來源 聰明投資者

人工智能初創公司OpenAI於美國時間11月17日突發聲明，宣佈公司首席執行官山姆·奧特曼將離開公司。

天風證券副總裁、研究所所長趙曉光在11月18日的復旦首席經濟學家論壇中談及此事，表示這一輪OpenAI內部管理層的變化，或是因爲它們遇到了瓶頸而停滯不前。

停滯不前的本質原因很大程度在於沒有數據。

“AI的上半場是由算力推動的，但算力推動的AI已經到了瓶頸。”

對於AI的未來，趙曉光直言，數據來自場景，也就是應用，無論是在C端還是B端，如果沒有應用，AI也就到此爲止了。

趙曉光曾連續7年獲得新財富電子行業分析師第一名，並攬獲“新財富白金分析師”，2016年加入天風證券研究所任所長、現任天風證券副總裁。

憑藉着對科技行業深刻的研究和理解，早在2020年末，趙曉光就曾介紹過未來精準數據可能帶來的投資機會。

而在今年三月的策略會上，趙曉光就透過AI廣闊的未來，提出Chat GPT未來可能會遇到數據來源的瓶頸。點此查看

在本場交流中，趙曉光從To C和To B兩個領域詳細分析了未來AI發展的重點。To C領域需要打造場景，而To B領域毫無疑問是發展物聯網。

此外，趙曉光就創新企業產學研當前的困境提出了自己的建議，他表示需要爲學者型企業家賦能，還要發揮頭部企業的價值和資源。

以下是本場內容的重點內容，分享給大家。

應用已經逐漸成爲下一輪AI最重要的部分

人工智能確實是未來最重要、最好的賽道，什麼會成爲其中最有機會的領域或者是板塊？

今年我們還是圍繞着AI做了很多事情。

前段時間跑了很多上下游（的公司），得出了一個較爲清晰的結論：AI的上半場是由算力推動的，但算力推動的AI已經到了瓶頸。

在今年4月份，我在網上發表了一篇文章，提到這一輪數據革命的終局已經預測到了。

我認爲Chat GPT很快會遇到瓶頸，原因在於這一輪Chat GPT是由技術驅動的。

過去由於使用互聯網開源數據，無論是Chat GPT 3還是Chat GPT 4，很快就產生了一個脈衝，但問題是，當他獲取開源數據後，就沒有數據了（無法解決數據來源更加豐富以及用戶個性化的問題）。

我認爲這一輪OpenAI內部管理層的變化，是因爲他們遇到了瓶頸而停滯不前。停滯不前的本質原因在於它沒有數據。

數據來自場景，也就是應用。無論是在C端還是B端，如果沒有應用，AI也就到此爲止了。

我這周跟高通全球副總裁討論時，談到AI在PC和手機端的智能化。很明確， AI在To C端是優秀的助手，在PC端能輔助更好地辦公，在手機端成爲個人助理，也就到此爲止。

這就是爲什麼英偉達對中國有如此重的限制，我個人認爲其中一半是美國的因素，一半是自己的因素。

因爲他們很焦慮，一方面面臨高通、AMD，甚至英特爾等公司未來的競爭，另一方面國際巨頭們也都在自己製作芯片，如微軟、亞馬遜和蘋果。

這時候英偉達必須繼續發展應用，但他最擔心的是應用還沒有做出來（就出現大批的競爭者）。

而中國大量購買芯片和算力進入服務器，同時，中國是全球最大的面向To B行業的應用場景，這是英偉達特別看重的。

如果中國先把應用和大模型都做出來了，英偉達可能會跟當年的思科一樣，純技術公司或硬件公司，發展到一定程度時，就會面臨各方面的競爭。

因此，我們從英偉達和OpenAI的角度觀察到，應用已經逐漸成爲下一輪AI最重要的部分。

那麼未來應用是否有發展空間？

在C端，有PC、手機的AI化，以及遊戲，這些毫無疑問是率先開放的，然後伴隨的是衣食住行、喫喝玩樂的各個環節。

在B端，我給大家舉幾個非常有代表性的例子，比如材料行業，已經以非常快的速度展開。

我與上海集成電路材料研究院交流，過去他們研發一款半透鏡材料需要三年的週期，現在是兩個月的週期。

我這周正好去北京，見了清華大學前任學者研究的大模型，是用 AI專門做材料的研發。

我去看操作時非常震撼，而且現在包鋼、中國建築、中國神華、東方雨虹這些傳統巨頭公司都在密切關注他們。

過去材料研發非常難，首先要定製設備，因爲新材料必然是新設備，而且定製完後還要調工藝、調良率，三年確實無法完成。

但現在有AI仿真，毫無疑問大幅加快了材料研發。我觀察後覺得非常震撼。

還有一家是專門爲中國高校做AI服務器的公司。今年，他們的需求增長了4倍，10多億的收入，佔整個高校70%的份額。他們表示主要是材料系、化學系和醫藥系在用（他們的數據庫），因爲醫藥本身也涉及材料。

