Інвестор про 17 суджень щодо втіленого, моделей та обчислювальної потужності

Автор: Сяо Янь, Tencent Technology

Редактор: Сюй Ціньян

Протягом останніх кількох років у китайському технологічному інвестиційному колі найпопулярнішими ключовими словами стали AI, роботи та втілена інтелектуальність.

У сфері великих моделей компанія Zhizhu стала однією з перших, яка обговорювалася в контексті "китайського варіанту OpenAI". Компанії Jieyue Xingchen та Shengshu Technology також займають центральні позиції в популярних напрямках, таких як базові моделі та генерація відео. У напрямку робототехніки компанія UBTECH вже вийшла на ринок капіталу, а Galaxy Universal Robotics, Yinshi Robotics та Tashizhi Hang представляють різні дослідження від тіла робота до моделей та впровадження в сценах.

За цими зірковими компаніями стоїть спільна інвестиційна установа - Qiming Venture Partners. Ця установа була заснована в 2006 році, управляє 11 доларовими фондами та 7 фондами в юанях, а загальний обсяг активів, що управляються, досяг 9,5 мільярдів доларів.

Яка методологія Qiming Venture Partners, яка неодноразово інвестувала в технологічні хвилі?

Нещодавно головний партнер Qiming Venture Partners Чжоу Чжифенг поділився своїми думками щодо інвестиційної методології Qiming Venture Partners, обговорюючи основні тенденції розвитку в таких передових сферах, як великі моделі, втілений інтелект та обчислювальні чіпи, а також розкриваючи основні критерії для відокремлення концептуальної спекуляції від реального впровадження в промисловість.

Як інвестор, Чжоу Чжифенг є справжнім глибоким дослідником AI. Під час спілкування він часто підходить до теми з повсякденних аспектів, малюючи реальну картину епохи впровадження технології AI. Він згадує про старших членів своєї родини, які вже вміють користуватися платформами коротких відео та можуть без проблем використовувати AI для щоденних запитів; у його робочому середовищі AI також глибоко проникає, він щодня покладається на AI-інструменти для аналізу даних та організації матеріалів, навіть у щільному графіку продовжує стежити за змінами в контенті, згенерованому AI.

Ці фрагменти повсякденного життя наочно підтверджують одну основну тенденцію: AI вже не лише залишився на рівні теорії в лабораторіях або в наукових статтях, чи є лише капітальною історією на первинному ринку, а насправді досягнув звичайних людей через їхні мобільні пристрої, здійснивши перехід від передових технологій до повсякденних інструментів.

Обов'язок інвестора полягає в тому, щоб до того, як ці зміни стануть масовими, визначити, які технологічні напрямки, форми продуктів та компанії найбільш ймовірно принесуть ці зміни в реальність.

Чжоу Чжифенг узагальнив цю думку як інвестиції "на півкроку швидше" - не завжди краще бути першим, і не варто чекати, поки ринок сформує консенсус, а слід входити в ринок після технологічного прориву, але до комерційного вибуху.

Чжоу Чжифенг, головний партнер Qiming Venture Partners

Чжоу Чжифенг навів приклад компанії Zhizhu. У травні 2020 року, після випуску GPT-3, Qiming Venture Partners зрозуміли, що закон масштабування підтверджується, і великі моделі подолали важливу технологічну межу. На основі цього висновку Qiming Venture Partners інвестували в Zhizhu у грудні 2021 року. Тоді ChatGPT ще не було, а "All in AI" ще не стало колективним гаслом інвестиційного кола. Лише в листопаді 2022 року ChatGPT з'явився на світ, і генеративний AI справді став відомим для широкої аудиторії та інвестиційного ринку.

Отже, де з'явиться наступна можливість "на півкроку швидше" в таких популярних напрямках, як AI, роботи, обчислювальна потужність та чіпи? Під час обговорення Чжоу Чжифенг не дав прямої відповіді, а більше розкрив зміни, які відбуваються в цих сферах.

Стикаючись з цими гарячими напрямками та величезними обсягами капіталу, що надходять, Чжоу Чжифенг вважає, що чим ближче до центру бурі, тим більше потрібно повертатися до найпростіших питань: чи створюється реальна цінність, чи витримує це перевірку комерційної логіки. Він неодноразово згадував, що ринок, ймовірно, увійде в стадію "покажіть мені гроші". Чим новіше щось, тим більше потрібно остерігатися розриву між короткостроковою увагою та довгостроковою цінністю; чим більше галасу на ринку, тим більше компанії повинні доводити, що можуть перетворити технології на доходи, а уявлення - на реальність.

Далі, для підвищення ефективності читання, Tencent Technology в першій особі узагальнила основні судження Чжоу Чжифенга.

01 "Втілений інтелект - це сфера, яка вбиває мої мозкові клітини найбільше, без винятків"

1. Спілкуючись з багатьма компаніями в сфері втіленого інтелекту, я маю три основні враження.

