·要想托舉好一個優秀項目，一方面要打通科研成果產業化的通道，讓最新的產業命題和前沿的技術發展碰撞，從命題的設置上形成常青常新的生態；另一方面，要鏈接科創和市場資源，來自專家評委以及資金、孵化器、政策上的幫扶等使得創業項目持續成長。

·孵化AI獨角獸需要更加寬容的環境、試錯的機會，讓企業能夠充分探索商業化可能性，構建數據流和算法流的閉環。

在大模型熱潮席卷的當下，國內AI行業已涌現出智譜AI、MiniMax、百川，零一萬物、月之暗面等大模型“五小龍”企業，發展勢頭迅猛。當前AI大模型行業現狀及瓶頸在哪里？在B端（企業端）還是C端（消費端），中國AI大模型場景落地的真正痛點是什么？能夠脫穎而出的AI獨角獸企業具備怎樣的特質？日前，AFAC2024金融智能創新大賽執行委員會主席李暉、國方創新行業合伙人張治、上海財經大學信息管理與工程學院院長黃海量向澎湃科技分享觀點，把脈大模型行業趨勢。

誕生大模型獨角獸是大勢所趨，搭建創新創業橋梁

“AFAC大賽希望能在創新創業方面起到連接器和橋梁的作用。”AFAC2024金融智能創新大賽執行委員會主席李暉表示，一個好的項目或技術研發成果的商業應用轉化，是一個復雜的工程，涉及多個維度，也存在諸多難點。要想托舉好一個優秀項目的孵化，需要大賽持續地做好連接器和橋梁。

“五小龍”的出現也表明大模型技術從學術研究轉向商業化應用，開始在各行各業加速探尋落地場景。李暉說，大模型及AI行業出現獨角獸是必然的，也是大勢所趨。這些企業的發展往往能催生新業態、新模式，帶動產業、技術、人才等快速成長和突破。“可以預見，大模型在各行業落地后將帶來更多變革和收益，各行業對AI的需求也會加速釋放，形成正反饋。”

在李暉看來，具有成長性的創新企業通常具備長遠且有挑戰的目標，有清晰的市場定位，善于挖掘創新的商業模式。這些企業有打造好產品的能力，能夠抓住甚至創造出客戶想要的需求，有一定的核心技術優勢，行業專家和頂尖人才的密度是成功的關鍵，同時有扎實落地、快速迭代和驗證的能力。

“我們會關注AI企業是否具有端到端的模型訓練能力、能否組織大規模的算力資源。更重要的是在商業化方面是否有清晰、可閉環的商業路徑。”國方創新行業合伙人、大賽企業組評委張治表示，孵化AI獨角獸需要更加寬容的環境、試錯的機會，讓企業能夠充分探索商業化可能性，構建數據流和算法流的閉環。

今年，北京大學、復旦大學、香港大學、螞蟻集團等20多家名校名企聯合發起AFAC2024金融智能創新大賽，在近5000支隊伍中尋找中國金融科技的明日之星。“賽事點燃了初創團隊和中小企業的創新創業熱情，他們的方案給評委留下了深刻印象，特別是首次設置的初創組和企業組，評委們從中看到了非常多的驚喜和突破。”李暉表示。

上海財經大學信息管理與工程學院院長、大賽初創組評委黃海量表示，研報觀點提取、金融風險事件推理等參賽方案與實際金融需求的貼合度較高，已經接近行業實用水平。

為了催生新業態、新模式，帶動產業、技術、人才等快速成長突破，大賽為優勝項目搭建產業和投融資對接服務，讓優勝企業有機會與產業鏈上下游企業、投資機構、政府部門等建立聯系，促進項目的產業化和商業化。學術界、產業界和投資界專家也為參賽項目提出建議。

大賽是創新創業的連接器和橋梁。一個好項目或技術研發成果的商業應用轉化是一項復雜工程，存在市場洞察、資金需求、成熟度評估和周期等諸多難點。張治表示，尤其像金融大模型的落地需要更長周期，金融科技企業從小場景切入，圍繞自身產品疊加AI能力，提升服務效率和效果是切實可行的路徑。

李暉表示，要想托舉好一個優秀項目，一方面要打通科研成果產業化的通道，讓最新的產業命題和前沿的技術發展碰撞，從命題的設置上形成常青常新的生態；另一方面，要鏈接科創和市場資源，來自專家評委以及資金、孵化器、政策上的幫扶等使得創業項目持續成長，完成大賽平臺對科創企業落地的托舉。

C端AI應用成熟度大于B端，多產品正跑通PMF

國內大模型的發展經歷了從打榜到降成本的階段。張治表示，今年上半年，模型性價比尤其受到關注。大模型如何為真實業務場景賦能、產生真正的應用價值是當前行業內最關注的問題之一。

但眼下仍未出現大模型現象級的應用，一方面，模型性能仍有提升空間，面向商業落地還需打“補丁”。另一方面，ToB的商業模式和決策過程并未發生變化，張治表示，AI只能解決企業具體業務流中的一個小環節，若AI無法對B端的整體業務流帶來改變，就無法讓客戶為AI買單。

大模型改變B端的周期仍然漫長，但新機會在于，“現在B端服務出現了一種新模式，從以前向B端賣軟件、賣解決方案，到現在直接向B端交付結果，無論是人力場景、法律場景、財稅場景，大模型企業為客戶交付職能外包，這是客戶愿意買單的。”張治表示。

相對于B端，大模型落地C端的周期將更短，張治介紹，一些產品正逐步跑通PMF（產品市場匹配度），解決C端的部分痛點就能得到持續應用，“AI應用在C端的成熟度大于B端，個人效率助手、情感陪伴、多模態表達、口語陪練都產生了可見的價值。”

盡管當前大模型技術和產品存在同質化，但黃海量認為，從科技發展歷程來看，同質化是必經階段，無論是大模型的原創性技術，還是垂直落地的應用技術，當前仍處于科技浪潮的早期，業界對大模型的認知是趨同的，一定程度上約束了大模型應用開發的發散性，但已有企業在越來越多地探索差異化道路。

張治認為，“產品的設計能力和定位能力很重要，產品定義和模型訓練應該是一體化的。產品和客戶互動的方式決定了產品的設計，也決定了模型的訓練，用什么樣的數據訓練。”不同數據集訓練出來的模型偏好和能力不同，這考驗企業的原始資源稟賦。

隨著大模型的發展，數據量級已從TB級躍升到PB級，對數據的需求也從單一文本向圖片、視頻、語音等多模態數據爆發，數據需求越來越復雜。

“在ChatGPT出圈之后，業界對算力、算法、數據這AI發展的三駕馬車提高了關注度，避免 ‘木桶效應’成了大模型發展首要考慮的問題。”李暉表示，在算法方面，對Transformer基礎架構及其衍生模型進行優化和創新是當前的主流，但追求底層的根本革新仍有欠缺。

大模型底層原理和基礎是當前學術研究的前沿。黃海量表示，盡管Transformer架構和注意力機制被證明是有效的，但在處理長文本時會出現效率較低、算力依賴過大等問題，學術界正普遍研究是否有效率更高的架構來取代現在的Transformer架構。

而學術界與產業界的深度碰撞對于大模型學術研究和落地應用是必不可少的。“一個成功的金融大模型殺手級應用，可能不是僅通過科技公司做出來的，而是要跨行業整合。”黃海量說，正如這次大賽，參賽選手與科技界、學術界深度碰撞，提振金融大模型賽道上前行者的信心，推進產學研合作。