漩涡中的OpenAI和背后的商业化难题

导读：多轮反转，OpenAI的高层“宫斗”依然没有迎来最终结局。外界对于这场纷争的讨论甚嚣尘上，有一种观点认为，核心分歧是OpenAI应加速商业化还是维持非营利状态。

红杉资本曾经为AI产业算了一笔账，根据当前AI企业的收入状况，结合过去在GPU、云服务等成本上的投入，AI产业每年至少还得挣1250亿美元才能回本。

商业化与否，对OpenAI来说也许是选择题，但对市场中的其他企业来说，似乎是一个必然选项。生成式AI狂飙一年，AI公司有哪些商业动作？效果又如何？

大模型应用大战打响

大模型的商业化在全面加速，从ChatGPT的步调就可看出。

今年2月，ChatGPT付费订阅版ChatGPT Plus正式上线，用户每月付20美元，可提前获得新功能和更快的响应速度，彼时离ChatGPT发布还不到三个月。据不完全统计，在之后的九个月里，山姆·奥特曼领导下的ChatGPT调整了3次API调用价格，上新了起码5个收费服务，可以说平均每个月都有商业动作，商业属性越来越强。

自ChatGPT打响第一枪，国外大公司在半年后，纷纷坐上商业牌桌。

21记者梳理海外12家AI公司的主要应用，发现大致有个人订阅、企业订阅、按量收费、积分收费四类商业化途径。

其中，主流的收费方案是个人订阅制，定价在每月9.9～30美元之间。C端用户花钱换来更好的使用体验，在互联网产品赛道上并不新鲜。对大模型应用来说，这意味着更多的上下文输入，更快的响应速度，和更新的知识库。

应用类型上，生成式AI通常作为辅助功能，嵌入原有业务，视为一项增值服务。举例来说，创意软件巨头Adobe就把Firely当作“P图神器”——得益于图像生成新图像，自动匹配透视、光影、风格的功能，Firely可以在Adobe Photoshop中改造原图。其收费模式也延续了Adobe全家桶的积分方案，使用AI作图时消耗点数，免费限额使用完后再付费购买额外点数。

小部分应用能拥有一个独立界面，典型例子有文生文的ChatGPT、文生图的Stable Diffusion。它们的商业化途径更多样，揽客人气来自高性能的头部大模型，能够做到“独此一家，别无分店”。

有意思的一点是个性化AI。个性化AI与ChatGPT 不同在更注重人格属性，更强调用户情感和参与度。比如，Meta AI提供了28个不同的AI聊天角色，每个角色都有一个基于真实偶像或明星的人设，月访问量居高不下的Character.AI、黑马公司Inflection AI都发力于情感价值。不过，三个应用目前都没有商业变现，Character.AI的创始人曾表示考虑推出付费订阅，并“不排除获得广告支持。”

天使投资人、人工智能领域专家郭涛向21记者分析，大模型应用还处于商业化早期阶段，很多盈利模式并不清晰，比如收费形式和定价区间。他认为，现在向C端开放应用，更多指向积累数据和用户群体，完善模型。而随着技术成熟度提高，商业化还会跟着提速。

难以复制的OpenAI之路

技术和资本升级并没有让商业化谜题的答案变清晰。

21记者整理数据发现，头部创业公司平均融资4轮左右，其中OpenAI的融资总额远超其他厂商——年初微软投掷10亿美元，随后A16Z、红杉资本等八家风投机构再投3亿美元。而单轮投资金额还在加码，今年6月，Inflection在最新一轮融资中筹集13亿美元。三个月后，亚马逊宣布向Anthropic投资12.5亿美元。

资本狂飙后，AI的商业效果可以用一地鸡毛形容。

在统计的7家创业公司中，只有OpenAI透露今年收入超过10亿美元，尚有盈利可能。风投公司Theory Ventures调查数据显示，在所有AIGC公司中，95%的公司年收入平均还不到500万美元，一些估值达到数亿美元的初创公司甚至还未有收入进账。

成本是大模型商业化的第一道坎。拿微软的Copilot来说，据媒体报道，内部人士透露，GitHub Copilot的每个用户每月会为微软带来超过20美元的亏损，甚至部分用户每月成本高达80美元。GitHub前任首席执行官之后否认了GitHub Copilot的亏损情况，但没有回应GitHub的成本问题。

硅基智能科技有限公司CEO司马华鹏认为，大模型应用的主要成本有四：一是大模型本身的训练成本，二是模型被调用推理的成本，三是训练数据收集、清洗的成本，第四则是投入应用的获客成本。

