大模型创业：必须跨过的七个宿命3月下旬，美国生成式 AI 明星公司Stability AI突然宣布公司 CEO莫斯塔克（Emad Mostaque）辞职。莫斯塔克也在社媒平台推特（X）上表示，自己离职后将致力于去中心化AI。至于什么是去中心化AI，生产式AI怎么就过时了，就语焉不详了。
据福布斯报道，Stability曾经是人工智能最热门的初创公司之一，但几个月来，它的资金已经耗尽，莫斯塔克也无法获得足够的额外资金。它拖欠了亚马逊的付款，亚马逊AWS曾一度威胁要撤销对未付账单的访问权。此外，还拖欠了谷歌和CoreWeave的云服务费用。
据福布斯援引的Stability内部财务报告，Stability AI 2023年总预计成本为1.53亿美元，但预计收入仅为1100万美元。
但稀罕的是，按照Stability AI的表现，如果是在中国，在这个大模型投资火热还没有退去的时候，一亿多美元的前期亏损，不管是前期投资方还是寻找后续轮次融资，几家投资机构合作的话也并不是负担不起，只要公司能够证明自己未来的潜力。比如国内就有不少大模型企业获得数亿美元以上级别的投资，且获得投资时并未实现盈利。
至少在中国，一些大模型独角兽企业由于正处于创业初期，尽管已经收获订单，但走向盈利依然需要时日。前期一两年亏损，本就是大模型行业的常态。所以，仅仅是亏了一年就要崩，未必是Stability AI不行的真正原因。
那么，为什么在美国通货膨胀、资本并不缺美元的当下，Stability AI要不行了呢？没钱付费云服务了，投资人不投了，创始人内讧了，客户不买了，被巨头取代了，芯片断供了……大模型企业，真的是惨到有那么多种死法在等着。
那么，梳理中外各类大模型企业，大模型企业，到底需要面对多少种“坑”？到底什么样的大模型才能卷出来？大模型跑出来，要面对哪些两难选择、必经宿命？
据Everypixel统计，从1826 年*张照片拍摄到 1975 年，胶卷相机用了近150 年才拍摄约150 亿张照片。而从2022年2月到2023年8月米乐M6，仅用一年半时间，使用文生图算法就已经生成了超过 150 亿张图片，其中大约 80%的图像（即 125.9 亿张）是用Stable Diffusion创建的。
而且，因为Stable Diffusion是开源模型，使用该模型生成的图片不限于 Stability AI 官方平台，所以官方平台之外生成的图片量可能还会更多。由此也可见Stable Diffusion在行业中的地位。
据英国金融时报援引知情人士透露，OpenAI的2023年营收可能已经达到20亿美元（月收入乘以12的衡量标准）。知情人士人士补充称，越来越多企业客户采用生成式AI工具来提高工作效率，到2025年这一数字有望翻倍。
红杉资本在近期举行的AI Ascent 2024上就表示，2023年，各家AI公司在英伟达GPU上已经大手大脚花去500亿美元，但由此产生的收入才有30亿美元。
如果抛开OpenAI的20亿美元年收入，那按照红杉资本的30亿美元估计，其他数百上千家大小大模型企业的总营收只有10亿美元，明显规模还不够大。
另据分析公司Similarweb的数据，自2023年4月开始， ChatGPT平台访问量就出现下滑，2023年年8月访问量比5月下降21%。美国 AI 分析师Alberto Romero也认为，AI 平台访问量停滞不前，很多大模型企业增长、收入和利润率都不尽如人意，AI 初创公司的估值过高了。
没有市场空有技术的企业，要危险了，因为投资人的钱是有限的，大家都会不约而同投给更有市场潜力的大模型企业，比如智谱AI、百川智能等企业就拿到了好几家互有竞争关系巨头的投资；投资人不再像以往互联网创业时，互相投几个竞品，大家互相烧钱，竞争到最后哪怕赢家也是惨胜。
