近期，零一万物宣称要全面接入 DeepSeek，将企业大模型一站式平台在各行各业落地。对此，业内普遍不看好零一万物的未来。
某金融企业 AI 专家姜绍（ 化名 ）甚至评价道：“ 零一万物基本上是没戏了，他们感觉是什么都想做，公司团队整体过于技术，但 DeepSeek 出来后技术上也没了竞争力，商业化水平又比较一般。”
王文广则告诉知危：“ 大模型一站式平台的技术门槛并不高。”
对于该类产品的技术门槛的评估，王文广是有亲身体会的，“ 我去年大概花了半年的时间，自己一个人就开发了这样的平台，现在也在通过个人的方式在售卖。而且我觉得这个产品通过公司来做很难赚到钱，但个人经营的方式还能慢慢赚到钱。”
“ 现在行业内有不少 To B 企业，他们不做大模型，但是也会做大模型的业务，只是缺少一个技术平台。我就跟他们合作，价格可以压得很低，只需要四五万一套，中大型公司肯定做不到这么便宜的。”
“ 我现在开发的平台，叫做 KAF，即 Knowledge-based Agent Factory，就是基于知识图谱、向量数据库、搜索引擎，通过检索知识来提供大模型和 Agent 应用的平台。目标是让用户可以不写任何代码，通过提示词管理和模型管理就能构建自己想要的知识助手或 Agent。就这样的平台，市面上有非常多相似的，估计能有一千个，也很容易复制。”
“ 比如一家公司想做 To B 的大模型应用，即便创始人自己没有这个能力，要想做出产品也很快。无非就是招两三个特别牛的人，当然领头人必须很厉害，不然可能没法入手。这种方式的成本会比训练大模型的成本低很多。即便是行业里的大牛，年薪千万也差不多了，再加上两三个年薪百万的，就能组成核心团队。实在不行，还可以找外部的 AI 公司合作。”
除了上述模式，还有 “ 企业大模型一站式平台 ” 的模式，属于一体机的类型，对于这类产品，平安保险技术平台组负责人张森森认为，“ 一体机有足够市场空间，但一体机是卖服务的，跟技术没有太大关系。”
“ 一体机就是将核心硬件、软件、执行环境进行打包，达到开箱即用，主要面向技术部署能力较弱的机构，比如政府、教育机构等，也有一些企业客户，要点在于方便使用和技术自主性。当然它也有自己的优势，比如数据安全、隐私合规，因为它是私有化部署，面临监管的时候更容易通过安全审查。并且一体机是软硬件深度优化的，对于推理专用的芯片、端侧芯片，响应速度更快。还有另外一种考量，比如一体机对于国产芯片做了深度定制，从而绕过一些底层限制，提高效率。有些企业倾向一体机，是因为对成本比较敏感，更关注 ROI，一体机的使用寿命更长，对于做财务报告的 ROI 可能更好一些。”
实际上，过去多年以来，无论在任何具体的领域，包括大数据、云计算、计算机视觉等，国内 SaaS 市场都有非常相似的特点，或者说这是各个领域最终会发展成的固有形态，包括定制化需求较高、产品偏向通用和同质化、市场竞争激烈、低价策略普遍、资本更关注短期变现等。这些 SaaS 企业的客户数字化程度较低，付费意愿较弱。
基于自身在 To B 市场多年的行业经验，王文广向知危描述了这个市场的残酷性：“ 一站式平台产品肯定有市场，而且市场还很大，但是会非常碎片化。我合作的这些小公司规模都不大，他们的运营成本相比中大型公司是更低的，可以把价格定在 30 到 50 万之间，即便这样也可以赚钱。因为他们不需要考虑研发成本，只负责实施，能够覆盖人力成本就行。如此一来，就会把整个 To B 场景的应用服务价格压的很低，何况我参与的市场肯定不只有我在做。中大型创企参与的市场可能只能做大型的企业客户，那也会面临其它创企、传统集成商等竞争对手。即便是大厂，在 To B 市场的业务策略也都差不多，大厂还能有自己的大模型和品牌优势。”
“ 我也在用 DeepSeek，还有大量其他企业也在用 DeepSeek，那就没有任何差异化的地方。国内有多少云厂商，就至少会有多少个竞争对手。国内 To B 市场一直是这样，想要活下去，要么关系硬，要么服务好，要么价格低。”
梁贺向知危简要地评估了零一万物的当下选择和未来可能性：
