GTC后，生成式AI相關的討論久久不能平息，上個月Gen AI領域剛剛宣布的兩個高額融資消息也引發了大量關注：Augment以近10億美金的估值融資2.27億美金，Cognition則以20億美金估值融資1.75億美金。從文字chatbot到視頻生成、機器人，生成式AI的能力不斷拓展，應用潮已經開始，行業內外，大家都很關心這個話題：AI將會帶我們到何處去？
作為AI、深度學習領域多年的從業者，曾經的大公司管理者、創業者以及如今的深科技領域投資人，我在此拋磚引玉，談談我對生成式AI發展的個人判斷。
本質上，我認為生成式AI的競爭力根植于這三個維度：
一是算力及基礎設施，這也是許多大公司優勢明顯的地方。
二是算法，當然也意味著算法背后的人才。
第三則是數據及應用場景，對創業公司來說，這一部分仍存在著大量機遇。
我們下面可以從這三個維度來生成式AI的未來。
Gen AI并非算力競賽，創業公司的機會在這些領域
在算力方面，Nvidia是GPU的領頭羊、CUDA生態的開創者，具有巨大的優勢，但其實，未來的生成式AI并非絕對以算力定成敗。
算力有限的創業公司或者科研機構，機遇主要在哪里呢？
首先，創業公司可以打造生成式AI的基礎設施，解決底層的問題。
幾乎所有的領域的公司，都在考慮自身在生成式AI方面的競爭策略。在數據隱私/計算安全、
準確性/可靠性、商業邏輯等等領域都會有很碎片化的的要求。而大廠的工具鏈服務鏈只能解決一部分需求，其他的就需要初創企業來填補。Lepton.AI、Corvic.AI、Fairly.AI 等都屬于這個范疇。這些創業企業搭建了機器學習領域的基礎架構，比如Corvic.AI，他們提供的解決方案讓復雜數據能較為簡便地轉化為可用的企業級AI，提供預測分析、AI助手、數據標簽等功能。
其次，雖然大公司在算力方面擁有優勢，創業公司可以將目光投向專業領域——對于這些領域來說，持續積累的專業數據將會有著不可替代的價值，其中的行業壁壘、合規等方面的積累也能形成一定的護城河。
而更重要的是，不少領域（比如生物醫藥、網絡安全、科研、制造）的底層邏輯和大模型擅長的語言文字視頻并不相近，無法直接套用，也不容易簡單的做二次開發就能獲得好的結果。
從另一個角度來說，大模型也同樣打開了許多新機遇，過去一些離商業化較遠的領域可能忽然就有前進的動力了，其中往往會有創業公司的機會。
文初提到的AI寫代碼就是一個新出現的機遇，這兩家企業都是近年來發展迅速的AI公司，Cognition的創立時間才剛剛半年。我們也投資了一個同類別的公司Metabob，通過AI來幫助人們找程序中的bug并修復它們。這類企業在AI與軟件工程的交叉點找到了自己的市場。
近期機器人的熱潮也是個很好的例子。
過去傳統機器人往往只能解決單個任務，機器人的傳感器、成本投入都有限，也限制了它的發展。
隨著LLM的發展，機器人能夠在虛擬空間通過強化學習（reinforcement learning）來進行學習、迭代、完成復雜任務，帶來了一系列連鎖反應——企業愿意開發擁有成本更高、能力更強機器人，這一行業也有了更多的想象空間與投入。斯坦福大學李飛飛教授參與的團隊也構建了類似于當年ImageNet的針對虛擬空間訓練測試機器人的基于物理模型的大規模訓練場景。
今年3月，機器人公司Figure與OpenAI合作發布的視頻引發了很多關注：金屬覆身的機器人接入了OpenAI的大語言模型，能夠迅速理解人類的意圖并做出相應的動作，包括整理、準確放置物品以及完成一些相對模糊的指令——一名男子對Figure01“給我找個吃的”，機器人略思索后，拿起了桌上的蘋果，并遞給了他。值得注意的是，桌上還有四散的碗盤、瀝水架等，蘋果是唯一一個可食用的物品，這個簡單的動作涉及了推理與思考過程，加上之前整理、收納，機器人展現了完成多個復雜任務的能力。
除了Figure01外，ChatGPT引領的大模型風潮下，各類引入了LLM的機器人正在涌現：University of Michigan的學者也發布了基于大語言模型，能夠更好地理解3D環境的家用機器人。在工業、農業、醫療等領域，可以想象，新型的 機器人會帶來很多的新變化。
新型芯片及算法可能會重寫壟斷格局
目前，在生成式AI的算法方面，呈現NVidia、OpenAI、Microsoft三巨頭壟斷的格局。不過在我看來，這樣的情況也會在技術進展下面臨變化。
這并非我一家之言，可以說，幾乎是一個行業共識，只是很難預測它具體的時間點。
今年GTC上，Transformer的原作小組首次聚集，八位作者中的七位與黃仁勛對話，而核心觀點就是：Transformer已經夠老了，期待看到更新的模型。