По-перше, як первинний, так і вторинний ринки дуже позитивно оцінюють цей напрямок. Основна причина полягає в тому, що це, можливо, перша в історії галузь, яка поєднує "обсяги поставок смартфонів" та "одиничну ціну легкового автомобіля". Якщо ця галузь розвине свою зрілість, щорічно буде поставлятися 1 мільярд одиниць, а середня ціна за одиницю становитиме близько 30 тисяч доларів, що в еквіваленті становить 200 тисяч юанів. Це в історії розвитку бізнесу людства за двісті-триста років є однією з найбільших галузей, без винятків.

По-друге, всі зараз прагнуть до IPO, по суті, намагаючись отримати вигоду від дефіциту. Вторинний ринок має цю характеристику: коли перші кілька компаній на великому ринку виходять на біржу, через дефіцит об'єктів вони можуть насолоджуватися суперкапітальними вигодами, що безпосередньо відображається в тому, що ціни акцій і ринкова капіталізація можуть бути настільки високими, що виходять за межі звичайної логіки, тому всі хочуть бути першими.

По-третє, багато компаній стають все важче відрізнити. Ми зафіксували, що в Китаї є понад 370 компаній, пов'язаних з втіленим інтелектом, і практично щотижня отримуємо два-три нові проекти. Їх команди, технологічні маршрути та сценарії впровадження стають все більш схожими: це переважно професори, молоді генії, керівники великих компаній з автоматичного водіння або з фону AI моделей; всі говорять про VLA, світові моделі; впровадження в основному зосереджене на промисловому виробництві, логістиці, комерційних послугах, а нещодавно з'явилися сцени біоміметичних роботів. Але проблема в тому, що наразі немає об'єктивного стандарту оцінки рівня технологій або можливостей моделей, який би справді визначав, чия технологія сильніша, а чия здатність до впровадження краща.

Отже, перші дві компанії, які вийдуть на біржу, можуть через дефіцит досягти дуже високої ринкової капіталізації. Але через півроку або рік ринок, ймовірно, увійде в стадію "покажіть мені гроші", де будуть дивитися лише на можливість впровадження, чи можна це перетворити на продажі та прибутковість.

Якщо до кінця цього року або середини наступного року впровадження не виправдає очікувань, навіть якщо компанія успішно вийде на біржу, її ринкова капіталізація може впасти до кількох сотень мільярдів, а оцінки на первинному та вторинному ринках можуть бути зворотними. Первинний ринок не зможе підтримати свою оцінку, і підприємствам буде значно важче залучати нові фінансування.

Ключовим є технологія. Якщо в напрямку робототехніки не буде ключових проривів, особливо якщо технологічні маршрути не зможуть зосередитися, галузь буде важко впровадити в масштабах. Наразі багато компаній, що досліджують впровадження робототехніки, використовують моделі, які підходять лише для спеціальних сценаріїв, а не для загальних моделей, які наразі мають високий рівень уваги в суспільстві. Якщо не вдасться досягти технологічної концентрації, не буде можливості для масштабованого впровадження, в результаті залишаться лише деякі незначні демонстраційні проекти, а комерційний масштаб не зросте.

Отже, те, що я можу зробити зараз, - це постійно активно стежити за всіма новими проектами, забезпечуючи всебічний збір інформації та постійний моніторинг ситуації в галузі.

Зараз первинний ринок все ще намагається залучити фінансування, компанії зі стабільними масштабами намагаються підготуватися до виходу на біржу. Але в кінцевому підсумку, незалежно від того, чи виходять вони на біржу, ринок все ще дивиться на комерціалізацію. Якщо галузь не зможе продемонструвати реальні результати впровадження, ринок, ймовірно, зустріне глибоку корекцію.

2. Я ніколи не вважав світову модель абсолютно новим напрямком, ймовірність того, що VLA та світова модель зіллються в майбутньому, перевищує 50%.

Це більше схоже на технологічний шлях, який просто став популярним поняттям на первинному ринку. Нещодавно з'явилося близько 30 стартапів у сфері світових моделей, і в порівнянні з компаніями, що працюють за технологічним маршрутом VLA, немає суттєвих відмінностей у комерційному впровадженні.

3. Наразі втілений інтелект не має об'єктивних стандартів оцінки.

Мовні моделі мають багато бенчмарків, але втілений інтелект стикається з фізичним світом праці, тому оцінка є набагато складнішою. Наразі на світовому ринку існує близько трьох-п'яти бенчмарків втіленого інтелекту, але ці списки останнім часом також піддаються великій критиці. Деякі компанії отримують високі оцінки, маніпулюючи рейтингами, і фахівці в галузі це добре знають, що не має жодного сенсу.

Поки стандарти не будуть зосереджені, ми більше покладаємося на базову логіку: по-перше, чи відповідають алгоритми та архітектура моделей нашим висновкам; по-друге, чи має команда багатий досвід у реалізації проектів; по-третє, стратегія даних. Дані можуть стати найважливішою змінною в найближчі роки. Мовні моделі отримали 10 мільярдів токенів, щоб реалізувати закон масштабування; відеомоделі отримали десятки мільйонів кліпів, щоб реалізувати закон масштабування. Наразі найкращі компанії в Китаї та США мають лише кілька десятків тисяч годин даних, до досягнення достатнього масштабу їм ще не вистачає одного порядку. Але, ймовірно, провідні компанії в Китаї та США досягнуть цього обсягу даних цього року, тому цього року можуть відбутися прориви.

