原文來源：極客公園

作者 | 宛辰

編輯 | 鄭玄

圖片來源：由無界 AI生成

就在一年前的 11 月 30 日，ChatGPT 發布的夜裡，一位軟件創業者不禁感慨：「過去 20 年白乾了，我感覺全部都可以丟掉。」

但技術的變化從來擋不住有人順勢而為地向前走。一年之後，已經有嘗到大模型「甜頭」的軟件開發者「凡爾賽」起來：「做好了產品，客戶不知道從哪就突然冒出來。」

上半年所有人的注意力都在關注大模型本身，下半年開始，第一批試水大模型應用的創業者，已經在各自的場景中迭代出了一些有效的路徑。

從「不做大模型，我們是不是就被淘汰了」的 FOMO 情緒，到今天更多創業者轉向更加縱深的行業 knowhow，大模型落實到應用已經開始越來越具體地呈現出一些方法，也呈現出一些清晰的問題。

最近，百度智能雲聯合極客公園 Founder Park 社區，集結了十數位在工具層、應用層進行了大模型應用落地的創業者，聚焦「AI 應用」進行了 5 個小時的深入交流。

與參會者合影

這可能是國內產業里第一次高度聚焦在大模型應用落地的產業聚會。可以明確的感受到，如果上半年大家的關注點在探討下一個 10 年時代變革，那麼現在已經開始聚焦到未來 18 個月的產業變化，甚至是未來 6 個月的產品和商業計劃了。

面向未來的思考開始從遠景拉起近景，這是國內大模型領域創新者們一個明顯的變化。它體現了大模型技術的率先實踐者們，從在岸上暢想或焦慮，已經下水「摸到了石頭」，真正開始「過河」了。

01 「有點意思」的進展

就像 ChatGPT 問世時，所有人詫異的反應，創業者到感受的衝擊更甚。Cocos 引擎聯合創始人&CEO 林順袒露，「最初探索下來，有些擔心『AGI 技術』可能會完全替代傳統的遊戲開發方式」。遊戲開發，正是 Cocos 產品——遊戲引擎聚焦的核心場景。「今年 3 月份，工程師已經可以直接用 ChatGPT，花 5、6 個小時寫出一個 3D 版本貪吃蛇的遊戲，不需要寫任何一行代碼。」

這樣的場景看上去，「軟件吞噬世界」正在讓位於「AI 吞噬軟件」。無論是 SaaS 廠商，還是 AI 廠商，都感受到了巨大的衝擊。

但當創業者把大模型放在各自的產品里實踐后，也達成了令人興奮的共識：今天的大模型技術，遠非面向所有人直接可用的程度，AGI 技術通向最終的應用場景，需要他們這樣一群「支線物流」來把大模型技術帶到千行百業、千家萬戶。

以 Cocos 所在的遊戲開發行業來說，林順發現，大模型讓做出一個東西變得很簡單，但遊戲是工業和藝術結合的產品，只是做出來遠遠不夠，更需要精細化，當前的大模型僅僅只可用作半自動化來輔助遊戲開發。但用好這半自動化，做好大模型技術的工具鏈來服務客戶做遊戲開發，市場卻有強烈的需求。在一些客戶公司，他甚至聽到：「如果不願意用 Copilot 來編寫代碼，那麼明天可以不用來上班了」。

門檻低了，客群也就廣了

林順表示，遊戲領域用 AI 算法來做像自動關卡、自動內容、情感分析等功能，這些都不是新故事，但因為大模型的加入，讓這些功能門檻降低了，更多人可以以更簡單地方式參与進來。

無獨有偶，在數據分析領域的 Kyligence，也經歷了類似的過程。Kyligence 聯合創始人&CEO 韓卿稱，「原先 Kyligence 產品主要專註在金融等領域的大客戶，但把 AI 產品化后，現在能夠接觸到一些中小型客戶，『意外地』拓展了客戶群」。