李开复目前将零一万物的业务完全转向To B应用，主推企业大模型一站式平台，这个做法在商业上肯定是没有问题的，但是市场会很卷。
零一万物要做出比大厂更低价的大模型产品，其实也是没办法的事情，因为应用层面没有什么能够保持独特优势的地方。
零一万物转向To B，说明它未来的想象力也就没了，做的事情不够性感了。这跟2017年以来的上一波CV浪潮的视觉公司后来的结果很类似。
如果零一万物也做海外的市场，或许还有机会。
张森森表示：“ 相比科技公司，我更看好拥有医疗数据的公司做医疗大模型。这个对于任何想做行业大模型的公司都是同样的道理。因为做医疗大模型的关键难点不在于大模型，而在于数据。中国有那么多好的医院，医院也可以自己用 DeepSeek 微调出一个大模型出来自己用。”
如何有效地获取医疗数据？姜绍表示：“ AI 技术创业公司在数据上没有优势，如果想做医疗大模型，可能需要和原本就在帮医院做信息化的公司去合作才行。”
王文广则强调了这个市场陈旧的一面：“ 如果是想短期内做商业化，那其实医疗这个赛道也是很卷的，和 To B 市场整体的情况没什么本质区别。商业化层面，用知识图谱、向量搜索加大模型来做医疗，很多公司都能做。”
除了理想和赚钱，医疗 AI 创业还有一个主要争议点是：要不要、能不能做出通用医疗大模型。
对此，张森森表示：“ 通用医疗大模型目前在国内市场尚无明显突破，主要原因在于大规模数据的收集和应用依赖于强大的医疗设备支持。国内许多医疗设备还没有广泛普及，因此 AI 难以进行精准诊断。但一些综合实力强的医院，如海外的梅森医疗中心等，已经开始探索推出自己的大模型。尽管短期内很难看到盈利机会，但从长远来看，这类大模型有可能对医疗行业产生深远影响。”
“ 医疗行业还面临全自动诊断的挑战，尤其是在国内设备不足的情况下，AI 无法完全替代传统诊断方式。部分医疗设备尚未普及，尤其在边远地区，医疗技术难以全面覆盖，因此全自动诊断仍然存在较大的难度。”
“ 由于医疗行业具有严格的牌照和合规要求，大模型在进入医疗领域时必须解决合规问题。未来的 C 端医疗服务可能通过结合医生技术和 AI 技术来提升诊疗效率，尤其是面向 80 后、90 后、00 后等年轻群体。”
最后，即便抛开国内 To B 市场本身的特点，单从大模型应用竞争的角度，To B 市场的存活难度也相当大。王文广表示：“ 虽然整体上大模型 To B 产品的设计模式还在摸索中，但最终还是会趋同的。这方面不仅是国内，就连硅谷科技公司也类似，比如 OpenAI、Anthropic、谷歌等，只要模型本身的性能拉不开差距，在这个市场里就一定不能赚钱，最后会卷到大家都处于同样的水平。”
“ 对于阿里千问、百度文心和智谱 ChatGLM 这些开源大模型，它们在这方面与 DeepSeek 的区别并不明显。判断的依据是，这些模型在推理能力和知识库结构上与 DeepSeek 并无太大差异。”
综上来看，开源大模型的影响力目前还有限，并且它们彼此间追赶节奏紧张。
但 To B 竞争激烈，也不代表 To C 路线就更有希望。
大模型的 To C 产品竞争也是非常残酷，但相比于 To B 市场，又有很大的不同。
一方面，市场格局瞬息万变。
以海外市场为例，根据 a16z 发布的 “ Top 100 Gen AI Consumer Apps ” 最新报告（ 第四期 ），自 2024 年 8 月（ 第三期 ）以来，就有多达 17 家新公司进入了生成式 AI Web 产品的 Top 50 排行榜，比如国内的 Kimi、海螺AI、DeepSeek 等，其中 DeepSeek 尤为亮眼。
DeepSeek 在极短时间内强势崛起，其月活人数从几乎默默无闻到大大超越 Claude、Perplexity，只用了一个月的时间。
在移动端的使用时长方面（ 基于平均每周每位用户的会话数和每位用户的分钟数 ），DeepSeek 也略高于Perplexity 和 Claude，但目前和 ChatGPT 相比仍有较大差距。
