当这场一个多小时的对话开始时，画风是这样的：

“今天是一群在AI领域专注搞钱的人们的局，我们应该可以建立一些共识。”

而结束时，画风变成了这样：

“在一个专心搞钱的氛围之内，还能这么没有共识啊！”

在2024钉钉AI生态大会上，硅星人创始人骆轶航和金沙江创投主管合伙人朱啸虎，猎豹移动董事长兼CEO傅盛，智谱AI COO张帆，以及钉钉副总裁王铭进行了场圆桌对话。

讨论的话题从什么才是AI应用，到大模型To B和To C的争论，再到Scaling Law是否还有意义，以及大模型行业究竟怎么赚钱，几乎涵盖了今天AI商业化上的所有关键问题。

五个人在行业里的角色和角度各不相同，对话快速进入了火花四溅的节奏。在这些真诚而直接的探讨和交锋后，我们发现，这是一个仍然存在着非常不统一的“非共识”的行业，也因此是个前所未有的有意思的行业。

以下为这场信息量巨大的对话的实录，enjoy：

没有任何一个模型能解决所有需求

骆轶航：今天这个局特别好，都是实干家。帆总这么开心地看着我，我讲完我就后悔了，因为这里边可能只有智谱是追求要把参数做大，把模型做大，然后把性能做起来。

张帆：我们也是实干家。

骆轶航：对，你在智谱是管落地和管收入管钱的对吧？今天在座的各位都是特别致力于把生成式人工智能跟钱，或者更准确的说跟商业落地结合得更紧密的。我觉得这个就特别好，现在好像还流行讲AI领域的非共识。但是我觉得这个局弄不好是一个共识局，我们期待它能成为一个共识局。

骆轶航：其实我手里有一些问题，但是我准备先随机问一个问题。今天上午钉钉发布了一个重大更新，有人称之为“七龙珠”，意思是钉钉后台接入了七个国内的大语言模型，供用户自己选择。但我很想知道这个决定背后的原因。王铭总和张帆总，你们能聊聊这个决定背后的原因吗？

王铭：我先说说最开始为什么钉钉要整合“七龙珠”。其实不是凑七龙珠，而是基于客户的选择。在过去的一年多里，钉钉在四次发布会上讲的都是AI。自从ChatGPT出现后，我们看到了可能性，开始打磨自己的产品。去年4月，我们发布了一系列产品改造。当时我自己用的时候还觉得不够顺畅。但经过一年多的磨合，越来越多的用户开始使用钉钉的产品。虽然钉钉的协同场景看起来比较简单，但用户觉得AI在这个场景中有用，因此我们收到了大量用户的需求。这些需求各不相同，所以我们需要更多的合作伙伴来解决这些需求。我们的初心就是解决用户的问题。

骆轶航：也就是说，用户的需求各不相同，所以没有任何一个通用的大语言模型能够解决所有用户的需求。

王铭：对，包括产品能力和组织本身的一些定位和能力，都是我们考虑的因素。

骆轶航：张帆总，你觉得原因是什么？为什么你们是七分之一，而不是智谱加通义千问？

张帆：骆老师的问题总是这么犀利。我觉得从另一个角度来看，钉钉要打造一个足够自由的生态，把选择权留给用户。今天模型的迭代速度非常快，不同公司有不同的战略。无论是从模型产品的战略，还是客户服务的场景战略。钉钉有一个几乎无限的场景池和用户，这时候需要保证多样性，才能服务几乎所有的用户。虽然模型有差异，但只有更多的多样性，才能更好地服务用户。这是钉钉的出发点。

骆轶航：模型之间有差异，但正是因为差异才能服务不同的用户。

张帆：对，还有就是不同公司的战略和优先级不一样。今天有这么多用户需要服务，只靠一家公司是不够的。只有当大家都繁荣了，有足够的多样性，这个生态系统才能不断进化，产生新一代的东西。

骆轶航：好，理解。朱总和傅总，你们对这个问题有何看法？

朱啸虎：可以看看美国的Apple。我觉得Apple Intelligence发布会说明了很多问题。今年5月我在硅谷时听说，苹果今年可能会70%接入ChatGPT，30%接入Gemini。但最终发布会上还是以ChatGPT为主，说明Gemini确实还不如ChatGPT。不过，这也不好说。以前，Google每年给苹果一百多亿美元做预装，在iPhone和iPad上预装Google搜索。如果今年年底Gemini追上了ChatGPT，情况可能就会倒过来。这次可以看到苹果很强势，说不需要注册就能使用ChatGPT，这意味着苹果不给ChatGPT导用户。而且我们可以随时切换，用户可能根本不知道。我觉得这可能是一个标准，即前端还是入口为王，后端用哪个大模型，用户根本不需要关注。前端应用和终端厂商会帮用户决定使用哪个大模型。所以最终可能还是要回到Google以前的老模式，每年给入口、终端和前端应用付钱，才能让用户使用它的大模型。

骆轶航：现在他们的分成模式其实还是一个非常粗糙的模式。

朱啸虎：目前几乎是互相免费的，同时也不给ChatGPT导用户，因为苹果不希望牺牲用户体验。今年年底如果Gemini追上了ChatGPT，同时Google愿意给苹果付钱的话，那我觉得苹果至少肯定会切换到Gemini。

