背景介绍
2024年1月24日，非凡资本联合诸多合作伙伴在上海举行了“2024 AIGC应用发展高峰论坛”，近千名AI相关从业者参与了本次活动。本期内容整理自嘉宾主题演讲环节。
嘉宾
AMINO Capital 管理合伙人 徐霄羽
Fusion Fund 创始合伙人 张璐
华映资本 海外合伙人 邱谆
FP Solutions VC 创始合伙人 Lewis Hong
亚马逊云科技 潘洁蓉（主持）
圆桌论坛
Q：请各位嘉宾简单介绍一下自己的机构以及目前专注赛道。
AMINO Capital 徐霄羽：我们的投资主线一直是大数据。因此，我们认为AI未来的方向=大数据深度学习+产业深度整合（产品思维），即：AI并没有产生新领域，而是颠覆一个又一个原有领域。
举例而言，我们18年投资的Replit，它目前作为独角兽，能够替代Github，代替工程师团队去set up IDE（Integrated Development Environment集成开发环境）的编程环境，解决十几个团队及Github这些所有的代码数据库等等都不用再下载了，直接在Open AI上生成代码，而后你的产品就能够在Replit上进行运营，甚至可以代替一部分的Google Cloud。
“生成式AI is real”，它确实能够解决具体的问题，而且并非开创新的竞争领域。而AMINO要做的就是开创能够颠覆传统竞争领域的产品。因此，产品思维也是AMINO投资的主线。截至目前，AMINO已有近20家估值超过10亿美元的公司。
华映资本 邱谆：华映于2008年成立，现在的管理规模达100亿人民币。与此同时，我们在北京、上海、新加坡以及硅谷都有office，目前拥有将近280家被投企业，其中涵盖了软件硬件、企业服务、TMT、硬科技等领域，总共已经做了九支基金。
我本人于北大计算机系毕业后在美国南加大（USC）读AI专业，当时的方向就是现在比较火Agent，也因此我当时发的论文基本上都是在Trip AI和Agent等期刊上。毕业后我在硅谷的Cisco和Broadcom等公司工作，后来又去了腾讯，再之后就进到这个投资圈了，到目前为止，我已有十几年的VC经验。
正因为我有这样的背景，再加上华映本身在AI领域做了非常多的布局，因此目前为止，我们已经投了类似于AI芯片壁仞科技、AI标注星尘数据等等一系列与AI相关的公司。
Fusion Fund 张璐：我是Fusion Fund的创始和管理合伙人。我们主要是立足于硅谷，投资美国早期的医疗、Enterprise AI和工业自动化的初创企业。Fusion Fund创始于2015年，距今为止已经在美国布局了超过80家企业，不止支持公司早期成长，在其成长期也会持续加注；通过资金和资源去帮助企业家进一步进行产业整合。
我个人本身的背景是以前在斯坦福做材料科学工程相关的研究，后来经历转型——从科研转型到企业家、创始人，公司被收购之后再转型做投资。所以我们希望通过自己对于创业生态的深刻理解，能够更好地帮助早期创业者。
FP Solutions VC Lewis Hong：我是FP Solutions的共同创始人。FP Solutions涉猎的领域包括太空、新能源、自动化、自动化+AI等等；我们的angle会比较偏工业级AI应用，因为我们在美国看到了很多硬件相关的机会。
我本身是前space x的高管，我的partner来自于前特斯拉，参与过上海超级工厂建设与4680电芯开发。我们的基金也很简单，作为最早一批从space x和特斯拉出来的人，我们的目标即是找寻下一个space x和特斯拉。
Q:AI为价值创造带来最大的变量是什么？类似AI Infra性质的初创公司，要如何定位产品和生态才能构建长期的壁垒？
FP Solutions VC Lewis Hong：AI的发展方向无非两个模块，一个是提升流程效率，另一个是辅助提高人的能力。在过去的一年里，我们看到了许多非常直接的新机会——工业用的软件机会，即加速硬件工程师在embedded system里面的开发跟迭代效率。我们认为它们是很直接且值得关注的示范项目。
Fusion Fund 张璐：其实AI Infra一直以来也是我们在AI布局里面非常关注的一个领域。我在讨论整个AI生态时，都会运用一个比喻——“icing on the cake”，即“蛋糕上面的装饰品”，你感觉它很好看，会吸引大家的关注点，但实际上想要蛋糕最顶上的“icing”需要蛋糕底下的基础足够扎实，尤其是我们在进行AI应用的时候。“Architectis the key”，即infrastructure如何选择与构建，对于高效使用AI是非常关键的。
因此，我们在这个方面的布局的着眼点就非常简单、直接，即现在使用人工智能面临的较大挑战有哪些？
第一，算力的挑战，即如何降低GPU算力的需求。第二，能耗，我们在使用人工智能时消耗的电量非常高。第三，沟通效率，CPU与GPU之间的沟通以及延迟等问题都是目前面临的挑战。第四，数据隐私。总的来说，面对这四个主要的挑战，都有各种各样的infrastructure技术来应对。