Якщо технологічний прорив відбудеться, оцінка стане простішою. Наприклад, у промислових сценаріях, якщо велика компанія має 25 етапів, і без будь-якого подальшого навчання або лише з дуже простим подальшим навчанням, ми можемо подивитися, скільки з цих завдань робот може виконати успішно. Якщо успішність перевищує 50%, велика компанія дійсно заплатить за покупку робота; якщо лише 5%, це означає, що ще не готово.

4. Дані є технічною перешкодою, яку потрібно подолати для втілених моделей, але в найближчі один-два роки ситуація може швидко змінитися.

Щоб створити втілену модель, може знадобитися від 1 до 2 мільйонів годин навчальних даних, і на даному етапі обсяг даних важливіший за якість окремих даних. Щодо різних комбінацій даних, у професійній термінології це називається стратегією даних, і за останні кілька місяців у цій сфері вже сформувалася певна консенсус. Раніше в галузі існували кілька категорій даних, таких як дані, зібрані Tesla з реальних машин, які мають найвищу реалістичність, моделі легше вчитися адаптуватися, а потім, коли моделі впроваджуються в апаратуру, їх відповідність даним, зібраним під час навчання, є абсолютно однаковою.

Але збір даних з реальних машин має дуже високий бар'єр, навіть для таких провідних компаній, як Tesla, це дуже важко, і обсяги виробництва обмежені; потрібно розгорнути 1000 роботів, з персоналом, що контролює, і кожен пристрій може збирати дані лише одну-дві години на день, що є дуже неефективним. Щоб зібрати 1 мільйон годин даних, може знадобитися десять років, навіть Tesla не може цього досягти, іншим компаніям ще важче. Якість даних є найвищою, але загальний обсяг обмежений. Раніше Google та OpenAI схилялися до використання відеоданих, Google сам глибоко працює в сфері відеомоделей, але масові загальні відеодані не відповідають практичним сценаріям роботів, наприклад, відео з конференцій, важко навчити роботів практичним навичкам, і це може ввести в модель багато низькоякісних шумових даних.

Між цими двома варіантами знаходяться дані UMI, які з'явилися за останній рік, де робітники виконують завдання, а реальні операційні сцени записуються за допомогою носимих пристроїв, що легше узгоджує вимоги до навчання моделей. Наразі провідні компанії в Китаї та США планують закупити в цьому році в загальному 1 мільйон годин навчальних даних, з яких дані з реальних машин становлять лише 1%-3%, дані UMI - близько 70%, а відеодані - 20%. Нойтінг відокремив бізнес з захоплення руху для незалежного розвитку, технологія захоплення руху може оптимізувати збір даних UMI та даних з реальних машин, зараз вони можуть постачати всі види навчальних даних.

Окрім обсягу, дані про дотик також стануть важливими. Наприклад, коли робот піднімає пляшку, яка виглядає звичайною, але насправді важча, людина відразу відчуває зміну ваги та коригує силу захоплення; але наразі дані з реальних машин, текстурні дані та відеодані, в основному, не містять такої інформації про дотик.

Отже, зараз є кілька компаній, які намагаються створити рішення для тканини з відчуттям дотику, щоб створити роботизовані руки з відчуттям дотику, щоб збирати дані про дотик. Цей напрямок є дуже популярним для інвестицій, але наразі в світі немає жодної компанії, яка б досягла повної зрілості технології.

5. У сфері втілених інтелектуальних моделей Китай має три основні переваги: дані, сценарії впровадження та апаратне забезпечення.

Зараз важко кількісно оцінити різницю в технологіях між Китаєм та США, оскільки різниця в моделях між Китаєм та США насправді є різницею в обчислювальній потужності. Технології ще не повністю зосереджені, дослідження технологій нагадують подорож у темряві океану в пошуках острова скарбів.

У США немає обмежень на обчислювальну потужність, провідні компанії можуть щовечора відправляти 30 кораблів одночасно, кожен раунд зворотного зв'язку є критично важливим для визначення напрямку пошуку, кожна команда повертається, щоб звітувати про маршрут, наприклад, сьогодні вони пройшли 5 морських миль на 30° азимуті, не знайшовши ціль, тому наступного разу не потрібно повторювати цей маршрут.

Китай наразі стикається з обмеженнями в чіпах, що дозволяє відправляти лише один корабель за ніч, і саме в цьому полягає основна різниця. Загальна траєкторія розвитку великих мовних моделей вже чітко окреслена, тому візуально відчутна різниця не є значною. Але якщо галузь переживе наступний технологічний стрибок, з ймовірності, одночасне відкриття 30 напрямків досліджень значно підвищить шанси США на досягнення технологічного прориву, порівняно з одним напрямком. На перший погляд, різниця між моделями зараз незначна, але в довгостроковій перспективі вона може бути суттєвою.

