大模型如何赚钱，杀手级应用是什么、创业机会在哪里？

除了通义大模型外，MiniMax、月之暗面、智谱AI、猎户星空、零一万物、百川智能六家大模型厂商已经与钉钉达成合作。目前，钉钉生态伙伴总数超过5600家，其中AI 生态伙伴已经超过100家；钉钉AI每天调用量超1000万次。

在下午的圆桌对话环节，硅星人创始人骆轶航、金沙江创投主管合伙人朱啸虎，猎豹移动董事长兼CEO、猎户星空董事长傅盛，智谱AI COO张帆，钉钉副总裁王铭就钉钉开放底模型平台、大模型时代的杀手级应用、创业方向选择 to B 还是 to C、大模型厂商如何赚钱等行业热门话题进行了高质量对话。

部分金句：

“今天大模型最大问题就是准确率太差，所以我觉得这个杀手级应用的核心就是准确率。” — 朱啸虎

“我觉得可能GPT-5就是发不出来。我坚决不太相信一个初创科技公司，会憋什么大招。” — 傅盛

“大模型杀手级应用，我相信它一定存在，但它肯定不是设计出来的。”— 张帆

“我相信Scaling law，这主要是因为我是一个理想主义者，我认为未来充满了无限的可能性。” — 王铭

“现在大语言模型和生成式人工智能可能是相当于IBM、甲骨文、Sun和思科的那个时期，还没有到雅虎和Google的时期。”— 骆轶航

以下是对话的精彩观点，智能超参数对原文进行了大幅编辑：

话题 1：钉钉开放底模型平台，接入七个国内的大语言模型，有人说是集齐了“七龙珠”。背后原因是什么？

**王铭：**钉钉其实不是凑“七龙珠”，主要还是因为基于客户的选择。过去一年多，钉钉的四次发布会讲的全都是AI，从ChatGPT出现了以后，我们看到了一种可能性，就开始先打磨了自己的产品。

过去的大概一年多，我们越来越多的发现，用户其实把钉钉的产品开始用起来了。当然钉钉的协同可能今天看起来是一个薄的场景，但是用户真的在这个薄的场景里面觉得AI有用了。所以我们得到了大量的用户诉求，这些用户的诉求其实是千差万别的，因此我们需要更多的伙伴才能解决这么多千差万别的诉求。所以这个是我们的一个最初心，就是解决用户的问题。

**张帆：**我觉得钉钉是要打造一个足够自由的生态，他把选择权留给用户。今天模型的整体迭代速度非常快，不同的公司可能有不同的战略。钉钉其实有一个几乎无限的场景的一个池子和用户。我们今天只有更多的多样性，才能让我们更加容易服务几乎所有的用户。所以我理解这是钉钉的出发点。今天有这么多用户要被服务，只靠一家公司是不够的。而且只有当大家都繁荣了，有足够多的多样性，这个生态系统才能够进化。

**朱啸虎：**Apple intelligence的发布会已经说明了很多的问题。这次你可以看到苹果是很强势的。他说，一个是不需要注册就可以使用ChatGPT，这个背后的含义是我不给ChatGPT导用户。第二，我可以随时切的，而且用户可能根本不知道后面用哪个大模型，前端的这个终端厂商会帮用户决策。所以最终可能还是要回到谷歌搜索以前的老模式，每年要给入口、给终端付钱，然后才能让用户使用我的大模型。

**傅盛：**第一，我认为今天模型厂商的确不容易拉开差距。第二点，今天大模型并没有实现一个大一统的模型，能够在各个方面能力上都满足客户需求的。你真正到企业场景里去看，你会发现客户的需求是五花八门的。在不同的领域，不同的模型，的确有不同的一点点细微表现上的差异。那些细微差异可能就是用户需求的那个点。所以我今天觉得做人工智能应用，最后就是看能不能过用户需求那条线，可能就是那么几个点的满意度。

