数字+正对各行各业带来升级和重塑，生成式AI的出现，极大地加快了这个步伐。在当前的环境下，数字+催生了不少新场景，同时也存在众多投资机会。新的浪潮下，每个人都难以置身事外。
5月26日，“2023中国（温州）创投大会暨首届浙江基金招商大会”上，在诺基亚成长基金投资副总裁车慧的主持下，沄柏资本合伙人王晨、贝克资本创始人张克、光源资本创始人&CEO郑烜乐、东方嘉富执行总经理郑格、彬复资本合伙人刘誌觅这六位创投行业的资深投资人，围绕“数字+”带来的生产力提升与产业重做等话题展开了一场激烈的讨论。
在郑烜乐看来，AI大模型的出现是一个巨大的变化，从AI没法用到现在所有人及各行各业都在用，类似于互联网从无到有的变化。王晨认为，不管新的主题还是新的趋势怎样，针对每一个具体的企业，做投资还是试图追根溯源，找到它最核心的价值，这可能是判断投资项目的唯一标准。
张克判断，ChatGPT给大家带来的最大挑战是，它是把知识给归集了，注意不是单纯的信息归集，接下来会产生一种对你分析、总结、吸收知识的能力的挑战。在郑格的感知中，目前为止，ChatGPT最核心的能力是，首先理解你的问题，并把散乱在互联网上或者其他数据库里面的数据抽出，智能化地给到你一个结构化的知识反馈。
在刘誌觅的理解中，AI不是未来十年的事情，可能是更长的事情，“叠加AI以后，整个数字经济现在已经慢慢进入一个乱纪元，我觉得在这个状态下，可能会造就更多的英雄。”
以下为现场探讨实录：
车慧：大家下午好，今天非常荣幸能够有这个机会和各位行业大佬们一起探索一下数字+对我们各行各业带来的一个升级和重塑。
先介绍一下，我叫车慧，来自诺基亚成长基金。我们是诺基亚独家投资的企业战略投资机构，从2005年进入中国开始，数字化一直是我们投资的一个主题。我们现在管理规模已经超过16亿美元，去年开始启动了第五期美元基金，规模有4个亿美元。数字化加持下的传统行业转型升级，包括智能制造，也是我们近年来投资的一个重点。
我们下面从王总开始，自我介绍一下。
王晨：谢谢主持人，谢谢主办方，谢谢温州政府邀请。一句话介绍一下沄柏资本，我们2016年成立，现在团队大概30多人，分布在上海、北京和深圳，从成立到现在，关注的投资主线还是科技类的创新。在这个过程当中，也享受到这几年科技创新带来的一些红利。我们今天也想借这个机会和大家分享，更多是借这个平台，在后面和各位同行、优秀的企业家有更广泛的合作，谢谢。
张克：大家好，我是张克。贝克资本成立于2019年末2020年初，所以正好是和疫情“同甘共苦”。目前我们主要投资的方向是硬科技、高端装备，包括军工、新能源和医疗健康。在硬科技领域，我们也会关注金融科技。在过去的三年时间里，我们总共投出、参与管理了将近15个亿，目前也正在募后面的两期新的基金，欢迎大家一起，谢谢。
郑烜乐：光源资本是一家“投行+投资”的平台，下设两大业务板块。
投行业务主要是帮助一级市场的科技创新企业进行融资和并购。成立至今的八年来，我们帮助250多家公司完成了超2千亿人民币的融资，这之中有大量已经上市的独角兽、超级独角兽企业，覆盖了从移动互联网到消费、数字经济，以及先进制造、半导体、新能源、生物医药等相关产业。
投资业务在我们创立之初就已经开始，目前管理三支综合基金：两支美元基金和一支人民币基金，以及一些项目基金，资金管理规模超过30亿。
特别感谢主办方让我有机会和大家一起交流，谢谢！
郑格：大家好，感谢各位领导能够组织这个会议，让我们有机会在这个场合做一些交流和碰撞。东方嘉富是浙江省内的一家金控平台上的股权投资板块，我们管理公司有比较好的国资背景同时又建立了市场化的运作机制。我们在2016年成立，数字化、信息化、智能化是我们非常重要的投资方向，布局了数据库、云计算、物联网、工业信息化、人工智能，包括一些企业级软件的中早期项目。感谢今天有这么一个场合和机会与大家做交流。
刘誌觅：大家好，非常感谢温州政府和主办方的邀请。彬复资本成立于2015年，现在整个基金规模是50亿左右。我们主要的投资方向，包括数字经济、新能源、新消费等等。我们基金和很多地方政府有合作，很多地方政府和上市公司都是我们的出资人。今天借这个平台，希望和大家有一个很好的交流，谢谢大家。
车慧：我们开始今天的讨论。第一个问题，我们先讨论一下，数字+在近期的快速发展，加速解锁了哪些新的落地场景？我先抛个砖，我们去年投资了一家主要服务制造业客户的数据分析公司，他们也服务了一家温州的企业，是一家智协的企业。因为它的SKU特别多，对于柔性排单，包括库存备件备料的要求也非常高，通过增强型的数据分析、AI的算法，能够让这个企业提高生产的良率、库存的效率，为企业一年节约百万到千万级的成本。砖抛出去了，现在期待各位大佬给我们一些其他方面或者有没有更精彩的落地场景的介绍。
王晨：那就按照顺序来吧，场面话就不说了。我呼应一下，刚才听了王总的演讲，我也觉得数字化这个事情，现在对于很多企业来说，得是一个基本盘，就是你没有这个东西，可能已经很难有最基本的竞争力了，尤其是在C端。大家应该感受比较深，大家用的APP也好，任何一个C端直接享受收益的产品也好，在过程当中所用到数据的决策本身带来的额外数据价值，已经是基本盘了，没有这个感觉上不了牌桌。
还有一些潜力可挖的场景，渗透可以再往下推进一步的场景，可能就是生产端、制造端，刚才那个例子其实非常好。我们也举一个小例子。现在很多的工业品、半导体，不同级别的精度在做检测的时候，还是依然有比你们想得多得多的人工检测。
以前这些检测就用人去看，这个过程不产生数据。随着传感器、数据采集的进步，让你可以采集到一些二维、三维的数据。在之前一段时间，或者AI技术发展没有那么成熟的时候，这些数据没有用，或者用传统的机器视觉去看，这些数据有和没有区别不大。如果对于终端的产品，仅仅只是黑白判断，效率是很低的。可能本来10个是坏的，机器检测80个是坏的，就毫无意义。
我们也发现，最近这几年，随着AI技术，尤其是机器学习方式的产生，可以让这些检测更有效率。这个东西产生的结果，如果你仅仅是一个软件的形式去向这些工业客户推销，可能还挺费劲。刚才有分享，咱们这个软件园如果仅做软件生意，在工业场景当中可能也会遇到各式各样的困难，主要是采购方的意愿。
我们现在看到的趋势是软件结合硬件，硬件是相对现成的标准，中国有很强的制造能力，你结合对已经能够采集的数据进行更高分析的方式，以这个方式来赋能硬件设备，再卖到这些工厂当中去，帮工厂解决实际中检测良率的问题，也是一个比较好的能创造实际价值的场景。
张克：我个人觉得，首先需要区分一下，数据、信息，还有信息之后的人工智能。因为数据提升的时候，是靠王总刚才所说的各种收集、提取，包括需要各种传感器。但是你把数据采集以后，这是一个单向的过程，能不能形成一个反馈的闭环。尤其是对于决策，我们现在看很多软件、硬件公司，其实特别注意最终循环往复的过程，是不是自己真正可以调节。现在在这方面，玩得最好的就是GPT。
注意，前面说的更多是规范化、规律化的东西，现在上升到GPT这个阶段，之所以神奇，因为它是一个非规范、随机动态的东西。我在这里想说，凡是对它能够形成一个对原有的生产、决策的完整流程，都能形成优化提升。因为在经济学上，你的生产投入，包括劳动和资本都是边际效益递减，能够支撑、克服边际效益递减并支撑长期发展，靠的是技术和管理。
在应用上，数据必不可少。数据就是数据，不要把数据神话成大数据，一说大数据就神化了一样。我在华尔街工作20年，坦率地说，没有什么事情是没有数据支撑你就敢做决策的。换句话说，就不存在那种纯粹一拍脑袋的事情。
总的来说，我们不存在这种没有数据基础就能够去定案的事儿。数据就是数据信息，熟悉它对于决策过程的闭环，是我们要看的东西。
谢谢。
郑烜乐：我分享下自己对“数字+”的观察。在2014年左右大家都经历了移动互联网的变革过程，所有的人开始使用移动互联网变为移动互联网人口，大家的时间开始被移动互联网占据，人的所有场景也被移动互联网获取。从消费端来看，那时所有人实际上拥有了自己的孪生的数字化分身，因为每个人的行为已经在互联网上被投射了一遍。
之后从2015年到2017、2018年，很多生产的场景也被移动互联网获取。那时候我们投资了货拉拉，现在它已经是中国最大的数字化同城货运平台。数百万【请确认】的司机在平台上接收货运订单，帮助很多商家和个人解决了货运问题。它也是一种数字化的平台，它成功地把生产的场景、需求和要素做了连接。
