<mark id="oztn4"></mark>
0
CMU LTI （卡內基梅隆大學語言技術研究所）每年在全球范圍內只有十個左右的博士錄取名額，其中的華人學者鳳毛麟角。本次以 OpenAI 發布 ChatGPT 為標志掀起的人工智能浪潮，CMU 也在各大主流 AI 公司中扮演了技術核心。
這群 CMU 中的華人學者，在中西爭奪人工智能高地的競爭中，歸國人才顯得尤其彌足珍貴。楊植麟是其中之一，在國內創辦月之暗面，迅速上升為中國估值最高的大模型公司之一。而比楊植麟大一屆的趙天成，也是從 CMU 畢業回國的青年創業者。
趙天成可以稱得上「AI 名門正派」，本科就讀于 UCLA（加利福尼亞大學洛杉磯分校），以全院第一的成績獲 2014 級工程學院杰出畢業生。隨后在 CMU LTI 碩博連讀，主導師為 Maxine Eskenazi ，并和 Alan Black、 LP Morency 、 William W Cohen 多次合作。四年期間，趙天成主要研究用生成式模型做對話的核心問題，累計發表了 20 余篇頂會論文，僅僅用了 4 年半就完成了通常需要 6-7 年完成的博士學業。
作為一名創二代，趙天成選擇在硅谷短暫工作后回國，接手其父親趙凡創辦的聯匯科技。在這家擁有 20 年 2B 經驗的企業中，通過多模態大模型賦能已有的、新開拓的 B 端大客戶，從一開始在商業路徑上就無比清晰。而目前很多AI公司在商業路徑、變現上仍然缺乏戰略形成鮮明對比。
相較國內很多大模型公司，趙天成從回國的第一天起就堅定的走多模態大模型方向，多模態能力的重要性在近期OpenAI 發布的 GPT-4O 上得以驗證。這意味著，要真正實現大模型落地應用，不能只有文本語言，加入多模態能力是大模型競爭的大勢所趨，也是距離 AGI 更近的一步。
但其實，在 2023 年 11 月 6 日 GPT-4V 發布之前，業內更多地將目光放在大語言模型之上，多模態模型創業是少有人走的路。但聯匯科技在 2021 年前后即開始推進多模態的研發工作，以模型的理解能力而非生成能力為切入口，可以說是國內多模態模型創業公司中的先行者。
「科技賽道投資要追求非共識的正確判斷，這需要極高的行業認知和判斷。」投資聯匯科技的前海母基金高級行業研究員馬駿對 AI 科技評論說道。做理解方向的多模態模型，這在市場上是比較稀缺的，聯匯科技在投資人眼中也就成為了反共識。
依托于過去老業務的基礎，聯匯科技的 AI 業務增長有著明顯的優勢。雖然在大眾的認知和傳播度上不及Pika、Sora 等生成方向的多模態模型，但是聯匯科技已經和廣電媒體、運營商、國家電網等涉及民生的大 B 企業合作，用「B2B2C」的方式更好地做商業化，營收已經跑贏大多數大模型公司。
談到如何能在當下的環境中把多模態模型的 2B 商業化做到這么多營收，趙天成將其歸結為是一個「在約束條件下最大化商業化成果」的優化問題。「底層技術要領先市場一步甚至兩、三步，商業化產品，基本上會保持領先 0.5 步的方式去做。」
以下是 AI 科技評論與聯匯科技 CEO & 首席科學家趙天成、前海母基金高級行業研究員馬駿的對話實錄：
一、多模態創業的先行者
AI 科技評論：你本科畢業于 UCLA，之后在 CMU LTI 碩博連讀，這期間主要做了哪些研究？
趙天成：我是 2010 年到 2014 年讀本科，期間跟隨 UCLA 語音實驗室創始人 Abeer Alwan 教授學習語音處理相關研究。畢業的時候申請學校，她強烈推薦我去 CMU，因為 CMU 的人工智能和自然語言處理方面幾乎是最強的。
在 CMU 我的研究方向就是基于預訓練的端到端的生成式模型，并且應用于人機對話系統，本質就是現在的 ChatGPT 的前身。我主要的研究內容也基本上覆蓋了生成式對話系統的幾大方向：
第一個方向是模型架構，整個生成式模型的模型架構的研究最早是通過RNN，之后引入隱變量學習，然后在此基礎架構升級為Transformer；
第二個方向是機器學習的機制，從變分模型到強化學習到多模態融合；
第三個方向是關于怎么實現小樣本遷移，讓模型學會任務級別的零樣本泛化。
