原标题：ChatGPT一周年｜AI应用如何赚钱？大模型等待“瓦特时刻”

【编者按】2022年11月30日，可能将成为一个改变人类历史的日子——美国人工智能开发机构OpenAI推出聊天机器人ChatGPT。它不仅催生了人工智能界的又一轮高光期，还并不常见地被誉为“蒸汽机时刻”、“iPhone时刻”甚至“钻木取火时刻”。

这一年来，被称为“生成式人工智能”的革命性技术激发了全球科技界“把所有软件和硬件重做一遍”的冲动，让具有先发优势的AI基础设施提供商价值暴涨，使得从医疗到航天的科学探索获得被加倍赋能的前景，传说中“奇点”的到来从未变得如此具有可能性。

正如历史上任何一次技术变革，ChatGPT也给我们带来了深深的焦虑。既有对AI威胁人类生存的科幻式恐惧，也有对砸掉我们饭碗、骗取我们钱财、操纵我们心灵的现实担忧。连OpenAI自身，也刚刚经历了一场危机，差点没躲过一夜坍塌的命运。

这一年让我们产生了更多疑问：大语言模型下一步的进化方向是什么？AI芯片短缺何时解决？训练数据快要耗尽了吗？中国的百模之战会如何演化？AI技术发展应加速还是减速？AGI（通用人工智能）是否会存在其他形式？为此，我们邀请了2023年在AI赛道奔跑的业内人士回答这些问题，并提出他们自己的问题。如果你也有自己的回答或提问，欢迎告诉澎湃科技。

在生成式人工智能“喧闹”了一年后，到底有多少企业因为该技术的应用赚到了钱？

“国内应用都在试图产生价值，但很少实现盈利，做数字人的‘小作坊’倒是真挣钱了。”北京开放传神科技有限公司（OpenCSG）创始人兼首席执行官陈冉告诉澎湃科技。信也科技副总裁、大数据及AI负责人陈磊认为，在国外企业中，与OpenAI深度合作的微软公司“营收应该有比较大的起色”。云知声智能科技股份有限公司董事长兼CTO梁家恩则表示，“AI图像生成公司Midjourney据称已经做到1亿美元的营收了”，但是“还看不到真正的AGI-Native（AGI原生）应用”。

“目前仍处于刚刚开始的阶段，如果计算成本投入和收益，现在盈利的行业还不多见。”上海市数据科学重点实验室主任、复旦大学教授肖仰华表示，大模型在很多行业都取得了显著效果，但取得效果并不代表能盈利，这涉及到很多因素，尤其是成本因素，大模型的炼制需要巨大的成本。

如果换一种问法：大模型最先落地或者落地最成功的产业有哪些？蚂蚁集团副总裁、金融大模型负责人王晓航认为：“有两类，一类是创造型产业，比如设计、文娱、游戏；另一类是高知识密集型行业，比如金融、医疗、法律。”但是，医疗、金融等强监管行业对可靠性要求极高，不只是“幻觉”，还有金融的合规性、每个行业的价值主张。如果这3个问题不解决，大模型在严谨产业里落地时潜力就无法发挥。

具体到医疗领域，科大讯飞董事长刘庆峰向澎湃科技介绍了“医疗大模型可以完成90%的不合理用药提醒”，英矽智能联合首席执行官兼首席科学官任峰则直言：“好像一夜之间，以前做不到的事情忽然就可以做到了。”比如，直接与大模型对话，提问“帮我找到治疗某个癌症的靶点”就可以得到相关结果。

在金融领域，王晓航表示，在很多场景里意图理解、定性分析、量化分析等领域已经超过人工，“未来的服务要通过多模态的交互、语言的交互来完成，怎么跟移动互联网的图形界面融合，形成一种新的界面和体验，可能是未来两年会发生的。”

对于未来一年是否会出现现象级的应用，受访者观点不一。百度集团副总裁、移动生态商业体系负责人王凤阳认为现象级的生成式AI应用一定会出现，而且会超出大家的预期。IDEA（粤港澳大湾区数字经济研究院）AI安全普惠系统研究中心讲席科学家王嘉平则表示，“会比原来互联网的现象级应用来得更快”。阿里云科技和研究中心主任安筱鹏持谨慎乐观的态度，并指出，对于中国应用场景丰富的说法，前提是特定行业的数据积累足够多。此外，需要底层算力、开源模型以及各种各样的工具才能把整个生态搭建好，把技术门槛、应用门槛及成本降下来。