Проте в даних, реальних промислових сценаріях та апаратному забезпеченні Китай має очевидні переваги.

Кілька провідних компаній США закуповують дані у китайських підприємств, що свідчить про недостатність їх власних запасів даних;

По-друге, в реальних промислових сценаріях Китай має такі масові виробничі компанії, як CATL та BYD, які мають достатню кількість фізичних заводів для спільних досліджень;

По-третє, в апаратному забезпеченні, людино-роботизовані системи складаються приблизно з 1200 компонентів, понад 90% постачальників зосереджені в китайських регіонах, таких як дельта річки Янцзи та дельта річки Перл, що дозволяє китайським компаніям швидко і синхронно оновлювати моделі та апаратуру. Як тільки виявляється невідповідність між алгоритмами моделі та виконанням апаратного забезпечення, постачальники можуть бути залучені для корекції та оптимізації протягом двох тижнів.

Отже, Китай має значні переваги в апаратному забезпеченні та даних, тоді як перевага США полягає в моделях, але різниця між сторонами не є великою.

6. Щодо суперечок про "демонстрацію" чи "практичність" людино-роботизованих систем, багато обговорень не розмежовують поняття.

Алгоритми, пов'язані з тілесним інтелектом, в основному поділяються на три напрямки: Manipulation (маніпуляція), Navigation (навігація) та Locomotion (рух).

По-перше, Manipulation - це фізичне управління, тілесний інтелект та світові моделі належать до цього напрямку, наразі в галузі ще не сформувалася єдина зріла траєкторія; по-друге, Navigation - це навігація, технологія вже реалізована та зріла, її можна використовувати в автономному водінні; по-третє, Locomotion - це контроль руху, такі як біг або бойові мистецтва, які більше орієнтовані на демонстрацію.

Усі три напрямки належать до алгоритмів AI для роботів, але вирішальним для формування великої комерційної цінності роботів є технологія управління. Розвиток Locomotion є більш зрілим, компанія YuShu займає провідні позиції в цій сфері, а UBTECH також має непогані досягнення. Тому зараз нормально, що люди вважають, що вони лише демонструють свої можливості, адже це насправді їх сильна сторона. Нещодавно створені 360 нових компаній у сфері робототехніки зосереджуються на напрямку управління; а YuShu та UBTECH мають достатньо фінансування та створили відповідні команди для досліджень, їхні можливості в цій сфері також не слабкі.

Якщо розглядати лише демонстраційні сцени контролю руху, світовий ринок має обмежений потенціал близько 1 мільярда доларів; натомість пов'язані з промисловим виробництвом роботизовані рішення мають значно більший масштаб, обидва сегменти не можна порівнювати. Простими словами, технологія контролю руху розвивалася раніше, на початку роботи роботи могли лише танцювати та демонструвати; лише через два роки, коли технології управління завершать свій розвиток, роботи зможуть реалізувати справжню практичну цінність у великих масштабах.

02 "У сфері AI відбулися два зміни, які перевищили очікування, одне - нижче очікувань"

7. У найближчі один-два роки оцінка AI-компаній все ж повернеться до доходів та здатності до виконання. Традиційні програмні компанії можуть мати множник PS в межах 5-15 разів, у популярних галузях з технологічною перевагою множник може досягати 20-100 разів. Чи зможе компанія, як Zhiyu, утримати свою оцінку, залежить від того, чи зможе вона досягти масштабів доходу. Якщо вона зможе досягти доходу в 100 мільярдів, множник PS у 100 разів відповідатиме ринковій капіталізації в 1 трильйон; але якщо дохід становитиме лише 15 мільярдів, ринкова оцінка зазнає корекції, логіка в секторі робототехніки така ж.

ARR (річний дохід) компанії представляє її зростання, а підтверджений дохід - це грошовий потік. У сфері робототехніки це також так, в кінцевому підсумку все зводиться до загального доходу, ці фінансові показники є найсправедливішим критерієм.

Отже, для AI-компаній найважливіше - це дві речі: чи може модель продовжувати покращуватися, чи може клієнтська сторона сформувати реальне використання та доходи. Ці два фактори визначають, чи має компанія довгострокову цінність.

8. Протягом минулого року в сфері AI відбулися два зміни, які перевищили очікування, одне - нижче очікувань.

Перше перевищення очікувань - це обчислювальна потужність AI. Загальний обсяг обчислювальної потужності, а також швидкість переходу від навчання до інференції, зміна парадигми обчислювальної потужності або потреби - все це перевищило очікування. Наприклад, одна з великих технологічних компаній у Китаї минулого року виділила бюджет на обчислювальну потужність близько 50 мільярдів юанів, а цьогорічний бюджет становить більше шести разів від минулорічного.

