在AI行业不断变化的今天，国内的AI企业出海的话，应该如何改变？像我们这样的普通人，身处AI全球化的浪潮中，还有什么能抓住的机会？
11月7日（周三）13:00点，氪星直播间邀请到了Beta硅谷智库创始人云飞、Forma Cloud创始人黄山，和我们一起聊聊：AI在变，创业者怎么改变？
本次直播主要聚焦以下问题：
- 今年的诺贝尔三大奖中，有两项都赋予了与AI相关的科学研究。两位怎么看AI横扫诺贝尔奖这件事？
- 传闻国内大模型「六小龙」至少有两家要放弃预训练了，两位怎么看待这件事？Meta为什么要花重金训练自己的开源模型？
- 手机厂商们在今年密集发布AI手机，两位如何看待AI手机未来的发展，以及苹果在AI行业的布局？
- 国内AI企业到海外去，有哪些普遍需求和独特优势？
- 从黏土相机到Talkie等社交类应用，AI产品面临同质化、生命周期较短的问题。两位更看好哪一类产品，怎么看同质化现象？
- 对AI公司而言，更快实现PMF、打造底层能力的差异化、拥有自己的用户数据，哪个更重要？
- 对于想要出海的中国AI企业，请两位给出三条锦囊妙计。
以下为两位嘉宾和36氪的对谈，部分内容经过整理编辑：
36氪：今年的诺贝尔三大奖中，有两项都赋予了与AI相关的科学研究。两位怎么看AI横扫诺贝尔奖这件事？
云飞：今年的诺贝尔奖作为一个信号，进一步证实了AI发展的必然趋势。在硅谷，我们与YC的CEO Garry Tan进行了交流，有一个共识：未来十年，所有公司都将采用生成式技术，他们的产品都将带有生成式技术的特征，这是一个不可逆转的趋势。
我们常把AI比喻为一条龙，它已经从笼子中被释放，尽管依然存在着安全问题和控制权的担忧，但龙已经无法被重新关回笼子，每个人的生活都因此发生了本质的变化。具体来说，无论是华人企业出海到美国，还是当地优秀人才创业，方向大致分为三个层面：首先是芯片层，这类比于电气时代的发电厂；其次是模型层，类似于配电公司；最后是应用层，类比于电气时代的电灯泡。2024年，创业者开始专注于创造各种电灯泡，也就是在AI应用层面上进行创新。尤其是在硅谷，都在探索如何开发出下一个好用的AI应用产品。相比之下，在模型层和芯片层的探讨较少，因为目前的格局已初步形成。
黄山：关于今年的诺贝尔奖，我认为这个做法有些不合理。如果AI领域从业者能够获得物理学奖，那是不是文学奖应该授予ChatGPT，因为它无疑是今年最受关注的“作家”。当然，这只是一个玩笑。在我看来，诺贝尔奖对AI行业的影响可能并不显著。因为获奖的两位学者John J. Hopfield 和 Geoffrey E. Hinton，他们的贡献集中在上世纪80年代。
可以简单跟大家介绍下这两位，Hinton比较有名，反向传播算法至今仍被用于神经网络训练。Hopfield是发明了Hopfield神经网络，主要用于存储和回忆功能。尽管这种网络现在已经不常用，但核心思想仍然被现代AI技术采用，例如注意力机制和损失函数。Hopfield的思想可以通过一个简单的例子来说明：假设我们三个人正在聊天，如果我的脸被遮住，大家仍可以根据我以前的行为模式来判断我是否在场。例如，以前云飞和婉君在场时我经常在，那么即使今天你们没有直接看到我，也可以推断我在场。这种思想可以应用于图像补全，比如通过其他像素来推断丢失像素的样子。因此，Hopfield的思想在AI领域依然具有重要性，值得大家了解。
36氪：传闻国内大模型「六小龙」至少有两家要放弃预训练了，两位怎么看待这件事？Meta为什么还要花重金训练自己的开源模型？
云飞：首先，Meta的做法是明确牺牲短期商业利益，换取在AI生态中长期的战略优势。具体来说，Meta想通过开源推动行业标准的建立，吸引开发者和研究者围绕其平台进行创新，从而巩固其在AI生态中的影响力。免费是成本最高的获客手段，即使他们的模型性能只有70分，但通过免费提供，能从市场上85分的模型那里吸引更多用户，这是其主要的战略考量。第二，是为了生态系统的建设。Meta希望以自身为中心，建立基于Llama3的多种应用产品和公司，以促进生态系统的建设。这不仅增强了Meta的影响力，还鼓励了小型企业在其平台上发展。最后，Meta可以通过全球用户的数据和反馈，优化自身模型的性能和安全性。这三点是Meta推动AI开源模型的清晰目标。
