機構看衰專家批評項目艱難，大語言模型會不會成爲即將破碎的AI泡沫？

2024-10-15 18:40:13 編輯： robot

導讀大語言模型不再被視作通往AGI的橋梁，生成式AI未來的發展方向在哪裏？已經燒掉5000億美元還要繼續耗費資源的大語言模型，後面的路還走得動嗎？燒錢、耗費資源、難以盈利，被持續唱衰的大語言模型前路...

大語言模型不再被視作通往AGI的橋梁，生成式AI未來的發展方向在哪裏？
已經燒掉5000億美元還要繼續耗費資源的大語言模型，後面的路還走得動嗎？
燒錢、耗費資源、難以盈利，被持續唱衰的大語言模型前路艱難但商業價值明顯
被砸重金的Transformer架構卻不是AGI的鑰匙，大語言模型的前路是否光明？
機構看衰專家批評項目艱難，大語言模型會不會成爲即將破碎的AI泡沫？
全球看衰大語言模型，“AI六小虎”傳聞迭起，生成式AI的價值空間已經觸頂？

全文約8800字，閱讀時間15分鐘文/王吉偉

國慶節過後，人工智能領域似乎多了幾分冷色調。不知道是因爲大語言模型（Large Language Model，LLM）的幻覺，還是因爲寒露時節的到來。

或許人工智能還無法感受到時下的寒意，即便是帶有氣象傳感器的具身智能和端側Agent。因爲這份寒意更多來自於經濟圈層和精神層面，現實世界的復雜程度遠不是一個採用Transformer及其變體架構的大語言模型所能體會的。

技術上，這一輪人工智能的熱潮源自於Transformer架構。而這個讓OpenAI最新融資額度達到1570億美元估值的技術架構，在一些人看來卻並不咋地。

不看好並質疑Transformer架構的種種觀點，大體可以總結爲：

Transformer缺點和優點一樣明顯；
大語言模型並不是通往AGI的橋梁；

連帶着，生成式AI（Generative AI，GenAI）也开始被批判。當然這些批判之聲並非只因Transformer架構的技術缺陷，更在於生成式AI爆發以來出現的各種版權、安全等問題與當前經濟、社會乃至政治層面的各種衝突。

唱衰大語言模型的聲音，也得到了一些投資機構的支持。在國外，高盛就認爲生成式AI投入很高而收益太少。Mighty Capital過去兩年沒有進行AI領域的投資，認爲當前的創業項目都被高估了。Next Round Capital Partners的言論更加偏激，預測85%的AI初創公司將在三年內因資金耗盡或者被收購而倒閉。

最近甚至有聲音認爲OpenAI或者Anthropic最終會以被收購收場，即便OpenAI有很大的可能性能夠實現主導上市。

國外關於AI泡沫的聲音，從去年开始就沒有間斷過。

在國內，曾主導滴滴與快的合並的傳奇投資人朱嘯虎也認爲，五年以後可能不會再有獨立的大模型公司存在。言外之意明顯，大模型公司可能都會被收購，畢竟二、三线大模型創業項目已經在賣身了。

而最近的幾個似是而非的傳聞，似乎也透露了一些問題。傳聞中的國產大模型“六小虎”目前的情況好像都不是很好，在裁員、靜默、迷茫中惶惶度日。

國外的大語言模型公司也沒有好多少。作爲大語言模型領域的風向標，雖然OpenAI估值正在向2000億美元狂奔，卻難掩其骨幹離職、持續燒錢、難於贏利、越發向虛的尷尬境地，人們對OpenAI的關注度正在逐漸下降。而Anthropic也越發表現平平，何時贏利仍是個問題。

現在來看，從技術到資本再到商業，沒有彰顯出大語言模型應有的奮勇直上的姿態，反而是透露了一種難以爲繼的疲態，要知道LLM的爆發至今僅有短短的2年。爲什么很多人都在說LLM不是通往AGI的橋梁？資本市場和應用市場如何看待生成式AI？如何看待“AI六小虎”傳聞？LLM真的不能長久嗎？

