2023，AIGC 是否能赚到钱

2022 年，AIGC（生成式 AI）是当之无愧的网红。

AI 作画在各大社交平台刷屏，ChatGPT 火爆国内外出尽了风头，依靠 AI 生成语音和表情、动作的数字人也频频露脸。2022 年 12 月，Science 杂志发布了 2022 年度科学十大突破，果不其然，AIGC 入选。

火爆背后，AIGC 的商业化潜力还有待形成更清晰的路径。目前来看，应用范围最广、最出圈的 AIGC 能力，就是 AI 作画（以文生图），但可以看到，大量普通 C 端用户都是抱着尝鲜的热情玩一把就走，庞大的流量很少能转化为强劲的付费意愿。

而对于制作插画、辅助设计、生成海报等专业需求的 B 端来说，目前谷歌、OpenAl、百度、腾讯等各大厂开源的模型就足以提供支撑，这一市场能够激活多大的商业价值，还不明确。

另外，政府提供的扶持性采购，G 端市场也是加速 AI 产业形成良性商业循环的重要组成部分之一，而这类需求主要集中在智慧城市、政务数字化、大数据平台等，AIGC 能够在其中的哪些场景发挥作用，还有待挖掘。

将火爆的"虚名"转化为实实在在的 money，进一步提升商业空间，是 AIGC 接下来的当务之急。让我们来梳理一下，AIGC 究竟能通过哪些方法赚到钱。

AIGC 经济，绘画领航

AIGC 需要商业化，这是一个并不难做出的判断。但如何商业化，需要从技术逻辑来一步步推演。

我们认为，AIGC 的商业化会首先发生在 AI 作画，也就是以文生图领域。目前，AIGC 已经诞生了文本生成、代码生成、图像生成、语音合成、视频生成，甚至多模态的基础模型和应用场景。

之所以说 AI 作画会率先探索出一条商业化路径，源于 AI 商业化的三个基本规则：

第一，AI 技术是不断演进的。

AI 技术的商业化，与其他技术相比，有一个非常典型的差异：大多数 AI 系统在部署后不可避免地会出现错误或低效，都需要经历迭代和持续优化来发挥作用。所以，AI 系统落地应用后，一些错误是可被容忍的，重点是其带来的生产力增益，以及自我迭代演进的速度（即与运行环境的适应能力），应该要能够抵消犯错所造成的麻烦。

而目前来看，只有 AI 作画，能够做到大幅提高内容生产力，同时适当的错误是可被允许的。

在 DALL・E 2 、Midjourney、NovelAI、Stable Diffusion、文心一格、意间 AI 等图像生成模型，对于艺术创作、设计等工作的生产力提升是非常可观的。原本需要数天甚至数周才能完成的画作，通过 AI 就能一秒完成。而且这个领域的模型都非常卷，进化速度很快。因此，尽管一开始 AI 作画也会出现一些令人啼笑皆非的问题，比如将人画成狗、少女吃面却不会用筷子，但这些小麻烦，和为专业设计从业者节约的时间精力成本相比，确实不算什么。

与之相比，尽管文本生成更先进，ChatGPT 一出现就让全世界为之震惊，但 NLP 自然语言要做到更高质量的输出、更具深度的垂直内容，还比较有难度的。代码生成可能会在短期内对开发人员的生产力产生影响，但这一群体相对比较小众；语音、视频、数字人等 AIGC 应用场景十分值得期待，但目前还没有看到类似 AlphaFold 一样的颠覆性基础模型出现，目前阶段的应用还不够成熟，Meta 发布的短视频生成系统 Make-A-Video，谷歌的文本转视频工具 Imagen Video 等，都没有掀起较大反响。

所以说，在诸多 AIGC 应用领域中，AI 作画有望率先进入商业化轨道。

第二，AI 技术由数据驱动。

数据的重要性，这一点稍微了解人工智能的人都知道，而 AIGC 要取得优秀的生成效果，离不开大量高质量数据的训练。这也使得 AIGC 产品在进入市场时，必须面临来自技术、法律和伦理的约束。

