經(jīng)濟觀察報 侯宏/文 產(chǎn)業(yè)觀察家們注意到生成式AI的革命性意義，并做出了豐富解讀。
英偉達創(chuàng)始人兼首席執(zhí)行官黃仁勛稱生成式AI的推出為“AI產(chǎn)業(yè)的i－Phone時刻”，意指其顛覆性的技術突破和產(chǎn)品形態(tài)或引發(fā)了Al產(chǎn)業(yè)的全面變革。
投資公司a16z的合伙人馬丁卡薩多（MartinCasado）稱其為“第三個計算時代”，意指繼微芯片將計算的邊際成本降到零、互聯(lián)網(wǎng)將分發(fā)的邊際成本降到零之后，大模型將創(chuàng)作內(nèi)容的邊際成本降到零的第三次飛躍。
麥肯錫技術合伙人萊瑞拉余（LareinaYee）則將其類比為計算產(chǎn)業(yè)所經(jīng)歷過的大型機到個人電腦（PC）的劇變，意指生成式AI將技術使用權(quán)從精英轉(zhuǎn)向大眾，實現(xiàn)了AI技術的民主化。
但以上解讀局限于AI產(chǎn)業(yè)自身，沒有考慮生成式AI如何重塑更廣泛的經(jīng)濟。在筆者看來，生成式AI和大模型有潛力成為整個國民經(jīng)濟智能基礎設施，進而奠定所謂的大智能時代。
展望未來：時代躍遷
不同于專注于解釋現(xiàn)有數(shù)據(jù)的分析式AI或根據(jù)給定輸入推斷輸出的預測式AI，生成式AI專注于生成新內(nèi)容，或稱合成數(shù)據(jù)（syntheticdata）。ChatGPT（美國AI公司OpenAI旗下的對話大模型產(chǎn)品）僅是大模型的一種。準確地說，它僅是文本大模型的一種。文本大模型之外，還有音頻大模型和視覺大模型。
不同于預設規(guī)則或試圖尋找結(jié)構(gòu)化規(guī)則的傳統(tǒng)AI，生成式AI直接從海量未經(jīng)標簽化的非結(jié)構(gòu)化數(shù)據(jù)中提取基礎模型（foundationmodel），由于基礎模型的參數(shù)巨大，常被稱為大模型。大模型的訓練極其昂貴，但具備一系列傳統(tǒng)AI模型不具備的優(yōu)勢。一是其采取的非監(jiān)督訓練的方式極大降低了人工標注的需要；二是模型具有更好的通用性，可靈活應付多種任務；三是大模型可以理解并使用人類語言，交互體驗非常自然。
歸根到底，大模型是人類全量知識的壓縮。傳統(tǒng)AI利用有限的知識（預設的算法）從豐富的場景數(shù)據(jù)中提取結(jié)果，而大模型利用近乎完備的知識去解讀場景數(shù)據(jù)（盡管它不一定豐富）。大數(shù)據(jù)時代和大智能時代，分別建立在這兩種不同的模式上。
與此同時，時代生產(chǎn)力的進步還通常體現(xiàn)為某種新型基礎設施的建立。工業(yè)時代出現(xiàn)電力基礎設施，網(wǎng)絡化時代出現(xiàn)網(wǎng)絡基礎設施，而智能時代將出現(xiàn)何種基礎設施呢？在筆者看來，大模型具備成為智能基礎設施的潛力，因其具備基礎設施的三個基本特征。
一是通用性。傳統(tǒng)AI需要針對特定任務設計，表現(xiàn)出更多的專用性與垂直性。相比之下，經(jīng)過高強度預訓練的大模型具備靈活應對多種非預設任務的能力，可通過微調(diào)及提示詞工程實現(xiàn)應用情景的高擴展，進而在通用性上大大提升。
