灣區理財 原創文集
富裕自己，造福他人。 讓自己開心，讓身邊的每個人開心。
前文說到，AI賽道上可以分成四個層級。分別是1. 芯片層（Compute, Infrastructure Layer）;2 算法層（Model Layer）;3. 平台層（SaaS & API Layer）4. 應用層，(End-User Application Layer）。
1. 算法層上，大模型市場主要競爭對手目前有三家。OpenAI, Anthropic, XAI。目前的估計市值分別為200B, 80B,和98B。2024 OpenAI 的營銷收入是3.7B。但是增長迅速，2025年可以達到10B。
3. 三家競爭者中，OpenAI主要靠2C業務。多模態做的很好，mobile用戶停留時間是其他人的兩倍。
5. OpenAi 的app store沒有起來。但是Anthropic的MCP（model context protocol）開源生態起來了。吸引很多開發者。
6. 幾個大模型中，Google Gemini最弱。傳統Google用戶使用時間在流失。Google在搜索方麵壓力很大。
7. 幾個公司的模型競爭有很多細分點。OpenAI的多模態，推理和對話比較強。各個公司模型性價比不同。未來不會出現一家獨大，贏者通吃的局麵。大模型公司各自服務各自的客戶。
8. 每個大模型公司各自有各自的護城河。總體護城河來自天價的研發和運營成本。大模型公司之間的護城河分兩種。2B用戶(Anthropic)靠遷移成本高。2C（OpenAI) 靠個性化和保留的數據產生粘性。未來不會因為大模型公司之間的價格戰不會搞得大家都無利可圖。
9. 大模型未來發展的邊界可能沒有硬天花板。目前主要是受網上的數據的影響。如果把人類過去幾千年的數據積累比作化石燃料的話。那麽就是化石燃料都已經燒完了。
10. 大模型能否實現真正的通用人工智能(AGI), 眾說紛紜。我的傾向意見是還需要一次新的模型架構迭代。語言模型和工程決策模型非常不一樣。大模型屬於統計模型，推理能力很弱的。並不能解決大量工程領域問題（如自動駕駛，機器人）。
根據這些總結，我覺得大模型公司未來是可以掙錢的。但是這些公司的估值可能是偏高的。即使大家都覺得 Total addressable market 目前隻服務了1%。以OpenAI 為例， 2025年開發者一個月增長一倍。蒸餾模型用戶一年漲了5倍， 未來成長巨大。但是似乎還是很難支撐現有的200B的估值。 因為未來估值成長空間有限。OpenAi 最終即使是萬億級別的公司，那麽也隻能再漲五倍。
相比之下，我還是看中應用層的公司更能掙錢。關於應用層方麵本次會議也有討論，小結如下：
1. AI 原生生態應用在井噴。比如Deep research，Devin, Manus. Cursor, Bolt, Sierra, 11X。這些應用以MCP 成為行業標準，加固了Anthropic的生態係統。
2. AI agents 分成有雲服務器和沒有雲服務器。 後者功能更加強大。
3. 應用層的一些Agents已經開始被越來越多的人使用。出現一些獨角獸公司。Cursor, Devin, Blot 是用來編程的，用於售前服務的Clay，用於售後客服的Sierra。
應用層麵的公司估值不高。最終整個AI生態，大部分的價值會被應用層獲得，然後是傳遞到模型層和算力層。目前還沒看到如同當年google一樣的應用層應用。
總結，模型層的競爭事態已經相對明朗。玩家不多。很難有百倍的獲利機會。但是相對穩妥，如果AI未來發展如大家想象的一樣，還有99%的市場空白，那麽現在入手可能有5倍左右獲利機會。要想獲得10倍甚至百倍的超高回報，應用層這塊可能是最值得關注的地方。
附錄：我在會議中提出的問題。
1. 大模型的能力邊界在哪裏？我們離這個邊界還有多遠？這個邊界是模型本身帶來的？還是其他算力或者數據帶來的？
2. 大模型現在麵向對象主要是公眾。對於工程領域問題，比如自動駕駛和機器人其實需要決策能力更強的模型。並不需要和人問答的交互模型。決策力模型並不需要語言文字能力。比如貓和狗。並不會說話，但是運動決策能力很強。
3. 大模型隻是相關性統計模型。這樣的到底夠不夠解決所有的智能問題。比如大模型並沒有嚴格意義的推理能力。是否需要再一次的迭代出新的AI模型？ 目前有沒有有潛力的對象。
4. 你們怎麽看prompt engineering的發展？就是不fine tuning 模型。如何知道底層模型不會出問題，比如重大錯誤。
5. ML其實沒有解決很多工程領域問題。雖然很多人去做。並且創造了很多論文和崗位。AI今天在大模型上砸了很多錢。無論是算力還是人力資源。大模型這條路除了處理統計文本，似乎沒有其他用途。這條AI路徑是否是正確的？
6. 大模型火了之後。所有AI從業人員幾乎全部一擁而入。其他AI方向幾乎都放棄了。你有沒有看到其他AI領域被放棄的機會？
7. 一隻蒼蠅算力很弱。完全沒有文字和記憶能力。但是展示了很強的運動決策能力。這些其實是很多工程領域最需要的AI模型。有沒有相關潛在突破？
大模型就是提供一個可以學習的大腦，很多學習都依賴於增強學習。就像一個小孩會說話，是基本技能，說明小孩有語言大模型，但從小孩到小學，中學，高中，到博士畢業，都是要增強學習的。
prompt engineering 和 fine tuning 本質上是一回事，PE是在input 端的parameter tuning， FT 是模型裏的parameter tuning。 但PE很多還是隔鞋瘙癢，學不完全。