本文，王吉偉頻道結合近期的行業動向，跟大家聊聊這些。

注：文章相關研報、論文資源已打包上傳，後台回復LLMpaomo獲取。

LLM是不是通往AGI的橋梁？

2023年3月下旬，ChatGPT如日中天LLM Based AI Agent嶄露頭角之時，未來生命研究所（Future of Life Institute，FLI）發布了一則公开信，呼籲所有人工智能實驗室立即暫停訓練比GPT-4更強大的人工智能系統至少6個月。

信中寫道，廣泛的研究表明，具有與人類智能競爭的人工智能系統可能對社會和人類構成深遠的風險這封信得到了包括馬斯克等在內的1000多科技領袖和研究人員的籤名。

有意思的是，這封信發出後或許沒讓多少人重視AI的安全，反而堅定了更多人相信LLM能夠實現AGI的信心。

但一些人也認爲，LLM與AGI的距離就像人類在火星上定居一樣遙遠。甚至有人認爲，OpenAI將AGI的進展倒退了5到10年。因爲現在所有人都在做LLM，使得其他研究和出版越發緩慢。

Meta首席人工智能科學家楊立昆（Yann LeCun）認爲，在某種程度上，AI 模型的“智能”程度取決於它所訓練的數據，像 ChatGPT、Google的Gemini或Meta的 Llama這樣的LLM永遠不會達到人類的智能水平。

在通往人類水平智能的道路上，LLM基本上是一種"off-ramp"（岔路）、"distraction"（幹擾）和"dead end"（死胡同）。這意味着LLM並不能有效推動我們實現人類水平的人工智能，反而可能會分散我們的注意力，讓我們誤入歧途。

甚至連OpenAI的CEO Sam Altman也曾表示，他不認爲僅僅通過擴大LLM的規模就能實現AGI，對當前LLM在實現AGI方面的潛力持保留態度。所以也有觀點認爲，未來GPT-5會不會繼續採用Transformer架構尚未可知。

目前主流的AI模型和產品，比如ChatGPT、Sora、Bard、Claude、Midjourney、ChatGLM、Baichuan、Kimi 等都基於Transformer架構。

在RWKV（Receptance Weighted Key Value，一種結合了遞歸神經網絡和Transformer模型優點的新型架構）論文作者彭博看來，現實世界不是基於Transformer邏輯去做推理來運轉的其運轉規律是基於類似RNN 結構的。這個世界的下一秒，不會跟你過去所有的時間、所有的信息相關聯，只會跟你的上一秒相關聯。但Transformer 要辨認所有的 token，這是不合理的。

RWKV架構圖

之所以說基於Transformer架構的LLM不是通往AGI的橋梁，綜合各路大神的觀點與看法，主要原因歸結於LLM的技術局限性，表現爲以下幾點：

局限一：預訓練不能實時學習

人類智能的核心在於持續的實時學習，這得益於大腦的可塑性和神經連接的動態形成。相比之下，LLM在訓練後被凍結，以批處理方式進行學習，缺乏實時反饋和動態適應的能力。

數學上，這種限制源於它們在固定向量空間中的映射關系，無法隨着新數據的發展而調整。爲實現實時學習，需要將Sobolev空間中的動態映射引入。

局限二：記憶缺乏動態整合能力

大腦的記憶系統是復雜而動態的，能夠根據上下文和情感不斷調整。然而，LLM的記憶是靜態的，僅以固定權重存儲知識，缺乏動態整合能力。

雖然有一些內存增強技術（如RAG和神經圖靈機）試圖引入外部記憶，但它們的計算成本高，且無法實現實時學習和適應性召回。這種離散的記憶機制，使得LLM無法實現真正的上下文感知和聯想學習。

