Guangmi Li：Google 出了一個 SGE 產品，包括 Overview，但好像口碑不是很好。百度好像還沒有動作，國內好像有一個秘塔。但國內有個很現實的問題是內容是割裂的，因為中國過早的進入了移動網際網路時代，小紅書的內容很難檢索、微信的內容也很難檢索，甚至知乎的都不一定那麼開放。高質量內容的有效性是比較少的。百度搜索出來的首頁裡，百度自己的內容佔很大比例，所以中國的內容的割裂性和海外的這種 PC 形態主導模式的區別是比較大的。

Guangmi Li：模型評估是很難的，就像評估一個人一樣。Benchmark 的題目全是公開的，也都可以圍繞題目做提前的充分訓練。可以理解為這個榜單已經被 Hack 掉了。另一方面是蒸餾，國內模型做蒸餾還是比較多、比較兇的，很多人在 distill 頭部模型公司的資料。最終模型的經濟價值還是取決於是否能做任務。國內模型這麼多，其實也挺難說哪家是真的好，今天可能還是模糊的狀態。短期模型能力是不決定勝負的，還是真正看誰先做出 GPT-4 水平的模型。但是做出來 GPT-4 水平的模型又會怎樣呢？下一階段可能會是，哪家公司先能有 3000-5000 萬 DAU 的產品佔住心智，留存好、商業模式跑通，這個比較重要。

Guangmi Li：目前肯定沒有廣告平臺的商業模式好，訂閱還是一個比較傳統的商業模式。

ChatGPT 現在是 1 億多的 DAU，假設 10% 的付費使用者，那就是 1000 萬付費使用者，訂閱 200 美金一年，總數就是 20 億美金。假如未來能翻幾倍，那相比 Google 廣告平臺一年 2000 多億美金的營收，也還只是 Google 營收的 1%- 2%，是比較小的。

廣告平臺是一個非常成熟的商業模式，每新增一個使用者，在未來 6- 12 月肯定是能把新增使用者花費的成本賺回來的，這個 ROI 是能算得很清楚的。

但大模型投入，購買 GPU 的 ROI 是沒法計算而且很難分析的。因為這裡面兼具著很多科研屬性，而且失敗率比較高，失敗的成本其實是 GPU 的時間，一張 GPU 執行一個小時的成本假設是 3 美金，那一張卡一個月可能就是 200 多萬美金成本。用不好 GPU 就是在浪費成本。

但從另外一個角度思考， GPT-4 當年的訓練成本假設是 2 億美金，OpenAI 已經透過 ChatGPT 早就賺回來了這個錢，單看 ChatGPT 這個產品好像是盈利性很好的，他們的虧損主要還是在探索新的模型技術上。

這就很像藥企的新藥研發，也許 GPT-5 還能發現下一個新藥，也能幫 OpenAI 賺更多的錢，但從全球範圍看，可能也只有 2-3 家模型公司透過賣模型可以把訓練成本賺回來。其實很多模型公司連訓練成本還是賺不回來的。

新事物的商業模式總是要慢一些。比如 AI Agent 落地後會不會顛覆廣告平臺？使用者讓一個 Travel Agent 幫忙規劃一個義大利的旅行計劃，使用者的精力和注意力是有限的，其實是被迫看了很多廣告。那如果有一個 Travel Agent，其實就不用看太多廣告了，而是讓 Agent 幫忙比價、談價。這對傳統廣告平臺是有很大顛覆效應的，傳統的廣告平臺是建立在人的注意力和精力是有限的情況下，但未來 Agent 是 7* 24 小時工作。

包括之前播客提到未來能不能有一個 value-based 的定價，類似於在電商平臺賣掉 1 萬塊錢商品要給電商平臺付 5 個點左右的抽成。那未來用 ChatGPT 的 Agent 增加了 1 萬塊錢每月的產出，給 OpenAI 付 500 塊錢， 對應 5% 的抽成好像也合理。

而且今天模型的 API 切換成本是不高的，使用者很容易換，也因此很容易產生價格戰，整體來看感覺還不是一個最好的商業模式。

Guangmi Li：是的，任何一個偉大的公司都是建立在極好的商業模式之上的。廣告、類似 Apple 這種科技消費品、公有云平臺，都具有規模效應，包括電商平臺。AI 公司想成為偉大公司，還是要有極好的商業模式。今天商業模式的 0 到 1，這個 1 我覺得還是沒有跑通的。

Guangmi Li：不知道，核心還是看是不是足夠聰明。如果足夠聰明，那就相當於 AGI 來了。很多商業模式都會從本質上發生變化，廣告平臺也發生變化了。

Guangmi Li：壁壘是明牌。第一階段就是 GPU，第一梯隊如果沒有 3.2 萬卡，今年就很難在矽谷坐穩第一梯隊。但其實背後更核心的點，是要具備 30-50 人的核心人才團隊。今天很難再重新 build 一個像 xAI 一樣團隊了，因為人才收斂比較快的，最後可能還是一個綜合的壁壘。比如說像好萊塢，有沒有工業體系和成熟的組織方式決定了效率。如果給了卡，也投入很多錢，但最後科研的效率很低，那也很容易掉隊。

