近期，關于熱門的“AI基建”，科技圈大佬們分出兩個陣營。
一方關注“能源”。代表是OpenAI創(chuàng)始人奧特曼，他將電力視作AGI的關鍵，為此還投資了核聚變發(fā)電企業(yè)。黃仁勛也拋出“五層蛋糕理論”，將最底層錨定在“算力石油”。馬斯克最激進，他說“未來的貨幣不是美元而是瓦特”，為了太陽能，老馬正打算把數(shù)據(jù)中心搬到太空。
另一方關注應用場景。貝佐斯罕見擔任了新的CEO，公司是物理AI領域的“普羅米修斯”，計劃耗資千億美元研發(fā)制造業(yè)、汽車工廠、航空航天的AI模型和自動化能力。吳恩達去年就在強調(diào)，AI的價值不在底層，“只有應用層盈利，才能反哺模型、算力與芯片的發(fā)展”。不久前，美團王興也說，不盲目追求“Token工廠”，要讓AI在現(xiàn)實中高效執(zhí)行任務。
能源派的邏輯是，先搞定底層供給，有了煤炭石油，自然有火車和汽車跑起來。場景派則是有了應用才能帶起供給，有了電燈和電動機，才有后來的電網(wǎng)。
兩者并不完全對立，卻能衍生很多有趣的對比和碰撞。
一、為何中國AI只賺到吆喝
中美兩國的硬科技產(chǎn)業(yè)，恰好暗合了這兩種基建思路。
美國當下的AI敘事，集中在閉源、算力和AGI通用能力的突破。巨額資本集中投向基座模型、參數(shù)競賽和算力集群，也誕生了OpenAI、Anthropic等頭部公司。技術“排他性”之下，全球top100的AI公司中，美國企業(yè)攫取了超過90%的收入份額。
通過技術壁壘保持商業(yè)優(yōu)勢的另一面，則是普通開發(fā)者調(diào)用API成本不菲，中小企業(yè)和非英語國家很難深度參與，大量能力停留在付費墻之后。
中國的路徑更關注開源和場景驅(qū)動。很多AI企業(yè)通過開源模型，拓展了中小企業(yè)和應用者規(guī)模。同時，結(jié)合制造業(yè)、互聯(lián)網(wǎng)數(shù)據(jù)資源，用工業(yè)、商業(yè)和內(nèi)容領域豐富的應用場景，去推動技術的落地和迭代。
據(jù)非凡產(chǎn)研發(fā)布的數(shù)據(jù)（截至去年8月份），中國AI公司拿下了全球約46%的月活躍用戶，超過美國。但按收入口徑，中國公司收入僅占3.5%——OpenAI一家的訂閱收入就有約175億美元，中國頭部AI企業(yè)加起來12.87億美元。
有網(wǎng)友說，我們拿下全球一半的用戶，卻只賺了“吆喝聲”。如何從“流量優(yōu)勢”轉(zhuǎn)化為“產(chǎn)業(yè)價值”，是當下必須回答的問題。
當下，國內(nèi)一些醫(yī)療大模型幻覺率已經(jīng)持續(xù)下降，進入醫(yī)院臨床、疾病篩查環(huán)節(jié)。工業(yè)、礦產(chǎn)場景下，一些算法和機器人已經(jīng)開始流水作業(yè)。但這些硬科技技術的爆發(fā)，還亟需高頻次、多層次、有深度的落地場景。
今年兩會，智能體落地、算力普惠、產(chǎn)業(yè)賦能……在代表委員提案中頻繁出現(xiàn)。
還有哪些場景，藏著讓AI規(guī)?；涞亍⒌臋C會？
二、本地生活是AI富礦，但開采很難
相比醫(yī)療、工業(yè)領域，AI進入衣食住行的日常，似乎更遙遠。生活服務的場景，顯然更深、更豐富、更高頻，落地也更艱難，但一旦實現(xiàn)融入，也意味著體驗和效率的大幅增長。
從這個視角更能理解，與零售打交道的美團，為什么也在重點發(fā)力“AI基建”。
屁股決定腦袋。對英偉達而言，基建的出發(fā)點必然是芯片，從“顯卡供應商”到通用算力，他們跟GPU打了33年交道。
相似的邏輯——美團成立16年，每天都在中國最復雜的商業(yè)生態(tài)里做“辛苦生意”，想的是怎么把外賣準時送到用戶手里，怎么幫中小商家做好店面運營，怎么實現(xiàn)零售前置倉、農(nóng)產(chǎn)品供應鏈的效率提升。
還有人開玩笑說，餐飲、外賣、零售這些生意，利潤太低、投入成本太高，是商業(yè)的“沼澤地”。當下國內(nèi)的巨頭，把生活服務做主業(yè)的確實不多。
所以，物理世界的執(zhí)行和效率，是美團實現(xiàn)商業(yè)價值的底層邏輯。
過去的十幾年，美團通過商家團隊挨家走訪、自建龐大履約算法以及海量的消費配送數(shù)據(jù)，慢慢實現(xiàn)線上世界和線下服務的打通，讓場景瑣碎、需求復雜的本地生活業(yè)態(tài)完成了數(shù)字化和信息化，但還不夠。
在未來，想要繼續(xù)往更深處“打通”，必然要依托AI的能力。所以最近網(wǎng)友扒出美團的“硬科技機器人宇宙”，我一點都不意外。
國內(nèi)很多AI技術還在線上聊天、整理文件夾的時候，美團最需要AI在“地上”跑起來。
2018年上市之后，美團就把投資的重心，從大消費轉(zhuǎn)向了硬科技。2020到2025年，美團的89起投資里，有47筆都投向了硬科技。就算去年美團的核心外賣業(yè)務持續(xù)承壓，投入力度也沒降下來。
這些投資的輪次階段，中早期占比接近七成，而且在22年大廠們均投資降溫的時候，美團還在逆風投。
在我看來，這并不是為了短期的財務套利，而是為了把AI基建的樁，早早地打下去。
比如具身智能領域的銀河通用，美團在天使輪階段就介入了，相當于一路陪著從0走到了210億估值。2024年，雙方已經(jīng)開始合作，并有了落地的應用場景，去年銀河通用的機器人，已經(jīng)在北京等地的很多藥店開始分揀藥品、24小時值守。
據(jù)不完全統(tǒng)計，美團至少在具身智能賽道布局了16家企業(yè)，除了銀河通用，還包含星海圖、自變量、Sharpa等估值已經(jīng)超過百億、在細分賽道的獨角獸。
如果加上半導體、AI大模型、自動駕駛和智能硬件，美團在硬科技領域至少布局了四十多家企業(yè)，其中有7家已經(jīng)上市，28家成長為獨角獸——智譜AI、月之暗面、宇樹科技、摩爾線程、沐曦股份、理想汽車、紫光展銳…..
