8月22日，2024AGI商业趋势大会在深圳成功举办。活动由创业邦主办，南山区科技创新局、西丽湖国际科教城融合创新中心、深圳市“模力营”AI生态社区为支持单位，揽胜运动为大会指定用车，搜狐为战略合作媒体。
本届大会以“AI塑造未来市场”为主题，邀请人工智能领域的行业专家、上市公司、独角兽企业、创新企业、投资机构代表，分享研讨最新的技术、创投、治理热点话题，并围绕产品商业化、人工智能+行业解决方案进行深度交流，共同探寻更广泛的产业合作与创新机遇。
会上，摩根大通银行执行董事钟音、美团龙珠合伙人于红、华映资本管理合伙人章高男、讯飞创投合伙人朱永在主题为“当我们投AI企业的时候，我们在投什么”的对话中精彩观点如下：
1、正如比尔·盖茨在《The Age of AI has begun》文中所述，生成式AI被视为一个新时代的开端。面对这样一项革命性技术，作为投资人，我们自然不想错过任何优质的投资机会，然而，“识别趋势”与“在趋势中实现盈利”是两个不同的挑战。
2、虽然我们的互联网大厂能迅速跟进美国的新成果，但这种快速跟进本质上是模仿，我们仍然是追随者。美国企业在定价和创新上引领潮流，而我们缺乏在无人区进行创新的土壤。
3、危机感是一种积极的动力，恐慌会使人停滞不前。目前AI创业者所展现的危机感恰到好处，让我们有机会在这一波AI发展中不掉队，为抓住下一波机会做好准备。
4、我们往往高估了AI现存的价值，而低估了AI长远的价值。我觉得有意义的事是持续学习，紧密跟随AI技术的发展，把AI思维更好地融入到我们的工作和生活。
以下为对话内容，由创业邦整理：
钟音（主持人）：大家好，我叫钟音，来自摩根大通，很高兴有机会主持本场panel。我们三位嘉宾中有一位来自typical的CVC，两位来自独立的VC机构，期待各位的观点碰撞。
人工智能概念自1956年提出，至今已经历了迅猛的发展。从投资来讲，经历了数个周期。2017年和2018年是上一个周期的高峰，期间出现了许多以视觉和语音识别技术为核心的人工智能企业。与上一波相比，生成式AI与传统AI在技术基础层面有哪些显著变化？由于这些底层技术的进步，生成式AI展现出了哪些核心优势和独特特点？
朱永：2016年，DeepMind的AlphaGo引爆了整个人工智能市场，其背后的核心技术是CNN卷积网络，它专注于分析像素或文本之间的邻近关系。而现在，Transformer模型引入了注意力机制，能够分析所有像素点和所有文本之间的关联，这使得其通用性和精确度超越了上一代技术。
上一代人工智能主要应用于特定领域，如计算机视觉（CV）技术在安防行业的应用，其应用范围相对有限。相比之下，现在人工智能的应用更为广泛，无论是作为效率工具，还是与各行各业的结合，例如文本生成和视频制作，其应用范围都大大扩展。这就是为什么会有“所有的行业都值得用大模型重做一遍”这种说法。
章高男：我个人理解技术发展是连贯的，不应当简单划分为一代代的更迭。Transformer的独特性是注意力机制，但是本质还是一个编码器和解码器的算法框架，从这个角度实际上是RNN的延伸。Transformer的独到之处是采用了自注意力机制，参数矩阵可以并行训练，并且是端到端的全局训练，这与RNN相比，显著提高了效率和精度。
当模型规模扩大，单一的自注意力机制可能不足以应对，这时多头注意力机制就显得必要。其本质类似于CNN中的卷积核，从这个角度也是是对CNN的延伸。
我认为，CNN、RNN、Transformer在数学上都是深度学习的不同应用，这些技术的演进并非完全割裂，如果之前在CNN，RNN等神经网络领域有丰富的实践积累，那团队向Transformer的演进相对更容易些。所以不存在割裂的上一代AI技术和下一代AI技术，渐进式的改进可能更确切一些。
于红：前面两位主要是从技术角度去阐述这一代大模型跟上一代AI技术之间的区别，我想从应用角度谈谈。