2016 年，我發布了業界最早的一篇基于端到端生成式模型的任務型對話機器人的論文《Towards End-to-End Learning for Dialog State Tracking and Management using Deep Reinforcement Learning》。通過一個端到端的神經網絡合并代替了過往需要多個專業模塊串聯而成的復雜專家系統。
論文鏈接：https://arxiv.longhoe.net/abs/1606.02560
2017年，又發布了另一篇《Generative Encoder-Decoder Models for Task-Oriented Spoken Dialog Systems with Chatting Capability》是最早的混合閑聊和任務型對話的生成式模型。
論文鏈接：https://arxiv.longhoe.net/abs/1706.08476
除此之外，每年大約有 5 篇頂會的論文發布，四年發了20多篇。
AI 科技評論：當時的生成式對話與現在的 ChatGPT 相比，有什么區別？
趙天成：其實核心原理都差不多，都是自回歸模型預訓練。最主要的區別在于 scale（量級）上。比如，以前還沒有百億級的Transformer，那時用的是億級的 RNN；以前的訓練數據可能是幾千萬個 Token，現在變成了幾萬億個Token；以前的卡差不多是 8 塊 3090，現在是千塊 A100。
AI 科技評論：在學習的過程中，哪個重要的節點讓你的研究產生變化或者有很大的突破？
趙天成：AlphaGo 是很重要的一個節點。
剛到 CMU 的時候，導師 Maxine Eskenazi 和 Alan Black 他們做了當時全球最早的實用化對話系統「Let‘s Go」，能夠實現打電話詢問公交車信息和訂票的功能，上世紀 90 年代到 21 世紀之初，大部分的對話類研究都是基于這個系統做的，但這個系統全部是靠專家規則拼出來的，是一群CMU 博士花了幾年時間才做出來，而且和真正的應用相比還有很大的距離，并且我們意識到這個系統智能上限很低。
2017 年，AlphaGo 出來，我們認為端到端學習肯定可以改變以前專家系統拼湊的方式，可以通過一套完整的學習機制去實現真正的智能體，于是就把整個 Let’s Go 系統整體轉成了純生成式的，把專家系統用生成式模型做了替換。做這件事的初衷是覺得生成式模型的上限更高，想要做一些未來五年之后才能爆發的技術，而不是去做成熟的技術。
AI 科技評論：楊植麟也是 CMU 畢業的，讀書期間你們是否有合作？
趙天成：會有合作交流，楊植麟比我小一屆，我跟楊植麟的導師 William W Cohen合作得也比較多。
AI 科技評論：你在 CMU 的導師是誰？
趙天成：Maxine Eskenazi 是我的主導師，在對話和人機交互方向很有經驗，特別是在如何做 research 方面對我的影響非常大，教會我如何去做具有引領性工作的 research。在碩士期間， Alan Black 是 co-advisor，但之后他的研究方向更偏語音合成，而我會偏深度學習NLP 更多。
除此之外，我博士期間的另一位合作導師 LP Morency。他在多模態領域是全球 TOP3，本身就是最早做多模態的頂級專家。他教會了我什么是多模態模型，特別是在視覺與語言融合這一塊給了我很多指導。讀博期間，甚至現在在聯匯的工作基本上都還是在當時研究的大框架上去做延展。雷峰網(公眾號：雷峰網)雷峰網雷峰網
還有 William W Cohen（楊植麟的博士導師），他是谷歌的首席科學家，我做對話系統以及現在的多模態模型，很關鍵的一個問題是怎么樣更好地把 knowledge base（知識庫）構建起來，這部分他給我很多指導。
AI 科技評論：除了研究履歷外，還有哪些因素促使你在回國之時選擇多模態模型的方向創業？
趙天成：當然。這也跟我們本身的商業基礎有關。聯匯科技是從媒體技術與服務起家的科技企業，很大的一塊業務是服務于中央臺、浙廣集團這樣的廣電媒體，并做到了行業第一，行業天然存在很多的多媒體數據。這些業務對我們初期做 PMF 有著很大的幫助。