局限三：無法進行實時動態調整

盡管思維鏈（CoT）推理、上下文學習和元學習（如MAML）被認爲是改善LLM性能的潛在解決方案，但它們仍未達到真正的通用智能（AGI）所需的流動智能。

這些方法提高了特定任務的表現，但模型依然依賴於固定的訓練模式，無法進行實時動態調整。大腦能夠通過每次體驗重構其突觸網絡，而LLM則需要繁瑣的微調過程。

局限四：能源效率與可持續性差

人腦以極高的能源效率運作，能在僅20瓦的功耗下執行1 exaflop的計算。相比之下，LLM的訓練和推理過程能源密集，消耗數兆瓦的能量。

盡管有可能通過事件驅動架構和脈衝神經網絡（SNN）來提高能效，但當前的LLM仍未能達到大腦的能效水平。

局限五：缺乏可塑性與動態適應

大腦的可塑性使其能夠根據新信息和環境變化重組神經連接，支持持續學習。相對而言，LLM的參數在訓練後固定，缺乏根據新信息自我重組的能力。

這種可塑性的缺失限制了LLM在新挑战下的適應能力，真正的AGI需要具備動態重新配置內部結構的能力，以降低運營成本並提高效率。

這些局限性，也就是不看好LLM者常說的：Transformer 效率不高，天花板易窺見，計算成本高昂且佔用內存，資源浪費嚴重。

並且LLM的這些局限性，很難或者無法從根本上改變，這也決定了LLM不會把人工智能帶向AGI。從局限性角度解讀LLM不能帶來AGI的文章，大家還可以參考下面幾篇：

鑑於Transformer的局限性，便出現了許多非Transformer架構，其中比較有影響力的包括中國的RWKV、Meta 的Mega、微軟亞研的Retnet和Mamba、DeepMind團隊的Hawk和Griffin等，這些架構都是在Transformer大模型火爆之後提出的。

可以看到，在這個名單裏除了RWKV架構是創業項目，其他架構都是科技巨頭推出的，其中似乎也映射了他們對Transformer無法實現AGI的看法。

需要說明的是，作爲國產开源的首個非Transformer架構大語言模型，目前RWKV已經迭代至第六代RWKV-6。

有意思的是，跟OpenAI深度綁定的微軟已在Windows系統集成了RWKV，數據顯示在9月份win10+win11的裝機量已經達到15億，驗證了該架構的實用性。

出現問題，就要解決問題。爲了克服LLM的限制性，研究者們也正在探索新的數學框架和AI架構，以模擬大腦的自適應、上下文感知和節能特性。一些比較有發展潛力的（初步）方向，如下圖：

從各種研究方向以及LLM當前面臨的問題來看，未來AGI的實現定然不會只依賴於一種模型，而是需要多種模型的組合和協作。LLM只是諸多模型中率先實現突破並且卓有成效的，使得今天的技術、生態、商業乃至資本都在重度往這個領域傾斜。

Transformer已經形成壟斷地位，無論資源還是生態，非Transformer研究都差了很多。目前研究非Transformer新架構的團隊要么在學術界，要么是體量很小的創業團隊，很少有大公司投入一個大的團隊來研究新架構。

目前行業的整體方向，如同在一個不太正確的方向上壓重注，導致更多的資源投放到Transformer技術的研究上而忽略其他方向，壓縮了非Transformer的生存空間，這也是一些人斥責LLM會把AGI的實現時間縮短5-10年的主要原因。

資本市場眼中的GenAI

除了技術領域頻頻吐槽基於Transformer的LLM，一些投資機構也對生成式AI頗有看法，乃至於非常看衰GenAI，認爲這波炒作所帶來的AI泡沫即將破裂。

以OpenAI爲例，在今年早些時間募資時，很多投資機構都認爲其1000億美元的估值太高。其新一輪融資最終以1570億美元的估值，但蘋果放棄了這一輪融資，於2021年投資OpenAI的紅杉資本沒有跟投。