骆轶航：对，我觉得肯定是有这个可能性的。

傅盛：我认为今天模型厂商确实很难拉开差距，这是第一点。虽然可能张总不太高兴，但事实如此。第二点，我觉得目前没有一个大一统的模型能够在各个方面都满足客户需求。你真正到企业场景中去看，会发现客户的需求是多种多样的。在不同领域，不同模型确实有一些细微的表现差异，这些细微差异可能就是用户需求的点。所以，我认为做人工智能应用，最终还是要看用户的需求能不能得到满足，有时可能就是那么几个关键点。此外，还要考虑成本问题，有的地方能用7B的模型，就别用30B的；谁家的便宜且性能好，就用谁的。所以我觉得这可能是钉钉对行业的理解和观察，才会建立这样的开放平台。

到底存不存在所谓的模型即产品？

骆轶航：今天钉钉的发布会和这个场子本质上在探讨AI应用是什么，以及它应该是什么形态，这个话题非常有趣。

当我们谈论AI应用时，现在是没有共识的。我想在这块尝试建立一个共识：首先，什么是AI应用？AI应用是不是像手机上的应用一样，是一个独立的可下载软件？还是说它可能内置在一个非常强大的超级入口，如ChatGPT、Gemini或Claude这样的应用中？其次，应用本身与模型之间是什么关系？很多人感到困惑，认为他们的AI应用能力取决于模型的能力和极限，这似乎变成了一种正相关的关系。这让许多人感到困惑。所以究竟什么是杀手级应用？模型本身有没有可能成为应用？

其次，应用本身与模型之间是什么关系？很多人感到困惑，认为他们的AI应用能力取决于模型的能力和极限，这似乎变成了一种正相关的关系。这让许多人感到困惑。所以究竟什么是杀手级应用？模型本身有没有可能成为应用？

在硅谷，我注意到真正做AI应用的人，本质上都在做模型，他们做的是小模型，可能是一个几件套，底层用开源工具和开源模型训练成自己的小模型，中间做一些类似于workflow和Agent的东西，最上层接入GPT-4或GPT-4 Turbo接口。我们讨论应用时没有共识，更别提杀手级应用了。

所以接下来我想讨论什么是下一个杀手级应用？我们应不应该打破过去对应用的理解去审视这个问题。

还有一个非常重要的问题：模型本身有没有可能成为应用？大家能不能从各自角度给出一些答案？

朱啸虎：傅盛讲得特别好，今天大模型最大的问题是准确率太低。所以我觉得杀手级应用的核心就是准确率。

对于大部分场景来说，不需要一个像ChatGPT那样的顶尖模型，在大多数场景中，可能一个垂直领域的专科生级别模型就足够了，但这个专科生需要经过垂直训练和职业培训，能胜任工作。所以核心是能否在垂直场景、细分场景中把准确率提高到95%，甚至接近99%。这对创业者来说尤为重要。

今天不管是中国还是美国，创业者都在拿开源模型和垂直场景的数据进行优化训练，确保这个专科生在特定场景中能达到95分，甚至99分以上。我觉得这样就能迅速引爆市场。我们可以看到很多这样的场景，现在国内基本都建议创业者使用通义千问的开源模型进行垂直训练。通义千问效果确实很好，而且在中文知识上做得也很好。拿这种开源模型进行垂直训练，确保准确度提升，这是今天最核心的一点。

骆轶航：我觉得朱总您投资的近屿智能，他们在做一些与AI相关的招聘工作，这个团队的技术实力还是相当强的。

朱啸虎：是的，他们在工程实践和落地能力方面非常强。AI视频面试是目前所有大模型公司和HR软件公司都在做的事情，但大多数都达不到想要的准确率。甚至很多HR软件公司自己做不出来就直接接入GPT，但GPT同样也没有足够的准确率。近屿智能是唯一能够保证准确率的，他们面试了数百万人，没有出现幻觉或胡说八道。所以像美团、腾讯、招商银行这些AI能力很强的公司，都在使用近屿来进行AI面试。这是核心问题，确保准确率。尤其是大公司，更担心数据出问题。

傅盛：其实应用分为To B和To C。我觉得在To B领域，有一个非常重要的要求，那就是准确率，这是核心点。目前来看，大模型在To B领域还不能实现“模型即应用”的概念。不是简单地接入一个接口，企业就能提高效率。

在To C领域，第一个杀手级应用是聊天，即ChatGPT。在这个领域，用户对容错率的要求较高，只需要一些启发性的答案即可。因此，在To C领域的应用除了聊天外，还有即将出现的文生视频、文生图等高度依赖模型能力的应用。模型能力越强，用户留存率就越高。除此之外，To C领域还会派生出一些深度优化的应用。

苹果在发布Apple Intelligence时，很多人说图片消除功能做得不够好，但这就像操作系统也可以做很多类似的功能，但美图秀秀依然可以存在。因为只要对特定客户的需求挖掘得足够深，这些应用就有可能出现。

不要以为叫个AI就能爆红，一定是基于对用户深度的理解。To C领域的应用要看谁做得更深。例如，苹果可以整理邮件，如果能把邮件整理得更好，还可以获得部分用户。在这个领域中，模型和端会吞噬大量我们过去能想到的一些基础功能。

