特别策划｜AI大周期下，全球市场商机究竟在哪里（NUS新全球企业家硅谷论坛）

当前，AI发展迅速，Oracle将AI解决方案划分为四个层次：基础设施层、数据层、应用层和服务层。

通过与NVIDIA的深度合作，Oracle支持大规模GPU集群，确保AI项目的高效运行。数据层确保丰富的数据支持AI训练，应用层则通过AI实现流程自动化和预测分析，优化企业管理。服务层通过提供视觉、语音等AI服务，帮助企业全面提升智能化水平。

目前我们的讨论集中在生成式AI的应用，特别是在Oracle与英伟达等合作伙伴的共同努力下，Oracle在AI生态系统中进行了深度布局。

以下是一些实际的应用案例：

在过去的六个月里，AI在音乐生成领域取得了显著进展，我的项目也随之经历了不少变化。目前，AI每天可生成约50万首歌曲，远超市场需求。然而，尽管数量庞大，质量却未达到预期。这是因为AI模型通常依赖现有音乐模板进行模仿，而非自主创作。

多个团队已在AI音乐生成领域投入了大量资源，但技术仍面临挑战。同样，AI在视频和影视制作中也存在类似问题，创新性有限，依赖模板生成。

尽管如此，AI技术的潜力不可忽视，未来在娱乐行业的应用仍值得期待。但在创意领域，我们应保持现实的期待。

过去六个月中，AI在音乐生成领域的应用发生了一些重要变化。如今，许多音乐创作者不再依赖自主研发的AI模型，而是使用现有的工具对现有音乐进行解析和再创作。这种方式简化了模型开发的需求，使得通过AI生成音乐变得更加高效。

在我们的项目中，我们每天生成大量音乐，并通过不同的应用场景来推广这些作品，回归到更传统的音乐商业模式。这种降维处理的方式，让我们可以更实际地运用AI技术进行商业化。

同样，在数字生命项目上，我们也简化了技术，不再追求复杂的复现，而是为用户提供如个人传记生成等实际可落地的服务。这种简化让AI技术更具商业化的潜力。

过去一年，我聚焦于AI技术在短视频和短剧中的应用。短剧在中国市场迅速崛起，几乎达到了成熟规模。我预测，未来全球短剧的市场规模将有望接近手机游戏的规模，前景非常可观。

AI在短视频的应用已展现出强大潜力，但距离达到影视制作的高标准还有一定差距。当前，AI可以实现简单场景的生成和背景替换，但要在广告制作等领域实现商业化应用，还需进一步降低制作成本。

随着技术进步，尤其在视频生成和图像处理领域，AI为行业带来了新机会。我相信，AI将推动短剧和娱乐产业的发展，尤其是在C端商业模式中，AI将为用户创造全新的体验和商业模式。

坦率地讲，这不是我主要的关注领域，但我可以提供一些相关的见解。虽然Google在中国的发展遇到了一些挑战，但目前仍在广告及相关领域保持着业务，尤其是面向台湾市场的部分业务。此外，对于有全球业务的公司，Google仍是一个强有力的合作伙伴，特别是在文化产品推广和广告投放方面。

如果企业涉及出版或大规模电子商务，Google在广告投放及电子书相关业务上能提供帮助。对于已经在多个国家运营的公司，Google的全球团队能协助进行跨区域的广告和用户管理。此外，Google的AI和大数据处理技术也能帮助企业提升用户分析与市场洞察能力。建议探索Google AI平台如何为您的业务带来更多价值。

分享一下我在2017年加入团队时的小故事。当时AI还处于起步阶段，大家都在讨论这个趋势，包括像Jason这样的人也在推动AI的发展，甚至还开设了TT系列会议。当时的观点是：“The more you save, the more you make”，这反映了AI的高速发展趋势。

二维到三维世界的转换，这背后的关键是什么？为什么传统的计算机视觉无法做到，而如今的AI技术却可以实现甚至超越人类能力？早期的AI主要是基于计算机视觉，开始只是识别一张照片中的物体，后来逐步发展到多人物体识别，甚至还能将每个人标记出来。在这一过程中，除了GPU的强大计算能力，数据也起到了至关重要的作用。早期AI还需要人类标注数据，一步步帮助AI提高识别精度。

如今，技术已经发展到了Text-to-3D的阶段，这是近两年尤其热门的话题。通过文本生成三维模型的技术，现在不仅能够在画面中呈现，甚至还能生成一个真正可供机器识别的三维模型。这些模型不仅仅是视觉上的三维效果，更是可以用于真实场景或商业应用中的三维结构。

目前，技术的主要问题在于数据堆积还不够多、精确度也有待提升，但随着技术的发展，这些障碍一定会逐步克服。去年至今的变化就十分显著，过去生成简单的三维模型可能需要一个半小时，如今只需40分钟甚至更短，将来可能仅需几秒钟甚至可以实时生成。这将极大地推动应用层面的发展，例如在竞赛、设计或概念展示中，AI可以迅速生成模型供人类迭代，从而大幅提升效率。

总的来说，我认为未来几年，Text-to-3D技术将会取得巨大进展，尤其在商业应用中会有很好的前景。我们现在正处在这个技术发展的起步阶段，未来还会看到更多惊喜。

如果AI技术快速发展，进入某个阶段的商业应用，哪些行业会受益最大？首先，像游戏行业对AI的需求较为明显，尤其是推理类游戏，这类行业对AI的技术要求相对较低，可能首先会获益。

