生成式 AI 在過去 2 年吸引了全球目光，ChatGPT 用破紀錄的 5 天時間達到百萬用戶，2 個月破億，Sora 可生成最長 1 分鐘的模擬真實世界的視頻，Suno 創(chuàng)作出讓用戶驚艷的音樂作品，我們看到 AI 在文本、圖像、視頻、音頻生成等領域取得了重大突破，OpenAI 和 Anthropic 為代表的公司完成了數(shù)十億到百億美金的融資。大家在經(jīng)歷 AI 技術日新月異的突破的同時，也關注生成式 AI 如何應用落地，如何產(chǎn)生商業(yè)價值。

CMC 資本投資了快手（1024.HK）、B 站 ( NASDAQ: BILI、9626.HK ) 、快看漫畫、網(wǎng)易云音樂（9899.HK）、愛奇藝（NASDAQ:IQ）等互聯(lián)網(wǎng)平臺，兄弟企業(yè) " 華人文化集團公司 " 控股電視廣播有限公司（00511.HK，香港 TVB）、正午陽光、紫龍游戲、華人影業(yè)、東方夢工廠、日月星光等具有領先優(yōu)勢的內(nèi)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景，因此在深度覆蓋技術供給端的科技公司進展的同時，也關注到產(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(guī)模的有效商業(yè)落地更是處于早期階段，也存在著各種挑戰(zhàn)。

本文由 CMC 資本管理合伙人陳弦指導，投資副總裁王鶴宇執(zhí)筆，將帶著產(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 時代和新型生產(chǎn)關系

AI1.0時代

大家過往接觸的 AI，即所謂 AI1.0，是判別式 AI，機器可以在計算機視覺、自然語言理解等領域超越人類，常見的智能內(nèi)容推薦、智慧安防攝像頭、貨架識別等都是 AI1.0 時代的應用，誕生了商湯為代表的 "AI 四小龍 " 和字節(jié)這樣的超級獨角獸。

模型架構上，AI1.0 時代主要基于 RNN 等網(wǎng)絡，RNN 的數(shù)據(jù)處理使用的是串行，導致處理長序列數(shù)據(jù)能力有限；訓練方法上，主要使用有監(jiān)督學習，需要大量的標注數(shù)據(jù)和專業(yè)的編程人員，以上都導致其 Scalability 有限，往往一個模型對應單一的任務，其自身的泛化能力也有限。模型的參數(shù)通常在百萬 - 千萬級別，因此在算力上，部分模型使用消費級顯卡即可。

AI2.0時代

模型架構上，2017 年谷歌提出了 Transformer 架構，引入自注意力機制，如在自然語言處理時，它能讓模型評估句子中各個詞的重要性，從而根據(jù)上下文鎖定關鍵信息，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程（如墨水在水中的擴散過程），通過前向擴散（加噪）和反向擴散（去噪）不斷修正訓練自己，在圖像、視頻、音頻領域展現(xiàn)了良好的生成能力，超越了 GAN 的地位，模型本身的 Scalability 較 AI1.0 時代取得重大進步。

訓練方法上，Transformer 主要使用自監(jiān)督學習，無需人工標注數(shù)據(jù)和專業(yè)編程人員，可以自動適配和執(zhí)行各種任務，大幅提高了模型的 Scalability。

近些年 GPU 計算能力的進步，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(shù)量在百億以上，在當時的 GPU 能力下無法進行有效訓練。但英偉達代表的 GPU 不斷進步，其制程從 28 納米進步到 5 納米，NVLink 技術增加了 GPU 間通信的效率，GPU 的調(diào)度能力也獲得提升，千卡 GPU 集群并行計算成為可能，促進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(qū)動了生成式 AI 開啟 AI2.0 時代?；诔壓Ａ繑?shù)據(jù)訓練的大模型，可以生成文本、圖像、視頻、音頻和 3D 等各類媒介的內(nèi)容，具有更強的理解、推理和創(chuàng)造能力，也解鎖了 AI1.0 時代（安防和智能推薦為主）以外更豐富的場景和更大的市場空間。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 的模型能力類比于只能完成特定任務的學前班學生，大模型是高中生，具備可以完成多個任務的能力。

