大模型走到AI战略分岔口，字节们面临偏航危机

tayun

最近，字节在AI方面又搞了个大新闻。

一个字节的实习生，因为对团队资源分配不满，用恶意代码把模型训练过程给投了“毒”，字节这边损失不小。

尽管“资源分配问题”这个说法还没完全坐实，但既然一个实习生，都能随便对训练中的模型下毒手了，那至少说明，字节对文本模型的训练方面重视度不够，因此才会出现“把关不严”的情况。

与文本大模型相比，字节在视频方向上可谓打得火热，推出了两款最新的视频模型PixelDance1和Seaweed2。

这种资源上的倾斜，反映的是国内大厂在当下LLM发展岔路上的关键分歧：算力资源有限的情况下，未来的大模型到底是要往视频方向冲，还是继续在文本上发力？

这样的分歧，在OpenAI推出了能搞深度推理的o1模型后，显得愈发棘手和关键。

01 AI视频硬伤，遭遇市场冷眼

在这样的关键抉择上，百度CEO李彦宏前两天放了个大招，直接撂话说“百度不碰Sora类的视频生成”。

原因就在于，在百度看来，现在的视频大模型还不成气候，离能真正进行商用还早着呢。用李彦宏的话来说，“10年、20年都可能拿不到业务收益”。

而这样的判断，也并非空穴来风。

据SimilarWeb统计，位居全球前列的AI视频生成企业Luma AI网站在9月的总访问量仅为1181万次，环比下跌38.49%。

同样地，身为AI视频生成领域的“老大哥”的Runway在9月流量仅755.8万次，不及ChatGPT的1/400；

用户不买账，首先得从产品上找原因。

以国内AI视频生成模型为例，尽管从今年2月Sora出现后，国内的大厂如快手、字节、智谱清言等，都推出了各自的视频模型，但平心而论，目前所有的视频模型都存在两个难以掩盖的短板：

其一，是难以做到成本、质量二者兼具。

图源：可灵

以快手的可灵为例，虽然其生成的效果，在国内视频模型中已算翘楚，但从成本上来说，其生成一个5秒的视频，需消耗10个灵感值（1灵感值=1元），生成时间大约为2～5分钟。

按照这样的成本估算，如果要生成一分钟的短视频，用户至少要花费十余元，等上半个小时左右。

而且，这还没算上由于AI理解不准确，需要重新生成的情况，实际成本只会更高。

图源：可灵

相较之下，身为国内“AI六小虎”之一的智谱清言，虽然开放了可免费使用的视频模型“清影”，但其生成效果实在不敢恭维，其生成的画面有一股浓浓的“90年代3D动画”的感觉。

况且，虽然免费了，但其生成时长还是没打下来，用户生成一个5秒的片段，照样要等3~5分钟。

图源：智谱清言

AI视频生成的另一大短板，便是那股始终挥之不去的“AI”味。

这几乎是所有视频模型的通病。

无论人物或物体的外观，看起来多么真实、多么形似，可观众总觉得哪儿不对劲儿。有一种活生生的“恐怖谷”效应，看着就觉得浑身不自在。

说白了，这就是一种技术不到位的表现。

因为大多数AI视频生成算法，背后虽然在很努力地模仿现实世界的物理规则，模仿人和动物的运动方式，但仍无法完全理解数据背后的语义和情感。因此生成的内容，在某些细节上显得缺乏“灵性”。

图源：可灵

而这明显的“AI”味，也成了当下大众对AI作品怀有偏见的重要原因。

由于上述短板的存在，目前火爆于各大视频平台的AI视频，大都以“玩梗”“搞笑”为主，因为只有这类“不正经”的视频，才不会对生成的成本、效果有太高要求。

更悲哀的是，当下的AI视频赛道虽未大火，但早早面临“未火先卷”的情况，多家AI视频生成厂商都对功能进行密集迭代，但大多是“锦上添花”而缺乏跃进式体验升级。

以快手的可灵为例，其推出的运镜控制、高清生成、图生视频等功能，国内的各大视频生成类AI，例如智谱的清影、字节的即梦也都有。

图源：可灵

而这种同质化的、聊胜于无的功能，并未能给用户体验带来大幅度的改善。

说到底，视频生成类赛道的内卷，本质上是现在的LLM遇到瓶颈后，一种为了延续“AI故事”的无奈之举，但悲哀的是，这样的故事目前还没有一个大厂能讲好。

02 数据枯竭下，深度推理或是救星

在各种训练数据行将耗尽的当下，LLM的scaling law的神话该怎样继续？

在OpenAI 的o1模型发布后，人们意识到，这个问题的答案，就是强化学习。

对此，月之暗面的CEO杨植麟分析道：决定这一代AI技术的上限，核心是文本模型能力的上限。

从技术上来看，杨植麟此言非虚。

因为即使在多模态任务中，文本层面的理解和推理也是必不可少的。以Sora为例，其训练数据包含了大量“视频-文本对”，每个视频片段都有对应的详细文本描述，这种配对方式，让模型能够建立文本语义和视觉表现之间的映射。