還有一些投資機構對投資AI非常慎重，比如風險投資機構Mighty Capital過去兩年都沒有進行AI領域投資，認爲價格被高估了。專注AI領域的投資機構Thrive Capital在與一些LP、主權財富基金和大型機構投資者溝通中發現，一些機構面臨收入回報壓力，已拒絕讓VC投資風險高的項目。

高盛在《GEN AI: TOO MUCH SPEND, TOO LITTLE BENEFIT?》報告中對於AI的投資回報做出了質疑：盡管預計未來幾年科技巨頭和各類企業將在AI相關領域投入約1萬億美元，但截至目前這些投資似乎並未帶來顯著成果。

報告見本文資源包。

在報告中，麻省理工學院教授Daron Acemoglu也對AI的前景持保留態度，預測未來十年內，只有大約四分之一的AI任務能夠實現成本效益的自動化，AI可能只會使美國的生產力增加0.5%，GDP增長累計增加0.9%

高盛策略師Ryan Hammond團隊報告稱，科技巨頭在AI領域的大量投資尚未產生相應的收入和利潤，可能導致估值貶值。高盛全球股票研究主管Jim Covello更爲謹慎，認爲AI必須解決復雜問題才能實現合理回報。

當然，高盛內部目前對AI的看法並不一致。一些分析師認爲，即使AI技術的基本敘事最終無法在資本市場站住腳跟，AI泡沫也可能需要更長時間才會破裂。另一些分析師則持懷疑態度，認爲AI自動化任務不到5%，且AI技術的成本高昂，且並非爲解決復雜問題而生

紅杉資本合夥人認爲，按照當前的投資成本，要保證50%的利潤，需要賺到6000億美元。這個數字是基於當前GPU和雲服務投資的預測。福布斯則認爲紅杉的估算是樂觀的，實際回報可能更低，除非生成式AI出現殺手級應用。

但越來越多的華爾街分析師對AI的熱情也在減退，認爲AI技術尚未達到實用水平，投資過度可能導致不良後果。

在國內市場，金沙江創投合夥人朱嘯虎在“創投十年”高峰論壇上的分享中，關於大模型創業提到了兩點：

一是如果到年底不能推出GPT-5，OpenAI和英偉達的股價可能都要狂跌；二是五年以後可能不會再有獨立的大模型公司存在，要么只有AI應用公司，要么就是雲服務。

雖然他不看好大模型創業但看好生成式AI應用，這一點我們在後文還會提及。

應用市場這樣看GenAI

除了資本市場，在應用市場一些研究機構對GenAI的看法也不是很樂觀。

根據Gartner 7月發布的最新炒作周期報告，用於採購的GenAI已經達到了“高估期望的峰值”。這個階段之後是“幻滅的低谷”，一個“由於實驗和實施未能實現”的興趣減弱的時期。

▲ 2024 採購和尋源解決方案技術成熟度曲线，點擊看大圖

雖然GenAI可能會從現在开始迅速成熟，在2到5年內達到“生產力平台”，但達到這一點的道路可能不會一帆風順。Gartner估計，到2025年底，至少有30%的GenAI項目將在概念驗證後被放棄。

市場研究开始證實這一點。軟件公司Asana對1200多名IT專業人士進行了調查，發現四分之一的受訪者後悔如此迅速地投資了AI。Boston Consulting Group發現，三分之二的高管對其組織在AI方面的進展持矛盾態度或不滿意。

以上兩份調查報告，見本文資源包。

SaaS公司WalkMe 表示，自從开始使用這些技術以來，一半的美國辦公室工作人員的工作沒有得到改善。

今年4月，麻省理工學院經濟學家Daron Acemoglu的一篇論文引起了轟動，該論文預測了AI“非平凡但適度”的經濟利益。與高盛和麥肯錫相反，阿西莫格魯預計未來10年的GDP增長不會超過1.16%，而生產率增長僅略高於半個百分點。