“任何一次重大技术变革带来的产业革命拐点，一定来自成本的拐点。”安筱鹏说，蒸汽机最开始被发明出来，是为了把矿井里的水抽上来，它的成本很高，会经常坏。“瓦特做了什么？他大幅提高了蒸汽机的稳定性、安全性、可靠性，降低了成本，所以蒸汽机从一个专用的、只能抽水的机器，变成了一个通用的、可以拉着火车向前跑的机器。”

以下为采访实录，因篇幅原因有删减：

澎湃科技：目前因生成式AI的应用而实现盈利的企业或行业有哪些？

陈磊（信也科技副总裁、大数据及AI负责人）：我们看到很多估值、用户体量或营收涨了很多的企业。微软因为生成式AI对Office体系的加持，营收应该有比较大的起色，市值又回到了万亿规模。未来应该会有企业因为生成式AI盈利。

张鹏：每个场景下都有。客服工作可以由AI来取代一部分，或者由AI提升质量。在科研场景中，AI帮助阅读文献、查找资料、数据分析，提升科研工作效率，甚至提供一些关键性的研究创意。

陈冉【北京开放传神科技有限公司（OpenCSG）创始人、CEO】：国内应用都在试图产生价值，但很少实现盈利，做数字人的“小作坊”倒是真挣钱了。国外的应用已经非常适配了，比如Copilot辅助开发代码，做陪伴的汤姆猫也比较成功。在未来，数据已经准备好的、马上可以用起来的、使用比较多的、给大家带来很多价值的应用会马上形成产业链。

梁家恩（云知声智能科技股份有限公司董事长兼CTO）：AI图像生成公司Midjourney据称已经做到1亿美元的营收了。过去UGC（注：用户生成内容）只是文本为主，有了这种多模态工具，UGC会更加丰富多彩。所以这块的应用可能会比较快，因为它相当于给我们生成了很多候选，再由人协同处理。如果直接让机器百分之百生成一个非常好的结果，所有AIGC（注：人工智能生成内容）目前都做不到。

肖仰华（上海市数据科学重点实验室主任、复旦大学教授）：是否盈利取决于成本和收益。大模型应用的成本问题目前已经非常突出，大模型的炼制需要巨大成本，大模型的应用也存在成本。考虑到成本因素之后，收益是否足够显著，相对于成本付出是否值得，这也是大模型行业赋能千行百业中的关键问题。

目前仍处于刚刚开始的阶段，如果计算成本投入和收益，现在盈利的行业还不多见。如果换个问法，大模型取得应用效果的行业和企业有哪些，那么我想答案非常明确，大模型在很多行业都取得了显著效果，比如大量的虚拟主播基于大模型，普通翻译员的大部分工作一定程度上可以被大模型所代替。还是仍然要强调，大模型能取得效果并不代表它能盈利，这涉及到很多因素，尤其是成本因素。大模型虽然能够达到普通人的一些能力和水平，但是成本未必更低，所以这完全是另外一个问题。

澎湃科技：大模型最先落地或者落地最成功的产业有哪些？有哪些难点？

王晓航（蚂蚁集团副总裁、金融大模型负责人）：有两类，一类是创造型产业，比如设计、文娱、游戏；另一类是高知识密集型行业，比如金融、医疗、法律。大语言模型是强大的世界知识图谱容器，它能媲美、赋能，甚至某种程度上替代一部分知识型工作者。

大模型是基于全网可得的公开数据所训练的，理解和生成能力非常强，但遇到专业严谨的行业时有非常多挑战，通用大模型在专业通识方面是短板，比如金融专业性很深。各种金融决策的复杂性和严谨性要求很高，医疗行业更加复杂严谨，比如做家庭资产配置保障计划不是简单推荐，而是计算偏离度、风险集中度、风险等级、承受能力，像这样的决策不是大模型擅长的，它无法学习，即使有足够的数据，它的严谨梳理和计算也远远达不到今天的行业要求。

