2024年9月19-20日，第十八届DEMO CHINA在成都举行。本届大会由创业邦主办，成都市经济和信息化局成都市新经济发展委员会、成都市科学技术局、成都市投资促进局、成都市博览局为指导单位。
近两年，大会围绕“AI+科技投资”展开。创新中国 AI纪元，本届DEMO CHINA以“Rise of Transformers”为主题，102家早期科技公司在大会现场参与超级展示、企业对接。其中，AI企业高达48家。致力于打造中国具有影响力的早期科技企业展示及对接平台，十余年来，DEMO CHINA吸引45000+创业企业报名，1404家企业登台展示。其中，572家企业成长到A轮以后，309家企业参与后进入下一轮融资，33家企业成功上市。
大会现场，创业邦星际营25期新锐AI之星融资加速计划、2024高通创投-红杉中国创业大赛、2024淡水河谷绿色创新计划、Banglink企业对接会同期举行。200+投资机构代表齐聚成都，带来一场创投盛宴。
会上，普华资本管理合伙人蒋纯，红点创投合伙人刘岚、OPPO巡星投资总经理乔雨婷，创新工场执行董事兼前沿科技基金总经理任博冰，Singtel Innov8新电投资中国董事总经理苏放，卓源资本创始合伙人、董事长袁宏伟，锦秋基金联合创始人、投资负责人、执行董事臧天宇在由摩根大通大中华区科技及创新经济业务董事总经理晏楠主持的主题对话——《当热钱投向生成式 AI 应用》中的精彩观点如下：
1. 每一次商业模式的革命，其结果都是未知的。只能靠创业者，只能将足够多的钱给足够聪明的人来创造答案。
2. 今天与上一轮移动互联网创业潮不一样的是，除了你有好的产品、有好的PMF之外，还有一个问题：底层技术、算力会不会制约到你的产品能力，导致最后你的竞争会变弱？
3. 面对大厂的竞争，创业公司来讲，可能选一个大厂没有那么关注的赛道会更好。另外就是在达到PMF之前，尽量少去做过大的投入。
晏楠：我想请教一下各位嘉宾，在生成式AI领域从To B和To C两个方面来看，你们大家认为有哪些细分赛道是你们大家最为看好的？作为我们在座的很多初创公司来讲，如何在跟大厂的竞争中，尤其是那些自带数据、流量和资金优势的大厂竞争中摆正自己的位置，建立自己的竞争优势？
蒋纯：大厂的竞争一直是一个问题，例如上一代互联网著名的“腾讯之问”。但我觉得现在和上一代互联网不太一样的是：整个AI格局未定，我们现在有太多的问题需要去解决和探索。例如由于科技战的封锁，导致目前中国在AI领域和美国还是有着一定差距。所以我们现在一方面是要去解决应用的问题，其实更大一块还是要解决基础的问题，基础算力、算法和模型。
算力这一块是现在最明显的问题。核心就是你怎么能用自主可控的供应链把AI芯片做出来，面对封锁，我们既要有正面强攻的队伍，比如我们投的江原这样，走国芯国造的路径；也需要迂回包抄，通过创新的技术来突破，比如说我们投的知存、苹芯这样的模拟运算，或者是我们投的芯盟这样的3D芯片的做法。
第二个就是算法，算法跟数据未来会是一个很关联的事情。因为我们现在整个大模型的发展，基本上已经把现在互联网上已经有的语料，或者说是我们人类世界能够用的Token差不多已经用完了。但其实我们人类世界能够描述或者观察到的还只是整个世界非常小的一部分。我们现在说的AI，一直有“连接主义”和“符号主义”之争，现在是连接主义大获胜利，scaling law高歌猛进。但是很有意思的一点，他们的基础还是用的“符号”，是人类的语言，而超越此之外的、大量的数据还没有被充分利用过，所以发掘更多的数据这个是未来非常大的一部分潜力，会远远大于我们目前基于人类的Token来做出来的模型。
所以这个一方面会带来很大的未来，另外一方面一定会冲击模型。我们基于现有Token的模型很可能不是最优的，但是我们不知道，你说未来Transformer还是不是最优的？我们不知道，但或许这一块会有很大的改变。
