文｜《中国企业家》记者 孔月昕
｜马吉英
头图摄影｜邓攀
商业化，越发成为诸多大模型厂商的首要任务，也是各家PK的重点。
10月16日，零一万物正式发布最新旗舰模型Yi-Lightning。在国际权威盲测榜单LMSYS上，Yi-Lightning超越GPT-4o-2024-05-13、Claude 3.5Sonnet，排名世界第六，中国第一。
除了模型能力外，零一万物创始人兼CEO李开复在本次发布会上，更多地强调了公司的商业化布局。
一方面，最新上线的模型Yi-Lightning，API调用价格每百万token仅需 0.99元，直逼行业最低价。另一方面，在业务拓展上， 零一万物也进行了战略转型，将国内的业务重点放在了toB上，海外则以toC业务为主， 并发布了全新toB战略下的应用产品AI 2.0数字人，聚焦零售和电商等场景。
来源：视觉中国
对此，李开复表示，零一万物选择在国内做toB，是因为找到了破局的空间，比如用数字人来做零售、餐饮等，可以做完整的解决方案。而在国外做toC产品，变现能力和消耗用户增长成本，算账可以算得过来，未来会再关注国内有什么机会可以推出（toC业务）。
“如果做一单赔一单，这种toB业务零一万物宁可不做。”李开复表示，这一观点他始终没有改变。
发布会后，李开复接受了《中国企业家》等媒体的采访，以下为采访内容整理（有删减）：
谈技术：不放弃预训练，难也要追赶OpenAI
问： 此前有消息称，AI行业“六小虎”中有几家放弃了预训练，站在行业的角度，您认为对预训练模型逐步放弃将是行业整个趋势吗？
李开复： 我觉得做好预训练模型是一个技术活，要非常多有才华的人在一起，慢工出细活。这里面要有懂芯片、懂推理、懂基础架构、懂模型、懂算法的人，一起才能做出来。
如果一家公司能有幸拥有这么多优秀人才进行跨领域合作，那我相信中国绝对可以做出世界排名前十的预训练的通用模型。 但不是每家公司都可以做这件事情，因为做这件事情的成本也比较高，以后可能有越来越少的大模型公司会做预训练。
不过据我所知，这六家公司融资额度都是够的，我们做预训练的production run，训练一次三四百万美元，这个钱也是头部公司都付得起。我觉得中国的六家大模型公司只要有够好的人才，想做预训练的决心，融资额跟芯片都不会是问题。
问： OpenAI的o1发布后，从技术上所有人会认为带来新的Scaling范式，您怎么看？对初创公司来说会有哪些影响？
李开复： 我刚从美国回来，跟OpenAI的人员也有沟通，OpenAI真的是很厉害的公司，他们跟我分析的是，公司内部还有一些好东西，但是他们不着急拿出来，因为他们领先行业足够多，到了一定的业务节点才释放出来，这是他们能做别人不能做的。
OpenAI o1虽然隐藏了所有中间的思考状态，但是很多人还是在网上在猜它怎么做，我们认为有一些揣测还是比较靠谱。 我觉得五个月以后应该也有不少类似o1模型的能力出现在各个模型公司，包括零一万物。
o1的思考模式是把之前只在预训练中scaling的趋势扩展到了推理的时候，这件事情对行业是最大的认知改变。过去大家觉得，预训练做好就够了，慢慢大家发现后训练SFT和强化训练都非常重要。
零一万物刚开始主要是专注预训练，之后有很多很厉害的人加入，帮我们把Post train也做出来，现在看来inference也很重要。一年半以前大家觉得大模型最厉害的地方就是预训练，一年以后发现Post train也是同样重要。 感谢OpenAI点醒我们，我相信现在很多中美公司都在往o1方向狂奔。
问： 5月份时，零一万物的Yi-Large把中美顶尖模型的时间差缩短到6个月，这次发布的Yi-Lightning击败了GPT-4o，把时间差缩短到了5个月，从零一万物到整个中国大模型的初创公司来说，预训练模型要怎样继续追赶，缩短这个时间差？
李开复： 缩短时间差非常困难，我不预测我们可以缩短这个时间差。毕竟人家是用10万张GPU训练出来，我们用的是2000张GPU。我们时间差能达到（半年），只是因为我们模型、AI Infra等团队都热心聪明，去使用和理解对方做出来的东西，再加上国内每家的研发各有特色，比如数据处理、训推优化等。
现在零一万物已经有一套成熟的方法论了，我们有信心在关注OpenAI和其他公司发布的新技术时，尽快地去了解这些技术的核心重要性，然后把它的能力在我们自己的产品里面发挥出来。 我觉得这套方法保持在6个月（时间差）左右，就已经是很好的结果了。如果期待破局，可能需要一个前所未有的算法才有机会。
