孵化AI独角兽，需要更加包容的环境和试错机会，让企业充分探索商业可能性，构建数据和算法流程的闭环。
在大模型热潮席卷全国之际，国内AI行业出现了智普AI、百川、零一万事、月之暗面等大模型公司“五小龙”的崛起，发展势头迅猛。AI大模型行业现状与瓶颈究竟是什么？中国AI大模型场景落地，无论是在B端（企业端）还是C端（消费端），真正的痛点是什么？AI独角兽企业具备哪些特质，才能脱颖而出？近日，金融智能创新大赛执委会主席李晖、国方创新产业合伙人张志、上海财经大学信息管理与工程学院院长黄海良等与澎湃新闻分享了各自的看法，把脉大模型行业走势。
大型独角兽诞生是必然趋势，搭建创新创业桥梁
“AFAC希望在创新创业中发挥好连接器和桥梁的作用。”金融智能创新大赛执委会主席李晖表示，一个好的项目或者技术研发成果的商业应用转化是一个涉及多维度、难度很大的复杂工程，为了支持一个优秀项目的孵化，大赛需要继续发挥好连接器和桥梁的作用。
“五小龙”的出现，也表明大模型技术已从学术研究转向商业应用，开始加速探索各行业落地场景。李晖表示，大模型、AI行业独角兽的出现是必然，也是大势所趋。这些公司的发展，往往会催生新业态、新模式，带动行业、技术、人才的快速成长和突破。“可以预见，大模型在各行业落地后，将带来更多变化和红利，各行业对AI的需求也将加速，形成正反馈。”
在李晖看来，具有成长性的创新型公司通常有着长期且具有挑战性的目标、明确的市场定位，善于探索创新的商业模式。这类公司有能力打造好产品，能抓住甚至创造客户想要的东西，拥有一定的核心技术优势，行业专家和顶尖人才的密度是成功的关键。同时，他们有扎扎实实的执行能力、快速迭代和验证的能力。
“我们会重点关注AI企业是否具备端到端的模型训练能力，能否组织大规模计算资源，更重要的是是否有清晰、闭环的商业化路径。”国方创新产业合伙人、大赛企业组评委张志表示，孵化AI独角兽需要更宽容的环境和试错机会，让企业充分探索商业化可能性，构建数据流、算法流的闭环。
今年，北京大学、复旦大学、香港大学、蚂蚁集团等20余所知名高校和企业联合推出金融智能创新大赛，在近5000支参赛队伍中寻找中国金融科技的后起之秀。“大赛点燃了初创团队和中小企业的创新创业热情，他们的方案给评委留下了深刻印象，尤其是首次设立的初创组和企业组，评委们看到了很多惊喜和突破。”李晖说。
上海财经大学信息管理与工程学院院长、大赛首届评委黄海良表示，研究报告观点提取、金融风险事件推理等大赛提案与实际金融需求高度契合，贴近行业实用水平。
为推动新业态、新模式落地，带动产业、技术、人才快速成长和突破，大赛为获奖项目提供产业和投融资对接服务，让获奖企业有机会与产业链上下游企业、投资机构、政府部门等建立联系，推动项目产业化、商业化落地。来自学界、产界、投界的专家也为参赛项目提供建议。
大赛是创新创业的连接者和桥梁，一个好的项目或技术研发成果的商业应用转化是一个复杂的工程，有市场洞察、资金需求、成熟度评估、周期等诸多难点。张志表示，大金融模型落地需要较长的周期，而金融科技公司从小场景入手，围绕自身产品加入AI能力，提升服务效率和效果，这是一条切实可行的路径。
李晖表示，要扶持一个优秀的项目，一方面要打通科研成果产业化的通道，让最新的产业命题与前沿的技术发展碰撞，从命题的设置开始就形成常青的生态；另一方面要将科技创新与市场资源对接，从专家评委到资金、孵化器、政策等支持，让创业项目不断成长，完成大赛平台对科技创新企业落地的支持。
C端AI应用成熟度大于B端，不少产品通过PMF跑通
国内大模型的发展经历了从排名到降成本的阶段。张志表示，今年上半年，模型的性价比尤为受到关注。大模型如何赋能真实商业场景、产生真实应用价值，是当前行业最关注的问题之一。
但目前大模型仍然没有现象级的应用，一方面模型表现还有提升空间，需要“打补丁”才能实现商业化落地；另一方面ToB的商业模式和决策流程并没有发生改变。张志表示，AI只能解决企业具体业务流程中很小的一个环节，如果AI不能给B端整体业务流程带来改变，就不可能让客户为AI买单。
大模式改变B端的周期还很长，但新的机会在于，“现在出现了一种新的B端服务模式，从过去卖软件、卖解决方案给B端，到直接把结果交付给B端。不管是人力资源场景、法务场景、财税场景，大模式公司把功能外包给客户，这是客户愿意买单的。”张志说。
相较于B端，大模型落地C端的周期会更短。张志介绍，一些产品正在逐步磨合PMF（产品市场契合度），通过解决C端的一些痛点，就可以不断应用。“C端的AI应用成熟度大于B端，个人效率助手、情感陪伴、多模态表达、口语训练等都已经产生了可见的价值。”
虽然当前大模型技术和产品存在同质化现象，但黄海良认为，从科技发展来看，同质化是一个必然阶段，无论是大模型原生技术，还是垂直应用技术，都还处于技术浪潮的早期阶段，行业对大模型的认识在不断趋同，这在一定程度上制约了大模型应用发展的分化，但一些企业也越来越多地探索差异化路径。
张志认为，“产品设计和定位能力很重要，产品定义和模型训练要融为一体。产品和客户互动的方式决定了产品设计、模型训练，以及用什么数据来训练。”用不同的数据集训练出来的模型，偏好和能力是不一样的，这很考验公司原有的资源禀赋。
随着大模型的发展，数据量从TB级跃升至PB级，数据需求从单一的文本爆发式增长到图片、视频、语音等多模态数据，数据需求日益复杂。
“爆红之后，业界更加关注算力、算法、数据这AI发展的三大支柱，避免‘木桶效应’成为大模型研发的首要考虑。”李晖表示，在算法方面，对基础架构及其衍生模型的优化创新是当前的主流，但对底层根本性创新的追求还比较欠缺。
大模型的底层原理和基础是当前学术界研究的前沿。黄海良表示，虽然架构和注意力机制已经被证明是有效的，但在处理长文本时，会出现效率低下、过度依赖算力等问题。学术界普遍在研究是否有更高效的架构来取代目前的架构。
学术界与产业界的深度碰撞，对大模型的学术研究与应用至关重要。“一个成功的金融大模型杀手级应用，可能不是科技公司单独做出的，而是需要跨行业的融合。”黄海良说，就像这次比赛一样，选手们与科技界、学术界深度碰撞，提振了金融大模型赛道上先行者的信心，促进了产学研合作。
