CMC資本：AI 2.0革命：產(chǎn)業(yè)視角下生成式AI如何落地
生成式AI在過(guò)去2年吸引了全球目光，ChatGPT用破紀錄的5天時(shí)間達到百萬(wàn)用戶(hù)，2個(gè)月破億，Sora可生成最長(cháng)1分鐘的模擬真實(shí)世界的視頻，Suno創(chuàng )作出讓用戶(hù)驚艷的音樂(lè )作品，我們看到AI在文本、圖像、視頻、音頻生成等領(lǐng)域取得了重大突破，OpenAI和Anthropic為代表的公司完成了數十億到百億美金的融資。大家在經(jīng)歷AI技術(shù)日新月異的突破的同時(shí)，也關(guān)注生成式AI如何應用落地，如何產(chǎn)生商業(yè)價(jià)值。
CMC資本投資了快手（1024.HK）、B站(NASDAQ: BILI、9626.HK)、快看漫畫(huà)、網(wǎng)易云音樂(lè )（9899.HK）、愛(ài)奇藝（NASDAQ:IQ）等互聯(lián)網(wǎng)平臺，兄弟企業(yè)“華人文化集團公司”控股電視廣播吉印通（00511.HK，香港TVB）、正午陽(yáng)光、紫龍游戲、華人影業(yè)、東方夢(mèng)工廠(chǎng)、日月星光等具有領(lǐng)先優(yōu)勢的內容集群和綜合協(xié)同生態(tài)，以上都是生成式AI的天然應用和落地場(chǎng)景，因此在深度覆蓋技術(shù)供給端的科技公司進(jìn)展的同時(shí)，也關(guān)注到產(chǎn)業(yè)端有強烈的AI需求，互聯(lián)網(wǎng)平臺公司在積極嘗試AI，用AI制作了不錯的作品，但還在尋找好的商業(yè)模式。在產(chǎn)業(yè)端大規模的有效商業(yè)落地更是處于早期階段，也存在著(zhù)各種挑戰。
本文由CMC資本管理合伙人陳弦指導，投資副總裁王鶴宇執筆，將帶著(zhù)產(chǎn)業(yè)視角，談一談CMC對生成式AI在B端產(chǎn)業(yè)落地的思考。
1. AI2.0時(shí)代和新型生產(chǎn)關(guān)系
AI1.0時(shí)代
大家過(guò)往接觸的AI，即所謂AI1.0，是判別式AI，機器可以在計算機視覺(jué)、自然語(yǔ)言理解等領(lǐng)域超越人類(lèi)，常見(jiàn)的智能內容推薦、智慧安防攝像頭、貨架識別等都是AI1.0時(shí)代的應用，誕生了商湯為代表的“AI四小龍”和字節這樣的超級獨角獸。
模型架構上，AI1.0時(shí)代主要基于RNN等網(wǎng)絡(luò )，RNN的數據處理使用的是串行，導致處理長(cháng)序列數據能力有限；訓練方法上，主要使用有監督學(xué)習，需要大量的標注數據和專(zhuān)業(yè)的編程人員，以上都導致其Scalability有限，往往一個(gè)模型對應單一的任務(wù)，其自身的泛化能力也有限。模型的參數通常在百萬(wàn)-千萬(wàn)級別，因此在算力上，部分模型使用消費級顯卡即可。
AI2.0時(shí)代
模型架構上，2017年谷歌提出了Transformer架構，引入自注意力機制，如在自然語(yǔ)言處理時(shí)，它能讓模型評估句子中各個(gè)詞的重要性，從而根據上下文鎖定關(guān)鍵信息，提高下一階段的文本預測與建模能力。Diffusion模型，模仿物質(zhì)在氣體或液體中擴散的過(guò)程（如墨水在水中的擴散過(guò)程），通過(guò)前向擴散（加噪）和反向擴散（去噪）不斷修正訓練自己，在圖像、視頻、音頻領(lǐng)域展現了良好的生成能力，超越了GAN的地位，模型本身的Scalability較AI1.0時(shí)代取得重大進(jìn)步。