这里面你还得考虑成本问题，有的地方你能用7B的模型，你就别用30B参数的。谁家便宜用谁的或者哪个性能好就用谁。所以我觉得可能这是钉钉对这个行业的理解，然后观察后搞这么一个开放平台。

问题 2：就是大模型场景落地之争，下一个杀手级应用在哪？应用本身跟模型到底是一个什么样的一个关系？模型本身有没有可能即时应用？

朱啸虎： 今天大模型最大问题就是准确率太差，所以我觉得这个杀手级应用的核心就是准确率。然后对于大部分场景来说，我觉得都是实际上并不需要一个像哈佛毕业的本科生，在很多绝大部分的场景，可能中专生就够了。但是这个中专生需要垂直训练过的，要去进行职业培训。所以核心的就是在一个垂直场景、细分场景里面，能不能提高准确率到95%，甚至99%以上这的准确率，这是最最核心的。

今天不管是中国和美国，都是在拿开源模型，拿垂直场景的数据进行优化训练。然后确保中专生能够在这个场景里面做到95分，甚至到95分以上。这个我觉得就能迅速的引爆应用了。国内我们现在基本都建设建议这个创业者拿通义千问的开源模型，然后进行垂直训练，确保准确度提上去。我觉得这是今天最最核心的一点。

**傅盛：**你只要做得足够深，你对一类客户的挖掘足够深的时候，这种应用也是有可能出现的。大家都不要想着我弄个API叫个什么AI就能爆，一定是还是你对用户深度的理解。

除此之外，我认为就是 AI和硬件的结合。未来端就是硬件和软件结合的杀手级应用。我觉得基本上就在明年，我觉得会有一波大的应用爆发。

**张帆：**我们谈论什么是杀手级应用，我相信它一定存在，但它肯定不是设计出来的。我们今天是要做很多不那么杀手级的应用，来通往最终出现杀手级应用的路上。否则它不是一个跳变性的。我觉得这玩意儿憋不出来，不是想出来的，这是做出来的。

我自己是一个技术信仰派，我觉得模型现在不但不是太大，而是远不够大。所以像 sam altman说的，不要试图去弥补模型的缺陷。其实它会变得越来越聪明，比我们想的更快，也带来很多全新的应用。

**王铭：**我觉得能解决用户问题的就叫应用。所以模型本身能解决问题，那就是模型本身就能是一个应用。然后所谓杀手级，我觉得有两个维度。一个是横向的，就是你的规模足够大。另外一个是深度，就是纵深足够强的，也是杀手级应用。在某些垂直领域里面，我相信也会出现非常多的杀手级的应用。

我觉得比较近的一个阶段，杀手级应用一定是产生于大厂的。然后在某一个细分领域里面，草根逆袭，成为最终翻盘的玩家，我相信一定会存在的。我们现在所有的从业者，其实今天去做一些应用层，我们想留在牌桌上的目的是什么？就是想有一天杀手级应用出现的时候。钉钉有这么大的数据量和这么多的生产力场景，肯定也是下一个杀手级应用的最潜在的玩家之一。

问题 3：对现在创业者来说，做to b和做to c，大家应该怎么去选？

**朱啸虎：**确实任何一个历史周期，都是 to B的生产力工具掀起来，这是毫无疑问。因为企业是愿意付费的。任何技术只要能提高我10%、 20%效率，他肯定就愿意付费的。To c我觉得今天确实有点早，而且确实到明年这个时候，对于创者来说，可以考虑一下更多的to c应用。今年下半年，苹果在手机端有终端的模型，终端的芯片以后，我觉得明年这个时候肯定考虑一些to c的应用。

另外一个我觉得就是消费电子，我觉得这对于中国的创业者说特别有机会。美国创业者他没有供应链优势的。任何一个做消费电子的企业必须要有中国创业者，必须要有供应链在大湾区，否则他是毫无竞争力的，所以这是我觉得对中国创业者是可以考虑的一个机会点。