二是規(guī)模經(jīng)濟。大模型的規(guī)模經(jīng)濟與兩個概念有關。一是智能涌現(xiàn)。只有模型參數(shù)規(guī)模超越臨界點之后，智能才開始涌現(xiàn)。工業(yè)經(jīng)濟情景下，低于最小有效生產(chǎn)規(guī)模的廠商無法有效參與市場競爭。類似地，廠商必須投入高昂的前期訓練成本，才能參與大模型市場競爭。二是智能摩爾定律。傳統(tǒng)摩爾定律預測硅片上的晶體管密度隨時間推移指數(shù)級增長，而成本保持不變。智能摩爾定律則預測大模型智能所能覆蓋的場景數(shù)（智能密度）具有類似的規(guī)律。這意味著，隨著大模型參數(shù)的增長，其覆蓋智能場景的單位成本呈指數(shù)級降低。
三是外部性。修好的路上不跑車，價值等于零。盡管大模型語境下的“車”是什么尚未完全確定，但確定的是大模型的出現(xiàn)將促進各類“車型”的創(chuàng)新。因此，大模型對經(jīng)濟的推動作用要遠遠大于生成式AI產(chǎn)業(yè)產(chǎn)值本身。聊天類應用僅僅是大模型應用的初級形態(tài)，而創(chuàng)意和想象力與未知場景進行結(jié)合所迸發(fā)出產(chǎn)業(yè)能量，才是大模型作為基礎設施最具想象空間之處。
通用性、規(guī)模經(jīng)濟和外部性是基礎設施所具備的一般性特征。大模型作為基礎設施的特殊性何在呢？筆者認為，這是人類歷史上第一次實現(xiàn)智能的大規(guī)模集中供給，故而稱其為智能基礎設施。
數(shù)字化時代難道不是已經(jīng)見證林林總總的智能化基礎設施（如智能手機、智能電網(wǎng)、智能交通等）了嗎？此處需澄清，智能的基礎設施化不同于基礎設施的智能化。智能手機的核心是手機，智能電網(wǎng)的核心是電網(wǎng)，智能交通的核心是交通，而賦予其各種智能內(nèi)涵的過程是基礎設施的智能化。
不同的是，智能基礎設施的核心是相對通用的智能本身，能對接千行百業(yè)。過去幾十年，數(shù)字化基礎設施圍繞信息的采集、處理、傳輸、存儲、計算等環(huán)節(jié)得到了充分的發(fā)展，而智能基礎設施的發(fā)展才剛剛開始。
大智能時代
每輪基礎設施的躍遷都會引發(fā)一輪新商業(yè)機遇的爆發(fā)。這是因為，基礎設施將此前需要分散承擔的可變成本轉(zhuǎn)化為集中承擔的固定成本，推動新要素普及、降低創(chuàng)新門檻。
智能基礎設施帶來的新要素就是智能：大模型壓縮了人類所有知識，當場景數(shù)據(jù)輸入大模型，大模型就能根據(jù)其知識反饋出相應結(jié)果。當這種智能產(chǎn)生模式廣泛應用，我們或?qū)⒁娮C前所未有的大智能時代。
大智能時代區(qū)別于大數(shù)據(jù)時代的核心特征是數(shù)據(jù)與智能的解耦。谷歌常因所謂數(shù)據(jù)網(wǎng)絡效應的原因被反壟斷機構(gòu)約談：搜索引擎的市場份額越大，用戶數(shù)據(jù)就越多，而數(shù)據(jù)訓練出來的機器算法就越來越智能，進而進一步提升其用戶體驗，導致更大的市場份額。曾鳴教授更是基于阿里巴巴的類似經(jīng)驗，提煉出以“數(shù)據(jù)智能”為基石的“智能商業(yè)”方法論。這種思維強調(diào)企業(yè)構(gòu)建的數(shù)據(jù)飛輪是智能商業(yè)的前提：無數(shù)據(jù)，不智能。
在大智能時代，這一圭臬盡管在產(chǎn)業(yè)層面仍然成立，但在企業(yè)層面的應用卻值得推敲：智能不再完全來自于企業(yè)自身構(gòu)建的數(shù)據(jù)飛輪。數(shù)據(jù)作為智能原料的地位無可撼動。然而，大模型使用這種原料上的效率遠超此前分散部署的“小模型”，以至于有志于“智能商業(yè)”的企業(yè)構(gòu)建自身數(shù)據(jù)飛輪喪失經(jīng)濟性。國家電網(wǎng)能穩(wěn)定輸出電力時，為何要在工廠旁邊自建小發(fā)電廠？
