王梦秋：2023 年如何看 ChatGPT、大模型与投资机会

张小珺与清流资本创始合伙人、前百度技术副总裁王梦秋讨论 ChatGPT、大模型和投资市场。画面标注节目日期为 2023 年 4 月 8 日；访谈中的判断应放回当时的技术与市场背景。

王梦秋说，团队此前开始研究能源、材料和半导体；看到 Midjourney 与 Stable Diffusion 的图像效果后，她又开始关注 AI。她看重普通用户是否能直接感知技术价值。

她将 ChatGPT 的对话产品比作一个重要的用户体验时刻：底层模型能力需要合适的界面，才能让更多人尝试、理解并反复使用。关于产品发布内部讨论，她只是转述听闻。

她用 iPhone 说明产品定义的作用：已有技术组件组合成易用体验，可能打开新的应用空间。王梦秋认为模型进步和产品载体都重要，单靠其中一项不够。

在她看来，已经展示的能力为研究和创业提供了方向，但通向更好结果的具体路线并不明确。她预计 AI 会成为长期关注的主题，同时继续学习底层技术。

她笑称每天没有 AI 新闻反而会松一口气：技术与应用消息的更新速度，给投资人带来了持续学习的压力。她说这种感受比早期互联网和手机硬件周期更强。

为什么变化看起来这么快？她提出两种可能：长期积累的技术集中被用户看到，以及既有软件迅速接入 AI 能力。她承认自己并没有完全弄清所有原因。

图像、视频和三维工具也在迭代。她尚不能判断通用多模态模型与独立生成工具最终会怎样竞争，认为需要观察各自的数据、用户和产品优势。

比较此前 AI 浪潮，她认为研究方向、算力、资金和长期投入共同影响技术发展。她不把自己描述为模型研究专家，相关技术解释是投资人的理解。

她以 DeepMind 的经历讨论基础研究的商业化：探索通用能力需要长期资源，而面向具体客户的产品则需要解决更直接的付费问题。不同研究团队面对的约束并不一样。

转到 2023 年的一级市场，她说投资人同时关注新能源、材料、消费和 AI，但看项目与立即投资并不是一回事。市场热度和可投标的数量可能出现落差。

她观察到部分基金在模型、应用和基础设施等层面寻找机会，另一些则继续观望。由于能力和竞争格局变化快，她希望先理解技术基础再做判断。

张小珺问何时会出现 AI 的“iPhone 4 时刻”。王梦秋认为时间难以预测：真正的大应用不仅要有人用，还要能够形成可持续的商业行为。

她认为生成式 AI 与搜索可以互补：用户有时寻找可核实的信息，有时需要发散建议或生成内容。她也提醒聊天模型可能给出看似自信但错误的回答。

一种可能是 AI 不以单一独立入口出现，而是被现有大型应用纳入工作流程。她认为这也可能产生很大影响，但当时并不确定是否会出现新的消费级杀手应用。

关于人与 AI 的关系，她把模型看作工具，并讨论教育应如何培养提出问题、判断结果和创造想法的能力。对职业替代程度的判断是她当时的预测。

谈企业软件，她认为技术落地慢不完全取决于软件本身；企业的数据、流程和付费意愿也会影响采用。她用“土地不平整”形容客户准备程度的差异。

她还提到与物理环境结合的机器人研究，认为实验室进展与大众用户能直接体验的产品之间仍有距离。具体应用需要同时处理硬件、算力和真实场景。

比较中美投资，她承认没有直接与美国投资人逐一交流，不能判断其每笔决策是否谨慎。她观察到中国基金积极研究，但当时实际出手相对克制。

清流资本当时没有投通用大模型。王梦秋认为训练前沿模型需要大量资金和人才，对早期基金来说很难评估哪支团队能胜出，也未必适合自己的规模。

她说排除一些投资方向比较容易，确定应该投什么却还没有答案。对于容易被通用模型覆盖的单一功能，她担心产品难以维持差异化。

垂直领域可能不同：专业知识、合规取得的数据和实际工作流程可能形成特殊要求。她以材料、医疗等作为探索例子，并没有声称拿到敏感数据就可以直接使用。

大模型创业的门槛还包括人才密度、训练算力、工程实施和较长的商业化周期。她给出的融资和成本数字是当时的行业估计，并非所有团队的通用门槛。

她形容自己的态度是谨慎积极：对技术进展感到兴奋，也愿意花时间研究，但不因为市场热闹就急于投资。不同基金可以有不同节奏。

比较搜索引擎的发展，她认为技术让用户感知价值与找到商业模式是两个不同里程碑。搜索的历史说明，两者可能相隔数年，AI 的具体节奏仍不能直接照搬。

移动操作系统的例子则让她关注底层平台和上层应用之间的关系。平台是否稳定、开发者如何进入、用户是否觉得容易使用，都影响应用生态。

对于机器人和自动驾驶，她认为可能先在有明确任务的场景中落地；硬件、传感器、数据与端侧算力都是挑战。这是她在 2023 年的判断。

谈到中国大厂，她认为已有技术积累、资金和用户场景可能提供优势，但具体团队与战略各不相同。她对部分公司的了解有限，不愿给出确定结论。

她认为基础模型研发对大型机构更有吸引力，但这不等于创业公司没有机会。竞争最终还取决于研究、执行、资源与产品选择。

讨论生成模型时，她强调生成内容不一定可靠，用户需要核对重要事实。她对随机性和搜索的技术类比是个人简化解释，不应视为两类系统的严格定义。

她观察到公众对 AI 既有兴奋也有担忧，有人期待新生产力，有人担心工作受到影响。早期采用者的情绪并不代表所有人的看法。

她再次指出，前沿大模型可能需要大量资金，而应用层的投入结构不同。已有客户和分发的公司也能接入新能力，因此新创业团队需要找到具体优势。

关于模型“涌现”，王梦秋尝试用学习和反馈作类比，并承认人们对模型与大脑的机制都还有很多不理解。她的类比是解释思路，不是对二者等同的科学结论。

她认为提示词工程可能是技术不够易用时的过渡方式，类比早期搜索需要学习查询技巧。未来是否如此仍要看技术和用户需求如何发展。

她把自己的投资态度概括为谨慎乐观：技术很重要，但截至访谈时还没有找到特别适合基金出手的项目。她说自己的理解仍会随着新证据更新。

最后她推荐从产品和人文角度阅读不同的 AI 解读，同时提醒解读文章不一定在每个技术细节上都准确。她仍在观察 AI 是否会催生独立的新应用，或主要重塑已有流程。