過去，像數據倉庫這樣的底層產品，即便做得再好，也會有客戶抱怨不好用，因為數據倉庫離「業務」太遠了，中間隔了 IT 團隊。即便有了數據倉庫，客戶仍需要組建技術團隊和數據團隊把它往上做，變成一個平台、應用，業務人員才可以真正使用數據倉庫。現在，依託自然語言理解的大模型技術讓更多業務人員可以使用數據倉庫的能力，尤其當把外掛知識庫也放進去。

大模型讓軟件廠商拓寬客群、面向更廣泛的群體。百度集團執行副總裁、百度智能雲事業群總裁沈抖打比方稱，大模型相比之前的 AI 技術，使得應用的底座更厚，假如過去技術到應用有 1 萬米的距離，原來的 AI 技術可以助推到 1000 米，剩下的 9000 米靠定製化來完成。現在，足夠通用的大模型直接助推到 7000 米的高度，剩下 3000 米靠行業力量。

也就是說，大模型讓 AI 能力從 1000 米泛化到了 7000 米的高度，技術到應用的門檻大幅降低，這意味着不懂 AI 的各行各業的行業專家都能用這項技術解決問題，AI 應用未來極有可能變得更分散而不是更集中。

過去大半年，竹間智能幫不少客戶落地大模型應用，其創始人&CEO 簡仁賢在實踐中獲得了相通的思考。在他看來，模型微調是相對確定的市場需求，但難點在於：「技術人員要對客戶業務的理解得很深刻，未來，商業分析師和數據分析師的人力需求將會增加，而不僅僅是編程或算法工程師。」

並且，簡仁賢認為先落地大模型的玩家可能不是大客戶，而是可以直接應用、使用的中小客戶。大客戶可能需要先搞清楚大模型技術、做私有化部署、開放源碼等再落業務，而更輕巧靈活的中小客戶，正在利用對業務理解的深度，率先轉身。

不是沒得做了，而是能做更多

也有人擔心，從通用技術到最終目標距離的縮短，會壓縮中間 SaaS 廠商的生存空間。即上游的平台跳過 SaaS 直接賦能最終客戶，或者客戶跳過 SaaS 自己開發大模型應用。

但經過半年的摸索，這種擔憂逐漸減弱。對行業和場景的深刻理解，成為 SaaS 廠商在大模型時代的優勢。今天落地大模型並不是只剩最後一公里的距離，而在倒數十公里，甚至更遠的地方，SaaS 廠商很可能是基礎大模型的「API 高鐵」周邊，重要的「AI 支線物流」體系，嵌入大模型的 SaaS 廠商不僅能幫助客戶在過去数字化路線上降本增效，還延展了邊界，向客戶交付智能化價值。

一個很有意思的小場景是幫助客戶選擇合適的模型。今天市面上的大模型榜單，其實對幫助客戶選擇模型沒什麼意義，落到具體場景里評測才有意義。韓卿表示，Kyligence 的 AI 產品，不僅可以支持不同的大模型，還要會給模型做評測，從而能給出客戶建議，在當前特定的客戶場景下，客戶用哪個大模型最合適。這核心體現 Kyligence 對其所在的數據指標平台領域，有足夠的縱深理解，知道用什麼樣的數據集做何種評測框架。

「因為客戶對模型的選擇面太廣了，沒有一個好的工具、評測框架，試錯成本挺高的」，他認為，重點是幫助業務用戶進一步的降低使用 AI 的門檻，這是企業服務廠商的機會。

事實上，大模型的技術能力確實有解決具體現實世界商業問題的潛力，但想把潛力轉化成真正能解決問題的工具，一個通用的 Chatbot 或者生成工具並不足夠，這讓垂直領域的 AI 應用和解決方案創業者看到了機會。

