。作爲終端消費者的立場來看，雖然大模型已經火了半年時間，但是我能夠用到的還是簡單對話和簡單繪圖之類的功能，希望各位從自己身處産業一線的經驗來談一下，目前大模型和 AIGC 可能給行業帶來哪些變量？
沈李斌：談到大模型應用，我覺得可以分 To C 和 To B 兩個方向來談。大家目前對于通用應用的關注會多一些，國内陸陸續續有大廠和創業公司在做通用大模型，賽道競争比較激烈。反觀深耕行業大模型應用的垂直賽道，現在可能是一個暗流湧動的狀态，實際上在一些領域已經取得了非常大的進展，包括法律、金融等。我分享一下在電商賽道，我們所做的一些事情。基于樂言電商 GPT 大模型，我們已經開發五到六個 AIGC 應用，目前使用這些應用的商家有上千家，實現了在日常工作中将大模型能力整合至業務裏。
對企業來說，大模型應用可以分爲兩方面，一方面是用于提升 C 端消費者體驗，另一方面是提高運作效率。
首先，從 C 端體驗來說，本來就有數萬商家在使用我們的客服機器人，基于判别式 AI 技術做的客服機器人性能還不錯，至少能回答 70% 的問題，但是針對一些開放式問題和生成式問題，原先的模型很難進行處理。目前我們補上了這塊短闆，生成式能力的提升使得以前回答不了的問題得到了解決，目前也已經看到了比較好的反饋。
其次，從提高内部工作效率的方面來講，我們有一部分業務是做出海電商。對商家而言，制作商品詳情頁的難度較大，一個原因是拿到的中文素材比較簡短，其二是将這些素材轉換爲泰語、英語等外語時存在翻譯上的困難，其三是呈現的素材需要符合電商平台的調性。針對以上問題，我們基于大模型的語言能力爲商家提供了 AIGC 解決方案，現在隻需要由一個運營花費一兩個小時就可以搞定商品詳情頁。諸如此類提升效率的應用還有很多，比如商家話術生成、賣點生成、買家評論回複等方面。而這些應用的普及速度也已經超出了我們的預期，我能感受到行業模型上是暗潮洶湧，有能力入場的公司都在飛快演進。
闫陽：在回答主持人這個問題之前，我想強調一下「第一性原理」在 AGI/AIGC 上的重要性。「第一性原理」現在被很多人提起，它是一種源于物理學與哲學的思維方式，也是一種非常有意思且極爲重要的思維方式，與傳統的歸納思維不同，它強調極緻深入的演繹推理。越是颠覆式的創新，越需要「第一性原理」的思維，而傳統的歸納思維隻能實現在現有狀态下的改進和優化，對應到科技創新領域，就是圍繞着他人的成果修修補補，做一些擴展或者延伸，不可能有颠覆性的自主原創，這一點特别重要。
結合「第一性原理」與 AGI，大模型今年火了，但這是對絕大部分公衆層面的 " 火 "，而藏在高校院所、行業巨頭和一些優秀創業公司裏的資深技術專家，已經在幾年前、十年前甚至十幾年前就開始尋着人工智能技術的演變路徑做 AGI 相關的積累和貢獻。相比這些技術專家，我相信很多政府機構管理者、企業經營者、C 端用戶、B 端甲方客戶，以及投資人們，對短時間内火起來的 AGI 大模型等新鮮事物實際上是陌生的，那麽面對這樣一個颠覆性的大模型技術所帶來的變革新浪潮，更需要大家用「第一性原理」的思維去思考問題，而不是簡單的用已有的經驗和認知去歸納、總結甚至決策，這一點極爲重要。我想再次強調的是，這場宏大盛宴的所有參與方都應利用「第一性原理」去思考問題并指導行動，要好奇不息、思考不止、探索不停，否則大概率會成爲過眼雲煙，抓不住時代賦予我們的寶貴機會。
回到具體問題上，在當下 AGI 颠覆性變革時代，主要有三點重要的變量。一是大幅提高了生産力水平。舉個例子，互聯網中出現了很多可以幫助我們解答各種疑問，以及在學習或工作中能夠提升效率的新工具，如大家熟悉的 OpenAI 公司的 ChatGPT 和 GPT-4、谷歌的 Bard，以及百度的文心一言等，這些工具可以幫助大家提高生産效率及質量；另一方面從我日常的投資工作來看，與松禾資本很多優秀被投企業溝通下來，其實他們都已經不同程度的将大模型技術應用到實際的産品研發中，加速了各自在新材料、新藥物、新工藝研發工作中的效率。