所以，在B端，材料的AI化已經開始，這將從根本上改變許多科研體系和過去的工業生產模式。

我大概研究了近20年製造業，製造業的痛點不是研發的問題，而是產業化的問題。

那些現在做成幾千億市值的公司，是從根本上解決了工藝和產業化。

從這個角度，我們一方面看到了To B領域的這些應用（的發展），另一方面也看到在To B領域、To C領域，如果沒有場景、數據，AI就很難拿到最核心的生產力，EM很難優化。

我們認爲在To C領域，未來需要打造場景，無論是VR還是元宇宙，這些都很重要。

在To B領域，物聯網毫無疑問非常重要，如果沒有數據，無法實現AI化，即使人工智能模型再牛，也一定是錯的。

因此，我認爲AI的下一步是應用，應用的下一步是場景，場景的下一步在B端，應該是物聯網，在C端則是各種AI設備，主要是以VR、MR爲代表的視頻相關設備。

從技術角度來看，我認爲B端相較於C端更容易實現。

大語言確實很複雜，但B端是比較閉環的場景，因此參數和算法相對清晰。然而，弊端問題也在於這些方面。

例如，我曾與華熙生物董事長談論過，作爲一個化妝品企業，如何獲取這些數據？過去採用的大多是盲盒式研發和盲盒式生產，因此物聯網非常重要，我認爲在B端落地比技術更爲關鍵。

賦能學者型企業家，發揮頭部企業的價值和資源

結合這麼多年的投資經驗以及研究優質科創企業的經驗，關於產學研如何能夠更有效地支持經濟轉型以及升級發展，你有什麼心得？

過去幾年，我認爲中國科研體系的轉化已取得了一些成績，包括一些知名的學者，確實能孵化出一批優秀的企業。

過去我們也積極實踐，最早與哈工大、中科院自動化研究所以及電子科大、化工科大等都簽訂了協議。

我舉一個切身的例子來說明我們現在面臨的問題。

有一個朋友是哈爾濱工業大學的博導教授，發表了180篇SCI論文，主要是對機器人領域的一些研究。

他的導師是在中國機器人領域較爲知名的院士，我們每次聽他講都很熱血沸騰。他研究了機器人的操作系統、仿真系統以及控制器等多個領域。

而且他們很早就開始做產業化，在合肥成立了哈工大機器人集團。

但經過這幾年，我發現了問題，當一個人在某個領域特別出色時，大概率他在其他領域可能存在缺陷和短板。

我們要承認人無完人。

企業最核心的是運營，而（教授）完全沒有那根弦，作爲創始人應該如何與職業經理相處，如何用人、如何賺錢、如何拿到訂單有衆多的問題。

中國擁有龐大的科研體系。經歷了一代又一代的紅利，從最早的製造業勞動力紅利，到過去20年的工程師紅利，我認爲，未來最大紅利就是科研紅利。

但問題在於我們需要系統化地爲這些教授、老師和博士賦能。

我一直在討論，中國是否可以建立一個商學院，不是請大學老師講課，而是請企業家來給這些創新企業講課。

企業的發展包括戰略整合、技術整合、人才整合、資本整合、市場訂單整合、管理整合以及併購。

這些創新企業已經具備了這些條件，最需要的是有人告訴他們應該如何操作。

我認爲我們國家需要一個系統化的機制和體系，爲這些學者（來賦能）。畢竟能文能武的是少數人，不能把小概率事件寄託於少數人身上。

我們應該集中社會各方面的資源，包括投資機構。過去很多投資機構只是簡單的投資，未來應該思考如何精細化投資，如何賦能這些企業。

過去我們的科研體系有一個最大的問題是，許多教授可能不太願意創業，因爲國家經費已經足夠了。

但近幾年科創板的意義在於，創業公司上市能有超過百億的市值。

因此，教授和學生們創業積極性沒有問題，但怎麼實現產業化（需要指導）。

我認爲，中國科研體系的下一步成功需要發揮頭部企業的價值和資源，即使沒有任何經濟利益，也要去指導和幫助他們，這是我的最大建議。

再補充一點，關於AI，過去從科研成果轉化爲產品，再進行產業化實際上很難，所以，AI還是要積極擁抱。

與行業結合，與下游結合

你對我們當前的教育、人才培養以及科技和產業轉型有何看法？能否給大家兩個中肯的建議。

我認爲還是需要有足夠的技術，需要與行業結合。

我之前提到清華大學學者的例子，他是從美國回來的。

他回國後連續5年，一直研究客戶，與各種客戶在一起（交流），逐步明白客戶需求，之後的研發生產（就順理成章）。

所有流程都明白之後，他開始製作大模型，實際上只做了兩年。

現在都是客戶主動去找他，而且每個都是大央企，未來可能都是幾十億的訂單，幾十億的空間。

但他花了5年瞭解客戶，因爲他的技術足夠。

其次，這波AI的核心邏輯是以數據和應用爲核心，有了應用和數據，才能增強技術。

因此，我最大的建議是積極與下游結合，理解併爲下游創造價值。具體方法可以依託優秀的上市公司爲科研人才提供聯合研發的機會以及資源等等。