到了2018、2019年，我们看到更多的生产要素通过工业互联网进一步实现连接。我们彼时有一个项目树根互联，是从三一重工孵化的的工业互联网平台公司。三一重工过去在数字化方面投入了大量的人力物力财力，帮助三一重工这个很大的产业集团同时实现了产值提升和人力节约。
它解决的是什么呢？首先把所有的设备都连起来，让设备会说话，这样就产生了数据。如果再加上AI对决策的实质反馈，就能让生产经营者时时刻刻做出更正确的决策。但在以前的工厂经营模式里，可能要等到一个月以后看统计的纸质生产报表的结果，才能调整更正确的决策。因为我自己是温州人，从小就看过很多工厂，每一个工厂的决策很多时候是靠企业主的直觉，这边走一圈发现有跑冒滴漏了改一改，明天再看一圈觉得可能有偷工减料了再做个相应优化。靠直觉的运行方式会严重影响一个企业的规模化经营，影响企业不同的生产基地、不同的产业链环节、不同的产线之间的高效协同。这些问题都要靠数据连接所有的环节和设备，形成一张网络来解决。除了连接之外，还要想办法把知识、工艺也连接起来，最终实现产能升级。也就是说不光是规模上的提升，还有质量、效率的提升，这样才是一个很好的数据化的产业应用。
“数字+”在过去已经很好地实现了和消费场景的连接，现在更多地是要把生产的场景给连接好。比如大模型，大模型本质上也是一个生产力场景，但是为什么大家觉得它很厉害，因为它连接的已经不止是信息了，其实连接的是知识。我们都熟悉搜索引擎，搜索引擎连接了所有的信息，但是并不能进一步帮你得出实际性结论。人解决实际问题依靠的是大脑里的知识，比如搜集信息后知道如何判断和使用，这是人作为智慧生物的能力，如今大模型就在这方面体现出很强的解决能力。因此我觉得它的知识连接能力可能会是未来一个非常重要的变量，让各行各业的知识可以在这个模型层被复用、调用，以后很可能所有人会变成各领域知识的使用者，而不仅仅是信息的获取者。
郑格：今年在整个数字经济领域最大的一个变量，就是我们能够看到ChatGPT的效果。这让大家意识到，AI算法可以实现一个结构化的知识效果，这些知识可以指导我们生产生活，包括一些关键的决策。科技行业在基础投入到一定程度后会出现一个应用拐点，就像前几年谷歌训练bert模型，在训练了几个亿数据以后，效果逐渐逼近人类，在此基础上，就演变出很多自然语言处理的应用。
倒回来看，很多数字相关的应用，是基于之前大量的算力也好，基础设施的投入也好，包括一些数据的训练也好，出来的一个效果。
基础设施逐渐完备，已经相对处于拐点的时候，我们去看能不能跟具体的产业做一些结合，把这些产业的数据输进去以后，形成一些知识来指导工作生产。我们也投了很多相关的项目，特别是在工业领域，这个事情会体现得更明确。例如，基于机器视觉做判断，指导机械臂进行工作；基于大量多维数据的结构化，帮助客户推演一些潜在的用户在哪等。
在整个产业发展到一定的基础设施投入之后的拐点后，我们会去找一些能够和垂直领域结合的点，能够帮它形成更好的结构化知识去指导生产。目前基于GPT，大家能够感受到的这个大的拐点，就能够很直观地理解，做这样一些产业结合非常有实际的经济价值。我们会持续去关注这类方向。
刘誌觅：过去，大家一直在说数字产业化，未来产业数字化也是一个重要的方向。数字化未来一定是拥抱实体产业，现在只是处于一个刚起步的阶段。数字经济的发展历程，本质是随着整个IT技术的进步，慢慢衍生出来的很多经济形式。从最早的计算机的出现，到后来集成电路的成本大规模下降，使更多人可以用上信息化技术。
过去十年，有两个技术可能极大推动了整个数字经济的发展，一个是云计算，第二个是物联网。这两项技术的出现，对于数字经济的价值，一个是它实现了软硬件结耦，第二个是实现了按需付费，第三个是万物互联。比如，对于工业互联网，软硬件结耦、使得很多的工业信息系统、软件，可以在和硬件结耦的方式下，实现不停地迭代和升级。对于第二个，按需付费带来的价值，就是对于很多花不起那么多钱建设自己的信息化、算力平台的创业公司来说，可以用很低的价格按照我的需求去采购算力、存储等资源。第三个，万物互联带动大量的数据流通，包括跨系统、平台的流通，整个企业管理、生产场景非常多的数据，都可以流通起来。从工业3.0到4.0里面有一个很大的变化，就是数据流通架构的变化。
这个过程当中，人在整个工业4.0的场景下，我们的角色也会发生变化。过去我们是数据的分析者，可能用一个月，现在可能快一些，一周或者一天，我们拿到数据去做分析，未来可能会从数据的分析者转变角色，成为数据的规则制定者和数据的监督者。
未来的话，除了工业场景外，包括智慧交通、智慧城市、智慧家庭等，越来越多的实体产业会面向并且极大地拥抱数字经济。
车慧：谢谢各位的分享。顺着这个问题再展开一下，就像刚才刘总说的，除了工业场景，还有很多其他别的场景，想问问大家，因为我们没有覆盖文体或者娱乐、消费、泛消费这样的领域，这里面有没有比较新的场景，比较有意思的例子？
刘誌觅：我们从2016年开始就开始在关注文化体育这个领域，当时大概看了几年以后，有一个很大的感慨，觉得这个行业太传统了，它有很多地方的很多环节，是可以通过数字化的手段降本增效，但是这个行业实在太传统了。
举几个体育场景的例子，第一个是国内一家非常大型的体育集团，这家集团一个负责赛事的负责人在2016年的时候跑来找我，想开发一套系统。因为整个集团举办的都是非常大型的体育赛事活动，但是他们没有规模化办赛的能力，所以希望通过一些信息化、系统化的手段建立这么一个平台，可以使得他们具备规模化办赛的能力。如果你不是通过系统去控制，而是通过堆人的话，一年办10-20场可以，办1000场肯定会失控。他们想要建这么一个平台，但过了三年以后，去看平台建的效果，根本建不起来，也用不起来。
第二个例子，是一个地方的体育部门。当时他们接到了一个任务，上级让他们统计一些信息和数据，这个体育部门大概也就三四个人左右，那他们是怎么去统计数据的呢？不是通过电脑，他们有一大堆的文件柜，花了一周的时间去翻和统计数据，最后交了结果。如果他们有信息化的手段，完全可以通过鼠标去点选，事情可能5分钟就解决了。
第三个例子，就是大家一直在谈的体育场馆信息化。一个国内比较大型的体育场馆，他们搭建了一个信息化系统。这个信息化系统，不仅有我们觉得比较简单的门禁识别，可能还包括很多运营的逻辑在里面。他们就招投标，最后花了几百万去建了这样一套系统，但是根本不能用。不能用的原因是，建系统的根本不知道怎么去运营场馆，而运营场馆的那些人，本身可能也不知道怎么通过信息化系统更好运营场馆。
刚才举的是体育领域的一些例子。在整个体育领域，还有很多环节可以通过信息化的方式去提升整个运营效率。现在体育产业是一个大金矿，国家2014年就提出到2025年的市场目标是5万亿，所以如果真的有一些好的团队，可以在这个场景下去挖一些金，还是会有比较大的机会。
郑格：针对刚刚刘总谈的，我理解很多是围绕文化体育行业偏管理上的提升，这个可能确实比较专业。我的理解是，很多数字化的技术，可能可以帮助文化体育类的领域去放大它的效果，或者是触达更多的消费者和参与者。
举一个例子，我们有一个企业，当时帮央视解决了一个难题。央视当时在春晚上有一个环节，就是在高铁里拍大家回家的场景，这里有一个很大的难度是，高铁开得很快，这家企业就利用自己底层的通信技术，去帮助央视春晚在火车高速运转下还能够不丢包、不延迟地去做实时传输。
我们还有另外一家企业，也是帮助一些广电体系去升级它的体验，会去做一些孪生，像数字人或者3D效果这种类型的解决方案。我们一些数字化的手段，可以更好地放大或者提升文化体育产业的边际效果，去触达更多的消费者。
这是我们对于数字经济在文化产业领域可能可以做的一些事情的考虑。
郑烜乐：我接着来分享我们的一个项目Nreal吧。这家公司的主要业务是AR眼镜以及背后整体的软硬件系统。我们关注到他们的时候，眼镜产品还在比较初期的阶段，后来经历了几代产品迭代，眼镜戴起来非常轻，外形也不错。之后也有一家非常知名的国际眼镜潮牌进行了投资，一起合作开发了新产品，让AR眼镜变得很潮。
这家公司的AR眼镜在效果上能让佩戴者看到一个巨大的屏幕，类似于人眼去看电影院的巨幕。所以在任何地方都不需要手持或者立起iPad或者手机这样的设备再去看它的比较小的屏幕，戴着眼镜就可以通过一个大屏沉浸其中。但是它又不是像屏幕一样完全的阻断，通过镜片也看得到现实世界，可以和现实世界保有大量的交互。