訓練方法上，Transformer主要使用自監督學(xué)習，無(wú)需人工標注數據和專(zhuān)業(yè)編程人員，可以自動(dòng)適配和執行各種任務(wù)，大幅提高了模型的Scalability。
近些年GPU計算能力的進(jìn)步，使得早在2017年就提出的Transformer架構成為可能，Transformer為代表的大模型的參數量在百億以上，在當時(shí)的GPU能力下無(wú)法進(jìn)行有效訓練。但英偉達代表的GPU不斷進(jìn)步，其制程從28納米進(jìn)步到5納米，N(xiāo)VLink技術(shù)增加了GPU間通信的效率，GPU的調度能力也獲得提升，千卡GPU集群并行計算成為可能，促進(jìn)了算力能力大幅度綜合提高，為大模型的訓練提供了基礎。
以上的模型架構的突破、訓練方法的優(yōu)化、GPU能力的提升，共同驅動(dòng)了生成式AI開(kāi)啟AI2.0時(shí)代。基于超級海量數據訓練的大模型，可以生成文本、圖像、視頻、音頻和3D等各類(lèi)媒介的內容，具有更強的理解、推理和創(chuàng )造能力，也解鎖了AI1.0時(shí)代（安防和智能推薦為主）以外更豐富的場(chǎng)景和更大的市場(chǎng)空間。預訓練的模型，本質(zhì)集成壓縮了豐富的世界知識，在泛化性上有極大的提升，如果將AI1.0的模型能力類(lèi)比于只能完成特定任務(wù)的學(xué)前班學(xué)生，大模型是高中生，具備可以完成多個(gè)任務(wù)的能力。
如前所述，生成式AI在模型架構、訓練方法上具備良好的Scalability，展現出了Scaling Law，即越多的訓練數據，越多的模型參數，就會(huì )獲得越強的AI模型能力。目前Scaling Law還在發(fā)揮作用，因此也有部分業(yè)界把生成式AI當作未來(lái)有可能實(shí)現AGI（通用人工智能）的方法之一。
新型生產(chǎn)關(guān)系
我們看好生成式AI的新范式，不僅是其遠大于A(yíng)I1.0的市場(chǎng)空間，更是看好其所代表的新型生產(chǎn)關(guān)系。過(guò)去的生產(chǎn)過(guò)程中，工廠(chǎng)消耗能源和基礎材料，制造出實(shí)體的產(chǎn)品。未來(lái)的核心生產(chǎn)關(guān)系將圍繞著(zhù)電力、AI模型和token（數據）展開(kāi)。數據中心作為AI工廠(chǎng)，在電力供能下，結合AI模型，通過(guò)token不斷生產(chǎn)信息化的內容（語(yǔ)言、圖形、視頻、音樂(lè )等），也即是新的成產(chǎn)出來(lái)的產(chǎn)品，圍繞token的新型生產(chǎn)關(guān)系正在形成，構筑新一輪的信息工業(yè)革命。當然以上是我們認為的遠期狀態(tài)，當前也僅僅是生成式AI取得大的影響力突破的第二年，該新型生產(chǎn)關(guān)系還在構建和發(fā)展中。
2. 生成式AI并非完美，也給應用落地帶來(lái)了挑戰
在語(yǔ)言、視覺(jué)和音頻領(lǐng)域，我們看到了過(guò)去一段時(shí)間生成式AI日新月異的發(fā)展，這離不開(kāi)Transformer和Diffusion模型的突破。但與此同時(shí)，我們也看到了大語(yǔ)言模型存在幻覺(jué)的問(wèn)題，AI生成的視頻和圖像也并不穩定，我們在看到巨大潛力的同時(shí)，也不能忽視其不完美的現狀。
