OpenAI、谷歌接连发布新模型，大模型底座能力升级为AI应用生态带来新的变量与机遇。身处大模型应用落地的广阔蓝海，AI 创业公司的机会在哪？又该如何选择赛道与大厂差异化竞争？

 

5月16日，腾讯科技硅谷连线澜码科技创始人兼CEO周健、AUGMENT研究科学家董宣毅等创业者，从OpenAI和谷歌最新发布会聊起，共同探讨大模型的发展与应用中的关键问题。

 

 

以下为澜码科技创始人兼CEO周健的观点分享，我们做了不改变原意的整理和编辑，以飨读者。

 

AI实现“让机器去适应人”

不能只靠通用大模型

问题1：看完OpenAI和谷歌发布会后，有哪些让你印象深刻技术突破点？

 

周健：GPT-4o 的惊喜之处在于多模态能力和实时交互能力。OpenAI在发布会上对GPT-4o进行了实时展示，GPT-4o 能感知符号、情绪甚至感情，就像电影《Her》一样，打开了很多实时交互的可能性。但从大模型行业从业者角度讲，我更希望看到逻辑推理能力的提升。GPT-4o逻辑推理能力有所缺乏，没有达到我原先设想的提升，所以还是有些失望的。

 

谷歌发布会让我印象比较深刻的，是将模型上下文窗口增加到200万个token。我们一直在讲智能摩尔定律，每1～2年大语言模型的模型水平就会提升一到两代，模型训练成本每18个月降低至原来的四分之一，推理成本每18个月降低至原来的十分之一。从这个角度来看，未来大模型成本降低，可以更好地应用在千行百业，这一点让我感受更为深刻。

 

问题2：OpenAI和谷歌都在发力多模态大模型，从创业公司角度来说，你如何看待这种新趋势？

 

周健：OpenAI这次发布会上展示了人机交互会发生怎样的变化，让我们看到实时交互才是未来的方向。我常讲“过去是人适应机器，现在是机器适应人”，在GPT-4o展示之前，由于没看过真的交互产品，很难想象或者说确信度并不太高，这次演示则直观展现出“机器可以怎样适应人”，也为从业者指了一个方向。

 

另一方面，使用场景增加会丰富信息源，意味着可收集的信息会大幅增加。以澜码为例，我们的客户群体里有猎头公司、零售公司，他们的员工有大量的线下互动，如何有效地收集这些信息成为了一个问题。如果仅仅依赖于人工写总结，那么这些信息其实并没有得到充分的数字化，但多模态展现了一种新的可能性——未来，员工在进行重要的线下沟通时，AI Pin等类似产品可以作为全能助手帮助员工回答问题，实现人机协同，甚至人机融合，这也打开了从业者的想象空间。

 

问题3：如何看待多模态的技术路线？

 

周健：我更偏向从仿生学角度思考这个问题。具体来说，大模型以文本为主体的前提假设是文字是内生的，但文字并不是人类的基础，只是其中一部分，或者说一大部分。从爬行动物开始，人类经过漫长的进化过程才到今天的状态，人类信息处理、情绪感知系统等都经过漫长进化才具备了很高的处理效率。

 

我们当前思考AI处理图像时，往往以固定分辨率（如1024x768）来接收数据，但真实生物或碳基生命往往有更为优化的控制能力，即有选择性地关注或处理某些信息。所以，未来或许可以开发类似的“仿真器”，使AI可以分层地压缩、选择和处理数据，我个人是期待类似这样的进步。

 

问题4：大模型在文本层面其实还有可优化的空间，OpenAI或谷歌等科技公司现在将精力转移到多模态，会不利于大模型未来发展吗？

 

周健：某种程度上，大模型在文本层面的问题还是数据缺失。澜码主要做ToB的私有化部署，在实际的业务场景中，我们发现最为重要的是专家知识和经验。

 

因为在实际业务场景中，无论是编写信贷尽调报告，还是简历推荐等，专家处理文本都是有重点的。举个例子，我们帮一家零售企业落地某个场景应用时，有这么一个场景：用户提问“我朋友过世了，能不能请丧葬假？”在这种情况下，重点是“丧葬假”，而不是“朋友”。如果只用RAG来处理，重点会出现偏离，处理的结果就会大相径庭。

 

另外，相比于初级和中级员工，专家的知识更为全面且深入。用专家知识赋能Agent，再辅助初级、中级员工，就会提升员工工作效果。

 

所以，专家知识中包含了专家的深入意见和标注，这对于AI的学习来说是十分宝贵和有价值的。但是，这个问题不应该由大模型公司去解决。大模型公司应该解决基础的、通用性问题，通用大模型就像学校做通识教育，职业教育的责任应该交予公司。

 

此外，专家知识存在于私域而非公域。当我们进入一个复杂的领域时，会发现公私域之间是有边界的，在处理特定问题时，还是需要依赖私域数据中的专家知识。

 

更深入地讲，专家知识还需要更新。今天基础大模型还有一个很重要的能力需要被提升，就是如何更新它的记忆。但是，微调、预训练都是很“重”的，在实际场景中，往往需要对专家知识更新。比如，在运维场景中，系统升级后，如何使智能体迅速更新知识，去学习，这个问题还没有被完全解决掉。

 