谈商业化：国内做toB，海外做toC，不做亏钱业务
问： 您之前说不做赔钱的toB，这次零一万物在发布会上首次公布相关的矩阵，意味着你们也尝试往toB方向进一步深耕？往这个方向做是否意味着你们解决AI 1.0时代SaaS行业低利润和亏损的问题？这次发布会上发布的两个方案收效如何？
李开复： 之前我说如果做一单赔一单，这种toB零一万物宁可不做，这句话我们并没有改变。但我们今天发布的AI 2.0数字人解决方案，不是做一单赔一单， 因为它是专注到用户重大的痛点需求和盈利点， 也就是说一个店长或KOL，平时做一次直播，浪费最重要的资源就是他的时间，就算直播一小时能赚到一千块钱，最终也只有一千块钱。
但如果用数字人直播，可能做1000个小时，哪怕每一个小时只能赚（真人直播）一半的钱，1000个小时还是可以赚500倍的钱，这样账就很好算了。如果真的能把数字人做到端到端，只要输入公司内部的信息，选一个形象、声音，按一个钮，就开始百录甚至千录的直播， 等于卖给了企业一个“印钞机”，“印钞机”要收租赁费就是可行的了。
除了直播以外，我们的AI 2.0数字人解决方案已经跑通了更多业务场景，比如AI伴侣、IP形象、办公会议等。我们也继续执行模应一体战略，将Yi-Lightning模型能力与数字人解决方案结合，不断迭代产品，后续会解锁更多业务场景。
回到国内的SaaS的问题，SaaS的整个收费模式和商业模式在美国走通了，但国内还是一直有很大的问题。虽然有一些行业可以走通SaaS，SaaS按使用或订阅收费，如按照每个月收费，也可以分成，这些模式都可以称为比较好的商业模式，因为它不是一次性卖掉。
而一个项目制的公司，做一个客服卖给它客户后，以后没有钱可以收了，不能持续收费。分成、订阅的SaaS模式才是可持续的商业模式，但今天我们并没有看到一个普遍被接受的SaaS模式的存在。所以在国内，我们大模型to B相对于AI 1.0时代有不同的打法， 首要任务就是要寻找少数能够按使用情况收费的方法，而不是项目定制的方法，能得到比较高利润率的订单再去做。
问： 零一万物海外有toC产品端，国内陆续推出toB的产品，您怎么看B端、C端的产品边界？零一万物从去年开始尝试把技术产品化，在B端、C端方面有哪些优势？从C端专业场景切入，在B端如何把这些产品能力复用起来？
李开复：我觉得一家大模型公司同时做toB和toC是很辛苦的，也是需要多元化的管理方式， 因为两个团队的基因不一样，做事的方法和衡量KPI的方法都不太一样。我自己在这两个领域有经验，也在试着做，但也绝对不能什么都做。
选择在国内做toB，是因为我们找到了一些破局的空间，比如用数字人来做零售、餐饮等，这能做一个完整的解决方案，另外还有两三个领域在做。
我们觉得这样的toB工作只能在中国做，因为要触达美国或其他国外的用户不太可能。以全世界的范畴来说，toB供应商基本都是当地的，即便在中国要买SAP的产品，也是SAP中国卖给你。 跨国设立分公司做toB绝对不是我们或其他的创业公司能做的， 所以国外的toB就放弃了，做toB就在国内，做有利润的解决方案，而不只是卖模型，不只是做项目制，这是我们toB的做法。
我们主要在海外布局toC，有几个理由：首先，当我们开始做零一万物时，国内还没有合适的中文模型，我们只有在国外先尝试，尝试了一段就有了心得，就迭代了三个产品，这些产品现在表现有些很好，有些没有那么好，我们也在不断地调整中。
其次，我们在国内也在观察什么时候适合做什么样的toC产品， 但在国内走流量有一个很大的问题，就是流量的成本越来越高。 有些友商的用户，从十几块人民币加到三十多块人民币，近来还有相当的流失。在这样一个环境里，我们会非常谨慎，先不推出中国本土新的toC应用，我们已有的产品还会继续维护，但更多的精力会在国外，用更低廉的钱买到高质量的用户，或者直接把APP卖出去，让用户订阅来收费，订阅的习惯在国外比较好。
当下最大的理由是，国外做toC的产品，我们变现能力和消耗用户增长的成本算账可以算得过来，以后再关注国内有什么机会可以推出。
这两者相似的地方挺多。 首先两边都需要非常高质量、快速的模型，另外，这两边都会用到各种预训练和后训练的技术。 当我们最终做出产品，比如toB的产品里面需要的各种功能，还有toC需要的功能也有很多可以重用。