B端對內容的精準、可控、一致性、可靠性、穩定性有著(zhù)極高的要求，C端雖然相對要求更包容，但也存在著(zhù)來(lái)自合規性的監管，這些要求給尚不滿(mǎn)完美的生成式AI如何落地帶來(lái)了挑戰。
Transformer模型，1）缺乏可解釋性，神經(jīng)網(wǎng)絡(luò )本質(zhì)上是黑箱模型，輸入和輸出之間的關(guān)系是通過(guò)訓練數據和復雜的計算學(xué)習到的，而非通過(guò)明確的規則編碼，在金融、醫療等復雜、專(zhuān)業(yè)或者高度監管的行業(yè)中，模型的決策過(guò)程需要符合特定的法規和標準，不可解釋性可能導致合規性問(wèn)題；2）會(huì )出現幻覺(jué)，產(chǎn)生邏輯謬誤、捏造事實(shí)以及數據驅動(dòng)的偏見(jiàn)，也就是通俗說(shuō)的大模型“一本正經(jīng)的胡說(shuō)八道”，客戶(hù)可能對模型的輸出結果持懷疑態(tài)度，難以建立信任，如用AI檢索的結果，為了保證真實(shí)，需要復查，特別是在安全性和嚴肅性要求較高的場(chǎng)合此問(wèn)題更加突出；3）除此之外，計算和內存消耗大，特別是在處理大規模數據集時(shí)，需要大規模并行計算能力；4）優(yōu)化難度大，模型的復雜性和參數量大增加了優(yōu)化難度。
Diffusion模型，1）擴散模型可以生成圖像和文本，但它們還難以同時(shí)理解和生成涉及多種類(lèi)型數據的復雜多模態(tài)內容。比如目前用擴散模型生成一張“紅色衣服”的圖片較為簡(jiǎn)單，但讓其生成一張胸前印著(zhù)“明天總是美好的”紅色衣服圖像，生成的衣服上的文字往往出錯；2）擴散模型仍是隨機采樣，導致其生成內容的精準、可控、一致性等方面仍然不足，比如同樣的prompt下，AI生成的2個(gè)漫畫(huà)男孩不是同一人，這就導致了應用前后不對應的問(wèn)題，使得商業(yè)落地困難。雖然業(yè)界在積極探索，ControlNet，LoRA，Dreambooth等技術(shù)的出現對局部?jì)热輰?shí)現了控制，如人臉、畫(huà)風(fēng)、動(dòng)作等，但仍有較大的進(jìn)步空間；3）其基于高斯求和的方式會(huì )帶來(lái)求解難度的提高，尤其隨著(zhù)維度的上升會(huì )帶來(lái)顯存占用的幾何級別的增長(cháng)。這種架構下，顯卡的顯存大小限制了視頻的時(shí)長(cháng)，目前最長(cháng)的AI生成的視頻時(shí)長(cháng)在1分鐘左右，仍無(wú)法在長(cháng)視頻應用場(chǎng)景呈現。
雖然目前的模型能力還有不足，但我們也注意到模型架構也在迭代。工程上，如融合了Transformer和Diffusion的DiT，使用Transformer替換U-Net主干，并在潛在空間訓練，展現出了比單純Diffusion更好的訓練效率和生成效果。再如Mamba架構，可進(jìn)行“線(xiàn)性時(shí)間序列”建模，隨序列長(cháng)度增長(cháng)其計算保持線(xiàn)性增長(cháng)，而非Transformer的指數級膨脹，同時(shí)改善了注意力機制，減少了處理序列數據所需的計算量，加快了數據處理速度。同時(shí)學(xué)術(shù)界也在對模型底層的數學(xué)、人腦科學(xué)做更深層次的研究，希望能找到更多樣化的實(shí)現AGI的通路。
3. 落地思路：“End to End” vs “Step by Step”
目前生成式AI的產(chǎn)業(yè)落地，大致分為2種思路，即“End to End/端到端”和“Step by Step/按步驟拆解”，相應特點(diǎn)也有不同。
