·不會有一個大模型通吃市場。用戶既需要一個通用性強的大模型，同時也要其在專屬領域有深入能力。如何用私有數據構建定制化模型以解決具體問題，這是真正差異化的來源。

·“真正改變未來‘游戲規則’的是對基礎模型進行調優和定制化，服務企業/行業的特定場景和領域。”

亞馬遜云科技大中華區戰略業務發展部總經理顧凡。

“生成式AI現在處于太早期的階段，沒有人擁有一個能看明白未來的水晶球，但每個人當下都要在這個市場當中去布局，這就需要有對未來的預期。”在亞馬遜云科技中國峰會期間，亞馬遜云科技大中華區戰略業務發展部總經理顧凡向澎湃科技（www.kxwhcb.com）分享了亞馬遜云科技對生成式AI的3個判斷：

第一，不會有一個大模型通吃市場，就像今天不會有一個數據庫、一個操作系統通吃天下，同時也不會是現在看到的“百模大戰”；第二，從用戶的角度，其既需要一個通用性強的大模型，同時也要在專屬領域有深入能力；第三，企業私有數據一定會在To C（面向個人）和To B（面向企業）的生成式AI應用里扮演非常重要的作用，如何用私有數據構建定制化模型以解決具體問題，這是真正差異化和核心優勢的來源。

這3個判斷實際上就涉及到行業內的一個熱議話題——在圍繞生成式AI的這一波熱潮里，創業公司到底有沒有機會，機會在哪里？

“改變‘游戲規則’的是對基礎模型調優和定制化”

以最近網絡中熱傳的金沙江創投主管合伙人朱嘯虎和獵豹創始人傅盛的爭論為例，朱嘯虎認為，創業公司基于生成式AI能夠創造的價值非常單薄，99%的價值都由GPT創造。傅盛則認為，大模型反而催生了架構在其上的創業機會，他以熱力學定義為喻反駁，“汽車99%的價值都由這個物理規則創造，創業有價值嗎？”在傅盛看來，大模型更像是大學，培養出學生，但不主宰一切。

對于這個問題，顧凡在接受澎湃科技采訪時表示，“我們不應該把這個問題一刀切，基礎模型的創業和應用方面的創業顯然不同。如果是做基礎模型創業，門檻是很高，而且門檻高還不在于需要花多少錢，而在于是否有機會成功？正如我前面提到的，基礎模型未來一定是具有多樣性的選擇，但這個多樣性到底到什么程度，目前大家都看不準。在這個過程中，一定是部分有獨到之處，或許是視頻方面，或許是多模態，抑或是有大量行業數據的積累，最后肯定是大浪淘沙。”

不過這還不觸及核心問題，實際上更底層的問題是，架構在已有基礎模型上的應用型創業是否就很難建立護城河？同時，也可以設想一個非常實際的場景，如果所依賴的基礎模型背后的公司消失，構建在其上的應用該如何存活？

對此，顧凡提到奇績創壇創始人陸奇在演講中的一個觀點：信息系統的拐點，是信息的生產和獲取成本從邊際成本轉向固定成本，“一系列偉大的公司誕生，他們將付出固定成本，發明新的商業模式，最后整個產業+變革，產生新的世界”。

“就像今天的云計算，有人站出來把固定成本全承擔了，然后其他人只需要承擔非常低的邊際成本就可以使用。”顧凡說，“現在我們跟很多企業談業務，企業原話就是，‘我看到大模型的能力，但請跟我聊怎么解決我的問題’。同時，不要忘了，應用在大模型之間可以遷移。大模型在發展過程中，有可能未來能夠實現大模型的切換。所以最寶貴的還是企業差異化自己的數據，以及有深入的對場景和應用的理解。”

在亞馬遜云科技中國峰會上，亞馬遜全球副總裁、亞馬遜云科技大中華區執行董事張文翊表達了相似觀點，“真正改變未來‘游戲規則’的是對基礎模型進行調優（通過調整模型參數、特征選擇等方法來提高模型的性能）和定制化，服務企業/行業的特定場景和領域。”

“我在與企業客戶的交流中發現，客戶最關心的都是如何用生成式AI，結合底層基礎模型和自己的私有數據，構建定制化模型，打造殺手锏級別的應用，解決特定領域或行業的場景問題。這才是真正在To B領域改變行業的根基。”張文翊說。

生成式AI熱潮下的創業機會和趨勢

對于生成式AI熱潮下的創業機會和趨勢，顧凡分享了3個要點。

第一個非常明顯的趨勢是基礎模型，這也是中國很多創業者在做的。顧凡認為這個賽道有一個特點，“中國做基礎模型的創業者，現在的目標是瞄向全球的，不是先做中國的大模型然后再出海，而是從Day 1就面向全球市場。”

第二個趨勢是，應用才是“Game Changer”（游戲的改變者）。“我們今天都在被基礎模型吸引眼球，是因為今天的創業者正在打磨To C的應用，等到大家都用起來就會明白，到底是關心基礎模型還是實際體驗的應用。就像在To B領域，企業最關心的還是自己要解決的行業內問題。不過這個難點在于，企業要利用大模型，就需要用到自己的私有數據，會擔心自己的私有數據被大模型所吸收。這需要技術去解決。”顧凡說。

第三個趨勢是工具鏈的需求。顧凡最近的經驗是，經常跟客戶開始聊的是生成式AI，最后結論都是先做數據的項目，從數據的清洗、存儲、處理再到形成定制化的模型，模型的蒸餾（Model Distillation，旨在將一個復雜、大型的模型的知識轉移到另一個更小、更簡單的模型中）、性能調優等，這個過程中都有大量工具鏈的需求，需要更容易的解決方案。

對于未來的發展，顧凡認為生成式AI也有3個不會改變的事實。第一，基礎模型的進化仍然需要大量數據的投喂；第二，數據的所有權仍然有邊界，私有數據必須得到妥善的保護和使用；第三，伴隨著模型的進化，公共數據和私有數據交替使用，一定會產生大量對工具鏈的需求，需要這些工具鏈把數據串聯起來，把模型的調優、蒸餾解決好。