第一，这一波大模型虽然今天大家有很多恐惧的心理，但实际上在我看来是一次技术的“普惠”。如果从区别角度来说，上一代的AI如果要应用，其实是需要大量专业的数据，这一代AI可以做到zero shot，one shot和few shot。举个例子，在安全领域，以前只有少数公司具备进行安全审核的能力，因为它必须有相对比较多的数据，再配合一个AI的模型去训练，才能够把安全审核达到还不错的阈值。但在新的AI模型之下，few shot就可以解决这个问题，让很多公司自己就具备了相关的能力。
第二，在生成能力上来说，技术的演变它不是说昨天是0，今天就到了100，技术的演变是有一定的延续性，是在上一代基础之上去做迭代或者说创新，逐步累计的效应。但是从效果的角度来说，是有突破的。也就是说在59分和75分之间就是天壤之别，可能就是从不可用到可用之间的区别。比如，上一代图片生成技术用GAN，效果就很差强人意，完全无法使用。但今天AI生成图片，对于需要视觉相关的行业来说，已经产生了极为强大的影响。
第三，推理能力。今天大模型的推理能力还不够强。它拥有了很多知识，但是推理能力还不够强。 但相较于上一代来说，多轮对话的推理至少做的还OK，并且还在持续进步。综合来看，这就是为什么这一代大模型技术出来之后反响热烈的原因。
钟音（主持人）：下一个问题可能是大家比较关心的，与投资直接相关的—各位比较看好人工智能哪些细分赛道？这个问题可以拆解一下，首先有基础大模型，还有垂直模型以及应用，同时在应用领域中又有2B和2C。在2B领域，各位看好Saas公司和应用大模型，还是更看好native大模型公司的垂直模型在某个行业的应用。对于2C的创业公司而言，他们的机会或切入点在哪里？
于红：从应用端角度来看，2B和2C领域都存在巨大机会，具体讲一下我们观察到的机会。
在2B领域，我们可以将其分为两类：一是专业的用户Prosumer，他们面向C端用户，但解决的是B端场景中的问题。例如，Midjourney就是典型的Prosumer产品。二是传统的SaaS服务。对于中国来说，这两个方向都有很大的机会。中国的C端市场已经培养了大量产品经理，他们利用大模型能力，在Prosumer领域有很大的创造力。同时，新时代的AI-native SaaS，不仅仅是软件本身，而是真正提供服务。以自动驾驶行业为例，以前各种辅助驾驶很多，但是在达到自动驾驶，替代真正的司机之前，其创造的价值可能是有限的，但是一旦达到真正的自动驾驶，软件本身替代的司机服务是远远超过传统软件所能创造的价值。
我认为，中国的软件虽然在上一个时代遇到了很多挑战，但也许在AI时代，正是弯道超车的机会，因为没有巨头，更容易产生AI native的AI Saas。
我们也很关注2C领域的机会，我们关注信息、交流、娱乐和消费等四个大方向，今天时间有限就不展开来讲了。
钟音（主持人）：您提到了一个值得关注的观点，即SaaS向AISaaS的转变代表着一个根本性的飞跃。我想进一步探讨这个问题：SaaS在面对大客户或小客户不愿支付费用的挑战时，AISaaS是否会遇到同样的问题？或者，正如您之前所言，AISaaS所提供的服务在本质上有了显著的提升，这是否足以增强客户的支付意愿？
于红：美团龙珠沿着美团的方法论，以严谨的态度进行投资。在投资SaaS领域时，我们进行了深入研究，包括对中国和美国CRM市场的头部公司进行了对比分析。许多人认为中美软件收费差异仅是汇率问题，但经过我们综合研究，在考虑了购买力平价等众多因素后，发现实际上在CRM领域，中国软件的价格大约是美国的1/15，远低于简单的汇率转换。尽管中国拥有数量庞大的软件工程师，但开发高质量软件的成本仍然不菲，单个程序员的研发成本虽然相对较低，但不是数量级的差距，同时由于产品标准化的问题，最终导致我们CRM的研发成本与美国头部公司相差无几。