所以在使用场景上就有很多想象空间。比如使用它来看球赛，即使是对着白墙观看，也能觉得自己置身于英超的赛场旁。如果对体育直播再有AR眼镜的定制化内容，比如切换成某一个球星、守门员、教练的视角，就会提供非常有意思的全新的观赛体验。再比如演唱会这个场景，过去所有的演唱会体验受制于票的选择，像是山顶票和内场前排的体验完全不一样，但是AR眼镜就可以提供非常非常强的临场感。而且他们的产品可以和手势、语音进行交互，甚至也在探索如何可以在未来和眼球动作产生交互。
那么我们从中看到的机会就是整个计算平台在发生变化。首先，以后的计算平台与人的距离一定会变得越来越近，甚至未来某一天嵌在隐形眼镜中的交互系统这样的设想也会成为现实。目前眼镜这个形态已经是最具可能、呼之欲出的产品形态，像苹果也很快会推出自己的MR混合现实的产品。第二，它的交互方式一定会越来越多元化。目前我们广泛使用的智能手机有一个重要的功能创新是多点触控，也是交互的创新。最早大家通过手柄、键盘玩游戏，忽然有一天发现在《水果忍者》这样的游戏里只要划两下就可以切开西瓜，在相册里两指张开就可以放大图片，这是一个巨大的交互颠覆。
交互模式的创新能够带来整个娱乐体验的爆发式升级。AR同样会带来新的交互方式，无论是文化、娱乐还是体育，很可能许多场景会变成戴着眼镜体验。如果你看到一个人戴着眼镜在一片空地上走来走去，你不知道他在干什么，但他可能在打游戏、寻宝、踢球、打高尔夫等等。他沉浸在自己的元宇宙世界里面，在虚拟和现实世界中自由穿行，很可能会变成这样一种新的形态。
与此同时，入口变化以后像是云端等其他要素也会跟着改变。以后所有的体育、娱乐场景的个人资产可能都会在虚拟世界，娱乐相关的社交关系也可能在虚拟世界。随着整个计算平台的变化，通信、储存和计算等要素会有更多的变化，会有巨大的想象空间。
张克：我一直没有怎么去玩过游戏，所以对这个没有发言权，但是我们有投一些军工上的东西。借这个机会，如果把军工打仗视为一种游戏的话。你知道为什么这次俄乌冲突打成这个样子？你知道为什么刚开始的时候，俄军用的还是二战时的模式，后来越打越不灵，最后退退退，现在都是从一战、二战的模式，变成现在小分队的模式。为什么？这就是数据采集的交互式，还有交互的算力算法产生的快速反应。
当卫星能够每隔多少分钟看一遍路面上有没有人的痕迹，有没有车的轴距、车印，就来判断这是过了多少装甲部队。于是根据方向、数量和密度，包括图像的更新，来判断出是不是藏起来了。诸如此类，形成一种快速打击。
可能提到这个事情的时候，尤其是刚才提到GPT可能是更大的变量，我们要考虑的是另外一个场景。刚才道平总讲到金融科技，在我们看来，几乎无所不是金融科技，因为你的很多数据都在被使用，真正最大量用数据的是金融机构。
所以，中国的金融科技安全非常令人担忧，因为90%的系统都是国外的，这就是为什么近两年有信创这个重要的概念。目前在三个领域，党政机关的信创已经做到地域级了，现在优先发展的，一个是金融，一个是交通，一个是能源。这背后的逻辑是，一旦打仗，钱不能飞了，能源不能废了，交通运输能力不能垮了，背后折射的都是安全问题。
金融信创上，人民银行专门有指示。像去年，所有的金融机构IT采购，35%得花在有金融信创资质的金融科技公司上，今年的比例提高到50%，明年大概率是75%，三年内出清。
这就带来一个巨大的投资的机会。刚才讲的数码港，在我们看来，你不希望辛辛苦苦收集来的数据，最后很容易被别人偷掉。随着数据越来越海量，它有两个方向要越来越关注，一个是安全，另外一个就是交互速度。这两个方向，我们非常关注，尤其在投资上。
我另外一个身份是北京前沿金融监管科技研究院的理事长，这个研究院是人民银行的科技中心。我们有一个重要的职责，就是帮助人民银行的金融信创中心实验室，去筛选和推荐那些符合金融信创资质的金融科技公司。
谢谢大家。
王晨：我先呼应刚才张总说的这个，我们也认同目前为止金融机构是使用数据最大、最高效的一个主体。相信大家平时跟财经打交道多，不管是个人的资产管理，还是别的工作上，都应该慢慢会有体会。我们也观察到，监管在如何更好、更高效地监管利用数据这块，也做了很多的动作，包括刚才介绍的隐私计算。
回到文化体育这个话题，我们公司本身不太关注这块，只是员工个人对文化体育感兴趣。我说一个可能稍微不太一样的角度，因为我们完全同意新的数据、新的AI手段可以使文化体育产品更好，包括后面的宣发等，因此造成它能够吸引更多人的关注，所以就有更多的资金愿意往里投入。
可能还得考虑一个问题。过去大家看世界杯，以及今年看NBA的时候，会发现优秀的技术使得现在的体育赛事更加公平，比赛踢一半停了，咱们看看刚才那球怎么回事。这个事情虽然助推了公平，但是也在一定程度上磨灭了一些追求体育不确定性的体验，最经典的画面经常是发生错误的画面。
这个体现在文化上是另外一个角度，我相信技术会让更多大众偏好的产品进入的门槛更低，也会使一些追求小众的产品的壁垒带来影响。从整体层面看，肯定还是让文化体育发展得更好，但是也请大家关注一下对小众的保护，这是一个多元化的话题，没有结论，留一个开口，大家去思考吧。
车慧：谢谢各位的分享。刚才大家频繁提到ChatGPT，新技术、新消息每个星期都有。大家白天去演讲，可能当天早上还在改PPT，因为头天晚上有一个新的消息。我们被投企业，也是被追赶着、鞭策着，不停地要进步。
像我们投入的文档型写作工具，还有软件研发运维一体化的工具，纷纷推出了自己的大模型插件，或者是生成式AI的工具做代码生成和研发管理，去应对这些新的技术。
想问问各位嘉宾，你们的被投企业，或者你们看到的市场上的情况，大家被ChatGPT或者更广泛地说预训练大模型、生成式AI，激发并鞭策出哪些新的、比较有意思的点？
王晨：因为ChatGPT这个事儿，包括OPENAI这家机构，如果你追到2017年谷歌那篇论文，当时发布的时候，可能没有这么多人注意到，包括在学界有那么几支小队沿着不同的方向，都是在新的Transformer的架构下做研究。
哪怕到今天，一个比较通用的问题是，这个大模型会不会让所有AI都重做一遍，对或者不对，现在这个事情也没有结论。因为它的能力还没有完全被发挥出来，它还在不断迭代，现在还没联网，这里面带来的明显看到的颠覆效应，还远不止如此。
如果从数据采集这个角度看，我们可能换一个说法，叫感知。通过这些数据做决策，决策完之后，如果要对物理世界做控制，把它分三阶段的话，感知不需要它。随着硬件的迭代，可以获取更多的数据。决策会被它颠覆，因为决策、训练机制，使得原来单点对单点的决策会更有效。目前我们看到追求相对物理极限、高压、高速、精确度等，暂时不怕它，因为那个极限也不能通过AI去追求。
哪怕同一个公司内，我们也能看到几个不同团队的想法，但是我们也非常关注。因为这个事情，一个是来得看似突然，实际也有必然。第二个，我们也觉得挺幸运，站在今天做这行，能赶上这么一个突破性的发展。我相信对在座很多同行企业而言，是一个挺好的机遇，就看你怎么应对它了。
张克：我们在GPT这方面还处在学习阶段，因为没有整明白到底应该怎么看它，到底应该怎么判断它。我们公司有一帮很聪明的年轻人，当时进入公司的时候，都是拿数学考过。他们每个人都拿自己的名字问了一遍GPT，GPT回出来的答案都让他们非常不满意，不可接受。
我觉得GPT给大家带来的最大挑战是，它把知识给归集了。接下来，我们会产生一种新挑战，就是对你分析、总结、吸收知识的能力的挑战。这个还不是前面那个信息，说得再直白一点，当它给你反馈来一个东西，你信还是不信呢？这和以前的求签差不多吧？
郑烜乐：先分享一个比较有意思的事情，我们核心业务之一是投行，我们有很多分析师和实习生。最近几个月我们在实习生招聘的时候也会问他会不会用ChatGPT，因为这其实代表了一种提高自己生产力的意愿。我们公司在ChatGPT 3.5可用的时候就全公司普及使用，我自己平时写一些东西也会用，不满意还可以再来一遍，很明显提高了我的效率。
再举一个例子，我有次去演讲，忽然想引用一下过去全球20年哪些国家的平均居民收入的提升幅度比较高、哪些又比较低的数据。如果用人力做这件事情至少要半个小时到一个小时，需要做很多的查找计算工作。但使用ChatGPT的话只需要三分钟，这就是一个生产力的巨大飞跃，我可以让分析师更专注在其他工作上，所有人的人效都能得到更好的提升。这个影响很大，我们是比较积极地拥抱这个变化的。