对于只调取预训练模型、消耗推理算力的AI应用厂商来说，成本是相对可控的。郭涛指出，调用大模型的成本现在被快速降低了，对普通用户和开发者，成本甚至可以接近于零。但问题在于，对于研发大模型的大厂玩家，用户每交互一次都会产生对应的一次运算成本，似乎很难带来规模效应——也就是说，尽管规模变大，成本却很难摊薄。

国盛证券今年2月的研究显示，按照ChatGPT当时的每日访客数量计算，需要3万多片英伟达的A100 GPU支撑运营，初始投入成本约为8亿美元，每日电费在5万美元左右。如此算下来，ChatGPT生成一条信息的成本约1.3美分，是传统搜索引擎的三到四倍。

那么，能借鉴OpenAI的创收方法吗？受访专家向21记者表示，OpenAI的商业路径难以复制。

OpenAI的发展大致可以分为三个阶段。首先，2015年到2019年，不考虑商业变现，专心技术探索；第二阶段，转向更有商业价值的大型语言模型（LLM），推出免费产品ChatGPT，短期内占领大量C端用户；今年开始，C端用户在交互中帮助训练大模型，OpenAI依此降低运算成本和寻找付费需求，稳固市场。

OpenAI的答卷没法照抄，一方面是因为，ChatGPT属于第一家跑出来的大模型，有很长时间可以培育用户和市场，但现在大模型本身的竞争已经非常激烈。此外，个人强需求的场景很少，用户愿意付费的场景也很少，尤其是国内C端没有很好的付费习惯。“竞争这么激烈，如果没有自己的核心优势，一旦收费，很多C端用户就会转用其他竞争对手的产品。”郭涛表示。

可以说，成本高昂、需求不足、行业竞争激烈，都是大模型商业落地的难题。

创造价值或成胜负手

生成式人工智能技术为AI扩大了商业化应用的想象空间，但当下，还不存在某一条路径可以成为通行的行业范本。

深耕B端还是发力C端，身在市场中的探索者并不容易得到答案。

在我国，有观点认为大模型B端将孕育出更广阔的应用市场。浦银国际证券认为，不同于传统C端消费互联网，B端产业互联网才是大模型的主战场。

“走向B端是当前产业生态下的必经之路。”郭涛指出，许多开发大模型的企业本身就积累了大量B端企业用户，在原有客户的基础上做相应的服务延伸，是比较高效的方式。而且，目前大模型应用按模块收费，营销、数据分析等服务没有太大的技术壁垒。企业在研发通用大模型后，在垂直细分领域做适度的数据训练即可。

然而，B端的美好图景并不适合所有人。与行业融合渐深的另一面，是大模型企业面对定制化服务无法规避的人力和资金成本升高问题。

在司马华鹏看来，发力B端是谋生或过冬的手段。生成式AI时代的“新秀”，如ChatGPT 、Midjourney等都是通过C端入手。“生成式AI给人工智能技术应用开放了一个新的海域，全球都是市场，C端还是有很大空间的。”他指出。

国内，百模大战愈演愈烈；海外，OpenAI团队因价值取向不同，已经上演多轮分裂与融合的戏码，生成式人工智能的商业化之路逐渐走深。ChatGPT石破天惊地出场一年后，寻找用户需求和产品的价值点，已经代替技术研发成为当下最重要的问题。

郭涛认为，抓住强需求的场景是第一要义，商业化要依托企业的生态体系。具体到领域上，他指出，短期来看，医疗、金融、教育等传统领域可以乘上东风。这些行业提升空间大，动力强，需要AI应用帮忙提升效率和改变传统的交易习惯；在使用成本方面，行业本身盈利较好，有资本改造升级。

司马华鹏也表示，寻找和利用相应技术的价值点是未来工作的核心，需要发掘产品投入市场实践后，能够为用户带来怎样的价值。另外，还应注意在打造产品的过程中尽可能保证模式的可持续和可复制，实现技术的“自动化”。

“最终还是要考虑开发产品的ROI（投资回报率）如何。”司马华鹏坦言。

英伟达CEO黄仁勋在现身微软Ignite全球技术大会时，表示生成式AI的出现是计算机界“过去40年从未发生的大事”。而对于这件从未发生的大事，他如此表达自己的期待：“生成式AI是计算历史上最重要的平台转型，也将成为最大的一次总目标市场扩张。”