在上一代SaaS领域，我们面临的问题是：高成本结构下创造的价值却相对较少。这主要是因为人均工资较低，导致能够提供给客户的效率提升的价值有限，因此我们不得不以1/14的价格出售软件。
那么，在新时代，AI如何改变这一局面？如刚才所说，上一代的SaaS面对中国的低人均工资的背景下，价值提升并不显著。同时，这些软件在应用过程中给企业带来了诸多不便，尤其是在中国快速发展且管理相对混乱的背景下，软件的引入和流程的调整都非常困难，对于客户而言，产生的价值远远不够。
但是，在AI时代，这个逻辑显著不同了。 为什么我们特别强调“service”本身？如果AISaaS仅仅是对现有人员进行赋能，其创造的价值可能与上一代软件相比有所提升，但并非根本性变化。真正的变革在于，如果AISaaS能够在提供端到端的服务，比如替代80%的客服人员，那么它所带来的价值和效率提升将是巨大的，因为无论之前的成本是多低，和几乎为0的成本比起来，都是巨大的。
钟音（主持人）：非常清晰，感谢。接下来请章总分享一下您的观点。
章高男：在底层硬件层面，存储技术改进可能有一些机会；Transformer对存储、内存和带宽有很高要求，其中存储是最大的瓶颈。长文本处理可能导致内存崩溃，因此需要更高效、更强大的存储解决方案。当然类似MOE的稀疏化技术很有前景，但同时基础的存储空间怎么优化提升应该是一个方向。当然，类谷歌的TPU玩法也是一种减少对存储需求的方法，同样是值得关注的解决路线。
第二，带宽问题。随着网络在5G、6G加持下的高速提升，数据中心和板级之间的高速连接，把总线级的速度扩展到板级之间，提高集群算力效率，这个是属于基础设施领域的投资机会。
对于大模型本身，我们一直持谨慎乐观态度。在应用层面，基于语义理解和内容生成的业务很有前景，但如果基础大模型升级，这些应用可能会被取代。目前，所以是好生意未必是好投资。大模型的优化技术，如MOE（混合专家）和RAG等技术，极大提高了效率，但这些技术的发展需要强大的技术能力，对中国投资者来说可能并不容易。尽管如此，这些技术对整个行业的发展具有重要意义。
我认为，大模型在语义理解方面已经做得很好，但要将理解转化为决策，这实际上是一个全新的挑战。决策过程需要的不仅仅是输入，而是更深层次的逻辑和推理能力，这与大模型的核心功能并不直接相关。
我对中国在这方面的潜力持乐观态度，尽管许多公司正在尝试，但要取得实质性进展非常困难。这可能需要数学上的新突破，以及在增强学习等方法上的创新。要实现这一点，我们需要深入探索，创造而不仅仅是模仿，这需要算法上的真正革新。
朱永：我们看大模型产业，将其划分为基础层、中间层、模型层和应用层。作为产业投资者，我们注重协同效应。目前，我们专注于基础层和应用层的投资。在基础层，我们关注计算、存储和连接，尤其是那些架构创新的方向，如存算一体、类脑计算、量子计算等。
随着大模型从云端向端侧转移，端侧芯片的发展还处于早期阶段，这为我们提供了投资机会。在存储方面，尽管国内已有大型IDM公司，但我们仍在寻找技术创新的公司进行投资。
我们还关注智算中心的极连技术，特别是国内在这方面相对空白的片间、卡间、机间互联技术。
在应用层，我们注意到国内C端应用在丰富度和数量上远低于国外，我们国内应用只有国外的1/3。我们主要关注生产力工具类应用，因为这些应用依赖于强大的技术能力。虽然这一领域的创业公司面临变现和大公司竞争的压力，但我们认为这仍是一个有潜力的方向。
目前，我注意到国内C端陪伴类应用市场尚处于空白状态，这为创业公司提供了巨大的机遇。在这一领域，产品力和运营能力是关键，我相信创业公司有机会取得突破。
此外，我们还关注行业应用，比如军事领域，我们已经看到一些公司低调地获得了大量订单。营销领域中，大模型结合营销也展现出了很好的效果，尽管这些公司尚未公开融资。教育领域也呈现出类似的情况，国内外的大公司都在进行相关应用的开发，体验相比上一代有了显著提升。
