作者:邵旭辉,Foothill Ventures管理合伙人,在机器学习、大数据系统和软件系统工程领域从事研发和管理工作多年,曾任雅虎广告及大数据平台工程副总裁、Turn CTO及ID Analytics副总裁。他持有清华大学自动化学士学位及明尼苏达大学EECS博士学位。 上个月的GTC后,生成式AI相关的讨论久久不能平息,这个月Gen AI领域刚刚宣布的两个高额融资消息也引发了大量关注:Augment以近10亿美金的估值融资2.27亿美金,Cognition则以20亿美金估值融资1.75亿美金。从文字chatbot到视频生成、机器人,生成式AI的能力不断拓展,应用潮已经开始,行业内外,大家都很关心这个话题:AI将会带我们到何处去? 作为AI、深度学习领域多年的从业者,曾经的大公司管理者、创业者以及如今的深科技领域投资人,我在此抛砖引玉,谈谈我对生成式AI发展的个人判断。 本质上,我认为生成式AI的竞争力根植于这三个维度: 一是算力及基础设施,这也是许多大公司优势明显的地方。 二是算法,当然也意味着算法背后的人才。 第三则是数据及应用场景,对创业公司来说,这一部分仍存在着大量机遇。 我们下面可以从这三个维度来生成式AI的未来。 【小标1:Gen AI并非算力竞赛,创业公司的机会在这些领域】 在算力方面,Nvidia是GPU的领头羊、CUDA生态的开创者,具有巨大的优势,但其实,未来的生成式AI并非绝对以算力定成败。 算力有限的创业公司或者科研机构,机遇主要在哪里呢? 首先,创业公司可以打造生成式AI的基础设施,解决底层的问题。 几乎所有的领域的公司,都在考虑自身在生成式AI方面的竞争策略。在数据隐私/计算安全、 准确性/可靠性、商业逻辑等等领域都会有很碎片化的的要求。而大厂的工具链服务链只能解决一部分需求,其他的就需要初创企业来填补。Lepton.AI、Corvic.AI、Fairly.AI 等都属于这个范畴。这些创业企业搭建了机器学习领域的基础架构,比如Corvic.AI,他们提供的解决方案让复杂数据能较为简便地转化为可用的企业级AI,提供预测分析、AI助手、数据标签等功能。 其次,虽然大公司在算力方面拥有优势,创业公司可以将目光投向专业领域——对于这些领域来说,持续积累的专业数据将会有着不可替代的价值,其中的行业壁垒、合规等方面的积累也能形成一定的护城河。 而更重要的是,不少领域(比如生物医药、网络安全、科研、制造)的底层逻辑和大模型擅长的语言文字视频并不相近,无法直接套用,也不容易简单的做二次开发就能获得好的结果。 从另一个角度来说,大模型也同样打开了许多新机遇,过去一些离商业化较远的领域可能忽然就有前进的动力了,其中往往会有创业公司的机会。 展开全文 文初提到的AI写代码就是一个新出现的机遇,这两家企业都是近年来发展迅速的AI公司,Cognition的创立时间才刚刚半年。我们也投资了一个同类别的公司Metabob,通过AI来帮助人们找程序中的bug并修复它们。这类企业在AI与软件工程的交叉点找到了自己的市场。 近期机器人的热潮也是个很好的例子。 过去传统机器人往往只能解决单个任务,机器人的传感器、成本投入都有限,也限制了它的发展。 随着LLM的发展,机器人能够在虚拟空间通过强化学习(reinforcement learning)来进行学习、迭代、完成复杂任务,带来了一系列连锁反应——企业愿意开发拥有成本更高、能力更强机器人,这一行业也有了更多的想象空间与投入。