从全球格局来看，科技领域的竞争也将是大国之间最核心的竞争主题，AI以及AI的整个产业链也一定会是整个科技竞争中的焦点之一。这是一个指数效应非常强的行业，有很强的涌现效应，跑得快的人会越跑越快，因为跑得快的企业提供的产品的可用性和数据获取闭环能力会在市场上形成碾压优势。现在ChatGPT已经成为全球历史上日活用户上涨最快的应用，推出的APP也马上在苹果应用商店霸榜。巨大的变化已经发生了，目前中国公司依然有机会去追赶。但AI产业整个链条比较长，比如底层基础设施、模型、应用等等我们内部AI产业团队在持续关注这几个方向，比如我们有图数据库的相关项目，也在关注向量数据库领域；当然我们也在推动一些大模型的项目，并且参与孵化了一家图像视觉领域的大模型平台公司；以及应用端我们也有一系列的项目，我们正在从三个方向快速地布局。
我会觉得AI将是一个巨大的变化，将超越过去许多的技术革新所能带来的影响，这就像是人类历史上互联网从无到有的变化一样，AI已经实现了从不可用到如今各行各业的所有人都被普及的巨大变化。所以，我们要多关注和参与，积极地帮助创业者，从投融资等多个方面给创业者贡献价值。
郑格：在参加这个论坛前，也把这个主题放在ChatGPT搜了一下，从效果来看，目前的回复有点缺少灵魂，你不知道它到底想表达什么，但是有很详细的信息罗列。GPT首先理解基本上理解了你的问题，把散乱在互联网上或者其他数据库里面的数据抽出，给到你一个结构化的信息反馈。
我们看到它出来以后，对于所投的相关企业做了一轮访谈，大部分还是积极去拥抱。大家从产业标杆那里得到了验证，这个方向原来可以这么做，可以做到这样的程度，在往哪个方向发展。对于很多有很强行业积累的数字类企业来说，是不是可以结合大模型，把产品做得更有效，更能指导我们的生产和生活。所以我们很多被投企业，会基于自己在行业的优势，通过大模型这么一个逻辑去进一步提升，优化整个交互的体验也好，整个生产的效率也好，使得自己产品再上一个台阶。我觉得整个ChatGPT对于我们很多创业公司有很大的启发，包括方向上的指引、迭代上的思考，会有很大的帮助。我们也很期待，基于这样的逻辑和基础，企业们能够创造更有利于产业高效率好效果发展的产品。
所以，这个是我觉得大模型对于整个创业行业比较有正面影响的一个事情。
刘誌觅：我有一个同事今天在另外一个论坛上，他早上跟我说，他们AI分论坛人满为患，其他的论坛空空当当。现在AI非常火，我们基金组了一个五人小分队。做什么事情呢？我们每周去看海外发的那些AI的论文，同时我们每周会挑一天晚上，花三四个小时的时间，把大家上周看过的哪些有趣的论文，相互进行一个整理和分享。但是我们发现，根本看不过来。海外现在AI发展的速度，实在是太快了。
AI大模型对我们意味着什么？我觉得更精准的名字是预训练模型，预训练模型对于我们意味着什么？意味着AI能力的平权。刚才郑总也提到了，他们现在正积极使用这么一个AI的能力，在过去，如果没有这么一个模型，没有GPT的话，他们要建立自己的AI能力是很难想象的一件事情。所以模型出现以后，很多企业使用AI更容易了，不需要自己再去搭团队、搞算法等等，这一系列的事情非常麻烦，成本很高。AI预训练模型实现了AI的平权。
前段时间，也在网上看到一个段子，有一个国外的老哥说，我觉得我们现在应该躺平，为什么呢？他说，因为我现在继续在研发，无论投入多少精力研发，马上我的能力就会被大模型覆盖掉了，他认为躺平是我们现在最好的策略。
回到今天这个话题，是不是所有的AI服务都会被重做一遍？现在没有结论，但我们可以试着推理一下这件事情。
第一个，可能我觉得有一部分的AI是要重做，而且这个重做不见得像过去那样要花很大的精力，而是结合原来你给客户提供的产品和服务，结合预训练模型提供一个更好的产品和服务。对于这类企业，在原来产业的生态位当中，如果有比较好的生态位，不用担心大模型给你带来冲击，相反它会帮助你，这个时候重做你的AI提升你的竞争力。
第二类企业，我觉得AI服务的这些场景不用重做，因为预训练模型不会覆盖到你，其中一个关键的原因是数据。
第三类企业，你的AI服务也不要重做，因为你的AI产品以后可能就没了，就被大模型覆盖掉了。
我们如何去判断哪些事情可能会决定这件事情？比如说现在做了一个AI，我到底是重做，还是不做，还是干脆换赛道了？分析这件事情，有几个维度。
一个是，分析一下你有没有站在大模型发展的前面，如果你站在它继续往前发展的这条道路上，未来可能会被大模型碾压，所以建议避开。这是一个维度，就是你的定位，是不是和大模型重叠，能力有没有可能被覆盖。举一个例子，不知道未来它会不会被大模型碾压。今年1、2月份，腾讯和微软他们去测试了一下大模型做翻译和现在专门的翻译模型，去PK一下谁做得更好。他们的结论是，大模型在翻译能力上，还比不上专用模型。2月份的时候，大家就垢病腾讯，因为当时腾讯用的还是老的数据集，后来GPT做了一波升级，2、3月份的时候，微软又做了一次测试，得出来的结论一样，而且训练范围更广。但是未来不好说，未来很有可能，专门的翻译模型就会被大模型碾压。
第二个，就是刚刚提到的，可能大模型不会覆盖到你，刚才提到比较关键的是数据。我们都说大模型，是指参数量大，但是Deepmind发表过一篇论文的观点是，不仅参数量大，训练资料也要大，是平衡的关系，如果只是大的参数量，但是资料不够，大模型也不会很聪明。包括后面Mate发的LLaMA的论文的开篇，就引用了Deepmind的这篇论文结果。数据在整个预训练模型赛道里面很重要，但是很多数据是场景独有的，很多企业不会拿来给你训练大模型。
第三个，可能要考虑一下，我有没有能力去做这么一个预训练模型。可以看到，自从GPT火了以后，我们看到很多的BP上都写了自己是AI公司。分享两个小故事。之前看一家公司，他们号称自己有生成3D资产的能力，后来跟他们讨论的过程当中，发现他们把Transformer的架构写错了，从前馈网络开始，到Embedding结束，这个顺序完全写反了，出大问题了，但是他们在给我硬解释。后来那次会开完，他们发现自己搞错了，把图改掉了，因为根本没有去训练一个大模型的能力。另外一个例子也一样，一家创业公司要自己做预训练，而且已经发布了，但是创始人连CNN和RNN都搞不清楚，却说自己做了一个大模型。
现有的AI服务，是否需要重做？技术发展太快，这个问题值得我们持续关注。
车慧：好的，谢谢。
每次一个新的概念出来的时候，大家一窝蜂涌上来，更需要投资人擦亮双眼，持续学习，提高自己甄别的能力。我们一人一句话结束今天的圆桌，展望一下数字+和包括算力或者其他方面的一些趋势。
刘誌觅：我觉得从未来看，过去两年是云计算和物联网，AI不是未来十年的事情，可能是更长的事情。叠加AI以后，整个数字经济现在已经慢慢进入一个乱纪元，我觉得在这个状态下，可能会造就更多的英雄。
郑格：我觉得自然资源总归是有极限，但是数字资源可以不断复用，不断提炼可用的价值，我们还是非常看好整个数字经济在各个领域的应用。
郑烜乐：如果过去十年是产业数字化的时代，接下来将迎来从“数字+”变成“智能+”，也就是产业智能化的时代。AI应用、底层数据生产、产业智能化耦合都将进一步演变，在未来爆发出巨大的想象空间。我也非常希望温州的产业数字化生态、产业智能化生态越来越好，希望创投生态发展得越来越好。
张克：我相信数字+是一个方向，这个方向是一个时代的方向，不可逆转。对于每一个人，可能要提前想一想，一旦哪天你被优化了，该怎么面对AI的生活环境和工作方式。我们自己要去想想什么，或者说这几乎是很可能，或早或晚发生在你身上的事，但是早想，比临时抱佛脚的现想要好。这是有必要的。谢谢。
王晨：非常欣赏乱纪元这个比喻，我也看三体。最后一句话，做投资，不管新的主题还是新的趋势怎样，针对每一个具体的企业，还是试图追根溯源，找到它最核心的价值，这可能是判断投资项目的唯一标准。再次说说，感谢温州政府提供这样一个平台进行交流，希望后面和大家有更多的交流。谢谢。
车慧：谢谢各位，也想感谢一下温州政府，谢谢给我们这次机会，谢谢大家。
“数字+”浪潮下，每个产业都值得重做一遍？
新的浪潮下，每个人都难以置身事外。