Guangmi Li：Scaling law 是最簡單的路徑了，因為簡單粗暴地懟 GPU 就能通往 AGI，如果成功就可以造福人類，失敗也是科技巨頭買單，那其實是應該繼續加大投入的。

很多人也在關心另類的架構，其實肯定 OpenAI 是更關心另類架構的，新的架構 OpenAI 應該全都試過了，但至今是沒有發現其他新的、真的 work 的路徑的。如果有，大家肯定就撲上去了。今天還有很多人質疑 transformer ，其實是不是 transformer 也不重要了。最重要的還是什麼架構既能滿足持續的 scaling up、又能具有通用的泛化能力，這兩個能力是 transformer 最大的優勢。但 transformer 今天最大的缺點是 data hungry，其次是 compute hungry，要消耗很多的資料，消耗很多的卡。data 和 compute 效率是頭部模型公司目前在解決的。有可能未來的架構還是以 transformer 一個底座，有本身優秀的特性。上面加一些能讓 data、compute 更 efficient 的新架構。

這裡有一個高賠率的問題，是研究怎麼提高 data 和 compute 效率的問題，讓小樣本資料也能取得很好的效果。比如教一個小學生解方程，可能教個幾十次慢慢就能教會了。但是今天要教給模型，可能要教幾萬次。隨著模型能力變強，可能未來幾百個也就夠了，甚至說模型能力更強了之後可能教他兩三個就夠了，這就是一個數據的效率吧。其實在模型架構角度，像 OpenAI、Anthropic 其實對 transformer 的動刀幅度已經很大了，比如馬車早已經沒有了馬，已經變得四不像了。

其次也要看大家對 AGI 的預期。AI 並不完全需要像人，人機互補是更重要的。比如 AI 很擅長資料吞吐量特別大的工作，可以並行讀取、加工很多的資料。而且 AI 比人更擅長學習，能從大量的資料中找到最大公約數。今天 AI 資料量小的時候是不如人的，但 AI 也有更擅長，比如它可以 7* 24 小時工作、提供經濟價值。如果邏輯推理能力提升之後還可以 7* 24 小時幫使用者去執行推理的工作。

只要能創造經濟價值就好了，不一定需要完全 follow 人的工作，馬車也沒有馬，就是輪子，效率也比較高。AGI 即便無法實現，下限也是非常高的。AIGC 在資料量很大、套路很多的領域是更有優勢的， AI 提供了智慧的勞動力，人是智慧的創造力。

Guangmi Li：通用機器人的大腦未來就是多模態大模型的底座，再加一些針對機器人資料的 fine tuning，我覺得是不存在獨立的機器人大腦模型的，其中有一個難點是怎麼從大腦的智慧規劃能力轉化為控制訊號，這是未來需要大規模鋪設裝置基礎上才能繼續做的。矽谷的通用機器人公司，除了 Tesla 外，都不具備製造硬體本體的能力，硬體大機率還是中國公司的機會。控制部分比較難，中國的供應鏈優勢還是非常強的。

還有個點比較有趣的是今天想做通用機器人的公司還沒有一家能定義出來一個真正好的場景的，所以大家就只能先把通用機器人開發出來，就像當時個人電腦開發的過程一樣。大家也不知道怎麼用，最後大家發現 PC 的第一個場景是報稅，於是企業內部報稅先用起來了。

所以有可能通用機器人明年可以大規模的做出來讓大家去試，有可能餐廳老闆我能用把機器人起來，或者酒店老闆說我能用起來，到最後就是大家去試場景的過程。

Guangmi Li：自動駕駛更快。Tesla 團隊是比較自信的，覺得可能 2 年內可以結束戰鬥，通用機器人可能還需要 5 年。因為自動駕駛是一個限定領域，總共有幾個 action：往前走、剎車、左轉、右轉。但通用機器人的目標還沒有定義清楚。而且無人駕駛領域 scaling law 和成長速度還是比較快的，也比較期待接下來 8 月 8 日 Tesla Robotaxi 的釋出，可以看看到時候還有沒有方向盤，如果沒有方向盤那是真的比較自信了。

Guangmi Li：從 Palo Alto 開車到三藩基本不用碰方向盤了，甚至不用碰方向盤了。這已經是一個挺大的進步了，FSD 的安全性已經比人要高很多了。FSD 的終局可能是Tesla 一部分車型可以沒有方向盤了，這樣的話它就可以重新定義“車”這個產品了。

延伸閱讀