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(xiàn)出了 Scaling Law，即越多的訓練數(shù)據(jù)，越多的模型參數(shù)，就會獲得越強的 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 當作未來有可能實現(xiàn) AGI（通用人工智能）的方法之一。

新型生產(chǎn)關系

我們看好生成式 AI 的新范式，不僅是其遠大于 AI1.0 的市場空間，更是看好其所代表的新型生產(chǎn)關系。過去的生產(chǎn)過程中，工廠消耗能源和基礎材料，制造出實體的產(chǎn)品。未來的核心生產(chǎn)關系將圍繞著電力、AI 模型和 token（數(shù)據(jù)）展開。數(shù)據(jù)中心作為 AI 工廠，在電力供能下，結合 AI 模型，通過 token 不斷生產(chǎn)信息化的內(nèi)容（語言、圖形、視頻、音樂等），也即是新的成產(chǎn)出來的產(chǎn)品，圍繞 token 的新型生產(chǎn)關系正在形成，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，也給應用落地帶來了挑戰(zhàn)

在語言、視覺和音頻領域，我們看到了過去一段時間生成式 AI 日新月異的發(fā)展，這離不開 Transformer 和 Diffusion 模型的突破。但與此同時，我們也看到了大語言模型存在幻覺的問題，AI 生成的視頻和圖像也并不穩(wěn)定，我們在看到巨大潛力的同時，也不能忽視其不完美的現(xiàn)狀。

B 端對內(nèi)容的精準、可控、一致性、可靠性、穩(wěn)定性有著極高的要求，C 端雖然相對要求更包容，但也存在著來自合規(guī)性的監(jiān)管，這些要求給尚不滿完美的生成式 AI 如何落地帶來了挑戰(zhàn)。

Transformer 模型，1）缺乏可解釋性，神經(jīng)網(wǎng)絡本質(zhì)上是黑箱模型，輸入和輸出之間的關系是通過訓練數(shù)據(jù)和復雜的計算學習到的，而非通過明確的規(guī)則編碼，在金融、醫(yī)療等復雜、專業(yè)或者高度監(jiān)管的行業(yè)中，模型的決策過程需要符合特定的法規(guī)和標準，不可解釋性可能導致合規(guī)性問題；2）會出現(xiàn)幻覺，產(chǎn)生邏輯謬誤、捏造事實以及數(shù)據(jù)驅(qū)動的偏見，也就是通俗說的大模型 " 一本正經(jīng)的胡說八道 "，客戶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，需要復查，特別是在安全性和嚴肅性要求較高的場合此問題更加突出；3）除此之外，計算和內(nèi)存消耗大，特別是在處理大規(guī)模數(shù)據(jù)集時，需要大規(guī)模并行計算能力；4）優(yōu)化難度大，模型的復雜性和參數(shù)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，但它們還難以同時理解和生成涉及多種類型數(shù)據(jù)的復雜多模態(tài)內(nèi)容。比如目前用擴散模型生成一張 " 紅色衣服 " 的圖片較為簡單，但讓其生成一張胸前印著 " 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(nèi)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 個漫畫男孩不是同一人，這就導致了應用前后不對應的問題，使得商業(yè)落地困難。雖然業(yè)界在積極探索，ControlNet，LoRA，Dreambooth 等技術的出現(xiàn)對局部內(nèi)容實現(xiàn)了控制，如人臉、畫風、動作等，但仍有較大的進步空間；3）其基于高斯求和的方式會帶來求解難度的提高，尤其隨著維度的上升會帶來顯存占用的幾何級別的增長。這種架構下，顯卡的顯存大小限制了視頻的時長，目前最長的 AI 生成的視頻時長在 1 分鐘左右，仍無法在長視頻應用場景呈現(xiàn)。