End to End
方法：跳過(guò)現有專(zhuān)業(yè)制作流程，直接一步生成最終的內容
代表產(chǎn)品：ChatGPT, Midjourney, Suno
落地場(chǎng)景：主要在C端大眾用戶(hù)，用于泛娛樂(lè )的場(chǎng)景，或者非嚴肅場(chǎng)景，如編程，信息檢索等
特點(diǎn)：1）簡(jiǎn)單直接，通常輸入文字prompt描述，直接產(chǎn)出最終的內容；2）“黑盒”狀態(tài)，過(guò)程不透明，生成的結果具備隨機性；3）生成的內容往往不精準和不可控；4）基本上通過(guò)多次生成，選擇最滿(mǎn)意的方式進(jìn)行生產(chǎn)
以漫畫(huà)創(chuàng )作為例，漫畫(huà)工具“AI Comic Factory”，提供了簡(jiǎn)單易用的用戶(hù)界面和使用步驟
以上可見(jiàn)，目前端到端的產(chǎn)品易于上手，但同時(shí)因為無(wú)法對過(guò)程進(jìn)行控制，且目前AI技術(shù)又不能一步到位生成高質(zhì)量的內容，所以局限了出品的作品品質(zhì)，更多的還是在用在for fun或者專(zhuān)業(yè)制作workflow中各步驟的第一步創(chuàng )意環(huán)節，如動(dòng)畫(huà)美工/畫(huà)師或影視劇導演，在創(chuàng )作過(guò)程中將腦中的想法迅速通過(guò)AI畫(huà)圖展現出來(lái)，高效呈現預覽效果，方便團隊內部溝通及靈感碰撞。
Step by Step
方法：盡量沿用現有的工作流，不追求一步到位，AI專(zhuān)注于每一步工作的提效
代表產(chǎn)品：Adobe Firefly，ComicsMaker.AI
落地場(chǎng)景：主要用于B端的專(zhuān)業(yè)工作者，用在高質(zhì)量工業(yè)級的生產(chǎn)制作流中
特點(diǎn)：1）對每個(gè)環(huán)節的生成內容相對更精準、更可控，2）往往和現有工作流和制作工具融合，更易于流程管理
以專(zhuān)業(yè)的動(dòng)畫(huà)創(chuàng )作為例，以下是國內某2B定制化AI內容創(chuàng )作公司的案例，專(zhuān)業(yè)的動(dòng)畫(huà)制作環(huán)節包括“人設圖-分鏡-排版-草稿-線(xiàn)稿-上色-動(dòng)畫(huà)”，其創(chuàng )作工具依照現有專(zhuān)業(yè)workflow設計，目標在創(chuàng )作過(guò)程中降本增效，目前在一些案例中可以得到40%的人力成本節省。雖然AI的能力看似無(wú)所不能，多方面都可以覆蓋，但實(shí)操上每個(gè)環(huán)節涉及到眾多的細節，如何反哺AI的產(chǎn)品能力，甚至進(jìn)階的精簡(jiǎn)/重塑專(zhuān)業(yè)的工作流，這都需要和產(chǎn)業(yè)方共建。
我們認為，雖然生成式AI在過(guò)去2年取得了快速發(fā)展，但今天行業(yè)仍在早期，長(cháng)期我們確信AI會(huì )顛覆現有的工作流，甚至企業(yè)的管理學(xué)，但從務(wù)實(shí)的角度，B端的AI落地，會(huì )經(jīng)歷1）短期先Step by Step在可能的環(huán)節部分落地，降本增效；2）行業(yè)公司效仿，滲透率提升；3）技術(shù)進(jìn)步，更多環(huán)節可以被AI賦能，滲透率再次提升；4）技術(shù)迭代，workflow開(kāi)始合并縮短，甚至出現全新的成產(chǎn)方式；5）理論上最終極的方式可能是一步端到端。