数字+正对各行各业带来升级和重塑，生成式AI的出现，极大地加快了这个步伐。在当前的环境下，数字+催生了不少新场景，同时也存在众多投资机会。新的浪潮下，每个人都难以置身事外。
5月26日，“2023中国（温州）创投大会暨首届浙江基金招商大会”上，在诺基亚成长基金投资副总裁车慧的主持下，沄柏资本合伙人王晨、贝克资本创始人张克、光源资本创始人&CEO郑烜乐、东方嘉富执行总经理郑格、彬复资本合伙人刘誌觅这六位创投行业的资深投资人，围绕“数字+”带来的生产力提升与产业重做等话题展开了一场激烈的讨论。
在郑烜乐看来，AI大模型的出现是一个巨大的变化，从AI没法用到现在所有人及各行各业都在用，类似于互联网从无到有的变化。王晨认为，不管新的主题还是新的趋势怎样，针对每一个具体的企业，做投资还是试图追根溯源，找到它最核心的价值，这可能是判断投资项目的唯一标准。
张克判断，ChatGPT给大家带来的最大挑战是，它是把知识给归集了，注意不是单纯的信息归集，接下来会产生一种对你分析、总结、吸收知识的能力的挑战。在郑格的感知中，目前为止，ChatGPT最核心的能力是，首先理解你的问题，并把散乱在互联网上或者其他数据库里面的数据抽出，智能化地给到你一个结构化的知识反馈。
在刘誌觅的理解中，AI不是未来十年的事情，可能是更长的事情，“叠加AI以后，整个数字经济现在已经慢慢进入一个乱纪元，我觉得在这个状态下，可能会造就更多的英雄。”
以下为现场探讨实录：
车慧：大家下午好，今天非常荣幸能够有这个机会和各位行业大佬们一起探索一下数字+对我们各行各业带来的一个升级和重塑。
先介绍一下，我叫车慧，来自诺基亚成长基金。我们是诺基亚独家投资的企业战略投资机构，从2005年进入中国开始，数字化一直是我们投资的一个主题。我们现在管理规模已经超过16亿美元，去年开始启动了第五期美元基金，规模有4个亿美元。数字化加持下的传统行业转型升级，包括智能制造，也是我们近年来投资的一个重点。
我们下面从王总开始，自我介绍一下。
王晨：谢谢主持人，谢谢主办方，谢谢温州政府邀请。一句话介绍一下沄柏资本，我们2016年成立，现在团队大概30多人，分布在上海、北京和深圳，从成立到现在，关注的投资主线还是科技类的创新。在这个过程当中，也享受到这几年科技创新带来的一些红利。我们今天也想借这个机会和大家分享，更多是借这个平台，在后面和各位同行、优秀的企业家有更广泛的合作，谢谢。
张克：大家好，我是张克。贝克资本成立于2019年末2020年初，所以正好是和疫情“同甘共苦”。目前我们主要投资的方向是硬科技、高端装备，包括军工、新能源和医疗健康。在硬科技领域，我们也会关注金融科技。在过去的三年时间里，我们总共投出、参与管理了将近15个亿，目前也正在募后面的两期新的基金，欢迎大家一起，谢谢。
郑烜乐：光源资本是一家“投行+投资”的平台，下设两大业务板块。
投行业务主要是帮助一级市场的科技创新企业进行融资和并购。成立至今的八年来，我们帮助250多家公司完成了超2千亿人民币的融资，这之中有大量已经上市的独角兽、超级独角兽企业，覆盖了从移动互联网到消费、数字经济，以及先进制造、半导体、新能源、生物医药等相关产业。
投资业务在我们创立之初就已经开始，目前管理三支综合基金：两支美元基金和一支人民币基金，以及一些项目基金，资金管理规模超过30亿。
特别感谢主办方让我有机会和大家一起交流，谢谢！
郑格：大家好，感谢各位领导能够组织这个会议，让我们有机会在这个场合做一些交流和碰撞。东方嘉富是浙江省内的一家金控平台上的股权投资板块，我们管理公司有比较好的国资背景同时又建立了市场化的运作机制。我们在2016年成立，数字化、信息化、智能化是我们非常重要的投资方向，布局了数据库、云计算、物联网、工业信息化、人工智能，包括一些企业级软件的中早期项目。感谢今天有这么一个场合和机会与大家做交流。
刘誌觅：大家好，非常感谢温州政府和主办方的邀请。彬复资本成立于2015年，现在整个基金规模是50亿左右。我们主要的投资方向，包括数字经济、新能源、新消费等等。我们基金和很多地方政府有合作，很多地方政府和上市公司都是我们的出资人。今天借这个平台，希望和大家有一个很好的交流，谢谢大家。
车慧：我们开始今天的讨论。第一个问题，我们先讨论一下，数字+在近期的快速发展，加速解锁了哪些新的落地场景？我先抛个砖，我们去年投资了一家主要服务制造业客户的数据分析公司，他们也服务了一家温州的企业，是一家智协的企业。因为它的SKU特别多，对于柔性排单，包括库存备件备料的要求也非常高，通过增强型的数据分析、AI的算法，能够让这个企业提高生产的良率、库存的效率，为企业一年节约百万到千万级的成本。砖抛出去了，现在期待各位大佬给我们一些其他方面或者有没有更精彩的落地场景的介绍。
王晨：那就按照顺序来吧，场面话就不说了。我呼应一下，刚才听了王总的演讲，我也觉得数字化这个事情，现在对于很多企业来说，得是一个基本盘，就是你没有这个东西，可能已经很难有最基本的竞争力了，尤其是在C端。大家应该感受比较深，大家用的APP也好，任何一个C端直接享受收益的产品也好，在过程当中所用到数据的决策本身带来的额外数据价值，已经是基本盘了，没有这个感觉上不了牌桌。
还有一些潜力可挖的场景，渗透可以再往下推进一步的场景，可能就是生产端、制造端，刚才那个例子其实非常好。我们也举一个小例子。现在很多的工业品、半导体，不同级别的精度在做检测的时候，还是依然有比你们想得多得多的人工检测。
以前这些检测就用人去看，这个过程不产生数据。随着传感器、数据采集的进步，让你可以采集到一些二维、三维的数据。在之前一段时间，或者AI技术发展没有那么成熟的时候，这些数据没有用，或者用传统的机器视觉去看，这些数据有和没有区别不大。如果对于终端的产品，仅仅只是黑白判断，效率是很低的。可能本来10个是坏的，机器检测80个是坏的，就毫无意义。
我们也发现，最近这几年，随着AI技术，尤其是机器学习方式的产生，可以让这些检测更有效率。这个东西产生的结果，如果你仅仅是一个软件的形式去向这些工业客户推销，可能还挺费劲。刚才有分享，咱们这个软件园如果仅做软件生意，在工业场景当中可能也会遇到各式各样的困难，主要是采购方的意愿。
我们现在看到的趋势是软件结合硬件，硬件是相对现成的标准，中国有很强的制造能力，你结合对已经能够采集的数据进行更高分析的方式，以这个方式来赋能硬件设备，再卖到这些工厂当中去，帮工厂解决实际中检测良率的问题，也是一个比较好的能创造实际价值的场景。
张克：我个人觉得，首先需要区分一下，数据、信息，还有信息之后的人工智能。因为数据提升的时候，是靠王总刚才所说的各种收集、提取，包括需要各种传感器。但是你把数据采集以后，这是一个单向的过程，能不能形成一个反馈的闭环。尤其是对于决策，我们现在看很多软件、硬件公司，其实特别注意最终循环往复的过程，是不是自己真正可以调节。现在在这方面，玩得最好的就是GPT。
注意，前面说的更多是规范化、规律化的东西，现在上升到GPT这个阶段，之所以神奇，因为它是一个非规范、随机动态的东西。我在这里想说，凡是对它能够形成一个对原有的生产、决策的完整流程，都能形成优化提升。因为在经济学上，你的生产投入，包括劳动和资本都是边际效益递减，能够支撑、克服边际效益递减并支撑长期发展，靠的是技术和管理。
在应用上，数据必不可少。数据就是数据，不要把数据神话成大数据，一说大数据就神化了一样。我在华尔街工作20年，坦率地说，没有什么事情是没有数据支撑你就敢做决策的。换句话说，就不存在那种纯粹一拍脑袋的事情。
总的来说，我们不存在这种没有数据基础就能够去定案的事儿。数据就是数据信息，熟悉它对于决策过程的闭环，是我们要看的东西。
谢谢。
郑烜乐：我分享下自己对“数字+”的观察。在2014年左右大家都经历了移动互联网的变革过程，所有的人开始使用移动互联网变为移动互联网人口，大家的时间开始被移动互联网占据，人的所有场景也被移动互联网获取。从消费端来看，那时所有人实际上拥有了自己的孪生的数字化分身，因为每个人的行为已经在互联网上被投射了一遍。
之后从2015年到2017、2018年，很多生产的场景也被移动互联网获取。那时候我们投资了货拉拉，现在它已经是中国最大的数字化同城货运平台。数百万【请确认】的司机在平台上接收货运订单，帮助很多商家和个人解决了货运问题。它也是一种数字化的平台，它成功地把生产的场景、需求和要素做了连接。