另外一個因素是在客戶接受度層面，這些中央地方的廣電媒體對故障零容忍，對新鮮事物，比如AI技術的接受需要一個過程，而聯匯科技憑借過往過硬的技術實力，充分得到了這些“要求苛刻”的客戶的信任，得以使公司的多模態大模型能夠迅速商業化。
AI 科技評論：做好這個決定之后，在一個 20 年 2B 經驗的老公司推 AI 新業務的打法是什么樣的？
趙天成：首先把公司目標進行了重新的定義。從過去的「讓信息傳播推動創新」改變成了「以智能去推動創新」，大家以 all in AI 的態度去做整體的升級改造。
從整個步調來看，一開始是從做理論研究到早期的基礎設施建設，慢慢地一步一步到應用產品。另一方面，幾年的時間下來，團隊也進行了大升級，更新成了更加年輕化的團隊。構建了以 AI 為核心，在幾個應用點去落地產品這樣一個兩層的布局。
從產品化、商業化來看，還是要穩扎穩打的。（我們）重點投資了大模型基礎設施建設，完善了大模型落地的工具平臺，然后到后面一步一步去做應用層的開發。
商業化的過程也是先以存量市場應用升級為第一步，然后慢慢去打造 AI 原生應用作為第二步，實現“兩步走”的策略。
AI 科技評論：馬博士，從投資機構的角度，如何看待聯匯在那個時間節點選擇走的偏理解的多模態模型之路？
馬駿：我認為這是一種反共識做法。2022 年，GPT4V 還沒有發布，并沒有很多人做多模態創業，市面上更多是在關注大語言模型，看到聯匯的時候會感受到差異化和眼前一亮。
從商業化的角度去考慮，生成式模型逃不開的制約因素就是幻覺問題。傳統的生成式模型的準確性偏差是一些商業化場景所不能容忍的，那么這個時候如果能不過分強調生成，而是強調理解，就可以很巧妙地避開幻覺問題，算是揚長避短吧。
AI 科技評論：聯匯科技的趙凡總有著 20 年 2B 業務的經驗，趙天成博士又有頂尖科研經歷，你怎么看待這種「互聯網老兵+天才少年」的創業組合？
馬駿：第一就是在整個產品和研發的路徑上，趙凡總對產品的把控都是很貼近客戶需求的，真的是能在場景里面能解決問題的，所以能保證技術、場景、產品三者達到很好的匹配，這也就意味著整體的試錯成本會比較低，這是我們非常看重的一點。
第二，聯匯科技作為一家大模型公司，工具鏈做得非常齊全。可以看到，其實大模型想要在場景上落地，它不單單只是模型，還包括如何去做推理的加速，或者和硬件綁定所需的智能體的工具鏈。這一點在最早接觸的時候，市面上沒有太多公司意識到如何去做一家全面的、端到端落地的公司。
所以這種老少搭配，第一在場景上不會出問題，第二就是他們明白如何做一家全面的公司，而不是單純的技術團隊，只在單點上做突破。因為我們理解做單點突破，在現在的市場環境上是遠遠不夠的，你的壁壘或者護城河是無法靠單點來維持的，開源模型天天在卷，僅靠模型來做一個壁壘是不夠的。
AI 科技評論：聯匯科技有哪些特點是吸引你的？
馬駿：聯匯的商業化做得很穩。現在做業務側的 AI 公司大致有兩類：
一類是大模型公司直接去做業務，他們的問題就是場景還不聚焦，他們更希望用標準化的產品服務各種場景，而對于業務理解的深度不夠，可能導致客戶不滿意；
第二類是集成商，他們拿著開源模型改一改，倒是可以交付，但無法深入，也不是長久之計。
我們可以看到各個行業的企業數字化進程是不可逆的，這個時候陪伴客戶成長反而是更重要的，拋開技術的壁壘，聯匯科技一直在陪伴客戶成長，這方面他們很有經驗。
二、在約束條件下最大化商業成果
AI 科技評論：聯匯在技術上有哪些突破？
趙天成：從模型層面，歐姆大模型是國內最早發布的多模態模型系統，最大的突破在于對視頻的理解能力增強。過去的 CV 更多的是單圖理解，但聯匯顛覆了傳統單圖理解的局限。
從智能體的角度來看，目前聯匯推出的智能體，都是以自研框架實現的，并且在解決智能體端到端優化的問題上，開發了獨特的算法。
除了技術迭代之外，聯匯今年有多個智能體應用在運營商、電力、媒體等行業，實現了規模化的商業落地應用。后續我們也將根據實際用戶反饋去進一步優化系統，這有著非常大的價值，使雙方能迅速形成“數據飛輪”。
AI 科技評論：吳恩達在最近的演講中呼吁大家多關注智能體技術，你怎么看待智能體技術的發展方向？