同时，倘若视频模型要想取得更大进展，例如发展出完整的叙事结构，就要求文本模型有执行复杂逻辑推理的能力。

如果文本模型无法规划复杂叙事，视频模型也难以突破这个上限。

因此，LLM未来的方向实际上已十分明了：文本模型决定了多模态的上限，而深度推理又决定了当前文本模型的上限。

正因如此，在o1推出后，国内的诸多大厂如字节、智谱清言、月之暗面等，都纷纷在自家的大模型中开通了“深度搜索”功能，这算是深度推理功能的联网版本。

但从实际表现来看，并非所有厂商都在这方面表现得尽如人意。

在这里，我们以一个较为考验深度推理和分析能力的问题，来对字节、智谱清言、月之暗面各自的大模型进行一番对比。

这个问题是：分析近三年全球智能手机市场的发展趋势，包括各大品牌的市占率变化、技术创新，以及消费者偏好的变化。

图源：豆包

首先测评的，是字节的豆包大模型。

可以看到，虽然在整体的水准上，确实有一些切中要害的关键点，但在进行回答时，整体的内容、结构显得十分臃肿、凌乱，并没有做太多结构化、精细化的处理，使用户在阅读时，仍感到很大的阅读负担和压力。

图源：智谱清言

接下来测评的，是智谱清言的智谱AI。

可以看到，与豆包相比，智谱AI在进行深度推理时，结构明显比豆包更清晰、更有条理，且针对苹果、三星、vivo等不同的品牌，具体列出了不同的市场表现、市场份额。

但从整体上来看，每一部分的总结与分析，仍显得过于简略。

图源：KIMI

最后登场的，是月之暗面的kimi。

在开启深度搜索功能后，Kimi在信息的分析、总结上，表现出了更加细致、深入的特点，不仅以不同的年份，详细展示了不同品牌在市场中的份额变化，以凸显趋势，且在对技术创新方面进行分析时，十分具体、细致地展示了不同年份中，不同品牌推出的具体技术。

综合来看，Kimi在进行复杂问题分析时，其推理的深度、精细度，要显著优于豆包、智谱AI。

由此可见，目前在“深度推理”这一颇为考验LLM“内功”的分水岭上，国内厂商已经显示出了显著的差距。

03 追求大而全，陷入战略困境

如前所述，自从OpenAI推出o1后，当下大模型的发展，已经到了一个进行战略选择的分岔口。

而在这关键的战略分叉点上，国内的部分大厂如字节，由于自身布局于短视频业务的巨大惯性，并未在深度推理方向进行深耕，只是靠着低价竞争，以及“多而不精”的庞杂功能，才硬挤上国内大模型排行榜的头部。

图源：豆包

据火山引擎总裁谭待介绍，“豆包主力模型在企业市场的定价只有0.0008元/千Tokens，比行业便宜99.3%。”

但一味地降价追求“性价比”，某种程度上透露出的是自身模型缺乏核心竞争力的表现。

与字节类似，“AI六小虎”之一的智谱清言，也走上了一条追求“大而全”的路线。简言之，目前的智谱，也成了那种“绘画、视频、搜索都要一揽子拿下”的AI企业。

图源：智谱清言

但实际上，这种“大而全”的追求，反映的是一种商业上的“困兽犹斗”。

这是因为，目前国内企业主对软件购买意愿偏低，To B端大模型给企业带来的价值仍处在割裂状态，2023年国内大模型市场规模仅有50亿元，2024年也仅增加到120亿元。

在B端市场狭窄、C端又尚未打开的情况下，任何做大模型的企业，唯有不停地融资、烧钱，横向地扩展用户，才能让自己的模型活下来。

但这种跑马圈地的逻辑，本质上仍是互联网时代的思维，这并不能真正地“救活”AI。因为与互联网不同，AI产品的边界，并不是由用户数决定，而是由实打实的技术力决定。

一个有些反直觉的现实是：与视频生成这类耀眼的、更容易令人遐想联翩的技术相比，真正能在C端带来突破的，也许是深度推理这类既难啃又不性感的技术。

原因就在于，视频生成主要服务创意表达，应用场景相对固定，用户群体、变现模式都较为单一，其价值体现在内容产出，ROI相对直观。

从本质上来说，它更像是一个效率工具，而不是一个能带来颠覆性改变的技术。

相较之下，深度推理则属于基础认知能力，可以赋能各类应用，其突破可带来各方向的普遍提升，且其能力可以迁移复用，更易于产生协同效应。

更重要的是，随着这项技术的发展，它对用户的理解会越来越深入，提供的建议会越来越个性化和精准。

这种持续学习和进化的特性，让其很难被简单的工具或服务所替代，这正是某些短命的“爆款应用”所需要吸取的教训。

可惜的是，在这条难而正确的道路上，真正敢于坚持并做出成就的企业，目前仍屈指可数。


来源：36kr