今年 AI+營銷大火，特贊是這個領域的佼佼者，創始人&CEO 范凌分享，營銷與 AI 的交集在內容，而內容是今天連接商品和消費者之間的重要媒介。

隨着移動互聯網的崛起，內容成為消費企業重要的營銷資產，現在不少企業開始搭建「內容中台」，管理圖、文、視頻、3D 等不同的內容資產，但將這些資產轉化為真正的生產力而不只是躺在數據庫里的歷史記錄，是一個很大的難題。

而大模型出來以後，特贊意識到這是品牌內容資產價值進一步提升的機會。利用大模型可以對內容有更好的理解和分析，如：給內容打標籤，給視頻打腳本；也可以用大模型生成更多的內容。特贊的產品讓消費企業可以更好的找到、匹配、使用和生成這些資產。更進一步，這背後意味着內容從一個個文件變成更細顆粒度的 token，品牌可以用來訓自己的專有模型、構建自己的數據集，從而建立更強的內容增長能力。

技術迭代帶來更多新機會

過去一年大模型技術快速迭代，AI 應用的可能性也在不斷拓寬，其中特別值得關注的是多模態和智能體的技術進步。

OpenAI 發布 GPTs 以後，Agent（智能體）成為一個熱點，而 Agent 的出現，有可能進一步縮短技術與最終用戶之間的距離。清華系 AI 大模型創業公司面壁智能，近期正致力於開發其先進的 Agent 技術。聯合創始人兼首席執行官李大海深諳今日人工智能尚未達到「外賣到家，直接送達顧客口中」的便捷程度。然而，他堅信 Agent 技術將大幅縮減這一「最後一公里」，有望將其精簡至僅剩最後一百米。

李大海進一步闡述，AI Agent 發展潛力巨大，未來提升空間非常廣闊。一方面是單體智能的優化，即如何讓單一智能體更為高效地在各種場景中發揮效力。這不僅是對 Agent 功能層面的挑戰，也深刻考驗着底層模型的實力，歸根結底，這是一個綜合性進化過程。另一方面，則是群體智能的探索，面壁智能不久前推出的 ChatDev 項目，便是一個典型的群體協同實例。在這個項目中，不同智能體擁有各自職責、專業知識與認知視角。當它們協同工作時，往往能夠比單一智能體產出更高效、更具創造性的結果。這種多智能體的協作，預示着智能體未來發展的重要方向。

另一個機會就是多模態，文字本質上是對知識的壓縮，但要進一步影響真實世界，不論是上文提到的生成遊戲資產、營銷資產，還是識別機場、工廠等現實世界的空間，多模態都是關鍵的技術能力。

今年 3 月成立的 HiDream.ai 是一家專註於為設計師和相關行業的專業創作者提供工具和服務的創業公司，尤其在圖片生成和視頻生成領域，他們有自己的多模態大模型。創始人兼 CEO 梅濤院士分享了今天多模態領域的進展，他認為如果像自動駕駛一樣將 AIGC 也分成 L1 到 L5，從人工參与比較多，到最後不需要人工參与，目前我們處於從 L2 到 L3 的階段，換言之，我們正在從創意產生到工具替代的階段。

這引申出一個很有意思的話題：多模態會不會被大語言模型顛覆？梅濤經常被問，他也問過很多公司，包括 DALL·E-3、Midjouney、還有很多其他的模型，基本目前視覺生產還是以 Diffusion Model 為主，未來趨勢可能是會利用大語言模型對 Diffusion Model 增強，但最終生成圖片和視頻還是 Diffusion Model 更好，所以他並不擔心會被替代。

02「有點頭疼」的真問題

雖然在短短半年裡取得了一些突破，但今天大模型技術還在快速演進之中，在這種漲潮的時候如何「趕海」，對創業者也提出了一系列的問題和挑戰。

有意思的是，第一批大模型落地的實踐者們倒沒有太擔心被模型能力升級覆蓋的問題。他們最擔心的反而是在技術的早期發展階段：我們以為拿到了一個通用性很強的能力，但最後落地場景的時候都變成了定製；我們希望用智能創造價值，但最後發現人工卻越來越重。