斯坦福大学李飞飞教授参与的团队也构建了类似于当年ImageNet的针对虚拟空间训练测试机器人的基于物理模型的大规模训练场景。 今年3月,机器人公司Figure与OpenAI合作发布的视频引发了很多关注:金属覆身的机器人接入了OpenAI的大语言模型,能够迅速理解人类的意图并做出相应的动作,包括整理、准确放置物品以及完成一些相对模糊的指令——一名男子对Figure01“给我找个吃的”,机器人略思索后,拿起了桌上的苹果,并递给了他。值得注意的是,桌上还有四散的碗盘、沥水架等,苹果是唯一一个可食用的物品,这个简单的动作涉及了推理与思考过程,加上之前整理、收纳,机器人展现了完成多个复杂任务的能力。 除了Figure01外,ChatGPT引领的大模型风潮下,各类引入了LLM的机器人正在涌现:University of Michigan的学者也发布了基于大语言模型,能够更好地理解3D环境的家用机器人。在工业、农业、医疗等领域,可以想象,新型的 机器人会带来很多的新变化。 【小标2:新型芯片及算法可能会重写垄断格局】 目前,在生成式AI的算法方面,呈现NVidia、OpenAI、Microsoft三巨头垄断的格局。不过在我看来,这样的情况也会在技术进展下面临变化。 这并非我一家之言,可以说,几乎是一个行业共识,只是很难预测它具体的时间点。 今年GTC上,Transformer的原作小组首次聚集,八位作者中的七位与黄仁勋对话,而核心观点就是:Transformer已经够老了,期待看到更新的模型。 作者之一、Cohere的创始人及CEO Gomez评论道:我想看到比Transformer好十倍的模型来替代它……Transformer在内存占用和许多架构方面都有优化的可能性,比如一个非常长的context是很昂贵、无法扩展的,它的parameterization可能不必要那么长 ,我们可以压缩许多倍,带来指数级的缩小。 从仿生学的角度来说,这个观点也很站得住脚——目前算法的功耗算力,跟自然界还有很大差距。 人的大脑功耗几十瓦。昆虫的大脑功耗是毫瓦/微瓦级的,神经元数量极少,也能完成特别复杂的立体视觉、三维控制、捕猎逃生等感知相关的行为。同等情况下,如果让电脑复现小动物在自然界里识别、控制、捕猎、求生的能力,需要更先进的模型,也一定会逐步出现更先进的模型。 而未来更好的算法与模型也很可能意味着更多专用的、小型的芯片会迎来发展。 比如我们此前投资的D-matrix,主打存内计算,预计将在2024大规模量产,目前已经有大量订单。另一个模拟计算芯片设计企业Tetramem也备受关注,已经发布了多篇Nature论文, 除此之外,开源的相对小型的transformer 模型(如Microsoft's PHI-2 and Mistral 7B)也会迎来快速发展。在我看来,这些开源的小模型对于AI行业持续、健康的发展是很有必要的。这次AI的热潮与以往的科技潮不同,大公司并未占据所有重要的研究方向——谷歌上市时,许多大学就停止了对搜索算法的研究,因为谷歌已经有了很好的团队和资源来推进搜索算法。而生成式AI则不是,对于研究机构而言,这些开源的小模型中还有很多值得探索的地方,目前所有名校的计算机系也都在积极研究开源模型。 