另一方面，To C 的变现难度很大。
最受欢迎的应用并不一定能带来最多的收入。比如 ChatGPT 有最高的收入，OpenAI 却仍然年亏 50 亿美元，而大量 ChatGPT 的 “ 山寨 ” 应用倒是很可能实现了快速盈利；DeepSeek 火了以后，模仿者、仿冒者也是排山倒海而来。
从 C 端市场来观察六小虎的境遇，实际上也不乐观。综合知危与业内专家的沟通，普遍认为大厂将带来极大生存压力。
姜绍表示：“ 消费市场方面，六小虎里面做的比较好的是月之暗面的 Kimi。但现在排第一的是腾讯的元宝，第二是DeepSeek，第三是豆包，头三家公司几乎占据了大部分市场份额。腾讯的元宝凭借微信生态圈获得了大量的客户流量，而 DeepSeek 则凭借其技术创新和在多个场景中的优异表现脱颖而出。”
梁贺表示：“ Kimi 的大模型技术和竞争对手没有太大区别，那就只能免费，这就导致月之暗面商业化变得特别困难。作为一个 To C 应用，看不出它跟元宝、豆包的区别在哪里。而且，豆包可以用字节其它业务来养，元宝可以用腾讯其它业务来养，它们可以投入 1000 亿来养这些应用。”
姜绍补充道：“ 对于 C 端用户，更加关心产品易用好用，腾讯和字节在这方面做得更好。当然阿里也有机会，阿里正在孵化名为 ‘ AI 听声 ’ 的应用，这个应用通过 AI 进行聊天和交互，目标是取代抖音在短视频平台中的地位。虽然抖音吸引大量创作者生成优质内容，但 AI 聊天应用通过提供更加个性化和互动的体验，有潜力在一定程度上吸引用户群体。两者的差异主要在于内容创作和互动方式。如果阿里能够突破这一块，也有机会翻身，当然如果腾讯跟进仿制，就不好说了。”
梁贺认为：“ MiniMax 的海螺 AI 目前是挺赚钱的，它算是找到了自己的一条路，但这条路能不能让 MiniMax 的估值做的足够大，还是个未知数。由于偏向应用，MiniMax 在 DeepSeek 出来之后更轻松了，如果他们全部使用 DeepSeek 的模型，反而是节省了模型的研发成本，而它的应用还能继续赚钱，甚至赚的更多。”
姜绍则认为：“ MiniMax 如果后面能够做出一个爆款 APP 的话是有机会的，但阿里可能会超过它先做出爆款 APP，所以 MiniMax 即便有机会概率也不大。”
究其根本，产品差异化依然是 C 端应用的突破口。
根据 a16z 的 “ Top 100 Gen AI Consumer Apps ” 最新报告，许多使用率较低的应用其实实现了更好的收入。有些通用性很差的产品比如植物识别、营养等吸引付费用户的能力反比通用产品而更大。
做通用的 AI 产品，很难打出差异化，用户付费意愿低，盈利周期长，所以熬不过大公司。
而做差异化如果垂直深度不够，也容易被基座大模型通过能力升级所内化。比如，最近 GPT-4o 的生图能力就对 Midjourney 等文生图创企带来了降维打击。这种覆盖能力，很多时候都是随机的、不可预测的，正所谓 “ 毁灭你，与你无关。”
竞争对手的像素级模仿，基座大模型的快速升级，让 C 端 AI 初创公司的风光几乎永远只保持很短的时间。
至于如何抓住这极低概率的成为爆款的机会，业内专家一致认为 “ 基本上还没有经验可循 ”。
六小虎走入今天的困境，很大一部分是因为当初在基座大模型上投注过大，低估了要在这个赛道上生存和拔尖需要的人力、财力、物力，导致现在在应用赛道上也很难打出差异化。
如今六小虎对攻克 AGI 的决心越来越弱，李开复近日还公开直言，国内的基座大模型最后只会剩下 DeepSeek、阿里、字节三家。
对此，与知危交流的业内专家也基本同意这个看法。
姜绍表示：“ 现在还在继续死磕大模型技术的创业公司基本都得死。最有希望的肯定是 DeepSeek，第二是阿里巴巴，第三是字节跳动，第一名预计能分到 50%-80% 的流量，后面两名可能分到 10% 的流量。核心在于谁先把 AGI 做出来，谁就是最后的赢家。”
