当下这个阶段，Deepseek引发的冲击，大家都看到了，但是大部分人，都在讨论是DS干掉OpenAI，还是美国继续统治AI，从来没有人讨论过：工具和人的关系——AI的商业模式成立吗？
在讨论AI的商业模式是否成立之前，我们要先弄清楚AI到底是什么，它商业化的核心逻辑是什么？
国产AI的爆发，不是技术的突破，也不是开源对闭源的胜利，而是站在全人类福祉的高度，道德层面的胜出：Deepseek的出现让AI惠及全人类，而避免了成为少数人获取暴利的工具！
这篇文章的观点未必是对的，但是绝对值得你看看，并且想一想再做决定，我尽量用简单的语言，将这个事情讲清楚。
1. ChatGPT的Transformer架构到底是什么？
当我2年前第一次看到transformer这个词的时候，脑子里闪现的的第一个画面是花花公子杂志上的雷娜：
大家别想歪了，这是计算机图像处理的一个标准图，用于快速傅里叶变换fft。fft中的“t”其实就是transform的意思。
左面是原图，右边是这张图fft之后的图，二者完全一样！fft是一个可逆变换。
为什么要这么处理，有很多理由，fft被用来做压缩——将那些“不那么重要”的信号，给处理掉，这样减少图片的大小。但是给你原图的时候，你不知道哪些像素是重要的，哪些像素是不重要的（或者不是像素，而是叠加咋一起的信号），直接让你在原图上p，也不是不可能，但是估计只有画家才有这个能力——就好像我们看的漫画一样，一个人通过几个线条勾勒出来，你就知道他是谁，但是普通人没这个能力。
fft变换完了之后，就是告诉你，高频信号不重要，低频重要。这样保留低频信号，一个图片中90%的信息量都保留下来了，但是存储数据需要的空间可能只有10%了。这里尤其需要注意，信号的重要性和信号的“多少”之间没有关系——我们后面会反复强调这个概念。
从信息熵的视角来说，一大堆信号中，可能只有10%的数据是重要的，包含了90%的信息。其余90%的数据，都是不那么重要。所以在图像的存储和传输过程中，在满足所需要的精度的情况下，这么做是现实经济意义的。
如果理解了这个，我们再说ChatGPT——它不是智能体，只是一个更高级的信号转换算法罢了。
2. 信号转换与信息生成
我们看看GPT构架下的数据处理方式，简单来说，通过一大堆的数据直接喂给模型，最终得到的其实是一对数据之间的相关性权重，也就是token之间的概率。
如果我们把大模型当做一个黑盒子，那么结果就是：
输入——大模型——输出
这就是一个非常典型的控制模型：你给一个输入，然后得到一个输出。这个模型下理解大模型，其实大模型就是一个基于统计的信号转换装置。
在多模态上，这点更为突出。比如，我们可以描述一个人的长相：女性，20-25岁，瓜子脸，双眼皮，眼间距大点，耳朵细长，五官立体性强.......然后要求gpt给出一个画像，这个是没问题的——这不就是刑侦过程中常用的画像技术吗？也就是，刑侦画像专家试图将语言描述中的“个性化”信息，依据解剖学的基本知识（这个是基于生物统计的，也就是专家掌握的信息），转化成一个图像信号输出。理论上语言和图像包含的信息熵是一样的，这样就实现了完美转换。
但是对破案这个事情真的重要的是经过大量训练的“大模型”/专家是核心吗？显然不是！虽然专家很重要，但是个性化的描述信息才是对解决案件最重要的信息。
从这个现实中的例子，我们可以总结如下：
1.解剖学知识是公共知识，这个是大模型的长处，但是公开的信息，是不重要的。比如这个文字描述中，你是不需要强调，两个眼镜，一个鼻子，两张嘴。当然了，如果你强调说，这个人只有一个耳朵，那就是非常重要的特征信息了——只有不同，易于常识的特征，才包含了最大的信息熵。
2.对问题的解决，最重要的往往不是公共信息，而是增量信息——但是这个增量信息，大模型/画像专家是自己不生产，它必须有输入才可以，然后专家依据增量信息+公共信息，产生了一个输出。
3.增量信息可能并不多，但是对消除不确定性（在人群中找到符合这个特征的人）是至关重要的；公共信息可能占比非常高，但是这个不重要。如果画像过程中你的描述是：两个眼睛，两个耳朵，一个鼻子，一张嘴——这种描述没有提供任何“有用”的信息熵。
我们做个理论总结：现实中，真正重要的是如何生成信息熵，这是智能的本质，生成关键的私有信息；而大模型本身只是基于这些输入，得到一个输出的结果罢了，模型本身不产生信息熵——甚至在统计的过程中，必然会损失掉一部分信息熵。从信息熵的角度来说，你能把握住大模型的本质，如果你只看花里胡哨的输入和输出，你把它当做智能，那可能是有严重的问题的。
这个事情类似的提问是：1. OpenAI能不能创造一个比自身还要强的大模型？2. OpenAI能不能自主设计一个核聚变反应堆？它现在设计裂变堆本身可能都是有难度的——能提出问题本身的人，肯定知道问题如何解决，不信你试试，能不能让他帮你设计一个爆款视频的文案？
3. 被摧毁的AI商业模式
商业模式不成立，可能才是这次最大的问题。
如果我们认为，真正重要的信息虽然很少的，但是很重要；公开的信息虽然很多，但是没有那么重要。也就是说，解决问题的关键是在少数的私有信息上，那么问题来了：AI如何获取哪些虽然少，但是非常关键的私有信息？
首先，AI自己是无法生成这个东西的。OpenAI的想法是，创造一个足够聪明的大模型，只需要不断地喂数据就可以吗？他们认为是可以的，但是实际上是不可能的.......
