一张名为《大模型的深渊》的图，在去年广为流行。吃瓜群众惊诧地发现，原来绝大多数大模型，都挤在深不见底的层级,“宣称自己快要落地的”“再等等决定啥时候落地的”“什么落地不落地的”“怎么还有这么多没听说过的大模型啊”……
时至今日，国产大模型数量已经达到200多个，“深渊”更深。
其中，很多低水平重复造轮子的大模型，无法满足个人和产业的使用需求，发布之后无人问津，已经不可能在业内翻起什么波澜了。而那些真正具备技术价值和商业价值的大模型，也如同“潜龙在渊”，逐渐显露出“一飞冲天”的苗头。
上一波2015年左右开始的AI创业浪潮，以CV计算机视觉技术为主导的初创企业中，号称“CV四小天鹅”的商汤科技、旷视科技、云从科技、依图科技，也被誉为中国的“AI四小龙”，成为那一个AI繁荣周期中的标志性创新企业。
那么，由大模型开启的新一轮繁荣周期中，自然也会有“潜龙在渊”。谁会成为类似“AI四小龙”这样的潜力股呢？答案基本藏在这三个梯队里。
大模型“四小龙”的一鳞半爪
业内流传一句话：小创新靠大厂，大创新靠小厂。从昔日的DeepMind到去年的OpenAI，这些年轻、新锐的技术团队，回归创新本源，一次又一次给业界带来颠覆性的变化，成为从业者和投资人眼中的“潜力股”。
所谓大模型的“潜龙”，有两个基本条件：
一是“潜”，相比谷歌、微软、英伟达、百度、腾讯、阿里等科技巨头，成立时间更短、队伍更加年轻化，组织效率和灵活度更高。
二是“龙”，有着不输给大厂，甚至超越大厂的技术创新性，基础模型是自研的，并且是L0级的通用大模型，可以为行业大模型、垂类大模型提供底座，具备向多个产业转化的潜力，有望带来高增长和高投资回报率。
虽然机器视觉公司也都推出了大模型，技术实力不俗，但并不算是AI新面孔。而使用开源LLaMA 架构的零一万物，以及被大厂收购不再独立竞争的光年之外，虽然够“新”，但发展遇到较大的转折点。所以这些企业及其大模型，我们就不放在此次讨论。
总体来说，有三类大模型企业，目前都得到了国内外知名投资机构或行业客户的支持，拥有较高的技术认可度与商业转化潜力，可以被看作是“大模型四小龙”的预备役。
1.明星派
明星创始团队，具备在工业界或学术界的知名度和影响力，打造的大模型一出世，便凭借“明星效应”，备受业界关注。
包括，由前搜狗公司CEO王小川创立的百川智能（2023年3月，拥有多种参数的Baichuan系列大模型）；由前商汤研究院副院长闫俊杰创立的Minimax（2021年12月，拥有ABAB 大模型）；由中国最早从事中英机器翻译领域的研究者之一、2023年ACL Fellow周明博士创办的Langboat澜舟科技（2021年6月，拥有通用大模型孟子）。
2.技术流
相比“明星效应”，技术流更强调技术实力，其中典型代表是智谱AI。作为一家清华系初创公司，智谱AI在2019年成立时就把OpenAI当作对标，将实现AGI通用智能作为目标，是中国最早启动预训练模型研发的科技公司之一。智谱AI最新发布的基座大模型GLM-4，在一系列评测中的表现也被认为逼近了OpenAI的GPT-4。
3.务实派
被寄予厚望的明星派、技术流，都是“高高在上”的，从业务/商业土壤上生长出来的务实派大模型，也可能凭借落地应用而闯出一条路。比如2023年问世的“天工”大模型，由昆仑万维自主研发，大模型AIGC与昆仑万维的搜索、游戏、社交、娱乐等业务的结合，快速进入应用周期，也让昆仑万维成为闯入大模型领域的一匹黑马。
需要说明一下，三个类别是看“最长板”，并不意味着其他赛道的能力不高。
拥有明星创始团队的大模型，性能也可能并不逊色于技术流；拥有强大基座模型的技术流，也可能牵起强悍的运营队伍，带动产品落地；而务实派是“根据钉子造锤子”，但锤子要是不够硬，啥也砸不下去，所以技术能力也得过硬。
凝视大模型的“商业化”深渊
对标“AI四小龙”，可能并不让大模型企业很高兴，反而是忧虑更多。