但二者的差别也非常大，如销售方法、管理方法、利润的比例，需要多少投放才会有收入，包括整个评估体系、商业模式等都不一样，但底层是有类似的地方。
问： 本次Yi-Lightning模型API调用价格这么低，会不会亏本？
李开复： 零一万物在Yi-Lightning的定价上并没有亏本。
从成立的第一天起，零一万物就同时启动了模型训练、AI Infra、AI应用三大团队。当三个团队都成熟了以后，再对接到一起。零一万物这一模式总结为模基共建、模应一体两大战略——AI Infra能力助力模型训练和推理，以更低的训练成本训练出性能领先的模型，以更低的推理成本支撑应用层的探索。出色的模型性能与低廉的推理成本不仅能支撑零一万物开拓绝佳的toB应用场景，还能让零一万物推出的大模型toB解决方案更具性价比， 进而与企业合作伙伴一起探寻大模型时代的TC-PMF。
之前回应行业价格战时，我的回答就是零一万物不参与价格战。另外，我当时也提到，不能只看模型价格，还要看模型性能是否足够好。当时有很多性能较差的模型价格降到非常低，甚至是免费，我相信当时选择接入这类模型API的企业与个人，收获都不达预期。 要接入API，足够好的模型性能很重要，不然产品无法达到PMF。 另外很重要的一点就是，把高性能模型的价格降到白菜价，0.99元人民币/百万token的价格很便宜，但如果一个应用里每个用户每天调十几次，累积下来每年的成本还是不容忽视的。
零一万物也在做APP，这都需要控制成本，所以我们不会赔钱卖模型，但也不会赚很多钱，而是在成本线上加一点点小小的利润，就得到了今天0.99元/百万token的价格。
问： 此次公布的toB解决方案矩阵是完整的吗？近期是否还会公布其他toB解决方案？
李开复： 除了我们已经发布的AI 2.0数字人、API之外，零一万物目前还有 AI Infra解决方案、私有化定制模型等其他toB业务，我们会在近期正式对外发布，敬请期待。
AI会取代人类的工作吗？《AI 未来进行式》一书李开复 陈楸帆全文3200余字，阅读约需7分钟如今的AI经济，也是这样的一个颇具“杀伤力”的颠覆者，倘若不加以干预、调控，放任它自由发展，后果将不堪设想。 浙江人民出版社 2022年5月李开复博士联手科幻作家陈楸帆，惊艳的科幻小说+深刻的科技分析，预测并描绘未来20年科技如何影响人类社会的突破性创作。 AI保险、视觉防伪、虚拟伙伴、沉浸式游戏/办公、无人驾驶、机器人员工、量子计算、AI养老……人们该如何应对未来的职场挑战？AI时代的人类幸福新定义是什么？AI等科技将重新定义哪些产业？何时出现可能的重要节点？如何面对人工智能带来的社会问题，及其所隐含的人性拉锯战？▌AI将如何取代人类员工首先，可以明确的是，AI在处理海量数据方面具有惊人的优势。 以金融放贷为例：在放贷的审核环节，金融机构在收到贷款申请后，人类审核员一般会仔细核查申请人的各类信息，如净资产、工作收入、家庭状况等，然后再决定是否批准贷款申请。 这是一个繁复的过程。 但AI不用这样做，它可以直接根据贷款申请人的公开记录、面部信息、下载过的应用程序中的数据，以及在网上的各种浏览历史轨迹等，把成千上万个变量放入“风险控制模型”中，然后快速给出精细化的评估结果。 这个过程不仅高效，而且评估结果比富有经验的人类审核员还要准确。 如果人们不愿意提供这些隐私信息怎么办？那么，让我们来假设，金融机构为了鼓励贷款申请人允许AI审核员查看他的个人资料，承诺申请人可以因此享受到更优惠的贷款政策（更精确的放贷让AI审核有更大的利润空间来让利），结果会怎么样？可能有些人会拒绝，但应该有很多人选择同意（就像我们在《一叶知命》部分看到的那样）。 从上述例子可以看出，在日常工作中，AI取代部分白领可能不是一件太难的事情，而且类似的事情也确实发生过，比如过去从事记账和数据录入等专门事务性工作的人类员工，现在都被电脑软件取代了。 在《职业救星》部分，我们也能看到那些受AI冲击的白领，从会计师到放射科医生，无一幸免。 接下来，如果AI与机器人、自动化等技术进一步结合，一些从事相对复杂工作的蓝领工人也将被取代，比如故事里提到的仓库拣货工、建筑工人、管道工人等，这几类员工被取代的难度逐步递增。 到2042年，执行常规任务的仓库拣货工将彻底被仓储机器人取代；在未来的建筑业，由机器人制造的、易于大规模组装的部件将成为主流，因此，一部分建筑工人将被建筑机器人取代；管道工人的数量甚至也会慢慢减少，因为大规模组装建筑物的标准管道，可以使用机器人进行维修。 