到了2018、2019年，我们看到更多的生产要素通过工业互联网进一步实现连接。我们彼时有一个项目树根互联，是从三一重工孵化的的工业互联网平台公司。三一重工过去在数字化方面投入了大量的人力物力财力，帮助三一重工这个很大的产业集团同时实现了产值提升和人力节约。
它解决的是什么呢？首先把所有的设备都连起来，让设备会说话，这样就产生了数据。如果再加上AI对决策的实质反馈，就能让生产经营者时时刻刻做出更正确的决策。但在以前的工厂经营模式里，可能要等到一个月以后看统计的纸质生产报表的结果，才能调整更正确的决策。因为我自己是温州人，从小就看过很多工厂，每一个工厂的决策很多时候是靠企业主的直觉，这边走一圈发现有跑冒滴漏了改一改，明天再看一圈觉得可能有偷工减料了再做个相应优化。靠直觉的运行方式会严重影响一个企业的规模化经营，影响企业不同的生产基地、不同的产业链环节、不同的产线之间的高效协同。这些问题都要靠数据连接所有的环节和设备，形成一张网络来解决。除了连接之外，还要想办法把知识、工艺也连接起来，最终实现产能升级。也就是说不光是规模上的提升，还有质量、效率的提升，这样才是一个很好的数据化的产业应用。
“数字+”在过去已经很好地实现了和消费场景的连接，现在更多地是要把生产的场景给连接好。比如大模型，大模型本质上也是一个生产力场景，但是为什么大家觉得它很厉害，因为它连接的已经不止是信息了，其实连接的是知识。我们都熟悉搜索引擎，搜索引擎连接了所有的信息，但是并不能进一步帮你得出实际性结论。人解决实际问题依靠的是大脑里的知识，比如搜集信息后知道如何判断和使用，这是人作为智慧生物的能力，如今大模型就在这方面体现出很强的解决能力。因此我觉得它的知识连接能力可能会是未来一个非常重要的变量，让各行各业的知识可以在这个模型层被复用、调用，以后很可能所有人会变成各领域知识的使用者，而不仅仅是信息的获取者。
郑格：今年在整个数字经济领域最大的一个变量，就是我们能够看到ChatGPT的效果。这让大家意识到，AI算法可以实现一个结构化的知识效果，这些知识可以指导我们生产生活，包括一些关键的决策。科技行业在基础投入到一定程度后会出现一个应用拐点，就像前几年谷歌训练bert模型，在训练了几个亿数据以后，效果逐渐逼近人类，在此基础上，就演变出很多自然语言处理的应用。
倒回来看，很多数字相关的应用，是基于之前大量的算力也好，基础设施的投入也好，包括一些数据的训练也好，出来的一个效果。
基础设施逐渐完备，已经相对处于拐点的时候，我们去看能不能跟具体的产业做一些结合，把这些产业的数据输进去以后，形成一些知识来指导工作生产。我们也投了很多相关的项目，特别是在工业领域，这个事情会体现得更明确。例如，基于机器视觉做判断，指导机械臂进行工作；基于大量多维数据的结构化，帮助客户推演一些潜在的用户在哪等。
在整个产业发展到一定的基础设施投入之后的拐点后，我们会去找一些能够和垂直领域结合的点，能够帮它形成更好的结构化知识去指导生产。目前基于GPT，大家能够感受到的这个大的拐点，就能够很直观地理解，做这样一些产业结合非常有实际的经济价值。我们会持续去关注这类方向。
刘誌觅：过去，大家一直在说数字产业化，未来产业数字化也是一个重要的方向。数字化未来一定是拥抱实体产业，现在只是处于一个刚起步的阶段。数字经济的发展历程，本质是随着整个IT技术的进步，慢慢衍生出来的很多经济形式。从最早的计算机的出现，到后来集成电路的成本大规模下降，使更多人可以用上信息化技术。
过去十年，有两个技术可能极大推动了整个数字经济的发展，一个是云计算，第二个是物联网。这两项技术的出现，对于数字经济的价值，一个是它实现了软硬件结耦，第二个是实现了按需付费，第三个是万物互联。比如，对于工业互联网，软硬件结耦、使得很多的工业信息系统、软件，可以在和硬件结耦的方式下，实现不停地迭代和升级。对于第二个，按需付费带来的价值，就是对于很多花不起那么多钱建设自己的信息化、算力平台的创业公司来说，可以用很低的价格按照我的需求去采购算力、存储等资源。第三个，万物互联带动大量的数据流通，包括跨系统、平台的流通，整个企业管理、生产场景非常多的数据，都可以流通起来。从工业3.0到4.0里面有一个很大的变化，就是数据流通架构的变化。
这个过程当中，人在整个工业4.0的场景下，我们的角色也会发生变化。过去我们是数据的分析者，可能用一个月，现在可能快一些，一周或者一天，我们拿到数据去做分析，未来可能会从数据的分析者转变角色，成为数据的规则制定者和数据的监督者。
未来的话，除了工业场景外，包括智慧交通、智慧城市、智慧家庭等，越来越多的实体产业会面向并且极大地拥抱数字经济。
车慧：谢谢各位的分享。顺着这个问题再展开一下，就像刚才刘总说的，除了工业场景，还有很多其他别的场景，想问问大家，因为我们没有覆盖文体或者娱乐、消费、泛消费这样的领域，这里面有没有比较新的场景，比较有意思的例子？
刘誌觅：我们从2016年开始就开始在关注文化体育这个领域，当时大概看了几年以后，有一个很大的感慨，觉得这个行业太传统了，它有很多地方的很多环节，是可以通过数字化的手段降本增效，但是这个行业实在太传统了。
举几个体育场景的例子，第一个是国内一家非常大型的体育集团，这家集团一个负责赛事的负责人在2016年的时候跑来找我，想开发一套系统。因为整个集团举办的都是非常大型的体育赛事活动，但是他们没有规模化办赛的能力，所以希望通过一些信息化、系统化的手段建立这么一个平台，可以使得他们具备规模化办赛的能力。如果你不是通过系统去控制，而是通过堆人的话，一年办10-20场可以，办1000场肯定会失控。他们想要建这么一个平台，但过了三年以后，去看平台建的效果，根本建不起来，也用不起来。
第二个例子，是一个地方的体育部门。当时他们接到了一个任务，上级让他们统计一些信息和数据，这个体育部门大概也就三四个人左右，那他们是怎么去统计数据的呢？不是通过电脑，他们有一大堆的文件柜，花了一周的时间去翻和统计数据，最后交了结果。如果他们有信息化的手段，完全可以通过鼠标去点选，事情可能5分钟就解决了。
第三个例子，就是大家一直在谈的体育场馆信息化。一个国内比较大型的体育场馆，他们搭建了一个信息化系统。这个信息化系统，不仅有我们觉得比较简单的门禁识别，可能还包括很多运营的逻辑在里面。他们就招投标，最后花了几百万去建了这样一套系统，但是根本不能用。不能用的原因是，建系统的根本不知道怎么去运营场馆，而运营场馆的那些人，本身可能也不知道怎么通过信息化系统更好运营场馆。
刚才举的是体育领域的一些例子。在整个体育领域，还有很多环节可以通过信息化的方式去提升整个运营效率。现在体育产业是一个大金矿，国家2014年就提出到2025年的市场目标是5万亿，所以如果真的有一些好的团队，可以在这个场景下去挖一些金，还是会有比较大的机会。
郑格：针对刚刚刘总谈的，我理解很多是围绕文化体育行业偏管理上的提升，这个可能确实比较专业。我的理解是，很多数字化的技术，可能可以帮助文化体育类的领域去放大它的效果，或者是触达更多的消费者和参与者。
举一个例子，我们有一个企业，当时帮央视解决了一个难题。央视当时在春晚上有一个环节，就是在高铁里拍大家回家的场景，这里有一个很大的难度是，高铁开得很快，这家企业就利用自己底层的通信技术，去帮助央视春晚在火车高速运转下还能够不丢包、不延迟地去做实时传输。
我们还有另外一家企业，也是帮助一些广电体系去升级它的体验，会去做一些孪生，像数字人或者3D效果这种类型的解决方案。我们一些数字化的手段，可以更好地放大或者提升文化体育产业的边际效果，去触达更多的消费者。
这是我们对于数字经济在文化产业领域可能可以做的一些事情的考虑。
郑烜乐：我接着来分享我们的一个项目Nreal吧。这家公司的主要业务是AR眼镜以及背后整体的软硬件系统。我们关注到他们的时候，眼镜产品还在比较初期的阶段，后来经历了几代产品迭代，眼镜戴起来非常轻，外形也不错。之后也有一家非常知名的国际眼镜潮牌进行了投资，一起合作开发了新产品，让AR眼镜变得很潮。
这家公司的AR眼镜在效果上能让佩戴者看到一个巨大的屏幕，类似于人眼去看电影院的巨幕。所以在任何地方都不需要手持或者立起iPad或者手机这样的设备再去看它的比较小的屏幕，戴着眼镜就可以通过一个大屏沉浸其中。但是它又不是像屏幕一样完全的阻断，通过镜片也看得到现实世界，可以和现实世界保有大量的交互。