实际上，2023年除了少数几家大模型创业企业拿到大笔融资，大部分创业企业并没有获得大笔融资，反而在内卷的赛道中被大家拿放大镜去寻找差错。
就算是拿到大额融资的独角兽，也有一些我们并没有看到太多动作，比如MiniMax的产品就比较“藏在深闺”，尽管和金山办公、掌阅、腾讯等企业也已经有合作落地案例，但相比其他几家独角兽，在曝光量上似乎没有那么多。是足够自信所以低调，还是避免被更多人拿放大镜去看？
一些企业的低调，是因为PPT好做而产品难做，技术不好做但市场更难做。但没有足够的声量去助威市场的开拓，仅仅技术有优势未必就不怕“巷子深”。
主打开源的Stability AI，到底是怎么挣钱的，市场在哪里？开源就等于免费吗？其产品Stable Diffusion既然采用免费开源模式，又如何能够盈利？
开源也可以挣钱。比如智谱AI就开源了ChatGLM-6B、GLM-130B等。当然，也不能说智谱是开源公司，智谱的选择是开源先行，开源与闭源同时存在。开源是为了培育生态，占领更多用户。
用户用习惯了，再开始挣钱：一是根据客户需求，提供大模型定制化开发服务，云端私有化本地私有化最高价格分别为120万元/年和3690万元/年；二是标准版大模型，提供API接入方式，按照Tokens使用收费，ChatGLM-Turbo、CharacterGLM、Text-Embedding收费标准分别为0.005元/千Tokens、0.015元/千Tokens、0.005元/千Tokens。据了解，目前，智谱AI的商业化主要面向企业和机构的B端用户。
智谱CEO张鹏就曾指出，开源的好处就是开发者可以低成本、快速地切入使用上大模型，但开源大模型在安全性、稳定性等方面很难得到保障，而商业版本可以提供更多的服务，更多的保障以及更多后续的服务。
开源其实只是大模型企业用于敲开客户大门的一块敲门砖，客户可以使用开源大模型训练一定参数的、在企业内部部署的大模型，只要客户用习惯自己的开源模型，就可以转为付费用户，购买调试更加*的闭源大模型，从而享受到更全面的大模型服务。
而Meta的Llama 2在2023年7月宣布开源，并且可直接商用。巨头的开源就不同于创业企业的开源，不仅是为了当敲门砖，而是仿照安卓开源的思路，在落后于OpenAI之后，试图用免费开源吸引更多开发者从而构建出强大完整的生态，日后再通过生态盈利。
所以，拆解Stability AI的问题，没有市场的关键，就在于没有走通从开源迈向闭源的商业一步，开源是为了能够引导向可商业化的闭源，不能为了开源而开源。而OpenAI这类闭源大语言模型，B端会向接入其端口的APP应用收取费用，C端像用户收取使用费用，走通了商业化之路，才能去畅谈未来。
至少Stability AI没有跑通，Midjourney等巨头又基本垄断了主要市场，创业者可以基于开源模型做开发还可以走，一些艺术家也在AI文生图领域做轻创业。但想做一个类似Midjourney这样的文生图大模型，靠C端付费盈利，就基本被堵死了这条路。
谷歌的文生图大模型 Imagen 2有多少人用？当然，国内还是有大厂在做，如文心一格大模型，美图的文生图模型等。
但美图主要还是用大模型技术，实现AI绘画、AI扩图、AI头像、牙齿矫正、AI去皱纹等功能，本质上是对以往美颜功能的再强化。
不过，美图并不避讳俗气的美颜。美图CEO吴欣鸿就曾在财报电话会里指出：“我们不能无边无际去做一个大而全，什么能力都有，但不知道要给谁用的模型。美图一开始就是有明确的需求和场景来反推模型的研发。”