第二點是極大降低了 AI 的應用門檻。舉個例子，B 端産業客戶一個比較共同性的問題就是 "AI 不好用 " 以及 "AI 用不起 "。過去若幹年中，傳統 AI 平台化解決方案的交付模式是，AI 公司拿到 B 端客戶的需求後進行定制化開發，最終以集成訓練模型的形式給到客戶。這種模式最大的弊端就是需要客戶具備較強的對 AI 技術的理解和開發能力，并且 IDC 機房的搭建十分消耗成本。大模型下的算法生成模式不需要額外編程和調試，可吸引更多下遊用戶投入模型叠代，可以更有性價比的去使用 AI 技術，對其業務進行賦能。
第三點是全面革新用戶的交互與體驗。比如前面嘉賓提到的交互聊天問答模式、設計類工具交互模式、汽車智能座艙中的人車交互系統，以及數字人 · 虛拟人在服務場景中的應用等，這些都是 C 端用戶能比較直觀感受到的新事物。回到 B 端領域，舉個例子，松禾天使基金被投企業「識淵科技」将深度學習應用到智能制造行業，利用通用人工智能技術打造了無代碼的交互式平台，使得工業客戶僅通過文字和圖片對業務場景進行描述，幾輪對話和交互下來，就可以生成準确的任務流程，效果非常好。
李源：主辦方提的第一性原理很重要，我們公司主要重點放在機器視覺應用領域。chatGPT 大模型首先是很令人震撼的，它向通用人工智能邁了很大一步。另外我們也看到背後的東西，在 2020 年 6 月份 GPT3 發布的時候，我們就開始研究它，實際上最讓人震撼的是它揭示了量變到質變的過程。
我們認爲這是一種湧現現象，即本身這個模型很簡單，但是所表現出來的性能是讓人吃驚的。至于從 GPT3 到現在，這一年爲什麽會有這樣的結果，這裏面就是一個從量變到質變的過程。
我們在機器視覺領域，也在想有沒有這樣的可能性。前不久有一篇論文，facebook 發布的 Segment Anything 再次驗證了原理，即深度學習模型同樣具備這種量變導緻質變的能力，其中大篇幅是在分析怎麽标注樣本，怎麽處理大規模樣本，這說明了樣本的重要性。
中科智雲很早便認識到樣本的重要性，我們的 X-Brain 平台結合預訓練模型和小樣本技術，可實現泛化能力很強的樣本自标注，隻需不到傳統模式的 10% 樣本，即可達到同等精度的算法提升，算法所需訓練時間也縮短到傳統模式的 10%。中科智雲将會沿這個思路，繼續訓練圖象領域的大模型，降低大模型的訓練和運營成本，爲行業應用創造新機遇。
Ben：通過各位嘉賓的分享，我們可以看到大模型帶來的變化确實在發生。基于這些變化，請各位嘉賓分享一下，下一階段哪些領域可能發生更大的突破，這樣的突破可能會給哪些創業公司帶來一些比較系統的機會？
沈李斌：我聯想到了 1997、1998 年互聯網早期發展的時候，當時存在各種機會，隻要你想做并且有能力去做好，把控節奏就有可能創造曆史。我們當下的大模型發展帶來的機會也是系統性的，我覺得每個能創造價值的場景都是值得做的，所以我們如果要判斷是否需要探索一個場景，評估它是否有價值是一方面，另一方面也需要去把握節奏，即判斷現在是否是合适的時機、這個技術是否能支撐服務要求的體驗，以及率先入場是否能将技術壁壘變成生态壁壘。從生成式的角度來說，生成質量的可控性和安全性以及公序良俗的對齊比較困難。特别是國内的 To C 應用沒有想象中發展那麽快速的情況下，To B 應用在目前的狀态下機會反而更多，通過短期迅速發展來積累技術和能力，可以反哺到 C 端場景。