如果scaling law一直走下去，那确实就像你刚才所说，大厂一定是有优势的。但如果以上这些条件变化了，也许这样的scaling law并不是终极正确的路。也许有一天我们会发现别的方法也很有效，这时就会有新的机会，而不是你只能在大厂的模型上搞点微调，这样也许就会带来大量新的属于创业公司的机会。
第三个方面：数据，就像上面讲的，今后的数据会有大量的变化，更多直接来自物理世界的、来自传感器的数据可能会直接被AI利用。我们现在发展航天、发展机器人，其实就是为了能收集到更多的数据，超越人类这样一种生活在地表、身高一两米、仅能看到可见光这样一种生物的限制，从天空、从海洋、从完全不同的视角、完全不同的电磁波和机械波波段去直接收集更多更全面的数据，从而让AI更多认识真实的物理世界，而无须通过人类token的转述。
最后说说应用这一块，我仍然觉得每一次商业模式的革命，它其实都是未知的。我们今天看到很多东西似曾相识，有些东西像互联网时代的某个东西，像美颜相机或者是互联网时代To B的东西，但是其实一定不一样。最后这个新的体系会怎么样改变人类社会、怎么样革命？这个东西我们无法从历史经验中获取答案。
这个时候我觉得怎么办？说白了真的没有答案，只能靠创业者，只能将足够多的钱给足够聪明的人，让他们来创造答案，这就是AI 应用领域的魅力。
所以我的总结是机会很多，从算力、数据、算法，有大量新的技术需要去革新，而应用会需要新一代创业者的智慧去创造。其中有大量的机会，我们希望我们投资机构能和创业者一起去探险和开拓。
晏楠：刘总对于您来说To B和To C领域看好的细分赛道是什么？您对于初创公司的建议是什么？
刘岚：先讲To B，因为我们过去几年都在投软件相关的，这波生成式AI来了以后我们第一件事想的是让我们所有Portfolio去拥抱它，看会产生什么样的变化。目前来讲不管是To B领域的AI+还是+AI，这个感觉还是一个提效的过程，真正一种原生AI Native的应用对于To B来说，特别是企业级客户使用上来说，肯定是他需要，但是什么样新的业态出来，目前还没有跑出来的。
对比有些垂直领域，像法律、教育、医疗，感觉中美之间差异很大，法律领域美国有非常好的公司出来，教育现在中国有很多创业者在做，但是最后还是受限于政策，可能更多会走出海这一条路。而且我们也看到一些出海后发展得非常好AI教育的公司。医疗国内国外的政策法规也不一样，我们投资的百川就在这个领域发力，海外医生的助手更得到青睐。
纯To C消费这一块之前可能梳理下来，大家觉得虚拟陪伴是一个好的方向，但是结果C.AI自己也没有撑下去，导致它被迫卖身给Google。国内一堆学它的，有些人也跟我们说，一是惊讶，第二也很迷茫。
目前来看中美跑出来一些垂直搜索产品，国内不管是秘塔还是360、天工的搜索都是这个领域的产品，在美国可能成功，但是国内我们看了一圈，觉得这个赛道确实被巨头给把持着，因为它更容易获客、更容易获取流量。美国因为1%的市场份额可能就几十亿美元，搜索这个市场还是非常大。
其他几个方面目前看到了一些我们比较感兴趣的产品，但是国内国外生态又不一样，比如说编程的助手在美国接了最新的Claude 3.5以后的效果，码农完全能够用起来这些东西，而且代码接收率特别高。但在国内这些模型可能对于RIO的使用特别少，或者是大家还没有演进到那一步。确实看到一些创业者在尝试，但是商业化特别差。我看到阿里给前20的券商提供的编程助手一共签了35万，基本上创业公司在这里头也没有办法跟阿里卷这个事情，这也是大的一些互联网巨头在各个领域对于创业者、初创公司确实形成一个碾压。但是还有很多领域，我觉得大企业肯定没有办法发挥他们的优势，甚至可能大企业本身会成为它的劣势。
我们现在积极地都在看一些AI的应用，但可能跟之前移动互联网这一波最大的不一样是，除了你有好的产品、有好的PMF之外，还有一个问题：底层技术、算力会不会制约到你的产品能力，导致最后你的竞争会变弱？