甚至可以说,文初我提到的、未来我们期待的新的算法很可能就会从这些科研人员的工作中涌现。 【小标3 GenAI发展的背后是人才之争】 这个对更新、更好的生成式AI算法的期待,也意味着另一件事:生成式AI的竞争也意味着人才之争。 目前,中美是在AI人才方面占据全球一二位置的两个国家。 从绝对人数来说,中国占据了第一位——今年三月,纽约时报报道了一个追踪AI相关人才的报告,中国有着全世界最多的AI本科生人才,而与三年前相比,如今在美国的顶级AI人才中,中国人的比例也已经超过了美国人。比起过去,这些中国人才在美攻读学位后,也更多地“回流”中国。 当然,美国有着世界数量最多的一流大学,与创新气氛浓厚的科技企业,也孕育出了将LLM石破天惊带入大众视野的Open AI,对各国的AI人才仍旧有着强烈的吸引力。 不可否认,基于天时地利人和等方面考虑,中美牢牢占据了未来AI发展综合最优的前二宝座。 在这个背景下,还有一个值得注意的趋势:人才的两极分化。 由于AI+ 的杠杆作用越发明显,创立一个优秀的AI企业所需要的技术人才的数量比几年前已经显著减少了。企业接下来对人才的竞争,会越来越集中于少数顶尖人才的争夺。 无论在硅谷还是在北上杭,我们已经看到顶级AI人才被高价争抢,而普通大学生找不到工作的这种两极分化,而这样的趋势未来也会更加明显。 【小标4 Gen AI将成万亿美元市场,投资人如何入局?】 从我和我身边的创投从业者的角度看来,我们的共识是Gen AI的未来是光明的——Bloomberg Intelligence报告预测,GenAI将成为未来十年发最迅速的市场之一,市场总量超过万亿美元,复合年增长率超过40%。它变革性的能力会影响各行各业。 对于投资人而言,如果想要投资这个市场,我有以下建议: 首先,投资生成式AI项目,本质上仍旧是在深科技技术中寻找那些具有商业化潜力的项目。投资人最好能具备AI相关技术背景,并且保持持续学习及市场敏锐度。目前生成式AI的技术变化、突破、市场都在迅速发展。比如此前一些挂着大模型名号的项目,也许在ChatGPT某次更新后就会完全失去市场,能够识别这些项目,可以帮助规避许多风险。 其次,正如文初分析的,目前生成式AI的支柱分为人才/算法、算力、应用/数据三大方向。作为投资人,前两者的投资难度较大,然而应用/数据中,有着大量的未来机遇,可以考虑投资一些相关资源。 比如应用场景和应用场景相关的数据——对于中国投资人来说,半导体 、新能源、先进制造都是不错的方向。以制造业为例,拥有大量垂直行业内的数据,才能做出好的AI,指导未来的先进制造。 从时间上来看,技术上如果不能特别确定 ,也可以等一下商业落地的信息,付出一些增值成本来换取更稳定的信号。 有关AI,这个问题我常听到:AI能最终代替人类吗? 我认为这要从不同尺度上去理解——我们究竟在讨论的是AI从什么程度上在挑战人类进化?如果是生物体层面,这有着百万年以上的积累,是最难的;从人类认知层面,也至少有10万年进化横亘在AI面前;而出现数千年的人类语言相对更容易;出现仅100年的计算机语言则最简单。 这个问题的答案当然没有定论。不过在这个最终将达万亿美元、改变人类生活的市场里,我很期待看到更多来自华人参与者的身影,不管是创业、投资,还是积极地拥抱生成式AI让生活、工作变得更高效,它将前所未有地改变我们与世界交互的方式。返回搜狐，查看更多

