生成式AI：三塊短板、兩道難題、一個悖論

煉大模型，大煉模型

近年來是全球創投的低潮，生成式AI （GenAI）卻逆市而起，去年的融資筆數和融資額分別增長66%和400% （資料來源：CB Insight，如下圖），融資額高居所有細分領域第一位（資料來源：Dealroom.co）。

去年美國前5大創投中，OpenAI、Anthropic （2筆）和Inflection AI三家GenAI公司佔據了4個，融資額分別高達100億美元、40億美元、20億美元和13億美元，主要投資者是微軟、亞馬遜、谷歌和輝達等巨頭（資料來源：Crunchbase）。

當下的GenAI熱潮起源於美國產業界，實際上美國政府也高度重視，提出了「確保繼續保持領導地位」的戰略目標。在歐巴馬時期，美國白宮發布《國家人工智慧研發戰略計劃》（2016 年），川普時期（2019）和拜登時期（2023）分別對其進行了更新，從而形成了9大戰略—長期投資、人和AI協作、倫理、安全、資料集、評估標準、人才、公私合作、國際合作。為推動策略執行和落地，美國白宮科技政策辦公室（OSTP）相繼設置了人工智慧特別委員會（2018）和國家人工智慧倡議辦公室（2021）。

國內也煉大模型、大煉模型。今年一季度，全球前三大GenAI創投中，中國佔其二——月之暗面10億美元A輪融資和MiniMax 6億美元融資。電信業者、手機廠商、家電廠商、汽車公司、軟體公司、AI公司、網路公司、電商等各類型的企業紛紛涉足，已有117個大模型透過國家生成式人工智慧服務備案。大模型成為大廠標配。不過並沒有短兵相接的“百模大戰”，反而頗有井水不犯河水之意。

三塊短板

中國人工智慧位居世界前列。但也存在尚待補齊的短板，集中體現在算力、資料集和人才三個方面。

一是算力。 GenAI以算力堆積實現智慧湧現，其成功依賴暴力美學。

根據Jaime Sevilla等人的研究（2022），在前深度學習時代（1952-2009），算力需求每21.3個月翻一番，符合摩爾定律；在深度學習時代（2010-2022），算力需求加快到每5.6個月翻倍。如下圖所示。根據THE DECODER揭露（2023），GPT-4的每秒浮點運算次數（FLOPs）達到2.15×10^25，一次訓練成本6,300萬美元。

在機器學習圖形處理器領域，輝達佔有95%的市佔率（資料來源：New Street Research，2023）。輝達的A100和H100晶片是訓練大模型的“金剛鑽”，具有不可替代性。由於美國對華GPU限令，中國面臨卡脖子現實。

二是數據集。中國數據規模大。根據國家網路資訊辦公室《數位中國發展報告（2022年）》，2022年中國數據產量8.1ZB，全球佔10.5%，位居世界第二。這被看作發展相關產業的優勢。

然而，規模優勢不足以彌補品質欠缺。不管把多大數量的馬車連續相加，也絕不能得到一條鐵路（熊彼特，1934）。數據品質至少同等重要。在Hugging Face的高品質資料集中，英文以37.7%的比重位居第一位，中文僅佔3.2%，和波蘭語並列第九（資料來源：OECD，2023）。如下圖所示。中國資料集的品質仍有待進一步提升。當然，這非一日之功，需要歷經歲月的累積。

三是人才。自1966年以來，全世界共有77人獲得圖靈獎。其中只有一名華人－姚期智（2000）。中國電腦科學的歷史累積尚有不足，所幸近年來進步很大，成為美國最大的競爭對手。

根據MacroPolo資料（2024），全球最頂級（前2%） AI研究人員的原籍國中，中國以26%的比例逼近美國（28%），位居第二位。在頂尖（前20%） AI研究人員的原籍國中，中國有47%，遠超美國（18%）。

但仍有隱憂，在最頂級（前2%） AI研究人員的就業國家中，中國仍位居第二，但僅有12%，遠落後於美國（57%）。如下表所示。 GenAI高度依賴人們的創新能力。如何吸引全球頂尖人才來華創業、就業，是需要努力的方向。

兩道難題

每次創新都不是輕而易舉的，都需要破除許多困難，遭受人們的質疑。目前的GenAI面臨以下兩個比較突出的問題。當然，只有發展才能解決問題。

一是缺乏殺手級應用，面臨商業化困難。偉大的時代，必有殺手級應用。例如PC時代的Office，桌面網路時代的搜索，行動網路時代的手機支付。 GenAI是世界潮流，然而還處於應用推廣的早期，美國企業的AI採用率僅有5.4% （資料來源：人口普查局，2024）。

大模型燃燒的是美元，產出是更少的美元。作為全球最性感的GenAI公司， OpenAI有會員訂閱付費、開發者付費和微軟分成三種盈利模式，自成立以來的收入累計不足20億美元（來源：Finbold），卻耗費了113億美元融資。微軟的GitHub Copilot也採用會員訂閱模式，用戶需支付10美元月費或100美元年費。但因計算成本高，微軟平均每月在每個用戶上的虧損超過20美元，重度用戶高達80 美元（資料來源：華爾街日報，2023.10）。