Отже, незалежно від того, чи з'являються нові покоління AI-чіпів на первинному ринку, чи спекуляції на ринку HBM пам'яті та оптичних комунікацій, всі ці гарячі тенденції в галузі насправді є наслідком величезного попиту на обчислювальну потужність, і вся базова логіка є зрозумілою. Що стосується того, чи є раціональним короткострокове зростання акцій, я не можу судити, але загальний рівень активності та зростання на ринку обчислювальної потужності дійсно перевищує мої очікування.

Друге перевищення очікувань - це швидкість розвитку технології моделей та швидке формування консенсусу навколо моделей. Наприклад, у січні цього року, з розвитком агентів, таких як раки, здатність до кодування, коли ми робили десяток прогнозів минулого року, на WAIC ми лише зазначили, що здатність до кодування є важливою, але не очікували, що нині здатність до кодування стане основною конкурентною перевагою великих мовних моделей.

Оскільки здатність до кодування приносить можливості агентів, я вважаю, що промислова цінність агентів перевищує в тисячі разів AI-продукти, які в минулі два-три роки були зосереджені на чат-ботах. Одночасно формується позитивний цикл: споживання обчислювальної потужності, яке виникає внаслідок роботи агентів, в тисячі разів перевищує споживання продуктів, що базуються на простих діалогах, що також пояснює, чому зростання в секторі обчислювальної потужності перевищує всі очікування, ці два фактори взаємопов'язані.

Розвиток технології моделей та захоплення ринку капіталом щодо компаній, що займаються моделями, також перевищили очікування. Швидкість формування консенсусу на ринку щодо якісних компаній моделей є надзвичайно швидкою, ринкова капіталізація провідних компаній може досягати трильйона; на ринку також з'явилося безліч нових стартапів у сфері моделей, засновники яких в основному є представниками покоління 95-х та 00-х, такі проекти на стадії ангельського фінансування можуть оцінюватися в 2-3 мільярди, за всі роки я не бачив такої гарячої ситуації.

Нижче очікувань - це застосування AI, особливо застосування для споживачів. Минулого року я вважав, що 2025 рік стане роком, коли розпочнеться ера застосування AI. Зараз видно, що загальний обсяг застосування AI все ще перевищує очікування, але спосіб його відкриття відрізняється від того, що я думав минулого року. Сьогодні в основному застосування AI пов'язані зі здатністю AI до кодування, включаючи розвиток агентів, що я не передбачав. Минулого року я думав, що, можливо, цього року ми побачимо, як AI дійсно надає можливості тисячам галузей, можливо, з'являться кілька нових 2C застосувань, які мають шанси стати новими Tencent, ByteDance або Alibaba, але сьогодні, судячи з усього, не з'явилося жодного нового покоління 2C застосувань, яке б справило враження на весь ринок.

Перша генерація AI-застосувань, яка була створена в 2022-2023 роках, в основному представлена інструментами для діалогу та продуктами, такими як CharacterAI для емоційної підтримки, багато з яких вже виявилися неефективними, а галузь потрапила в ситуацію з конкуренцією за однорідність продуктів. Зростання користувачів також не є таким швидким, як у попередні два роки, загальне зростання за минулий рік було повільним. Ми провели внутрішній аналіз і підсумували, що основна проблема полягає в тому, що логіка зростання користувачів та трафіку, яка працювала в інтернеті та мобільному інтернеті, не спрацьовує в епоху AI для 2C продуктів.

AI-іграшки та AI-короткометражки є прикладами. Деякі компанії, що виробляють AI-іграшки, продали десятки тисяч одиниць, але 90% користувачів не активують функцію AI-взаємодії на тривалий термін, компанія зізнається, що це навіть добре, оскільки якщо десятки тисяч користувачів постійно спілкуються, витрачаючи токени, компанія не зможе витримати витрати. У короткометражках частка AI-контенту швидко зростає, але важко створити справжній хіт.

Це свідчить про те, що індустрія короткометражок базується на масштабах, але основна монетизація сильно залежить від хітових творів, на даний момент AI ще не може створити багато хітів. Це також показує, що в художньому вираженні та концепції людина займає значну частину, не можна просто покладатися на AI для створення якісного контенту.

9. Протягом минулого року технології відеомоделей досягли стрибкоподібного зростання.

Нові покоління відеомоделей, такі як Seedance 2.0, що викликали глобальний резонанс, використовують архітектуру MoE, що значно підвищує їхні інтелектуальні можливості. Тепер вони вже підтримують 4K роздільну здатність. Саме тому зараз багато голлівудських фільмів, реклами великих брендів, таких як Coca-Cola та McDonald's, багато фрагментів яких повністю або частково створені AI, спираються на можливості високоякісного генерування моделей.

Щодо цього раунду світових моделей, вони можуть забезпечити генерацію відео, реалізувати рух об'єктів, ефекти зіткнень, відтворюючи реальні фізичні закони, що було неможливо передбачити рік тому. Протягом минулого року пов'язані компанії продемонстрували стрімке зростання бізнесу, провідні гравці поділяються на дві категорії: три великі компанії у світі, такі як ByteDance Seedance, Kuaishou Keling, Google Veo; а також стартапи, такі як Shengshu Technology, Aishi Technology, Video Rebirth, бізнес та доходи яких зросли в десятки разів.

