网络安全检测|网络安全服务|网络安全扫描-香港墨客投资移动版

　　从训练到推理，AIGC模型的计算量和所需的算力在不同阶段存在较大差异，要求极高的基础设施灵活性，因此，生成模型往往是通过云服务来开发的，在部署时，终端需求也存在一定的不确定性，有可能突然增加，算力需求短时期内膨胀；也可能快速退潮，用户过把瘾之后很快就失去兴趣，因此AIGC在提供服务时，云就成了最佳的输送管道。

　　AIGC作为一种云上的SaaS软件能力，让需求方只需要在使用时接入，承担一定的用云量或API服务费，就能够将AIGC引入业务当中，不需要自己训练开发或自建机房，这无疑是极为划算的。比如，现在的AI作画软件，用户输入一段文字，可以通过云端生成备选图片，而不需要本地GPU或高性能芯片，才能让普通大众都玩起来。

　　云+AI按量付费的商业模式，必然会影响到AIGC产品的前景，就拿云厂商来说，自然更愿意将图像、视频类AIGC应用整合到解决方案中，以提升业务收入。与之相比，文本生成想要靠云上接入付费软件来回收成本，就显得遥遥无期，比如GPT-3仅训练费用就高达1200万美元，但其四个商业化版本中，性能表现最好也最贵的Davinci，每token（大概是4 个字符）收费仅0.06美元，最便宜的版本Ada更是低至0.0008美元。

　　因此，AI作画更容易为云服务等产业链所关注，与广阔的产业相结合，通过带动模型API付费、用云量来完成商业价值的转换。

　　从诸多角度判断，AIGC尤其是AI作画，有望以超预期的速度进入商业应用阶段。这对用户当然是好消息，意味着很快会有更好更便宜的AI作画产品被“卷出来”。但对AI企业来说，事情可能就没那么简单了。

　　ToC/ToB/ToG？哪条大路通罗马？

　　找到了AI作画的典型场景，是否就意味着找到了良好的商业模式？大no特no。

　　目前阶段，AI作画可以在三个领域发挥提升生产力的显著作用：

　　一是艺术生成，既可以让C端用户来生成绘画作品，也可以为游戏工作室、创意机构等生成服装纹理等艺术。

　　二是广告创意，也成为“甲方终结者”，通过自动化生成和设计创意草图，减少设计师与客户的沟通成本，快速明确设计需求，避免大量反复甚至返工。

　　三是专业设计，将AI作画与专业领域的知识相结合，如3D建模、建筑设计、医疗、工业设计等，从而减少这些专业领域制造效果图的繁重成本，先由AI根据提示制作粗略的草图，再由专业人员完成后续工作。

　　当然，还有元宇宙生成数字社区之类的应用，因为还比较小众，在此就不单独拿出来讲了。

　　针对上述有望规模应用的典型场景，我们会发现三波力量，它们的商业化情况是各不相同的。

　　一是研究机构及其衍生公司。

　　AIGC模型需要在大量数据集上进行预训练，耗费大量资源成本，这类基础模型（foundation models）的主要缔造者之一，就是科研机构，比如OpenAI（GPT-3、ChatGPT、DALLE等）这样的非营利性研究机构，或是中科院自动化所（紫东太初大模型）这样的科研院所。

　　这类组织几乎没有商业化的紧迫困扰，因此能够将主要精力放在技术突破上，从而缔造出强大的基础模型，后续可能像云服务商一样，采用按量或按需付费来提供服务。

　　对于这类组织来说，To C市场虽然流量庞大但付费能力有限，意义更多体现在帮助模型迭代与优化。真正可行的商业化，应该是通过ToB市场服务产业，通过提供API来实现规模经济；抑或是凭借研究型组织的中立性，承接一定的政府ToG项目，AI作画在数智化项目中的应用前景，承担一定的探索任务。

　　以中科院自动化研究所研制的紫东太初大模型为例，就具备“以图生音”、“以音生图”等多模态生成能力，目前主要应用在产业场景，如智能座舱、工业设计、文旅、手语服务等领域。

　　二是大型科技企业。科技巨头们积极投入大模型的研发，主要目的是看到大模型作为基础模型，将是AIGC经济的新一代基础设施，大型科技企业往往会因为拥有大量数据而在产品上占据优势，薪资和工作环境更容易吸引精英技术人才，因此，通用类生成模型越来越向头部企业集中，谷歌、Meta、百度、腾讯、华为等企业都在积极投入。