今天小編分享的科技經驗：AI圈的内卷：怎麼看？怎麼辦？，歡迎閲讀。
陳永偉 / 文 從 Kimi Chat 説起
如果要問最近一段時間裏國内 AI（ArtificialIntelligence，人工智能）界最出圈的產品是什麼，那麼 KimiChat（Kimi 智能聊天機器人程式）或許是最為合适的答案。在過去幾個月中，這款大語言模型憑借着其卓越的長文本處理能力，一下子在強敵林立的大模型圈裏脱穎而出。在今年年初，KimiChat 的用户還不足百萬，而到了三月，其用户量已經達到了三百多萬。随着用户量的迅速增長，這款 AI 應用很快就成為了各大媒體争相報道的焦點，而開發這款應用的 AI 獨角獸公司月之暗面，以及該公司的天才創始人楊植麟更是成為了網絡的熱搜詞匯。甚至還有一些券商不甘寂寞，趕忙搞出了一連串 "Kimi 概念股 " 來供投資者參考。
随着 KimiChat 的爆火，" 長文本 " 這條原本相對冷門的賽道很快就變得擁擠了起來。目前，KimiChat 可以支持的文本處理長度為 20 萬字，内測支持的文本長度為 200 萬字。為了能夠技壓 Kimi 一頭，各大 AI 企業新發布的模型在處理文本長度上的能力可以説是一個比一個恐怖。比如，360 很快就宣布已在内測 500 萬字長文本的處理功能，百度的文心一言則宣布将免費開放能夠處理 200 萬— 500 萬字長文本的能力，而阿裏的通義千文則更是開放了 1000 萬字的長文本處理能力……這種一家更比一家長的做法，真是 " 卷 " 出了新高度。
KimiChat 在将文本處理的限制提升到了 200 萬字之後，完全超出了實際的使用需要。畢竟，200 萬字已經差不多等于一整套《莎士比亞全集》的長度，一般用户幾乎沒有什麼需要去一次性整理或提煉如此龐大的文本。各大 AI 企業不斷 " 卷 " 文本處理長度，究竟有什麼實際的價值？
在閲讀了一些相關的資料後，我終于恍然大悟：從根本上講，AI 企業們瘋狂地 " 卷 " 文本處理長度，或許并不是因為它有什麼實際的用處，而只是因為從技術上實現它其實并不那麼困難。現在，處理長文本的技術路徑其實無外乎外部召回、模型優化、注意力計算優化等幾條，而每一種技術路徑都已經有了大量的公開文獻甚至開源程式。因此對于那些實力較為雄厚的 AI 企業來説，要加入這個功能其實很容易，只不過最初基于種種原因，沒有及時提供這一功能而已。然而，當 KimiChat 借助長文本意外爆火之後，這個冷門功能就成了用户用來比較大模型性能的重要參考指标之一。這樣，為了讓自己的產品不至于在用户心中排序掉隊，AI 企業們就不得不将更多的資源投入到這個功能上。
有意思的是，有媒體曾對某 AI 企業進行采訪，問為什麼該企業要将大量資源投入到長文本的競争，而不是将它們投入到更為高端的功能，比如像 Sora（由 OpenAI 開發的 AI 視頻制作工具）那樣的文本生成視頻（以下簡稱文生）上。企業方面的回答是：那個門檻太高，卷不動。這個回答，實在是耐人回味。
内卷是一個多輸的結局
各大 AI 企業競相湧入長文本賽道，只是如今 AI 圈内卷的一個表現而已。事實上，從 2022 年末 ChatGPT（GPT 智能聊天機器人程式）的發布引發了 AI 大模型熱潮以來，整個 AI 圈就經歷了很多輪的内卷。一開始是卷模型，然後是卷參數，再後來是卷多模态……在每一輪内卷中，企業們都争得頭破血流，但從事後看，似乎所有的内卷都沒有什麼意義，甚至還有些荒唐。
對于 AI 行業的發展而言，無謂内卷的負面影響是巨大的：
其一，它會帶來一種對所有人的浪費。從性質上講，無謂的内卷其實是 " 囚徒困境 " 的一種體現。博弈論的知識告訴我們，它可能将所有人都帶入更為糟糕的境地。
