AI在变，创业者怎么改变？

摘要： 在 AI 行业不断变化的今天，国内的 AI 企业出海的话，应该如何改变？像我们这样的普通人，身处 AI 全球化的浪潮中，还有什么能抓住的机会？11 月 7 日（周三）13:00 点...

在 AI 行业不断变化的今天，国内的 AI 企业出海的话，应该如何改变？像我们这样的普通人，身处 AI 全球化的浪潮中，还有什么能抓住的机会？

11 月 7 日（周三）13:00 点，氪星直播间邀请到了 Beta 硅谷智库创始人云飞、Forma Cloud 创始人黄山，和我们一起聊聊：AI 在变，创业者怎么改变？

本次直播主要聚焦以下问题：

今年的诺贝尔三大奖中，有两项都赋予了与 AI 相关的科学研究。两位怎么看 AI 横扫诺贝尔奖这件事？ 传闻国内大模型「六小龙」至少有两家要放弃预训练了，两位怎么看待这件事？Meta 为什么要花重金训练自己的开源模型？ 手机厂商们在今年密集发布 AI 手机，两位如何看待 AI 手机未来的发展，以及苹果在 AI 行业的布局？ 国内 AI 企业到海外去，有哪些普遍需求和独特优势？ 从黏土相机到 Talkie 等社交类应用，AI 产品面临同质化、生命周期较短的问题。两位更看好哪一类产品，怎么看同质化现象？ 对 AI 公司而言，更快实现 PMF、打造底层能力的差异化、拥有自己的用户数据，哪个更重要？ 对于想要出海的中国 AI 企业，请两位给出三条锦囊妙计。

以下为两位嘉宾和 36 氪的对谈，部分内容经过整理编辑：

36 氪：今年的诺贝尔三大奖中，有两项都赋予了与 AI 相关的科学研究。两位怎么看 AI 横扫诺贝尔奖这件事？

云飞：今年的诺贝尔奖作为一个信号，进一步证实了 AI 发展的必然趋势。在硅谷，我们与 YC 的 CEO Garry Tan 进行了交流，有一个共识：未来十年，所有公司都将采用生成式技术，他们的产品都将带有生成式技术的特征，这是一个不可逆转的趋势。

我们常把 AI 比喻为一条龙，它已经从笼子中被释放，尽管依然存在着安全问题和控制权的担忧，但龙已经无法被重新关回笼子，每个人的生活都因此发生了本质的变化。具体来说，无论是华人企业出海到美国，还是当地优秀人才创业，方向大致分为三个层面：首先是芯片层，这类比于电气时代的发电厂；其次是模型层，类似于配电公司；最后是应用层，类比于电气时代的电灯泡。2024 年，创业者开始专注于创造各种电灯泡，也就是在 AI 应用层面上进行创新。尤其是在硅谷，都在探索如何开发出下一个好用的 AI 应用产品。相比之下，在模型层和芯片层的探讨较少，因为目前的格局已初步形成。

黄山：关于今年的诺贝尔奖，我认为这个做法有些不合理。如果 AI 领域从业者能够获得物理学奖，那是不是文学奖应该授予 ChatGPT，因为它无疑是今年最受关注的 " 作家 "。当然，这只是一个玩笑。在我看来，诺贝尔奖对 AI 行业的影响可能并不显著。因为获奖的两位学者 John J. Hopfield 和 Geoffrey E. Hinton，他们的贡献集中在上世纪 80 年代。

可以简单跟大家介绍下这两位，Hinton 比较有名，反向传播算法至今仍被用于神经网络训练。Hopfield 是发明了 Hopfield 神经网络，主要用于存储和回忆功能。尽管这种网络现在已经不常用，但核心思想仍然被现代 AI 技术采用，例如注意力机制和损失函数。Hopfield 的思想可以通过一个简单的例子来说明：假设我们三个人正在聊天，如果我的脸被遮住，大家仍可以根据我以前的行为模式来判断我是否在场。例如，以前云飞和婉君在场时我经常在，那么即使今天你们没有直接看到我，也可以推断我在场。这种思想可以应用于图像补全，比如通过其他像素来推断丢失像素的样子。因此，Hopfield 的思想在 AI 领域依然具有重要性，值得大家了解。