智能基礎設施化的后果之一是數(shù)據(jù)與智能的解耦。數(shù)據(jù)與智能的解耦并不意味著數(shù)據(jù)不重要，而是意味著小數(shù)據(jù)也可以撬動大智能。當前，大模型的進一步發(fā)展面臨高質(zhì)量數(shù)據(jù)源不足的障礙，可見數(shù)據(jù)的重要性。
但這不意味著任何企業(yè)都需要花心思囤積數(shù)據(jù)。過去，企業(yè)要精心構(gòu)建并維護一個數(shù)據(jù)供應鏈，才有可能實現(xiàn)所謂的數(shù)據(jù)智能。而今，大模型使得智能不需要在低水平重復開發(fā)。企業(yè)只需要用小數(shù)據(jù)去微調(diào)這個模型，便有可能開展“智能商業(yè)”。由此，企業(yè)可節(jié)省精力、聚焦業(yè)務創(chuàng)新，釋放出所謂智能紅利。
產(chǎn)業(yè)生態(tài)
立足當下，本部分從三個視角來把握高度動態(tài)復雜的生成式AI產(chǎn)業(yè)生態(tài)。一是供給側(cè)視角的技術生態(tài)，有助于理解生成式AI技術實現(xiàn)所需的生產(chǎn)要素；二是需求側(cè)視角的應用生態(tài)，有助于了解生成式AI的應用方向；三是中美競爭背景下的區(qū)域生態(tài)，有助于理解需求側(cè)和供給側(cè)在不同條件下的互動模式。
1、生成式AI技術生態(tài)
大模型技術生態(tài)符合典型的IT垂直分工架構(gòu)。最底層是基礎設施，負責提供大模型訓練以及推理所需的算力。產(chǎn)業(yè)初期，算力主要用于模型預訓練。隨著各大模型紛紛商用，用于響應用戶請求所需的推理算力占比快速增加。
眾所周知，大模型的算力需求主要由GPU（圖像處理單元）來滿足。但NPU（神經(jīng)網(wǎng)絡處理器）和TPU（張量處理器）等專為大模型推理運算設計的芯片也逐步成熟。NPU主要用于手機、無人機等終端產(chǎn)品的計算單元，而TPU是谷歌設計的云計算芯片。值得注意的是，硬件集群僅僅只是基礎設施的一部分，其上負責硬件資源調(diào)度的云平臺也非常重要。
基礎設施之上是大模型。大模型有開源和閉源之分。OpenAI的GPT是一個閉源模型，而2023年7月，Meta（臉書母公司）的Llama2（一款大模型）宣布支持開源和商用，引爆了大模型領域的開源運動。選擇開源模型還是閉源模型，似乎和應用有關。ChatGPT、Mid－journey（美國AI公司Midjourney旗下的文生圖模型產(chǎn)品）等廣受歡迎的ToC（面向消費者）應用都構(gòu)建在私有大模型之上。但ToB（面向企業(yè)）領域的應用通常構(gòu)建在開源大模型之上，因為開源大模型支持私有化部署，并在微調(diào)方面提供了更大的靈活度。
值得指出的是，大模型層與應用層之間存在一個中間層，旨在幫助應用開發(fā)者解決兩方面問題。一方面，基于大模型做二次開發(fā)（微調(diào)、提示詞工程或基于人工反饋的增強學習）需要一系列工具或模板；另一方面，由于市面上存在多種大模型，應用開發(fā)者可能希望一站式接入和管理。所謂模型即服務（MaaS）集成了這些工具和功能。
2、大模型應用生態(tài)
技術生態(tài)主要是巨頭和工程師的場域，而應用生態(tài)則是創(chuàng)業(yè)者和產(chǎn)品經(jīng)理的沃土。在技術生態(tài)部分，應用層在技術堆棧中的位置得到了強調(diào)。本部分談及的應用生態(tài)則從需求側(cè)視角展開，根本上是要回答：大模型如何對接應用場景、創(chuàng)造用戶價值？這個問題可以沿著兩個維度思考：客戶屬性和產(chǎn)品策略。
