今年6月，发布报告《Gen AI: Too much to spend, too little benefit?（生成式AI：投入过多，收益过少？）》，引发了许多人对AI泡沫的担忧。
...
今年6月，发布报告《Gen AI: Too much to spend, too little benefit?（生成式AI：投入过多，收益过少？）》，引发了许多人对AI泡沫的担忧。
该报告认为，预计在未来数年，科技巨头、各类企业和公共事业单位将在生成式AI上投入约1万亿美元，包括对、芯片、AI基础设施以及电网的投资。然而，迄今为止，这些投资似乎并未带来显著成果，未来能否收回这些投资也是个问号。
这种担忧，源自大模型落地的缓慢进展。今年，行业期盼的现象级AI应用并没有出现，层出不穷的AI助手产品，用户留存表现也并不佳。在产业端，企业对大模型的态度依然谨慎，这项新技术还没有成为企业非用不可的必选项。
的一位研究主管认为，AI要实现高昂投资的合理回报，就必须能解决复杂的问题。而且在成本上，他指出，像互联网这样真正改变生活的发明，即使在初期阶段，也能以低成本的解决方案颠覆高成本的解决方案，而不像是现在昂贵的AI技术。
8月初，美股“科技七巨头”股价集体下跌，以及接下来股价的大幅波动，也体现出资本市场对于“AI泡沫”的忧虑。
大模型究竟是不是在堆积泡沫？9月5日，腾讯集团高级执行副总裁、云与智慧产业事业群CEO汤道生接受了21世纪经济报道记者的采访。作为一开始就致力于把大模型落到产业场景中的公司，腾讯对大模型的观察和思考，或许能给行业提供一些参考。
一场长跑
从OpenAI推出ChatGPT到现在，大模型的热潮已经在全球持续了两年。汤道生表示，在这两年中，很多从业者都经历了这么一个过程——从最开始的惊艳、兴奋到后来的焦虑，担心赶不上新技术趋势，再到今天更趋于理想，更看重大模型给产业带来的实际价值。
“这是新技术出现必然经历的起伏”。汤道生说。大家对大模型可能存在一些误区，起初不少人认为，模型可以快速改变世界，对此非常乐观，最近又有一些悲观，觉得大模型好看不好用。其实，“短期高估进度，长期低估效果”都不可取。
过去出现过很多新技术，大家一开始也是一窝蜂投入、投资，甚至造成泡沫，然后有一些人放弃，同时也有少数人坚持。再过一段时间，大家就回到比较理性、务实的态度，去寻找实际的场景、痛点，然后进行打磨。
比如90年代，最早一代的互联网企业，大量建立各种网站，后来发现商业模型不成立，大部分当时成立的互联网企业都垮了。但是在今天看来，互联网技术绝对是一个创造了巨大价值的技术，而这距离最早的那一批互联网公司成立，已经过去快30年。
更近一点的例子是上一轮以图像识别为代表的AI浪潮。最开始行业对这些技术也没有明确的落地预期，但经过多年发展，人脸识别、OCR等技术都已成为许多行业的标配。
汤道生认为，AI大模型也是这样，它一定是一场长跑，要有信心和耐心，同时要坚持去做投入。“今天的技术也许在某些场景，只做到了50分或60分，未来要做到90分就必须要用时间去打磨”。
不是万能解
当下，大模型的演进有两个明显趋势：一方面是技术持续迭代，模型的性能和效果不断提升；另一方面，是落地场景不断深化。
过去，业界关注的焦点更多是放在大模型技术上，各个厂商的产品迭代速度都很快，但是，评测榜单的成绩并不等于产业价值。这也给用户带来一种感知落差——各个企业的大模型听起来都很强，但在使用中却又是另外一回事儿。
汤道生告诉21世纪经济报道记者，大模型技术的持续迭代固然重要，但企业拥抱AI，不是追求技术的酷炫，核心是要解决商业上的痛点。
