“不少AI企業(yè)追求“大而全”，面臨商業(yè)上的挑戰(zhàn)和市場(chǎng)規(guī)模的限制。盡管深度推理具有長(zhǎng)遠(yuǎn)價(jià)值，但敢于投入和堅(jiān)持的企業(yè)為數(shù)不多。 ”

@科技新知 原創(chuàng)

作者丨林書 編輯丨蕨影

最近，字節(jié)在AI方面又搞了個(gè)大新聞。

一個(gè)字節(jié)的實(shí)習(xí)生，因?yàn)閷?duì)團(tuán)隊(duì)資源分配不滿，用惡意代碼把模型訓(xùn)練過程給投了“毒”，字節(jié)這邊損失不小。

盡管“資源分配問題”這個(gè)說法還沒完全坐實(shí)，但既然一個(gè)實(shí)習(xí)生，都能隨便對(duì)訓(xùn)練中的模型下毒手了，那至少說明，字節(jié)對(duì)文本模型的訓(xùn)練方面重視度不夠，因此才會(huì)出現(xiàn)“把關(guān)不嚴(yán)”的情況。

與文本大模型相比，字節(jié)在視頻方向上可謂打得火熱，推出了兩款最新的視頻模型PixelDance1和Seaweed2。

這種資源上的傾斜，反映的是國(guó)內(nèi)大廠在當(dāng)下LLM發(fā)展岔路上的關(guān)鍵分歧：算力資源有限的情況下，未來的大模型到底是要往視頻方向沖，還是繼續(xù)在文本上發(fā)力？

這樣的分歧，在OpenAI推出了能搞深度推理的o1模型后，顯得愈發(fā)棘手和關(guān)鍵。

01.

AI視頻硬傷，遭遇市場(chǎng)冷眼

在這樣的關(guān)鍵抉擇上，百度CEO李彥宏前兩天放了個(gè)大招，直接撂話說“百度不碰Sora類的視頻生成”。

原因就在于，在百度看來，現(xiàn)在的視頻大模型還不成氣候，離能真正進(jìn)行商用還早著呢。用李彥宏的話來說，“10年、20年都可能拿不到業(yè)務(wù)收益”。

而這樣的判斷，也并非空穴來風(fēng)。

據(jù)SimilarWeb統(tǒng)計(jì)，位居全球前列的AI視頻生成企業(yè)Luma AI網(wǎng)站在9月的總訪問量?jī)H為1181萬次，環(huán)比下跌38.49%。

同樣地，身為AI視頻生成領(lǐng)域的“老大哥”的Runway在9月流量?jī)H755.8萬次，不及ChatGPT的1/400；

用戶不買賬，首先得從產(chǎn)品上找原因。

以國(guó)內(nèi)AI視頻生成模型為例，盡管從今年2月Sora出現(xiàn)后，國(guó)內(nèi)的大廠如快手、字節(jié)、智譜清言等，都推出了各自的視頻模型，但平心而論，目前所有的視頻模型都存在兩個(gè)難以掩蓋的短板：

其一，是難以做到成本、質(zhì)量二者兼具。

  圖源：可靈

以快手的可靈為例，雖然其生成的效果，在國(guó)內(nèi)視頻模型中已算翹楚，但從成本上來說，其生成一個(gè)5秒的視頻，需消耗10個(gè)靈感值（1靈感值=1元），生成時(shí)間大約為2～5分鐘。

按照這樣的成本估算，如果要生成一分鐘的短視頻，用戶至少要花費(fèi)十余元，等上半個(gè)小時(shí)左右。

而且，這還沒算上由于AI理解不準(zhǔn)確，需要重新生成的情況，實(shí)際成本只會(huì)更高。

  圖源：可靈

相較之下，身為國(guó)內(nèi)“AI六小虎”之一的智譜清言，雖然開放了可免費(fèi)使用的視頻模型“清影”，但其生成效果實(shí)在不敢恭維，其生成的畫面有一股濃濃的“90年代3D動(dòng)畫”的感覺。

況且，雖然免費(fèi)了，但其生成時(shí)長(zhǎng)還是沒打下來，用戶生成一個(gè)5秒的片段，照樣要等3~5分鐘。

  圖源：智譜清言

AI視頻生成的另一大短板，便是那股始終揮之不去的“AI”味。

這幾乎是所有視頻模型的通病。

無論人物或物體的外觀，看起來多么真實(shí)、多么形似，可觀眾總覺得哪兒不對(duì)勁兒。有一種活生生的“恐怖谷”效應(yīng)，看著就覺得渾身不自在。

說白了，這就是一種技術(shù)不到位的表現(xiàn)。

因?yàn)榇蠖鄶?shù)AI視頻生成算法，背后雖然在很努力地模仿現(xiàn)實(shí)世界的物理規(guī)則，模仿人和動(dòng)物的運(yùn)動(dòng)方式，但仍無法完全理解數(shù)據(jù)背后的語義和情感。因此生成的內(nèi)容，在某些細(xì)節(jié)上顯得缺乏“靈性”。