北京市:市辖区:(东城区、西城区、朝阳区、丰台区、石景山区、海淀区、门头沟区、房山区、通州区、顺义区、昌平区、大兴区、怀柔区、平谷区、密云区、延庆区)

天津市:市辖区:(和平区、河东区、河西区、南开区、河北区、红桥区、东丽区、西青区、津南区、北辰区、武清区、宝坻区、滨海新区、宁河区、静海区、蓟州区)

河北省:石家庄市:(长安区、桥西区、新华区、井陉矿区、裕华区、藁城区、鹿泉区、栾城区、井陉县、正定县、行唐县、灵寿县、高邑县、深泽县、赞皇县、无极县、平山县、元氏县、赵县、石家庄高新技术产业开发区、石家庄循环化工园区、辛集市、晋州市、新乐市)

唐山市:(路南区、路北区、古冶区、开平区、丰南区、丰润区、曹妃甸区、滦南县、乐亭县、迁西县、玉田县、河北唐山芦台经济开发区、唐山市汉沽管理区、唐山高新技术产业开发区、河北唐山海港经济开发区、遵化市、迁安市、滦州市)

秦皇岛市:(海港区、山海关区、北戴河区、抚宁区、青龙满族自治县、昌黎县、卢龙县、秦皇岛市经济技术开发区、北戴河新区)

邯郸市:(邯山区、丛台区、复兴区、峰峰矿区、肥乡区、永年区、临漳县、成安县、大名县、涉县、磁县、邱县、鸡泽县、广平县、馆陶县、魏县、曲周县、邯郸经济技术开发区、邯郸冀南新区、武安市)

邢台市:(襄都区、信都区、任泽区、南和区、临城县、内丘县、柏乡县、隆尧县、宁晋县、巨鹿县、新河县、广宗县、平乡县、威县、清河县、临西县、河北邢台经济开发区、南宫市、沙河市)

保定市:(竞秀区、莲池区、满城区、清苑区、徐水区、涞水县、阜平县、定兴县、唐县、高阳县、容城县、涞源县、望都县、安新县、易县、曲阳县、蠡县、顺平县、博野县、雄县、保定高新技术产业开发区、保定白沟新城、涿州市、定州市、安国市、高碑店市)

张家口市:(桥东区、桥西区、宣化区、下花园区、万全区、崇礼区、张北县、康保县、沽源县、尚义县、蔚县、阳原县、怀安县、怀来县、涿鹿县、赤城县、张家口经济开发区、张家口市察北管理区、张家口市塞北管理区)

承德市:(双桥区、双滦区、鹰手营子矿区、承德县、兴隆县、滦平县、隆化县、丰宁满族自治县、宽城满族自治县、围场满族蒙古族自治县、承德高新技术产业开发区、平泉市)

沧州市:(新华区、运河区、沧县、青县、东光县、海兴县、盐山县、肃宁县、南皮县、吴桥县、献县、孟村回族自治县、河北沧州经济开发区、沧州高新技术产业开发区、沧州渤海新区、泊头市、任丘市、黄骅市、河间市)