以计算机视觉为核心的“AI四小龙”前期融资能力很强，但普遍遭遇了商业化的艰难探索，面临盈利难、市值下降等困扰。而大模型的落地“深渊”，背后是更加漫长的商业化之路。
但是，逃避、讳莫如深，是无法打消投资人、市场和用户的顾虑的。无论大模型企业是否愿意凝视深渊，深渊一直都在凝视着大模型。
直面大模型的“商业化”深渊，相比上一轮AI，有三新一旧：
三新：新环境、新规模、新要求。
简单来说，大模型企业面临着更加严苛的融资环境，随着全球流动性衰减，科技企业的高估值都很难保持，庞大如谷歌都在裁员“降本增效”，融资难度更大了，比如智谱AI的融资水平就明显不及当年的商汤科技。
同时，大模型又是一个重投入的行业，基座模型的技术竞赛，还远远没到终结的时候，持续向上探索意味着长期烧钱，需要的资金规模更大。而吸取了上一轮AI投融资经验的投资人，面对大模型也格外冷静，对初创企业的自身造血盈利能力提出了更高的要求。
一旧：AI标品化依旧很难。
南橘北枳，在中国做AI，照搬OpenAI是绝对不行的，要看到铁一般的事实：中国toC市场对AI等软件产品的付费意愿不高，监管严格，很难做，真要做也要配备庞大的团队去确保安全合规，投入并不小。
toB市场也有很大的差异，国内企业大多不信任SaaS模式，更倾向于私有化部署，行业市场分散，中小客户众多，需求纷繁复杂，高薪的算法工程师到一线做一个几十万的项目很常见。
至于toG市场，智能化项目竞争激烈，而且事多钱少利润薄，上一轮机器视觉公司基本在做自动驾驶、智慧城市、安防等业务，都挣的是辛苦钱。一般来说，CV计算机视觉类项目费用，是比NLP自然语言处理类高的，所以大语言模型想要靠项目制获得高客单价，也是很困难的。
究其原因，ToB/ToG市场的AI项目，大多以解决方案式落地，政企机构更希望打包式引入AI、云、IoT等软硬件，针对自身打造定制化方案，AI产品无法以标准化、模块化的形式快速交付，前期要投入很高的成本。
从这个角度看，整体投入更大、单个项目收益更小，大模型的商业化挑战，比上一波机器视觉公司更严峻。
那么，“大模型四小龙”，会重蹈覆辙吗？
龙跃于渊，大模型盈利出路在哪里？
悟已往之不谏，知来者之可追。面对AI商业化难题，也不必悲观，事实上，我们看到大模型“四小龙”预备役们，大多能开始吸取经验开新局。我们也发现了一些共同点：
共同点一：降本，但不“增笑”。
对内“节流”，提高人效。相比上一轮AI创业热潮中“高薪挖算法/科学家”，这些大模型“潜龙”从一开始就会注重“人效比”。
此前科技行业的高流动性、高估值，也催生了“独角兽”们随意扩张，反而造成了大量的低效现象，比如硅谷“神员工”精通各种编程语言，原来是把工作外包给多个中国工程师，几年都没被发现。这种环境也导致创新大幅度收缩，初创企业招人成本奇高。
而这波大模型创业热潮中，企业对于人员扩张都是比较谨慎的。周明曾对媒体说过，开始创业时团队只有他自己，后来扩展到5个人，慢慢开始训练模型，以一个“轻量化”的团队做出的孟子模型，未来应该长期稳定在百人的规模。百川智能、智谱AI也是类似的思路。
对外降本，提升大模型企业的盈利潜力。帮助企业和用户“节流”，降低应用大模型的成本。很多客户的痛点是，用大模型的成本压力很大，希望大小模型结合，来提高投入产出比。比如百川、智谱AI都推出了多种参数的大模型，来综合不同需求。
共同点二：聚焦toB，重视现金流。
这些大模型企业从一开始就聚焦在toB市场，智谱AI的CEO张鹏、澜舟科技创始人周明都曾明确表示过，优先发展toB企业服务业务。
从数字化到智能化，传统AI厂商需要从零开始做用户教育，去讲述AI技术降本增效的价值。与之相比，大模型的认知度和接纳度，都是非常高的。各行各业对生产力的渴求、对应用AI的共识，都非常充沛。这给大模型企业带来了非常好的增长基础。