其二，它可能會給真正的創新者帶來巨大的傷害。雖然内卷會對所有 AI 企業都造成浪費，但由此造成的損害并不是對稱的。現實中，創新需要巨大的投入。如果創新者被動卷入了這種無謂的消耗，那麼它們本不充足的資源就會更加捉襟見肘。
其三，即使對于勝出者而言，這種由内卷得來的勝利也是脆弱和無利可圖的。著名的互聯網出版人、Web2.0 概念的提出者蒂姆 · 奧萊利（TimO'Reilly）在最近為科技媒體《信息》（TheInformation）撰寫的一篇評論中指出，現在的 AI 圈似乎正在出現 " 優步問題 "（UberProblem）。他指出，幾年前網約車（網絡預約出租汽車）剛剛在市場上出現時，各大網約車平台曾進行過一次瘋狂的低價大戰。最終，歐美市場上的優步（Uber）、中國市場上的滴滴（滴滴打車）分别依靠巨額的補貼，成為了市場的 " 壟斷者 "。然而，和過去的壟斷者不同，優步和滴滴并沒有任何的定價權。只要一嘗試提價，用户就會倒向其他的小網約車平台以及巡遊出租車，它們的市場份額就立即出現大量流失。這導致了它們雖然控制了巨大的市場份額，但盈利狀況卻一直非常糟糕。在奧萊利看來，如今的 AI 圈似乎也正在步網約車的後塵，如果這種情況繼續，那麼即使某個 AI 企業最終從内卷中勝出，它的市場地位也将非常脆弱。
其四，從長期看，這種内卷也會對消費者的福利構成損害。AI 企業的内卷需要大量投入資源，從長時段看，為了對這種巨量的投入進行補償，企業要麼能在未來對消費者收取更高的費用，要麼就需要設法壓縮各種費用，以降本增效。但這些努力都可能最終損害到消費者。關于這一點，我們依然可以從網約車行業的發展史來找到對應。當補貼大戰的勝利者們發現很難通過提價來讓自己盈利後，就轉而設法去增加向司機要求的抽成。這樣一來，司機的勞動積極性就受到了打擊，其服務質量也就随之下降了。現在，一些網約車司機的服務質量甚至還不如傳統的巡遊出租車，相當一部分的原因就在此。雖然 AI 和網約車在行業性質上存在着一定的不同，但我們依然可以就此推論，如果無效内卷持續進行，那麼未來消費者們可以享受到的服務質量将會大打折扣。
綜合以上分析，我們可以得到結論：AI 行業的瘋狂内卷，最終将會導致一個 " 多輸 " 的結局，無論是企業還是消費者都不會從中受益。
内卷為何產生？
這樣一種大概率會導致 " 多輸 " 的行為，又為何會被行業中的眾多 AI 企業共同選擇呢？它其實簡單延續了數字時代企業的普遍發展邏輯，而這種發展邏輯的形成，則是行業特征的演變、戰略思維的變化，以及產業和投資關系的變動等因素共同作用的結果。
相比于傳統的工業時代，數字經濟時代的新興行業有很多新型的特征。其中，最為關鍵的兩個特征就是規模經濟和網絡效應。
首先要看規模經濟。在關于數字經濟的各種著作中，" 零邊際成本 " 是人們津津樂道的一個詞匯。然而，很多著作在讨論 " 零邊際成本 " 時，都忽略了實現它的前提是巨量的固定資本投入。比如，雖然網約車平台多接入一個用户的邊際成本接近為零，但前期搭建平台所需要的資金卻是巨量的。這種前期的高固定成本投入和後期近零邊際成本的結合，就決定了數字行業的規模經濟特征——當一個企業的規模變得更大時，其前期的固定成本将會得到更大的分攤，因而它們在平均成本上的優勢就會變得更大。
再看網絡效應。所謂網絡效應，指的是使用某種商品的總人數對使用該商品的用户效用的影響。現實中，很多數字產品都具有顯著的正網絡效應。它們的用户群體越龐大，用户對它們就越喜歡，該產品也就可以進一步吸引更多的新用户。
無論是規模經濟還是網絡效應其實都提供了一個隐喻：在數字經濟時代，要想在市場上獲得成功，規模将是關鍵。在這種隐喻之下，規模就超越了質量、差異化等一系列指标，成為了企業追求的最重要目标。