黄山：我从三个层面探讨Meta为什么投入巨资训练开源模型。首先，Meta为何要自行训练模型？因为他们的规模大，需要避免被人“卡脖子”。Meta以前在苹果平台上提供服务时遭遇限制，例如广告数据的获取受限，这让Zuckerberg意识到依赖竞争对手的系统是不利的。对于大型公司而言，选择合作伙伴是一个重大决策。其次，Meta为何要免费提供模型？因为免费可以促进生态建设。而且AI大模型的用户粘性较低，用户可以轻易更换。所以，在AI大模型领域，企业想要吸引用户花钱使用，除非是行业第一，否则很难盈利。最后，Meta为何要开放模型权重？虽然Meta并没有开放源代码和训练数据，但确实公开了一些信息，如论文。最初，Meta希望用户报名后免费使用模型，但有人私下把模型公布出来，并把种子传播到了匿名社区。他们最终才决定全面开放模型，同时也意识到建立生态的重要性。大型模型不仅需要部署，还需要各种手动集成操作，这些并非Meta的主要任务。因此，Meta专注于模型开发，而社区则负责将模型应用于不同场景并完善接口，这对Meta也是有益的。
36氪：手机厂商们在今年密集发布AI手机，两位如何看待AI手机未来的发展，以及苹果在AI行业的布局？
云飞：对于苹果来说，一个硬件公司想去做软件，说实话是件很别扭的事情，他们也一直在尝试。目前我们还没看到苹果在AI领域有脱胎换骨的变化，它的企业文化也不允许这样的转变。但我对于苹果接下来做硬件方面的能力，还是非常看好的，人家在这方面确实是练出来的肌肉，也是行业里面的老大。反观谷歌，大模型 Transformer这套东西最早是从他们这里出来的。但由于内部DNA和文化，导致AI这个孩子出生之后长不大，反而被其他人先抚养起来，变得无比强壮，以至于开始跟谷歌叫嚣。总的来说，软件公司想干AI都有这么大的挑战，苹果作为一个硬件公司，挑战是更大的。
虽然业内人士都说，软件公司搞硬件比硬件公司搞软件稍好一点。但是从谷歌的Google Mobile Phone来看，跟苹果的硬件比还是有差距的。所以，苹果如果想赢的话，需要参考微软在这个问题上的做法。继续挣自己的钱，然后投一个叫 OpenAI 这样的公司，你去孵化、滋养它，把你的客户、算力都给它，这样就可以培养第二增长曲线。Satya Nadella在微软已经替苹果打样了， Tim Cook要不要抄作业，就看他自己的选择了。
黄山：首先，云飞对苹果发展AI的解读，我基本同意。苹果资源丰富，完全有能力收购小型或中等规模的公司。他们在AI领域的布局已有相当长的时间，大家以前在手机中看到的小功能，例如智能选择照片和视频编辑等，都有AI功能的嵌入。苹果在AI行业中的一个显著优势，是CPU和GPU的硬件，尤其是M系列芯片。虽然这些芯片与Nvidia的芯片可能存在一些代差，但也就两三年的时间。而且苹果的硬件有其独特之处，如体积小、能耗低。因此，在AI行业中，苹果仍有可能开发出优秀的产品。
其次，手机中的人工智能肯定是个好事，但我不太会使用苹果的AI技术。一方面，我是出于隐私考虑，尽管我相信苹果在保护隐私方面做得相对较好，但我还是希望这项技术能更加成熟。我对新技术一般持保守态度。另一方面，我的决定还基于一个直接的计算原因。比如，iPhone 16的总内存是8GB，而运行Llama3 8B模型（具有80亿参数）完整精度，至少需要16GB的显存。在这种情况下，我们可能需要等到苹果逐步提升硬件配置，直到内存足够后再使用。
36氪：国内AI企业到海外去，有哪些普遍需求和独特优势？
云飞：出海的企业种类很多，不仅有中型、大型企业，也有大型企业孵化出来的小公司出海，甚至是上市公司到海外寻找第二增长曲线。总的来说，中国企业的优势主要有三个：
首先，中国企业在全球范围内以快速的执行力著称，无论是设计、软件开发还是用户调研，都能迅速将概念落地。其次，服务方面。中国企业在提供人性化服务方面做得非常出色。与美国相比，美国的服务流程繁琐且耗时，而中国企业能迅速响应并解决问题。第三，工程师性价比高。中国企业能够以较低的成本提供高质量的工程师资源，相同投资下，中国企业的运营效率可能是美国企业的三倍。