To B 這塊需要關注質量的可控性。對于生成式模型來說，大家後面的焦點是做可控生成，包括文字、圖片、視頻如何結合行業内部知識去可控生成，我覺得無論從技術還是應用場景的角度而言都是一個系統性的機會。
闫陽：我認爲預先落地的行業機會和應用，是要以受衆對象比較能接受的方式，可以真正走進大衆視野的機會和應用，比如設計或文本類生成式工具、智能問答客服等，這些領域的應用近期會先落地或者先加速叠代，使其成爲一個強有力的産品。大模型實際上成爲了 AI 時代的操作系統，而從 " 爲人類提供及時準确的價值 " 這一範疇來講，下一階段的突破應該在各種工具類軟件方面。
國内創業公司在利用技術革新，打破傳統場景下的同質化競争方面具有比較大的機會，主要體現在基于大模型這一新的基礎設施，針對中間層和應用層的開發，将大模型技術快速抵達垂直場景，例如自動駕駛（仿真引擎、AIGC 模拟場景）、金融科技（欺詐預測、交易預測）、醫藥健康（藥物中間體、蛋白質結構、基因等預測）、工業智造（虛拟工廠、生産過程模拟測試）場景中的合成數據，以及數據内容（文本、圖片、音頻生成）的構建。此外，我們認爲一個特别有意義的機會是 AIGC 對各種工業仿真 / 設計軟件行業的巨大變革，大模型對于 CAX 的效率提升将會非常顯著。
大模型時代下，我們如何打破長期以來國外巨頭在工業軟件賽道中的壟斷格局，需要中國企業充分利用 AGI 等帶來的技術革新機遇，加速追趕，一舉彎道超越。松禾天使基金在 CAE 領域的被投企業「十沣科技」便是物理仿真 +AI 這一交叉領域的優秀代表，我們對其充滿期待。
但這幾個月以來，以 ChatGPT 爲代表的 AI 大模型給大衆留下的一個顯著印象是 " 交互感帶來的直觀沖擊大于絕對的使用準确 "，也就是 " 能用、有趣 "。未來所有領域的突破應該真正實現從 " 能用 + 有趣 " 到 " 好用 + 準确 " 的革新，這一點對于創業公司的長期發展至關重要。
李源：無論生成式模型，還是大模型，對于創業團隊來說既是機遇，也是挑戰。機遇在于，原先很多人希望是通過算法或技術解決 AI 的落地難題，現在我們可以很明确，通過大模型或多模态模型也可以解決。但也是一個挑戰，因爲現在技術對資本很依賴，要想自己訓練一個大模型的投入成本非常高。雖然很多打補丁技術可以降低訓練成本，但要完全掌握它，還是需要比較高的投入。
那從技術角度來看，研究如何低成本訓練和運用這樣的大模型，也是一個機會。具體應用可以有很多層次，比如剛才提到的生成模型，我們可以用在各個行業。中科智雲是一家 ToB 的企業，我們很多客戶是工廠建築工地等，比如在建築領域，我們可以通過生成模型快速地構建建築效果圖，原來一張效果圖需要花費一周時間，現在 10 到 20 分鍾可以生成多張效果圖；也可以用生成模型生成建築的 BIM。很多場景都可以嘗試，但核心底層基座必須自己能夠掌握。
Ben：現在大家看待大模型類似于 "iphone 時刻 "，讓人覺得很興奮，那相較于去年很火的元宇宙和 web3，大模型的商業化前景現在能否被明确判斷？
沈李斌：我覺得大模型的商業化前景本身不存在疑問，相較元宇宙來說，大模型能被大家看到的應用更加切合實際，我們能切實地感受到大模型在替代生産力這方面的能力。但是在詩和遠方之外仍然有很現實的問題，比如生成式模型存在天然的弱點，其可控性差、安全性差、前期投入比較巨大，這些都對技術路線和商業路徑的選擇提出了非常大的挑戰，對商業化前景的擔憂也集中于此。我覺得兩三年之後，大模型能力達到一定程度時，其對生産力的替代所創造的價值是沒有疑問的，但困難的是在當前階段每個行業、每個賽道狀況都不一樣，融資情況不一樣，潛在競争也不一樣，所以需要結合每個行業的具體情況去把握，比如這個賽道是否有大廠入場、投入什麽樣的資源在做、作爲初創企業在這個賽道上能夠根據天花闆、團隊能力，籌到多少錢，在大模型上可以花多少錢做到什麽樣的程度等等，無論在商業上，在技術産品前瞻性的預測把控上，要做出正确的判斷，都是非常大的挑戰。