前两天，分析了 First Mark 的 AI 全景图：
AI 全景图分析
道明，公众号：道明 AI 实验室
这是 AI 应用元年吗？2024 全景图简评
其实，作者 Matt Turck 关于 2024 年思考的 24 个问题，更值得讨论，其中很多问题，也是我这段时间一直在思考的。对于作者的讨论，考虑 IP 问题，不直接引用了，感兴趣的可以访问：
Full Steam Ahead: The 2024 MAD (Machine Learning, AI & Data) Landscape https://mattturck.com/MAD2024/
同时，我选择了四个模型对文章里的 “PART II”，也就是 24 个问题的讨论进行了分析，四个模型分别是 Claude3 Opus，Kimi Chat，GPT-4，Gemini 1.5 Pro。其中，换了几种提示次，GPT-4 都只是列出了 24 个问题，而没有对回答进行总结（OpenAI 必须加快推出 GPT-5 了），其他三个模型都完整的列出了 24 个问题，并给出了简要回答。
模型回答结果分别粘贴如下，我没有对格式进行任何调整：
一、Claude3 Opus（693字）
- 结构化数据和非结构化数据: 结构化数据管道正在降温, 而非结构化数据管道和生成式 AI 正在升温。
- 现代数据技术栈是否已死? 现代数据技术栈正面临巨大压力, 可能会被 AI 技术栈取代。
- 数据基础设施领域将出现整合, 大公司会做大做强。
- Databricks 与 Snowflake 的竞争将加剧, 同时 Microsoft Fabric 的推出将对二者构成威胁。
- 商业智能软件行业的转型较慢, 但生成式 AI 有可能带来巨大变革。
- AI 基础设施初创公司将重新定位为 "AI 基础设施公司", 但从结构化数据转向非结构化数据需要根本性的产品改变。
- 随着 AI 炒作的持续, 2024 年我们处在 AI 炒作周期的什么阶段值得思考。
- 2023 年的生成式 AI 繁荣可能只是一次 "伪热潮", 很多还停留在实验阶段。
- 语言模型公司之间存在差异化竞争, 并不会像想象的那样同质化。
- 大语言模型和小语言模型将共存, 专业化模型也在兴起, 未来是多模型混合架构。
- "传统 AI" 并没有死, 它与生成式 AI 是互补的, 未来是二者混合应用。
- "薄包装" 生成式 AI 创业公司需要通过深度垂直整合等方式实现差异化。
- AI 代理和边缘 AI 将是 2024 年值得关注的趋势。
- 生成式 AI 距离 AGI 还有多远, 存在不同看法。进展速度是加快还是趋于平缓有待观察。
- GPU 芯片供需关系及英伟达的估值是个有趣的话题。长期看好 AI 芯片制造商。
- 开源 AI 社区过于膨胀, 需要自我纠正。
- 随着开源模型的兴起, AI 模型的使用成本正在下降, 这对商业公司是利好。
- 微软在 AI 领域全面布局, 但这是否意味着它已经取得胜利, 初创公司是否还有机会值得讨论。
- OpenAI 的战略路径和与微软的关系值得持续关注。
- 2024 年有望成为企业级 AI 落地年, 但仍面临诸多挑战。
- AI 不太可能完全取代 SaaS, 但会让 SaaS 产品更加智能。
- AI 投资对 VC 模式提出挑战, 可能催生大型 AI 基金, 也可能催生极简 AI 初创公司。
- 生成式 AI 有望重振消费级应用, 催生出新的巨头。
- AI 与区块链结合是一个有趣的方向, 但能否应用还有待观察。
二、Kimi Chat（891字）
- 结构化数据与非结构化数据：作者指出，目前非结构化数据（机器学习/人工智能）受到更多关注，而结构化数据（现代数据栈等）则相对较少。
- 现代数据栈是否已死：作者认为现代数据栈面临挑战，包括成本问题和与生成性 AI 的竞争。
- 数据基础设施的整合与大公司变得更大：预测将有更多的整合和初创公司失败，大公司将加强平台功能。
- Databricks 与 Snowflake 的现状：Snowflake 增长放缓，Databricks 则表现出强劲的势头，并成为生成性 AI 的关键玩家。
- 2024 年的 BI 和生成性 AI 是否会改变数据分析：BI 领域变革缓慢，生成性 AI 可能对数据分析产生深远影响。
- 现代 AI 栈的崛起：非结构化数据基础设施领域正在经历不同的时刻， AI 基础设施公司正在快速发展。
- 我们在 AI 炒作周期中的哪个阶段：当前的 AI 炒作周期非常激烈，但存在泡沫的可能性。
- 实验与现实：2023 年是否只是一个假动作：一些企业投资于概念验证，而非解决实际业务问题。
- LLM 公司：可能并非最终会商品化：LLM 提供商可能会成为新的云服务提供商。
- LLMs、SLMs 和混合未来的兴起：小型语言模型和专业模型正在兴起，企业将采用混合架构。