“很多人太过关注模型和参数本身，认为模型必须足够大才好用。但实际上不是这样，我们应该找到合适的应用场景，挑选最合适的模型和路径，以最低成本解决实际问题，才是最重要的。”汤道生说。
这个过程，也是汤道生所说的大模型打磨过程，而打磨的核心，是想清楚大模型之外，还需要什么其他的能力。
汤道生解释称，“在一些具体的场景，如果要找到解题的方式，大模型其实只是其中的一种方式而已”。就像对于AI，大模型只是这个赛道的一部分，其他还包括很多技术路线。未来若要搭建一套有用的智能系统，大模型可能只是其中一个模块。
事实上，大模型也存在短板，比如很难避免“幻觉”的出现。众所周知，数据是模型的原料，大模型时代，高质量数据的稀缺，对模型训练会产生一定影响。
然而，很多企业的自有数据或者比较专业的行业数据，现在还没有被充分利用。如果是针对某个场景去打造智能应用，其实未必需要大规模的数据，只要有针对性的专业数据就足够。
针对“幻觉”问题，很多企业利用独有的专业数据结合检索增强（RAG）的模式，来作为回答问题的事实基础，然后再用大模型去生成专业的答案，就能给到用户更准确或者更有针对性的答案。
汤道生表示，未来成熟的AI产品或方案，会是需要投入很多工程、集合不同技术能力的解决方案。“作为一个科技行业的从业者，我始终相信技术革命的意义，也相信技术的出现能够给很多老问题带来新的解决思路。只不过现在需要大家多花点时间，针对场景、针对客户在某个地方的痛点，来找到一个最优的方案。”
细水长流
实际上，大模型在产业场景并非完全没有进展。
在智能客服与知识管理场景中，基于大模型的生成能力，已经可以提升复杂问题的解决效率，提升回答质量；在智能营销场景，大模型可以提升广告素材的生产效率，增强营销活动的趣味性和互动性；在内容创意场景，大模型可以让内容生产的周期大幅缩短，提供更多的创意玩法；在风险管控领域，风控大模型可以解决传统风控中建模时间长、效率低的难题。
只不过现阶段，大模型给这些场景带来的效率提升，还不够显著，这也是很多企业不愿为之买单的关键原因。但是，未来如果大模型带来的效率提升能超过企业的预期值，那大家的付费意愿也会提高。
这个过程需要时间去沉淀，而对于身处其中的企业，尤其是创业公司而言，能否熬过这个沉淀期就尤为重要。
近日，金沙江主管合伙人朱啸虎在接受采访时提出，大模型“六小虎”最好的结果就是卖给大厂。暂不论这个观点是否正确，但朱啸虎这样说，已充分说明大模型创业的艰辛。
对此，汤道生表示，每一次技术变革，既会给创业公司新的机会，也会让原来平台性的企业跟他们合作，擦出更多火花。“大家关注的LLM（大语言模型）创业团队名单，最终在全球能支撑多少家，尤其在今天这样巨大的投入且商业模型不清晰的情况下，我认为很难确定。”
在其看来，现在如果纯粹想通过大模型赚钱，已经不太容易。因为在大环境有压力的情况下，很容易出现“零和”，大家是此消彼长的竞争关系，压力会很大。不过，围绕大模型周边，尤其是应用场景，仍有很多机会。
汤道生强调，创业公司想要走到最后，应该算清楚成本，不能通过亏损来保持市场份额，这绝对不是一个健康的状态。
事实上，像腾讯这样体量的公司，过去几年也在调整自身发展模式。据汤道生透露，腾讯云通过业务聚焦，经营效率不断提升，目前正在逐步向盈利目标靠近。
汤道生说，腾讯很重视大模型的投入，同时也重视可持续发展。“我们是细水长流，看准了就会坚持”。另外，在展望未来发展时，汤道生分享了一句话——“悲观永远是正确的，但是乐观才能够成功，”在这句话后面，他又加了一句，“乐观且务实的人才能够抓住机会。”