可能在 2 月份的時候我們會有一些想法，我們看到一些非共識的東西，我們抓住機會去行業賽道進行布點，但到 4 月份之後，我們之前說的東西現在變成了一種共識，大家對垂直賽道的理解促使比賽立刻進入了下半場狀态。上半場是發展特别快的，可能因爲大家受過移動互聯網的熏陶，對商業認知會更充分一些。但在後面半年到一年的時間，大家面臨的挑戰會更大，如何識别出賽道的進入方式、這個進入方式在短期内能否有現金流支撐、資金支撐、前期投入能否轉換爲後期的競争優勢，這些都是需要關注的點。
闫陽：這是一個非常有趣的類比。在「第一性原理」的演繹推理思維指導下，我們也需要一定的類比歸納思維，兩種思維相互結合、相互補充。曾經繁榮蓬勃的移動互聯網時代，以 iPhone 爲代表的智能終端，準确的說是從中衍生出來的各種應用軟件（APP）無疑是引爆行業巨大發展的源動力；而現在通用人工智能技術的出現，使 AI 賦能千行百業變爲可能，極大降低用戶的使用門檻，可以以最符合用戶直覺的方式來使用 AI 類型的産品。通用人工智能技術可以理解成對軟件形态的一種巨大重構，使其成爲 AI 時代的操作系統，從這個角度來說，移動互聯網時代下的 iPhone APP 完全可以和現在以 AGI 大模型爲基礎的各種應用相類比。
回想當年調研和投資移動互聯網時代下的創業項目過程中，我發現很多 APP 創業公司存在三個主要的問題。第一個問題就是 " 僞需求 "，第二個問題是産品的深度和廣度不夠，而第三個問題是公司整個商業模型中的 " 賺錢賬 " 沒算清楚。現在大模型時代下的行業機會，上面這些問題毋庸置疑同樣是需要創業者重視的。
AGI 行業的先行者在未來商業化進程中，要像 iPhone APP 開發者一樣，以實際行業問題爲導向否則會産生僞需求。AGI 中把 "G" 去掉本質上還是 AI，而這些年 AI 在 C 端和 B 端的一些行業落地已經顯現，并且産生了很好的實際效果。我們認爲 AGI 絕對是技術上的颠覆，但不是行業場景上的颠覆，而是再加速和再賦能。因此。AGI 的出現并不需要創業者急匆匆的去創造一些 " 新需求 "，因爲新需求大概率不是 " 真需求 "，把已經存在的真需求做的更好似乎是正确的方向。
同時，創業者要兼顧好産品與服務的深度（例如進入核心場景，真正有效的解決行業關鍵問題）和廣度（例如更多的用戶使用到更多的設備上），這樣才能讓 AGI 技術真正落到實處，賦能千行百業。最後就是 " 會算賬 "，以 B 端爲例，創業者要在 AGI 大模型、中間層和應用層開發，以及場景數據提供、相匹配的硬件設備等不同部分之間做好平衡，既能保持技術和産品的領先勢頭，也能賺到錢。
李源：我還是從技術角度，我覺得大模型的商業化肯定沒有問題，機會也很多。但我們要搞清楚是誰的機會，誰的商業化産品是誰的問題。現在來看 , 創業公司要打造自己的 AGI 産品門檻很高。從我們的技術路線角度來看，研究如何低成本訓練和運用這樣的大模型，恰恰是一個機會。中科智雲從 2014 年起，便在 AI 行業模型以及行業預訓練模型下的小樣本學習領域進行深耕，已經積累了豐富的行業經驗，特别是在圖像自監督模型領域也有着豐富的積累，爲構建行業大模型打下了堅實的基礎。目前我們基于公司 X-Brain 平台已建成了建築、航空等多個行業的專有模型，也在與各行業的合作夥伴攜力打造更多行業大模型。
Ben：非常感謝三位嘉賓精彩的分享，也感謝台下的各位觀衆，今天圓桌論壇就到這裏，謝謝大家。
