赵晓光最新发声:算力推动的AI已经到了瓶颈,应用是下半场AI最重要的部分

  来源 聪明投资者

  人工智能初创公司OpenAI于美国时间11月17日突发声明,宣布公司首席执行官山姆·奥特曼将离开公司。

  天风证券副总裁、研究所所长赵晓光在11月18日的复旦首席经济学家论坛中谈及此事,表示这一轮OpenAI内部管理层的变化,或是因为它们遇到了瓶颈而停滞不前。

  停滞不前的本质原因很大程度在于没有数据。

  “AI的上半场是由算力推动的,但算力推动的AI已经到了瓶颈。”

  对于AI的未来,赵晓光直言,数据来自场景,也就是应用,无论是在C端还是B端,如果没有应用,AI也就到此为止了。

  赵晓光曾连续7年获得新财富电子行业分析师第一名,并揽获“新财富白金分析师”,2016年加入天风证券研究所任所长、现任天风证券副总裁。

  凭借着对科技行业深刻的研究和理解,早在2020年末,赵晓光就曾介绍过未来精准数据可能带来的投资机会。

  而在今年三月的策略会上,赵晓光就透过AI广阔的未来,提出Chat GPT未来可能会遇到数据来源的瓶颈。点此查看

  在本场交流中,赵晓光从To C和To B两个领域详细分析了未来AI发展的重点。To C领域需要打造场景,而To B领域毫无疑问是发展物联网。

  此外,赵晓光就创新企业产学研当前的困境提出了自己的建议,他表示需要为学者型企业家赋能,还要发挥头部企业的价值和资源。

  以下是本场内容的重点内容,分享给大家。

  应用已经逐渐成为下一轮AI最重要的部分

  人工智能确实是未来最重要、最好的赛道,什么会成为其中最有机会的领域或者是板块?

  今年我们还是围绕着AI做了很多事情。

  前段时间跑了很多上下游(的公司),得出了一个较为清晰的结论:AI的上半场是由算力推动的,但算力推动的AI已经到了瓶颈。

  在今年4月份,我在网上发表了一篇文章,提到这一轮数据革命的终局已经预测到了。

  我认为Chat GPT很快会遇到瓶颈,原因在于这一轮Chat GPT是由技术驱动的。

  过去由于使用互联网开源数据,无论是Chat GPT 3还是Chat GPT 4,很快就产生了一个脉冲,但问题是,当他获取开源数据后,就没有数据了(无法解决数据来源更加丰富以及用户个性化的问题)。

  我认为这一轮OpenAI内部管理层的变化,是因为他们遇到了瓶颈而停滞不前。停滞不前的本质原因在于它没有数据。

  数据来自场景,也就是应用。无论是在C端还是B端,如果没有应用,AI也就到此为止了。

  我这周跟高通全球副总裁讨论时,谈到AI在PC和手机端的智能化。很明确, AI在To C端是优秀的助手,在PC端能辅助更好地办公,在手机端成为个人助理,也就到此为止。

  这就是为什么英伟达对中国有如此重的限制,我个人认为其中一半是美国的因素,一半是自己的因素。

  因为他们很焦虑,一方面面临高通、AMD,甚至英特尔等公司未来的竞争,另一方面国际巨头们也都在自己制作芯片,如微软、亚马逊和苹果。

  这时候英伟达必须继续发展应用,但他最担心的是应用还没有做出来(就出现大批的竞争者)。

  而中国大量购买芯片和算力进入服务器,同时,中国是全球最大的面向To B行业的应用场景,这是英伟达特别看重的。

  如果中国先把应用和大模型都做出来了,英伟达可能会跟当年的思科一样,纯技术公司或硬件公司,发展到一定程度时,就会面临各方面的竞争。

  因此,我们从英伟达和OpenAI的角度观察到,应用已经逐渐成为下一轮AI最重要的部分。

  那么未来应用是否有发展空间?

  在C端,有PC、手机的AI化,以及游戏,这些毫无疑问是率先开放的,然后伴随的是衣食住行、吃喝玩乐的各个环节。

  在B端,我给大家举几个非常有代表性的例子,比如材料行业,已经以非常快的速度展开。

  我与上海集成电路材料研究院交流,过去他们研发一款半透镜材料需要三年的周期,现在是两个月的周期。

  我这周正好去北京,见了清华大学前任学者研究的大模型,是用 AI专门做材料的研发。

  我去看操作时非常震撼,而且现在包钢、中国建筑中国神华东方雨虹这些传统巨头公司都在密切关注他们。

  过去材料研发非常难,首先要定制设备,因为新材料必然是新设备,而且定制完后还要调工艺、调良率,三年确实无法完成。

  但现在有AI仿真,毫无疑问大幅加快了材料研发。我观察后觉得非常震撼。

  还有一家是专门为中国高校做AI服务器的公司。今年,他们的需求增长了4倍,10多亿的收入,占整个高校70%的份额。他们表示主要是材料系、化学系和医药系在用(他们的数据库),因为医药本身也涉及材料。