4. 行業(yè)know-how和專(zhuān)有數據對B端落地不可或缺
根據上文，按照步驟拆解的思路在B端產(chǎn)業(yè)落地，需要更多的行業(yè)know-how和專(zhuān)有數據。如上文的動(dòng)畫(huà)制作案例，第一步就是拆解工作流，如“人設圖-分鏡-排版-草稿-線(xiàn)稿-上色-動(dòng)畫(huà)”，本身就是know-how。然后每個(gè)環(huán)節如何和AI結合，如何高質(zhì)量打標簽，如何實(shí)現美學(xué)對齊（比如創(chuàng )作端什么內容才是“美”，什么才是“好”等），哪些功能和模塊更符合使用需求，也是需要與行業(yè)know-how結合打磨，也是PMF的過(guò)程。
專(zhuān)業(yè)制作內容，有大量的數據1）本身很難或者無(wú)法進(jìn)行數字化沉淀，如電影/漫畫(huà)的分鏡設計，其構思往往在導演/創(chuàng )作者腦中，無(wú)法有效沉淀；2）在制作方手中，特別是制作環(huán)節過(guò)程中產(chǎn)生的高質(zhì)量結構化數據，對模型訓練有巨大幫助，但往往這些數據并不是公開(kāi)的。相關(guān)數據的缺乏導致了AI模型本身無(wú)法有效獲得訓練而不具備對應能力，這也是上文案例動(dòng)畫(huà)制作環(huán)節中，分鏡設計的AI滲透率極低，但上色環(huán)節（公開(kāi)數據較多）有較好效果和滲透率的原因。
預訓練模型的本質(zhì)是歷史數據和知識的壓縮，數據的質(zhì)和量極大程度決定了AI能力。專(zhuān)有數據對于提升模型能力，滿(mǎn)足企業(yè)的特定需求（調性風(fēng)格、品牌特點(diǎn)、行業(yè)知識等）至關(guān)重要。
因此我們也期待產(chǎn)業(yè)方更開(kāi)放的同科技公司合作，目前雖然中國底層大模型的發(fā)展和學(xué)術(shù)研究暫時(shí)還處于追趕國外的狀態(tài)，但中國的產(chǎn)業(yè)更豐富，我們對應用的落地有著(zhù)更強的人才和資源投入，我們在A(yíng)I2.0的商業(yè)化應用上有機會(huì )復現中國在A(yíng)I1.0時(shí)代的引領(lǐng)地位。
5. B端需要的并非單一的AI產(chǎn)品和工具
對企業(yè)客戶(hù)來(lái)說(shuō)，經(jīng)過(guò)我們的調研，相比于底層技術(shù)和實(shí)現方式，其往往更關(guān)注交付的效果，所以生成式AI的落地，除了行業(yè)know-how和專(zhuān)有數據以外，我們認為需要滿(mǎn)足以下幾點(diǎn)：
首先，是多個(gè)模態(tài)的組合
生成式AI的落地在眾多的行業(yè)和場(chǎng)景，但從介質(zhì)的角度來(lái)看，主要是文本/圖像/視頻/3D/音頻。真的在產(chǎn)業(yè)落地，單一的模態(tài)往往是不充分的。其中，文本往往被廣泛用作跨模態(tài)（和圖像/視頻/3D/音頻）交互的自然語(yǔ)言，連接著(zhù)多模態(tài)的組合。如AI制作3D游戲，就涉及到文本、圖像和3D等模態(tài)，文本可用于編程和對話(huà)，以及其他模態(tài)的交互，圖像用于人物設計的美術(shù)環(huán)節，3D用于建模環(huán)節。
其次，還會(huì )是多個(gè)模型構建的系統