“ DeepSeek 目前在大模型领域最具竞争力，其技术创新和在实际应用中的表现无可挑剔。阿里巴巴和字节跳动也具备较强的竞争力，尤其是在跨平台应用和数据资源上的优势。排名的依据主要是基于各家公司在基础技术、算力、数据资源以及实际应用中的创新能力。”
“ 智谱和 Kimi 的团队坚信，继续增强基础模型的能力才是未来的出路。与之相对，我认为随着市场需求的变化和应用场景的多样化，单纯强化基础模型的路线可能会受到局限，更灵活、适应性强的模型发展路径才可能更加具备市场竞争力。”
“ 大模型技术竞争异常激烈，投入巨大的公司最终必须在创新、算力、数据和优化上有明显突破，才能保持竞争力。其他未能跟上技术进步或无法应对市场需求的公司将逐渐被淘汰。”
梁贺表示：“ 国内的基础大模型公司未来只会剩下 DeepSeek、阿里、字节三家公司，依据就是这三家能够有实力和决心投入超大资源来研发。对于字节而言，它不可能错失大模型这个机会，不然对它整体影响会非常大。而且DeepSeek的技术对于字节而言不会有太大的壁垒，更多是研发效率上DeepSeek目前更有优势。阿里的千问开源模型本身水平比较高，在DeepSeek火起来以前，千问和Llama基本是你追我赶的状态。对于阿里来说，千问模型可以不赚钱，但是相关的云业务可以赚钱，字节也是类似的，还能将大模型技术不断用于优化抖音等App的体验。而对于 AI 创业公司，如果模型本身不赚钱，就触及了生存的根本。”
某大厂 AI技 术专家王牧（ 化名 ）告诉知危：“ 除非有钱、有人才、有硬件，否则没必要在预训练大模型上浪费功夫，DeepSeek 起码在 2021 年就有万卡集群了，也不缺钱。反观其它中小公司，基本凑不齐这个条件。”
高鹏表示：“ AI 创业公司要想活下去，还是要转向应用，一两年前我也是这么认为的，现在转都可能太晚了。接下来第一批要被淘汰的 AI 公司就是做基座大模型的公司。大模型的训练，其实有很多复杂的细节，非常依赖经验的积累。Transformer 架构内部的细节是普遍比较了解的，但不管开源还是闭源模型的论文基本都不会告诉你数据是如何准备的，数据细节是什么，数据规模有多大，数据质量如何等等，业界也没有一个统一的标准。”
“ 开源开一半 ” 在大模型赛道一直是典型做法，当前，会将代码、权重、数据集、训练过程全公开的大模型少之又少，比较知名的有 OLMo、BLOOM 等。
然而，即便转向应用就能活下来了吗？从前面对 To B 赛道和 To C 赛道的分析，AI 创业公司在应用上几乎很难形成自己的行业壁垒。对此，高鹏表示：“ 要想形成自己的行业壁垒，关键在于自己拥有哪些数据，模型谁都能用。数据分为两个方面，一方面是创业者的领域经验，一方面就是手里的数据了。”
那些 AI 落地不成熟的行业，特别是智能制造，有大量的定制化的东西，每个企业生产的产品都是不一样的，没有一个统一的标准。所以企业想推动 AI 工作自动化比较困难，数据的价格很高，精度要求也很高。虽然说工业软件基本是智能制造落地最早的解决方向，有比较好的效果。但是制造业的 AI 化升级是有历史包袱的，大部分的制造行业的数据和信息化的水平是不够的，就导致它们在做 AI 化的时候是缺乏数据的，特别是异常样本的收集几乎是没有的。复杂度也高，比如设备种类繁多、数据标准不统一，导致算法可迁移性很差，常常忽略一些关键因素比如温度、材料或者一些不可预测的变量的影响。而且，企业对传感器数据的关注是有偏差的，对于各种传感器故障数据，企业主要关注的是会影响生产结果的数据，但实际上，那些边缘的传感器数据，未来很有可能成为我们撬动整个制造业创新和商业化的一个支点。AI 能够通过对这些数据的分析，发现潜在的优化机会，从而推动整个行业的进步。”
“ 而且，制造业的能力要求和其它行业也有一些不一样，它要求必须实时处理问题，大模型的延迟性在这里会难被接受。
说到底，对于初创公司来讲，无论是做基础大模型还是做 To B 或是 To C，你都很难找到一个坚固的护城河，如果没有长年积累的数据或技术经验，都无法形成竞争壁垒。
|小黑屋|手机版|Archiver|机械荟萃山庄
( 辽ICP备16011317号-1 )
发表于