技术层面，要解决数据来源、标注、隐私计算、训练资源等问题，其中文本、图像数据是更容易获得并使用的。法律层面，AIGC 产品商业化必须要解决数据授权的合规问题，而视频、音频的版权费用是比较昂贵的，相比之下，AI 作画可以使用开源的图像数据集，向专业画师或艺术网站获得授权，成本上更可控；伦理层面，AIGC 受数据驱动，所以最终产品可能会受到脏数据的污染，或原数据就带有偏见、歧视，要解决这类问题，一般来说需要在数据准备、数据标注上下更多功夫，图像数据标注目前产业链已经非常成熟，通过众包平台就可以完成。

从数据层面考虑，AI 作画也更容易解决数据瓶颈、实现数据合规，为后续商业化奠定良好的基础。

第三，AI 技术基于云来使用。

从训练到推理，AIGC 模型的计算量和所需的算力在不同阶段存在较大差异，要求极高的基础设施灵活性，因此，生成模型往往是通过云服务来开发的，在部署时，终端需求也存在一定的不确定性，有可能突然增加，算力需求短时期内膨胀；也可能快速退潮，用户过把瘾之后很快就失去兴趣，因此 AIGC 在提供服务时，云就成了最佳的输送管道。

AIGC 作为一种云上的 SaaS 软件能力，让需求方只需要在使用时接入，承担一定的用云量或 API 服务费，就能够将 AIGC 引入业务当中，不需要自己训练开发或自建机房，这无疑是极为划算的。比如，现在的 AI 作画软件，用户输入一段文字，可以通过云端生成备选图片，而不需要本地 GPU 或高性能芯片，才能让普通大众都玩起来。

云 + AI 按量付费的商业模式，必然会影响到 AIGC 产品的前景，就拿云厂商来说，自然更愿意将图像、视频类 AIGC 应用整合到解决方案中，以提升业务收入。与之相比，文本生成想要靠云上接入付费软件来回收成本，就显得遥遥无期，比如 GPT-3 仅训练费用就高达 1200 万美元，但其四个商业化版本中，性能表现最好也最贵的 Davinci，每 token（大概是 4 个字符）收费仅 0.06 美元，最便宜的版本 Ada 更是低至 0.0008 美元。

因此，AI 作画更容易为云服务等产业链所关注，与广阔的产业相结合，通过带动模型 API 付费、用云量来完成商业价值的转换。

从诸多角度判断，AIGC 尤其是 AI 作画，有望以超预期的速度进入商业应用阶段。这对用户当然是好消息，意味着很快会有更好更便宜的 AI 作画产品被"卷出来"。但对 AI 企业来说，事情可能就没那么简单了。

ToC / ToB / ToG？哪条大路通罗马？

找到了 AI 作画的典型场景，是否就意味着找到了良好的商业模式？大 no 特 no。

目前阶段，AI 作画可以在三个领域发挥提升生产力的显著作用：

一是艺术生成，既可以让 C 端用户来生成绘画作品，也可以为游戏工作室、创意机构等生成服装纹理等艺术。

二是广告创意，也成为"甲方终结者"，通过自动化生成和设计创意草图，减少设计师与客户的沟通成本，快速明确设计需求，避免大量反复甚至返工。

三是专业设计，将 AI 作画与专业领域的知识相结合，如 3D 建模、建筑设计、医疗、工业设计等，从而减少这些专业领域制造效果图的繁重成本，先由 AI 根据提示制作粗略的草图，再由专业人员完成后续工作。

当然，还有元宇宙生成数字社区之类的应用，因为还比较小众，在此就不单独拿出来讲了。

针对上述有望规模应用的典型场景，我们会发现三波力量，它们的商业化情况是各不相同的。

一是研究机构及其衍生公司。

AIGC 模型需要在大量数据集上进行预训练，耗费大量资源成本，这类基础模型（foundation models）的主要缔造者之一，就是科研机构，比如 OpenAI（GPT-3、ChatGPT、DALLE 等）这样的非营利性研究机构，或是中科院自动化所（紫东太初大模型）这样的科研院所。