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(xiàn)出了比單純 Diffusion 更好的訓練效率和生成效果。再如 Mamba 架構，可進行 " 線性時間序列 " 建模，隨序列長度增長其計算保持線性增長，而非 Transformer 的指數(shù)級膨脹，同時改善了注意力機制，減少了處理序列數(shù)據(jù)所需的計算量，加快了數(shù)據(jù)處理速度。同時學術界也在對模型底層的數(shù)學、人腦科學做更深層次的研究，希望能找到更多樣化的實現(xiàn) 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 "，相應特點也有不同。

End to End

方法：跳過現(xiàn)有專業(yè)制作流程，直接一步生成最終的內(nèi)容

代表產(chǎn)品：ChatGPT, Midjourney, Suno

落地場景：主要在 C 端大眾用戶，用于泛娛樂的場景，或者非嚴肅場景，如編程，信息檢索等

特點：1）簡單直接，通常輸入文字 prompt 描述，直接產(chǎn)出最終的內(nèi)容；2）" 黑盒 " 狀態(tài)，過程不透明，生成的結果具備隨機性；3）生成的內(nèi)容往往不精準和不可控；4）基本上通過多次生成，選擇最滿意的方式進行生產(chǎn)

以漫畫創(chuàng)作為例，漫畫工具 "AI Comic Factory"，提供了簡單易用的用戶界面和使用步驟

以上可見，目前端到端的產(chǎn)品易于上手，但同時因為無法對過程進行控制，且目前 AI 技術又不能一步到位生成高質(zhì)量的內(nèi)容，所以局限了出品的作品品質(zhì)，更多的還是在用在 for fun 或者專業(yè)制作 workflow 中各步驟的第一步創(chuàng)意環(huán)節(jié)，如動畫美工 / 畫師或影視劇導演，在創(chuàng)作過程中將腦中的想法迅速通過 AI 畫圖展現(xiàn)出來，高效呈現(xiàn)預覽效果，方便團隊內(nèi)部溝通及靈感碰撞。

Step by Step

方法：盡量沿用現(xiàn)有的工作流，不追求一步到位，AI 專注于每一步工作的提效

代表產(chǎn)品：Adobe Firefly，ComicsMaker.AI

落地場景：主要用于 B 端的專業(yè)工作者，用在高質(zhì)量工業(yè)級的生產(chǎn)制作流中

特點：1）對每個環(huán)節(jié)的生成內(nèi)容相對更精準、更可控，2）往往和現(xiàn)有工作流和制作工具融合，更易于流程管理

以專業(yè)的動畫創(chuàng)作為例，以下是國內(nèi)某 2B 定制化 AI 內(nèi)容創(chuàng)作公司的案例，專業(yè)的動畫制作環(huán)節(jié)包括 " 人設圖 - 分鏡 - 排版 - 草稿 - 線稿 - 上色 - 動畫 "，其創(chuàng)作工具依照現(xiàn)有專業(yè) workflow 設計，目標在創(chuàng)作過程中降本增效，目前在一些案例中可以得到 40% 的人力成本節(jié)省。雖然 AI 的能力看似無所不能，多方面都可以覆蓋，但實操上每個環(huán)節(jié)涉及到眾多的細節(jié)，如何反哺 AI 的產(chǎn)品能力，甚至進階的精簡 / 重塑專業(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 在過去 2 年取得了快速發(fā)展，但今天行業(yè)仍在早期，長期我們確信 AI 會顛覆現(xiàn)有的工作流，甚至企業(yè)的管理學，但從務實的角度，B 端的 AI 落地，會經(jīng)歷 1）短期先 Step by Step 在可能的環(huán)節(jié)部分落地，降本增效；2）行業(yè)公司效仿，滲透率提升；3）技術進步，更多環(huán)節(jié)可以被 AI 賦能，滲透率再次提升；4）技術迭代，workflow 開始合并縮短，甚至出現(xiàn)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 和專有數(shù)據(jù)對 B 端落地不可或缺

根據(jù)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 和專有數(shù)據(jù)。如上文的動畫制作案例，第一步就是拆解工作流，如 " 人設圖 - 分鏡 - 排版 - 草稿 - 線稿 - 上色 - 動畫 "，本身就是 know-how。然后每個環(huán)節(jié)如何和 AI 結合，如何高質(zhì)量打標簽，如何實現(xiàn)美學對齊（比如創(chuàng)作端什么內(nèi)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 的過程。