文 | 穆胜 文 | 穆胜 “人效”的全称是“人💯力资源效能”，对应的英文是“HR Efficiency”，而😂“Efficiency”，是投产比、效率的意思。这就产生了一👍个非常明显但鲜有人提及的问题——为什么不直译为“人力资源效率😆”，而要翻译为“人力资源效能”？ 我算是国内几个最早研🌟究“人力资源效能”的人，这里，我给出一个解释。 01 🤗主打防守的模式 人效是个投产比，分母是“人力资源投入”🌟，分子是“财务或业务产出”。从数学逻辑上看，要提升人效，显然😜有两种模式： 第一种模式主打防守，主张减少分母，即“降😘低人力资源投入”。 具体做法是，精简机构、压缩编制、裁🤗撤人员。考虑一般的企业里多多少少都有组织冗余，这样的做法显然😉是立竿见影。但问题是，一方面，这种做法不可持续，组织规模不可😅能无限缩小；另一方面，如果没有理解组织的运作机制，盲目压缩组😂织，很有可能导致业务流程和组织氛围被破坏，进而影响产出（分子😜），最终得不偿失。 事实上，大多企业就是在这条错误的道🔥路上“砥砺前行”。2015年左右，我为国内一家年营收千亿的企😍业担任人力资源顾问，当时我就为他们引入了最先进的人效管理理念😴。也就是说，很多现在才流行起来的概念，我在十年前就给他们讲过🌟了。当时现场的反馈很有意思，相当一部分HR认为：“穆老师，您💯这理念很好，但现实中，HR能够控制的只有分母，要提升人效，我❤️们只能动刀砍人、砍组织。” 道理我都讲透了，但他们看到🔥的只是分母，所以，人效管理的理念并没有在这家企业落地生根。不😜能不说，这是一种遗憾，规模如此庞大的企业，但凡找一两个试点，🤯尝试探索人效管理，形成成本端的竞争力和经营者的效能意识，他们🙌现在的江湖地位，就不会如此憋屈了。 02 主打进攻的模😜式 第二种模式是主打进攻，主张增加分子，即“增加财务或🤯业务产出”。 有一部分企业，的确能够只管业绩增长，不管🌟人力投入。甚至他们在人力资源投入上豪掷千金，还会被认为是“有😂格局”“有眼界”“战略性储备”。 说白了，如果业绩保持🤩高速增长，人力资源这点投入，还不是九牛一毛？老板们进而就可以😴上价值——“人才是最宝贵的资源，好的人才决定了企业的未来，找😢人才，不应该看价格。” 眼看着这些企业在人力资源投入上😎的“大手笔”，其他企业的HR就开始泛酸——“看看人家的老板，😢看看人家的企业，看看人家的HR！我们就没打过这么富裕的仗！”😆 其实，这种“全力进攻（分子），不管防守（分母）”逻辑⭐，还是因为企业有业绩增长的势能。老板们大可以把这种势能归结于😉自己在人才上的全力投入，甚至可以举出个别人才改变竞争格局的个🤩例，但说到底，这种势能还是来自于宏观经济和行业的红利，显然是🤯倒果为因嘛。但舆论就是慕强的，当你业绩好了，你说什么别人都会👍认为全是对的。 展开全文 我从来不相信那种豪掷投😍入，然后赌不确定性产出的投资模式，这种模式赌性太大，不靠谱。😡这就好比有的头部投资机构，宣传自己的理念是“投赛道”，也就是😘哪个赛道上出现机会的时候，就投这个赛道上几乎所有的头部项目。😉他们形容为，一把飞镖扔出去，总有一个落在靶盘上。但现实却在打🎉脸，经济红利期过去了，进入寒冬了，他们的这种投资模式就不灵了😍。所以，不要把“蒙对了”说得这么清丽脱俗嘛。 03 防😘守反击的模式 不考虑经济周期，人力资源的投资，也不能是⭐只管防守（分母）的“龟缩”；如果考虑现在是经济寒冬期，人力资🌟源的投资，就不能是只管进攻（分子）的“豪赌”。 进一步😎看，即使现在经济再回归上行期，依赖“豪赌”模式的HR们价值就👍会被认可，就有前途吗？显然也不是呀。他们所谓的专业成功，在老👏板和业务部门眼中，不过是蝇附马尾，企业要不要干掉HR，全凭老🌟板心情。 两种模式本质的问题，都是割裂了进攻（分子）与😡防守（分母）之间的关系。奉行两种模式的企业，都不清楚人力资源😆投入是如何产生业绩的，他们只能“抓一头”。 我主张的人⭐效管理，是防守反击的模式，是把有限的人力资源筹码进行合理配置🌟，最大程度确保企业的确定性增长。直观来说，即使一个企业人力资🤗源总投入不变，我认为，通过优化配置方式，也能明显提升人效。因😀为大多企业的人力资源配置方式，实在有点像是“蒙眼放筹码”“菜👍市场议价定编制”，造成的局部冗员那可不是一点点。把冗员挤出来🎉，放到一些真正需要人力投入的领域里，再辅以若干的人效赋能手段😊（选用育留等），业绩增长自然就来了。 如果考虑我的这种🔥理念，人力资源效能，应该就有两层意思：一是“效”，即效率；二😢是“能”，即产出。这个概念本身就有导向性，它表面是防守反击，❤️其实是一种精实增长的进攻理念，它坚信人力资源投入和业绩产出之⭐间的强联系，认为通过人力资源职能的各种工具能够推动经营。有没😆有发现？这个概念本身就是人力资源专业的革命，野心还挺大的！ 🙌 这样看来，中文博大精深，“人力资源效能”的翻译，实在是😜妙！返回搜狐，查看更多