顺网科技：泛娱乐将成为生成式AI商业化的顺网生成式AI商黄金场域

2023-12-11 10:08:22编辑 ：Reset 顺网科技认为
，企业在探索生成式AI创业时，科技不仅要注重大模型
，泛娱更需关注场景应用
，业化域以及为场景应用提供支撑的金场中间层，以帮助企业在竞争激烈的顺网生成式AI商市场中脱颖而出 。

近期，科技2023中国上市公司投资价值峰会暨中国投资基金峰会（以下简称“双峰会”）在北京举办 ，泛娱本次“双峰会”以“创新驱动 、业化域价值导航”为主题 ，金场旨在探讨上市公司如何通过创新和价值来驱动自身发展，顺网生成式AI商并引领行业发展的科技新趋势 。

会上，泛娱顺网科技首次分享了公司在生成式AI商业化方面的业化域经验 
，强调泛娱乐将成为生成式AI商业化的金场黄金场域，并建议生成式AI创业，不要局限于大模型，更需关注场景应用，以及为场景应用提供支撑的中间层 
。

2023年以来，各大公司争相布局AI领域
，导致大模型产品密集落地，形成“百模大战”。然而，尽管各类大模型产品层出不穷，但市场上成熟的生成式AI应用却相当有限 。

对此，顺网科技认为，企业在探索生成式AI创业时，不仅要注重大模型，更需关注场景应用
，以及为场景应用提供支撑的中间层，以帮助企业在竞争激烈的市场中脱颖而出。

除此之外，对于进入生成式AI时代的企业而言 ，将会面临三个挑战：其一是模型层面能力的提升；其二是监管合规层面的挑战；其三是业务孵化和商业化 。

在场景方面，顺网科技最偏好泛娱乐领域 。一方面，休闲娱乐是比较核心的刚性领域。另一方面 ，泛娱乐行业相对来说容错性会更好。此外 ，泛娱乐的传播性更好，能够获得更多用户的认知 ，更容易让用户理解和使用。由于泛娱乐行业同时具有这三个特性 ，因此预计在明年后年会有很多的应用和可能性诞生。

其次，在生成式AI的商业化要素，“场景、中间层 、模型 、算力和数据”，五大要素缺一不可。因为场景是最终触达用户群体的地方，也是商业闭环形成的地方。中间层可以加速试错过程，更快地找到满足用户需求的具体痛点闭环。模型是生成式AI这一轮最核心的能力部分，算力是基础支撑 ，而数据则是模型的根本。

这一轮生成式AI会带来巨大的生产力变革，但未必会如大家期待的那么快，还需要一点一滴的积累，市场需要有一定耐心。

以下是顺网科技在钛媒体2023年中国上市公司双峰会的分享实录，略经编辑：

各位领导
、各位主办方的老师 、各位嘉宾、各位朋友，大家晚上好 
！

从去年底ChatGPT发布至今，整个互联网行业，甚至各行业都对生成式AI产生了浓厚兴趣
，资本市场从一级到二级都有很多动作
，今天我代表顺网科技，分享我们对生成式AI的一些认知和实践。

首先简单介绍一下顺网科技 。顺网科技成立于2005年，一直致力于推动电竞互动娱乐领域的数字化 。在18年的发展过程中，顺网科技逐渐切入了四个核心领域 
，包括算力 、电竞 、AI陪伴和数字娱乐展会ChinaJoy。这四个板块构成了顺网科技的核心业务，也是我们在生成式AI时代到来时展开新增长的基础。

我先跟大家分享一下“百模大战”的问题。从去年到现在
，国内不断涌现出各种团队，包括头部的互联网大厂和新兴的企业 ，都在做大模型，国内的模型已经超过 200 多个。从今年8月Gartner发布的行业报告来看，整个模型竞争已经进入了技术发展曲线的第一个峰值阶段 。接下来 ，逐渐有一些相对欠缺资源和欠缺沉淀的团队会退出竞争。

在百模大战的同时，我们也注意到，大家目前能够接触、使用的生成式AI应用非常有限。所以在我们看来
，进入生成式AI时代，我们还要面临三个挑战。

第一个是模型层面能力的挑战。主要体现在核心资源的聚合上 ，包括算力、数据以及人才层面的博弈。其实这一领域在过去几年一直是冷板凳，尤其是在去年9月份之前都不是热点，甚至于国内相关的出版物也不多 。但今年2月份以后，这方面的研究就如雨后春笋般涌现出来
，这也是人才稀缺的一个客观限制。

第二个挑战是在监管合规层面。要开展负责任的大模型实践，会大幅度增加训练成本和推理成本，因此会给商业化过程带来挑战 ，这背后是安全和成本之间的取舍
。

第三个挑战是业务孵化。在早期投资时，大家可能觉得这一新兴领域很有机会；当行业发展逐步深化时，会发现业务本身的孵化和商业化存在非常多的挑战 。如果不能验证业务商业模式是否有效 ，能否形成良好的现金流和利润，生成式AI就有可能会进入瓶颈状态 ，实际上现在已经在这样一个状态了。

我们团队在看待生成式AI创业时
，理解不仅仅局限于大模型 ，大模型有相应的团队和相应层次的玩家在做 。我们更关注场景应用 
，以及为场景应用提供支撑的中间层，这里还有很多机会 。