医疗、金融等强监管行业对可靠性要求极高，我讲的可靠性不只是“幻觉”，还有金融的合规性、每个行业的价值主张。如果这3个问题不解决，大模型在严谨产业里落地时潜力无法发挥。如何解决这3个问题？一是大模型要跟专业领域的小模型结合，比如资产配置，在理解用户需求后调动资产配置工具，而不需要重新计算资产该怎么配置。二是结构化的知识图谱很重要，比如我们为了做好医疗理赔工作，要建非常完备的医疗和保险知识图谱，在大模型训练过程中注入，降低幻觉，提高专业性，在应用过程中优先考虑知识图谱跟大模型怎么结合。检索增强技术也非常有效，在专业领域中进行内容定位以后进行解答，就像从一本专业书籍中找答案，这些技术都可以大幅提高大模型专业性和事实性。这是一个系统工程。

澎湃科技：什么样的大模型应用能够真正产生价值？

张鹏（北京智谱华章科技有限公司CEO）：一个技术在应用中会产生几种价值，降本、增效、提质、创新。更具体一点来说，比如能做到人做不到的事，帮人做简单、重复的工作，把人从这种工作中解脱出来，在数字化时代提升数据流动、交换、处理的效率和效果。

陈冉：应用最终要解决痛点、服务人类，人类为产生价值的过程付费。现在的很多应用不会马上跳跃式形成下一代应用，中间阶段是让现在的应用AI化，最终变成原生应用，也就是说甚至不用到网页上点了，这些应用涉及购物、旅游、餐饮、服装等。

梁家恩：目前还看不到真正的AGI-Native（AGI原生）应用。就像当时移动互联网刚出来时，大家的想法是把PC应用改小了，装进手机就完了，目前大模型应用还停留在这个阶段，真正的AI-Native（AI原生）应用还需要迭代。

但不管最终形态如何，还是要回答一个问题：帮助用户解决了什么问题。比如在医院里，用户最希望的是有一个超级医生，所有问题都能解决，连医院都不需要去了。但在这种严肃场景里，要一步到位不太现实。我们现在可以给医生提供一些工具，帮助医生提升效率和质量，基础性的工作让机器完成，更好释放更多优质医疗资源。人跟机器的协同过程中，人在适应机器，机器也在学习人的过程中不断提升。最终它有可能达到专家的中上水平。但未来可能还会剩下一些疑难问题，需要人来协同解决。

医疗是我们的重要方向之一，这是一个知识非常密集的行业，光靠在互联网上抓取医疗相关的数据，精准度和质量达不到好的医疗专家水平。所以我们还会补充相关数据，针对性优化相关应用。最终还是以解决问题为导向，才能找到最终的AI-Native的形态。

澎湃科技：AI如何应用于智能医学、生命科学，如何考虑隐私和伦理因素？

刘庆峰（科大讯飞董事长）：居民用药中非处方药占45%（2022年我国非处方药市场规模为1951.7亿元，占零售药品市场的45.4%），但在基层6亿多的复诊案例中，出现4000多万例疑似不合理用药。很多人有基础疾病，容易出现用药不当的问题。我们身边就有一位85岁老人，患有阿尔兹海默病，服用相关药后牙疼，吃了一个常见的消炎药后就开始不吃饭，连续将近20天，此后在省立医院就诊后才慢慢恢复。后来发现原因在于不知道这款消炎药与原来用药相互之间有反应，除此之外还有些用药禁忌，老百姓不知道，药房里的销售人员也不知道，也不可能每一个病都去问医生。那么，这个需求如何满足？

我认为我们的医疗大模型可以完成90%的不合理用药提醒。同样的，很多人拿到体检报告后看不懂有没有深层次问题，但又不是每个人都能有机会咨询医生。科大讯飞在内部尝试了几千个抽样例子，可以看到有40%的样本应该给予更多提醒，有的要马上就医，或者要注意各种各样的禁忌，还有百分之三点多则提醒要马上处理。

不过，最好的医生也不可能百分百都对，模型就算比医生更专业，也不可能百分百正确。所以我们希望社会对这样的业务，一方面要严格、谨慎，依法，绝不能随便推荐处方药，也绝不能随便下定论，一旦发现有问题一定要提醒“就医要到医院”。模型的任务是让患者心中更清楚，不是替代医生，而是帮助患者将来更好地了解情况，以便更好地和医生沟通。