- 传统 AI 是否已死：传统 AI 和生成性 AI 是互补的，处理不同类型的数据和用例。
- 从薄包装到全栈的竞争：企业需要成为特定问题的“全栈”解决方案提供商。
- 2024 年值得关注的领域：AI 代理和边缘 AI 是两个令人兴奋的领域。
- 生成性 AI 是朝着 AGI 前进还是达到一个平台期：生成性 AI 的进步可能会放缓，而不是一直加速到 AGI。
- GPU 战争：NVIDIA 是否高估：NVIDIA 在 AI GPU 市场上占据主导地位，但未来竞争和市场变化可能会对其构成挑战。
- 开源 AI：好事过多了吗：开源 AI 模型的激增可能导致市场自我调整。
- AI 的实际成本是多少：生成性 AI 的经济正在快速发展，成本下降对用户是好消息，但对供应商而言建设成本仍然很高。
- 大公司和 AI 的政治经济：微软是否已经赢得了 AI 领域的竞争。
- 对 OpenAI 的狂热或不是：OpenAI 的估值、收入增长和公司内部动态令人着迷，但它是否试图做太多，以及它与微软的关系如何发展。
- 2024 年是否会是企业中 AI 的一年：企业对 AI 的兴趣很大，但仍有许多关键问题需要解决。
- AI 是否会杀死 SaaS：AI 可能会使 SaaS 产品变得更加强大，而不是取代它们。
- AI 是否会杀死风险投资：AI 可能会改变风险投资的规模和模式。
- AI 是否会复兴消费者市场：消费者市场正在寻找下一个增长点，生成性 AI 可能是答案。
- AI 和区块链：是胡说八道还是令人兴奋：AI 和区块链的结合可能会创造新的去中心化网络和机会。
三、Gemini 1.5 Pro（1178字，去掉Markdown字符约1200字）
- 结构化数据 vs 非结构化数据: 非结构化数据（机器学习/人工智能）目前比结构化数据（现代数据堆栈等）更受关注。
- 现代数据堆栈是否已死？: 现代数据堆栈面临成本高和关注度下降的问题，未来可能出现整合、创业公司失败和大公司平台化的趋势。
- 数据基础设施的整合和大公司的壮大: 许多初创公司将转型为“AI 基础设施初创公司”，行业将出现整合和失败，大公司将加强平台化。
- Databricks 与 Snowflake 的竞争: Snowflake 增速放缓，Databricks 势头强劲，Microsoft Fabric 的推出为竞争格局增添了新的变数。
- 2024 年的商业智能和生成式 AI 对数据分析的变革: 商业智能领域变革缓慢，生成式 AI 有潜力改变数据分析，但仍需克服一些挑战。
- 现代 AI 堆栈的兴起: 现代 AI 堆栈与现代数据堆栈有许多相似之处，但也面临着类似的挑战，例如市场规模和竞争。
- AI 炒作周期: 当前 AI 炒作周期非常激烈，但未来可能出现回调，需要警惕市场风险。
- 实验与现实：2023 年是否只是虚晃一枪？: 2023 年 AI 领域取得了一些成功，但也存在一些担忧，例如企业应用的真实需求和消费者应用的高流失率。
- 大型语言模型公司：也许并非商品化: 尽管模型性能没有明显优势，但大型语言模型公司仍然有很大的商业机会，可能类似于云供应商的模式。
- 大型语言模型、小型语言模型和混合未来: 小型语言模型和专业模型正在兴起，未来将出现混合架构，结合多种模型以满足特定需求。
- 传统 AI 是否已死？: 传统 AI 和生成式 AI 相互补充，未来将以混合方式应用于不同的数据和用例。
- 薄包装器、厚包装器和全栈竞争: 厚包装器可以通过专注于特定问题、构建工作流和深度集成以及进行模型级别的开发来实现差异化。
- 2024 年值得关注的领域：AI 代理和边缘 AI: AI 代理是自动化的圣杯，但目前还处于早期阶段；边缘 AI 也值得关注。
- 生成式 AI 是走向通用人工智能还是走向平台期？: 生成式 AI 发展的速度是否会放缓尚不清楚，但即使如此，未来几年仍然存在巨大的商业机会。
- GPU 战争（NVIDIA 是否估值过高？）: NVIDIA 的股价可能面临短期压力，但 AI 芯片制造商的长期前景依然光明。
- 开源 AI：是否过犹不及？: 开源 AI 发展迅速，但也存在项目质量参差不齐的问题。
- AI 的实际成本是多少？: AI 模型的价格正在下降，但构建和服务的成本仍然很高。
- 大公司和 AI 的政治经济学：微软是否已经胜出？: 微软在 AI 领域布局积极，但谷歌、亚马逊、Meta 等公司也在积极参与竞争，初创公司面临的挑战依然很大。
- 对 OpenAI 的狂热 – 还是不？: OpenAI 雄心勃勃，但执行力面临挑战；OpenAI 和微软的关系未来可能发生变化。
- 2024 年会是企业 AI 之年吗？: 企业对 AI 的兴趣很大，但仍需解决用例、工具选择、人才短缺、模型可靠性和投资回报率等问题。