作者之一、Cohere的創始人及CEO Gomez評論道：我想看到比Transformer好十倍的模型來替代它……Transformer在內存占用和許多架構方面都有優化的可能性，比如一個非常長的context是很昂貴、無法擴展的，它的parameterization可能不必要那么長 ，我們可以壓縮許多倍，帶來指數級的縮小。
從仿生學的角度來說，這個觀點也很站得住腳——目前算法的功耗算力，跟自然界還有很大差距。
人的大腦功耗幾十瓦。昆蟲的大腦功耗是毫瓦/微瓦級的，神經元數量極少，也能完成特別復雜的立體視覺、三維控制、捕獵逃生等感知相關的行為。同等情況下，如果讓電腦復現小動物在自然界里識別、控制、捕獵、求生的能力，需要更先進的模型，也一定會逐步出現更先進的模型。
而未來更好的算法與模型也很可能意味著更多專用的、小型的芯片會迎來發展。
比如我們此前投資的D-matrix，主打存內計算，預計將在2024大規模量產，目前已經有大量訂單。另一個模擬計算芯片設計企業Tetramem也備受關注，已經發布了多篇Nature論文。
除此之外，開源的相對小型的transformer 模型（如Microsoft's PHI-2 and Mistral 7B）也會迎來快速發展。在我看來，這些開源的小模型對于AI行業持續、健康的發展是很有必要的。這次AI的熱潮與以往的科技潮不同，大公司并未占據所有重要的研究方向——谷歌上市時，許多大學就停止了對搜索算法的研究，因為谷歌已經有了很好的團隊和資源來推進搜索算法。而生成式AI則不是，對于研究機構而言，這些開源的小模型中還有很多值得探索的地方，目前所有名校的計算機系也都在積極研究開源模型。
甚至可以說，文初我提到的、未來我們期待的新的算法很可能就會從這些科研人員的工作中涌現。
GenAI發展的背后是人才之爭
這個對更新、更好的生成式AI算法的期待，也意味著另一件事：生成式AI的競爭也意味著人才之爭。
目前，中美是在AI人才方面占據全球一二位置的兩個國家。
從絕對人數來說，中國占據了第一位——今年三月，紐約時報報道了一個追蹤AI相關人才的報告，中國有著全世界最多的AI本科生人才，而與三年前相比，如今在美國的頂級AI人才中，中國人的比例也已經超過了美國人。比起過去，這些中國人才在美攻讀學位后，也更多地“回流”中國。
當然，美國有著世界數量最多的一流大學，與創新氣氛濃厚的科技企業，也孕育出了將LLM石破天驚帶入大眾視野的Open AI，對各國的AI人才仍舊有著強烈的吸引力。
不可否認，基于天時地利人和等方面考慮，中美牢牢占據了未來AI發展綜合最優的前二寶座。
在這個背景下，還有一個值得注意的趨勢：人才的兩極分化。
由于AI+ 的杠桿作用越發明顯，創立一個優秀的AI企業所需要的技術人才的數量比幾年前已經顯著減少了。企業接下來對人才的競爭，會越來越集中于少數頂尖人才的爭奪。
無論在硅谷還是在北上杭，我們已經看到頂級AI人才被高價爭搶，而普通大學生找不到工作的這種兩極分化，而這樣的趨勢未來也會更加明顯。
Gen AI將成萬億美元市場，投資人如何入局？
從我和我身邊的創投從業者的角度看來，我們的共識是Gen AI的未來是光明的——Bloomberg Intelligence報告預測，GenAI將成為未來十年發最迅速的市場之一，市場總量超過萬億美元，復合年增長率超過40%。它變革性的能力會影響各行各業。
對于投資人而言，如果想要投資這個市場，我有以下建議：
首先，投資生成式AI項目，本質上仍舊是在深科技技術中尋找那些具有商業化潛力的項目。投資人最好能具備AI相關技術背景，并且保持持續學習及市場敏銳度。目前生成式AI的技術變化、突破、市場都在迅速發展。比如此前一些掛著大模型名號的項目，也許在ChatGPT某次更新后就會完全失去市場，能夠識別這些項目，可以幫助規避許多風險。
其次，正如文初分析的，目前生成式AI的支柱分為人才/算法、算力、應用/數據三大方向。作為投資人，前兩者的投資難度較大，然而應用/數據中，有著大量的未來機遇，可以考慮投資一些相關資源。
比如應用場景和應用場景相關的數據——對于中國投資人來說，半導體 、新能源、先進制造都是不錯的方向。以制造業為例，擁有大量垂直行業內的數據，才能做出好的AI，指導未來的先進制造。
從時間上來看，技術上如果不能特別確定 ，也可以等一下商業落地的信息，付出一些增值成本來換取更穩定的信號。
有關AI，這個問題我常聽到：AI能最終代替人類嗎？
我認為這要從不同尺度上去理解——我們究竟在討論的是AI從什么程度上在挑戰人類進化？如果是生物體層面，這有著百萬年以上的積累，是最難的；從人類認知層面，也至少有10萬年進化橫亙在AI面前；而出現數千年的人類語言相對更容易；出現僅100年的計算機語言則最簡單。
這個問題的答案當然沒有定論。不過在這個最終將達萬億美元、改變人類生活的市場里，我很期待看到更多來自華人參與者的身影，不管是創業、投資，還是積極地擁抱生成式AI讓生活、工作變得更高效，它將前所未有地改變我們與世界交互的方式。