任峰（英矽智能联合首席执行官兼首席科学官）：ChatGPT出现之后，我们用内部数据基于其进行了二次训练，使模型能够支持生物医药的专业精准的信息问答。之前传统方式是每个靶点的生物学机制都需查阅大量文献，现在可以直接与大模型对话，比如提问“帮我找到治疗某个癌症的靶点”就可以得到相关结果。这对我来说印象深刻，好像一夜之间，以前做不到的事情忽然就可以做到了。

我们目前已经在用由AI辅助决策的自动化实验室，把人工智能与自动化、机器人和生物学能力融合，既可执行单一任务，如高通量筛选、高内涵成像、二代测序等，也可以实现一体化串联流程，比如在14天内完成靶点发现和验证的全自动化干湿实验闭环。效果如何呢？以药物研发的DMTA（Design、Make、Test、Analyze）为例，以前每一轮合成大约需要一名化学家3到6周的时间来制造、纯化、量化和鉴定所需化合物，再进行一系列生物分析。而自动化实验室可以24小时处理，反应可以在任何时间进行，还有可能将合成时间从3到6周缩短到3到10天。除了研发的角度以外，对于医院、医生以及患者，AI的赋能都是全方位的，比如辅助诊断、以智能的方式追踪患者情况变化等。

陈冉：我们看到多模态分子大模型、影像大模型都在做，需要人类高智商的领域和行业就是大模型的发展方向，医院里的主任就是稀缺资源。

梁家恩：我们最早做的是病历的书写和审核，我们会帮医生检查诊疗有没有存在风险隐患的地方、哪些不符合医保规范。我们要守住的底线是保护用户隐私，我们和客户相关的数据都是脱敏数据。

澎湃科技：AI会引发哪些具体的教育变革？可以参考你们的实践。

肖仰华：未来随着通用人工智能技术的快速发展，其对教育的影响会非常深远。未来教什么学什么，怎么教怎么学都会成为问题。

人工智能的每一次进步似乎都以AI通过了人类的某种考试为标志，像高考、注册医师考试、注册司法执照考试等。那么AI的进步往往反射出人类教育的很多问题，比如既然AI通过了如此众多的人类考试，我们考试的意义何在？先进的人工智能似乎一直在把机器培养成人，而落后的教育似乎是把人培养成机器，很多优秀的学生被培养成了刷题的机器，这是教育应该极力避免的问题，所以AI的发展映射出的教育问题值得我们注意。

第二个问题是怎么教怎么学。未来知识的获取、技能的学习意义将会降低，现代文明一直是以知识发现和获取为主要目的，我们曾经以“饱读诗书，学富五车”为荣耀，这样一种追求在大模型时代，将会变得不再那么耀眼。因为最学富五车的是大模型，他几乎学到了人类的所有知识，那么对于知识的廉价和贬值，取而代之的是人类生存和发展的智慧将会更加凸显。

张鹏：有一次我跟“好未来”的技术人员交流。AI学习能力比人类强，比人类快，未来我们的孩子还需要学习这些基础知识吗？未来的孩子们要学习啥？我当时用开玩笑的语气说，学习AI。在这样一个时代，大家要掌握AI的原理或基本知识。第二，基础知识的学习还是要有，当然可以考虑怎么用辅助手段来提升学习效率。

AI的进化在倒逼人类自身的进化。如果人类不想被AI取代、被AI奴役，人类本身的智能水平以及学习能力需要调整和进化。

陈冉：学校资源是有限的，通过AI把好老师的资源沉淀下来，变成各科老师陪伴在身边，教育肯定会形成质变。

刘聪（科大讯飞研究院院长）：教育领域属于讯飞非常重要、也有深厚积累的场景，因此我们在2022年12月开启大模型攻关确立“1+N”体系之时，就明确了教育属于“N”的重要落地领域之一。面向家长和学生，讯飞星火认知大模型赋能的讯飞AI学习机实现了中英文作文类人批改，在口语对话方面进行陪伴式对话练习，还能对孩子的发音进行评分。星火语伴App可以让学生和虚拟人老师面对面沟通。面向老师，星火教师助手可以创新规划单元教学设计、启发创设情境教学活动、一键生成互动教学课件，提升老师的备课效率。