《經濟學人》7月份的一篇文章則更爲犀利，指出“到現在爲止這項技術幾乎沒有對經濟產生任何影響”。

在Daron Acemoglu看來，每個人都在瘋狂地衝刺，想用AI做一些事情，卻不知道自己在做什么。這些技術還不夠成熟，將導致大量中斷和不必要的自動化，並且可能會降低公司提供的產品和服務的有效性。

在具體應用層面，Gartner研究主管Pieter J. den Hamer表示，市場內部對GenAI的失望感正在加大。特別是對於在ChatGPT病毒式傳播後开始投資GenAI的公司來說，他們越發意識到GenAI並不是靈丹妙藥。GenAI是一項非常強大的技術，但像任何其他技術一樣，它需要仔細分析研究後才能有效使用。

他指出，許多CIO投資於AI是爲了提高生產力。當他們努力量化這些收益時，挑战就會進一步出現。在Gartner 最近的一項調查中，近一半的IT領導者表示，他們在確定AI的商業價值時遇到了問題。

den Hamer表示其看到的目前最成功的應用是將AI 應用於客戶服務。以呼叫中心座席可以處理的電話數量來衡量，平均生產力大概提高10%，但前提是員工技能得到提升並能夠有效使用AI。在營銷領域也是一樣，需要適當培訓員工並讓他們適應新的工作方式，否則成效就會小很多。

事實上，Gartner調查發現，目前只有9%的企業被歸類爲“AI成熟”。他們與衆不同的是可擴展的AI運營模型、對AI工程的關注、對提高員工技能的投資以及更好的風險管理能力。

網絡安全咨詢公司SkySiege的首席工程師Andrew Southall認爲，風險管理能力很關鍵。他與許多客戶合作，這些客戶對他們的GenAI投資感到後悔，不僅因爲商業價值被誤解和高擁有成本，還因爲“數據中毒”等安全問題。

從技術供應而言，目前像微軟這樣的生產力和商業軟件領域的領頭羊，也沒有真正找到愿意爲此付費的客戶。

The Information 稱，微軟365套件的客戶對 AI 驅動的“Copilot”產品幾乎沒有太多興趣。在 4.4 億個用戶中，只有 0.1% 到 1% 的用戶愿意爲這些 AI 功能付費。

一家測試了這些 AI 功能的公司表示，“大多數人目前並不認爲它具有太大價值”，還有人說，“許多企業沒有看到在生產力和其他方面的顯著改進”，他們“不確定何時才能看到”。

要體驗這些功能，需要每人每月額外收取 30 美元。對於所謂的“Copilots for Sales”，則每月額外收取 50 美元。如果按年支付，這也將是一筆不小的費用，因此很多企業對此並不太感冒。

對於這種技術與市場脫節的情況，公共關系公司EZPR首席執行官Edward Zitron在名爲《The Subprime AI Crisis》的博文中寫道：

整個行業對生成式 AI 的大規模投入，結果卻只是出現了四、五個幾乎相同的大語言模型、世界上最不盈利的初創企業，還有數千個價格昂貴且令人失望的集成產品。

他認爲目前我們正在面對一種共同的幻覺：一種死胡同一樣的技術，它依賴版權盜竊、需要持續的資本注入，同時它所提供的服務在最好的情況下也是非必需的，它被包裝成一種尚未實現的自動化，耗費了數十億美元，而且可能會永遠如此。生成式AI不單單靠金錢在運行，還有信仰，問題是信仰是一種有限的資源。

這么犀利的筆鋒，透露了Edward對AI行業的極度擔心。

關於近期“AI六小虎”的傳聞

9月初，幾則關於大模型公司現狀的傳聞，似乎在印證資本市場及應用市場目前不太認可大語言模型的情況。

一則來自於橘子汽水鋪，整體提到了大模型創業公司的現狀。

一則來自於AI暴躁吐槽君，介紹了幾個創業公司的運營情況。

經過一個多月的發酵，已經有更多人看到了這些傳聞。而在36氪最新的報道中，“AI六小虎”（智譜、零一萬物、MiniMax、百川智能、月之暗面、階躍星辰）中已經有兩家逐步放棄預訓練模型，縮減了預訓練算法團隊人數，業務重心轉向AI應用。