**傅盛：**我觉得你不管是上手机应用，还是to B、to C你要结合你自己的积累和特点来。如果你是做to b行业，你就to b，如果你做to c行业，就to c。像我这种to c转to b的，幸好血槽厚一点，要不然也死在路上了。我们一定是行业趋势和个人积累相结合，在每个领域都会有机会。比如说杀手级应用，我特别赞同张总说的，他不是想出来，他是慢慢积累出来的。你的能力足够到的时候，你有足够积累，你抓住一次机会，你可能就做成了一个杀手级应用。

To c今年可能还难一点，但是等到 Apple intelligence和 Copilot PC出来以后，它本地化模型有一定能力，而且 Apple直接开放了API，我觉得明年会是一波to c应用的崛起。但总体来说，你还是要从你擅长的角度出发，你最擅长的领域和AI的结合是你的机会。只要坚信AI是底层革命，坚守你自己的价值积累，然后把AI弄好，都会有机会。

**张帆：**to b 和to c这两个特点不一样。我觉得to c显然天花板更高，但是to c的挑战在于今天模型依然以每三个月一个大版本的速度在迭代的情况下，其实模型的边界你看不到。以前做个PMF能管几年，现在大模型时代，一个PMF管三个月，然后你的基础设施就变了，外部环境又变了。所以我觉得在今天一个不确定性的情况下，to c其实是蛮有挑战的，但显然它的天花板更高。

而to b我觉得在今天显然是一个确定性很强的事儿，就是它一定是能够带来生产力的提升。

我们也讨论过，到底什么样是今天这个时代的一个好公司。我们觉得，它既不应该模型含量太高，也不应该模型含量太低。如果你模型含量太高，你很容易在基座模型的射程里，它一个迭代你可能就没了。另外如果你模型含量太低，你就跟这个时代没关系。所以今天对于创业者的要求，你需要对行业的know how很深，同时你又有模型的意识，接受他能够逐步的迭代，有足够的耐心。我觉得这在今天是一个很好的做to b的时代。

**王铭：**我就提出我最直接的观点，我认为现在创业只有一个选择，就是做to b。我自己创过几次业，我觉得今天大模型还没有到成熟，还在快速演进。今天99.999%的产品经理不知道怎么利用大模型去做一款产品，这个时候，你做to c的死亡概率是很高的。而且今天这个大环境也不太支撑让我们花很长的时间、很多的钱进去烧，然后去赌。我觉得更有确定性的是，你在to b里面既能够去做一些项目，尤其是跟平台合作，做项目积累know how，然后去了解大模型，怎么能够去做一款好的产品。然后再看在未来说我到底有没有洞察，结合过往的经验，是我to c方面更强，我更有用户 sence，还是说我to b里面的业务逻辑能力更强，我去干to b的应用。

我觉得现在只有一个选择，就是如果你想活下来，还留在牌桌上，创业时候有一个选择就做to b。除非你是个富二代，你有无限的钱可以花，你是一个大厂，可以给你持续的无限的积累。

**骆轶航：**我接着王总的话说。我觉得现在大语言模型和生成式人工智能可能是相当于IBM、甲骨文、Sun 和思科的那个时期，还没有到雅虎和 Google的时期。但他可能有一天会走到雅虎和 Google 的时代，然后会走到后边 Facebook的那个时代。

话题 4：大模型烧钱之后如何赚钱？

**朱啸虎：**很多大模型企业到海外做聊天机器人，花钱一块钱只能收回两毛钱。虽然是有收入，收入是远远覆盖不了收入的。你考虑一下推理成本，还有获客成本，获客成本更贵。

在中国，我觉得大模型API以后肯定是免费的。所以我前两天就说，五年以后就没有独立大模型公司，只有前面的云应用公司，还有后面的云公司。然后另外几个知名的投资人在我下面评论，五年都太长了，三年以后就没有了。现在这个趋势非常明显，就是只有前端。所以我觉得中国的创业者，反而是有机会的。