上一輪 AI 浪潮里，當阿爾法狗擊敗圍棋世界冠軍李世石、柯潔，人工智能所展現出的能力已經強大到令人驚訝。但企業真正將技術用到業務場景，去解決問題並嘗試商業化時，卻發現能夠解決的場景太過碎片化，很多時候都是業務流程里的某一個環節，這就導致其很難標準化、規模化，最終變成 case by case 的去做定製，AI 視覺四小龍們無一例外都陷入到了這個泥潭。

沒有人願意重蹈覆轍變成「高級外包公司」，這個時候如何一上來就堅定地抱着把技術收斂成產品的目標，哪怕不是一上來就把市場規模放前面去思考，而是先看技術到底能收斂的解決什麼問題，就成了一個大模型早期階段實踐的新原則。

微調的需求將持續擴大

活動當天，與會者們 60 次提到「微調（Tuning）」。同道獵聘集團董事會主席兼 CEO 戴科彬斷言，今天開發應用「肯定要（對基礎大模型）微調」。獵聘作為招聘平台，在線的產品都是標準化的，但即使這樣也需要大量的「微調」。

比如，同樣招產品經理，互聯網公司招產品經理跟醫藥招產品經理是兩回事，這裏面要做的微調非常多。基本每個崗位會有兩條垂直縱線，一個是崗位縱線、一個是行業縱線，行業裏面的公司還有縱線。

此外真正落地到一些細分行業，只完成「大學通識教育」的大模型，依然存在能力不足的問題。比如在民航業，航旅縱橫創始人 & CEO 薄滿輝表示，大模型能力的加持可以用比目前 APP 交互更加自然、高效的模式解決用戶獲取民航出行信息的一些問題。但民航還有一些專有的信息是公域當中沒有的，比如有些業內語言業外人士聽起來跟天書差不多，但是在行業內有非常明確的含義，通用的大模型目前解決不了這個問題。

微調的需求似乎也成為了一個比較明確的趨勢，即便在百度內部，文心一言持續迭代的前提下，百度文庫也向百度智能雲平台提出內部需求——需要能自己做持續調優（SFT）的工具，不斷提升模型在百度文庫這一特定場景的表現。這也說明未來 AI native 的應用，不是用一個靜態的模型就能支撐的，需要支持它在模型側有不斷進化的能力。

算力優化需要更極致

當模型持續優化的需求，再加上更多創業者參与到多模態模型，算力優化成為相對迫切的顯性需求。與會者闡述道，GPU 訓練跟 CPU 不一樣，CPU 宕機一台機器、兩台機器，換新機器就可以奏效。但大模型對算力基礎設施的要求一直是齊步走的狀態，怎麼保證算力能用起來，至關重要。

以無問芯穹為例，這是一家解決大模型的中間層軟硬件協同優化問題的技術公司，CEO 夏立雪分享，很多場景驗證下來，用了大模型的效果就是比不用好，比如在搜索、交互的時候，大模型技術讓用戶體驗顯著上升了，但問題是——賬算不過來。

相比此前幾輪浪潮，本輪 AI 技術呈現出鮮明的「大一統」趨勢，各類模型結構趨向統一，這意味着算力優化有很大空間做深。「從模型直接打通到硬件，包括對模型本身計算結構，比如量化稀疏的改造，都能夠適配足夠大的應用場景」。依託整个中間層軟件棧，無問芯穹有機會把大模型場景的所有硬件算力性能優化到極致，讓單個 token 的計算成本降到最低，同時讓更多中小企業可以觸達大模型工作負載下的算力服務。

九章雲極副總裁於建崗博士也看到了這一市場痛點，今年，大模型讓客戶使用算力的方式發生變化，九章雲集 DataCanvas 從過去的 AI 基礎軟件，擴展到了算力層等更多的維度，包括 GPU Cloud 算力中心，和大模型落地的基礎軟件，像 tool Chain 或者說 app tooling 和 Finetune、Agent，以及 LLMOps 等工具。於建崗認為，幫助客戶落地時，要給客戶「開箱即用」的輕便體驗，「通過 interactive Natural UI(NUI) based orchestration 來快速便捷實現業務流程」，重要的是讓客戶的數據飛輪轉起來。

