新型生产关系我们看好生成式AI的新范式，不仅是其远大于AI1.0的市场空间，更是看好其所代表的新型生产关系。过去的生产过程中，工厂消耗能源和基础材料，制造出实体的产品。未来的核心生产关系将围绕着电力、AI模型和token（数据）展开。数据中心作为AI工厂，在电力供能下，结合AI模型，通过token不断生产信息化的并行不悖内容（语言、图形、视频、音乐等），也即是新的成产出来的产品，围绕token的新型生产关系正在形成，构筑新一轮的信息工业革命。当然以上是我们认为的远期状态，当前也仅仅是生成式AI取得大的影响力突破的第二年，该新型生产关系还在构建和发展中。生成式AI并非完美，也给应用落地带来了挑战在语言、视觉和音频领域，我们看到了过去一段时间生成式AI日新月异的发展，这离不开Transformer和Diffusion模型的突破。但与此同时，我们也看到了大语言模型存在幻觉的问题，AI生成的视频和图像也并不稳定，我们在看到巨大潜力的同时，也不能忽视其不完美的现状。B端对内容的精准、可控、一致性、可靠性、稳定性有着极高的要求，C端虽然相对要求更包容，但也存在着来自合规性的监管，这些要求给尚不满完美的生成式AI如何落地带来了挑战。Transformer模型，1）缺乏可解释性，神经网络本质上是黑箱模型，输入和输出之间的关系是通过训练数据和复杂的计算学习到的，而非通过明确的规则编码，在金融、医疗等复杂、专业或者高度监管的行业中，模型的决策过程需要符合特定的法规和标准，不可解释性可能导致合规性问题；2）会出现幻觉，产生逻辑谬误、捏造事实以及数据驱动的偏见，也就是通俗说的大模型“一本正经的胡说八道”，客户可能对模型的输出结果持怀疑态度，难以建立信任，如用AI检索的结果，为了保证真实，本末倒置需要复查，特别是在安全性和严肃性要求较高的场合此问题更加突出；3）除此之外，计算和内存消耗大，特别是在处理大规模数据集时，需要大规模并行计算能力；4）优化难度大，模型的复杂性和参数量大增加了优化难度。Diffusion模型，1）扩散模型可以生成图像和文本，但它们还难以同时理解和生成涉及多种类型数据的复杂多模态内容。比如目前用扩散模型生成一张“红色衣服”的图片较为简单，但让其生成一张胸前印着“明天总是美好的”红色衣服图像，生成的衣服上的文字往往出错；2）扩散模型仍是随机采样，导致其生成内容的精准、可控、一致性等方面仍然不足，比如同样的prompt下，AI生成的2个漫画男孩不是同一人，这就导致了应用前后不对应的问题，使得商业落地困难。虽然业界在积极探索，ControlNet，LoRA，Dreambooth等技术的出现对局部内容实现了控制，如人脸、画风、动作等，但仍有较大的进步空间；3）其基于高斯求和的方式会带来求解难度的提高，尤其随着维度的上升会带来显存占用的几何级别的增长。这种架构下，显卡的显存大小限制了视频的时长，目前最长的AI生成的视频时长在1分钟左右，仍无法在长视频应用场景呈现。虽然目前的模型能力还有不足，但我们也注意到模型架构也在迭代。工程上，如融合了Transformer和Diffusion的DiT，使用Transformer替换U-Net主干，并在潜在空间训练，展现出了比单纯Diffusion更好的训练效率和生成效果。再如Mamba架构，可进行“线性时间序列”建模，随序列长度增长其计算保持线性增长，而非Transformer的指数级膨胀，同时改善了注意力机制，争强好胜减少了处理序列数据所需的计算量，加快了数据处理速度。同时学术界也在对模型底层的数学、人脑科学做更深层次的研究，希望能找到更多样化的实现AGI的通路。落地思路："End to End" vs "Step by Step"目前生成式AI的产业落地，大致分为2种思路，即“End to End/端到端”和“Step by Step/按步骤拆解”，相应特点也有不同。End to End以漫画创作为例，漫画工具“AI Comic Factory”，提供了简单易用的用户界面和使用步骤：