  所以,在B端,材料的AI化已经开始,这将从根本上改变许多科研体系和过去的工业生产模式。

  我大概研究了近20年制造业,制造业的痛点不是研发的问题,而是产业化的问题。

  那些现在做成几千亿市值的公司,是从根本上解决了工艺和产业化。

  从这个角度,我们一方面看到了To B领域的这些应用(的发展),另一方面也看到在To B领域、To C领域,如果没有场景、数据,AI就很难拿到最核心的生产力,EM很难优化。

  我们认为在To C领域,未来需要打造场景,无论是VR还是元宇宙,这些都很重要。

  在To B领域,物联网毫无疑问非常重要,如果没有数据,无法实现AI化,即使人工智能模型再牛,也一定是错的。

  因此,我认为AI的下一步是应用,应用的下一步是场景,场景的下一步在B端,应该是物联网,在C端则是各种AI设备,主要是以VR、MR为代表的视频相关设备。

  从技术角度来看,我认为B端相较于C端更容易实现。

  大语言确实很复杂,但B端是比较闭环的场景,因此参数和算法相对清晰。然而,弊端问题也在于这些方面。

  例如,我曾与华熙生物董事长谈论过,作为一个化妆品企业,如何获取这些数据?过去采用的大多是盲盒式研发和盲盒式生产,因此物联网非常重要,我认为在B端落地比技术更为关键。

  赋能学者型企业家,发挥头部企业的价值和资源

  结合这么多年的投资经验以及研究优质科创企业的经验,关于产学研如何能够更有效地支持经济转型以及升级发展,你有什么心得?

  过去几年,我认为中国科研体系的转化已取得了一些成绩,包括一些知名的学者,确实能孵化出一批优秀的企业。

  过去我们也积极实践,最早与哈工大、中科院自动化研究所以及电子科大、化工科大等都签订了协议。

  我举一个切身的例子来说明我们现在面临的问题。

  有一个朋友是哈尔滨工业大学的博导教授,发表了180篇SCI论文,主要是对机器人领域的一些研究。

  他的导师是在中国机器人领域较为知名的院士,我们每次听他讲都很热血沸腾。他研究了机器人的操作系统、仿真系统以及控制器等多个领域。

  而且他们很早就开始做产业化,在合肥成立了哈工大机器人集团。

  但经过这几年,我发现了问题,当一个人在某个领域特别出色时,大概率他在其他领域可能存在缺陷和短板。

  我们要承认人无完人。

  企业最核心的是运营,而(教授)完全没有那根弦,作为创始人应该如何与职业经理相处,如何用人、如何赚钱、如何拿到订单有众多的问题。

  中国拥有庞大的科研体系。经历了一代又一代的红利,从最早的制造业劳动力红利,到过去20年的工程师红利,我认为,未来最大红利就是科研红利。

  但问题在于我们需要系统化地为这些教授、老师和博士赋能。

  我一直在讨论,中国是否可以建立一个商学院,不是请大学老师讲课,而是请企业家来给这些创新企业讲课。

  企业的发展包括战略整合、技术整合、人才整合、资本整合、市场订单整合、管理整合以及并购。

  这些创新企业已经具备了这些条件,最需要的是有人告诉他们应该如何操作。

  我认为我们国家需要一个系统化的机制和体系,为这些学者(来赋能)。毕竟能文能武的是少数人,不能把小概率事件寄托于少数人身上。

  我们应该集中社会各方面的资源,包括投资机构。过去很多投资机构只是简单的投资,未来应该思考如何精细化投资,如何赋能这些企业。

  过去我们的科研体系有一个最大的问题是,许多教授可能不太愿意创业,因为国家经费已经足够了。

  但近几年科创板的意义在于,创业公司上市能有超过百亿的市值。

  因此,教授和学生们创业积极性没有问题,但怎么实现产业化(需要指导)。

  我认为,中国科研体系的下一步成功需要发挥头部企业的价值和资源,即使没有任何经济利益,也要去指导和帮助他们,这是我的最大建议。

  再补充一点,关于AI,过去从科研成果转化为产品,再进行产业化实际上很难,所以,AI还是要积极拥抱。

  与行业结合,与下游结合

  你对我们当前的教育、人才培养以及科技和产业转型有何看法?能否给大家两个中肯的建议。

  我认为还是需要有足够的技术,需要与行业结合。

  我之前提到清华大学学者的例子,他是从美国回来的。

  他回国后连续5年,一直研究客户,与各种客户在一起(交流),逐步明白客户需求,之后的研发生产(就顺理成章)。

  所有流程都明白之后,他开始制作大模型,实际上只做了两年。

  现在都是客户主动去找他,而且每个都是大央企,未来可能都是几十亿的订单,几十亿的空间。

  但他花了5年了解客户,因为他的技术足够。

  其次,这波AI的核心逻辑是以数据和应用为核心,有了应用和数据,才能增强技术。

  因此,我最大的建议是积极与下游结合,理解并为下游创造价值。具体方法可以依托优秀的上市公司为科研人才提供联合研发的机会以及资源等等。


相关阅读