工具鏈條需要更茁壯

如前所述，把大模型落到不同場景、行業，要解決各種各樣的具體業務問題，意味着要做大量的微調、定製、優化。「有時候我們團隊感嘆人工智能，人工是真的夠重，現在這個階段，其實耗費的人工特別的多。」一位做行業 SaaS 的嘉賓這樣感嘆道。

要減低技術和現實業務需求之間不小的 Gap，要提升解決這種 Gap 的效率，工具鏈條的完善也會非常重要。當下大模型賽道已經湧現出了一批做工具的企業，但另一個現實問題是：現階段大家的需求太多元、技術迭代變化速度太快，工具也沒有辦法收斂。做工具，沒人能賺到錢，以商業正循環的方式不斷完善進步，大模型落地的效率也會受到影響。

Jina AI 聯合創始人&CTO 王楠分享，他們在年初思考這個時代自己的定位時，就意識到目前還處在大模型時代非常早期的一個階段，所有人都沒有找到真正的 killer app，這個時候關鍵是怎麼樣賦能開發者快速的做產品迭代，這就意味着有很強的的工具需求。

做工具的起點是一個團隊首先完成了一個項目，發現這個項目裏面有一些經驗是可以抽象出來。但在抽象的過程中很重要的是把經驗抽象到哪一層——如果太通用，這個工具別人要拿去使用的時候還要做很多的定製化，就會導致「既然我都做了這麼多定製化了，為什麼還要用這個工具」；但也不能太具體，太具體的話就會擠在很小的群體裏面。

大模型的技術迭代和需求變化非常快，這個度就很難把握。王楠舉了一個例子，比如今年大火的 LangChain 剛出來時，當時還沒有基於 Agent 的工具框架，只有專門針對 QA 做 chatbot（聊天機器人）的框架。Jina 早年和他們都是做模型推理的編排工作，但 Jina 團隊判斷 LangChain 做得太具體，這個市場（chatbot）沒有那麼大。而在 11 月 30 號（ChatGPT 發布）之後，chatbot 崛起，LangChain 快速起量，起步更早的 Jina 也就很快被超越。

相反，Jina 團隊開發的另一個工具，輔助提示詞生成的 PromptPerfect，他們觀察到了大模型火了以後用戶需要優化提示詞，但卻沒想到這個需求能夠堅持這麼久，現在每天用戶量還是很大的，給他們帶來了穩定的收入。

要想避免應用工具的價值因為上下游的變化而消失，王楠分享了 Jina 的四個經驗：

• 避免和模型過度綁定：底層模型升級換代非常快
• 避免過度優化：硬件主導的時代，底層技術棧的優化對於上層軟件的優化是降維打擊
• 聚焦不變的核心價值：節省開發者的時間
• 與上下游大範圍的深度集成：把自己嵌入在開發者工具鏈生態之中

別找客戶，而是找到最該去解決的問題

將 AI 技術落地到真實的商業世界還有一個必須面對的問題，大模型時代應用開發者普遍遇到的一大商業化困境，就是價格與價值的錯位。極客公園創始人張鵬在現場聽了不止一個創業者吐槽這個錯位問題后，總結了一個被參會者集體認同的苦惱：「客戶抱着讓你解決登月問題的目標，但心理價位卻是同城快遞的預算。」

比如 Kyligence 有一個金融客戶曾經做了第一次測試，寫了幾條結論，最後一條結論差點讓韓卿「吐血」：與人類相比差距很大。可見現在客戶對使用AI的認知差距還很大。

在眾多大模型應用企業的反饋中可以看到，距離 AI 認知越遠的客戶，對 AI 的預期就越不容易切實際。這個時候客戶主動上門充滿熱情的期待，很容易變成迅速的失望，創業這們也會因此浪費大量的成本和時間。