在中国卖软件反正是卖不出价格的，但是我用AI交付服务，你别管我用AI做的，还是人工做的。可能今天50%AI，50%人工，过两天80%AI，20%人工，这是最适合中国创业者的。

我觉得今天大模型有问题，解决不了准确性的问题。我觉得人工对齐最适合中国创业者。美国的投资人和创业者都不喜欢这种靠人工补齐的工作，而且美国根本看不上这些东西，这是中国的创业机会。我就不相信 scaling Law。

**张帆：**第一个来讲，我们大概是主流厂商里第一个大规模降价的。我觉得可以说一个数字，我们今年最低的价格比起我们去年，到现在为止降了将近1万倍。

与此同时我们看另外一个点，就是我们过去的六个月，我们的API的每日消耗量增长了50倍，这是实打实的大家在用。再有一个点，这个里面比较贵的GLM-4，本身的占比也没有因为价降价而下降。所以本质上我想说的是，今天大家越来越多应用模型，并且一旦应用进入深水区，大家对于模型的质量要求还是很高。

我们去年到今年的这个1万倍，不是靠硬扛和亏本，是靠技术进步，算法进步、硬件进步，推理成本下降。推理成本下降同时也包含模型能力的上升。

另外一个点来讲，模型其实成本可以理解为是一个常量。那这种情况下，用得越多，其实我们的收益就越高。所以这也是为什么我们会愿意跟钉钉一起合作，我们希望放大它的价值。虽然我们把价格降低了，也是为了普惠，让越来越多的开发者更加容易地去使用模型能力。更大的范围使用，它就能摊薄了我们的成本，你就慢慢可以开始赚钱。

**傅盛：**无论怎么说，我还是想不通大模型公司怎么赚钱。我觉得，如果是创业者，模型训练千万不要碰，然后把模型厂商免费的羊毛好好撸一撸，把体验改一下，应用是有机会赚钱的。

我们在海外做了一个用大模型去读书的应用，用半小时帮你读完。其实这个产品本身已经是盈利的，投入也就两三个人，所以我觉得做应用的创业者，就是要用好大模型提供的福利，然后用小快灵的方式快速去迭代。

第二个我不太认同说模型吞噬一切的这种能力。ChatPDF大家都觉得它是套壳的，但事实上今年无论 ChatGPT可以读PDF，ChatPDF的用户量还是涨了很多倍。所以你获取了客户，你就有机会用极轻的成本获取客户认同。客户习惯是很难改的，除非出现了很大的代差。所以你只要是先获取了客户，在快小步快跑的基础上，我觉得是有机会挣到钱的。

**朱啸虎：**我觉得大模型以后会越来越像水和电，成为基础设施服务，必然成为云的一部分。以后反而因为它给云厂商本身有很多增值。

王铭： 我觉得怎么赚钱这件事儿，其实还是回到用户视角，你到底解决用户什么问题。

我觉得大模型厂商要搞清楚自己是干嘛的。大模型厂商今天是做大模型的，然后做大模型的还是要去找应用场景。所以像我们这种平台，天然地应该跟我们一起去联合、去打磨。

一方面是给用户创造价值，做一些行业级的解决方案。质谱 AI就特别擅长，我们联合做了解决方案以后，可以让很多的生态伙伴去低成本交付，然后有比较高的毛利。

另外一个，我们聊了很多大模型厂商，大家普遍的共识是，我们在模型层面至少能够去节约90%的成本，会大幅下降。然后在硬件层面，大概可能未来几年会有至少90%以上的成本缩减。所以未来就像大家说的，它可以是一个非常低成本的水电煤的基础设施。你只要能熬到那个时候就能赚钱。