所以美图不做高大上的、Midjourney一样的文生图，而是根据固定指令去做轻量化但很实用的“文生图”，进一步优化用户的美颜需求。
智谱AI CEO张鹏曾表示，国外真正的AI落地过程当中最明确的一个需求、一个场景就是代码辅助，大概占整个付费意愿里面50%以上的场景，智谱也在国内做类似的落地。
商汤也在今年推出“小浣熊”2.0版本，包含办公辅助、代码辅助等功能。小浣熊基于日日新SensNova大模型，在代码辅助上，评测指出可以帮助开发者提升编程效率超50%米乐M6。
此外，AI Agent也被很多大模型企业视为变现的重要道路。什么是AI Agent？其实就是不必人类一步一步下达指令，可以自主感知、规划决策、执行复杂任务，这就需要在大模型基础上，增加规划（Planning）、记忆（Memory）、工具（Tools）等组件。要不然每个任务还需要一个单独的指令下达人员，对企业来说也就不能节省成本。
不过，中国的大模型企业，除了少数新创企业，大部分背后都还有一个可以输血的母公司。赔多了不敢说，但一两亿美元的前期投资，一般还是能够支持，找错场景赶紧切换，还能有一些容错的时间。
垂直大模型，一般参数在十亿、百亿级别，聚焦解决垂直领域问题，一般在通用大模型基础上训练行业专用模型，应用到各类垂直行业。
一般而言，通用大模型做C端，或者赋能垂直大模型；垂直大模型则主做B端。但这个分类，真的能够囊括这么多类型的大模型创业吗？
垂直未必不挣钱。前几天据报道，就有一家企业中标了千万级的湘钢人工智能钢铁大模型建设项目（硬件部分）。
通用也未必不挣钱。据百度在刚结束的GENERATE 生态大会上透露，截至2024年3月底，百度智能云的千帆大模型平台已经为 8.5万家企业提供服务，帮助他们精调了1.4万个大模型，并开发出超过19万个大模型应用。显然，这些服务不会都是免费的。
2023云栖大会上，阿里巴巴集团主席蔡崇信透露，目前全国80%的科技企业和超过一半的AI大模型公司跑在阿里云上。阿里云同样在赋能千行百业。
火山引擎在2023年一场会议上也透露，火山引擎的大模型云平台获得智谱AI、昆仑万维等众多企业的良好反馈；国内大模型领域，七成以上已是火山引擎客户。
做通用的巨头，真的就能三分天下或者五分大模型天下？巨头既做赋能自己也下场做大模型，如何和生态伙伴相处？
通用和专业大模型，其实还可以转化为另外一个问题，做C端还是做B端？通用大模型两者皆可，而垂直大模型基本都是做B端。
相比于对C端客户收费，一个月几十块一年几百块，10万级的付费用户数才能做出几千万的营收。而且，中国用户很难习惯对软件付费，毕竟摸不着。哪怕国内率先对C端收费的通用大模型，也没有公布相关的营收。
做B端，拿到几个项目就能做到几千万营收。而且，虽然AI时代不同于互联网时代，但网友们依然习惯免费精神，能够持续付费的就只有B端了。
在金融、工业、协同办公等领域，帮助企业私有化部署大模型，看起来是个好生意。但同样更多B端场景，客户连信息化、数字化都还没有完全适应，更不要说再加个大模型。
而且，做B端就要深入嵌入企业业务流程，看起来拿下了客户关键业务入口，但客户对大模型的确定性要求也更高了。来个幻觉问题，怎么办？那就需要更多的人机协同，客户发现投入越来越重，也会有所顾虑。
投资人朱啸虎前段时间还在接受腾讯新闻《潜望》栏目专访时给中国大模型产业泼了冷水，表示不看好国内大模型创业，认为大模型最终还是大厂的机会，和看好大模型创业的傅盛也在朋友圈观点激辩。
争辩未必分对错，都是为了流量。不过，当很多人觉得缺卡会影响国内大模型创业时，其实，缺卡的大模型创业企业，未必就活得不好。反倒是一些不缺卡的大模型企业，其体验未必能赢显卡没有那么宽裕的创业企业。