創業者們當然可以選擇客戶，甚至經過早期「進門都是客」的階段，創業者們也學會了先識別潛在客戶的 AI 認知水平，再「投入感情」的新流程。但期待客戶都自己成為對 AI 懂行的專家肯定是不現實的，所以這反過來就會非常考驗幫助大模型落地到場景中的企業，能否把 AI 的能力匹配到場景里的有效需求，還需要有能力在解決足夠有價值的問題上獲得商業的正循環。

有效、合理、匹配都是非常重要的，這時候客戶是不是大公司和一把手是不是體現的很积極，可能都不是最重要的影響因素了。

沈抖也提到了一個現象：今天很多 API 調用都還是一些小學生的問題，用一個高中生來回答都已經綽綽有餘，卻在用大學生回答，成本就很高。最後算不過來帳，熱情總會消失。開發者需要做的，是找到那些真正有價值的當下還無解的問題。

這樣的問題是什麼？沈抖舉了一個真實的案例。一個蛋糕店的老闆，每天需要計算自己做多少個蛋糕，如果賣不出去就只能扔掉。他要預測明天要生產出多少份蛋糕出來，既不錯失商機又不浪費材料，但對他來說這是一個無解的問題。他沒法自己寫或者僱人寫一個 linear regression（線性回歸）的東西，把各種天氣、效率、人流、溫度等參數考慮進去然後建模來更科學地預測銷量，但他的需求真實存在，他會願意為此支付 100 塊甚至更多。

開發者如果能在有限的調用次數內——也就是用不超過 100 塊的成本給到他有效的結果，商業模式就是成立的。當然如果超過 100 塊還解決不了這個問題，那這個問題就是商業層面的「無解」。

需求的複雜性，加上價值和價格的錯配關係，決定了這個產業很難讓一個企業端到端解決所有問題，即使強如 OpenAI 也不例外。而這背後引申出了一個非常有意思的話題：大模型產業急需一個集體協作，有效分工，並且可以一起賺錢的生態。

03 生態是「唯一」解 

九章雲極副總裁於建崗博士認為，GPTs 出來之後，OpenAI 本質上就是做一個 iOS 的生態，而未來一定會有一個安卓生態。

像百度這樣的大公司，手裡拿着大模型的核心技術能力，當然有機會去構建生態。但在這次討論里，也有不少創業者坦誠地說出自己的擔心：生態能不能繁榮，平台邊界在哪裡也是個重要的問題。不然大家都會不知道自己位置，也沒有足夠的信心來一起協作解決問題。

一位創業者就在現場「Q」了一下百度。「之前我們融資的時候，大家經常會被問如果谷歌做這件事情你們怎麼辦？現在變成了百度、OpenAI 做這件事情你們怎麼辦，如果硬拼的話肯定是打不過的，你只能找到自己的一個點。」在他看來，今天大模型本身就是一個寒武紀的時代，這個生態里有各個位置，重要的是在裏面找到自己的位置。

沈抖倒是回答地非常坦誠，他覺得當年互聯網時代確實更接近零和博弈、贏者通吃；但到移動互聯網時代，本身行業已經開始形成生態共贏的模式；到了今天的大模型時代，明確平台的邊界和構建生態已經不是一個公司的選擇問題，而是面對一個客觀的產業邏輯時沒有選擇的必然。

「AI 能解決的問題更多，門檻卻更低，即便平台想端到端地把事都做了，一個大公司能不能做到、公司基因符不符合千行百業都是必須考慮的問題。即使退一萬步說能做，平台就算想把一個個行業，一個個價值層都做一遍，也要付出巨大的系統代價，這是不是一個科技公司真正想要的？」