專業(yè)制作內(nèi)容，有大量的數(shù)據(jù) 1）本身很難或者無法進行數(shù)字化沉淀，如電影 / 漫畫的分鏡設計，其構思往往在導演 / 創(chuàng)作者腦中，無法有效沉淀；2）在制作方手中，特別是制作環(huán)節(jié)過程中產(chǎn)生的高質(zhì)量結構化數(shù)據(jù)，對模型訓練有巨大幫助，但往往這些數(shù)據(jù)并不是公開的。相關數(shù)據(jù)的缺乏導致了 AI 模型本身無法有效獲得訓練而不具備對應能力，這也是上文案例動畫制作環(huán)節(jié)中，分鏡設計的 AI 滲透率極低，但上色環(huán)節(jié)（公開數(shù)據(jù)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(shù)據(jù)和知識的壓縮，數(shù)據(jù)的質(zhì)和量極大程度決定了 AI 能力。專有數(shù)據(jù)對于提升模型能力，滿足企業(yè)的特定需求（調(diào)性風格、品牌特點、行業(yè)知識等）至關重要。

因此我們也期待產(chǎn)業(yè)方更開放同科技公司合作，目前雖然中國底層大模型的發(fā)展和學術研究暫時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更強的人才和資源投入，我們在 AI2.0 的商業(yè)化應用上有機會復現(xiàn)中國在 AI1.0 時代的引領地位。

5. B 端需要的并非單一的AI產(chǎn)品和工具

對企業(yè)客戶來說，經(jīng)過我們的調(diào)研，相比于底層技術和實現(xiàn)方式，其往往更關注交付的效果，所以生成式 AI 的落地，除了行業(yè) know-how 和專有數(shù)據(jù)以外，我們認為需要滿足以下幾點：

首先，是多個模態(tài)的組合

生成式 AI 的落地在眾多的行業(yè)和場景，但從介質(zhì)的角度來看，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）交互的自然語言，連接著多模態(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，以及其他模態(tài)的交互，圖像用于人物設計的美術環(huán)節(jié)，3D 用于建模環(huán)節(jié)。

其次，還會是多個模型構建的系統(tǒng)

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 時代已經(jīng)解決的標準化的場景，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景。

通用和垂直模型組合：通用模型覆蓋大部分業(yè)務，但對特定的垂直領域，調(diào)用對應的垂直模型，如法律翻譯和文學翻譯，AI 翻譯系統(tǒng)可以是不垂直模型的組合。

除此之外，為了實現(xiàn)特定的目標，還會包含眾多的嵌入的模塊來擴展模型能力的邊界，從而構成一個系統(tǒng)。比如會在 Stable Diffusion 模型中加入 Control Net 的神經(jīng)網(wǎng)絡架構，通過選擇不同的輸入條件，生成滿足特定需求的圖像來實現(xiàn)內(nèi)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)絡實現(xiàn)關鍵詞解耦，從而提升理解能力等，使得 AI 能真正落地使用。

最后，還會是 AI 能力 + 現(xiàn)有業(yè)務系統(tǒng)和管理流程的結合

很多 AI 公司都可以做到前述 2 點，但最終在企業(yè)的落地效果不佳，究其原因還是在于 1）要么沒有和現(xiàn)有的業(yè)務系統(tǒng)結合，導致雖然局部環(huán)節(jié)提效，但和現(xiàn)有業(yè)務系統(tǒng)的融合中額外增加成本，總效率更低，或者 2）目前大模型無法嵌入企業(yè)的工作體系里，也無法解決企業(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。

