国内什么样的AI公司现在能拿到VC投资？
文|阿尔法工场
当下的大模型赛场，随着最初的热潮褪去，不少VC和投资人对大模型已经进入了一个冷静期，其投资标准，也变得理性、严谨了许多。
既然如此，那么这一阶段能得到明星资本青睐的团队，都具有哪些特征呢？
如前段时间，突然发布自身产品的神秘创业公司——月之暗面Moonshot AI，就给我们提供了一个参考。
在自身的大模型 Kimi Chat发布前，很少有人会想到，这个创始人仅31岁，且没有任何产品发布的AI初创企业，会获得红杉中国和真格基金等 VC 的投资，并被The Information 选为五家「中国 OpenAI」的创业公司之一。
那么，对国内大模型而言，月之暗面的入局，究竟是又一场讲故事的炒作，还是一匹赫然出世的黑马？
01 VC们的考虑
现阶段，要拿捏一个AI初创企业的含金量，除了企业公开展示的信息外，从VC们的角度倒推回去，分析其投资的理由，也是一种值得借鉴的思路。
以投资了月之暗面的明星资本红杉中国为例，目前红杉中国在AI领域已经已投资了近 30 家企业，但其真正的核心标准只有两个：1、有使用场景，解决实际问题；2、系统能够持续不断获得有用的数据自我学习来提升处理能力。
在第一条标准上，红衫中国对AI企业的筛选，有着与国内大多数VC不同的洞见。
当前，AI 投资大多集中在 B 端，因为相较于C端，B端的行业垂直类大模型更好找到应用场景。
然而，红衫中国却认为，垂直行业背景不是必备条件，而对行业痛点的深刻洞察，则是更为重要的因素。
比如摩拜创始人不是做自行车的，但是她发现了实实在在的需求，并且意识到在这个过程中 AI 能够发挥价值。
按照这样的思路，来看月之暗面的情况，我们就会理解红衫中国投资的理由。
在月之暗面发布的大模型Kimi Chat，是首个支持输入 20 万汉字的智能助手产品。这一上下文长度，是目前最高的 Claude 2-100k（约 8 万字）的 2.5 倍，GPT-4-32k（约 2.5 万字）的 8 倍。
超长的文本输入，意味着什么？
在Kimi Chat发布前，大模型落地的一个最大阻碍或瓶颈，正是输入长度的限制。
由于长度所限，任何需要进行长篇分析或持续对话的场景，现有的大模型都难以胜任。
例如，在法律行业中，有时从业者需要处理大量的长文本，例如法律文件、合同、判决书、案例等，而在媒体行业中，编辑或撰稿人，也需要对大量的文章、新闻、报道进行分析阅读。
诚然，面对输入长度的限制，人们可以用“分段发送”这种投机取巧的方式规避，然而，由于长度所限，在达到字数限制后，大模型仍然必须对每段内容重新开始分析。
而这种不断“从头开始”的情况，也使大模型难以形成一套连贯的、有深度的见解。
这样的情况，就像是一个原始人，虽然学会了写字，但却因文字载体（只能刻在石头上）所限，无法保存更多的信息，积累更多的智慧，于是文明便无法长远地发展。
而大模型要想摆脱这样的“原始阶段”，向更广阔的场景扩展，文本长度的限制是一定要突破的。
也正因如此，抓住了“长度限制”这一痛点的月之暗面，才会如此得到红衫中国的重视。
然而，除了具体的场景、技术之外，“人”的因素，在大模型创业过程中同样不可忽视。
02 技术天才的前路
当下，几乎每个AI初创企业都想成为OpenAI，但又有多少团队具备那样的人才配备，以及能让其充分发挥自身才干的土壤呢？
从表面上看，在目前的大模型创业热潮中，名校毕业、大厂经验、浓厚的技术基因，似乎已经成了一种“标配”
月之暗面的情况也是如此。
其创始人杨植麟，不仅出身清华，深造于卡内基梅隆大学，后来又效力于谷歌大脑研究院和Meta（Facebook）人工智能研究院，并且还曾与图灵奖得主杨力昆（Yann LeCun）合作发表论文。
同样的，身为团队第二大股东的周昕宇，也是杨植麟清华大学计算机科学与技术系的同学；
而第三大股东吴育昕，毕业于清华大学与卡耐基梅隆大学，曾获2018年欧洲计算机视觉会议（ECCV）最佳论文提名。同时也是Meta（Facebook）人工智能实验室FAIR团队的一员。