所以很多创始人都在关注怎样去优化模型本身，但实际上，优化模型本身并不是只指模型本身的表现，更多的是模型的使用效率——如何降低能耗，降低算力，降低沟通成本，这些都是AI Infrastructure需要去关注的非常大的机会。
同时，在此基础上的Infrastructure的创新也不会因为模型的迭代就产生很大的改变。我们从2018年就开始布局，,包括针对communication上面比较重要的技术边缘计算。因此从芯片层到cloud层，再到Servless edge层面，我们都有做的非常好的企业，在工业内和各个产业进行应用的植入。
AMINO Capital 徐霄羽：以产品为切入方向，作为投资人，AMINO投的是生意，在此过程中大部分公司已经有其所谓的design partner，这也就是为什么“生成式AI is real”。在2018年Chat GPT还没有出现时，我们投的Replit就有线上IDE的工具，彼时这个工具已经具备上千万用户，上千万的工程师把数据与代码check in这个平台，这也就是AMINO认为的Infrastructure，即数据是最重要的。
在数据的平台上，如果产品足够好用，就自然能提供云服务，形成所谓的商业模式——大家最近看到Anthropic被媒体扒出来其毛利不行，其实这是很正常的事情。
结合我们亲身经历的例子，AMINO在2014年投资了人脸识别API公司 Orbeus，后来该公司在2015年被亚马逊收购。Orbeus主要有三个业务模块，其中一个模块是提供 API 调用服务，尽管调用量可能达到百万级别，但单个 API 调用的利润非常低，因此毛利率是不可接受的。因此，Orbeus采取了与现在的 Open AI 类似的策略：利用产品思维。他们先推出了 PhotoTime，并进行了各种尝试，其中一个有趣的尝试是在 Facebook 上开发了一个小游戏，利用人脸识别为朋友圈里的人评分。通过这个游戏，他们积累了大量数据。有了这一阶段的积累，PhotoTime 得以在 Google Photo 之前率先推出。
我们的LP中有许多来自 Facebook 的高管，他们看到了 Google Photo 在应用层面的成功。正是因为 Orbeus 早早推出了 PhotoTime，才使得后来能够与 Google Photo 并驾齐驱，最终使得亚马逊在2015年收购了 ReKognition API。亚马逊将 Orbeus 的 ReKognition API 重新整合成 AWS ReKognition API，而这个 API 之所以在亚马逊的 AWS 平台上有价值，是因为 AWS 可以免费提供给付费云客户使用该 API。因此，无论是什么样的算法，最终都必须打造出一个产品；这也就是数据作为基础设施的重要性，同时也说明了云作为基础设施的不可或缺性。
除此之外，硬件也至关重要。近期披露的数据显示，英伟达 A100 芯片的存货量达到了数十万甚至上百万。然而，仅仅依靠这种方式的算力积累实际上并不能解决问题。在最近的达沃斯论坛上，有科学家指出，即使拥有如此庞大的算力，想要进行视频生成仍然存在难题；以当前的算力水平，训练一个 30 分钟的 YouTube 视频是不现实的，而且这还无法与自然语言处理相比。因此，寻找新的算力方法很有可能突破目前工作的瓶颈。
Q：AI Agent是否是继Foundation Model之后的一个大机会？在哪些行业比较容易实现商业闭环？
FP Solutions VC Lewis Hong：有关AI Agent这块的内容其实我们现在没有看的很深，我们主要的角度还是偏industrial方面的加持，即human computer reactions在新的workforce里面的提升与potential的应用。
年初CES大家有关注吗？有一款叫做rabbit的AI硬件一经发布就受到了很大关注。它主要展示的是一个新的hardware的platform built for AI；我认为这基本是一个具有统治性意义的趋势，我们很期待AI对hardware开发所带来的一些新的想象。
我们投资了一个项目，是新一代mobility与AI的结合。主要内容为：做新一代的轮椅，专门供给老人及行动不便的人使用；这个团队非常厉害，直接跟美国MIT、carnegie melon以及pittsburg等顶尖AI开发学校合作。让他们在新平台上开发新的应用，专门辅助老人及行动不便的人能在日常生活中做一些简单的操作。举例而言，当用户坐轮椅需要打开一个门时，这个很难实现的操作动作，在透过AI与agent的加持后变得可实现。
从hardware的角度出发，对AI来讲是一个最令人感觉兴奋的部分；同时也是AI让所有的hardware接下来能开发在一个新一代的平台，这个平台也承载着无数的想象。
华映资本 邱谆：我最早在美国攻读博士学位时的研究方向就是智能代理（agent），我认为人工智能至少经历了两个阶段。在第一个阶段，人工智能就像一个大桶，各种方向都在向内融合，如何准确定义人工智能其实是比较困难的，而agent仅仅是其中的一个领域。
自从深度学习出现后，基本上所有的领域都在被整合，其中包括机器视觉、自然语言处理等，包括agent本身也在被深度学习推动。