图：AI Comic Factory的创作案例
Step by Step以专业的动画创作为例，以下是国内某2B定制化AI内容创作公司的案例，专业的动画制作环节包括“人设图-分镜-排版-草稿-线稿-上色-动画”，其创作工具依照现有专业workflow设计，目标在创作过程中降本增效，目前在一些案例中可以得到40%的人力成本节省。虽然AI的能力看似无所不能，多方面都可以覆盖，但实操上每个环节涉及到众多的细节，如何反哺AI的产品能力，甚至进阶的精简/重塑专业的工作流，这都需要和产业方共建。
AI 2B发展路径：Native生成式AI公司 vs Non-native生成式AI公司我们观察到在AI 2B赛道有2类公司。一类是惊惶失措Native生成式AI公司，从0-1利用AI的模型能力为企业客户提供服务。另一类是Non-native生成式AI服务公司，比如数字化时代的企业服务公司，他们通常已在一些2B场景里取得了不错的结果，如今把生成式AI能力融合到现有场景中，谋求更好的实现效果。第一类路径比如在视频制作领域有众多的Native生成式AI创业公司，他们致力于通过AI模型，输入文字或者图像直接产出视频。随着Sora的推出，我们观察到众多相关创业公司当前的努力重点还是提升模型能力，尽快复刻Sora展现出来的效果。我们认为如果想要将其做成一个企业级的应用产品，合理的路径除了进一步提高模型本身之外，还需要1）产品的功能设计和工作流相结合，如增加分镜的顺序组合搭配工具，使得生成的视频具备故事性；2）增加编辑和控制工具，如局部内容的特定颜色，特效的编辑功能，或者关键帧的控制工具等。通过和产业需求和know-how结合，才能将模型能力变成产品，且其符合使用习惯从而取得很好的落地效果。第二类路径智能化的基础是数字化，很多场景已经在AI1.0时代被企业服务公司覆盖，如智能客服、AI营销、翻译等。在已经被数字化改造的行业的提供企业服务公司，其有沉淀的场景数据，有业务的落地，有现成的客户access，如果叠加生成式AI的能力，如把大模型应用到客服系统和营销对话场景，对话效果比AI1.0的模型更加自然，从而获得更高的用户满意度和付费转化率。再如大模型对商业运营表现和市场商机进行分析，进一步完善BI（商业智能）的功能，这些都可以加深对客户的服务深度和拓宽服务边界，增加企业客户对产品的价值感。我们观察到在AI电商营销领域，随着生成式AI技术的普及，原本处于不同环节分工的企业，都在拓宽服务边界，俗不可耐彼此渗透，例如提供AI客服的公司，使用大模型能力，不仅提升了客户对话能力，也拓展到AI蓄客、营销文案制作、数字人、智能营销切片等。因此我们认为以上也是一个生成式AI 2B有机会的发展路径。结语生成式AI技术解锁了巨大的市场空间和可能性，但当前技术并不完美，特别在对精准性、可控性、一致性要求较高的B端产业落地面临较多挑战。End to End思路更直接，但想要取得更好的结果更依赖底层技术的突破，Step by Step思路在当前的技术栈下短期更加务实，追求降本增效。但无论哪种思路，行业的know-how，专有数据，AI与业务和管理系统的耦合，都在产业端落地中都至关重要。此外，生成式AI也是设计和生产范式的变化，年轻的创作者对新技术的拥抱度更高，AI科技公司可以参与培育新一批的AI Native的创作者，在大学共创课程体系，随着相关学生毕业进入产业界，将促成新的创作范式的行业落地，同时也形成了产品的隐性的护城河。