沈抖覺得把所有應用都做一遍顯然也高估了平台的力量。iOS 剛出來的時候蘋果自己就做了一個日曆、天氣這種應用，但即使是 iOS 這麼封閉的環境，這些也不是一統天下的 SuperApp，只是個系統必備功能而已。實際上想做成所有應用的可能性微乎其微。特別是一旦有上下游連接的應用，往往不是蘋果輕鬆就能做的。

他覺得百度智能雲其實更關注的是如何做好基礎設施，在模型、算力、微調、以及工具鏈條的進步上，把這些關鍵問題的效率提升作為自己的核心關注點，做最大的投入和努力。

在當天的討論里，所有人的共識都認為不論是創業公司，還是各個大平台，各家的力量都有不足，生態互補是必然的選擇。但相比已經成熟的移動互聯網生態體系，很顯然大模型生態還處於一個早期甚至暢想中的階段，大家都不知道彼此的邊界。連接點就是脆弱的，就不能有效形成合力去落地AI能力。

出門問問創始人&CEO 李志飛在會上分享了一段非常有意思的故事：今年出門問問在開發自己的 AI 應用時，也涉及到要用很多不同模型的問題。雖然出門問問有自己的大模型，但他總是刻意一遍遍地質問開發團隊：我們為什麼一定要構建自己的大模型，而不是調用百度的或其他第三方的？

這其實也是在直抵一個根本問題：創業者需要推動團隊不斷思考，你真正的壁壘在哪裡，即你為什麼一定要擁有自己的模型？你要做有什麼差異化的大模型？

這個問題的答案無外乎有幾種：一是對於模型本身，用自己的速度更快、成本更低、且模型里有別人提供不了的 API；二是對於應用，自己的大模型可以更好地賦能自身應用，產品效果更好；三是模型與應用能形成數據飛輪。只有回答了這個問題，才能做出與其他基礎大模型真正有差異化的東西。

李志飛說，有自己的模型能力固然好，但如果每個星期能夠反反覆復地拷問自己和團隊這個問題，直到某一天問到了更明確的答案——在很多情況下都可以調用第三方的模型，只有真正不可或缺的一小部分需要用到自己的模型，最後反而會形成真正的產品和模型壁壘，而且從經營的角度更划算。

他的觀點也引發了很多人的共鳴，對於今天很多客戶動不動就是幫我訓練一個本地部署的大模型這樣的早期想法，顯然不是一個可持續的商業模式。長期來看，這個領域的參与者，需要彼此知道自己的壁壘和邊界，有合理的分工、協作，才能找到更多場景里商業效率和技術能力的甜蜜點。

零和思維下，不論是投資者還是一部分的創業者，永遠擔心自己被同行，被更大的平台吃掉。但今天大模型的環境已經證明：大模型技術落地產生真正的價值，還遠遠不是最後一公里的問題，而是 10 公里的問題。平台靠 API 打不了通關，創業者能做到從模型到應用「端到端」全能力的也鳳毛麟角，即便做到了能不能算過賬也是巨大考驗。

這個領域已經逐漸可以看到明確的趨勢，不會有人能夠一家通吃，也很難有人獨善其身，只有有效分工協作的生態才是打開 AI-native 未來的唯一正解。

「不像原來有一個獨門絕技我不跟任何人分享。」沈抖最後總結道，「正是因為大模型從只能一千米現在送到了七八千米的高度，國内面向開發應用的群體，極有可能變得更分散而不是更集中。競爭起來難度太大，任何一個平台公司不可能只靠自己把後面的兩三千米做完。」

在文章發出的前一天，恰好百度智能雲在「智算大會」上做了新一輪產品升級，發布了百度百舸·AI 異構計算平台 3.0、百度智能雲智算網絡平台、百度智能雲千帆AppBuilder和千帆平台的一系列升級，為構建AI原生應用進一步降低了基礎設施門檻。從底層基礎設施—大模型開發與應用—AI 原生應用開發等維度，百度智能雲賦能更多夥伴參与到大模型的應用落地中，發揮生態夥伴各自的優勢推動 AI 原生應用的生長。