大模型和小模型的組合：大模型泛化和通用性強，但對于很多AI1.0時(shí)代已經(jīng)解決的標準化的場(chǎng)景，用小模型更具備經(jīng)濟性（算力消耗少），因此可以組合大模型和小模型搭配，分別完成復雜和標準場(chǎng)景。
通用和垂直模型組合：通用模型覆蓋大部分業(yè)務(wù)，但對特定的垂直領(lǐng)域，調用對應的垂直模型，如法律翻譯和文學(xué)翻譯，AI翻譯系統可以是不垂直模型的組合。
除此之外，為了實(shí)現特定的目標，還會(huì )包含眾多的嵌入的模塊來(lái)擴展模型能力的邊界，從而構成一個(gè)系統。比如會(huì )在Stable Diffusion模型中加入Control Net的神經(jīng)網(wǎng)絡(luò )架構，通過(guò)選擇不同的輸入條件，生成滿(mǎn)足特定需求的圖像來(lái)實(shí)現內容控制。或者在模型中加入文本特征抽取模塊，多層映射網(wǎng)絡(luò )實(shí)現關(guān)鍵詞解耦，從而提升理解能力等，使得AI能真正落地使用。
最后，還會(huì )是AI能力+現有業(yè)務(wù)系統和管理流程的結合
很多AI公司都可以做到前述2點(diǎn)，但最終在企業(yè)的落地效果不佳，究其原因還是在于1）要么沒(méi)有和現有的業(yè)務(wù)系統結合，導致雖然局部環(huán)節提效，但和現有業(yè)務(wù)系統的融合中額外增加成本，總效率更低，或者2）目前大模型無(wú)法嵌入企業(yè)的工作體系里，也無(wú)法解決企業(yè)的管理邏輯，所以往往都是設計師/員工自行使用，AI和管理體系需要協(xié)同和融合。
我們觀(guān)察到國內某新型主流全媒體集團旗下的“生成式人工智能媒體融合創(chuàng )新工作室”取得了不錯的落地，內部結合自身的工作管理和業(yè)務(wù)流程，疊加AI能力，開(kāi)發(fā)了一套全棧的AI+業(yè)務(wù)+管理系統。其1）在A(yíng)I制作上，涵蓋了多個(gè)功能，涉及文本、圖像、視頻、音頻等多個(gè)模態(tài)；2）現有的媒體集團的業(yè)務(wù)和管理，涉及“媒資庫入檢索-內容制作-內容審核-內容分發(fā)-媒資入庫”等環(huán)節和系統。所開(kāi)發(fā)的AI系統和公司媒資管理系統、專(zhuān)屬（新聞采編等）業(yè)務(wù)系統有連接，同時(shí)也是與安全播出的多重審核機制管理權限藕合。不僅僅是單純的內容制作工具，其也集成AI媒資管理、安全審核結合等業(yè)務(wù)和監管環(huán)節，形成一套綜合的系統。3）同時(shí)制作全流程不需要切換系統，方便管理和流程轉移。這是我們看到的目前較好的B端的綜合AI落地，結合了多個(gè)模態(tài)，多個(gè)模型，同時(shí)和企業(yè)的業(yè)務(wù)和管理流程系統融合，具備較高的使用率，也表現出較好的提效結果。
6. AI 2B發(fā)展路徑：Native生成式AI公司vs Non-native生成式AI公司
我們觀(guān)察到在A(yíng)I 2B賽道有2類(lèi)公司。一類(lèi)是Native生成式AI公司，從0-1利用AI的模型能力為企業(yè)客戶(hù)提供服務(wù)。另一類(lèi)是Non-native生成式AI服務(wù)公司，比如數字化時(shí)代的企業(yè)服務(wù)公司，他們通常已在一些2B場(chǎng)景里取得了不錯的結果，如今把生成式AI能力融合到現有場(chǎng)景中，謀求更好的實(shí)現效果。
第一類(lèi)路徑