趙天成：我非常認同吳恩達所提到的幾個點，智能體未來有四個比較有價值的方向：
第一，怎么做智能體的反思；
第二，如何讓智能體像人一樣學會用工具去完成任務；
第三，智能體的規劃能力，它不再局限于單輪的決策，而可以自己把整個行動路線設想出來；
第四，多智能體的協同，即面對復雜任務時，讓多個角色的智能體協同起來完成任務。
綜合來講，我認為大模型越來越像底層的一個算子，就像一個 CPU 一樣，但真正顛覆我們日常生活的是 Windows 這一操作系統。一個好的智能體框架可以讓 GPT-3.5 的效果大幅度超過 GPT-4。把智能體用好之后，可以讓一個相對來說沒那么強的模型反而能夠超過目前最強的模型。同樣的技術用在 GPT 4 上的話，那它可能就變得更強了。
AI 科技評論：半年多的時間以來，很多大模型公司都在說做 Agent，目前 Agent 發展處于什么階段？
趙天成：非常初期的階段。現在很多比較熱的智能體技術，或者所謂的框架，其實很多時候都是換湯不換藥的。
10 年前，我們叫任務驅動對話系統，或者再往后走，他們可能叫 Conversational AI，他們本質來說完全是一個東西，只是換了一個名字而已。包括現在比較火的 RAG，在 2017 年左右就有很多人在做類似的東西。他們都是僅僅把大模型和外部知識庫做了連接，然后去做應用，后續 agent 技術還有很大的發展空間。。
AI 科技評論：馬博士，2024 年或者之后，你會著重去看智能體相關的項目嗎？
馬駿：是的，從智能體出發，看一些AI公司的發展歷程，引起了我們的一個反思：比如像 AI 四小龍這樣的公司，前期的時候在模型能力、技術上可能會比較領先，但是經過七年左右的變化，等到新的底層技術出現的時候反過來再看，會發現他們前幾年在模型算法上的壁壘可能就沒有那么深了。也就是說單純靠模型算法無法為企業構筑足夠高的壁壘。
那么，企業怎么才能持續把自己的壁壘搭建得堅實起來？設想在五年之后，行業內又出現了一個全新的模型架構，那現在這一波企業應該怎么辦？企業該如何保持自己的壁壘？又該如何轉型？
基于這一點的考慮，我覺得智能體比較重要，它更多是偏向于對業務場景中一個系統的搭建，而不是一個單點模型的突破。因為底層的模型可以迭代，但是框架部分是比較確定的。所以我們認為，像這種框架式的智能體，反而在未來是可以活得比較長的。而且在企業真正到了面臨轉型期的時候，擁有這方面的壁壘反而比單純只是做模型的壁壘要更深。
AI 科技評論：多模態模型的商業化機會在哪？
趙天成：一方面我們可以把人類不想做的一系列繁瑣的任務實現自動化，實現從 copilot 到 autopilot ，去重構之前信息化時代的系統，諸如 Office 或 ERP 。在 AI 時代，我覺得 AI 原生應用很可能會顛覆這些傳統的服務和模式。
另一個方面，過去大量的行業知識，都是存儲在個人的大腦里面，但目前有可能通過 AI 把所有知識以行業為單位進行沉淀，比如在電力領域或者媒體領域，把很多的老師傅的知識吸收進一個模型中，打造一個不斷進化的 AI 行業專家。
AI 科技評論：趙博士，聯匯為什么選擇做 2B ？
趙天成： 2B 還是做 2C，是分階段的，我們的戰略是先 2B 夯實公司底座，再 2C 拓展公司上升空間。
具體來說， 2C 業務對成本比較敏感，而當前階段，大模型的推理成本還比較高，而且這一狀況目前很難改變，除非再過幾年算力資源價格發生了變化，可能會降低成本；同時 2C 商業化變現路徑還不清晰；再次，2C 行業競爭是扁平化、白熱化的。
我們認為要打好公司的 2B 底座，修煉好內功，積攢好經驗、人才、必要的資金，以一個更加良性的模式去參與 2C 的競爭，有可能初期是通過爆款細分領域的硬件+多模態大模型的形式切入。所以現在我們是以 2B 為主，大 B 相對來說有能力去承擔數字化升級的算力成本。
在目前階段雖然還沒有辦法做大規模 2C 業務 ，但是我們通過跟運營商合作，用「B2B2C」的方式做 2C 業務，培養 2C 的商業sense，為將來正式切入 2C 市場積累經驗、人才。比如跟中國移動合作，通過寬帶+AI套餐的方式去服務廣大的 C 端客戶，這樣更適合當下的現狀。