我觉得验证客户价值的过程，其实是给模型反馈的一个过程。包括今天跟钉钉的很多合作，其实大家不仅仅想要的是单纯创造一些收入，还要去到更多的场景里面，验证模型到底是不是做对了。我觉得这个对这些大模型厂商来说，这是至关重要的。所以赚钱这件事儿，只要是你现在当下能够验证一定商业模式，能留在牌桌上，然后长期你能够持续站在梯第一梯队上，然后成本下降了以后，你天然就是一个收割者。但是这个过程中还是那个问题，你能不能活下来？

话题5：SaaS在某些地方的确长得很很优雅，但在我们这里就做得很辛苦。大模型时代，to B会不会走中国 SaaS老路？

**朱啸虎：**这个我们倒是现在已经看比较清楚了。中国的 SaaS说实话并不比美国差，但是就差一个汇率。在美国比如说几千万美金收入，中国就是几千万民币。

我们特别看好的方向是不卖软件了，我们卖最终服务，最终你要什么的服务，我直接交付给你，你不要管我是用AI做，还是用软件做，还是用人工做，但我保证服务质量。

可能一开始50%AI，50%的人工，过一年可能就80%AI，20%人工了。我觉得这是中国的AI enable的软件，未来最重要的一个方向。就卖软件，中国确实卖不出价格，我觉得已经很清晰了。

**傅盛：**以前互联网厂商闲着没事，做了大量免费的基础软件，这是中国 Saas之前起不来的一个原因。然后等你去做专业领域的SaaS，行业Know-How 和技术领域相差的比较多，所以很难做好。但今天有了大模型这件事儿，让互联网公司都在卷大模型了，所以我认为这里还是有些空隙的。

第二个我们实践发现，大模型跟 SaaS有一点不太一样。SaaS过度依赖于程序员的能力，还有成本。但是大模型本身会解决好多行业 know-how。我们发现我们在给不同行业做落地的时候，比以前的障碍要小很多。

用户要求是在那里的，你最后把它变成一种服务，只要能够给他增效，能够提高他的准确率，或者能够给他提高一定的营销方面这种效率的时候，他就愿意买单。而在以前做SaaS，你给他提高这么多，你可能成本已经占到百分之八九十了。但今天可能你跟大模型厂商，跟钉钉平台合作，你的成本会低很多，所以我认为这里应该不太会走SaaS的老路，会更多给客户一个很好的服务。

**张帆：**我今天认为大模型更像 IaaS而不是更像SaaS。为什么？因为SaaS是有行业know-how的，IaaS是没有行业know-how的。

今天如果我做一个业务系统，做一个CRM或一个做一个什么客服系统，可能不同的行业同化的部分可能只占百分之二三十，大多数都是异构的，每个业务流程可能都不一样。但今天大模型，从它的原理上，你能定制的就很少。你要么就是预训练的数据，要么prompt。所以这个里面天然导致了你能能定制的东西就很少。如果你只做到模型侧，它的定制成本就很低。但是如果你要做到业务系统流程侧，它可能会变长。所以单纯从模型来讲，它更像IaaS，它的定制性没有那么高。

我觉得今天的大模型会让SaaS走新路。以前我们所有信息系统的逻辑都要标准化、结构化，因为机器只能处理结构化信息，所以这件事儿造成了极大的异构和成本。而今天大模型天然的泛化能力让他减少这些事儿，它能理解自然语言，可以不需要结构性，极大的弥合了原来异构的、不同的业务系统。所以今天在大模型的体系下，既可以让数字化和信息化变得比原来更容易，定制成本更低，同时又让智能化变得更高，反而能解决更加务实的问题。

我们自己的生态位是在模型侧，我们做最好的模型，然后有最擅长做CRM的厂商来做CRM，形成新的生态组合，并不是任何一层吃掉一切，当大家的心态都足够开放，可以达成一个共赢，让企业整体的成本更低。