此外，我认为硬件和软件的结合将会产生杀手级应用。比如今天钉钉上午的会议系统，我觉得就是一个很好的应用。因为搭载了硬件，所以软件能力得以放大。还有机器人也是一个很好的杀手级应用。以前大家不看好，但我觉得现在春天来了，现在可以流畅地回答日语和韩语问题。所以未来是硬件和软件结合的杀手级应用。包括眼镜、实时翻译机等这些以前被认为是鸡肋的东西，现在都有可能成为杀手级应用。我觉得基本上明年会有一波大的爆发。

张帆：谈论杀手级应用时，我相信它一定存在，但它肯定不是设计出来的。像iPhone是2007年发布的，抖音是2016年发布的，所以它们并不是在第一天就预想到的。所以我认同我们今天要做很多不那么杀手的应用，通往最终杀手应用的道路就像“跳边形”的概念。这不是想出来的，是做出来的。

另外，刚才也提到为什么今天很多应用一定要做个模型，或者是小模型与大模型之争。我自己是一个技术信仰派，我觉得模型现在不仅不太大，而且还远远不够大。

当我们只有新闻网站、博客网站时，我们在说3G有什么用，2G就够了。因为我们还没有进入深水区，今天看起来都一样。但是如果随着我们的算力、模型、用户场景和理解的深入，我觉得这里会一层一层变深。包括Agent接近于深水区，对模型的要求逐步提高。那时模型的价值和重要性会被发现。奥特曼曾说过，不要试图弥补模型的缺陷，它会变得越来越聪明，比我们想象的更快，也带来很多全新的应用。

王铭：刚才骆老师问了一个问题：“什么叫应用？”我觉得能解决用户问题的就是应用。所以如果模型本身能解决问题，模型本身就能成为一个应用。当然，越来越多的场景单靠一个模型是解决不了的。我们需要拼装各种不同的动力设备或车辆，过程中需要结合模型能力去打造一个应用。我认为更多的场景会是这样的。

所谓杀手级应用，我觉得有两个维度：一个是横向的，你的规模足够大；另一个是纵向的，在某些垂直领域内你的深度足够强，这也是杀手级应用。比如前几天看到的清华团队在医疗行业模拟了四个医生加两个护士的分诊流程，快速给患者分诊看病并持续迭代。

骆轶航：这是一个医院版的斯坦福小镇。

王铭：对，经过一段时间的迭代后，他们能够解决百分之八九十的医疗咨询问题，看病的准确率达到了非常高的水平。在中国的医疗体系中，目前大量医生的准确率还达不到这个水平，误诊率还是很高的。所以在这种垂直场景中，我相信会出现很多杀手级应用。

当然，我的判断是，在较近的阶段，杀手级应用一定会出现在大厂里。现在的模型能力还没有达到能够驱动一些AI原生应用的场景。

比如3G时代和4G时代带来的一些新原生场景。原生场景一定取决于基础设施层面是否有非常强大的支撑能力。但从现有的模型能力来看，已经可以驱动解决很多场景级的问题。杀手级应用优先产生于大厂的平台上，凭借大数据量和运用规模，再结合AI能力，即使不需要很强的能力，也可以解决营销、销售、客服等问题，因此大厂可能会产生第一波杀手级应用。

大家有一个美好的愿景，总希望看到一个市面上还没有出现的产品，在某一个细分领域内草根逆袭，成为最终的翻盘玩家。我是一个比较乐观的人，所以我相信这种情况一定会存在。

我们现在所有的从业者，实际上在做一些应用层的工作，我们的目的是当杀手级应用出现时，能够有能力开发它。我强烈相信，钉钉有这么大的数据量和这么多的场景，作为用户的生产力场景，我们肯定是下一个杀手级应用的最潜在的玩家之一。

骆轶航：刚才这一部分我觉得有几个核心、非常有用的观点：

1. 用户使用的准确率是关键。尤其当用户使用某个服务与他的职业相关时，容错度非常低。
2. 用户用起来，这个东西本身就是杀手级应用。大家不要倒推，不要为了做一个杀手级应用而去想它是什么样子，这也是非常有意思的事。我们很多时候在思考什么是AI应用，什么是杀手级应用，很多时候其实是在用过去十年的成功经验倒着去看的，而不是顺着去看的。
3. 在模型和应用的关系上，实际上也有一些不同的声音。我觉得这与大家的立场有关。比如猎户星空，很多时候非常像一个Agent，有时候甚至是一个工具和框架。在这种情况下，他们更关注应用。这种争论在这里存在，在太平洋的另一边也存在，我觉得很有意思。

关于TO B 还是TO C，吵起来了？

骆轶航：傅盛还提到了To B和To C的问题，我觉得这个问题对创业者来说也值得探讨。对于现在的创业者来说，做To B还是做To C？应该基于自身的专业知识选择？还是基于哪个更容易商业化选择？我认为任何一轮技术革命在早期都是生产力工具。PC和桌面软件出现了Windows，然后是Office，它们究竟是To B还是To C？在每一轮技术革命中，可能都是这样。但对于创业者来说，他们应该如何看待这个问题？

朱啸虎：任何一个历史周期，都是由To B的生产力工具掀起的，这是毫无疑问的。企业愿意为提高10%、20%效率的技术付费。今天To C可能确实有点早。

对于消费者来说，对于创业者来说，可以考虑更多的To C应用。今年下半年苹果在手机端有终端模型和终端芯片后，我觉得明年这个时候可以考虑一些To C的模型。

To C和历史是一样的，比如PC互联网的第一个C端爆款应用是搜索，今天的AI也是一样的，第一个爆款应用还是搜索。AIGC将搜索提升到一个完全不一样的用户体验，直接给出结果。但对创业公司来说确实比较难。