馬駿：目前看到的2B 業務有兩類，第一類就是來什么客戶去接什么客戶，是一種高度定制化業務，另一類就是有很強的行業屬性，摸清一個行業客戶的共性需求，然后用標準固化的產品去服務這個行業的客戶，換個詞可能叫 2P（Platform）更合適。
聯匯更加傾向于后者。只有扎根于某個行業，然后這個把這個行業做透，才能形成比較好的標準化，而不是刻意為了前期做收入，就什么客戶都接。這里有一個很好的印證就是，聯匯科技的毛利率水平很高，這也就反映出來它輸出的更多還是標準化產品。
AI 科技評論：聯匯科技是如何在當下其他家連 PMF 都沒做好的情況下就能做到很高的商業化營收？
趙天成：理解用戶需求、理解行業痛點，這是非常重要的前提。
更重要的是，要把整體的節奏把握好。一方面我們要對今后的重點技術方向進行提前投入，保證在底層技術領域領先市場一步甚至兩、三步，但是對于商業化產品，我們基本上會保持領先 0.5 步，而不會把步子邁得太大。因為在市場還沒有成熟的時候，去硬推一個可能兩三年之后才會成熟的產品，很可能會成為市場驗證的犧牲品。因此，我們基本上是按照技術領先又產品落地的方式去做。
AI 科技評論：馬博士，從投資人的角度，你會更加看好 2B 還是 2C 的商業路線？
馬駿：這個可能要分時間維度，短期會青睞 2B，長期對于 2C 還是看好的，一個 2C 產品首先還是要有極致的產品力，其次成本也很重要，如果短期內沒有達到成本拐點的話很難讓用戶為 2C 產品付錢，會叫好不叫賣。
假設說，現在要從一個沒什么差異化的 2C 的聊天機器人上收費，那很有可能有些人會選擇直接用 OpenAI ，因為它性能更強，而且價格也不算太貴。除非 2C 產品有非常差異化的產品力，讓用戶覺得好用，要不然的話就是成本足夠低，付很低的費用甚至是不收費。
三、Sora 向左，Gemini 向右
AI 科技評論：目前國內外多模態模型發展的格局大致是什么樣的？
趙天成：我理解目前國內做多模態有兩條路：
一條路像 Gemini，以語言為核心，在此基礎上把感知層面的音頻、視頻、圖像接進去；
另一條路是 Sora 的路線，以視頻生成和渲染為主，目的在于能夠生成出主體一致、畫面高清逼真的視頻。
這兩條路技術架構完全不一樣，Gemini 是以多模態 Transformer 為主，但 Sora 是以 DIT 的路線為主。
按照這樣的方式來劃分，國外的 Pika、Runway，國內的生數科技、Hidream、愛詩科技等都是走的類似 Sora 的多模態生成路線。聯匯科技會更接近于 Gemini ，因為我們的目光還是更多放在智能體上，更關注模型的推理思考和 planning 能力，這種能力的重點和目的并非把一幅畫逼真地畫出來。
AI 科技評論：目前生成式多模態模型的商業化現狀是什么樣的？
馬駿：Sora 為代表的視頻生成公司，目前我還沒有看到特別好的商業化案例。
AI 生成的視頻是否有商業價值，這個暫時不好判斷。以影視業為例，多模態生成模型服務于B端客戶，需要能不能把生成的內容植入到原有的業務流程里，或者植入到他原來的工作軟件里。我個人覺得，這可能是短期內比較有價值的事情。
我們也看到， 生成視頻相關的C 端產品具有很強的傳播力，我個人覺得它還是會兌現出很大的價值，就能很快做出一些爆款。
AI 科技評論：聯匯這樣做技術和商業化的方式，對標的是哪家公司？
趙天成：聯匯科技會比較接近硅谷的一家公司叫 Cohere。Cohere 在做的事情是給歐美的大型企業提供完整的大模型底座和以它為基礎的、降本增效的智能體應用。
在做多模態模型創業的過程中，我們會比較關注整個商業化 ROI 的情況是什么樣的？可能 OpenAI 做 AGI，會不計任何成本的、每年燒幾千個億去做 ，而國內不行。我們需要做的是在目前的限定條件下，最大化大模型技術的商業化 ROI，那限定條件可能包括客戶場景、當前國內硬件條件等，而從公司已經商業化落地的項目看，這一限定條件下的最大化大模型技術路線收到了客戶的一致好評。