从人员构成上看，这是一个技术基因颇为浓厚的团队。
然而，在当下的国内大模型赛场上，明星般的技术人才很多，可真正做出突出成就的，却仍是凤毛麟角。
原因何在？
从OpenAI、Midjorney等成功团队的案例中，我们至少可以总结出两点：1、团队对自身“独立性”的坚持；2、创始人的视野、经验是否开阔；
关于第一点，就国内的情况而言，尽管“技术天才”创业的案例已不在少数，但其中相当一部分团队，由于缺乏股权或经济上的独立性，最终被收购、控股，如之前被光年之外收购的一流科技就是这样的例子。
而相较之下，OpenAI、Midjorney在融资、股权问题上，则有着更为独立的自主权。
身为非盈利性组织的OpenAI，不用总是将股东的意志放在第一位；而Midjorney的创始David Holz，更是凭借着自身的名气与人脉，在不融资的情况下就集齐了相应的资源、人才。
凡此种种，都使其更易于坚持自身独立的研究方向。
而在这方面，根据天眼查App信息显示，月之暗面由杨植麟持股78.97%，拥有绝对控制权。
除了对“独立性”的坚持外，创始人的视野和实践经验，也成了大模型团队成败的另一大因素。
因为技术型团队，虽然对研究有着纯粹的热忱，但有时候，这样的执着却会“剑走偏锋”，陷入一种误入歧途的窘境。
在当下AI的发展方向中，存在着许多不同的路径，有些是有前景的、靠谱的，有些则是需要排除的“错误选项。”
而唯有与国外一流的高校、机构和企业进行广泛交流，并亲自参与实践，才能从中得出正确的、具有前瞻性的判断。
说回到月之暗面，在视野与实践经验方面，杨植麟曾效力于谷歌大脑研究院和Meta（Facebook）人工智能研究院，是Transformer-XL和XLNet的第一作者。
其中，XLNet模型曾在18项自然语言任务中取得了好于谷歌BERT的效果，是当时NLP领域热门的国际前沿模型之一。
这样开阔和前沿的履历，确保了作为创始人的杨植麟，在技术方向的把握上，保持了与国际一线人才相近的水准。
03 “局部胜利”的含金量
在目前月之暗面公布的信息中，其最为人称道的一点，就是推出了首个支持输入20万汉字的大模型Moonshot，以及搭载该模型的智能助手产品Kimi Chat。其文本长度是GPT-4-32k（约 2.5 万字）的 8 倍。
可以说，这是国内在局部领域对GPT-4等先进模型取得的又一场“胜利”。
为什么说“又”呢？
因为此前已经有不只一个国产大模型，宣称自己在某些方面“超越”了GPT-4。
9月，学术界当红开源评测榜单C-Eval最新一期排行榜中，云天励飞的大模型“云天书”排在第一，而GPT-4仅名列第十。
之所以会出现这样诡异的现象，是由于部分国产大模型，学会了一些别样的“应试技巧”（例如将测评的答案抠下来训练），才造成了如此奇观。
其实，从OpenAI的经验来看，一种真正的技术上的“局部胜利”，应该是对AI某一领域天花板的突破，而不是呈一时的数据英雄。
这也是为什么，当年GPT-1被谷歌的BERT打得完败，且测评、数据纷纷拉胯的情况下，OpenAI仍然选择大模型，而非小模型的原因。
毕竟，小模型在专业任务上表现虽强，但只要参数无法提升，更强的智能就无法涌现。
同样地，目前月之暗面推出的Moonshot，同样可以看作是对大模型某一“天花板”的突破。
因为在长文本方面，也存在文本长短、注意力和算力类似的“不可能三角”。
这表现为，文本越长，越难聚集充分注意力，难以完整消化；注意力限制下，短文本无法完整解读复杂信息；处理长文本需要大量算力，提高成本。
在这样的不可能三角中，自注意力机制的计算量会随着上下文长度的增加呈平方级增长，比如上下文增加32倍时，计算量实际会增长1000倍。
而计算量的提升，就意味着就不得不消耗更多的算力，而这无疑意味着更高的模型部署成本。
有鉴于此，唯有以长文本技术为突破，人们才能在其通用模型基础上去裂变出N个应用。
现阶段，长文本的“不可能三角”困境或许暂时还无解，但正因如此，攻破这样的“天花板”才真正有其意义和价值。
而所谓中国的OpenAI，或许正是诞生于对这一个个“天花板”的攻克中。