36 氪：传闻国内大模型「六小龙」至少有两家要放弃预训练了，两位怎么看待这件事？Meta 为什么还要花重金训练自己的开源模型？

云飞：首先，Meta 的做法是明确牺牲短期商业利益，换取在 AI 生态中长期的战略优势。具体来说，Meta 想通过开源推动行业标准的建立，吸引开发者和研究者围绕其平台进行创新，从而巩固其在 AI 生态中的影响力。免费是成本最高的获客手段，即使他们的模型性能只有 70 分，但通过免费提供，能从市场上 85 分的模型那里吸引更多用户，这是其主要的战略考量。第二，是为了生态系统的建设。Meta 希望以自身为中心，建立基于 Llama3 的多种应用产品和公司，以促进生态系统的建设。这不仅增强了 Meta 的影响力，还鼓励了小型企业在其平台上发展。最后，Meta 可以通过全球用户的数据和反馈，优化自身模型的性能和安全性。这三点是 Meta 推动 AI 开源模型的清晰目标。

黄山：我从三个层面探讨 Meta 为什么投入巨资训练开源模型。首先，Meta 为何要自行训练模型？因为他们的规模大，需要避免被人 " 卡脖子 "。Meta 以前在苹果平台上提供服务时遭遇限制，例如广告数据的获取受限，这让 Zuckerberg 意识到依赖竞争对手的系统是不利的。对于大型公司而言，选择合作伙伴是一个重大决策。其次，Meta 为何要免费提供模型？因为免费可以促进生态建设。而且 AI 大模型的用户粘性较低，用户可以轻易更换。所以，在 AI 大模型领域，企业想要吸引用户花钱使用，除非是行业第一，否则很难盈利。最后，Meta 为何要开放模型权重？虽然 Meta 并没有开放源代码和训练数据，但确实公开了一些信息，如论文。最初，Meta 希望用户报名后免费使用模型，但有人私下把模型公布出来，并把种子传播到了匿名社区。他们最终才决定全面开放模型，同时也意识到建立生态的重要性。大型模型不仅需要部署，还需要各种手动集成操作，这些并非 Meta 的主要任务。因此，Meta 专注于模型开发，而社区则负责将模型应用于不同场景并完善接口，这对 Meta 也是有益的。

36 氪：手机厂商们在今年密集发布 AI 手机，两位如何看待 AI 手机未来的发展，以及苹果在 AI 行业的布局？

云飞：对于苹果来说，一个硬件公司想去做软件，说实话是件很别扭的事情，他们也一直在尝试。目前我们还没看到苹果在 AI 领域有脱胎换骨的变化，它的企业文化也不允许这样的转变。但我对于苹果接下来做硬件方面的能力，还是非常看好的，人家在这方面确实是练出来的肌肉，也是行业里面的老大。反观谷歌，大模型 Transformer 这套东西最早是从他们这里出来的。但由于内部 DNA 和文化，导致 AI 这个孩子出生之后长不大，反而被其他人先抚养起来，变得无比强壮，以至于开始跟谷歌叫嚣。总的来说，软件公司想干 AI 都有这么大的挑战，苹果作为一个硬件公司，挑战是更大的。

虽然业内人士都说，软件公司搞硬件比硬件公司搞软件稍好一点。但是从谷歌的 Google Mobile Phone 来看，跟苹果的硬件比还是有差距的。所以，苹果如果想赢的话，需要参考微软在这个问题上的做法。继续挣自己的钱，然后投一个叫 OpenAI 这样的公司，你去孵化、滋养它，把你的客户、算力都给它，这样就可以培养第二增长曲线。Satya Nadella 在微软已经替苹果打样了， Tim Cook 要不要抄作业，就看他自己的选择了。

