一年前，腾讯在全球数字生态大会上发布了混元大模型。一年后，“百模大战”告一段落，巨头和独角兽的格局初定，但市场对大模型的期待值似乎有所回落，业界对大模型的能力边界正在重新认知。

　　近日在与第一财经等媒体的对话中，腾讯集团高级执行副总裁、云与智慧产业事业群CEO汤道生回答关于AI市场热度下降的问题时表示，就像以往新技术所经历的周期一样，一开始大家一窝蜂投入、投资甚至造成泡沫，然后发现新技术变革需要时间沉淀，甚至要等第一波资本驱动的不是很专业的玩家被淘汰，才能回到理性、务实的状态。“AI大模型现在也是这样，大家可能一开始期望比较高，因为还没有经历过打磨时间，（现在）钟摆摆到了另外一个方向，这是我的感受。”

　　在大模型发展初期，云与大模型走得很近，算力消耗反映着大模型需求与热度。腾讯集团副总裁、政企业务总裁李强告诉第一财经记者，过去两年大模型横空出世带来GPU算力巨幅增长，以及支持大模型训练相关产品的快速增长。但从应用侧看，大模型在To B侧的商业化远没有大家想的这么欣欣向荣。相对而言，目前大模型在容错率相对高的场景应用会更好，腾讯仍在面向企业客户的大模型服务则提供灵活多样的适配方案，并探索大模型和云产品的结合。

　　AI收入大头还是GPU算力

　　腾讯最新财报显示，今年第二季度，腾讯金融科技与企业服务收入同比增长4%，其中企业服务业务同比增长十几个点。腾讯云的客户包括国内超80%头部大模型厂商。不过这份腾讯财报对AI带来的变化谈及不多。

　　对于腾讯云收入中有多少是来自AI，汤道生告诉第一财经记者，数据现在可能很难量化，但在不断增加，例如合作的自动驾驶厂商对基于车机感知数据的模型训练在持续加大投入。从收入结构看，李强则告诉记者，目前腾讯来自AI的相关收入中，大头还是GPU算力。

　　腾讯既向大模型厂商提供算力，又推动自研的混元大模型商用，大模型最初的市场热度有所下降后，腾讯也在评估这两部分业务实际能带来的增量。在此前一次采访中，汤道生表示，如果投资的大模型企业成功了，需要持续的云消耗，这对云业务而言是极好的收入来源。但他同时表示，新科技早期在风口，大量资本驱动创业公司野蛮生长，可能会过度投资，很多玩家也许是泡沫的一部分，“如果云的收入太依赖资本驱动的创业公司来消耗，一旦泡沫爆了，一些客户会消失，业绩会掉下来，掉下来的时候会比较痛苦。”

　　大模型带来的GPU算力消耗之外，在推动大模型B端商用方面，云厂商也经历了对大模型能力的重新认知。

　　李强表示，从市场整体看，与AI相关的收入中，真正来自大模型自身的商业化产出占比还是较低。他将这个过程形容为市场从“狂热”走向“理性”。具体而言，B端行业壁垒相对较深，AI在工业领域、传统行业的应用难度比To C更加复杂，而大模型还未达到传统行业的要求，例如工业对容错率的要求更加严苛。

　　李强解释，关键应用或影响安全生产、重要决策的环节不太能接受意外状况，这时AI若起到辅助决策会更好。而在一些传统细分领域，通用大模型未必是最佳的选择。例如严苛的iPhone手机质检，需要拍照并把照片放大一百多倍，使用通用知识训练的大模型在这种场景应用没有意义，效率和成本不如行业化的小模型。大模型可能无法在所有细分行业和领域应用。就像没有必要把孩子培养成名校本科生，再放到专门拧螺丝的岗位。

　　此外，大模型特别是参数量巨大的大模型需要在庞大的算力集群上训练，使用这些大模型能力的厂商也依赖于庞大的算力集群提供推理，此前这被认为是云厂商发展公有云的机会。但B端企业仍存在关于数据安全的担忧，使得依托公有云提供大模型能力的进程或也不如预期般顺利。

　　“国内企业对自有行业化数据保密性要求比较高，设置了核心业务的更愿意以私有化部署的形态做。而走私有化路线会影响大模型跟行业的结合。某种意义上这形成今天的瓶颈。”李强表示，目前大模型To B的部署方式既有私有化部署又有接入API，而在涉及核心应用的情况下行业更多考虑私有化。

　　大模型真正应用在哪里？

　　腾讯之外，一些科技大厂也在押注AI，部分在最新财报提到来自AI的收入增量。例如，在截至2024年6月底的季度中，阿里云AI相关产品收入实现三位数增长，今年第二季度百度智能云营收则同比增长14%，其中AI对百度智能云收入的贡献比例为9%。国际云厂商中，谷歌今年第二季度云业务收入同比增长29%，云收入得到AI需求提振，最新季度微软Azure和其他云服务收入同比增加29%，AI贡献Azure收入增速8%。

　　从部分厂商披露的数据看，AI带来的收入增速为百分比个位数，或AI占云收入的比例为百分比个位数，相对此前市场对AI的巨大期待，AI对云收入的提振力度似乎还有待继续加强。

　　李强告诉记者，客户逐渐认识到大模型不能“包治百病”，在场景选择上趋于理性。相比对容错率严苛的工业生产场景，另一些场景中大模型有较好的应用空间，包括知识管理、营销、客服、代码、智能风控领域，以及对专业性要求相对不太高的领域，如野外巡检场景。客户会更多选择更高应用场景来合作，例如腾讯与中山医院合作的医疗类大模型在医疗诊断、诊断书相关撰写方面推进，这算是辅助诊疗。决策场景中，大模型更多是做辅助决策。知识相关场景中，大模型在客服、员工培训场景则较普遍应用。

　　就大模型的挑战，汤道生告诉记者，这既包括高质量、公共数据相对稀缺的挑战，又包括大模型落地挑战，大模型落地涉及数据保密、落地成本、结果准确、场景选择等系列问题。此外，还有一个挑战是大环境有压力的情况下行业容易出现零和游戏。他认为，如果大家焦虑感变强，通过亏损来保持市场份额将不是一个健康状态。

　　“我看损益表看得很紧，每个业务都应该算清楚成本、合理定价，避免靠别人的利润补贴自己的亏损。大家需要多一点耐心，今天的技术或许在某些场景只做到50分、60分，要达到90分需要时间去磨。起初很多人认为模型可以快速改变世界，最近又有一些悲观，觉得大模型好看不好用。其实‘短期高估进度，长期低估效果’都不可取。”汤道生称。