伴随着這個變化，甚至出現了很多著名的企業戰略理論。比如，硅谷的投資人裏德 · 霍夫曼（ReidHoffman）就曾經提出過一套著名的 " 閃電式擴張 "（Blitzscaling）的理論。該理論的核心觀點是：現代的商業環境充滿了不确定性，而要戰勝不确定性，企業就需要優先考慮擴張的速度而非效率，然後通過快速行動來構建自己的競争優勢。基于這個核心觀點，霍夫曼提出了很多非常颠覆傳統的論斷。比如，為了保證擴張的速度，企業可以容忍不完美的產品、不在乎用户的感受，以及容忍混亂的管理。在現實中，" 閃電式擴張 " 理論的影響非常巨大。無論是當年網約車大戰的參與者，還是現在仍在 AI 賽道上積極内卷的企業家，很多都是這套理論的忠實擁趸。
" 閃電式擴張 " 的一個後果是，它讓企業對于資金的需求變得空前強烈。要迅速實現規模的擴張，企業就必須大量 " 燒錢 "。現實中，很少有企業可以支持如此巨大的投入。那些初創企業的情況更是如此。
在這種情況下，企業對于外部投資人的依賴将會變得更為強烈。為了獲取投資者的認可，企業家們就必須更多地在進行經營決策時聽取他們的意見，由此，企業的經營将會從 " 面向用户 " 異化為了 " 面向投資 "。通常來説，比起處在一線的企業家，投資人們無論是在對市場的感悟，還是對信息的掌握上，都會遜色不少。與具有創業激情的企業家相比，投資人們會更為關心一些看得見的指标，比如具體的市場份額，以及市場上流行的某些產品功能等。這樣的後果是，技術和市場的發展方向很大程度上将會從企業家主導轉向資本主導。
上述的故事正在 AI 行業重演。眾所周知，AI 模型的開發是一個對資金要求很高的行業。要訓練一個大模型，需要的 GPU 就達到了數千個。僅這一項，所需的資金就可能達到數億元。這使得除了少數的在位巨頭之外，大部分的 AI 企業必須尋求外部投資者的支持。而從投資人的角度看，為了保證其投資的回報，他們會對企業的能力進行甄别。作為非專業人士，他們的甄别指标經常是一些外界比較容易觀測的項目，比如該企業開發的模型在參數量上是否領先，是否具有某些市場上熱捧的功能（如多模态能力、長文本處理能力），以及模型的市場份額是否比對手更高等。為了迎合投資人的這些要求，多數 AI 企業即使不願意，也會不得不被動地加入無意義的内卷。
内卷為何沒有前途？
從 AI 企業經營者的角度看，如果他們想走出内卷，就必須先對自己的商業模式進行反思。如前所述，現在很多的 AI 圈内人都笃信霍夫曼的 " 閃電擴張 " 理論，認為只要能夠借助資本之勢搶占市場先機，即便自己的產品并沒有那麼出色，也可以迅速讓自己在市場上站住腳跟。至于產品的特色，以及相關的盈利模式等問題，則可以留待以後再談。不過，這種思路存在着很大的問題。（1）競争無壁壘，擴張難守成
霍夫曼在闡述 " 閃電擴張 " 的理念時，也強調了在迅速擴張之後建立壁壘的重要性。這一點似乎一直被人們所忽略。在一些人看來，AI 領網域已經天然存在着兩個壁壘——規模經濟和網絡效應。既然這兩個特征天然有利于規模更大的企業，那麼只要一心把市場規模做起來，它們就可以幫助自己阻擋市場的侵蝕。遺憾的是，這樣的觀點認識可能并不正确。