  圖源：可靈

而這明顯的“AI”味，也成了當(dāng)下大眾對(duì)AI作品懷有偏見的重要原因。

由于上述短板的存在，目前火爆于各大視頻平臺(tái)的AI視頻，大都以“玩梗”“搞笑”為主，因?yàn)橹挥羞@類“不正經(jīng)”的視頻，才不會(huì)對(duì)生成的成本、效果有太高要求。

更悲哀的是，當(dāng)下的AI視頻賽道雖未大火，但早早面臨“未火先卷”的情況，多家AI視頻生成廠商都對(duì)功能進(jìn)行密集迭代，但大多是“錦上添花”而缺乏躍進(jìn)式體驗(yàn)升級(jí)。

以快手的可靈為例，其推出的運(yùn)鏡控制、高清生成、圖生視頻等功能，國(guó)內(nèi)的各大視頻生成類AI，例如智譜的清影、字節(jié)的即夢(mèng)也都有。

  圖源：可靈

而這種同質(zhì)化的、聊勝于無的功能，并未能給用戶體驗(yàn)帶來大幅度的改善。

說到底，視頻生成類賽道的內(nèi)卷，本質(zhì)上是現(xiàn)在的LLM遇到瓶頸后，一種為了延續(xù)“AI故事”的無奈之舉，但悲哀的是，這樣的故事目前還沒有一個(gè)大廠能講好。

02.

數(shù)據(jù)枯竭下，深度推理或是救星

在各種訓(xùn)練數(shù)據(jù)行將耗盡的當(dāng)下，LLM的scaling law的神話該怎樣繼續(xù)？

在OpenAI 的o1模型發(fā)布后，人們意識(shí)到，這個(gè)問題的答案，就是強(qiáng)化學(xué)習(xí)。

對(duì)此，月之暗面的CEO楊植麟分析道：決定這一代AI技術(shù)的上限，核心是文本模型能力的上限。

從技術(shù)上來看，楊植麟此言非虛。

因?yàn)榧词乖诙嗄�態(tài)任務(wù)中，文本層面的理解和推理也是必不可少的。以Sora為例，其訓(xùn)練數(shù)據(jù)包含了大量“視頻-文本對(duì)”，每個(gè)視頻片段都有對(duì)應(yīng)的詳細(xì)文本描述，這種配對(duì)方式，讓模型能夠建立文本語義和視覺表現(xiàn)之間的映射。

同時(shí)，倘若視頻模型要想取得更大進(jìn)展，例如發(fā)展出完整的敘事結(jié)構(gòu)，就要求文本模型有執(zhí)行復(fù)雜邏輯推理的能力。

如果文本模型無法規(guī)劃復(fù)雜敘事，視頻模型也難以突破這個(gè)上限。

因此，LLM未來的方向?qū)嶋H上已十分明了：文本模型決定了多模態(tài)的上限，而深度推理又決定了當(dāng)前文本模型的上限。

正因如此，在o1推出后，國(guó)內(nèi)的諸多大廠如字節(jié)、智譜清言、月之暗面等，都紛紛在自家的大模型中開通了“深度搜索”功能，這算是深度推理功能的聯(lián)網(wǎng)版本。

但從實(shí)際表現(xiàn)來看，并非所有廠商都在這方面表現(xiàn)得盡如人意。

在這里，我們以一個(gè)較為考驗(yàn)深度推理和分析能力的問題，來對(duì)字節(jié)、智譜清言、月之暗面各自的大模型進(jìn)行一番對(duì)比。

這個(gè)問題是：分析近三年全球智能手機(jī)市場(chǎng)的發(fā)展趨勢(shì)，包括各大品牌的市占率變化、技術(shù)創(chuàng)新，以及消費(fèi)者偏好的變化。

  圖源：豆包首先測(cè)評(píng)的，是字節(jié)的豆包大模型。

可以看到，雖然在整體的水準(zhǔn)上，確實(shí)有一些切中要害的關(guān)鍵點(diǎn)，但在進(jìn)行回答時(shí)，整體的內(nèi)容、結(jié)構(gòu)顯得十分臃腫、凌亂，并沒有做太多結(jié)構(gòu)化、精細(xì)化的處理，使用戶在閱讀時(shí)，仍感到很大的閱讀負(fù)擔(dān)和壓力。

  圖源：智譜清言

接下來測(cè)評(píng)的，是智譜清言的智譜AI。

可以看到，與豆包相比，智譜AI在進(jìn)行深度推理時(shí)，結(jié)構(gòu)明顯比豆包更清晰、更有條理，且針對(duì)蘋果、三星、vivo等不同的品牌，具體列出了不同的市場(chǎng)表現(xiàn)、市場(chǎng)份額。