AI 科技評論：Scaling Law 可能是實現 AGI 的路徑之一。當 OpenAI 在去追求 10 萬億或者更大參數模型的時候，其他大模型公司的競爭力在哪？
趙天成：雖然把參數堆上去沒問題，數值堆得越高效果越好。但其實在 B 端場景下面，即便真的推出一個 10 萬億的模型，也不會有任何一個 B 端客戶會愿意為它買單，因為沒有客戶能夠承擔它的算力成本。
在創業過程中，除了以純粹以研究者的想法追求模型性能外，我們也會把整個公司的運營當成一個「在約束條件下最大化商業成果」的一個優化問題。在當前商業化過程中，我們把產品的競爭力和服務做到最好，把模型的效率做到最高，并隨著未來硬件環境的提升逐步進步，每個階段我們都可以提供性價比最高的大模型和智能體產品，我覺得這反而是更具競爭力的。
AI 科技評論：如何做到「在約束條件下最大化商業成果」？
趙天成：這需要我們不斷追求高效，而聯匯的高效體現在三個方面：
第一是數據高效，我們自己提出了一種高密度的數據訓練方式，可以將更多的知識濃縮在相對更少的數據上面，用高效的算力去達到更好的效果。
第二是功能高效，以多模態原生訓練作為核心，如果某個場景只需要有視頻的能力，那我們適配的多模態模型會原生地把它預訓練在模型里面，給客戶提供他們想要的功能，而不會把算力資源浪費在客戶并不關心的功能上面。
第三是推理高效，推理效率和成本是客戶使用的過程中最關心的。推理加速、模型量化、以更小的參數量獲得更大參數量才能達到的效果，這些都是我們研發的重點。
AI 科技評論：你怎么看待行業中卷參數量來大力出奇跡的現象？
馬駿：變現和卷參數是可以解耦的。從追求天花板的角度來說的話，卷參數的意義是對標到 OpenAI，這是很有想象力的事情的。但是從實際運營角度，成本也是必須考慮的重要因素，為什么大家都開始做 MoE，就是考慮成本和落地。
AI 科技評論：過去的二十年，移動互聯網是最大的一波紅利，現在大家也認為這波人工智能浪潮和移動互聯網有著一樣巨大的機會，你怎么看？
趙天成：是的，隨著大模型的出現，人工智能進入了一個新的階段，可以說跨過了一個拐點，能夠真正實現普及應用了，不管是日常生活還是生產制造領域都可以用AI來賦能。
而且，現在不管是中國還是美國都有明顯的生產制造行業的回流趨勢，大家對制造業越來越重視，所以，怎么樣讓大模型或者 AI 技術更好地賦能傳統行業，很可能是個很大的機會。無論是能源、制造、生產，還是基礎科學研究， AI 有可能真正催生一些不一樣的東西。
AI 科技評論：也就是說這一波 AI 更有機會作用于一些制造業或技術行業？
趙天成：現在大家都在問，AI 到底能干嗎？如果說移動互聯網最賺錢的是推廣告，那么在這一波 AI 又會有哪些新的爆發點？我認為這次的大模型最大的特點是讓機器真正具有了邏輯思考能力，譬如它可能實現專業設備的自動化運維，甚至是發現更好的能源傳輸模式等，真正做到無人化、智能化，在這些方面可能會產生一些以前想不到的東西，這樣的話，這一波 AI 會對制造業和技術行業帶來重大變革，因此也有人說，這次AI浪潮是第四次工業革命。
AI 科技評論：當下的環境對創業者并不友好，有什么可改進的方式，怎么給創業者創造一個好的投資環境？
馬駿： AI 的 2C 應用肯定是最大的機會，它是離用戶最近的。但是這種應用有多方面原因吧，第一上市的可能性可能不大，第二它的生命周期可能會變短，大家會迅速發現這個方向賺錢，然后一堆人擠進來了，然后開始內卷了。為了應對這一情況，可能需要更靈活地投資的方式。
因為二級市場的退出周期還是太長了。那有沒有可能直接用類似于分紅的形式去投資？回歸到做生意的邏輯，比如有人做 AI 應用，那么你需要多少錢我就投你多少錢，你賺到錢后，我們大家按比例分，這樣退出周期也快，并且可投的 AI 類型的公司也多。
在北美，因為有一個比較好的并購渠道，（所以投資風險沒那么高）但是在國內你沒有這么好的渠道，所以我個人覺得，目前怎么去退出是很大的問題。從投資方式的反共識角度來講，也會誕生一些全新的機會，或者全新的投資模式，也希望資本界和這個產業界去共同做一些創新性的突破。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