关于人工智能带来的最大变量我认为是技术路线。技术路线的重要之处在于它有一些固定和不变的要点；其中固定的要点需要从机器学习和深度学习的角度来审视，比如，当前的代理技术与我早年学习的代理技术已经存在相当大的区别，我认为这是大家需要意识到的，即不能把它视为一个独立的模块来研究。
Fusion Fund 张璐：我个人认为普世的AI agent的技术仍需要一定时间才可以变得更成熟。我们更关注垂直领域人工智能应用，其中一些也可以叫做AI agent。
举例而言，我们目前投资的一家公司专注制药行业，大家可以将其想象成一个专业针对制药行业的ChatGPT。它的模型相当于用制药行业的数据重新训练后进行优化，保证其专业度、精确度以及一致性。通过这样的方式让AI agent变成一个专业的、能针对此行业的产品提供专业服务。我认为这个非常重要。相对应类似的思维里面，诸如此类的还有很多，例如金融、保险行业等。
就像大家想象的那些应用场景一样，你可以直接提出需求：我需要第三季度的long short strategy的行业报告。它可以基于公共数据和公司内部数据，直接完全自动化地生成报告。
我认为在toB端和产业垂直应用层面上，AI agent还是有很大机会的。同时在其训练与优化过程中，也不会像大家想象的那么难，C端反而才会有很多边缘案例——因为大家会问很多比较random的问题。但在行业内部的实际应用中，AI不会太过于发散，因为行业应用对于数据的应用和场景的需求也更加集中和具体。
医疗整体是我非常关注的行业之一，在当今这样一个大趋势之下，医疗领域天然具有一个巨大的优势，即拥有海量的、高质量的数据和多样化的应用场景。这也是我希望可以吸引更多创业者和企业家去关注的一个垂直领域。
Q：面对基座模型在跨模态理解能力和可控性方面的预期提升，但技术路径尚未明确的情况下，创始人及其团队应当加强哪些能力，以便更好地把握增长机遇？多模态大型模型何时能够迎来其真正的GPT时刻？
华映资本 邱谆：多模态领域无疑是相当复杂的。目前的创新主要集中在基础模型层面。从我们的角度，我们正尝试在应用层面寻找机会。目前多模态领域从文本到代码再到图像和视频等方面已经相对成熟一些，但在跨模态领域仍然存在许多机会。例如，类似最近很火的具身智能，这将会成为一个具有巨大研究方向和空间的领域。
然而，由于相关研究还局限在基础层面之上，这个领域在应用层面仍然具有一定的局限性。我认为，这类研究的难度可以与开发一个基座大模型的难度相提并论。因此，从跨模态的角度来看，我们仍需要以辩证和客观的态度来看待这些机会。
此外，我认为GPT时刻已经很接近了，且极有可能出现大的飞跃。但要进一步跨越到其他模态，比如提升智能、医疗领域等，试图进行模态跨越仍然需要一定时间。
Q：对于具有global market与出海愿景的创业者们，大家有什么建议吗？2024年最需要着重夯实哪一部分的能力呢？
Fusion Fund 张璐：我非常欢迎，也非常希望可以鼓励到更多的中国创业者去布局全球市场，甚至说来到美国市场探索。目前人工智能的创新，一方面是consumer AI，另外一方面是enterprise AI。而垂直行业toB的人工智能应用，美国仍是全世界最成熟最好的市场。
所以如果创业者来探索美国市场，我有一个非常简单的建议，即——重新学习这个市场的游戏规则，以非常高效和聪明的方式和当地团队进行合作。从头学起，从零开始，而不是简单地将中国觉得好的经验带到美国来。这两个市场根本上是不同的，商业模式也是不同的，但机会无疑是巨大的。
希望可以看到越来越多的杰出的亚洲和中国的企业家来到美国市场去探索。
FP Solutions VC Lewis Hong：进入一个新的市场，对当地市场本土化的认识需要进行一个深刻的体验，深入融入当地的生活。中国在硬件方面有优势，美国在创新方面有优势，我希望创业者能够结合两方优势，准确洞察当地化的specific problem。
华映资本 邱谆：身处AI浪潮，大模型的机会是非常巨大的。但是也会看到很多创业者实际上是有一个误区：低估整个行业的创业门槛。
当前处于的大模型和生成式AI发展阶段，与当年互联网/移动互联网时代是完全不一样的。当前的阶段更趋前，不是做一个网页或者移动APP就能直接上线和商业化，也不是对机器直接进行编程，而是要对底座大模型（foundation model）进行编程。这意味着你需要对底座大模型的架构和能力有充足的认知，并不是仅从应用层最上层去切入就能做出一个有效的模型。
举例而言，大家都说私有数据跟大模型结合不难，每家也都有私有数据。但如何将私有数据跟底层大模型结合，有很多种方式，私有数据如何存储，采用什么样的格式和维度等都是非常难的。很多创始人对这块有相当程度的低估。这其实也随之降低了AI大模型的创业成功率。
因此，我认为大多数创始人都需要认识到这一点，并且需要投入大量精力去招募人才，同时自身也要深入技术领域，真正深入到基座模型中去，细致探索具体的应用场景，并与数据实现精准结合。唯有如此，才能确保所训练的模型在实际应用中展现出强大的适应性和有效性。