先看規模經濟問題。正如我們已經指出的，規模經濟現象是前期的高固定成本投入和後期的零邊際成本（或低邊際成本）共同作用的結果。那麼，AI 產業是否具有這樣的特征呢？應該説，在模型的訓練和開發階段，高固定成本投入的要求是存在的。不過，在模型的推廣階段，卻很難看到零邊際成本的情況。在當前的實踐中，除了像 ChatGPT 這樣的明星模型可以在完全沒有任何宣傳的情況下實現用户量的高速上升外，多數 AI 模型都必須借助大量的推廣才能吸引用户。據報道，即使如 Ki－miChat 這樣在國内堪稱現象級的產品，其平均獲客成本也達到了 10 元。更為重要的是，為提供相應的服務，維護用户的不流失，AI 企業還需要付出大量的額外成本。并且當用户的規模達到一定程度之後，擁擠效應還會導致邊際成本呈現上升的趨勢。根據這些情況，我們不難發現雖然 AI 行業确實可能在一定的範圍内存在規模經濟，但它絕不是無限的。
再看網絡效應。不少 AI 企業的經營者認為，AI 作為一種數字產品，理所應當具有網絡效應。但其實，這很可能是一種誤解。
從性質上講，網絡效應分為兩種：一種是直接網絡效應，另一種則是間接網絡效應。所謂直接網絡效應，即產品的用户數量對用户評價的直接影響。所謂間接網絡效應，指的則是產品的用户數量對用户評價產生的間接影響。在平台條件下，有一種特别的間接網絡效應，被稱為組間網絡效應。這種網絡效應指的是，處于平台兩邊的用户對平台的評價都會因另一側平台用户數量的增加而得到提升。對于平台而言，組間網絡效應是十分關鍵的，因為它會產生一種類似 " 雞生蛋、蛋生雞 " 的回振效應。這種回振效應的存在，讓相關的補貼策略往往可以產生可觀的乘數效應。所以，在當年的網約車大戰中，各大平台之所以會不遺餘力地對用户進行補貼。
在對于網絡效應有了以上了解之後，我們可以來看一下 AI 大模型是否具有上述的網絡效應。
先説直接網絡效應，即使它存在，效應也不會很大。至少在現階段，AI 大模型更多還是被人們當成工具來進行使用。而一款模型用户的多少，顯然不會對產品的性能產生什麼影響，因而也不會影響用户的評價。盡管在實踐當中，那些用户更多的 AI 模型多少帶來些口碑效應，但也不會太多。恰恰相反，對于 AI 這樣的產品，人們反而有一種嘗鮮的偏好，當有性能接近的新模型出現時，人們會更傾向于嘗試它們，這就會導致舊模型用户的流失。以 ChatGPT 為例，它在所有 AI 大模型中，起步是最早的。到目前為止，也很少有新模型的性能能夠全面超越它。但在過去的半年多中，ChatGPT 活躍用户卻一直在迅速流失。
再看間接網絡效應。從理論上講，這是存在的。因為 AI 企業通常會将用户和模型之間的互動數據用來進行模型的進一步訓練。從這個意義上講，模型用户的增長确實有助于模型性能的改善，并且讓用户對模型的評價得到提升。不過，考慮到模型的訓練需要的數據量是巨大的。從量的角度看，由此產生的網絡效應可能是非常小的。
綜上，既然 AI 模型的規模經濟和網絡效應都不足以成為天然的壁壘，那麼依靠 " 燒錢 " 得到的市場份額就很難輕易守住。即使某個企業确實成功占據了市場，它也可能像當年的優步和滴滴那樣，只是一個毫無市場力量的 " 壟斷者 "。
（2）模型難盈利，投資難回本
除了缺乏天然的壁壘之外，AI 企業面臨的更大問題其實是盈利模式的缺乏。從實踐看，現有 AI 模型的常見盈利模式主要包括幾類：一是直接向 C 端用户出售會員服務；二是向開發者銷售 API 接口；三是将 AI 作為雲服務向 B 端用户提供。不過正如我們指出的，在行業高度内卷的環境下，前兩種服務的價格已經被壓到很低。相比之下，第三種盈利模式是可以實現獲得相對較高的利潤的，但它需要企業同時有雲服務項目作為支持。然而，在現實中，多數 AI 企業并不具有這樣的業務。這就導致了目前市場上大批的 AI 企業都看似搞得紅火，但卻很難真正地賺到錢。無論是對于 AI 企業本身，還是整個 AI 賽道的發展來説，這種僅依靠外部資金輸血的經營模式都是相當不利的。
如何走出内卷？
針對以上問題，AI 企業在重新構建商業模式的時候，就需要将構建壁壘和尋找盈利模式作為最為重要的兩個任務。