综上，行业应用和陪伴类应用是我们接下来将重点关注的投资领域。
钟音（主持人）：听完大家的分享，我感到各位都保持着理性的态度，尤其章总分析了各种不能投的领域，这与我接下来的问题息息相关。我想了解的是，在做出投资决策时，各位依据的思考逻辑是什么，或者在选择项目时最看重哪些先决条件？
当前，生成式AI被视为一个新时代的开端，正如比尔·盖茨在《The Age of AI has begun》文中所述。面对这样一项革命性技术，作为投资人，我们自然不想错过任何优质的投资机会，然而，“识别趋势”与“在趋势中实现盈利”是两个不同的挑战。
刚才几位嘉宾也带来了许多深思熟虑的分析，能否分享一下在决定投资时，背后的思考是什么？如果一个项目短期内无法盈利，是否应该投资，还是应该追求更具开创性的事物？各位的决策依据是什么？
于红：我们大概可以分成三个方面分享，这些可能不一定与AI相关，但都是我们投资思考当中的关键点。
首先，项目的潜在价值和影响力要特别大。我们寻找的是那些可能从不起眼的地方成长起来的大机会，因为解决小问题和大问题所付出的努力往往也相差无几。因此，对于有限的时间和资源而言，选择一个潜在具有广阔前景的创业机会至关重要。
其次，清晰的客户价值。需要明确知道目标客户是谁，以及产品或服务为客户解决了什么问题。例如，泳池清洁机器人的客户价值取决于目标客户是自己动手清洁、使用上一代的机器清洁，还是雇佣他人清洁。不同的客户群体，其价值主张是不同的，哪怕使用的同一个产品。
最后，是否有创业公司的机会。如果一个项目短期内资金消耗巨大且明显是共识性的机会，可能并不适合创业公司。我们更倾向于那些为创业公司留下空间的机会。
章高男：我的投资方法论其实这么多年从来没变过，就是一句话——早期增量市场、极高的难度，头部前三，这三点同时具备，我就会考虑投资。
我对大模型目前的发展阶段持谨慎态度。它还处于早期，且未来市场增长空间巨大，这是一个增量市场。我需要不断学习和紧跟AI的最新进展，一旦我们对市场的增长潜力有了确信，我会毫不犹豫地投入。
个人认为，在AIGC方面大模型做的很好，进步也很快。这些主要是在感知层面。但是进入到决策层面，目前大模型还是有很多问题和挑战，个人直觉是要真正解决决策问题，可能需要超越Transformer，探索全新的方法，这可能是迈向真正AGI的第一步，当然这步很难。
我对AGI的未来发展充满期待。如果我能清楚地看到这一点，我会毫不犹豫地投身其中。
朱永：总结起来我们在看项目的时候遵循几个关键词原则：稀缺性，协同性和商业价值。其中，稀缺性是核心，我们投的都是比较早期的项目，团队的稀缺性、方向的稀缺性、掌握资源的稀缺性，都是我们考量的范畴。
在投资决策中，我们还会考虑能否为投资项目提供实际帮助。例如，在芯片项目还只是一个想法时，作为下游用户，我们是否能提供指导，帮助提高首次流片的成功率。
项目的商业价值在于是否解决了一个真实的需求，而非伪需求。以我们去年投资的一个具身智能项目为例，去年8月底我们投资了该项目的天使轮，到目前它已经成长为国内该领域融资较多的公司。我们之所以选择它，是因为在行业研究中早期预测到这个领域的应用前景，并在国内进行了深入的调研和评估。
我认为，投资就像捕鱼。PE投资者可能在鱼长大时才介入，而早期投资者则需要在鱼苗时期就识别出它的潜力，这需要深入的领域知识和前瞻性研究。
钟音（主持人）：我们再换一个视角，讲一讲中美两个大国的差距和未来趋势。我记得2017年参加世界人工智能大会时，就在热议中国在算法和数据方面与美国似乎势均力敌。但现在看来，我们似乎落后了。在你们看来，中国目前生成式AI的发展，具体到了哪个追赶阶段？你认为这个差距是会扩大还是缩小？或者中国是否会走出独特的优势和路径，来发展自己的生成式AI？
朱永：我认为在算法层面，我们与美国的差距并不大。主要差异在于：