其中的技術能力，對應了訂單需求、算法調(diào)度、無人配送、商家經(jīng)營、后廚管理、算力供應等多個具體的業(yè)務場景。
每扎下一個“樁”，AI在物理世界走路的速度就會快一些。
三、做AI的“發(fā)電機” or “水電網(wǎng)”
對于硬科技初創(chuàng)企業(yè)來說，核心痛點從來不是錢，而是落地的場景和數(shù)據(jù)資源。
AI芯片需要高并發(fā)、高負荷的真實環(huán)境完成測試迭代，機器人需要海量真實物理場景數(shù)據(jù)突破泛化能力瓶頸，大模型需要完整的商業(yè)閉環(huán)驗證技術價值——這些資源，純財務資本無法提供。
而美團恰恰擁有中國最豐富的現(xiàn)實場景：小區(qū)、老舊樓棟、藥房、零售倉儲、商業(yè)綜合體、城鄉(xiāng)道路——這些均屬于訓練機器人、測試芯片、迭代算法的天然試驗場。
理想狀態(tài)下，這種雙向奔赴會形成飛輪效應：共同研發(fā)技術，進入場景測試，持續(xù)數(shù)據(jù)反饋，完成技術迭代，實現(xiàn)規(guī)?；涞?。隨著效率提升業(yè)務增長，又有了新的技術需求。
在美團的業(yè)務里，已經(jīng)有不少類似的飛輪。
立鏢科技的機器人，此前已在美團的零售生鮮大倉落地。如今進一步擴大規(guī)模，在武漢和廣州的美團買藥倉，分別有100臺機器人開始分揀工作。
2021年，美團和禾賽科技開始合作，后者推出多種距離的激光雷達，持續(xù)進入在美團無人機、無人車的測試、實際送單場景，不斷優(yōu)化性能。去年年底，禾賽的感知定位激光雷達獲得了美團無人機量產(chǎn)，除了業(yè)務空間和技術能力的提升，也客觀推動了低空經(jīng)濟的產(chǎn)業(yè)化。
其域創(chuàng)新的3D建模、空間數(shù)據(jù)采集技術，融入了多個業(yè)務場景：線上，已經(jīng)能夠幫助到店商家生成高還原度的展示視頻；線下，開始為小象業(yè)務進行前置倉的測繪建模，與美團無人機業(yè)務合作地圖測繪。
當下諸多國內(nèi)外巨頭，為讓機器人“大腦”更好的理解真實世界，已經(jīng)投入重金打造 “世界模型”，讓機器人結(jié)合“虛擬世界”自行學習、進化。
本身就在物理世界摸爬滾打的美團，也把自己打磨了16年的業(yè)務場景和數(shù)據(jù)，開放給很多硬科技伙伴，讓具身智能、AI算法、芯片技術等實現(xiàn)迭代進化。
回到文章開頭的“AI基建”分歧。
過往經(jīng)驗看，每一次技術革命，最后作為“能源”的電力、通信技術，成本都會隨著技術革新趨于平緩，走向普惠。我認為算力也是一樣，這是應用層爆發(fā)、商業(yè)需求增長的必然。真正能創(chuàng)造價值的，一定是現(xiàn)實中，那些幫助人執(zhí)行復雜任務的產(chǎn)品和服務。
其實，強調(diào)能源價值的馬斯克、黃仁勛，同時也在探索真實場景、“世界模型”中物理AI能力的落地。從“能源”到場景再到應用，最終的落點一致。
用王興的話說，物理世界的數(shù)字化將是AI重要的底座。畢竟，“就算愛因斯坦當秘書，讓他訂一個餐廳，他依然不知道那個餐廳有沒有座位。這不是智力問題，而是信息問題?！?/p>
讓AI進入物理世界，仍將是一個漫長的基建工程。能源派制造發(fā)動機，給AI提供動力；場景派鋪設水電路網(wǎng)，讓信息和效率流通，讓AI真正能走進千家萬戶，變成普通人能摸得到、用得上的服務。
特別聲明：本文為合作媒體授權(quán)DoNews專欄轉(zhuǎn)載，文章版權(quán)歸原作者及原出處所有。文章系作者個人觀點，不代表DoNews專欄的立場，轉(zhuǎn)載請聯(lián)系原作者及原出處獲取授權(quán)。(有任何疑問都請聯(lián)系idonews@donews.com)