而且，这个东西，并不是说你拿到了就可以了。可能同样的一个策略，在去年是可行的，但是在今年，因为外部环境变化了，可能就不行了。现实当中，我们是通过不断的试错和创新来解决这个问题的。不可能是一个方法，可以让你打遍天下的——必须要做动态的调整，投资是这样，生意也是这样的。
但是，你觉得会有人把自己私有的关键信息给大模型吗？他们只可能拿到一个基于公有信息训练出来的大模型，然后用自己的关键私有信息通过强化学习的方式，构建一个自己的工具！
我们举个例子，比如我们以药物合成为例。你可能会有大量的共有信息，然后大模型给出了200个潜在的分子结构，但是想要做成一款药，那应该怎么做呢？
你可能首先要合成这些东西，然后拿到这些分子式之后，要做大量的实验，安全实验，动物实验，人体实验，临床一二三期等等，一通做下来，终于出了一款爆款药物。
在这个过程中，大模型当然可以加速你的研发流程，但是你会把花费了大量的时间，人力，物力得到的私有信息公开吗？显然不会啊，你保密还来不及呢~
这个过程中生成的私有信息，你会留存下来，然后在自己的私有模型里，不断地积累，可能50年的时间里，这个公司开发了上百款的药物，这里面积累了大量的私有信息，这些私有信息都是你不断努力工作，慢慢积累下来的。这是你的研发团队最核心的竞争力，你会找到一个可靠的高性能的大模型，不断地训练，形成自己的私有知识库，然后加速后续更好的药物开发，但是你绝对不会把这些东西公开，让这个事情惠及其他制药企业。
这里，大模型只是一个高效的研发管理工具，会极大的提升你的效率，降低你的成本，增加你的成功率。但是你不会把这些私有信息交给OpenAI，然后OpenAI获取了这些信息之后，训练出来一个很NB的大模型然后给自己赚钱。OpenAI想要这些也可以啊，你出钱买就可以了........
所以，在研发新药这个产业里，大模型是一个非常强大的工具，但是真正的核心竞争力，所需要的那些关键信息，必然还是人创造出来的——这些东西通过计算，是无法得到的。
这就类似于在超高音速武器研发中，美国人选择了计算机模拟这条路，但是中国选择了风洞这条路......中国人会把风洞吹出来的数据，尤其是那些经验上know how的数据给美国人吗？显然不可能啊.........
这就回到了那个根本问题：在工具和人之间，到底谁才是那个推动文明进程的关键力量？显然是人！工具不可能凌驾于人之上.....工具只能是人的辅助，不能决定人的生死。
模型所需要的输入信息，必然是外源性的，这个东西，不可能存在于大模型的权重当中。
所以从商业模式的角度来说，企业所需要的大模型应该是那种可以落地，然后构建自己私有的数据库，而不是构建一个由OpenAI垄断，大家上交自己的私有信息，然后钱让OpenAI赚了，这怎么可能啊。
所以，OpenAI为代表的美国AI企业，他们想的这种纯粹的是一种妄想，逻辑上AI不可能被垄断，AI只是一种方法，一种工具，它并不是创新的源泉。它从开源转向封闭的那一天开始，就是商业逻辑走向错误路线的开始，依赖于垄断工具的方式能实现几万亿美金的市值，那么为什么卖铲子的不自己直接垄断铲子呢？这就是，死了张屠夫，难道就只能吃浑毛猪了？
Deepseek的出现，一方面给大家提供了一个功能强大的大模型，开源的，大家都可以在自己的业务线中，迅速的落地和嵌入。这也是为什么DS发布了之后，不到1个月的时间，相当多的企业，都用DS这个模型落地的原因。代码自己有，服务器自己的，数据是自己的........这种低成本的落地方案，当然是受到大家喜欢的啊。
所以奥特曼说了那句话，大概的意思是：在开源和闭源之间，OpenAI可能犯了一个重大的战略性错误！但是这个错误已经无法更改了，这么多的资本，这么多的投资人，都投入了AI，现在你再开源......路径形成了之后，无法退回。
如果这么思考，我们有理由相信，基于公开信息和一般公共信息的大模型训练，可能已经到达了天花板。继续提升的空间很小了——除非引入各家企业的私有关键信息。别看公开信息很多，但是真正重要的是那没有公开的可能只占0.1%的信息——这部分价值最大的信息，逻辑上是不可能给OpenAI的。当你付出了几倍的代价，基于公开信息训练大模型，结果性能只能提升10%的时候，你做这个事情的意义是什么？