另一个机会点是消费电子。消费电子对于中国的创业者特别有机会。美国创业者没有供应链优势。现在任何一个做消费电子设备的企业必须有中国创业者，必须有大湾区的供应链，否则毫无竞争力。所以我觉得这是中国创业者可以考虑的一个机会点。

骆轶航：这个我特别同意，西海岸湾区对接这边的大湾区，现在非常普遍。

傅盛：我觉得这个问题和上一个问题都是特别误导创业者的。

如果真的要创业，老想着这些问题，很容易进沟里。不管是杀手级应用还是To B和To C，都要结合自己的积累和特点。我们一定是行业趋势和个人积累相结合，在每个领域都会有机会。比如说杀手级应用，我特别赞同张总的观点，它不是想出来的，而是慢慢积累出来的。你的能力足够、积累足够，抓住一次机会，就可能成了一个杀手级应用。

我觉得To B肯定有不少机会，但To B也有很多问题。To C今年可能还难一点，但随着Apple Intelligence推出本地化模型并开放API，我觉得明年会是一波To C应用的崛起。但总体来说，还是要从自己擅长的领域出发，将最擅长的领域和AI结合，这是你的机会。做To B的不要想着一定要做到To C才能爆发。做To C现在去搞客户关系，我觉得也挺难的。只要坚信AI是底层革命，坚守自己的价值积累，把AI做好，都会有机会。

骆轶航：其实核心就是基于自身的专业知识和过去的积累去做。但我觉得你的To B做得也有To C的味道。

傅盛：是啊，所以做的不太适应，得慢慢学习。我们今天讲头条抖音的成功，张一鸣之前做过酷讯，也做了好几年搜索，这是很厚的积累。

张帆：我特别认同傅总的观点，其实不是To B或To C的问题，这两者的特点不一样。To C显然天花板更高，但To C的挑战在于模型依然以每三个月一个大版本的速度在迭代，模型的边界看不到。

我经常开玩笑说，通常做个PMF（产品市场契合）能管几年，现在大模型时代一个PMF管三个月，基础设施和外部环境就变了。所以To C面临的挑战很大，但它的天花板更高。如果10年前做抖音可能做不起来，但这有一定的机遇成分。而To B在今天显然是一个确定性很强的事儿，一定能带来生产力的提升。

但到底什么样的公司适合这个时代？我们觉得它既不应该模型含量太高，也不应该模型含量太低。

模型含量太高，很容易被基座模型的迭代淘汰；模型含量太低，就与这个时代脱节。所以今天对于创业者的要求是，你需要对行业有深刻的掌握，同时又要有模型的意识，接受它的逐步迭代，有足够的耐心。我觉得今天是一个很好的做To B的时代。

骆轶航：我觉得帆总说得很清楚，“这是一个很好的做To B的时代”，智谱与To B的关系非常紧密。帆总提出了一个概念——“含模量”。到底要有多高的含模量？它需要有know-how，甚至需要有一部分能力，基于很多模型做一些优化调整。但怎么把含模量和行业的know-how结合，甚至通过含模量加深行业的know-how和积累？这是一个很有意思的问题。王铭总同意帆总的看法吗？你们做的工作有点类似。

王铭：我认为创业只有一个选择，就是做To B。

今天的大模型还没有成熟到可以快速理解、使用的程度。大模型还在快速演进中，我们需要了解它本身的一些属性。今天99.999%的产品经理不知道如何利用大模型去做一款产品。对大模型的思维链、工具调用等各种能力，99%的产品经理还不知道如何结合大模型的能力去做产品，所以做To C的死亡概率很高。而且今天的大环境也不太支撑我们花大量时间和金钱去赌。因此，确定性更高的是在To B领域，可以做一些项目，积累know-how，了解大模型如何做出好的产品，再看未来是否有洞察，是结合过往经验或在To C方面更强，还是在To B中的业务逻辑能力更强，然后再决定是否做To B的应用。

现在，如果你想活下来并继续创业，只有一个选择，就是做To B，除非你是个富二代，有无限的资金可以花，或者是一个大厂，可以给你持续的积累。包括今天大模型厂商做To C应用的话，大家手里的资源是有限的。你做的是一个商业模式，而不是科学研究。如果你的商业路径不清晰，没有投资者会愿意投资。可能在半路上就会被淘汰，那你就没有机会继续等待大模型发展的那一天。

骆轶航：我觉得挺好，观点很明确。刚才傅总说这个问题好像是个误导问题，但实际上这是个真问题。To B和To C的问题，对于创业者来说，就是现在做什么。第一个是可行性，第二个是能活下来，第三个是能融到钱，第四个是能赚钱，第五个是可以实现规模化增长。

如果我综合一下，我的看法是务实一点，近期先做To B，从长远来看，To C未必不可行。机器人就是一个既To B又To C的东西。现在的大语言模型和生成式人工智能，相当于IBM、Oracle、Cisco的早期，还没有到Yahoo和Google的时代，甚至就是Nvidia 1993年、Cisco 1980年代的时期。可能有一天会走到Yahoo、Google乃至后来的Facebook的时代。