整体来说，我们心态非常积极开放地跟创业者聊，但是从出手的角度确实非常谨慎，希望能够看见一些PMF，同时能够看见不管在算法、数据或者是其他维度，有自己明显的壁垒的企业。
所以相对来说这一波生成式AI应用的发展，确实不管国内还是全球，大家感觉目前处于这个泡沫在要破未破的时候，大家也在看英伟达的股价什么时候往下跌。但整体来说，可能破了之后是个好事，大家会更冷静思考什么样的东西能够真正撬动整个市场，或者是结合需求能够发展下去。
晏楠：谢谢刘总，乔总您对细分赛道的看法，还有对初创公司的建议是什么？
乔雨婷：其实国内的AI创业还是很卷的，尤其是面对大厂的竞争，创业公司来讲，可能选一个大厂没有那么关注的赛道会更好。另外就是在达到PMF之前，尽量少去做过大的投入，不管是流量还是获客，增强自身应对外部环境风险的能力。
关于To B、To C的问题，我们觉得To B现在纯软的商业模式在国内还是有点难的。纯软的我们看到电商领域有一些文生图，它可能面对的客户是小B会好一些，但是大B定制化的服务或者是私有化部署确实对创业公司资金占用量很大。
另外To C有一些还是不要走大厂关注主力的赛道，其实搜索这些都是大厂非常重视的赛道，切一些比较细分一点的，从细分领域入手，找到自己的PMF，找到用户的刚需，引导客户的需求，再去扩大。
任博冰：我们觉得To C和To B的应用目前还是有很多的机会，To B现在看到随着模型能力增强，可能业务形态会从Copilot到Autopilot这种过程中，可能会带来多种多样的变化。
一个是你的产品和这个企业本身关系的变化，还有产品和企业里面人的关系的变化。比如说美国现在有AI服务即软件的模式，这也是模型能力在部分领域，无论是in-house，还是out- source这两个服务形态。
比如说out-source之前像法律，内部的in-house，比如说像IT这样的领域，只能在Copilot的状态下，事实上可以以服务的形式服务输出，所以出现了AI服务即软件的形态，这都是一些关系的改变。
在To C方面，我们觉得现在其实还是一个原点的状态，因为还有很多东西让我们重新定义，有可能远远超过以前互联网或者是移动互联网的空间。所以我们最近在和极客公园合作AI2C的孵化营，关注AI时代的社交、内容、娱乐等。我们看到了很多做出掀翻牌桌的应用的可能性，来自于底层模块的变化。比如说像我们手机的前置摄像头因为可以识别人脸，所以打开了支付和认证入手，或者是识别二维码，打开了O2O的入口。现在我们AI的摄像头的功能是可以识别世界万物，而且这个摄像头开在任何地方，所以我们用手机，包括用电脑去浏览网页、看视频，本质上你只要打开AI功能，后面它可以理解你所有的东西，包括语音和电影中片段中的一个东西，甚至整个语义。
所以这只是举一个例子，我们看到至少有十多个这样的功能，包括之前用户分析、用户影响、内容特征理解等等，这些其实都可以AI重新定义一遍，所以可以做出下一个Meta这样的公司，我们对这个事情很有信心。
苏放：我们这边主要是关注中国公司出海，出海当然也可以分成To B跟To C。我觉得To B在出海的场景下，因为中国公司供应链非常强，基本上以跨境电商为主卖货这种，无论是小家电，还有自行车，包括AR眼镜之类的，就是这种Consumer electronics，是中国出海的主要的爆点。
这块如果跟AI Agent结合起来，如何能够帮助B2C，就是Direct to customer这种品牌降本增效，在Marketing promotion这方面让它花更少的钱，能够获得更多的客户，包括更多的成交的量，这肯定是一个最核心的。