OpenAI和Deepseek看起来是开源和闭源之争，看起来是技术优劣之争，本质上来说，这是商业模式设计的错误！这个才是AI之战的根本。
4. 真正的威胁
不是说大模型一无是处，很显然，技术上仍然是非常强大而且潜力巨大的一个工具，但是商业逻辑上，走闭源这条路就是错误的。
各家拿到了大模型之后，会不断地支持这个生态，然后回家训练自己的专有模型。你可以把大模型理解成企业的IT基础设施，但是真正重要的是里面的数据！！！
目前的大模型是的基本逻辑结构是：
输入——大模型——输出
在两类场景中，会产生重大影响：输入和输出之间，主要是依托于相关性/因果性强的决策模型。这其中最典型的就是一般医疗，自动驾驶，机器人这些。他们的输入，都是个性化的输入，但是这些一般技能，大家掌握的都差不多。这类是取代最快的。
还有一类，关键是看你输入什么，给你一个很强大的大模型，但是你要去人为决定输入什么。比如我举个例，就是投资当中的决策。我给你个很NB的大模型，这些模型是用历史上被验证过的质量非常高的研报，结果准确率非常高的研报，做输入，然后得到一个输出。这样训练出来的大模型做投资决策没有问题。
但是，谁来决定输入什么呢？这是一个开放问题，你会发现，不同的企业，不同的行业，在不同的发展阶段，不同的外部环境的情况下，它最终的输出结果是不一样的。所以，这需要非常资深的投资经理来决定，到底基于什么是主要矛盾做出这个结果——也就是相比于决策逻辑本身，找到主要矛盾才是最关键的。投资当中，最关键的是抓住主要的驱动因素，而非基于这个因素的决策逻辑——这个决策逻辑对一般人来说是有门槛的，但是对专业人士来说，这不是事儿。难点是，如何取舍，从众多影响因素中，找到那个关键驱动变量——甚至是在不同的投资决策周期下，这个驱动变量都是不一样的。
所以相比于解决问题的具体步骤，关键是提出正确的问题——当你不熟悉解决问题的步骤的时候，那你想想，到底怎么提出一个高质量的技术性问题呢？这显然是不可能完成的事情.........
输入信息是完备的，并且是确定的/非开放式的，这种工作，最容易被大模型替代；但是那种输入信息不完备的开放式系统，可能大模型只是一个辅助性工具。
但是对那些输入非常确定的，可以基于因果逻辑决策的系统，为什么要弄这么麻烦呢？比如，如果红灯就停，绿灯就行，这种简单决策逻辑，根本不需要大模型就可以做的很好。所以在工业自动化领域，大家会将生产流程按照顺序拆解成这种非常简单的决策逻辑模型，然后用简单的自动化技术实现。这样做，成本低，效率高，可靠性高，其综合输出结果显著的优于大模型。
从控制模型的角度，将输入进行分类你会发现，简单的现在就做的很好，复杂的大模型做不好，中等的复杂度的最适合大模型，这种落地场景是非常有限的——但是即便是有限的场景，可能市场空间也足够大了。但是这种场景，企业又会构建自己专有的大模型，不会公开的。
所以，AI的商业逻辑需要重构，Deepseek这类开源模型，或者说哪怕出现商业机构，提供这种商业化的大模型，但是最后也只能赚到铲子的钱，是没办法通过垄断铲子赚到金子的钱的！
总结一下，其实就是，面对工具的时候，我们认识到一个问题，真正的价值创造只能来自于人的劳动，而不是工具！工具至少加速这个价值创造过程的发明而已，如果将工具和人本末倒置了，商业模式必然是走不通的。
欢迎大家讨论，面对这样一个目前来看，不说革命性，但是至少非常强大的新技术，新工具，我们要乐观的同时，保持理性。用大家喜欢第一性原理来说，所有第一性原理的第一性原理，只有人！
人能创造大模型，但是大模型创造不了人！即便是能创造生理意义上的人，但是创造不了人的社会属性，最多只能是改变人的社会属性！
国产AI，不是技术上的超越，而是站在人类命运共同体的历史潮流前，我们没有选择垄断AI为自己谋取利益，而是将AI平权运动推向了一个新的高度，让AI造福全人类，而不是成为少数人剥削多数人的工具！