在王吉偉頻道看來，重點發力AI應用也沒什么不好，光守着大模型不能變現沒啥用，畢竟更好地活着才更有希望。

但這則報道，也讓之前的傳聞越發真實起來。

針對傳聞及報道中“某些公司放棄預訓練”的說法，李开復已經發朋友圈闢謠，稱零一萬物一直在做預訓練。

其實傳聞就是如此，你不管它別人也就是猜猜罷了。但若是認真，則有可能堅定別人的看法。

既然是傳聞，大多可能會是捕風捉影。但無風不起浪，真實情況可能不會像傳聞中說的那么嚴重，但還是爲國內AI圈披上了一層悲觀色彩。

即便沒有這些傳聞，還有朱嘯虎的預測。其“未來5年不會有獨立大模型公司”的說法，幾乎是預判了大模型創業公司的命運，比這些傳聞還要嚴重的多。

假設這些大模型創業項目的生命周期只有五年，現在出現這樣的情況也就再正常不過了。

即使沒有朱嘯虎的預測，也還有最近蘭德公司（RAND Corporation）的研報。其所發布的報告《The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed Avoiding the Anti-Patterns of AI》超過80%的AI項目失敗了，是不涉及AI的信息技術項目的失敗率的兩倍，浪費了數十億美元的資本和資源。

相關報告見本文資源包。

報告指出了項目失敗的幾個原因：利益相關者之間目標不一致、過度關注並應用AI而不考慮其價值、缺乏正確准備的數據集、基礎設施不足以及AI與手頭問題不兼容。它還指出，這些問題不僅限於私營部門：即使是學術界也對 AI 項目存在問題，其中許多項目只專注於發布AI研究，而不是查看現實世界的成果應用。

報告的觀點，與李彥宏之前的看法不謀而合。他也曾表示，中國有太多的大型語言模型，浪費了大量資源，因爲這些模型通常幾乎沒有實際的實際應用。

這大概也是很多投資機構，不敢再貿然投資大模型項目的重要原因之一了。

其實不只在中國，全球大模型項目面臨的情況都是一樣的。

雖然OpenAI估值已達1570億美元，但仍需應對高達數十億美元的年度虧損，以及未來幾年巨額的運營成本。根據公司的財務文件預測，OpenAI在2026年將虧損140億美元，並且這一預計並不包含股票薪酬，這是OpenAI最大的支出之一。

OpenAI公司預測，未來幾年模型訓練的計算成本將大幅上升，到2026年將高達每年95億美元，其中不包括大模型研究的前期訓練成本。預計到2030年將花費超過2000億美元，其中60%至80%將用於訓練和運行模型。

至於贏利，OpenAI預計，在2023年至2028年期間公司的總虧損將達到440億美元，直到2029年才能實現140億美元的利潤。

Anthropic首席執行官也表示，當前AI模型訓練成本是10億美元，未來三年這個數字可能會上升到100億美元甚至1000億美元。

這意味着，這兩個代表性大模型項目，在贏利之前都將繼續邊燒錢邊融資。而全球大模型創業項目，基本都在向這兩個項目看齊。

當前AI行業僅是訓練成本，就已經超過5000億美元，收入卻是寥寥。如果未來全球大模型項目都是這樣的投入和產出，大部分資本投入都不會轉化爲收益。面對5年之後才有可能實現盈利的局面，又有多少公司和投資機構能夠堅持下來？

所以，才會有那么多人擔憂AI會成爲泡沫，並可能在被戳破之後導致新的經濟危機。

LLM未來的方向在哪裏？

大語言模型不像微軟Windows這樣的系統，成爲企業業務數字化運行的軟件必需，也不像iPhone一樣成爲人們工作、學習、生活的硬件必需。它的推出並沒有以終端產品的形態讓大家隨手可用，而是需要一定的學習門檻才能更好地使用。