Зараз голлівудські, рекламні, весільні та конференційні компанії всі використовують ці технології. Різноманітні реальні сценарії раптово відкриваються, я вважаю, що цього року загальний обсяг комерціалізації в галузі значно зросте.

10. Основні переваги Seedance, Keling та Google Veo 3 - це обчислювальна потужність та дані.

Seedance, Keling та Google належать до одного типу, навіть якщо Keling розділиться, він все ще зможе спиратися на обчислювальну потужність та дані Kuaishou; основні переваги трьох компаній - це власні масштаби обчислювальної потужності, які дають їм перевагу над стартапами, такими як Shengshu Technology, а також наявність певних переваг у даних. Після оновлення відеомоделей, масштаби навчання та інференції повинні відповідати, ці компанії мають від кількох тисяч до кількох десятків тисяч карт, що є очевидною перевагою.

Але я вважаю, що стартапи все ще мають можливості: технології ще не повністю стабілізовані, стартапи не відстають від великих компаній у швидкості ітерації кадрів та технологій. Я вірю, що рішення Keling про розділення також допоможе зберегти найкращих талантів. Логіка, що лежить в основі VC та стартапів, полягає в тому, що хоча стартапи менші, механізм стимулювання акцій та можливість зосередити всі ресурси на досягненні цілей завжди дають їм перевагу над великими компаніями.

Ринковий масштаб швидко розширюється, після масштабування розподіл стане більш детальним, і вже з'явилися очевидні відмінності в точках комерціалізації. Спочатку розглянемо мовні моделі, три провідні компанії в США мають різні враження від використання, деякі вважають, що досвід спілкування з Gemini кращий, але з точки зору технологій та консенсусу в галузі, у ChatGPT від OpenAI найбільша кількість користувачів, і багато оптимізацій зосереджені на діалогових сценах.

Якщо говорити про англомовні діалогові сцени, ChatGPT має світове лідерство в плавності; Gemini, спираючись на Google, має доступ до величезних онлайн-даних, його перевага зосереджена на інформаційних пошуках та організації; Anthropic, починаючи з основних принципів, має переваги в кодуванні та можливостях агентів з самого початку, три компанії вже сформували чітке розмежування.

Компанії, що займаються генерацією відео, також мають різні стратегії: ByteDance зосереджена на кінцевому споживачеві, Keling орієнтується на бізнес, а Shengshu Technology, в яку ми інвестуємо, також зосереджена на певних бізнес-сценаріях, тенденція до розподілу в галузі є дуже очевидною. Вимоги до характеристик моделей у бізнес-сценах та споживчих сценах також мають значні відмінності.

11. Зараз існує одна небезпека: після формування консенсусу AI, величезні капітали починають надходити.

Після формування консенсусу величезні капітали починають надходити, спочатку на вторинний ринок. Наразі на ринку не так багато чисто AI-компаній, які можуть бути представлені на біржі, тому вторинний ринок не може прийняти велику кількість капіталу. Зараз очевидно, що гарячі гроші на вторинному ринку знову починають переходити на первинний та півтора ринки. Багато компаній щойно завершили фінансування, і їм не бракує грошей, але все ще є установи, які готові підвищити оцінку на 50% до 100%, негайно додавши ще один раунд інвестицій. Ці гарячі гроші мають великий вплив на галузь, компанії, які отримують кошти, що перевищують їхні потреби, можуть порушити свої стратегічні рішення та повсякденну діяльність. Але я також можу зрозуміти підприємців, коли хтось пропонує вищу оцінку та великі кошти, відмовитися від цього - це не природно, і це важко зробити.

У короткостроковій перспективі це більше вигідно для нас, але в довгостроковій перспективі ринок буде дуже хаотичним. Як я вже сказав, зараз є близько десяти компаній з оцінкою понад 20 мільярдів у сфері тілесного інтелекту, а також більше десяти компаній з оцінкою в 100 мільярдів, які були засновані всього два-три роки тому, що саме по собі є ненормальним.

Так багато компаній отримали великі інвестиції в цю галузь, що це може призвести до безладної конкуренції: по-перше, вартість обчислювальних потужностей зростає, сервери Nvidia, які раніше коштували 3 мільйони, тепер продаються за десятки мільйонів, що підвищує витрати на обчислення в усій галузі; по-друге, жорстка конкуренція за таланти призводить до зростання зарплат; по-третє, на рівні клієнтів відбувається безладна конкуренція, оскільки жодна компанія не має зрілого бізнес-сценарію, і всі намагаються залучити великих клієнтів, просто змагаючись у масштабах доходу.

Ці явища в довгостроковій перспективі завдадуть шкоди розвитку галузі, оскільки ринок переповнений ірраціональними поведінками.

12. Зараз на ринку капіталу існує певне "містичне захоплення" молодими підприємцями в сфері штучного інтелекту.