黄山：首先，云飞对苹果发展 AI 的解读，我基本同意。苹果资源丰富，完全有能力收购小型或中等规模的公司。他们在 AI 领域的布局已有相当长的时间，大家以前在手机中看到的小功能，例如智能选择照片和视频编辑等，都有 AI 功能的嵌入。苹果在 AI 行业中的一个显著优势，是 CPU 和 GPU 的硬件，尤其是 M 系列芯片。虽然这些芯片与 Nvidia 的芯片可能存在一些代差，但也就两三年的时间。而且苹果的硬件有其独特之处，如体积小、能耗低。因此，在 AI 行业中，苹果仍有可能开发出优秀的产品。

其次，手机中的人工智能肯定是个好事，但我不太会使用苹果的 AI 技术。一方面，我是出于隐私考虑，尽管我相信苹果在保护隐私方面做得相对较好，但我还是希望这项技术能更加成熟。我对新技术一般持保守态度。另一方面，我的决定还基于一个直接的计算原因。比如，iPhone 16 的总内存是 8GB，而运行 Llama3 8B 模型（具有 80 亿参数）完整精度，至少需要 16GB 的显存。在这种情况下，我们可能需要等到苹果逐步提升硬件配置，直到内存足够后再使用。

36 氪：国内 AI 企业到海外去，有哪些普遍需求和独特优势？

云飞：出海的企业种类很多，不仅有中型、大型企业，也有大型企业孵化出来的小公司出海，甚至是上市公司到海外寻找第二增长曲线。总的来说，中国企业的优势主要有三个：

首先，中国企业在全球范围内以快速的执行力著称，无论是设计、软件开发还是用户调研，都能迅速将概念落地。其次，服务方面。中国企业在提供人性化服务方面做得非常出色。与美国相比，美国的服务流程繁琐且耗时，而中国企业能迅速响应并解决问题。第三，工程师性价比高。中国企业能够以较低的成本提供高质量的工程师资源，相同投资下，中国企业的运营效率可能是美国企业的三倍。

需求方面，我们可以看到国内的出海策略，大致有四种方式，其中一种不太可行，其余三种较为有效。我们可以想象一个象限图来说明这些策略：横轴代表是否在中国或美国亲自开展业务。纵轴代表是否亲自参与或雇佣他人作为代表。右上角象限指的是那些愿意搬到美国并亲自开展业务的人，这类人通常有留学背景，英语流利，适合在美国开展业务。第二类是在中国取得成功但未在海外留学的企业家，他们可能会选择在美国安家，并寻找当地的 CEO 作为代言人。第三类是超级巨头，如 BAT，他们继续在中国发展，同时雇佣美国领导者来拓展全球市场。最后一个不成功的策略是试图在中国同时管理美国的业务，这种方式难以成功，如最近国内一家头部企业，要求管理海外业务的员工必须搬到海外，否则离职。这说明跨地域管理业务存在很大难度。

黄山：在人力资源方面，中国确实有优势，国内竞争激烈是公认的事实。此外，我想给国内泼一盆冷水。尽管中国企业在人力资源方面有优势，但在 AI 时代，AI 的成本更为关键。国内使用的大模型的成本是多少，这是一个非常关键的问题。国内企业需要在 AI 的质量和成本上建立优势，这样出海时才会有竞争力。大家都知道我们在 GPU 方面被 " 卡脖子 "，如果时间可以回到 10 年前或 20 年前，我相信一定会优先解决 GPU 问题。现在虽然在应用层面的开发总体是可行的，但还是解决这个技术制约最重要，国内应该在这方面投入更多精力。

36 氪：从黏土相机到 Talkie 等社交类应用，AI 产品面临同质化、生命周期较短的问题。两位更看好哪一类产品，怎么看同质化现象？

黄山：我觉得 AI 应用比较好的领域，还是所谓的能变现的领域。无论什么应用，你不能期望永远领先别人，但在他人超越之前，你可以进行变现。因此，我认为这是一个值得关注的方向。具体来说，哪些领域可以实现变现？