同時技術提供的方式讓它跟其他技術供應商沒有什么區別，服務各個企業與平台的方式給產業鏈上下遊帶來的好處，但也讓其利潤進一步攤薄。雖然創造了GPT Store這樣的商業模式，但想要打造出APP Store一樣的完善生態系統需要一定的時間，這足以出現更多的商業競爭對手。

而想要進一步彌補大語言模型的技術局限與能力不足以高效應用於生產，又需要更多廠商和用戶投入更多資源與精力。想要能力更加出衆，就需要投入更多資源燒更多的錢。此外技術突進與安全管理的矛盾，也一直是各個廠商的重頭戲。

大語言模型屬於大力出奇跡，但是大力的背後是持續燒錢。

當然，並不是說大模型以後就沒有希望了。

OpenAI雖然燒錢嚴重，但其發布的模型一直都是行業領先的，並且得到了一些大客戶的器重。保持足夠的優勢，拿到投資的可能性也就更大。如果兩年內能夠轉型成爲盈利性企業並完成上市，屆時可以獲得更多投資。

當然OpenAI的營收能力也在不斷提高，2026年的虧損高峰後，2027年、2028年虧損幅度或將大幅收窄。

所以現在的OpenAI一切向錢看無可厚非之，畢竟活着才有更多可能。

對比OpenAI，國內一衆大模型項目如果能夠做到某垂直領域領先，能夠爲某些用戶群體提供穩定、高效應用服務，在業務精進且逐步盈利的情況下進一步獲得融資的可能性也會更大。

此外，在更加“省錢、省力”的非Transformer架構模型上做點文章，用小體量模型做一些大模型的事，也是一個值得考慮的方向。

今年以來，國內大模型項目基本都已拿到新一輪融資。相關數據統計，截至8月份，國內大模型公司融資金額在億元級別的有20起。“新AI六小龍”（零一萬物、MimiMax、百川智能、智譜AI、階躍星辰、月之暗面）中有五家公司今年已獲得億元級融資，另外一家也傳出正在融資的消息。

其中，月之暗面在8月完成新一輪騰訊投資的3億美元融資後估值已達33億美元，9月份智譜再次拿到繼中東財團之後的新一輪融資，實現兩年內完成6輪融資。

王吉偉頻道認爲，國有資本和大型科技公司的不斷注資，不但爲這些大模型項目提供了源源不斷動力，也在助力這些項目更好的完善生態以及更多的行業資源。

在技術上國產大模型相對滯後一些，但這並不妨礙大模型在一些領域的落地與應用。只要能夠推出適合國內企業的技術、產品與解決方案，這片土壤養活幾個大模型廠商綽綽有余。

雖然基於Transformer架構的LLM不是連接AGI的最終橋梁，但它注定會在這個階段發光發熱，且它的發展空間遠未觸頂，在這個進程中將會創造足夠的商業及社會價值。

而那些大模型項目，不管最後是賣身還是獨立發展，它們的努力和創新都能爲國產大模型的進程貢獻一份應有的力量。

高盛的報告在擔心AI投入過多收益太少的同時，也預測未來數年內將有約1萬億美元的投資用於生成式AI及相關基礎設施，只是目前這些投資似乎並未帶來顯著成果。

摩根士丹利認爲市場對微軟在AI貨幣化方面的擔憂導致其股價承壓，但對微軟AI業務的商業回報增長持信心。

朱嘯虎認爲生成式AI可能是像PC互聯網和移動互聯網一樣以十年爲單位的長周期的機會，並認爲大模型迭代速度放緩應用創新的機會就會增多，今年开始在AIGC應用端可能會出現大量機會。

最近跟一位年輕的朋友交流工作時，他說經常用Kimi搜索和查找相關資料。而我周圍的幾個長輩，手機上竟也裝着豆包。