近日，風險投資公司 Bond 創始人兼普通合伙人瑪麗 · 米克爾發布了一份長達 340 頁的《趨勢——人工智能》報告，其中 51 頁的內容都提到 " 前所未有 " 一詞，以數據圖表呈現人工智能在開發、應用、投入及普及速度上的突破。這位曾因年度互聯網趨勢報告被譽為 " 互聯網女王 " 的投資人，是繼 2019 年后首次重啟趨勢研究，聚焦人工智能對技術史的顛覆性影響。在創立 Bond 之前，她曾于 2010 年至 2019 年負責凱鵬華盈（Kleiner Perkins）的增長業務，投資了 Facebook、Spotify、Ring 和 Block（當時是 Square）等公司。
她在報告中寫道，" 人工智能技術發展的變化速度和范圍確實是前所未有的，數據也證明了這一點。"
一是用戶增長。ChatGPT 僅用 17 個月便突破 8 億用戶，且如此高額年經常性收入（ARR）增長速度，遠超互聯網時代任何產品。
二是成本下降。她援引斯坦福大學研究顯示，模型訓練成本雖高達 10 億美元，但推理成本（即使用成本）在兩年內下降 99%（按每百萬 token 計算）。
三是競品尤其是中國廠商崛起。一方面，英偉達 2024 年 Blackwell GPU 的單位功耗較 2014 年 Kepler GPU 降低 10.5 萬倍，另一方面，中國廠商則以開源方式實現追趕，形成全球性技術競賽。
閉源模型的發展遵循著集中化、高資本投入的路徑。像 OpenAI 的 GPT-4、Anthropic 的 Claude 這類模型，都是在專有系統中利用海量專有數據集進行訓練的，整個訓練過程需要耗費數月時間以及數百萬美元的資金。這些模型往往性能更為卓越，使用起來也更加便捷，因此深受企業、消費者以及越來越多的政府機構的青睞。不過，這種優勢是以犧牲透明度為代價的，用戶無法獲取模型的權重參數、訓練數據以及微調方法等關鍵信息。
最初作為研究前沿領域的成果，如今已演變成一種封閉的產品體驗，通過 API 接口對外提供服務，并授權給企業使用，同時還受到法律和商業壁壘的嚴密保護。
而后來，隨著大型語言模型的日益成熟以及市場競爭的不斷加劇，開源模型憑借其低成本、功能持續增強以及開發人員和企業更廣泛的訪問權限等優勢，重新嶄露頭角。這些開源模型可供任何人免費使用、修改和在此基礎上進行二次開發，因而備受早期初創公司、研究人員 / 學者以及獨立開發人員的歡迎。
開源正在推動主權人工智能倡議、本地語言模型的發展以及社區主導的創新。與此同時，閉源在消費者市場以及大型企業的應用場景中占據著主導地位。
與此同時，谷歌 TPU、亞馬遜 Trainium 等云端芯片實現規?；_發，進一步推動人工智能基礎設施的快速迭代。米克爾強調：" 這些不僅是技術嘗試，而是關乎未來的戰略性押注。"
不過，盡管人工智能在技術層面全面領跑，但其財務回報尚未超遠其他技術革命。米克爾給出了兩點看法：
一是人工智能仍需要大量的基礎設施投資。風險投資加速流入人工智能領域，但企業與云服務商仍面臨高額基礎設施投入。
二是企業競爭也加速成本降低，用戶和應用企業將受益于技術快速改進。但目前尚不清楚哪些公司能成為長期盈利的下一代科技巨頭。她寫道：" 只有時間能證明，當前的人工智能領跑者能否在盈利方程式中站穩腳跟。"
人工智能資本支出前所未有
報告首先指出人工智能的快速發展。Instagram、WhatsApp 和 YouTube 用了 2-4 年時間才達到 1 億用戶。而 ChatGPT 不到三個月就做到了。截至今年 4 月，ChatGPT 每周用戶量已達 8 億，目前每年處理超過 3650 億次搜索。
AI 智能體正在將對話界面轉變為功能基礎設施。雖然該產品開發還處于早期，但其影響力已經開始顯現。
隨著人工智能的使用越來越多，基礎設施和計算的總需求也在上升，從而再次推高了成本。其結果是，增長的飛輪給云提供商、芯片制造商和企業 IT 預算帶來了壓力。