不缺钱的大模型初创企业，目前至少都活得风生水起。比如阿里投资的月之暗面、MiniMax、智谱AI米乐M6、百川智能和零一万物五家大模型独角兽企业，当然，阿里、腾讯、字节等巨头在五家独角兽的投资上也都有所争夺和取舍。其中月之暗面、智谱AI和百川智能都非常活跃，月之暗面作为创业企业，还凭借超长文本能力在行业掀起了一场长文本军备竞赛。
使用体验上，据一些同事分享，智谱AI等创业企业的大模型，使用体验并不输给一些巨头旗下的大模型。
而笔者个人在测试月之暗面Kimi时，如果对话窗口输入过多文字，整个浏览器（Chrome）崩溃的概率就会提高很多倍，笔记本风扇也因此“呜呜”转起来。超长文本如果容易导致网页崩溃，那产品依然还需要优化。在网页界面上，月之暗面kimi似乎并不够精致，跳动的对话机器人头像也过于（当然，审美偏好仅限于个验）。
如果超长文本带来的热度不能让团队更进一步去优化迭代，那企业很可能又要陷入某一种大模型创业的艰难宿命中。
长期10年后会怎样，谁也无法预测。但只要不缺钱，短期三两年内，这五家估值均超过10亿美元的独角兽必然有能够跑出来的。而这几家独角兽，也并不以显卡多为核心竞争力。
所以，缺卡不可怕。买不到*进的英伟达，国内也不是不能购买替代卡或者租用算力，只不过或许没有那么顺手而已。
当然，所有原因，归根到底都是缺钱。不过，相比于缺卡、缺钱，未来大模型产业发展要面临的更大问题，是缺电。
据斯坦福人工智能研究所（HAI）《2023年人工智能指数报告》数据，OpenAI的GPT-3单次训练耗电量高达1287兆瓦时（1兆瓦时=1000千瓦时）。如果跑费一辆特斯拉需要100万公里，那么单次训练的耗电量能跑废大约1000辆特斯拉电动车。随着模型参数越来越大，大模型企业训练、推理需求进一步上升，耗电量还将几何级上升。未来，或许还会有大模型企业，会不得不为电费折腰。
由英特尔牵头发起、面向商用领域的AI PC硬件产品与商业应用已经于3月正式发布，当然，除了英特尔之外，AMD、苹果同样重视个人电脑的AI化，都在探索CPU+GPU+NPU的多硬件加速器架构。酷睿Ultra、锐龙8040、苹果M3等系列处理器均对AI有特异化设计。
AI PC会影响大模型创业者吗？毕竟消费者自己有了适合的端侧的本地算力，可以运行十亿、甚至百亿级别参数的大模型，还需要使用付费的云端大模型吗？
或许这一点不用担心。以手机的端侧大模型为例，目前vivo、OPPO、小米等最新的旗舰手机都搭载了端侧大模型，使用手机算力进行推理。但受限于算力有限，目前效果，和发布时的“卖家秀”相比就是“买家秀”，原来没有那么惊艳。
据了解，由于合规问题，苹果手机的AI功能不能使用谷歌的Gemini，而苹果自研AI由于造车的耽搁，目前落后于对手，至少目前苹果要想推出有竞争力的AI功能，只能与国内企业合作。有爆料指出，苹果此前曾三家公司洽谈合作 AI 大模型，其分别有百度的文心一言、阿里的通义千问、月之暗面的 Kimi，但分析称目前概率*的还是百度。
不过，端侧的一大优势，就是最接近使用者，一旦端侧大模型进一步优化，或者类似苹果寻找百度合作推出手机端侧大模型，在效果可与云端算力比拼的时候，非巨头的大模型创业者又该如何应对？
毕竟，端侧大模型使用本地算力，长期也不会收费。而现在免费使用的很多大模型，在C端终将有一天要走向收费，或者免费模式仅可使用表现一般的模型版本。
我们没有答案。但大多数时候，大模型行业整体都是缺钱的，都是刺刀见红的，算力都是紧张的，C端都是一将功成万骨枯的，B端都是难以憋出大招瞬间制胜的，通用大模型都是投入巨大的，专业大模型都是缺乏贯通行业的优质数据的，场景和市场都是千变万化的……死因何止七种？