一方面，ToC和ToB的大模型應用在價值創(chuàng)造方面具有顯著差異。首先，消費類應用的價值創(chuàng)造幾乎都在應用內(nèi)完成，而企業(yè)級應用需要與企業(yè)內(nèi)部價值鏈和IT系統(tǒng)整合。其次，消費類應用幾乎都基于公有云，而企業(yè)客戶因隱私顧慮偏好私有云或混合云部署。最后，消費類應用通常以一對多的方式提供服務進而迅速規(guī)模化，而企業(yè)級應用服務通常需要一對一定制。
以上ToC和ToB客戶市場的一般性差異，并不因大模型技術的開創(chuàng)性而改變。可見，ToC應用的價值創(chuàng)造具備獨立性，而ToB應用的價值創(chuàng)造高度依賴其他互補性資源。進而，ToC應用有望構(gòu)建出一個以自身為中心的生態(tài)，而ToB應用通常嵌入在在位玩家（包括客戶）的生態(tài)中。
另一方面，無論是ToB還是ToC，大模型應用可考慮增強、替代或整合三種策略。
增強策略為現(xiàn)有產(chǎn)品或服務加入大模型性能，進一步提升產(chǎn)品體驗。比如，Office產(chǎn)品中嵌入了基于大模型輔助工具（Copilot）或者視頻游戲中引入大模型生成個性化劇情。
替代策略則把大模型應用作為生產(chǎn)力工具替代原有的低效流程。比如，在客服行業(yè)，替代正在大規(guī)模發(fā)生，而一部分營銷設計工作也有望在大模型的支撐下實現(xiàn)自動化。
相較于增強現(xiàn)有產(chǎn)品和替代低效流程，整合策略則跳出現(xiàn)有產(chǎn)品或流程，重新定義客戶體驗。筆者避免使用顛覆一詞，因為這種重新定義很大程度上是通過重組現(xiàn)有要素發(fā)生的。大模型并不創(chuàng)造要素，但提供了高超的整合能力（如通過智能體，即Agent）。
3、生成式AI的區(qū)域生態(tài)
產(chǎn)業(yè)不可避免地嵌入在區(qū)域中。縱觀全球，生成式AI的產(chǎn)業(yè)競爭主要是在中美之間開展。對于中美AI產(chǎn)業(yè)的一般性對比分析不是本文的重點。接下來，主要分析兩國區(qū)域條件的差異如何影響技術生態(tài)、應用生態(tài)以及兩者之間的良性反潰
靜態(tài)對比，中美兩國在技術生態(tài)方面的差距并不致命。誠然，美國在聚集、培育生成式AI技術人才方面具有顯著優(yōu)勢。并且，GPU出口管制在很大程度上也增加了中國企業(yè)的成本。
但同時我們要看到三方面的有利因素。第一，得益于開源運動的知識溢出效應，中美技術差距并沒有大到足以阻礙中國的產(chǎn)業(yè)進步；第二，中國企業(yè)對開源的貢獻也在日益壯大，中國也吸引了一些頂級科學家回國創(chuàng)業(yè)；第三，盲目的科技軍備競賽并不可取，大模型產(chǎn)業(yè)競爭的焦點已轉(zhuǎn)向工程化和商業(yè)化。
反倒是中美應用生態(tài)的差距令人擔憂。高科技產(chǎn)業(yè)的發(fā)展，短期內(nèi)可以靠資本維系，長期來看要靠市場支付發(fā)展所需的成本，包括消費者側(cè)和企業(yè)側(cè)的支付。然而，中國消費者的付費能力遠不如美國消費者。中國移動通信用戶的月均支出約為50元，而美國約為50美元，但中國企業(yè)購買GPU的成本要高于美國企業(yè)。
在ToB市場，支付能力且不談，最大的問題是中國企業(yè)數(shù)字化水平低，尤其體現(xiàn)在SaaS（軟件即服務）的滲透率上。大模型應用更容易部署到SaaS化程度較高的企業(yè)，因其底層數(shù)據(jù)治理較規(guī)范、流程標準化程度較高。反之，SaaS化程度不高的企業(yè)需要花費大量時間和精力去做前期準備，耗散掉精力、耐心和資源，這會導致大部分企業(yè)淺嘗輒止或望而卻步。