澎湃科技：参考你们的案例，金融大模型目前有什么进展？

王晓航：在大模型时代之前的小模型时代，我们已经全面AI化了，涉及数字化引导、风险管理、理赔、理财师、顾问和销售团队等环节。但大模型的到来给我们带来很大震撼，它在很多金融场景里能够轻易刷新小模型时代的最好表现，意图理解、定性分析、量化分析等领域已经超过人工。小模型时代，每一个应用场景都要进行非常深的端到端定制，算法工程师和时间成本很昂贵，大模型统一了算法架构，一个模型经过简单的微调和适配后可以解决一大票问题，做得比以前更好，提高企业经营效率，所以加速创新，能让人聚焦在专业有深度的创造性工作上。专业化的金融服务也会有一种替代性的体验。现在所有移动互联网的交互都以图形界面（GUI）为主，未来的服务要通过多模态的交互、语言的交互来完成，怎么跟移动互联网的图形界面融合，形成一种新的界面和体验，可能是未来两年会发生的。

我们的大模型已经进行了大半年深度测试，就是支小宝的新版本。我们希望能给大众客户带来代际上的不同服务体验，在金融方面做到有问必答，在几百款数字化工具上能够做到有求必应，定制个性化服务方案，改变图形界面的交互方式。我们期望很高，希望有序收集用户反馈，提供更好的体验。在内部，我们为理财师、分析师、销售人员、理赔专家团队、内容运营创作团队提供“支小助”，在原先的数字化展业平台工具基础之上，AI带来新的生产力，提升效率。金融科技作为一个大样板间，我们虽然是刚起步，但也看到了一些快速迭代，在大模型的冲击下打开了眼界。

陈磊：我们做的是垂类大模型，一端辅助人工服务用户，提升客服体验；一端服务内部专业类员工，结合我们在金融里对业务和数据的理解，用于代码辅助生成、数据自动挖掘，在没有调优的情况下，验证阶段的效率提升20%左右。

澎湃科技：未来一年，会出现一个现象级的生成式AI应用吗？

王晓航：肯定会，但不知道是什么时间出现。下一个应用不会是GPT本身，应该会在产业中，产业里会出现不止一个应用，各个行业都会有，比如电商、金融。数字化金融服务已经非常丰富多元了，但对大众来说还是过于复杂，怎么把简单、专业、智能的财富管理服务带给客户，这样的应用有非常深的价值，下一步服务体验升级只有通过AI才能实现。每个行业都在等待自己的AI超级应用，谁在产业里更有数字化条件，谁把行业和技术相结合，谁就能够带来这样的产品。

陈磊：会的，特别是像代码生成、代码辅助应用，会很快在行业里铺开，大家都在做尝试，很多尝试出现了初步效果。

王凤阳（百度集团副总裁、移动生态商业体系负责人）：我们已经看到一些12个小时就能登顶应用商店榜首，后面用户数突破100万的应用。我觉得现象级的生成式AI应用一定会出现，而且会超出大家的预期。

王嘉平【IDEA（粤港澳大湾区数字经济研究院）AI安全普惠系统研究中心讲席科学家】：我认为这会比原来互联网的现象级应用来得更快。生成式AI直接生产内容，不需要努力积累内容生产者，只要找到消费者，所以它的迭代和增长一定会比原来要快得多。但是现有技术还需要提升，因为现在质量不够好，很多人会说一眼可以看出是AI创作的。因为现有的内容体系已经把门槛抬得非常高，AIGC要企及这个高度，我觉得还需要时间。一旦它跨越了这个高度，它会“通杀”现在很多以内容消费为主导的产业，包括网文、短视频、短剧等等。我觉得这会是颠覆性的，但这个颠覆未必是新的东西，未必是个新的源头产业。

陈冉：一时半会没有，任何技术发展都有阶段性和积累性。我们跳跃式发展，用了一年时间走了10年的路。现在是蒙着眼睛以100迈的速度在高速公路上跑，你怎么知道下一个出口在哪里，技术在飞速发展，你肯定很难判断方向。当你慢下来才知道哪里的风景是最好的，有可能下了车在旁边开个超市、民宿。在飞奔时稍微停下脚步思考，那时候就会出现各种各样的商业模式、应用等。