第一，算力层面。目前，由于芯片供应的限制，例如英伟达的高端芯片对我们的禁售，给我们带来一些挑战。尽管国内公司在芯片设计上已经具有竞争力，但在生产方面还有局限。不过，我们相信这些问题将来会得到解决。
第二，中美对比。在美国，To B市场的应用层付费习惯较为成熟，而国内则因用户群体庞大，数据积累更为丰富。
第三，政策层面。在国内，大模型的开发需要备案，管理相对严格，这可能对C端应用产生一定影响，但影响并不显著。
总的来说，中美虽然存在一定差距，主要是由算力差异造成，但在现有框架下，我们相信这不会导致根本性的代差。
章高男：短期内我认同朱总的看法，虽然表面上中美在AI领域似乎并驾齐驱，但我认为本质上还有极大差距。中国拥有优秀的人才和不输于美国的基础设施，算力设备虽然暂时落后，但这不构成长期压力，因为时间可以逐渐拉平。
真正的压力在于创新能力土壤。虽然我们的顶尖大厂能迅速跟进美国的新成果，但这种快速跟进本质上是模仿，我们仍然是追随者。美国企业在创新上引领潮流，我们都是学习跟随。 大模型的发张和创新需要巨量的资金投入，我们国内企业往往缺乏冒险进行基础创新的勇气。与谷歌、Facebook等国际巨头相比，他们愿意投入巨额资金进行前沿探索，即使花了几十亿面临失败，而我们国内的企业更愿意在别人已经探索成功后及时跟进，这样性价比更高，可能也是目前最务实有效的选择。
希望有一天我们随着经济的发展，在AI无人区的创新探索能够百花齐放。
于红：我非常赞同朱总和章总的观点，他们的分析很有见地。接下来我分享下个人的看法。
首先，中国在AI竞争的“牌桌上”。当前市场环境可能有些过度悲观。实际情况上是，全球来说，只有美国和中国是明确在AI这个游戏的牌桌上的，要乐观的看待，我们是已经拿到了参与竞争的入场券，其他国家能不能上牌桌还是个问题。 AI竞争的三个关键要素—大资金；数量庞大的高级优秀人才以及参与竞争AI的决心，这三大关键要素中国都具备。所以作为全球唯二已经在牌桌上的国家，我们作为AI行业的参与者值得庆幸。
第二，认清我们所处的阶段。过去10年，中国移动互联网行业取得了显著成就，给人一种我们与世界先进水平并驾齐驱的印象，但实际上这只是一种错觉。通过一个简单的数据对比就可以看出，美国有6家市值超过万亿美元的科技公司，而中国市值最高的科技公司—腾讯，大概在5000亿美元左右，与美国的头部公司苹果、微软3万亿美元市值相比，仅相当于六分之一。意识到这一点，有利于我们调整心态，正视现状，并在此基础上继续努力。
第三，就是作为VC行业从业者，我们观察到中国的创新环境正在发生积极变化。虽然过去我们缺乏原创性创新的土壤，但现在时代和思想都在进步，创新的火花已经开始点燃。例如，在生物技术领域，中国已经从仿制药转型到原研药的发展。在大模型领域，像DeepSeek这样的公司虽不是完全原创，但也在尝试对模型架构进行创新，探索在有限资源下优化模型的方法。每次来到深圳，我都能感受到这里活跃的创业氛围，特别是硬件领域的年轻创业者们，他们的目标是直接面向海外市场，我们的产品不局限于国内，而是要走向世界。在国际竞争中，我们展现出了强大的竞争力。
基于这三点，我们可以看到中国正逐步走向创新。在承认与领先者之间存在差距的同时，我们也看到自己作为追随者的差距正在缩小。危机感是一种积极的动力，但恐慌会使人停滞不前。目前AI创业者所展现的危机感也许恰到好处，让我们有机会正视我们面临的挑战，努力保持在这一波AI发展中不掉队，为在下一波机会弯道超车做好准备。
钟音（主持人）：感谢几位嘉宾的分享，非常精彩。由于时间关系，最后我们留给每位嘉宾一句话的时间。请大家分享一下在AGI元年，给创业者的建议？
于红：从AI原点出发创业，不要仅仅是改良现有的产品。
章高男：我们往往高估了AI现存的价值，而低估了AI长远的价值。我觉得有意义的事是持续学习，紧密跟随AI技术的发展，把AI思维更好地融入到我们的工作和生活。
朱永：坚持做对的事情，坚持自己热爱的事情，一定能到达成功的彼岸。