另外，目前在发展较快的领域中，机器人尤其是服务机器人 (personal service robots) 是一个非常热门的领域。与工业机器人不同，服务机器人对空间识别的精度要求更高，尤其是如何精确识别物体的三维位置并进行交互。例如，在人类眼中，三维空间的距离感不需要精确到毫米级，但对于机器人或者自动驾驶汽车而言，精确到厘米甚至毫米是必不可少的。为此，数据的完整性、精确性和多样性对于该技术的进一步发展至关重要。

尽管在现阶段存在一定的挑战，但只要有合适的商业模式和技术支持，AI在这些行业中将会展现出极大的潜力，并有可能推动这些行业进入新的发展阶段。

当前的创业环境充满挑战，特别是在面对行业巨头时，小型创业公司必须找到独特的切入点来获得生存空间。以空间智能为例，它的应用领域非常广泛，但其中一个主要的挑战就是处理非结构化数据。物理世界的感知大部分是非结构化的，因此如何获取并处理这些数据变得至关重要。

比如我们公司，专注于宠物行为分析，尤其是狗的行为翻译，将其转换为人类可以理解的形式，使宠物和人类之间可以进行更自然的交互。这也是空间智能的一部分。随着机器人在日常生活中的普及，机器人需要与宠物交互，而如何通过视觉和触觉来感知和理解宠物，将成为至关重要的问题。

此外，生成式AI在情感感知和触觉感知方面有很大的潜力。虽然当前的技术已经有所进展，但要达到更高的共情能力，还需要更多的感知数据和神经网络的支持。尽管神经网络技术看似已经不那么前沿，但它在特征提取方面仍然非常关键。在实现商业化之前，创业公司需要具备处理脏活累活的能力，即深入处理和训练数据，这样才能抓住市场机遇，实现更大的商业价值。

我觉得可以从多个维度来解读。首先，生成内容的能力依然存在局限性，尤其是在感知和理解三维世界的过程中。另一方面，从感知三维世界的角度看，AI在理解空间、物体和它们之间的关系上，还处于发展阶段。可以参考一个非常直观的视频示例，特别是在Google平台上，有一个关于未来AI应用的视频，展示了AI如何像一个助手一样在你旁边进行实时数据分析和解读。

在目前阶段，AI的功能还远未达到iPhone的创新程度。我们可以把现在的AI技术类比为“刚刚拍摄的时代”，需要有更具革命性的人物出现，推动AI产品的发展，甚至在日常生活中提供更多即时、深度的辅助功能。

另一方面，当前AI的进步也为创业者带来了机会。相比过去，创业者不再需要自己收集大量数据或建立专属的AI模型。随着像GPT这样的模型不断普及，开发者可以基于现有的大量数据和模型快速构建产品，只需要在特定场景下微调即可。这种环境大大降低了技术门槛，并将AI应用推广到更多领域。因此，未来在使用场景和数据协作方面，AI有着广阔的前景。

目前全球AI技术的发展格局大致可以分为三个主要区域：北美、欧洲和亚洲。首先，北美以美国为主导，在AI技术和数据监管方面是最为严格的。尽管如此，美国依然是全球AI创新的主要推动者，因为它在创新环境上相对宽松，允许企业进行大胆的技术探索。而欧洲的监管较为严苛，尤其在隐私保护和数据使用上，但创业环境相对更难。因此，虽然创新空间存在，但需要企业应对大量的法规和合规要求。

相比之下，亚洲，特别是以中国为代表，在AI领域的发展则相对灵活。像东南亚地区，使用新技术的门槛较低，企业可以更容易地推行新产品。

美国创业公司最好采用美国公司主体，而像BVI或开曼群岛的架构，已逐渐不被主流投资者接受。

最后一个重点在于AI技术的监管与数据监管。比如近期加州的法案讨论了对AI的严格监管，该法案的通过与否将影响所有在该行业内的公司。AI企业的技术发展若受限于数据使用量和模型的规模，将严重影响企业的创新能力。此外，市场的身份和产品监管，包括数据的存储、处理和传输，可能对初创企业的融资和业务增长产生更大的影响。

在数据层面，欧洲的数据监管政策比美国更加复杂且严格。例如，一些欧洲国家还会有不同的监管要求，这使得创业公司在进入这些市场时需要额外的合规工作。总结来说，技术创新固然重要，但数据、市场和身份的合规监管才是对创业公司影响最大的因素。

当然，数据安全是最重要的。目前在企业界，很多企业在探索如何利用AI为业务创造价值。除了训练自己的模型，实际上很少有企业会大规模训练大模型。通常情况下，企业会基于现有的大模型，针对自己的需求进行定制化开发。

现在，很多企业更倾向于使用所谓的“强化学习”，即将大模型作为基础工具，通过读取企业自身的数据来提取有价值的信息，再根据这些信息提供具体的服务和决策支持。

我认为版权问题可以从两个层面来看。首先是数据层面，当前美国的相关诉讼已经开始。我们曾认为在中国从事这类工作相对容易，比如我们可以获取全世界大量的音乐作品进行训练。在中国，大概有一两千万首中文歌曲，而海外的音乐大概有八千万到一亿首左右。然而在进行训练时，获取这些音乐版权是一个非常敏感的问题。正因为此，像抖音、Google等大厂对进行此类工作非常谨慎，因为他们意识到版权方面的法律风险非常大。

第二个层面是当歌曲生成之后，如何界定其版权。不同国家对于版权的定义方式各不相同。在中国，版权归属主要依据创作的参与度来确定。中国的版权法要求所有的创作归属都必须关联到个人，而非平台，这对创作者和平台的关系具有重要影响。在美国，情况可能有所不同，尤其是针对数据训练中的版权问题，这也是当前美国面临的主要障碍。

点 在看 让管理新知传得更远