这类组织几乎没有商业化的紧迫困扰，因此能够将主要精力放在技术突破上，从而缔造出强大的基础模型，后续可能像云服务商一样，采用按量或按需付费来提供服务。

对于这类组织来说，To C 市场虽然流量庞大但付费能力有限，意义更多体现在帮助模型迭代与优化。真正可行的商业化，应该是通过 ToB 市场服务产业，通过提供 API 来实现规模经济；抑或是凭借研究型组织的中立性，承接一定的政府 ToG 项目，AI 作画在数智化项目中的应用前景，承担一定的探索任务。

以中科院自动化研究所研制的紫东太初大模型为例，就具备"以图生音"、"以音生图"等多模态生成能力，目前主要应用在产业场景，如智能座舱、工业设计、文旅、手语服务等领域。

二是大型科技企业。科技巨头们积极投入大模型的研发，主要目的是看到大模型作为基础模型，将是 AIGC 经济的新一代基础设施，大型科技企业往往会因为拥有大量数据而在产品上占据优势，薪资和工作环境更容易吸引精英技术人才，因此，通用类生成模型越来越向头部企业集中，谷歌、Meta、百度、腾讯、华为等企业都在积极投入。

大型科技企业在 AIGC 领域的成功占位，能够吸引大量 AI 开发者和 ISV 服务商汇聚到自己的生态上来，构筑活跃的商业氛围。那么，在生态搭建起来之后，到底去哪里收钱呢？

目前来看，AIGC 的商业模式非常符合 AI to B 模式的发展逻辑，甚至可以说是必然选择。首先，基础产品 + 项目制。

To B 市场有各种层次，其中一些营收合理的项目，主要还是智慧城市、交通改造之类的项目，其中大型科技企业有着先天的技术优势、品牌优势、执行能力，由其作为牵引来为大型项目提供集成式、定制化的 AIGC 能力，从而实现研发回收。

另一种则是基础产品 + 云服务。通过 API 提供基础模型能力，将自身 AI 能力经由大量下游企业，嵌入到各行各业的应用场景中去，解锁更多 AIGC 的产业价值，也能带动科技企业自身的云服务、算法、技术解决方案的增长。

大型科技企业的商业化挑战，则来自其通常会吸引管理者的严格监管，以及来自大众的道德审查和伦理监督。

比如大型企业的 AI 作画软件如果出现违规使用艺术家的画作进行训练，必然会引发舆论的风波；在一些地区，谷歌、Meta 都因数据的不良使用而被开出过巨额罚单，目前对大型科技公司开发和部署 AI 的监管也在加强。

三是中小和初创企业。不是所有企业都需要自己训练和开发 AIGC 大模型，一家科技巨头也不可能通吃所有算法模型，随着上述两类组织将基础模型和资源开放出来，AI 作画的部署成本逐渐降低，大量中小企业和初创团队可以在通用大模型的基础上，探索新的商业模式、产品或服务，形成单一平台 / 模型 + 大量企业 + 无数开发者的 AI 软件生态。

对于这类企业来说，由于时间和资源有限，通过调用 API 再创新，快速构建定制化的产品和服务，快速响应市场需求，获得收入。比如 AI 作画火爆之后，就有大量由个人开发者或初创企业开发的 AI 绘画小程序和工具相继上线。

这类企业容易产出明星应用，比如前不久的意间 AI 绘画小程序，11 月 11 日单日用户增加 65.7 万人，火爆程度可见一斑。但 ToC 应用的核心挑战是使用场景单一，一旦用户兴趣退潮，拉新和运营成本会陡然增长，产品必须重新探索增长方式。资本市场的退出通道，即通过上市 / 收购 / 多轮融资来完成退出，这条路径在今天已经变得非常艰难了。

另一个可能率先火热起来的市场则是企业服务，与垂直行业相结合，基于基础模型形成标准化程度高、成本与回馈模型成熟的 ToB 垂类解决方案。从这一年来的市场反响来看，AI 作画的垂类应用，会率先在创意设计、电商、工业设计、建筑、城市改造等行业火爆起来，主要表现在繁琐美工任务的自动化生成，通过软件收入、服务费、订阅费等形式来获得商业变现。

显而易见的是，当这三类企业：科研机构、大型科技企业、中小型及初创团队，都能够在 B 端产业场景中，找到适合自己的利基市场，形成规模效应，那么就意味着 AIGC 商业化周期真正打开了。