首先，是内容生成。AI 内容生成目前成本较高，因为它需要大量的 AI 资源。但有两个趋势可以判断：一是 AI 的成本肯定会越来越低；二是用户对内容错误的容忍度。大模型经常会出错，但是如果 AI 应用产品方向选择得好，用户对错误的容忍度会较高。而如果用户对错误的容忍度为零，那么这个领域就不适合。其次，是 AI 的数据方面。AI 主要是通过训练数据生成的，而这些数据可以作为企业的核心资产，你不需要将其开放给他人，就像 Llama 一样，不将数据分享给他人，别人就无法复制其产品。因此，AI 训练数据是一个具有良好知识产权保护的赛道。第三，我认为 AI 陪伴是一个好赛道，因为这是一个刚性需求。未来如果有设备可以提供更真实的陪伴，那这个领域将会有很大的发展空间。同行们暂时做得还不够好，但未来肯定会有改进，因此 AI 陪伴也是一个值得关注的赛道。

至于同质化，我认为产品被复制的问题并非由 AI 引起。在 AI 出现之前，任何热门产品都难以避免被复制的命运。如果一个产品容易被复制，那么它就应该被复制，且必然会被复制，在产品开发时就应考虑到这一点。大家可以访问 Y Combinator（YC）的网站，查看他们每一期孵化的公司，带着这个问题看看这些公司，可能会有新的感悟。至少可以了解如何保护自己的产品不被轻易复制，或者至少提高复制的难度。

云飞：我们经常内部讨论这个问题，最终得出的结论是 " 不应按赛道来关注，而应围绕创始人 "。每位创始人都有其专业领域的深厚背景，比如新闻或供应链，创业者在这些领域积累了十年的经验，知道行业内的真实场景和问题是什么，再将 AI 技术嵌入其中，就能更容易接到订单、变现。在硅谷，早期投资人和创业者都清楚，真正成功的创业者通常在第一阶段就能实现销售，而不是依赖于宏大的故事。

对大多数人来说，成功的商业模式往往是那些看似不性感甚至有点无聊的商业策略。这又回到了之前提到的，企业竞争力的关键在于了解对方的真实需求，而不是仅仅推销一个万能的 AI 工具。市场已经对这种推销已经麻木了，不再相信一个工具能解决所有问题。按照这个逻辑推下来的话，比较有潜力的 AI 赛道，还是在 SARS 领域，尤其是 ToB SARS。我通常会鼓励 AI 创业者深入实际，扎实地掌握看似无聊的商业技能，完成交易，实现订单成交。许多成功的独角兽公司也是从单一订单开始，逐渐积累，最终实现平台化和产品化。对于没有特定领域经验的创业者，建议考虑那些费时但简单的任务，这些任务非常适合 AI 处理。

最后，目前创业者面临的现实是，如果 AI 工具只解决单一场景问题，就会很容易被复制和替代。在 ToC 层面，用户可能会因为免费或 CEO 的活跃度而选择使用某个产品，但最终会转向新的、更酷的产品。因此，ToB 领域提供了更多机会，因为 ToB 不是单点链接，而是通过多个环节与客户建立联系。替换一个 ToB 产品需要巨大的成本，因此客户更倾向于保持现状。这为 ToB 领域的创业者提供了更多机会和发挥空间，他们可以通过多个钩子牢牢抓住客户。

36 氪：对 AI 公司而言，更快实现 PMF、打造底层能力的差异化、拥有自己的用户数据，哪个更重要？

云飞：首先说结论，PMF（产品市场契合度）最重要，尤其是现在一级市场投资并不十分活跃的情况下。尽管美国新政府上任可能会带来一些变化，但在这之前，PMF 仍然是关键。