**王铭：**我自己觉得to b的AI应用还是会走 SaaS的老路。这个确实是无法绕开的一个客观规律。就是to b里面的这种组织结构和人性，包括中国的管理理念五花八门，这都是一个现状，你绕不开。

但是今天AI是有机会让我们除了给用户打造一个正好符合他需求的产品之外，让他的使用门槛也显著降低。

**傅盛：**大家得认清一个to b的现实，就to B AI的现实。这个行业处于早期阶段，前期确实存在一定的工作量，但是一旦将这个应用做好，它的复制能力一定会比过去那种sars或在不同行业中的复制难度要容易得多。我们第一个给政务系统做的问答机器人，准确率从 70 多到97.5%，磨了四五个月。因为太新了，你发现promote也不行，最后团队都快做崩溃了。我们只能不断磨合，花了四五个月的时间才构建出第一个模型。但是当模型构建完成后，第二个模型的准确率只需要两周的时间就可以从最初的70%提高到90%以上。这就是我们的经验。

本质上AI在不同领域的泛化能力，还有对专业人才的需求是比 SaaS要简单很多。他不会是像过去那样，完全靠人力一个一个去定制。我觉得不太会。

问题6：今年是OpenAI的期货年，如果今年没有发布GPT-5，各位准备趁这个机会往前做点什么事？

**朱啸虎：**我一直不相信 scaling Law，所以现在我觉得，大模型技术迭代曲线明显放缓了。放缓了以后我觉得是应用公司的大好时机点。以前应用公司，为什么我们投资人不敢投？就是怕大模型一个大的升级就把你全部覆盖掉了。如果大模型技术迭代时间放缓了，那我觉得它的天花板大家看得见了。所以现在创业公司应该能够看清楚未来的方向，所以现在我觉得未来一年我们是非常乐观的，觉得应用场景上会大规模的爆发，百花齐放。

**傅盛：**这点我跟朱总高度一致。我觉得可能GPT-5就是发不出来。我坚决不太相信一个初创科技公司，会憋什么大招。他连demo视频都愿意往外放，如果他有这个服务他早就提供了，所以我认为是大概率是不可以发 GPT-5 的。

第二，我认为大模型在一个大的层面上到达了一定天花板，会有改善但是好像现在看起来在短期内是不太容易出现框架性的突破的。但是现在这个模型的能力是够用的。

所以我觉得，创业者想想你自己最擅长的领域，什么地方可以和AI结合，这个时机是不错的。而且现在的整个开发成本，包括AI降价，应用开发者应该会迎来一个一波很好的机会。

**张帆：**不管 OpenAI是不是期货公司，我相信中国厂商一定会把他的期货都落地的。我认为Scaling law仍然存在，并且正在以非常快的速度增长。只是这种增长可能不是均匀的，而是在某个阶段突然跳跃式增长，包括多模态的进入和所有模态的融合，以及这些新应用方式的可能性。因此，我认为未来还有非常多的能力将会逐步发展出来，所以我很乐观。

**王铭：**我非常认同你刚才说的话，Transformer本身就是一种跳跃式发展的架构。从今天的角度来看，我相信Scaling law，这主要是因为我是一个理想主义者，我认为未来充满了无限的可能性。我觉得就算今年 GPT-5不发，大家可以看到密集的在七月份开始，我们的国产大模型厂商会发布一系列的包括多模态模型，包括各种各样的新能力出现。

另外还有一个例证，最近千问能力迭代非常快，然后我就快速去问了一下，是换人了还是换了什么算法框架，他们说都没有。人没换，框架没换，那就是你用了更大的力。所以scaling law看起来还是在持续发挥作用的。所以我从这些体感上来讲，我觉得可能还会有比较大的变化。

我觉得就今天大模型的能力，未来三五年就是都不发了，我们也可以找到很多应用层的东西，让他能够逐渐地去替代人工。

在这里插入图片描述