需求方面，我们可以看到国内的出海策略，大致有四种方式，其中一种不太可行，其余三种较为有效。我们可以想象一个象限图来说明这些策略：横轴代表是否在中国或美国亲自开展业务。纵轴代表是否亲自参与或雇佣他人作为代表。右上角象限指的是那些愿意搬到美国并亲自开展业务的人，这类人通常有留学背景，英语流利，适合在美国开展业务。第二类是在中国取得成功但未在海外留学的企业家，他们可能会选择在美国安家，并寻找当地的CEO作为代言人。第三类是超级巨头，如BAT，他们继续在中国发展，同时雇佣美国领导者来拓展全球市场。最后一个不成功的策略是试图在中国同时管理美国的业务，这种方式难以成功，如最近国内一家头部企业，要求管理海外业务的员工必须搬到海外，否则离职。这说明跨地域管理业务存在很大难度。
黄山：在人力资源方面，中国确实有优势，国内竞争激烈是公认的事实。此外，我想给国内泼一盆冷水。尽管中国企业在人力资源方面有优势，但在AI时代，AI的成本更为关键。国内使用的大模型的成本是多少，这是一个非常关键的问题。国内企业需要在AI的质量和成本上建立优势，这样出海时才会有竞争力。大家都知道我们在GPU方面被“卡脖子”，如果时间可以回到10年前或20年前，我相信一定会优先解决GPU问题。现在虽然在应用层面的开发总体是可行的，但还是解决这个技术制约最重要，国内应该在这方面投入更多精力。
36氪：从黏土相机到Talkie等社交类应用，AI产品面临同质化、生命周期较短的问题。两位更看好哪一类产品，怎么看同质化现象？
黄山：我觉得 AI应用比较好的领域，还是所谓的能变现的领域。无论什么应用，你不能期望永远领先别人，但在他人超越之前，你可以进行变现。因此，我认为这是一个值得关注的方向。具体来说，哪些领域可以实现变现？
首先，是内容生成。AI内容生成目前成本较高，因为它需要大量的AI资源。但有两个趋势可以判断：一是AI的成本肯定会越来越低；二是用户对内容错误的容忍度。大模型经常会出错，但是如果AI应用产品方向选择得好，用户对错误的容忍度会较高。而如果用户对错误的容忍度为零，那么这个领域就不适合。其次，是AI的数据方面。AI主要是通过训练数据生成的，而这些数据可以作为企业的核心资产，你不需要将其开放给他人，就像Llama一样，不将数据分享给他人，别人就无法复制其产品。因此，AI训练数据是一个具有良好知识产权保护的赛道。第三，我认为AI陪伴是一个好赛道，因为这是一个刚性需求。未来如果有设备可以提供更真实的陪伴，那这个领域将会有很大的发展空间。同行们暂时做得还不够好，但未来肯定会有改进，因此AI陪伴也是一个值得关注的赛道。
至于同质化，我认为产品被复制的问题并非由AI引起。在AI出现之前，任何热门产品都难以避免被复制的命运。如果一个产品容易被复制，那么它就应该被复制，且必然会被复制，在产品开发时就应考虑到这一点。大家可以访问Y Combinator（YC）的网站，查看他们每一期孵化的公司，带着这个问题看看这些公司，可能会有新的感悟。至少可以了解如何保护自己的产品不被轻易复制，或者至少提高复制的难度。
云飞：我们经常内部讨论这个问题，最终得出的结论是“不应按赛道来关注，而应围绕创始人”。每位创始人都有其专业领域的深厚背景，比如新闻或供应链，创业者在这些领域积累了十年的经验，知道行业内的真实场景和问题是什么，再将AI技术嵌入其中，就能更容易接到订单、变现。在硅谷，早期投资人和创业者都清楚，真正成功的创业者通常在第一阶段就能实现销售，而不是依赖于宏大的故事。
对大多数人来说，成功的商业模式往往是那些看似不性感甚至有点无聊的商业策略。这又回到了之前提到的，企业竞争力的关键在于了解对方的真实需求，而不是仅仅推销一个万能的AI工具。市场已经对这种推销已经麻木了，不再相信一个工具能解决所有问题。按照这个逻辑推下来的话，比较有潜力的AI赛道，还是在 SARS 领域，尤其是 ToB SARS。我通常会鼓励AI创业者深入实际，扎实地掌握看似无聊的商业技能，完成交易，实现订单成交。许多成功的独角兽公司也是从单一订单开始，逐渐积累，最终实现平台化和产品化。对于没有特定领域经验的创业者，建议考虑那些费时但简单的任务，这些任务非常适合AI处理。