GenAI尚不具備傳統軟體的規模經濟，需要透過給予用戶巨額補貼來培育市場。國內用戶則喜歡免費，為優質內容和知識付費的習慣尚未形成，會員訂閱不成主流。 GenAI的商業模式仍處於探索的初期。

二是未能顯著提振平台企業業績，雲端和晶片是最大受益者。 GenAI的興起為中國平台經濟注入了一線生機，各大平台紛紛下場推出大模型。然而，GenAI的火熱未能顯著提振平台企業的業績，中國互聯網平台仍處於萎靡期。自ChatGPT發布以來，儘管疊加了疫情結束、國家支持等利好因素，中國互聯網公司的市值仍有漲有跌，相當大比例的企業跌幅較大，如下圖所示。

大模型訓練需要耗費大量算力，根據A16Z （2023）的數據，GenAI總收入的10-20%將流向雲端服務提供者。其中，新創公司80%-90%的早期融資都用來向雲端運算平台購買算力。微軟、亞馬遜和谷歌是全球三大雲端基礎設施服務商，也是最活躍的GenAI投資者，就不足為奇了。自ChatGPT發布以來，輝達市值成長457%，成為全球市值第三高的公司，是最大獲益者。

第四次工業革命的悖論

自1956年達特茅斯會議提出「人工智慧」術語以來，人工智慧的發展起起伏伏，經歷了多次炒作週期。這次似乎不一樣，即使對懷疑論者來說，ChatGPT的發布也意味著人工智慧技術的重大突破。人們興奮大呼：人工智慧驅動的第四次工業革命正在到來。

工業革命的影響是全面的、深刻的、長遠的，「綜觀世界經濟史，工業革命是唯一一件大事」（Irad Kimhi，2006 年）。第四次工業革命如果到來，人們必會躊躇滿志，經濟必會生機蓬勃，生活必會欣欣向榮。然而，好像不是。這是一個悖論。對此，時間可以給出答案，我們不必爭論。有四個事實說明：

第一，人們對「智能」懷有與生俱來的痴迷，人工智慧的發展充斥著樂觀思潮。謝耘（2023）對其評價是：「志存高遠，盲目樂觀。」達特茅斯會議的主要參與者就曾作出大膽預言：

1958年，艾倫·紐厄爾和赫伯特·西蒙（兩人共同獲得1975圖靈獎）：“十年之內，數位計算機將成為國際象棋世界冠軍”，“十年之內，數字計算機將發現並證明一個重要的數學定理」。

1965年，赫伯特·西蒙（1978年諾貝爾經濟學獎得主）：“二十年內，機器將能完成人能做到的一切工作。”

1970年，馬文·閔斯基（1969圖靈獎得主）：“在三到八年的時間裡，我們將得到一台具有人類平均智能的機器。”

第二，自2009年以來我們一直在「經歷」第四次工業革命（也有人說是第三次工業革命）。在中國知網上，以「第四次工業革命」和「第四次產業革命」為題名的文章分別有386篇和48篇（不計入2024年），如下圖所示。

微電子（1984）、雲端運算（2012）、物聯網（2016）、大數據（2016）、區塊鏈（2017）、工業互聯網（2017）、新基建（2020）等，都曾被賦以「第四次工業革命」的使命。現在輪到GenAI了。這意味著，GenAI需要達到與蒸汽機、發電機、內燃機、電腦和互聯網一樣的高度。

第三，國外一般把GenAI （或AI）比喻為智慧型手機、雲端運算、網路等特定技術，且通常使用「可能」「之一」等詞彙。例如：

黃仁勳（2023.2）：ChatGPT是“the iPhone moment of AI”， OpenAI所做工作是“one of the greatest things that have ever been done for computing”。

比爾蓋茲在《The Age of AI has begun》（2023.3）中表示，圖形使用者介面和GPT是他一生中見證過的兩次革命性技術展示，並指出：「人工智慧的發展與微處理器、個人電腦、網路和行動電話的誕生一樣重要。

亞馬遜CEO賈西致股東信（2024.4）：“Generative AI may be the largest technology transformation since the cloud  (which itself， is still in the early stages)， and perhaps since the Internet.”

第四，歷次工業革命都不是預測的結果，而是後人的總結。第一次工業革命（1760-1840）結束40年後，術語「Industrial Revolution」才在阿諾德·湯因比的推動下為大眾所知；第二次工業革命（1870-1914）結束40年後，經濟學家才開始使用“Second Industrial Revolution”，到1969年戴維·蘭德斯《不受束縛的普羅米修斯》才標準化了其學術定義；第三次工業革命尚無統一認知，暫且不表。這相當有「偉大不能被計劃」的味道，讓我們期待第四次工業革命的不同之處。(虎嗅APP)