所以说，“让机器去适应人”，不是全由基础大模型完成，很多事情是可以由创业公司或者细分领域去做。就像通用搜索其实很难做好，因为最强的搜索是“人肉搜索”，我有问题肯定找最合适的人，因为他可以给我最精确的答案，而不是通用地搜索文本，这是一个道理。

不要站在大厂的“延长线”上

问题5：越来越多AI Native创业公司出现，也有很多移动互联网公司希望利用AI优化原有产品。随着AI生态建立，未来是否会出现越来越多地AI创业公司？

 

周健： 就像电力革命一样，生成式AI会对应用生态带来极大变革。AI出现后，相当于在X、Y轴后，又多了一个Z轴，很多应用需要按照AI原生方式重新组织。以企业服务为例，过去企业管理需要依赖邮箱等异步工具，现在乃至未来，AI Agent会充当企业内部流程的不同角色，甚至替代员工角色。一些企业软件公司可能很不适应，但在我看来，这是技术路线的本身属性，未来企业需要人和Agent协同工作，这个苗头正在出现。

 

问题6：经常有人说，OpenAI或谷歌开一个发布会，一批创业公司就更艰难了。AI创业的浪潮下，创业公司的机会在哪？如何选择创业赛道？

 

周健：在技术变革的时间点上，创业公司最好不要站在大厂的“延长线”上。哈佛商学院的克莱顿·克里斯坦森教授提出过一个经典概念叫“创新者的窘境”，创业者应该走“农村包围城市”路线，即一开始待在毛利率低的地方。因为大厂会追求毛利率和高客单价，而相比于大厂，创业公司的优势就是快，可以集全公司之力进行迭代，解决客户需求。

 

另外，创业者的机会在于寻找现在不清晰、但有潜力变成“Something Big”的方向。如果你有自己的壁垒，像澜码强调私域数据或专家知识，反而不是大厂所擅长的。

 

问题7：从移动互联网早期经验来看，最早的创业公司并不一定是活的最好或活到最后的。反而是随着移动互联网发展逐渐稳定，即iphone4或iPhone5时期的公司更为成功。我们现在是否到了基础大模型的终极形态？在这个时间点去创业，成功几率会更大一些吗？

 

周健：我同意“创业者需要早点下场”这个观点。第一，现在AI已经发展起来了，就像20年前房价快要涨起来的时刻，大家应该尽快买房，而不是再等等，可能再等等就上不了车了。今天大家都在讲，人不是被AI打败，而是被会用AI的人打败。

 

第二点可能会更激进一些。从硅基智能角度来看，与移动互联网不同，AI发展不太可能停止。目前我们还是更多以“人”的标准来衡量大模型，但硅基智能本身有其独特性，super intelligence不一定按照人的模板设计和运作，它还会继续演进。

 

我以前喜欢看科幻小说，有个概念叫Gaia（盖娅），意思是整个地球就像一个超级智能，但从人类来看，由于延迟性很高，我们的沟通是异步的。对于硅基智能来说，虽然光速传播也需要大约半秒才能绕地球一圈，但它的确有能力“看到”全球各地的物联网设备下人类的对话，并在这种形态下，进行学习、推理和输出。

 

这其实是很难想象的。所以，我个人认为未来AI还会持续不断地迭代和进化。有些人认为数据快要用完了，我不这么认为，我认为仍然有大量的数据可供利用和开发，有大量的数据还没有被收集起来。随着数据增多，AI的能力会继续强化，越来越智能。

 

举个极端的例子，人类个体从出生到死亡的数据，还没有被完整记录和整理过。我们现在的数据都是片段，而非整体。没有整体的数据，AI就不能了解这个人职业生涯、心理发展等等。随着未来更多Agent出现，这些数据会越来越多的被收集下来。

 

问题8：未来是否会出现端侧大模型？这会对手机等硬件形态产生怎样的影响？

 

周健：GPT给人机交互带来的一个很大的改变，就是机器开始适应人，而不是人适应机器。我们手机上的APP一定会越来越少，只不过因为产业本身的因素，目前革新速度还是有点慢。当然，每次革命不是将原先的东西全部扔掉，还是需要去慢慢改变的。

 

今天我们一直在讲数字孪生，但很多做法其实是有点“反人性”的，比如我们在多个应用之间拷贝信息、数据，或者让员工适应不同的软件系统，对员工而言也是很大的负担。所以在端侧能做的，是对个体习惯、偏好的沉淀。相当于在人与上一代系统之间有一个智能体，帮助我们操作、收集程序，处理在老一代系统中的数据和信息。

 

在形态改变后，可能会出现新的入口或超级APP的机会。因此端侧一定是兵家必争地。一方面是刚才提到的，端侧作为一个入口，有很大的流量。另一方面，人是由俭入奢易、由奢入简难，我听说一些大模型公司已经在讨论如何实现端侧联动，让用户有一致的体验。

 

问题9：未来五年，在AI领域最大的期待是什么？

 

周健：我们一直在讲，AGI是一个中等智能的人，知道自己能做什么、不能做什么，我期待GPT-5发布后，能有类似的基础大模型存在，推动AI原生应用发展。

现在大量应用没有落地的主要原因是企业还不适应AI应用的开发方式，有了一个类似的基础大模型，可能会带来新的软件开发范式，会大大降低AI原生应用开发难度，AI Native应用才能百花齐放。我非常期待看到被AI Agent充斥的世界。