“无论怎么说我都想不通大模型怎么能赚钱”

骆轶航：我们再聊几个关键议题，接下来就是活下来的问题，这也是被问得最多的问题：烧钱之后如何赚钱？To C的话，只要用户付费，它就是一个可行的商业模式。但前提是用户愿意付费。

朱啸虎：我觉得To C更是个问题，付费不代表经济模型健康。很多在海外做聊天机器人的公司，花一块钱只能收回两毛钱。虽然有收入，但成本远远超过收入。要考虑到推理成本和获客成本，获客成本更高，基本上获客成本都远远赚不回来。

骆轶航：大家同意朱总的看法吗？To C特别难赚钱，那To B能赚钱吗？尽管我认为API本身的价值也存疑，OpenAI一年内降价90%，我们一天降95%。区别不大，我们只是一步到位做了人家一年的事。但我们该怎么去赚钱？我前不久和人交流，大家有一个初步的共识，但我觉得这也可能会被颠覆。模型本身不该收钱，甚至API本身都不该收钱，而是基于上面的服务赚钱。这个本质上就是把“苹果税”的方式放到模型上。这个方法可行吗？

朱啸虎：已经很显然了。尤其在中国，我觉得API以后肯定是免费的。所以我前两天就说，五年以后就没有独立大模型公司了，只有前端的云应用公司。

另几个知名投资人在我的评论中说，五年太长了，三年以后就没有了。

现在非常明显，只有前端有机会。所以我觉得中国的创业者反而有机会，用AI直接交付服务，不卖软件。在中国卖软件本来就卖不出好价钱。但用AI交付服务，可能今天50%AI，50%人工，过两年80%AI，20%人工，这是最适合中国创业者的。我觉得今天大模型有问题，解决不了准确性的问题，那就人工对齐，这是最适合中国创业者的。

我不相信scaling law，不相信能靠AI 100%实现。我觉得最多可能在今天的架构下做到80% AI，20%人工对齐。我对中国的创业反而更乐观，就是靠人工补齐。我觉得这是今天创业者需要思考的战略角度。

骆轶航：大家怎么看API能不能卖钱？以及To C能不能卖钱？卖的钱和烧的钱之间的比例到什么时候能够收支平衡？收支平衡的周期与skilling law的发展有关系吗？

张帆：首先，我们大概是主流厂商里第一个大规模降价的。

骆轶航：你们CEO说你们是第二个，第一个是DeepSeek。

张帆：我说的是主流厂商。

骆轶航：还不承认别人。

傅盛：DeepSeek的模型挺好用的。

张帆：我们原来有比较大的业务量基数，我想强调的是我们去降价和没有业务量基数去降价的区别。

我可以说一个数字，我们今年最低的价格相比去年的一月份降了将近1万倍。从五毛钱一个token到现在最低的各种叠加之后是五毛钱100万token。所以大概降了差不多1万倍。同时，我们过去六个月的API每日消耗量增长了50倍，使用量非常快地增长了。但有一点，比较贵的GLM4模型的占比并不会因为降价而下降。所以，本质上，今天大家越来越多的应用进入深水区，对模型的质量要求还是很高的。

骆轶航：所以我能不能这么说：真正想用模型开发有用东西的客户，尤其是企业客户，骨子里不是对成本敏感的。

张帆：如果模型能给他们带来明确的业务价值，今天的投入其实比传统方式低很多。前提是客户真正会用且用到关键能力。这是第一个观点。关于怎么赚钱，我也简单说一下，两个方向。

第一，我们从去年到今年的降价不是靠硬扛和亏本，而是靠技术进步，算法进步，硬件进步，推理成本下降，同时模型能力上升。原来需要十B的模型，现在可能用百B模型达到相同能力。综合下来，同等水平下降了1万倍。未来一定会持续这个趋势，增长速度不会下降太多。

但训练一个模型的成本相当于一个常量。用得越多，收益就越高。所以我们愿意和钉钉合作，希望放大它的价值。虽然价格降低了，也是为了普惠，让越来越多的开发者更容易使用模型能力。我们将发布训练能力和进一步制作Agent的能力，逐步降低门槛，让大家更容易在更大范围内应用到业务系统中。这就能摊薄成本，慢慢开始赚钱。

骆轶航：这个“慢慢”是多慢？

张帆：那就看和钉钉合作的力度了。

骆轶航：钉钉是什么角色？感觉钉钉快成大家的微软了。

张帆：钉钉是一个放大器，能够把价值放大。而且钉钉上有最大的用户群和最多的场景，这就是天然要联合在一起，连接在一起的桥梁。

骆轶航：理解。我觉得这块说的成本下降背后的逻辑非常有意思。

傅盛：我挑起一个话题，无论张总怎么说，我还是想不通大模型公司怎么赚钱。

如果创业者是做模型训练的，千万不要碰，应该把应用免费的羊毛好好撸一撸，把体验改善一下。

其实应用是有机会赚钱的。我讲一个我们内部的例子，后来发现很多创业者听了后都去做了。得到有每天听本书，那是以前人写的，我们在海外做了一个用大模型读书的，用半小时帮你读完。这个产品本身已经盈利，投入也就两三个人，所以我觉得做应用的创业者可以利用大模型提供的福利，自己快速迭代。