所以在使用场景上就有很多想象空间。比如使用它来看球赛，即使是对着白墙观看，也能觉得自己置身于英超的赛场旁。如果对体育直播再有AR眼镜的定制化内容，比如切换成某一个球星、守门员、教练的视角，就会提供非常有意思的全新的观赛体验。再比如演唱会这个场景，过去所有的演唱会体验受制于票的选择，像是山顶票和内场前排的体验完全不一样，但是AR眼镜就可以提供非常非常强的临场感。而且他们的产品可以和手势、语音进行交互，甚至也在探索如何可以在未来和眼球动作产生交互。
那么我们从中看到的机会就是整个计算平台在发生变化。首先，以后的计算平台与人的距离一定会变得越来越近，甚至未来某一天嵌在隐形眼镜中的交互系统这样的设想也会成为现实。目前眼镜这个形态已经是最具可能、呼之欲出的产品形态，像苹果也很快会推出自己的MR混合现实的产品。第二，它的交互方式一定会越来越多元化。目前我们广泛使用的智能手机有一个重要的功能创新是多点触控，也是交互的创新。最早大家通过手柄、键盘玩游戏，忽然有一天发现在《水果忍者》这样的游戏里只要划两下就可以切开西瓜，在相册里两指张开就可以放大图片，这是一个巨大的交互颠覆。
交互模式的创新能够带来整个娱乐体验的爆发式升级。AR同样会带来新的交互方式，无论是文化、娱乐还是体育，很可能许多场景会变成戴着眼镜体验。如果你看到一个人戴着眼镜在一片空地上走来走去，你不知道他在干什么，但他可能在打游戏、寻宝、踢球、打高尔夫等等。他沉浸在自己的元宇宙世界里面，在虚拟和现实世界中自由穿行，很可能会变成这样一种新的形态。
与此同时，入口变化以后像是云端等其他要素也会跟着改变。以后所有的体育、娱乐场景的个人资产可能都会在虚拟世界，娱乐相关的社交关系也可能在虚拟世界。随着整个计算平台的变化，通信、储存和计算等要素会有更多的变化，会有巨大的想象空间。
张克：我一直没有怎么去玩过游戏，所以对这个没有发言权，但是我们有投一些军工上的东西。借这个机会，如果把军工打仗视为一种游戏的话。你知道为什么这次俄乌冲突打成这个样子？你知道为什么刚开始的时候，俄军用的还是二战时的模式，后来越打越不灵，最后退退退，现在都是从一战、二战的模式，变成现在小分队的模式。为什么？这就是数据采集的交互式，还有交互的算力算法产生的快速反应。
当卫星能够每隔多少分钟看一遍路面上有没有人的痕迹，有没有车的轴距、车印，就来判断这是过了多少装甲部队。于是根据方向、数量和密度，包括图像的更新，来判断出是不是藏起来了。诸如此类，形成一种快速打击。
可能提到这个事情的时候，尤其是刚才提到GPT可能是更大的变量，我们要考虑的是另外一个场景。刚才道平总讲到金融科技，在我们看来，几乎无所不是金融科技，因为你的很多数据都在被使用，真正最大量用数据的是金融机构。
所以，中国的金融科技安全非常令人担忧，因为90%的系统都是国外的，这就是为什么近两年有信创这个重要的概念。目前在三个领域，党政机关的信创已经做到地域级了，现在优先发展的，一个是金融，一个是交通，一个是能源。这背后的逻辑是，一旦打仗，钱不能飞了，能源不能废了，交通运输能力不能垮了，背后折射的都是安全问题。
金融信创上，人民银行专门有指示。像去年，所有的金融机构IT采购，35%得花在有金融信创资质的金融科技公司上，今年的比例提高到50%，明年大概率是75%，三年内出清。
这就带来一个巨大的投资的机会。刚才讲的数码港，在我们看来，你不希望辛辛苦苦收集来的数据，最后很容易被别人偷掉。随着数据越来越海量，它有两个方向要越来越关注，一个是安全，另外一个就是交互速度。这两个方向，我们非常关注，尤其在投资上。
我另外一个身份是北京前沿金融监管科技研究院的理事长，这个研究院是人民银行的科技中心。我们有一个重要的职责，就是帮助人民银行的金融信创中心实验室，去筛选和推荐那些符合金融信创资质的金融科技公司。
谢谢大家。
王晨：我先呼应刚才张总说的这个，我们也认同目前为止金融机构是使用数据最大、最高效的一个主体。相信大家平时跟财经打交道多，不管是个人的资产管理，还是别的工作上，都应该慢慢会有体会。我们也观察到，监管在如何更好、更高效地监管利用数据这块，也做了很多的动作，包括刚才介绍的隐私计算。
回到文化体育这个话题，我们公司本身不太关注这块，只是员工个人对文化体育感兴趣。我说一个可能稍微不太一样的角度，因为我们完全同意新的数据、新的AI手段可以使文化体育产品更好，包括后面的宣发等，因此造成它能够吸引更多人的关注，所以就有更多的资金愿意往里投入。
可能还得考虑一个问题。过去大家看世界杯，以及今年看NBA的时候，会发现优秀的技术使得现在的体育赛事更加公平，比赛踢一半停了，咱们看看刚才那球怎么回事。这个事情虽然助推了公平，但是也在一定程度上磨灭了一些追求体育不确定性的体验，最经典的画面经常是发生错误的画面。
这个体现在文化上是另外一个角度，我相信技术会让更多大众偏好的产品进入的门槛更低，也会使一些追求小众的产品的壁垒带来影响。从整体层面看，肯定还是让文化体育发展得更好，但是也请大家关注一下对小众的保护，这是一个多元化的话题，没有结论，留一个开口，大家去思考吧。
车慧：谢谢各位的分享。刚才大家频繁提到ChatGPT，新技术、新消息每个星期都有。大家白天去演讲，可能当天早上还在改PPT，因为头天晚上有一个新的消息。我们被投企业，也是被追赶着、鞭策着，不停地要进步。
像我们投入的文档型写作工具，还有软件研发运维一体化的工具，纷纷推出了自己的大模型插件，或者是生成式AI的工具做代码生成和研发管理，去应对这些新的技术。
想问问各位嘉宾，你们的被投企业，或者你们看到的市场上的情况，大家被ChatGPT或者更广泛地说预训练大模型、生成式AI，激发并鞭策出哪些新的、比较有意思的点？
王晨：因为ChatGPT这个事儿，包括OPENAI这家机构，如果你追到2017年谷歌那篇论文，当时发布的时候，可能没有这么多人注意到，包括在学界有那么几支小队沿着不同的方向，都是在新的Transformer的架构下做研究。
哪怕到今天，一个比较通用的问题是，这个大模型会不会让所有AI都重做一遍，对或者不对，现在这个事情也没有结论。因为它的能力还没有完全被发挥出来，它还在不断迭代，现在还没联网，这里面带来的明显看到的颠覆效应，还远不止如此。
如果从数据采集这个角度看，我们可能换一个说法，叫感知。通过这些数据做决策，决策完之后，如果要对物理世界做控制，把它分三阶段的话，感知不需要它。随着硬件的迭代，可以获取更多的数据。决策会被它颠覆，因为决策、训练机制，使得原来单点对单点的决策会更有效。目前我们看到追求相对物理极限、高压、高速、精确度等，暂时不怕它，因为那个极限也不能通过AI去追求。
哪怕同一个公司内，我们也能看到几个不同团队的想法，但是我们也非常关注。因为这个事情，一个是来得看似突然，实际也有必然。第二个，我们也觉得挺幸运，站在今天做这行，能赶上这么一个突破性的发展。我相信对在座很多同行企业而言，是一个挺好的机遇，就看你怎么应对它了。
张克：我们在GPT这方面还处在学习阶段，因为没有整明白到底应该怎么看它，到底应该怎么判断它。我们公司有一帮很聪明的年轻人，当时进入公司的时候，都是拿数学考过。他们每个人都拿自己的名字问了一遍GPT，GPT回出来的答案都让他们非常不满意，不可接受。
我觉得GPT给大家带来的最大挑战是，它把知识给归集了。接下来，我们会产生一种新挑战，就是对你分析、总结、吸收知识的能力的挑战。这个还不是前面那个信息，说得再直白一点，当它给你反馈来一个东西，你信还是不信呢？这和以前的求签差不多吧？
郑烜乐：先分享一个比较有意思的事情，我们核心业务之一是投行，我们有很多分析师和实习生。最近几个月我们在实习生招聘的时候也会问他会不会用ChatGPT，因为这其实代表了一种提高自己生产力的意愿。我们公司在ChatGPT 3.5可用的时候就全公司普及使用，我自己平时写一些东西也会用，不满意还可以再来一遍，很明显提高了我的效率。
再举一个例子，我有次去演讲，忽然想引用一下过去全球20年哪些国家的平均居民收入的提升幅度比较高、哪些又比较低的数据。如果用人力做这件事情至少要半个小时到一个小时，需要做很多的查找计算工作。但使用ChatGPT的话只需要三分钟，这就是一个生产力的巨大飞跃，我可以让分析师更专注在其他工作上，所有人的人效都能得到更好的提升。这个影响很大，我们是比较积极地拥抱这个变化的。