По-перше, більшість інституцій пропустили можливість інвестувати в компанії з великими моделями два-три роки тому. Багато інституцій не мали переконання в AI, тому не інвестували. На початку цього року з'явилося загальне розуміння великих моделей, тому багато інституцій прагнуть надолужити згаяне, що, безумовно, призведе до того, що нові компанії з моделями отримають особливі капітальні переваги.

По-друге, після виходу DeepSeek всі були вражені, багато ЗМІ повідомляли, що основна команда складається з аспірантів Пекінського університету та Цінхуа, а не з "ветеранів" AI-індустрії, тому на ринку склалося враження, що чим молодший, тим розумніший, а чим розумніший, тим менше історичного тягаря, тим більше шансів на успіх. Зараз багато інвесторів на ринку схильні вірити молодим командам, не кажучи вже про те, що молоді команди не є поганими; ми також інвестували в дуже молоді команди та розглядали багато проектів. Я просто кажу, що використовувати молодих підприємців як основний критерій для інвестицій є дуже суб'єктивним і не обґрунтованим.

По-третє, в США також з'явилися нові передові лабораторії моделей. У трьох провідних закордонних компаніях основні співробітники отримують зарплату в десятки мільйонів доларів на рік, а деякі талановиті молоді дослідники, завдяки високим доходам, не мають фінансових турбот і вибирають незалежно заснувати нові компанії з моделями, що також спонукає багатьох молодих людей в Китаї спробувати свої сили.

Логіку цієї хвилі можна зрозуміти, але коли ми оцінюємо окремі проекти, ми не будемо інвестувати лише через молодість засновника. Ми в першу чергу дивимося на те, чи має технологічний шлях потенціал для революційних змін або може забезпечити десятикратне підвищення. Навіть якщо засновник лише аспірант або нещодавно закінчив університет, не маючи відповідного досвіду в галузі, ми все одно будемо збирати різноманітну інформацію для підтвердження, щоб комплексно оцінити реальні технічні можливості команди та вибір напрямку досліджень.

13. Чим божевільніша епоха, тим більше потрібно звертати увагу на уроки історії. Чим більше шуму в епоху, тим важливішим може бути філософське мислення, щоб зрозуміти цю ситуацію.

Для молодих компаній, які існують лише два-три роки, моя порада: більше вивчайте історію. Чим більша хвиля, тим більше потрібно звертати увагу на уроки з історії.

Насправді в великих хвилях - епохах Інтернету та мобільного Інтернету відбувалися подібні ситуації, просто масштаби ставали все більш вражаючими. Наприкінці 90-х також з'явилося багато компаній, які могли залучити гроші однією людиною і завершити IPO за два роки. Але врешті-решт все повертається до початку, не створюючи справжньої вартості, навіть якщо вони були улюбленцями ринку капіталу, в кінцевому підсумку вони можуть зазнати невдачі.

Отже, чим божевільніша епоха, тим більше потрібно звертати увагу на уроки історії. Чим більше шуму в епоху, тим важливішим може бути філософське мислення, щоб зрозуміти цю ситуацію.

Суть інвестування полягає в тому, що ми інвестуємо в компанію, яка в майбутньому може досягти масштабування, і ми реалізуємо повернення через IPO та інші форми. Наприклад, ми можемо інвестувати в McDonald's, але абсолютно не інвестуємо в ресторан з трьома зірками Michelin. Навіть якщо ресторан Michelin заробляє багато грошей, має високий чистий прибуток, якщо він не може бути капіталізований і не має "підсилювача" IPO, він не зможе реалізувати вихід.

03 "Якщо через рік інтелектуальні системи не з'являться, потреба в обчислювальних потужностях буде переоцінена"

14. Цього року кілька великих технологічних гігантів США підвищили річний бюджет на AI-обчислювальні потужності з понад 700 мільярдів доларів до 800 мільярдів доларів; в Китаї це приблизно на рівні понад тисячу мільярдів доларів.

Ці статистичні дані можуть бути не зовсім точними, але напрямок дуже чіткий: це найбільший попит, який можна побачити в сучасному людському бізнес-суспільстві, з більшою визначеністю, ніж у сфері робототехніки, і з коротшим терміном реалізації, попит дуже чіткий.

Конкретні приклади: кілька років тому всі займалися навчанням моделей, але на сьогоднішній день ми знаємо, що потреба ByteDance в обчислювальних потужностях і інтерпретації вже поступово змінилася з 1:1 на більшу частину інтерпретації. Включаючи Zhiyu, зараз токени використовуються більше, якщо він зможе зберегти темпи зростання останніх кількох місяців, його потреба в обчислювальних потужностях для інтерпретації, безумовно, зросте. В основному, такі технологічні гіганти, як ByteDance, через два-три роки щорічно досягнуть потреби в обчислювальних потужностях на рівні мільйона карт. Отже, це величезний попит, дуже реальний і приземлений.

Отже, ринок GPU має величезний потенціал попиту, навіть якщо компанії GPU отримають лише 1% частки цього великого ринку, це означає, що вони можуть досягти доходу в мільярд доларів на рік, відповідна ринкова капіталізація легко може досягти трильйона. Але спочатку ринок буде розпорошений, а потім знову зосереджений. Зараз Китай може вмістити багато компаній GPU, але через п'ять-десять років, скільки з них залишиться? Я вірю, що це обов'язково буде зосереджено.