第二，我不太认同模型吞噬一切的能力。国外有个网站大家都觉得它是套壳的，但事实上今年它的用户量还是涨了很多倍。所以你只要获取了客户，就有机会用极低成本获取客户。客户习惯难以改变，除非出现一个很大的代差。所以只要先获取了客户，慢慢快小步快跑，是有机会挣到钱的。但大模型公司我还是想不通，因为他们背后有很多巨头可以通过卖云挣钱。

骆轶航：我记得和朱总群聊的时候讨论过“大模型公司API的降价本身背后是应该怎么能够形成一个飞轮”这个话题。您有没有觉得现在大模型公司之间API价格的下降，有点像当年网约车领域的打法？当然您投过非常成功的网约车公司，可能会不同意这个看法。

朱啸虎：这个还不太一样。我觉得大模型以后会越来越像水和电，成为基础设施服务，必然成为云的一部分。

网约车是很不一样的，完全不可能免费的。至少以后还是有成本的。大模型反而因为它给云厂商本身带来很多价值，比如说我的数据给云厂商了，云厂商免费提供这样的服务，反而更愿意提供这样的API服务。

王铭：我觉得应用层可能帮大模型赚钱。应用层也没烧过钱，所以不涉及这个问题，对吧？

骆轶航：应用层其实做深了也得花不少钱。

王铭：大部分钱都被大模型厂商拿去了。我觉得怎么赚钱这件事，还是要回到用户视角。你到底解决用户今天什么问题？

包括刚才傅盛总讲的给老板们当智囊团，这也解决了认知问题和企业落地问题。包括我今天跟朱总交流，他说有一家投后的公司给别人做培训，这也是满足了价值。我们现在给很多企业做一些大模型应用的落地，虽然使用效果可能不那么好，但让他们实操了，这也是他们愿意付钱的价值。

回归到大模型厂商怎么赚钱，我觉得大模型厂商要搞清楚自己是干嘛的。做大模型的还是要找应用场景。像我们这种平台，天然应该和大模型厂商联合打磨，给用户创造价值，做一些行业解决方案。这是智谱特别擅长的。我们联合做了解决方案后，可以让很多生态伙伴低成本地交付又有比较高的毛利，就像钉钉过去几年搞低代码一样。这是一个很浅显易懂的商业模式。另外，很多大模型厂商普遍的共识是，我们在模型层面至少能节约90%的成本会大幅下降。在硬件层面，未来几年可能会有至少90%以上的成本缩减。所以未来像水电煤一样低成本。只要熬到那个时候就能赚钱。

骆轶航：是赚到了一些钱，还是获得了一些收入？

王铭：获得了一些收入，起码验证了客户价值。我觉得验证客户价值的过程，其实是给模型反馈的过程。包括今天和钉钉的很多合作，不仅仅是为了创造收入，还要在更多的场景中验证模型是否做对了。对于大模型厂商来说，这至关重要。所以赚钱这件事，只要现在能验证一定的商业模式，能留在牌桌上，长期能持续站在第一梯队上，成本下降后，你天然就是收割者。关键还是能不能活下来。

骆轶航：我觉得现在大家是在熬一个活下来的过程，但这个过程伴随着整个模型能力的迭代、优化、成本在训练和推理两个层面的降低，以及硬件成本的降低。但这个过程和你跑的速度之间有时候是暧昧的。刚才提到了Minimax也赚了一些钱，也有一些收入。他们公开讲过，用户到一个什么样的规模，比如一个日活到1000万，以他的算法来算，就能通过中间的一些环节费用赚钱。但跑的过程需要多久？花多少钱？这是大家现在都在摸索的东西。我觉得我们是试图形成一个共识，今年大家认为To B比To C更好赚钱吗？同意这个的举手。

（现场四位全部举手）

大模型像水电煤，可水电煤公司估值都不高啊

张帆：刚才骆老师一直在说大模型越来越像水电煤。但水电煤没有一个是不赚钱的。

骆轶航：水电煤没有一个不赚钱的，但水电煤的公司估值极低。

朱啸虎：水电煤公司建好工厂后就不需要每年翻新，而大模型每三个月都要翻新。

骆轶航：朱总，您的观点变了。您现在认为大模型的能力每三个月要翻新了？您不认为GPT现在的能力遇到瓶颈了吗？

朱啸虎：现在是小的迭代，大家都在争取翻新，但翻新不了。

骆轶航：接下来再问一个问题：To B会不会走SaaS老路？我指的是中国的SaaS老路，不是硅谷的SaaS老路。

前些日子我发了个朋友圈，说SaaS是这个世界上最好的最优雅的商业模式。说完后觉得特别矫情，但它在某些地方确实很优雅。

然而在我们这里，SaaS做得很辛苦。我关注了好几个关于AI领域的公众号，不是看前沿资讯，而是看中标资讯。现在很多公众号每天更新中标资讯，各个项目走的是招投标模式。

招投标模式是我们过去软件服务业在中国走的最常见模式，但也是最痛苦的模式。然而现在生成式人工智能大语言模型的主要提供者还在走这样的模式。对很多创业公司，尤其做应用的创业公司，做To B企业应用的创业公司，SaaS模式显然适合他们。