我們觀察到國內(nèi)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(nèi)部結合自身的工作管理和業(yè)務流程，疊加 AI 能力，開發(fā)了一套全棧的 AI+ 業(yè)務 + 管理系統(tǒng)。其 1）在 AI 制作上，涵蓋了多個功能，涉及文本、圖像、視頻、音頻等多個模態(tài)；2）現(xiàn)有的媒體集團的業(yè)務和管理，涉及 " 媒資庫入檢索 - 內(nèi)容制作 - 內(nèi)容審核 - 內(nèi)容分發(fā) - 媒資入庫 " 等環(huán)節(jié)和系統(tǒng)。所開發(fā)的 AI 系統(tǒng)和公司媒資管理系統(tǒng)、專屬（新聞采編等）業(yè)務系統(tǒng)有連接，同時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(nèi)容制作工具，其也集成 AI 媒資管理、安全審核結合等業(yè)務和監(jiān)管環(huán)節(jié)，形成一套綜合的系統(tǒng)。3）同時制作全流程不需要切換系統(tǒng)，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，結合了多個模態(tài)，多個模型，同時和企業(yè)的業(yè)務和管理流程系統(tǒng)融合，具備較高的使用率，也表現(xiàn)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

我們觀察到在 AI 2B 賽道有 2 類公司。一類是 Native 生成式 AI 公司，從 0-1 利用 AI 的模型能力為企業(yè)客戶提供服務。另一類是 Non-native 生成式 AI 服務公司，比如數(shù)字化時代的企業(yè)服務公司，他們通常已在一些 2B 場景里取得了不錯的結果，如今把生成式 AI 能力融合到現(xiàn)有場景中，謀求更好的實現(xiàn)效果。

第一類路徑

比如在視頻制作領域有眾多的 Native 生成式 AI 創(chuàng)業(yè)公司，他們致力于通過 AI 模型，輸入文字或者圖像直接產(chǎn)出視頻。隨著 Sora 的推出，我們觀察到眾多相關創(chuàng)業(yè)公司當前的努力重點還是提升模型能力，盡快復刻 Sora 展現(xiàn)出來的效果。我們認為如果想要將其做成一個企業(yè)級的應用產(chǎn)品，合理的路徑除了進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，如局部內(nèi)容的特定顏色，特效的編輯功能，或者關鍵幀的控制工具等。通過和產(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。

第二類路徑

智能化的基礎是數(shù)字化，很多場景已經(jīng)在 AI1.0 時代被企業(yè)服務公司覆蓋，如智能客服、AI 營銷、翻譯等。在已經(jīng)被數(shù)字化改造的行業(yè)的提供企業(yè)服務公司，其有沉淀的場景數(shù)據(jù)，有業(yè)務的落地，有現(xiàn)成的客戶 access，如果疊加生成式 AI 的能力，如把大模型應用到客服系統(tǒng)和營銷對話場景，對話效果比 AI1.0 的模型更加自然，從而獲得更高的用戶滿意度和付費轉化率。再如大模型對商業(yè)運營表現(xiàn)和市場商機進行分析，進一步完善 BI（商業(yè)智能）的功能，這些都可以加深對客戶的服務深度和拓寬服務邊界，增加企業(yè)客戶對產(chǎn)品的價值感。我們觀察到在 AI 電商營銷領域，隨著生成式 AI 技術的普及，原本處于不同環(huán)節(jié)分工的企業(yè)，都在拓寬服務邊界，彼此滲透，例如提供 AI 客服的公司，使用大模型能力，不僅提升了客戶對話能力，也拓展到 AI 蓄客、營銷文案制作、數(shù)字人、智能營銷切片等。因此我們認為以上也是一個生成式 AI 2B 有機會的發(fā)展路徑。

7. 結語

生成式 AI 技術解鎖了巨大的市場空間和可能性，但當前技術并不完美，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(zhàn)。End to End 思路更直接，但想要取得更好的結果更依賴底層技術的突破，Step by Step 思路在當前的技術棧下短期更加務實，追求降本增效。但無論哪種思路，行業(yè)的 know-how，專有數(shù)據(jù)，AI 與業(yè)務和管理系統(tǒng)的耦合，都在產(chǎn)業(yè)端落地中都至關重要。

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，在大學共創(chuàng)課程體系，隨著相關學生畢業(yè)進入產(chǎn)業(yè)界，將促成新的創(chuàng)作范式的行業(yè)落地，同時也形成了產(chǎn)品的隱性的護城河。

來源：鈦媒體