15. Зараз вітчизняні GPU приблизно мають три різні технологічні маршрути:

Зараз на ринку є AI-хмарні чіпи, які відповідають трьом різним технологічним маршрутам, останні два з яких виникли лише за останній рік і є дуже активними напрямками на первинному ринку. Перший тип - це вітчизняні виробники GPU, такі як Birran Technology, Muxi, Moer Thread, Kunlun Chip, Cambricon, Huawei. В даний час ключовим фактором є те, хто отримав потужності вітчизняного постачальника. Зараз лише кілька компаній можуть бачити перспективи стабільних поставок.

Через проблеми з постачанням, потужності передових технологій обмежені, зараз виникають два нові маршрути, які можуть краще відповідати майбутнім потребам AI в інтерпретації, а також уникати проблем з постачанням. Два маршрути: один - 3D-складений DRAM, інший - DDR. Зараз компаній, які займаються 3D-складеним маршрутом і маршрутом DDR, близько десяти, серед яких багато провідних компаній, поточна оцінка яких зазвичай коливається в межах 10-20 мільярдів юанів, а обсяги фінансування дуже великі.

Логіка, чому ринок позитивно оцінює ці компанії, дуже проста: якщо продукт може бути реалізований у масовому виробництві, по-перше, це може вирішити проблему постачання потужностей; по-друге, майбутній ринок інтерпретації має величезний потенціал зростання, ці компанії завжди зможуть отримати відповідну частку ринку.

16. Очікування ринку щодо потреби в обчислювальних потужностях все ще коливається, і це варто насторожитися.

Найбільше, на що потрібно звернути увагу на ринку, це те, що кілька днів тому вже відбувся один шок, коли з'явилися повідомлення, що Meta планує продати частину надлишкових обчислювальних потужностей, це повідомлення не було офіційно підтверджено Meta, ринок миттєво засумнівався в усіх попередніх оцінках галузі. Після виходу цього повідомлення в ту ж ніч корейський фондовий ринок зазнав обвалу, акції Samsung і Hynix різко впали, а пов'язані акції на внутрішньому ринку, такі як Hong Kong Stock Exchange та A-shares, також впали.

Якщо подальше впровадження AI не зможе підтримувати постійний вибуховий ріст, наприклад, якщо розвиток Agent за рік не принесе результатів, комерціалізація не підніметься на новий рівень, або якщо можливості моделей не підвищаться, а лише залишаться на поточному рівні, загальний обсяг застосування не зможе зрости, і очікування зростання обчислювальних потужностей будуть зруйновані, що призведе до концентраційного ризику на первинному та вторинному ринках.

17. Різниця між вітчизняними висококласними AI-чіпами та Nvidia, перш за все, полягає в програмному екосистемі.

Зараз для навчання моделей в основному використовуються картки Nvidia, всі системи навчання моделей побудовані на екосистемі CUDA. Щоб ефективно та економічно здійснювати інтерпретацію, потрібно обов'язково бути сумісним з CUDA. Це не лише проблема китайських компаній, AMD також бореться з цим протягом 10-20 років.

Зараз відбуваються деякі зміни: по-перше, у порівнянні з епохою AI 1.0, алгоритми великих моделей мають вищу конвергенцію, тому оптимізація операторів стає відносно простішою, що може знизити бар'єри адаптації, пов'язані з CUDA. По-друге, за останні півроку покращилася здатність написання коду для великих моделей, зараз всі виробники чіпів, які не є Nvidia, використовують великі моделі для автоматичної адаптації операторів. Але, як би там не було, на сьогоднішній день екосистема CUDA залишається найбільшою конкурентною перевагою Nvidia.

На апаратному рівні протягом багатьох років говорили, що наші передові технології живлення відстають від TSMC на одне покоління, кількість транзисторів у чіпах менша, щоб досягти такої ж обчислювальної потужності, потрібно збільшити площу чіпа, що призводить до підвищення витрат і збільшення тиску на охолодження, це цілий ряд пов'язаних проблем. Простими словами, наші висококласні чіпи в порівнянні з Nvidia принаймні відстають на одне покоління.

Відмова від відповідності: цей контент надано лише для загальних брендингових та інформаційних цілей і не є фінансовою, інвестиційною, юридичною чи податковою консультацією. Події, нагороди, онлайн-події або пов’язану інформацію, згадана тут, не слід розглядати як рекомендацію, прохання чи запрошення до купівлі, продажу, торгівлі чи інших операцій з криптоактивами або використання послуг. Криптоактиви є дуже волатильними та можуть призвести до збитків. Послуги WEEX та онлайн-події можуть бути недоступні в усіх регіонах та підпадають під дію чинних законів, правил та вимог до участі. Ви несете відповідальність за забезпечення відповідності використання вами послуг WEEX місцевому законодавству та за ретельну оцінку ризиків перед участю в діяльності, пов’язаній з криптовалютами.