所以我特别想知道，在中国我们该怎么去为他找一个答案？大语言模型能不能和SaaS模式、过去的To B招投标模式结合在一起？模型每三个月就更新，那边怎么办？

朱啸虎：我们现在已经看得比较清楚，我稍有不同意见。

中国的SaaS并不比美国差，只是差在汇率上。核心问题是中国的生产性服务业收入比美国低，不是服务质量差，而是服务价格单价差距大。

这是不是我们希望的未来？如果这样，我们的生活质量会大幅降低。这是中国的现状，这个改变也不是我们希望的方向。

我觉得中国的AI加SaaS，我们特别看好的方向是不卖软件，而是卖最终服务，按服务计酬。这是中国AI软件的未来最重要方向。卖软件中国确实卖不出价格，我觉得已经很清晰了。

傅盛：中国以前SaaS老路有一个原因是互联网厂商做了大量基础性的软件都免费了，这是中国SaaS起不来的原因。

等你去做专业领域的SaaS，行业know-how技术领域差距大，很难做好。但今天有了大模型，由于有了张总这样的优秀创业者，互联网公司都在卷大模型了。所以我认为这里还是有些空隙的。今天钉钉的开放生态比几年前开放多了。这可能是因为大家的精力都要去快速落地，大家会互相形成合作方式，而不是什么都干掉。

我们实践发现它跟SaaS有点不太一样。SaaS过度依赖程序员的能力和成本，但大模型本身会解决很多行业know-how。

我们发现给不同行业落地时，比以前障碍要小很多。交付成本低，但用户要求还在，你把它变成一种服务，只要能增效，提高准确率或营销效率，用户就愿意买单。而在以前做SaaS时，你给他提高这么多，成本可能已达百分之八九十。但今天跟大模型厂商，跟钉钉上平台合作后成本会低很多。所以我认为不太会走SaaS的老路，会更多地给客户很好的服务。这种服务的价格根据需求来定。

骆轶航：本质上也是一种按需服务。

傅盛：对，容易做到按需定制，比以前要简单。我觉得以前最难的不是技术部分，而是对行业know-how的部分。

张帆：我非常认同。To B会不会走SaaS的老路，其实我今天认为大模型更像IaaS而不是SaaS。SaaS是有行业know-how的，IaaS是没有行业know-how的，这个逻辑决定了同化的部分比例。

骆轶航：帆总，我问一下，你们是有金融方向的专家的，我见过。那么你说不需要行业know-how吗？

张帆：这个know-how分几层，降低了很多。如果我做一个业务系统，比如CRM或者客服，不同行业的同化部分可能只占百分之二三十。大多数都是异构的，每个业务流程都不同。但大模型能定制的，从原理上来说定制性很少。

要么是预训练的数据，要么是SFT（微调）的数据，要么是Prompt。所以这导致了定制的东西很少。如果只做到模型侧，定制成本很低，但做到业务系统流程侧，可能会变长。今天的大模型更像IaaS，定制性没有那么多，所以天然是好的。

骆轶航：这就相当于智谱像阿里云吗？

张帆：IaaS有很多种，我们只是一种IaaS。第二点，我觉得To B会不会走SaaS老路暂且放一边，我认为今天的大模型会让SaaS走新路。以前所有的业务逻辑都要标准化、结构化，因为机器只能处理结构化数据。今天大模型天然的泛化能力让它能理解自然语言，不需要结构化，大大弥合了异构的不同业务系统。所以在大模型体系下，数字化和信息化变得更容易，定制成本更低，同时智能化更高，反而能解决更多务实的问题。

骆轶航：这个话我翻译一下，比如今年我们发了GLM5，推给企业级客户，央国企客户，比如招投标的客户，他们需要重新部署一遍。这个重新部署的过程比过去部署一套软件体系要简易得多。

张帆：坦率讲，我们只部署模型，不能直接做到应用，还需要业务系统。但我们之所以跟钉钉合作，包括跟傅总合作，是因为我们知道我们的生态位在模型侧。我们做最好的模型，有最擅长做CRM的厂商来做CRM，标准化场景里将原来的CRM变成智能CRM，将原来的ERP（企业资源规划）变成智能ERP。同时有新的生态组合，并不是任何一层吃掉一切。当大家心态开放，像我们今天做到这里，有钉钉这样的开放生态和用户，我们开放模型，傅总开放能力和行业know-how，可以达成共赢，让企业整体成本更低，走出SaaS的新路。

骆轶航：王铭总是希望大家在钉钉平台上走哪条路呢？走新路还是走老路？

王铭：有一个观点比较遗憾。我觉得To B的AI应用还是会走SaaS的老路。

骆轶航：真是没共识啊。

王铭：确实是无法绕开的客观规律。To B里面的组织结构和人性，包括中国的特色管理理念多种多样，没有体系化管理人才，这是现状。但刚才帆总讲的，是我们所有To B人看到的希望。

钉钉过去几年通过低代码真正解决了创建企业所需产品的过程。很多生态伙伴跟钉钉合作，也是为了灵活地做出企业需要的产品。这些产品是指满足管理理念，而不是适配管理理念。所以过去几年我们在这方面可能做得还可以，改变了一定的用户习惯。

中国的特色是绕不开的，但今天AI有机会让我们不仅为用户打造符合其个性化管理理念的产品，还能显著降低使用门槛。中国用户面临的问题不仅仅是产品能否完全贴合个性化管理理念，更重要的是产品的复杂度。To B产品复杂，能否特别低成本，甚至在使用层面都是个性化的？流程、数据沉淀后，能否处理一些边边角角的流程或数据？今天在使用SaaS上，AI可能给我们找到了一个非常好的机会。