我觉得明年是一个重要的时间点，怎么让各种形式沉淀下来，形成商业闭环。美国形成了上千家公司的生态，国内现在是单打独斗，没有形成生态平台和社区，所以我们公司就干这个事儿。商业模式是从实践中来的，需要平台对接上下游，有人生产大模型，有人使用大模型，有人服务大模型，最终形成生态，A公司和B公司链接在一起才能做生意。平台和社区生态的要素就是开源，通过开源让生态飞速发展。

安筱鹏（阿里云科技和研究中心主任）：对于预测我持谨慎乐观的态度。它是多种因素齐头并进才能产生的结果，而不是靠某一个因素。首先，对于中国的应用场景丰富的说法，我们还是要回到前期基础上，应用场景丰富的前提是特定行业的数据积累足够多，也就是说即使应用场景非常丰富，如果失去这个前提，模型的质量就是要打折扣的。第二，需要底层算力，开源模型，模型训练、部署及运营，以及各种各样的工具，才能把整个生态搭建好，把整个技术门槛、应用门槛及成本降下来，如此才会推动整个商业化的应用，这也是今天阿里云所要做的工作。

任何一次重大技术变革带来的产业革命拐点，一定来自成本的拐点。当投入产出比没有发生变化的时候，产业革命是不会到来的。蒸汽机最开始被发明出来，是为把矿井里的水抽上来，它的成本很高。所以在瓦特之前，蒸汽机早就被发明了，但蒸汽机会经常坏。瓦特做了什么？他大幅提高了蒸汽机的稳定性、安全性、可靠性，降低了成本，所以蒸汽机从一个专用的、只能抽水的机器，变成了一个通用的、可以拉着火车向前跑的机器。

再看数字技术革命，比如计算机，在IBM的大型机、小型机出现时，它对整个社会进步的影响是有限的，只有到了PC机（个人电脑）的到来，尤其加上互联网网速高度提升以及成本极度降低时，才推动了整个这一轮的产业革命。所以技术的拐点加上技术成本拐点的到来，加上使用门槛的降低，才会推动一个产业的技术进步，这是非常关键的。

大家都说GPU很重要，大家都可以去开发GPU，那么从英伟达的身上我们可以看到最关键的是什么？像吴恩达（注：斯坦福大学教授）所说的，CUDA（注：英伟达开发的闭源并行计算平台和应用程序编程接口，允许软件使用某些类型的图形处理单元进行通用处理）出现之前，全球能用GPU编程的可能不超过100人，而目前全球的CUDA开发者已经达到几百万。CUDA极度降低了使用门槛，而当使用门槛极度降低构建了一个生态的时候，这个生态就是一个强大的护城河。对我们来说也是一样的，真正的商业化需要技术，需要产业化，但实际上普罗大众的使用门槛、使用成本的急剧降低是其中关键。但这是迭代的结果，不是等着它有一天降低，而是在技术进步、产业应用不断迭代下，它的成本急速降低，从而促进整个生态的发展。

澎湃科技：对于大模型的应用方向，你最想知道答案的一个问题是什么？

王晓航：在哪个主流、严谨、深度的行业里会涌现出重大的应用创新，并被大规模认可？

陈磊：大模型的商业化路径到底是什么样的？现在所有大模型的收费模式都是按调用的token（注：在AI领域token通常指文本处理过程中的最小单位）数来收费，但打不平硬件和人力投入。未来大模型应用能够关联到实际产生的业务价值，并反馈到它的定价上，是蛮关键的一个问题，我们也比较好奇。

张鹏：现象级的AI应用是否会存在，或者会在哪存在？

梁家恩：进入垂直行业解决实际问题时大模型的可控性和可靠性问题如何解决？现在大模型框架很难从根本上消除“幻觉”，还需要很多后端的手段帮大模型完善。在实验室里90%、95%的可控性、可靠性挺高的，但严肃场景下让用户放心使用就很难。

陈冉：大模型应用是服务于人的，但各种应用可能会取代人，所以怎么认定人的技能？