来源 | 读懂财经
作者 | 小 白
出品 | 科创最前线
随着AI故事的演进，一个重要问题逐渐摆在了投资人面前：
想要回答这个问题，我们不妨看看移动互联网的发展历史。
2007 年，iPhone 1 发布，至此移动互联网开始正式启航；
2010 年，iPhone 4 发布，奠定了移动互联网的基本框架；
2012 年，移动互联网的应用开始爆发，字节、滴滴、小红书纷纷成立。
从逻辑上讲，GPT 3.5 的发布，更像是 AI界的iPhone 1时刻，发展方向已经明确，但产业框架尚不清晰。
这样的混沌也一定程度上增加了投资的难度，甚至会出现不少的投资“陷阱”。
在移动互联网早期，“手电筒”等工具类产品以及应用商店曾经吸引了不少投资人的押注。
后来的事实证明，这不过是移动互联网的投资“陷阱”。
但是，手机还有三个非常重要的东西，是PC上没有的：
沿着这个逻辑，当我们在寻找生成式AI的投资机会，倒不如多问自己几句：
回顾本轮生成式AI的突破，来自于底层大模型的持续进化。
GPT 作为当前全球最强大的语言大模型，从2018年5月GPT初代版本，到2023年3月的 GPT-4，仅5年时间模型的性能就产生了质的飞跃。
从目前看， GPT 模型快速进化的原因主要有两个：
从 GPT-1 的半监督式学习，到 GPT-2 舍弃了微调阶段，再到 GPT-3 的 In-context 学习和海量参数，以及引入了基于人工反馈的强化学习之后的ChatGPT。
二是在模型参数规模扩大背后，是 OpenAI 对研发和算力的持续高投入。
通过“大力出奇迹”的方式，支撑了模型参数和训练数据的快速膨胀。
随着大模型以及 ChatGPT 等一系列“杀手级”应用的诞生，生成式 AI 在文本、图像、代码、音频、视频和 3D 模型等领域展现出了强大的能力。
今年3月，微软发布了基于GPT-4的AI办公助手office Copilot。
此后包括企业服务、营销、低代码、安全、教育、医疗、金融等领域的AI应用开始陆续发布。
7 月份，Microsoft 365 Copilot 公布定价，为每个用户 30 美元/月，同时全球CRM龙头 Salesforce 宣布正式向所有用户开放AI产品,并给出了单个产品每用户每月50美元的定价。
随着两大软件巨头AI功能定价发布，AI 应用将正式进入商业化落地阶段。
生成式 AI的应用不止停留在B端，C端的落地速度同样可观。
11 月 29 日，成立仅半年的 AI 初创公司 Pika 正式推出 AI 视频生成工具 Pika1.0，同日公司宣布获得 5500 万美元的融资，当前估值 2.5 亿美元。
Pika的特点在于，能够实现从普通 2D 动画到实拍感的电影场景、3D 动画全面覆盖，还能够支持对视频实时编辑和修改。
其中生成的视频在光影、动作流畅度等方面甚至都不输好莱坞动画电影级别。
种种迹象显示，在模型、算力、生态推动下，AI 应用正在进入大爆发时代。
从一级市场看，截至8月底，GitHub 上 AI 开源项目数量达到了 91 万，相较于去年全年的增幅达到 264%。
根据Replit的数据，23年二季度AI项目环比增速达 80%，相较于去年同期同比增长了34倍。
从去向看，大部分生成式 AI 项目还处在早期，大部分资金投向了包括大模型开发在内 AI 基础设施层， 而应用层资金流向仅占三成。
自22年第三季度以来，AI基础设施层，在投融资的数量仅占总数的 10%的情况下，投融资的金额占据生成式AI融资金额的70%以上，这也体现了基础设施层资金密集型的特点。
在应用层，通用AI应用占大多数绝对主导，占比达 65%。
相比之下，垂直行业应用目前无论投融资的数量还是金额都要远低于通用型应用。
从二级市场看，AI 算力基础设施层公司率先受益于 AI 产业浪潮。
其中英伟达是 AI“掘金买铲”逻辑的核心受益者，其次为微软、Google、AWS、Oracle 等头部云服务厂商和大模型厂商。
原因在于，在当下的生成式AI产业链里，基础设施层是最确定的环节。
根据海外风险投资机构 Andressen Horowitz 的粗略估算，应用厂商平均需要将 20-40%的收入支付给云服务商或大模型厂商，同时大模型厂商通常也会将近一半收入用于支付云基础架构。
也就是说，当前生成式AI总收益的10-20%流向了云服务商。
在硬件层面，英伟达是最受益的标的，其主力 AI 芯片 A100、 H100 承载了绝大多数 AI 模型训练与开发，占据 AI 服务器硬件成本的近 90%。
尽管AI 应用仍然处于早期，且应用层从商业化以及兑现时间会落后于基础设施层几个季度，但今年以来头部应用厂商股价同样也有所演绎。
今年年初至今，Palantir、Salesforce、Shopify等应用层公司也都有着不错的涨幅。
随着后续越来越多的AI应用厂商进入到实质性商业化阶段，AI领域的投资也将进入更加复杂的阶段。
在信息技术脉络里，软件和硬件呈现了完全不同的发展轨迹。
在软件行业，只有直接掌控用户和数据资产的平台型应用才是最终的赢家。
而在半导体行业，比下游直接面向用户的电子产品公司有更高的集中度，高通、台积电和英特尔在各自领域都有极强的话语权。
换言之，AI世界的演进路径会更接近半导体还是互联网行业，意味着最大的蛋糕到底会出现在模型层还是产品层？
在回答这个问题前，我们先来看下AI与上述两个领域究竟有何不同。
与很多行业不同，半导体行业的发展逻辑来自消费市场对性能永无止境的需求，并最终演化为摩尔定律。
这迫使制造巨头们通过巨额研发投入，持续保持了每一代产品的技术领先。
在这个过程中，性能提升会越来越难，其带来的收入增长和所需巨额研发成本往往是不匹配的，这构成了半导体制造的极高的壁垒。
但这样的情况并不会出现在生成式AI的模型层，原因有两点：
目前，大模型的投入成本主要在训练成本，但训练成本相比造芯片动辄几十亿的投入相比还是小巫见大巫。
尽管国内与国外大模型仍有明显差距，但相比年初差距已有明显缩短。
二是相比消费者对手机和PC「性能」的无限需求，在很多场景下，用户对生成式AI的智能化程度呈现边际递减的。
也就是说，所有场景对生成式AI性能的要求并不是无限的。
既然模型层逻辑跑不通，但要说应用层公司有很大机会，也未必。
原因在于，大模型逻辑下，产品体验与控制模型高度绑定，且数据反馈对模型改进至关重要。
在这种情况下，你很难相信一个高度依赖大模型厂商的应用层公司。
而对应用层公司来说，把自身高质量数据完全交给大模型厂商去进行迭代，本身也是一件风险极高的事情。
从这个角度上说，无论是模型层还是应用层公司都有各自的问题，同时占据模型层和应用层的全栈公司或许才有捕获最大价值的可能。
科创最前线是一家专注报道科技推动产业创新的新媒体，致力于成为中国科创浪潮中的发现者、陪伴者、推动者。
我们聚焦中国科技创新产业发展，挖掘科创企业明日之星，深度跟踪头部科技企业动态及科技产业资本布局，推动科技在消费、出行、教育、文娱、房产、医疗等民生领域的落地。
科创最前线