最后，目前创业者面临的现实是，如果AI工具只解决单一场景问题，就会很容易被复制和替代。在ToC层面，用户可能会因为免费或CEO的活跃度而选择使用某个产品，但最终会转向新的、更酷的产品。因此，ToB领域提供了更多机会，因为ToB不是单点链接，而是通过多个环节与客户建立联系。替换一个ToB产品需要巨大的成本，因此客户更倾向于保持现状。这为ToB领域的创业者提供了更多机会和发挥空间，他们可以通过多个钩子牢牢抓住客户。
36氪：对AI公司而言，更快实现PMF、打造底层能力的差异化、拥有自己的用户数据，哪个更重要？
云飞：首先说结论，PMF（产品市场契合度）最重要，尤其是现在一级市场投资并不十分活跃的情况下。尽管美国新政府上任可能会带来一些变化，但在这之前，PMF仍然是关键。
我举一个Agency Right公司的例子，它的创始人最初是想帮广告商提高广告投资回报率（ROI），许多投资者的第一反应是很惊讶，因为这是一个竞争激烈的赛道。但是这位创始人在广告行业有多年经验，他对行业的理解足够深刻。虽然在第一年并没有获得融资，但创始人一直专注在产品开发，没有外部投资的情况下自行实现PMF，并最终达到了60万美元的年度经常性收入（ARR）。到了今年6月，他再寻求融资的时候，种子轮已经超额认购，许多知名大厂和一线基金都争相投资。
这非常直观地展示了PMF的重要性，它能给创业者和团队带来实实在在的安全感。每个月的进展，新订单、新客户和真实用户反馈，都是至关重要的。在AI高度同质化的时代，如果说每个人都像坐在火箭上一样快速前进，那么谁能根据自己的行业经验创造出独特的价值，谁就会在PMF中体现出来，因为PMF中的“M”就代表对市场的深刻理解。关于模型之间的底层能力，虽然还存在差异，但没有公司会因为Claude而没有使用OpenAI失败。公司失败的原因通常是找不到客户或者PMF不奏效。
最后，我们把数据简单分为用户数据和非用户数据。其实在非AI时代，用户数据就已经非常有价值了；但在AI时代，用户数据的价值还会增加十倍甚至二十倍。因此，在互联网时代，如果公司在某些方面拥有优势，尤其是用户数据层面，这种优势在AI时代将被大幅放大。真正意义上的独家数据就是用户数据，这是构成AI产品核心壁垒的关键。如果你拥有的是市场上采购的数据，或者是从其他地方获取的数据，包括那些可以轻易获得的数据，这些数据的价值就相对较低。周鸿祎来硅谷时我们也讨论了这点，任何可以购买的数据都不具有真正的价值，因为这些数据已经被商品化，你的竞争对手很可能也在使用类似的数据。
黄山：我想分享一下数据的重要性，用一个比喻来说明。比如我们正在烹饪一道菜，这道菜代表我们训练出的模型；我们需要一口锅和一些原材料，其中算力可以比作锅，电力可以比作火，数据是厨房里的原材料，比如青菜。没有原材料，即使有锅也无法做出菜，正如巧妇难为无米之炊。这就强调了原材料的重要性，数据的重要性也在于此。
36氪：对于想要出海的中国AI企业，请两位给出三条锦囊妙计。
云飞：首先，在企业层面，如果想要出海，要亲自去了解市场。待在北上广的办公室，或者只是跟海外同事打电话，无法替代亲自到硅谷或洛杉矶的体验。如果你打算做电商，可以花一周时间与当地朋友见面，感受真实的市场氛围。即使回去后决定不再来了，这次经历也是有价值的。建议使用旅游签证，顺便进行一些商务活动。这是我认为最重要的建议，适用于企业和个人。
其次，关于如何避免踩坑。其实中国企业出海已有一段时间，我们可以借鉴一些成功和失败的案例，虽然历史不会重复，但往往会有相似之处。比如，有些知名中国企业在欧洲设厂的时候因为违反当地规定而被关闭，或者在墨西哥建厂时遇到问题。这些前人的经验教训值得我们学习。在出海之前，了解这些案例可以帮助我们避免重复错误。
黄山：对于决心出海的企业来说，了解和尊重当地的商业文化至关重要。以美国为例，如果你的企业是面向企业客户（ToB），你需要知道美国企业相对资金充裕，更愿意为产品付费，但同时对产品稳定性的要求非常高，因为他们本质上是在用金钱换取时间。我自己曾在初创企业负责采购，我们选择产品的原则是，如果产品能够稳定运行，我们不会去打扰供应商，每年定期支付费用即可；但如果产品出现问题，我们可能就需要考虑更换供应商。
其次，对于出海企业而言，结合海外人才的智慧是必要的。你需要了解海外人士的思维方式，并尊重他们的经验。在这方面，许多国内企业可能在语言上存在不足，因此可能需要寻找既了解中国文化又熟悉海外文化的人才。