我关注的今年上半年基本上To B和出海这一块的AI Agent或者是Co pollen方面，主要还是以电商赛道为主。很多是这种文生图、文生视频，包括一整套的解决方案，从投放到最后转化率，然后帮助客户分析客户的流失率，这一整套电商的Marketing全流程分析。有的是做其中一个点，有的是做整个全流程，基本上还是围绕中国出海的跨境电商这一块做。
另外如果做大B，我觉得目前还没有看到特别好的初创公司的项目。To C我觉得大家除了那个AI搜索之外，当然是社交媒体，大家希望在AIGC这个大的背景之下，能够产生下一代的TikTok之类的，这个TikTok肯定是全球性的APP，是一个超级APP，这是大家最终想投的结果。
但是现在To C这一块现状还是关注于某一个场景，这种社交媒体大的场景的AI Agent赋能的超级APP可能目前还没有看到。但是像Mini max去年年初尝试了几款做海外的社交媒体产品，我个人感觉好像从新闻媒体来看，没有太多的后续的发展。社交媒体这一块可能也是一个长线打法，就看大厂跟初创公司这两边哪方面能够在这种场景下在产品上产生一些突破。
袁宏伟：因为我们开始关注AI是比较早，投资也比较早，以我们的经验来说，To B这一块其实你做一个纯软件，尤其不是一个大的平台，对于初创公司挑战还是挺大的。
我们在投数据中台的时候发现，最终大家利用自己某一方面的纯软的专项优势，专注一个方向，把它硬件化，形成了一个To B的市场。
因为To B市场其实对中国的初创公司来说还是在中国的市场为主，中国的中大的B，他们都会有采购等各方面的预算一个特殊的流程，如果不结合在硬件里，你是很难形成一个让你能够获得回报的价格。
即使是To B，我觉得还是To一些中小的B可能对初创公司更友好一些，因为大的这些可能大的平台都涉猎了，自然也是他们不会放弃的人工智能化的市场。
还有一点得特别提醒的是我们初创公司一定要兼顾到中国市场自身的竞争优势——就是在硬件的供应链完备的生态上。所以你如果能在这个方向上把AI结合到适合的、有竞争力的、产品力很强的硬件上，它在全球市场都是有我们自己的竞争力。这是一个非常适合中国初创企业做的市场，因为大的平台做硬件是需要做一个非常大的硬件，才能够覆盖它的长期研发支出。在供应链上如果是一些初创的产品，对于大公司来说也没有特别的成本优势。
所以这一块对于初创企业应该是一个很好的市场，而且出海的时候如果不是非常大的产品，受到各种非经济因素影响的制约也会少很多，所以这个方向应该是一个挺不错的方向，就这么多。
臧天宇：今年市场上其实渐渐地涌现出了很多比较创新的AI创业项目。锦秋基金今年到现在为止在2C、2B应用和算力领域投资出手了9个AI相关的项目，我们一直在非常积极高效地投资。
如果是ToC方向的话，其实我们更多关注的还是跟社交、娱乐、内容相关的领域，因为对于LLM来讲，它对于产品很大的价值就是能够很显著地提升用户的Engagement，带来比较高的黏性和使用的时长。这是一个很好的起点，因为时长背后对应的是潜在的商业价值，只是说你需要找到一个合适的商业产品的形态，最终去实现它，我们已经从我们投资的项目里面看到了这个趋势。
如果是To B，我们看很多项目下来的体会，LLM比较核心的两个价值：
第一个，从海量非结构化数据里面快速提取特征或者是Insights的能力，很好的做数据清洗的工具，这个是过去需要用比较复杂的机器学习技术栈来实现的，现在相对来讲可以做到即插即用。
第二个，可以用LLM来串联起一些比较非标的流程，实现一些简单的Action。
这两点结合，对于很多原有的To B应用领域都可以带来比较显著的变化。
从具体的应用方向来讲，我们优先关注跟企业的Top line结合紧密的方向，就是说帮助企业去做获客，去提升用户Engagement的一些领域，比如说营销增长，我们今年出手投的几个To B类应用项目都落在这个范畴内。
从最终实现商业价值的模式上比较认同刚刚博冰说的提供服务，尤其是可衡量效果的服务，而不是简单地提供一个工具，这可能是我们这段时间接触和投资一些创业公司后的体会。
