投资AI很难 三类应用各有不确定性

老早以前巴菲特曾在采访中说过，作为一个具有确定性发展趋势的技术创新行业，会有很多伟大的公司产生，但这并不代表你要去投资这个行业，原因也很简单，里面有太多的不确定性难以把握。而AI发展至今已经成为现在最大的产业趋势，里面的不确定性也数不胜数。

业内往往把AI发展分成几个大阶段：

新技术突破阶段：AI技术上个世纪50年代就有了，后来在最近10年因为计算机硬件在算力上突破于是才有了应用普及的前景。

基础设施搭建阶段：算力要有大量的数据中心做支持，有高性能的GPU、机房、服务器等等配套设备，算力的模型要完善和升级并需要和它配套的大量数据资产等等。

应用及内容生成阶段：现在已经出现的种种生成式AI图片、文章、视频，未来要出现的具身智能应用，各行业的垂直大模型等。

我们现在正处于第二阶段到第三阶段的过渡期，在基础设施不断完善的前提下，会有越来越多的应用落地，但是这种应用也是分层次的，另外有重大的不确定性。

“单点”应用的大模型，谁能跑出来还不确定

现在火爆的“豆包”，“KIMI”，“OpenAI”等大模型目前还在初级应用阶段，首先能解决的是某一项单一功能的问题，你可以让他生成一篇文章、一段文字，一段视频或者回答一个问题，他已经能比较成熟的应对了，但这些底层的大模型要越来越好用就要不断烧钱升级算力和硬件，另外不断要数据去喂养和完善，所以海量的用户就是他天然的“老师”和数据源，就算投入再大，这些大模型也会继续免费给大家用，而且还要持续烧钱，直到训练效果到了某个临界点，他的运行成本会大幅度降低。

这种基础层的开发一般属于大厂的军备竞赛，不是小公司能负担的起的游戏，训练一个大模型按照现在主流的技术路径至少要几十亿美元的投入，但凡事都不会是绝对的，总有颠覆式搅局者。

前不久刚刚出现的幻方量化推出的DeepSeek大模型据说只用了几百万美元的成本就训练出了媲美OpenAi的大模型，因为他优化了模型训练架构，没有采用传统的Transformer架构，而是采用了MoE架构（具体技术层面就不多解释了）大幅度提高了训练效率。

科技创新型企业会颠覆传统行业，但一样会被同样是科技创新型企业颠覆，所以技术创新本来就是个不确定的是，按照常理，目前的科技巨头会有一批在AI时代进一步奠定霸主地位，但同样会有巨头会与风口失之交臂，被创新的"鲶鱼"打败，但最后一统江湖的大模型霸主只能就是那么一两个，一样会是互联网时代的赢家通吃，很残酷。

“线应用”的智能体，想说落地不容易

在下一阶段，企业会在基础的大模型上，开发出一系列的AI工具，并且让AI可以自动调用多个工具包进行协作，这就出现了AI Agent的概念，也就是“人工智能体”。例如在企业里面开发一个APP，有需求分析和规划、UI设计、搭技术架构和模块、写代码、做测试这大概几步，每一个环节都要专人去完成，而AI可以分别实现这几项功能，并由一个智能体统筹和管理，让不同的AI工具进行协作，最后你只要面对智能体并给他明确的指令，接下来的事他都安排了，例如现在很多低代码开发工具如Cursor等就是这类智能体的雏形。

现在很多企业都在用智能体处理工作流，像智能客服这类的智能体已经比较成熟了，这种工具目前作用主要还是降本增效、替代人工，但在很多领域也没那么快落地，比较典型的就是医院。

首先，在这个领域AI对信息感知的不完整，决定了他并不好用：AI能对图像进行比较准确的识别，例如你长没长肿瘤，特征是良性还是恶性等，但是对患者得了什么病，怎样治疗他根本替代不了医生。除了医疗影像、血液成分、血压、体液成分、体温、患者症状等一系列数据是大夫综合判断并确诊的条件，而且这个领域经验在很大程度上决定医生看病的水平，经验又是由一个个完整的病例对医生的“训练”，智能体目前能感知的很片面，未来如果要升级，也会是一个非常漫长的过程，可能下一步的具身智能（AI对环境有交互和多种综合感知）实现后才有可能。

其次，智能体完成任务对环境的适配性也很困难：举例来说，拍CT要有CT机，图像保存后AI才能开始识别工作，手术要有器材，AI在图像识别的基础上要掌握和操作这些设备，才能成为手术机器人，但多个不同品牌的硬件厂商干嘛要适配别人的AI系统呢？这个适配又没有行业的标准和规则，做起来也很困难。以机器人为代表的智能硬件厂商，其基因里就对“自己的身体住着别人的灵魂”感到排斥，更倾向于“自己的躯体，自己的灵魂”，多个厂家各自为政，都解决某一医疗模块的问题，想要用智能体统筹协作当总指挥，谁家也不甘心做小弟。

所以，在很多有以上特点的领域智能体的落地还很困难，但在一些广告、编程等纯数字世界的游戏里，容易工作流容易标准化、环境为纯数据运算的领域，智能体会率先落地，如美国已经出现的Applovin（智能体帮客户进行广告投放），Cursor（智能体开发APP），Palantir（提供AI工具和模型让企业自己定制化开发）等产品就是初代的智能体。

未来各式各样智能体的效果会参差不齐，而且开发门槛有多高也真不好说，理论上有了大模型和像Palantir这样的开发平台，哪家公司都能搞，做智能体可能孕育出一批独角兽，也可能好多就是噱头。

“面应用”垂直领域的大模型，谁会是王者？

未来针对各个细分垂直领域的大模型会涌现，很多会替代掉现在的saas软件，并升级为管理生活和工作的“大脑”。

想象下，在交管系统，大模型结合车路云体系，可以为接入的司机进行自动导航及或无人驾驶服务，调度警力解决交通意外，对城市综合路况做出评价并且对拥堵地区的车辆通过交通信号灯及路线引导等方式进行疏导，交通违章识别并对违章司机进行人脸识别，自动扣分等等...

矿山地区，运输和挖掘设备大部分实现无人化，由大模型系统进行调度，并对实时采掘量进行统计，对施工环境进行实时监测，处理突发问题等等。

当然这些都只是对未来大胆的想象，各领域大模型最终能否应用，落地到何种程度目前是个非常复杂的问题，并不完全取决于技术，还有人为的因素，政策的限制等。武汉的某无人驾驶出租车倒是很适合大模型的应用，但是出租车司机不干了；自动驾驶倒是省事了，但是无人车辆万一被恶意操纵在马路上横冲直撞怎么办？......最后垂直大模型花落谁家现在更是难寻端倪。

AI的未来充满不确定性，有美好的蓝图，也有骨感的现实，有人在时代的风口上乘风而起，有人就会在变革的大浪中折戟沉沙，我们没法预测，走一步看一步吧。

—END—