- AI 会扼杀 SaaS 吗？: AI 可能会使 SaaS 产品更加强大，而不是完全取代它们。
- AI 会扼杀风险投资吗？: AI 投资可能需要更大的基金规模，但也可能导致创业公司对风险投资的需求减少。
- AI 会复兴消费市场吗？: 生成式 AI 有可能为消费市场带来新的增长，例如搜索、AI 伴侣、AI 硬件和个性化娱乐。
- AI 和区块链：胡说八道还是令人兴奋？: AI 和区块链的结合具有潜力，但需要警惕行业内的炒作和欺诈行为。
初步结论：Gemini 1.5 似乎回答的是最长也是最好的，结构，用 Markdown 输出，也是最好的。
我又分别使用了 Claude3 Opus 和 Gemini 1.5 对三个模型的回答进行了比较，结果如下。有趣的是，Claude3 也认为 Gemini 1.5 回答得更好。
各模型观点对比（由 Claude3 总结）
| 话题 | Claude3 | Kimi Chat | Gemini 1.5 Pro |
|---|---|---|---|
| 2024年BI和生成式AI | 提到 BI 变革慢, AI 可能带来变革 | 提到 BI 变革慢, AI 可能影响数据分析 | 更具体指出 AI 可改变数据分析, 但有挑战 |
| 对 LLM 公司前景看法 | 未明确提及 | 认为不会完全商品化, 或成为类云服务商 | 尽管模型优势不大, 但商业机会很大 |
| 对 OpenAI 的分析 | 未太多涉及 | 估值、增长、内部动态都值得关注 | 雄心勃勃但执行有挑战, 与 MS 关系或生变 |
| 2024企业AI能否落地 | 有望但面临诸多挑战 | 企业有兴趣, 但仍有关键问题待解 | 除了兴趣, 还列举了具体待解决的问题 |
| AI 与区块链结合 | 是个方向, 但能否应用有待观察 | 提到可能带来新的去中心化网络和机会 | 提到要警惕其中的炒作和欺诈行为 |
各模型对比详细表格（由 Gemini 1.5 Pro 总结）
| 主题 | Claude3 | Kimi Chat | Gemini 1.5 Pro | 异同点 |
|---|---|---|---|---|
| 结构化 vs 非结构化数据 | 非结构化更受关注 | 非结构化更受关注 | 非结构化更受关注 | 三者观点一致 |
| 现代数据堆栈是否已死 | 面临压力，可能被 AI 取代 | 面临挑战 | 面临成本和关注度下降 | Claude3 较激进，其他两者认为面临挑战 |
| 数据基础设施整合 | 大公司做大做强 | 大公司加强平台功能 | 大公司加强平台化 | 三者观点一致 |
| Databricks vs Snowflake | 竞争加剧，MS Fabric 威胁 | Snowflake 增长放缓 | Snowflake 放缓，MS Fabric 威胁 | 基本一致，Kimi 未提 MS Fabric |
| AI 基础设施初创 | 需根本性产品改变 | 快速发展 | 将转型为 AI 基础设施公司 | Claude3 强调难度，其他较乐观 |
| AI 炒作周期 | 需思考阶段 | 激烈，存在泡沫 | 激烈，可能回调 | 均认为激烈，Claude3 和 Gemini 更谨慎 |
| GPU 战争 | NVIDIA 估值是话题 | NVIDIA 面临挑战 | 短期压力，长期看好芯片 | 均看好芯片，对 NVIDIA 观点略异 |
| AI 成本 | 下降是利好 | 下降是好消息 | 下降，但构建成本仍高 | 均认为成本下降，Gemini 关注供应商 |
那么，我对这些问题怎么看的？
我挑取一些自己有心得的回答如下：
- 结构化数据 vs 非结构化数据：非结构化数据显然是现在更重要的部分，但是很有意思的是，其实 AI 对结构化数据理解的并不好，这反而是 AI 下一步的重要改进方向；
- 数据栈与数据基础设施：过去五年，我大概尝试了所有能够找到的数据栈，我非常同意，未来只有大公司存在的空间；
- Databricks 与 Snowflake，MaaS 与 SaaS：MaaS 毫无疑问是最大的增长点，但是如我昨天所说：云与模型，缺一不可，我很看好 Databricks 这种模式；
- 炒作周期与 GPU：我认为现在至少是一个炒作周期的阶段性高点，大家对英伟达的预期也给的非常乐观了；
- 应用落地与大语言模型的商品化：单独的大语言模型很难成为好的商品化产品，但是，模型绑定云可以。其实，AI 落地的隐性门槛是非常高的。落地，是跨多学科的工程问题。
- 边缘 AI、消费市场、 AI 成本：AI 成本其实主要考虑的是推理成本，毫无疑问，推理成本会快速下降。但话说回来了，真到考虑 AI 成本了，意味着本身已经有使用场景了。
- 开源：每次都是闭源升级后，开源跟上，然后闭源借鉴开源中一些新的思想，再升级，开源再跟上。这其中的差距，其实，数据比算力更重要。