不过，因为还有很多老式建筑的管道系统比较复杂，管道工这个工种不会那么快消失。 那么，在未来的AI时代，人类员工被AI取代的情况，究竟会发展到什么程度？最容易受到AI冲击的行业有哪些？在《AI·未来》一书中我预测过，截至2033年，有40%工作岗位上的人类员工将被AI和自动化技术所取代。 当然，这种取代的进程并不是一朝一夕就能完成的，AI取代人类员工的方式是渐进的，就像《职业救星》中珍妮弗从事会计工作的父亲那样，他是逐渐被机器人流程自动化（Robotic Process Automation，RPA）技术取代的。 简单来说，RPA可以看作一种安装在电脑上的“软件机器人”，能够通过软件来观察人类员工所做的一切工作。 随着时间的推移，这种“软件机器人”会基于它们所观察到的数百万人类员工的工作流程，掌握人类员工执行重复性日常工作的完整过程。 在某些时候，企业会选择让机器人完全接手人类员工的工作，这是一种“划算”之举， 随着总体工作负担的减轻，企业工资单上的雇员人数将减少。 想象一下，在一个有100名员工的人力资源部门，20名员工的主要工作是筛选简历——将求职者的信息与岗位说明中的任职标准进行比较。 如果上马RPA后，筛选效率提升一倍，就会导致其中10名员工失业，而在RPA根据更多数据和经验完成了进一步的学习后，可能会在某个时间点取代剩下的10名员工。 与此同时，在与求职者进行电子邮件沟通、安排面试、反馈协调、招聘决策，甚至有关入职的基本谈判方面，RPA也都具备非常大的潜力。 如果把这些任务也委托给RPA，就会有更多的人类员工被取代。 另外，AI还可以参与对求职者的第一轮面试，进行面试筛选。 这个环节类似于《职业救星》中数字人露西对珍妮弗做评估的过程，这种做法将为人力资源部门和招聘经理节省大量的时间成本。 由于AI可以参与上面提到的这些工作环节，人力资源部门的员工总数有可能从100人减少到10人左右。 当AI完成对招聘阶段的赋能后，接下来，它就可以接手人力资源培训、帮助新员工制定职业发展目标以及绩效评估等任务了。 人力资源部只是每家企业的职能部门之一，除此之外，AI还可以在财务、法务、销售、市场、客服等部门发挥作用，再加上新型冠状病毒的暴发推动了企业工作流程的数字化，导致RPA和类似技术的应用需求量变大，进一步加快了AI取代人类员工的进程。 不难想象，AI对人类工作的介入虽然是循序渐进的，但最终的结果非常明确—— AI将全面取代人类员工。 有乐观主义者认为，新兴技术导致的生产力提升，总能带来相应的经济效益，而经济的增长和繁荣，则意味着能够带来更多的就业机会。 但是，与其他新兴技术不同，AI是一种“无所不能”的技术，它将直接对数百个行业以及数以百万计的工作岗位带来冲击。 这种冲击不仅包括对体力劳动的替代，还包括在认知上带来的挑战。 大多数技术都会在取代一部分人类员工的同时，创造一部分新的就业机会，例如，流水装配线彻底改变了汽车工业—— 从工匠手工组装昂贵的汽车，到普通工人制造更多的平价汽车。 可是，AI却与此不同，它的目标非常明确，就是接管人类的工作任务，这会直接导致人类就业机会的减少。 而且，AI并不会仅仅局限于单一领域的技术，它会“入侵”各行各业。 另外，AI应用、泛化和迁移的速度也是惊人的。 人们总是将其与AI新技术革命相提并论的工业革命，在其发轫100多年后，才扩展到西欧和美国以外的国家和地区，而AI却一呼百应遍地开花，几乎在全世界范围内都是同时开始落地应用。 ▌取代背后的潜在危机实际上，AI取代人类员工所带来的失业人数飙升只是危机的冰山一角，而且是浮于水面上的那一角，而潜伏在水下的危机，可能会给人类带来难以承受的后果。 首先，失业人数上升会导致岗位竞争加剧，蓝领和白领的薪资可能因此被压缩。 然而，与此同时，AI算法却有可能帮助科技巨头在更短的时间内获得更多的收益，造就更多的亿万富翁，于是收入和财富不平等的问题会愈演愈烈。 英国经济学巨擘亚当·斯密提出的自由市场的自我调节机制（例如，高失业率会压低工资，受其影响，物价降低，进而反向刺激消费，最终会使经济重回正轨），在AI时代将不再有效，甚至会彻底崩溃。 如果不未雨绸缪对此加以控制，而是任其自然发展下去，可能就会出现新的社会阶层划分：上层是极其富有的AI精英；中层是数量相对较少的一部分从事复杂工作的雇员，这些雇员的工作涉及广泛的技能！