（1）壁壘的構建
早在 20 世紀 30 年代，以喬 · 貝恩（JoeBain）為代表的經濟學家們就對市場壁壘問題進行過深入的探讨。後來，包括貝恩的再傳弟子邁克爾 · 波特（MicharlPorter）在内的一大批學者又進一步對這一問題進行了拓展。貝恩和波特的研究都強調了差異化是一類十分重要的市場壁壘。雖然這個觀點看似很常識化，但在產品日益同質化的 AI 行業卻非常有啓發性。具體到操作層面，AI 企業可以從兩個維度來進行差異化：
一方面，它們可以選擇一些獨有的，且門檻較高的技術來開發相關的功能，以此确保自己至少可以在一段時期内領先市場上的對手。這樣，即使相關的競争對手也開發同樣的功能，它們也可以保證自己有充足的時間來對功能進行更新，從而讓自己相對于對手的優勢可以被持續保持。在實踐中，OpenAI 的 Sora 其實就采用了這一策略。由于 OpenAI 在文生視頻方面的優勢十分明顯，所以其他的競争對手自然就知難而退，不敢輕易燒錢與之競争。
另一方面，它們可以考慮針對某一個具體行業，開發為其專用的 AI 模型。專用模型市場要比通用模型市場更為易守難攻，需要積累大量的專用知識和投入額外資金，也很難被對手模仿和搶奪市場。雖然在理論上，專用模型市場潛力不如通用模型市場，但考慮到通用模型市場現在的内卷程度，它倒不失為 AI 企業的一個可行選擇。
（2）盈利模式的選擇
再看盈利模式的選擇。在我看來，對于這個問題，有兩條思路可以考慮。
一方面，如果 AI 企業決定采用差異化策略，選擇某個利基市場作為突破點，那麼它就可以選擇非常直接的盈利模式，通過收取服務費用來獲得收益。如前所述，在利基市場上，企業可以很容易建立自己的壁壘，從而獲得較大的定價權。在這種情況下，即使這種簡單的盈利模式也可以确保企業獲得足夠的收入。
另一方面，如果 AI 企業并未采用差異化策略，那麼直接提供 AI 模型就很難獲取收入。在此情況下，它需要考慮利用 AI 模型作為吸引用户的手段，然後從其他互補的渠道來獲得收入。在操作層面，實現這一點的方法有很多。
比如，可以将 AI 模型與某個與其互補的產品進行捆綁或同時銷售。比如，現在的 AI 工具雖然已經普及，但實際中人們關于如何使用這些工具的了解并不多。考慮到這一點，AI 企業可以仿效 IBM（InternationalBusinessMa－chinesCorporation，國際商業機器公司）等硬體企業所采用的銷售產品捆綁服務的做法，在銷售 AI 模型的同時捆綁教授用户如何使用模型的課程，以及其他的相關服務。
另外，構建平台也是一種思路。如前所述，現在的 OpenAI 正試圖将 GPTStore（基于 OpenAI 的 GPT 技術的在線市場平台）打造成一個新的平台。雖然從目前看，它沒有取得預期效果，但總體思路上依然是正确的。可以設想，如果 OpenAI 有朝一日将這個平台理順，那麼它就可以像蘋果收取 " 蘋果税 " 一樣，通過向發生在 GPTStore 上的交易收取傭金來獲取穩定收入。
當然，除了打造應用商店平台之外，打造社交平台也是一個不錯的主意。現在的 AI 模型大多只重視人和 AI 互動，而沒有考慮使用 AI 工具的人與人之間的互動。但其實，這一點可以有很大的想象空間。AI 企業完全可以搭建一個平台來讓用户分享自己用 AI 生成的作品，并以此為切入點将其向社交網絡的方向引導。一旦這個網絡可以形成一定的規模，其盈利潛力也将可觀。
總而言之，如果 AI 圈内的企業可以放棄對市場規模的執念，根據自身的特點有針對性地選擇自己的利基市場，設計自己的盈利模式，那麼走出瘋狂的内卷或許也并不是那麼難。