2023，AIGC 能开始赚钱吗？

2022 年，一个个 AIGC 模型横空出世，获得了极高的活跃度，也孕育了一个新的市场版图。那么，2023 年，AIGC 模型们可以开始赚钱了吗？

今天来看，大模型持续涌现并不断迭代，AI 基础设施愈发完善，技术企业和开发者的热情也非常充沛，但与广阔的产业世界还有着一定的信息差，不缩短二者之间的差距，AIGC 商业化就不会到来。只有当 AI 作画模型的应用者数量，以及应用场景的深度，达到一定的规模，才意味着企业服务的 To B 长尾市场被彻底撬开。

从前文中大家可能看到，通过基础模型和 API 来构建新一代基础设施的机构和科技企业，是 AIGC 产业的根基，那么在接下来的 2023 中，这类机构和企业就需要承担起加速 AIGC 商业化成熟的任务。

如果顺利的话，我们会在未来一年中，看到：

1.AIGC 产品工具化。

目前，一些 AI 作画大模型的应用门槛依然偏高，大范围应用还有非常多的挑战，二手交易平台上还出现了"代跑 AI 绘画"服务，可以帮助客户使用海外 AI 作画软件来生成作品，抑或是优化关键词，来生成更准确、更合理的作品。而未来，AI 作画这类大模型会将能力封装得更加完善、简单、易用，并与垂直行业知识、多样化算力资源等横向、纵向打通，以满足各类型开发者和企业的应用需求，以最低成本完成 AIGC 能力的调用。

2.大模型技术自主化。

AIGC 应用与数智化相结合，在目前阶段还非常新颖，也充满想象。比如基于 AI 大模型生成城市交通设计方案、城市绿地规划等。一旦进入产业规模化应用阶段，就需要面临一个问题，基础模型是所有 AIGC 应用的支撑，而一些海外大模型如 OpenAI 系列是不支持大陆地区访问的，当大家都在为 GPT3.5、ChatGPT 而感到震惊时，也不能忽视软件上"卡脖子"的味道。

2023 年，AIGC 要与产业智能化相融合，还要解决底层模型安全、可控、领先的问题，变得愈发紧迫。

3.产业链趋于完善和顺畅。

2022 年，我们看到的是各种 AIGC 模型的你追我赶、争奇斗艳，要将 AIGC 从小众需求变成大众需求，进一步提升 AIGC 的商业空间，靠的不是某一个模型的一呼百应，而是开发者、ISV 服务商、云厂商、互联网公司、传统企业等产业链角色，都能够与 AIGC 对齐，知道自己应该如何用好 AIGC，如何找到 / 卖出自己所需要的 AIGC 产品。

目前，AIGC 领域的产业集中度还比较低，应用场景也较为单一，既需要基础模型的企业来教育市场、构建典型案例，也需要大量代理商、云服务商来推动供需匹配，开发者充分释放脑洞和创意，挖掘 AIGC 实际场景…… 这些都需要一个完善且顺畅的产业生态体系。

4.行业标准和伦理基本形成共识。

一致认可的行业技术标准，是 AI 商业化的重要推动者。尤其是 AIGC 这样涉及个人创作的领域，在模型训练与开发过程中可能缺乏透明度和可解释性，必须采取额外的努力来培养公众的信心，避免因数据滥用、版权问题而造成 AI 技术的不信任。

对此，基础模型的开发者更有能力与责任去推动行业技术标准和市场规范的建立，一来，可以减轻后续商业化的长期风险，避免修改可能导致的成本；二来可以在早期就建立开发者 / 代理商 / 用户对 AIGC 产品的信任，确保产品符合伦理规范与法律法规；三来，技术标准也有助于竞争力的建立，为后续市场活动建立边界。

2022 年，AI 作画引发了大量个人艺术家的抵触和担忧，版权问题目前还没有明确的共识和定义，这一点有望在 2023 年通过行业标准、规范与共识而带来改变。

AIGC 的商业化繁荣，本质上是构建一个从实验室到产业地带的 AI 落地通道。只有将上述基石一个个搭建好，完成商业化所需要的前期准备，才能真正迎来规模化大爆发的"奇点"。

本文来自微信公众号：脑极体 （ID：unity007），作者：藏狐