骆轶航：路还是老的，实现业务的过程仍然是复杂的，业务流不会因为AI就变得过于简单。但用AI实现这个过程的工具方法和框架能够让它变得更简单。

王铭：对，而且我觉得恰巧是因为我们原来位置比较低，今天结合AI以后，我们的加速度快。

骆轶航：这个事儿很有意思。过去一直说中国做企业级AI应用最难，因为工具和框架不足，大家的数据习惯和工具也不够充分。说白了就是我们没有像Databrick、Snowflake这样的公司。中国这方面的公司比较惨。我觉得钉钉现在是不是某种程度上没有完全扮演这个角色，但扮演了其中一部分角色，就是提供更好的框架和数据。Databrick收购了一个实时分析数据库，这变得很不一样。我觉得这个角色也是钉钉扮演的很有意思。

傅盛：我还是要反对一下。大家得认清一个To B AI的现实，这个行业处在很早期，前期确实有一定工作量。但真正你把应用做好以后，它的复制能力一定比过去在不同行业中的难度减轻很多。

我们举了几个案例，第一个给政务系统做问答，准确率从70多到90多，磨了四五个月，因为太新了，你发现用什么Prompt都不行，最后团队快做崩溃了。磨完第一个花了四五个月，但构架出来后，第二个只需要两周时间就能从70到90多。

我特别赞同张总说的，AI使得它在不同领域中泛化能力强，对专业人才的需求比SaaS要简单很多，不会像过去完全靠人力定制，最后都变成定制公司了。如果能满足用户需求，让用户付费，它是可行的。以前成本居高不下，所以显得卖不上价，免费随时可取。

骆轶航：我们现在是不是把中国的用户，尤其是企业级用户和开发者用户的付费习惯想得太差了？他们其实付费习惯没有那么差？

傅盛：这个我也不认同。我再讲个真实的例子，金山毒霸现在的收费服务比广告服务还要高，今天变成了一个用户付费的模式。

今年整个就是OpenAI的一个期货年

骆轶航：我们过去低估了中国企业用户的付费习惯。结束之前我再问最后一个开放式问题。

我有一个说法，叫做今年是OpenAI的期货年。

Sora到现在大家没有用到，GPT-4o展现的那些奇迹般的功能也没有用到。大家期待了GPT-5，觉得好像是今年年初的事，现在来看要到明年。今天中午一个朋友提醒我，别忘了OpenAI在历史上就是一个期货公司，只是把两次最亮眼的发布在半年内都做了而已。

如果今年没有GPT-5，因为他们把很多算力和资源用在了企业级服务上，各位准备趁这个机会做什么，能让钱赚得更快，生态变得更好？

朱啸虎：我一直不相信Scaling Law。我觉得大模型技术迭代曲线明显放缓。放缓以后，我觉得这是应用公司的大好机会。以前应用公司为什么投资人不敢投，就是怕大模型一个大升级就覆盖掉了。如果大模型技术迭代曲线放缓，天花板大家就看得见了。未来一年我们非常乐观，应用场景会大规模爆发。

傅盛：这点我和朱总高度一致。

我觉得GPT-5就是发不出来，它要发早就发了。我坚决不相信一个初创公司会憋什么大招。他们连demo的视频都愿意放出来，如果有这个服务早就提供了，所以大概率是不可以的。

第二，我认为大模型在大的层面上到达今天的天花板，会有改善，但短期内不太容易出现框架性突破。第三，现在这个模型的能力是够用的。创业者一定要结合自己的know-how，想想自己最擅长的领域和AI结合，这是不错的。现在整个开发成本，包括API降价，应用开发者应该会迎来一波很好的机会。

张帆：先不说OpenAI会不会发GPT-5，也不管它是不是期货公司，我相信中国市场，智谱一定会把期货落地。

第二，我持不一样的观点，我觉得Scaling Law依然存在，而且依然成长非常快，只不过它可能不是均匀的增长，而是在某个阶段跳变的增长。包括多模态的进入，所有模态合一，这些新的应用方式，我觉得还有非常多的能力逐步会发出来，所以我充满乐观。

骆轶航：Transformer本身就是一个跳跃式发展的产物。

王铭：我特别认同，Transformer本身就是一个跳跃发展的架构。我是相信Scaling Law的，一方面是因为我是一个特别理想主义的人，我觉得未来有无限的机会。他发的每次期货虽然还没有交付，但我已经看到了无限的希望，总是对未来充满期待。不过，在和国产大屏厂商交流时，我觉得即便今年GPT-5不发布，我们可以看到，从七月份开始，国产大模型厂商会密集发布一系列新能力，包括多模态。

骆轶航：你已经替你的很多使用者剧透了。

王铭：还有一个例证，大家说最近千问的能力迭代非常快。我问了一下，是不是换人了，还是换了算法框架？他们说都没有，只是投入了更大的努力。

所以Scaling Law看起来还是在持续发挥作用。因此，我觉得可能还会有比较大的变化。今天的大模型能力已经在很多场景上可以落地应用了，我们在应用层面可以找到很多应用场景。

骆轶航：时间差不多了。在一个专心搞钱的氛围中，还能这么没有共识，说明这个行业还很有意思。谢谢大家。

文章来自于微信公众号“硅星人Pro”，作者 “硅星人Pro”