我举一个 Agency Right 公司的例子，它的创始人最初是想帮广告商提高广告投资回报率（ROI），许多投资者的第一反应是很惊讶，因为这是一个竞争激烈的赛道。但是这位创始人在广告行业有多年经验，他对行业的理解足够深刻。虽然在第一年并没有获得融资，但创始人一直专注在产品开发，没有外部投资的情况下自行实现 PMF，并最终达到了 60 万美元的年度经常性收入（ARR）。到了今年 6 月，他再寻求融资的时候，种子轮已经超额认购，许多知名大厂和一线基金都争相投资。

这非常直观地展示了 PMF 的重要性，它能给创业者和团队带来实实在在的安全感。每个月的进展，新订单、新客户和真实用户反馈，都是至关重要的。在 AI 高度同质化的时代，如果说每个人都像坐在火箭上一样快速前进，那么谁能根据自己的行业经验创造出独特的价值，谁就会在 PMF 中体现出来，因为 PMF 中的 "M" 就代表对市场的深刻理解。关于模型之间的底层能力，虽然还存在差异，但没有公司会因为 Claude 而没有使用 OpenAI 失败。公司失败的原因通常是找不到客户或者 PMF 不奏效。

最后，我们把数据简单分为用户数据和非用户数据。其实在非 AI 时代，用户数据就已经非常有价值了；但在 AI 时代，用户数据的价值还会增加十倍甚至二十倍。因此，在互联网时代，如果公司在某些方面拥有优势，尤其是用户数据层面，这种优势在 AI 时代将被大幅放大。真正意义上的独家数据就是用户数据，这是构成 AI 产品核心壁垒的关键。如果你拥有的是市场上采购的数据，或者是从其他地方获取的数据，包括那些可以轻易获得的数据，这些数据的价值就相对较低。周鸿祎来硅谷时我们也讨论了这点，任何可以购买的数据都不具有真正的价值，因为这些数据已经被商品化，你的竞争对手很可能也在使用类似的数据。

黄山：我想分享一下数据的重要性，用一个比喻来说明。比如我们正在烹饪一道菜，这道菜代表我们训练出的模型；我们需要一口锅和一些原材料，其中算力可以比作锅，电力可以比作火，数据是厨房里的原材料，比如青菜。没有原材料，即使有锅也无法做出菜，正如巧妇难为无米之炊。这就强调了原材料的重要性，数据的重要性也在于此。

36 氪：对于想要出海的中国 AI 企业，请两位给出三条锦囊妙计。

云飞：首先，在企业层面，如果想要出海，要亲自去了解市场。待在北上广的办公室，或者只是跟海外同事打电话，无法替代亲自到硅谷或洛杉矶的体验。如果你打算做电商，可以花一周时间与当地朋友见面，感受真实的市场氛围。即使回去后决定不再来了，这次经历也是有价值的。建议使用旅游签证，顺便进行一些商务活动。这是我认为最重要的建议，适用于企业和个人。

其次，关于如何避免踩坑。其实中国企业出海已有一段时间，我们可以借鉴一些成功和失败的案例，虽然历史不会重复，但往往会有相似之处。比如，有些知名中国企业在欧洲设厂的时候因为违反当地规定而被关闭，或者在墨西哥建厂时遇到问题。这些前人的经验教训值得我们学习。在出海之前，了解这些案例可以帮助我们避免重复错误。

黄山：对于决心出海的企业来说，了解和尊重当地的商业文化至关重要。以美国为例，如果你的企业是面向企业客户（ToB），你需要知道美国企业相对资金充裕，更愿意为产品付费，但同时对产品稳定性的要求非常高，因为他们本质上是在用金钱换取时间。我自己曾在初创企业负责采购，我们选择产品的原则是，如果产品能够稳定运行，我们不会去打扰供应商，每年定期支付费用即可；但如果产品出现问题，我们可能就需要考虑更换供应商。

其次，对于出海企业而言，结合海外人才的智慧是必要的。你需要了解海外人士的思维方式，并尊重他们的经验。在这方面，许多国内企业可能在语言上存在不足，因此可能需要寻找既了解中国文化又熟悉海外文化的人才。

更多精彩内容，可点击观看完整直播回放：