但從整體上來看，每一部分的總結(jié)與分析，仍顯得過于簡(jiǎn)略。

  圖源：KIMI

最后登場(chǎng)的，是月之暗面的kimi。

在開啟深度搜索功能后，Kimi在信息的分析、總結(jié)上，表現(xiàn)出了更加細(xì)致、深入的特點(diǎn)，不僅以不同的年份，詳細(xì)展示了不同品牌在市場(chǎng)中的份額變化，以凸顯趨勢(shì)，且在對(duì)技術(shù)創(chuàng)新方面進(jìn)行分析時(shí)，十分具體、細(xì)致地展示了不同年份中，不同品牌推出的具體技術(shù)。

綜合來看，Kimi在進(jìn)行復(fù)雜問題分析時(shí)，其推理的深度、精細(xì)度，要顯著優(yōu)于豆包、智譜AI。

由此可見，目前在“深度推理”這一頗為考驗(yàn)LLM“內(nèi)功”的分水嶺上，國(guó)內(nèi)廠商已經(jīng)顯示出了顯著的差距。

03.

追求大而全，陷入戰(zhàn)略困境

如前所述，自從OpenAI推出o1后，當(dāng)下大模型的發(fā)展，已經(jīng)到了一個(gè)進(jìn)行戰(zhàn)略選擇的分岔口。

而在這關(guān)鍵的戰(zhàn)略分叉點(diǎn)上，國(guó)內(nèi)的部分大廠如字節(jié)，由于自身布局于短視頻業(yè)務(wù)的巨大慣性，并未在深度推理方向進(jìn)行深耕，只是靠著低價(jià)競(jìng)爭(zhēng)，以及“多而不精”的龐雜功能，才硬擠上國(guó)內(nèi)大模型排行榜的頭部。

  圖源：豆包

據(jù)火山引擎總裁譚待介紹，“豆包主力模型在企業(yè)市場(chǎng)的定價(jià)只有0.0008元/千Tokens，比行業(yè)便宜99.3%。”

但一味地降價(jià)追求“性價(jià)比”，某種程度上透露出的是自身模型缺乏核心競(jìng)爭(zhēng)力的表現(xiàn)。

與字節(jié)類似，“AI六小虎”之一的智譜清言，也走上了一條追求“大而全”的路線。簡(jiǎn)言之，目前的智譜，也成了那種“繪畫、視頻、搜索都要一攬子拿下”的AI企業(yè)。

  圖源：智譜清言

但實(shí)際上，這種“大而全”的追求，反映的是一種商業(yè)上的“困獸猶斗”。

這是因?yàn)椋�目前�?guó)內(nèi)企業(yè)主對(duì)軟件購(gòu)買意愿偏低，To B端大模型給企業(yè)帶來的價(jià)值仍處在割裂狀態(tài)，2023年國(guó)內(nèi)大模型市場(chǎng)規(guī)模僅有50億元，2024年也僅增加到120億元。

在B端市場(chǎng)狹窄、C端又尚未打開的情況下，任何做大模型的企業(yè)，唯有不停地融資、燒錢，橫向地?cái)U(kuò)展用戶，才能讓自己的模型活下來。

但這種跑馬圈地的邏輯，本質(zhì)上仍是互聯(lián)網(wǎng)時(shí)代的思維，這并不能真正地“救活”AI。因?yàn)榕c互聯(lián)網(wǎng)不同，AI產(chǎn)品的邊界，并不是由用戶數(shù)決定，而是由實(shí)打?qū)嵉募夹g(shù)力決定。

一個(gè)有些反直覺的現(xiàn)實(shí)是：與視頻生成這類耀眼的、更容易令人遐想聯(lián)翩的技術(shù)相比，真正能在C端帶來突破的，也許是深度推理這類既難啃又不性感的技術(shù)。

原因就在于，視頻生成主要服務(wù)創(chuàng)意表達(dá)，應(yīng)用場(chǎng)景相對(duì)固定，用戶群體、變現(xiàn)模式都較為單一，其價(jià)值體現(xiàn)在內(nèi)容產(chǎn)出，ROI相對(duì)直觀。

從本質(zhì)上來說，它更像是一個(gè)效率工具，而不是一個(gè)能帶來顛覆性改變的技術(shù)。

相較之下，深度推理則屬于基礎(chǔ)認(rèn)知能力，可以賦能各類應(yīng)用，其突破可帶來各方向的普遍提升，且其能力可以遷移復(fù)用，更易于產(chǎn)生協(xié)同效應(yīng)。

更重要的是，隨著這項(xiàng)技術(shù)的發(fā)展，它對(duì)用戶的理解會(huì)越來越深入，提供的建議會(huì)越來越個(gè)性化和精準(zhǔn)。

這種持續(xù)學(xué)習(xí)和進(jìn)化的特性，讓其很難被簡(jiǎn)單的工具或服務(wù)所替代，這正是某些短命的“爆款應(yīng)用”所需要吸取的教訓(xùn)。

可惜的是，在這條難而正確的道路上，真正敢于堅(jiān)持并做出成就的企業(yè)，目前仍屈指可數(shù)。

       原文標(biāo)題 : 大模型走到AI戰(zhàn)略分岔口，字節(jié)們面臨偏航危機(jī)