百炼智能发布的《大模型招标需求分析简报（2023年1月-11月)》显示，7月起，随着国内130个大模型相继问世，大模型招标需求量开始呈现明显上升趋势。11月迎来增长高峰，需求量较前月翻至近3倍。其中选择投入10万-50万预算进行小规模尝试的企业最多，同时也有不少以国央企为代表的企业开始释放百万级项目预算。
如前所说，toB的钱也未必好赚。企业客户虽然付费意愿比C端用户高，但toC应用可以标品化、大规模地吸引用户付费，而toB智能化项目却需要定制化，投入更大。此前机器视觉公司也曾想将AI模型跨场景、泛化应用，但发现现实世界的商业模式依然是强定制，成本居高不下。
这个问题，在大模型创业者中有比较广泛的共识，也都在积极探索解法。百川智能CEO王小川曾对媒体透露，要突破toB定制化问题，通过可配置、可调整的搜索增强知识库，以产品化的方式，通过不同的产品组合，来解决客户的定制化需求。
共同点三：广交朋友，积极开源。
“定制化”之所以成为企业的天然需求，一个主要原因是AI落地业务场景，是从零开始的，AI要和业务一起磨合才能发挥作用，很多场景是无法用一个通用产品来解决的。智能化是一门长期的慢生意，是离不开生态合作伙伴，去深入行业，做大量定制化工作的。
这些年，我们团队实地走访了不少AI+工厂、AI+养猪、AI+巡检、AI+煤矿、AI+码头等智能化项目，最常见的一个场景就是：AI企业的科学家、算法工程师、产品运营人员、项目经理等各色人等，有的在田间地头码头仓库，一待就是几个月，去了解基层人员的工作需求，去从头设计作业流程。
而智能化往往也伴随着“去人化”，有的时候一线工作人员也会不理解、不配合，大大延缓项目进度。有一年冬天，某煤矿智能化团队在陕北某场站调研时，工作人员不想搭理他们，就故意不开暖气炉，想让他们大冷天的自己知难而退。还有一次，在一家养猪场，管理方希望用智能摄像头来实时感知猪的体温，防范猪瘟等传染病，但算法性能一直提不上去，最后技术人员在现场反复调研，发现是因为猪皮太厚了，导致体温识别准确率下降……
不难看到，这些十万、几十万的中小微企业的小项目，可能客单价比不了大B/政府类客户，但数量多、规模大，以基础大模型作为底座，进行定制化开发，可以极大地提高基座模型厂商的使用率，吸引更多伙伴/ISV服务商去打造商业版。
吸引行业伙伴，百川智能、智谱AI、昆仑万维、澜舟科技都相继开源了数个模型。
但我们都知道，开源容易，做生态难。一个大模型开源之后，生态繁荣不起来，没有开发者来持续贡献、打造商业版，无法形成正循环。
要吸引开发者，一是基座模型的能力还是要过硬，理解分析逻辑不能有硬伤。奥特曼就曾经说过，GPT-4的很多问题会在GPT-5得到解决，希望开发者基于AGI通用人工智能去设计业务。换句话说，更强大的新模型，可能会将旧模型的商业价值一笔勾销，让开发者彻底白干。所以，开发者一定会选择将时间精力放在那些最先进的基座模型上，避免被卷得太快。
此外，需要良好完备的工具栈。大模型要用好，软件也要做一定的适配和改造，则考验的是大模型厂商的工程化能力，软件是否对开发者友好。而“四小龙”中比较多初创公司，工程团队在规模、人才、经验、积累等方面可能与BAT这类成熟企业有差距。比如任务调度、代码可读性、技术文档、标准数据集等，减轻开发者和伙伴们的负担，共同把大模型用好。
无论是曾经辉煌的“AI四小龙”，还是正在崛起的“大模型四小龙”，这些企业用锐利的技术和昂扬的理想，一次又一次地推高创新的“天花板”，是中国科技不可或缺的一支力量。
智能中国正打开更宽广的天地，这些大模型“潜力股”，一定会有龙跃于渊，遨游九天。
免责声明：此文内容为第三方自媒体作者发布的观察或评论性文章，所有文字和图片版权归作者所有，且仅代表作者个人观点，与 无关。文章仅供读者参考，并请自行核实相关内容。投诉邮箱：editor@fromgeek.com。
免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。
