大模型降温不是坏事，是几十年的技术大周期才刚起步
语言大模型只是机器在反刍人类已经消化过的知识，真正的机器智能会直接从世界观察学习；降温后坚持做事的人才能走到最后。
原视频在 YouTube 上放不出来，用音频听：
核心论点 · 点时间戳可跳到原声
语言大模型只是牛的反刍
陈恂用一个比喻解释语言大模型在做什么：人类先观察世界，把认知用语言符号沉淀下来，语言大模型再从这些已经消化过一遍的语料里学习，所以它是在反刍。他强调这已经非常惊艳，但机器智能不会止步于此——机器可以直接观察世界、观察宇宙，甚至发明自己的符号，那些符号可能是零和一，人类看不懂。如果机器能直接观察社会并提炼智能，再和人类已总结的能力结合，想象空间无可估量。
— 陈恂AI 2.0 赢家靠单一可放大市场
陈恂在软银愿景一期投的是 AI 2.0，他总结那一代企业最大的挑战是可变成本太高：从收集数据、整理治理标注、开发模型、微调到插入业务，每做一个实际应用都得重新来一遍，需要大量人力、时间和高端人才，还依赖企业改变运作模式。能跑出来的优秀企业有一个共同特点——找到了一个单一的可以放大的市场，前面那些成本可以被摊销掉。最成功的应用是人脸识别，可以用在很多场景，但整体商业化并不好。
— 陈恂3.0 把可变成本变成固定成本
大模型时代最大的变化，是把 AI 2.0 里那些要反复做的事一次性做完，把可变成本变成固定成本。在基础大模型之上做调优、行业化、企业化、专业应用化，成本门槛变得非常低，速度可以很快，对人员要求也没那么高。陈恂说 3.0 让全民 AI 的迹象出现——任何一个有一点点技术自尊的企业，没有不再做大模型，都在尝试、探索、学习，甚至有人已经推到实际应用场景。
— 陈恂大模型落地卡在开放与封闭的矛盾
陈恂指出大模型时代必须解决一个根本问题：使用方不得不用基础大模型，但必须解决信息安全和商业机密保护，因为一旦把机密给了云上的大模型，没人知道它会在什么时候以什么形式被谁调用出来，所以大企业普遍明文禁止员工用云上类似 ChatGPT 的服务做公司的事。同时基础大模型提供方也有知识产权保护问题——你优化完的衍生大模型就不再是我的了，我后续还有什么商业利益。这个开放与封闭的矛盾在小模型时代不存在，因为那时一件事从头做到尾都在可控范围内。
— 陈恂OpenAI 能否一骑绝尘看商业壁垒
陈恂不认为 OpenAI 可以一骑绝尘、把距离永远越拉越开。他的逻辑是：OpenAI 向大家展示了这件事可干，一旦知道可干，全世界尤其中国人把它干好的能力、本事、决心都很强大，会出来很多 number two，而 number two 之间很难拉开距离，因为起步一样、技术架构也一样。关键问题在于 OpenAI 能不能把技术领先迅速转换成其他商业壁垒，等别人在技术上赶上时就不靠技术竞争。他类比谷歌：谷歌一家独大不是因为技术别人走不出来，而是形成了商业生态。
— 陈恂降温是可预料的，狂热后冷静最重要
陈恂说降温可以预料，因为人类通常对短期过于乐观、对长期反而过于悲观。OpenAI 展示可行性后大家受到巨大冲击，出现过度期待很正常，现在无非是逐步理性化。他一点都不焦虑，反而认为大家现在都在做落地的事。他举文生图做广告图的例子：生成式模型产生的包的照片没有一张是真正的那个包，颜色、形状、比例、尺寸都可能变，广告商就面临到底给哪款包做广告的问题。基础大模型在任何地方落地都面对这样那样的问题，需要人去解决。
— 陈恂还没完成从训练到推理的过渡
陈恂说今天这个节点更应该说是人工智能几十年大周期当中的起步阶段。他引用 OpenAI 的调用量后指出，去找其他所有做大模型的公司或开源机构问推理量，会发现推理量其实并不大——大家都在做模型、开发模型、调优模型、训练模型，但真的把它用起来的场景并不多。他判断未来三年最值得期待的是大模型从训练走向推理，推理的生态会变得非常丰富，因为推理是把能力用在消费者、企业、政府等不同场景，形态会非常不一样，承载算力的要求也不一样。