開源與閉源路線
人工智能正在分裂成兩條道路：像 GPT-4 和 Claude 這樣的閉源模型，以及像 Llama 和 Mixtral 這樣的開源模型。
在她看來，這種分裂正在塑造整個生態系統：開源模型正在推動自主人工智能的發展，而本地語言模型和閉源模型在消費者市場份額和企業采用方面占據主導地位。
閉源模型性能領先，受到企業青睞，但缺乏透明度。開源模型更容易獲得，并正在推動當地語言、基層工具和自主人工智能方面的創新。
報告還指出，閉源模型在消費者群體和大型企業里備受青睞，這主要歸因于它們在早期展現出的性能優勢、出色的易用性以及更為廣泛的知名度。
不過，開源模型正在迅速縮小與閉源模型的差距，而且其發展速度超出了許多人的預期，更為關鍵的是，實現這一目標所付出的成本僅僅是閉源模型用戶成本的一小部分。以 Llama 3 和 DeepSeek 為代表的開源模型，已經在推理、編碼以及多語言處理能力方面展現出了強大的競爭力。同時，這些模型支持用戶完整下載，能夠進行精細調整，并且可以部署在普通的硬件基礎設施之上。
成本下降，競爭加劇
根據斯坦福大學的數據，雖然模型訓練成本上漲（高達 10 億美元），但推理成本在兩年內下降了 99%。與 2014 年推出的前代產品相比，英偉達 2024 年推出的 Blackwell GPU 的每個令牌能耗降低了 10.5 萬倍。谷歌的 TPU 芯片和亞馬遜的 Trainium 也在迅速擴張。" 這些不是邊緣項目，而是基礎性的賭注，" 米克爾指出。
基礎大模型的激增創造了一種新的靈活性，開發人員現在可以在數十種模型之間進行選擇。它們各自在不同領域表現出色。一些針對推理進行了優化，其他用于速度或代碼生成，其結果是擺脫了供應商鎖定。
人工智能正在塑造現實世界
報告指出，人工智能的應用范疇正不斷拓展，早已超越了傳統應用程序的邊界。如今，它已深度融入多個領域，不僅能夠駕駛汽車、操控工廠里的機器人，還在醫療保健領域發揮著重要的輔助作用。
工作崗位并未因人工智能的出現而消失，相反，它們正處于持續演變的過程中。人工智能正逐漸成為程序員、作家以及分析師等職業的得力 " 副駕駛 "，與人類協同工作，提升工作效率與質量。
米克爾透露，自 2018 年起，與人工智能相關的職位空缺數量呈現出爆發式增長，漲幅高達 448%，這充分彰顯了人工智能領域對人才的強勁需求。
然而，隨著基礎模型和生成式人工智能的興起，行業格局發生了變化。其他從業者開始采用橫向整合的方式，將人工智能原生生產力、搜索、通信以及知識管理等功能集成到一個統一的界面之中。他們不再通過銷售孤立的軟件許可證來盈利，而是針對嵌入整個技術堆棧的智能功能收取費用，實現了從單純銷售工具向注重提供實際成果的價值轉變。
舉例來說，微軟正在整個技術堆棧中集成 Copilot，以提升其產品的智能化水平；Zoom 和 Canva 則將生成式 AI 融入面向用戶的工作流程；而 copula 公司正把生成式 AI 能力注入其數據和開發人員堆棧，助力開發者更高效地開展工作。
當下，全球范圍內針對芯片、數據中心等關鍵技術的爭奪戰已全面打響。米克爾將這場競爭比作冷戰時期的太空競賽，其激烈程度可見一斑。
不過，在技術競爭的背后，也存在一些亟待解決的嚴重問題。人工智能可能存在偏見，會傳播錯誤信息，甚至其行為也難以預測，這些都可能帶來潛在風險。米克爾認為，我們需要制定明確的規則，依靠誠實的領導者引領行業發展，并構建更智能的系統，以此應對人工智能快速發展所帶來的挑戰。
米克爾的報告揭示了人工智能的雙重性：它既是技術史上的里程碑，也是商業世界的未知變量。對于其他人而言，或許正如她所言：" 系好安全帶，迎接這場前所未有的變革。"（本文首發于鈦媒體 APP，作者 | 楊麗，編輯 | 蓋虹達）