从全球格局来看，科技领域的竞争也将是大国之间最核心的竞争主题，AI以及AI的整个产业链也一定会是整个科技竞争中的焦点之一。这是一个指数效应非常强的行业，有很强的涌现效应，跑得快的人会越跑越快，因为跑得快的企业提供的产品的可用性和数据获取闭环能力会在市场上形成碾压优势。现在ChatGPT已经成为全球历史上日活用户上涨最快的应用，推出的APP也马上在苹果应用商店霸榜。巨大的变化已经发生了，目前中国公司依然有机会去追赶。但AI产业整个链条比较长，比如底层基础设施、模型、应用等等我们内部AI产业团队在持续关注这几个方向，比如我们有图数据库的相关项目，也在关注向量数据库领域；当然我们也在推动一些大模型的项目，并且参与孵化了一家图像视觉领域的大模型平台公司；以及应用端我们也有一系列的项目，我们正在从三个方向快速地布局。
我会觉得AI将是一个巨大的变化，将超越过去许多的技术革新所能带来的影响，这就像是人类历史上互联网从无到有的变化一样，AI已经实现了从不可用到如今各行各业的所有人都被普及的巨大变化。所以，我们要多关注和参与，积极地帮助创业者，从投融资等多个方面给创业者贡献价值。
郑格：在参加这个论坛前，也把这个主题放在ChatGPT搜了一下，从效果来看，目前的回复有点缺少灵魂，你不知道它到底想表达什么，但是有很详细的信息罗列。GPT首先理解基本上理解了你的问题，把散乱在互联网上或者其他数据库里面的数据抽出，给到你一个结构化的信息反馈。
我们看到它出来以后，对于所投的相关企业做了一轮访谈，大部分还是积极去拥抱。大家从产业标杆那里得到了验证，这个方向原来可以这么做，可以做到这样的程度，在往哪个方向发展。对于很多有很强行业积累的数字类企业来说，是不是可以结合大模型，把产品做得更有效，更能指导我们的生产和生活。所以我们很多被投企业，会基于自己在行业的优势，通过大模型这么一个逻辑去进一步提升，优化整个交互的体验也好，整个生产的效率也好，使得自己产品再上一个台阶。我觉得整个ChatGPT对于我们很多创业公司有很大的启发，包括方向上的指引、迭代上的思考，会有很大的帮助。我们也很期待，基于这样的逻辑和基础，企业们能够创造更有利于产业高效率好效果发展的产品。
所以，这个是我觉得大模型对于整个创业行业比较有正面影响的一个事情。
刘誌觅：我有一个同事今天在另外一个论坛上，他早上跟我说，他们AI分论坛人满为患，其他的论坛空空当当。现在AI非常火，我们基金组了一个五人小分队。做什么事情呢？我们每周去看海外发的那些AI的论文，同时我们每周会挑一天晚上，花三四个小时的时间，把大家上周看过的哪些有趣的论文，相互进行一个整理和分享。但是我们发现，根本看不过来。海外现在AI发展的速度，实在是太快了。
AI大模型对我们意味着什么？我觉得更精准的名字是预训练模型，预训练模型对于我们意味着什么？意味着AI能力的平权。刚才郑总也提到了，他们现在正积极使用这么一个AI的能力，在过去，如果没有这么一个模型，没有GPT的话，他们要建立自己的AI能力是很难想象的一件事情。所以模型出现以后，很多企业使用AI更容易了，不需要自己再去搭团队、搞算法等等，这一系列的事情非常麻烦，成本很高。AI预训练模型实现了AI的平权。
前段时间，也在网上看到一个段子，有一个国外的老哥说，我觉得我们现在应该躺平，为什么呢？他说，因为我现在继续在研发，无论投入多少精力研发，马上我的能力就会被大模型覆盖掉了，他认为躺平是我们现在最好的策略。
回到今天这个话题，是不是所有的AI服务都会被重做一遍？现在没有结论，但我们可以试着推理一下这件事情。
第一个，可能我觉得有一部分的AI是要重做，而且这个重做不见得像过去那样要花很大的精力，而是结合原来你给客户提供的产品和服务，结合预训练模型提供一个更好的产品和服务。对于这类企业，在原来产业的生态位当中，如果有比较好的生态位，不用担心大模型给你带来冲击，相反它会帮助你，这个时候重做你的AI提升你的竞争力。
第二类企业，我觉得AI服务的这些场景不用重做，因为预训练模型不会覆盖到你，其中一个关键的原因是数据。
第三类企业，你的AI服务也不要重做，因为你的AI产品以后可能就没了，就被大模型覆盖掉了。
我们如何去判断哪些事情可能会决定这件事情？比如说现在做了一个AI，我到底是重做，还是不做，还是干脆换赛道了？分析这件事情，有几个维度。
一个是，分析一下你有没有站在大模型发展的前面，如果你站在它继续往前发展的这条道路上，未来可能会被大模型碾压，所以建议避开。这是一个维度，就是你的定位，是不是和大模型重叠，能力有没有可能被覆盖。举一个例子，不知道未来它会不会被大模型碾压。今年1、2月份，腾讯和微软他们去测试了一下大模型做翻译和现在专门的翻译模型，去PK一下谁做得更好。他们的结论是，大模型在翻译能力上，还比不上专用模型。2月份的时候，大家就垢病腾讯，因为当时腾讯用的还是老的数据集，后来GPT做了一波升级，2、3月份的时候，微软又做了一次测试，得出来的结论一样，而且训练范围更广。但是未来不好说，未来很有可能，专门的翻译模型就会被大模型碾压。
第二个，就是刚刚提到的，可能大模型不会覆盖到你，刚才提到比较关键的是数据。我们都说大模型，是指参数量大，但是Deepmind发表过一篇论文的观点是，不仅参数量大，训练资料也要大，是平衡的关系，如果只是大的参数量，但是资料不够，大模型也不会很聪明。包括后面Mate发的LLaMA的论文的开篇，就引用了Deepmind的这篇论文结果。数据在整个预训练模型赛道里面很重要，但是很多数据是场景独有的，很多企业不会拿来给你训练大模型。
第三个，可能要考虑一下，我有没有能力去做这么一个预训练模型。可以看到，自从GPT火了以后，我们看到很多的BP上都写了自己是AI公司。分享两个小故事。之前看一家公司，他们号称自己有生成3D资产的能力，后来跟他们讨论的过程当中，发现他们把Transformer的架构写错了，从前馈网络开始，到Embedding结束，这个顺序完全写反了，出大问题了，但是他们在给我硬解释。后来那次会开完，他们发现自己搞错了，把图改掉了，因为根本没有去训练一个大模型的能力。另外一个例子也一样，一家创业公司要自己做预训练，而且已经发布了，但是创始人连CNN和RNN都搞不清楚，却说自己做了一个大模型。
现有的AI服务，是否需要重做？技术发展太快，这个问题值得我们持续关注。
车慧：好的，谢谢。
每次一个新的概念出来的时候，大家一窝蜂涌上来，更需要投资人擦亮双眼，持续学习，提高自己甄别的能力。我们一人一句话结束今天的圆桌，展望一下数字+和包括算力或者其他方面的一些趋势。
刘誌觅：我觉得从未来看，过去两年是云计算和物联网，AI不是未来十年的事情，可能是更长的事情。叠加AI以后，整个数字经济现在已经慢慢进入一个乱纪元，我觉得在这个状态下，可能会造就更多的英雄。
郑格：我觉得自然资源总归是有极限，但是数字资源可以不断复用，不断提炼可用的价值，我们还是非常看好整个数字经济在各个领域的应用。
郑烜乐：如果过去十年是产业数字化的时代，接下来将迎来从“数字+”变成“智能+”，也就是产业智能化的时代。AI应用、底层数据生产、产业智能化耦合都将进一步演变，在未来爆发出巨大的想象空间。我也非常希望温州的产业数字化生态、产业智能化生态越来越好，希望创投生态发展得越来越好。
张克：我相信数字+是一个方向，这个方向是一个时代的方向，不可逆转。对于每一个人，可能要提前想一想，一旦哪天你被优化了，该怎么面对AI的生活环境和工作方式。我们自己要去想想什么，或者说这几乎是很可能，或早或晚发生在你身上的事，但是早想，比临时抱佛脚的现想要好。这是有必要的。谢谢。
王晨：非常欣赏乱纪元这个比喻，我也看三体。最后一句话，做投资，不管新的主题还是新的趋势怎样，针对每一个具体的企业，还是试图追根溯源，找到它最核心的价值，这可能是判断投资项目的唯一标准。再次说说，感谢温州政府提供这样一个平台进行交流，希望后面和大家有更多的交流。谢谢。
车慧：谢谢各位，也想感谢一下温州政府，谢谢给我们这次机会，谢谢大家。
0
第一时间获取股权投资行业新鲜资讯和深度商业分析，请在微信公众账号中搜索投中网，或用手机扫描左侧二维码，即可获得投中网每日精华内容推送。
发表评论
全部评论