— 陈恂创业别把个人能力当目标函数
陈恂给 native AI 创业者的建议是：创业永远一样，第一要想清楚服务谁、提供什么价值，不要轻易认为自己是 Steve Jobs，绝大多数人需要去理解、了解、发掘锁定用户群的需求。他最近和一个要去创业的朋友对话，朋友说选这个方向是因为能把多年积累的经验教训和能力最大化利用，陈恂说这是年轻时的想法，现在不这么想——把个人能力放到最大也就那么大，最该搞清楚的是世界在往哪走，在这个大趋势里你能做什么。即使有些能力在大趋势里没用也没关系，胳膊永远拧不过大腿。
— 陈恂原话 · 已逐字校验
3.0的最大的变化就是他把前面要做的这个 所有的那些过程当中的事情 能够把它一次性做完 把可变成本变成固定成本
3.0 最大的变化，就是把前面要做的所有那些过程当中的事情一次性做完，把可变成本变成固定成本。
陈恂13:16
但是我觉得最后不是这样 因为大模型今天已经看得很清楚 做的再好的技术大模型 当你面对一个行业的问题的时候 它还是有所欠缺的
但我觉得最后不是这样，因为大模型今天已经看得很清楚，做得再好的技术大模型，当你面对一个行业的问题时，它还是有所欠缺的。
陈恂24:26
他能不能够把技术的领先 迅速的 转换成其他的商业的壁垒 这个时候在别人在技术上赶上你的时候 你就不靠技术竞争
他能不能把技术的领先迅速转换成其他的商业壁垒，这样当别人在技术上赶上你的时候，你就不靠技术竞争。
陈恂26:29
心得是说狂热之后的冷静 是最重要的时刻 因为之后真正能够把这个东西用起来 产生真正的价值的工作 都是在这个时候做出来 只有在这个时候坚持的人
心得是：狂热之后的冷静是最重要的时刻，因为之后真正能把这个东西用起来、产生真正价值的工作，都是在这个时候做出来的，只有在这个时候坚持的人才能走到最后。
陈恂34:39
我自己的判断是 未来三年可能最值得期待的一件事情 大模型从训练走向推理 推理的生态会变得非常非常的丰富 推理要比训练丰富的多
我自己的判断是，未来三年可能最值得期待的一件事，是大模型从训练走向推理，推理的生态会变得非常非常丰富，推理要比训练丰富得多。
陈恂36:39
即使你有一些能力在这个大趋势里头 没有用 有什么关系呢 是那个东西重要 还是你的能力重要 最后胳膊永远是拧不过大腿的
即使你有一些能力在这个大趋势里没有用，有什么关系呢？是那个东西重要，还是你的能力重要？最后胳膊永远是拧不过大腿的。
陈恂1:00:56
数字与实体
| 基础大模型开发成本 | 几亿美金、几十亿人民币规模 | 18:00 |
| XGBT 访问量环比增速（4-6月） | 12.6%、2.8%、-9.7% | 32:37 |
| XGBT 访问量环比增速（1月） | 131.6% | 32:37 |
| 互联网泡沫见顶到见底时间 | 2000年到顶，2002年到底 | 34:39 |
| 机器视觉帧率 | 最先进可达每秒1000帧 | 41:44 |
术语
- Foundation Model基础大模型
- 为丰富模型生态提供高质量出发点的大模型，国内也叫大语言模型。
- society of minds心智社会
- 多个模型相互竞争、互补、协作，最终形成社区式智能的概念。
- EV/EBITDA企业价值倍数
- 中后期投资人常用的估值指标，用 EBITDA 替代复杂的现金流。
- bottom-up自下而上
- 投资是微观业务，必须理解每个企业与其他企业的不同，而非按宏观赛道投。
收听指南
关注大模型落地、推理生态和 AI 创业方向的投资人与创业者，尤其适合正在判断当前降温期该不该继续投入的人。
开头个人履历和 45:16 之后关于投资创业切换、中后期投资人审美的部分可快进。