场景方面，顺网科技最偏好泛娱乐领域
。首先 ，休闲娱乐对消费者而言，是比较核心的领域 ，所以它的需求是很充分的 。其实历史上很多新技术都是从泛娱乐领域率先落地 。

其次 ，泛娱乐领域相对来说容错性更好。很多生成式AI应用一旦用到正式的商业场合，就会面临服务、解决方案等方面稳定性、可靠性的问题 。所以在当前这个阶段，找到相对高容错的场景，是做好这一轮生成式AI商业化的重要环节。

另外，泛娱乐的传播性更好
，能够获得更多用户的认知，更容易让用户理解和使用 。所以我们认为，泛娱乐行业刚好具有这三个特性，在明年后年会有很多的应用和可能性诞生。

最近二十年 ，我们的很多生活习惯都在发生转化 ，例如从微博 、微信等文本互动转向短视频互动，甚至未来会有更多即时多媒体通讯形态 。这个过程中 ，用户时间分布已经在发生迁移 ，更多的生活场景复刻、还原在线上
，因此会有很多通过生成式AI为用户提供陪伴的机会 ，这也是顺网正在做的 。

在我们看来 ，生成式AI商业化会有两种落地范式：

第一种是现在很多小型团队在做的，他们会直接在大模型上做应用
，或者简单地做套壳或商业化 。这种模式反应速度会比较快 ，可以快速拉起来一部分用户，但是在国内展业 ，这样容易遇到合规问题。海外展业其实门槛不高，但很容易被大模型把相应的场景能力吸纳
，之后逐渐被替代，很多应用从业者已经发现了这个问题。

第二种是大模型加上中间层框架，最后到应用。这一层是从大模型本身的一些局限性出发 ，补充它的提示工程、答案工程
，注入行业垂直模型 。同时企业有很多自己多年沉淀的行业数据 ，未必愿意以公开的方式或者缺乏数据安全的方式提供给大模型 ，这种场景就需要中间层做支撑。

从顺网科技的实践来看
，首先，我们拥有多层次的算力，而且是异构算力，从这种核心的专业计算到常规的低成本推理计算，甚至于到一些特定场景的渲染，面向不同场景可以提供不同类型的算力。这是我们相对见长的，因为我们做上网行业，从基本的设备管理到行业的存储上云、算力上云 ，以及算力全方位的线上线下一体化调度管理
 ，我们积累了很多经验
。

第二点，是在模型和应用支撑的中间层探索 。这一块构成了顺网科技核心的AGENT能力 。准确来说
，AGENT是一种生成式人工智能代理的能力，而不是只创建一两个代理的化身  。本质上 ，还是会利用大语言模型擅长的方面，但是对于它不擅长或者可能遇到问题的部分，都需要在这个层级进行封装和场景化适配 。

最后是场景。我们接触的用户主要集中在泛娱乐领域  ，因此我们会提供相应的陪伴服务，包括在上网、电竞等与游戏紧密结合的场域，以及常规的休闲陪伴。

我们认为，想要做好AI应用，需要充裕的算力和高质量的数据。

首先，即便拥有第三方的大模型，如果缺乏足够的算力，就无法将优质数据转化为模型的参数，也就无法真正地将数据沉淀下来。其次是要做推理 ，如果没有足够的推理算力来服务海量广域的最终用户 ，那么大模型平台可能会崩掉或暂停服务 。这对于国内很多创业团队和上市公司来说，也是一个需要解决的问题。

算力不仅关乎计算能力本身，还关乎计算所需的时间 。比如 ，我们所在的电竞行业、游戏娱乐领域所需要的渲染算力，需要非常低的时延 ，通常是毫秒级
。而在其他非时间敏感的应用场景下，可能不需要那么高的实时性 。所以整体的算力应当构建成一个多层次的算力网络和算力资源池。

其次，推理的核心在于高质量的数据，这些数据应当与自身应用场景相契合 。我们认为 ，高质量的行业数据必须满足三个维度 ：深度、广度和时间跨度。深度方面
，即在该行业中拥有相应的端对端链路数据沉淀 ，当然，这些数据的获取需要符合相关法律法规 。

广度方面
，行业不能太小、太垂直，要有一定的市场容量和多细分行业覆盖 ，否则很难在商业化推广中实现规模化。最后，数据的积累需要一定的时间跨度。如果没有几年甚至10余年的数据沉淀，就没有相应的训练语料
，所以在数据层面，还是需要有足够的时间积累。

我们来总结一下。在生成式AI的商业化方面 ，顺网科技认为这五个要素是缺一不可的：场景
、中间层、模型
、算力和数据  。

场景是最终触达用户群体的地方，也是商业闭环形成的地方
。中间层可以加速试错过程，更快地找到满足用户需求的具体痛点闭环 。模型是生成式AI这一轮最核心的能力部分，算力是基础支撑，而数据则是模型的根本。

我们认为，这一轮生成式AI会带来巨大的生产力变革，但未必会如大家期待的那么快，还需要一点一滴的积累
，市场需要有一定的耐心 。对于上市公司来说 ，在这方面也会遇到经营层面和孵化层面的挑战，我们也希望能够与行业内更多人士进行探讨 ，共同寻找更多创新机会，从而实现更好 、甚至更快的商业化进程。

最后以顺网科技的使命和愿景作为结束
，我们希望科技连接快乐 ，让行业更加智能
，让用户的快乐随手可得。

本文地址：https://www.metheavy.com/html/79c50899412.html