值得強調(diào)的是，中國在移動互聯(lián)網(wǎng)時代的場景優(yōu)勢，在生成式AI產(chǎn)業(yè)不成立。場景優(yōu)勢建立在迭代之上，而迭代的前提是發(fā)展用戶�？v觀所有國內(nèi)大模型企業(yè)，沒有一家像推廣移動互聯(lián)網(wǎng)APP那樣去不遺余力地發(fā)展用戶。關鍵原因在于，移動互聯(lián)網(wǎng)APP服務一個新用戶的邊際成本幾乎為零，而大模型應用發(fā)展一個用戶的邊際成本恒不為零。在商業(yè)模式清晰之前，地主家也沒這么多余糧。
如果說中國移動互聯(lián)網(wǎng)的成功經(jīng)驗之一在于前端場景優(yōu)勢與后端技術進步的正反饋，筆者擔心中國生成式AI產(chǎn)業(yè)正在經(jīng)歷一個截然相反的過程。從這個動態(tài)視角再去看待中美之間技術生態(tài)的差距，恐怕會得到與靜態(tài)對比不同的結(jié)論。
幾點思考與建議
據(jù)說，人們?nèi)菀赘吖酪患碌亩唐谟绊懙凸榔溟L期潛力。事關生成式AI產(chǎn)業(yè)，本文恰好提供了一劑對癥解藥：筆者長期看好其作為智能基礎設施的前途，但短期內(nèi)對其結(jié)構(gòu)性障礙持悲觀態(tài)度。
本文沒有論述中美生成式AI產(chǎn)業(yè)發(fā)展面臨的共性挑戰(zhàn)，而聚焦中國相對于美國的比較劣勢。那么，中國有沒有比較優(yōu)勢呢？筆者相信，發(fā)揮以下三方面的比較優(yōu)勢或有助于彌補劣勢：移動互聯(lián)網(wǎng)生態(tài)、產(chǎn)業(yè)協(xié)同治理和商業(yè)模式創(chuàng)新。
一是打通移動互聯(lián)網(wǎng)生態(tài)與生成式AI產(chǎn)業(yè)生態(tài)。我國移動互聯(lián)網(wǎng)產(chǎn)業(yè)在網(wǎng)絡、終端與應用環(huán)節(jié)具備端到端的競爭優(yōu)勢，有望加持孱弱的ToC生成式AI應用生態(tài)。比如，微信生態(tài)如何引入生成式AI、國產(chǎn)手機操作系統(tǒng)如何與生成式AI融合、云網(wǎng)一體如何助力AI算力網(wǎng)絡效率提升等議題都應沿著如何利用業(yè)已建立的比較優(yōu)勢去哺育生成式AI產(chǎn)業(yè)。
二是推動智能產(chǎn)業(yè)群協(xié)同發(fā)展。智能基礎設施的建設端需要整合算法、算力和數(shù)據(jù)等要素，是數(shù)字基礎設施和數(shù)字資源體系的有機融合和升級。支持數(shù)字基礎設施運營企業(yè)向智能基礎設施運營企業(yè)升級，實施算力、數(shù)據(jù)、算法的一體化運營。在需求側(cè)，通過降低各行業(yè)使用生成式AI的成本，拉動應用、工程、運營等配套服務的發(fā)展。
三是堅定鼓勵商業(yè)模式創(chuàng)新。生成式AI產(chǎn)業(yè)面臨的問題歸根到底是價值創(chuàng)造和價值分配的問題，即商業(yè)模式。無論打通移動互聯(lián)網(wǎng)生態(tài)還是推動產(chǎn)業(yè)協(xié)同發(fā)展，都旨在為生成式AI生態(tài)的發(fā)展創(chuàng)造一個更廣闊的環(huán)境和更堅實的基矗這些比較優(yōu)勢是否能夠精準轉(zhuǎn)化為可彌補比較劣勢的方面，商業(yè)模式設計起決定性作用。
（作者系北京大學國家發(fā)展研究院助理教授）