比如在視頻制作領(lǐng)域有眾多的Native生成式AI創(chuàng )業(yè)公司，他們致力于通過(guò)AI模型，輸入文字或者圖像直接產(chǎn)出視頻。隨著(zhù)Sora的推出，我們觀(guān)察到眾多相關(guān)創(chuàng )業(yè)公司當前的努力重點(diǎn)還是提升模型能力，盡快復刻Sora展現出來(lái)的效果。我們認為如果想要將其做成一個(gè)企業(yè)級的應用產(chǎn)品，合理的路徑除了進(jìn)一步提高模型本身之外，還需要1）產(chǎn)品的功能設計和工作流相結合，如增加分鏡的順序組合搭配工具，使得生成的視頻具備故事性；2）增加編輯和控制工具，如局部?jì)热莸奶囟伾?特效的編輯功能，或者關(guān)鍵幀的控制工具等。通過(guò)和產(chǎn)業(yè)需求和know-how結合，才能將模型能力變成產(chǎn)品，且其符合使用習慣從而取得很好的落地效果。
第二類(lèi)路徑
智能化的基礎是數字化，很多場(chǎng)景已經(jīng)在A(yíng)I1.0時(shí)代被企業(yè)服務(wù)公司覆蓋，如智能客服、AI營(yíng)銷(xiāo)、翻譯等。在已經(jīng)被數字化改造的行業(yè)的提供企業(yè)服務(wù)公司，其有沉淀的場(chǎng)景數據，有業(yè)務(wù)的落地，有現成的客戶(hù)access，如果疊加生成式AI的能力，如把大模型應用到客服系統和營(yíng)銷(xiāo)對話(huà)場(chǎng)景，對話(huà)效果比AI1.0的模型更加自然，從而獲得更高的用戶(hù)滿(mǎn)意度和付費轉化率。再如大模型對商業(yè)運營(yíng)表現和市場(chǎng)商機進(jìn)行分析，進(jìn)一步完善BI（商業(yè)智能）的功能，這些都可以加深對客戶(hù)的服務(wù)深度和拓寬服務(wù)邊界，增加企業(yè)客戶(hù)對產(chǎn)品的價(jià)值感。我們觀(guān)察到在A(yíng)I電商營(yíng)銷(xiāo)領(lǐng)域，隨著(zhù)生成式AI技術(shù)的普及，原本處于不同環(huán)節分工的企業(yè)，都在拓寬服務(wù)邊界，彼此滲透，例如提供AI客服的公司，使用大模型能力，不僅提升了客戶(hù)對話(huà)能力，也拓展到AI蓄客、營(yíng)銷(xiāo)文案制作、數字人、智能營(yíng)銷(xiāo)切片等。因此我們認為以上也是一個(gè)生成式AI2B有機會(huì )的發(fā)展路徑。
7. 結語(yǔ)
生成式AI技術(shù)解鎖了巨大的市場(chǎng)空間和可能性，但當前技術(shù)并不完美，特別在對精準性、可控性、一致性要求較高的B端產(chǎn)業(yè)落地面臨較多挑戰。End to End思路更直接，但想要取得更好的結果更依賴(lài)底層技術(shù)的突破，Step by Step思路在當前的技術(shù)棧下短期更加務(wù)實(shí)，追求降本增效。但無(wú)論哪種思路，行業(yè)的know-how，專(zhuān)有數據，AI與業(yè)務(wù)和管理系統的耦合，都在產(chǎn)業(yè)端落地中都至關(guān)重要。
此外，生成式AI也是設計和生產(chǎn)范式的變化，年輕的創(chuàng )作者對新技術(shù)的擁抱度更高，AI科技公司可以參與培育新一批的AI Native的創(chuàng )作者，在大學(xué)共創(chuàng )課程體系，隨著(zhù)相關(guān)學(xué)生畢業(yè)進(jìn)入產(chǎn)業(yè)界，將促成新的創(chuàng )作范式的行業(yè)落地，同時(shí)也形成了產(chǎn)品的隱性的護城河。
