夜雨聆风昨天（5.13），腾讯和阿里都发布了季度财报，晚上的管理层电话会议，所有问题都是AI相关，腾讯的管理层做了很细致的回答。汇总一下，作为这个时间节点关于AI的一个快照。
Q1：AI基建-GPU和CPU的供应
马化腾（腾讯CEO）：大家可以预期资本支出将出现大幅增加，特别是在今年下半年，因为我们将逐月获得更多中国本土设计的 ASIC（专用集成电路，此处泛指 AI 芯片）供应。
James（腾讯首席战略官）：关于你提到的 GPU、CPU、网络芯片等各种硬件瓶颈的问题。
首先回顾一下背景。为什么之前在中国的 GPU 瓶颈比全球其他地方要严重得多？这是两方面原因叠加的结果：一是针对将某些国外设计的高端 GPU 进口到中国的政策限制；二是中国本土设计的 GPU 在国内代工厂（Fab）面临严重的产能不足。这导致了国内一度极度缺乏 GPU 或 ASIC 算力。但目前这个问题正在被解决，因为中国本土设计的 ASIC 正在从国内以及周边国家的代工厂获得越来越多的产能供应。
相比之下，我们在 CPU 或网络芯片方面，并没有面临这种人为的额外限制。
在 GPU 成为数据中心的绝对主角之前，我们早就已经是 CPU 和网络芯片的超级买家了。我们与这些芯片供应商保持着极其长久的战略合作关系。
从供应商的角度来看，你可能会认为他们现在会坐地起价，直接把芯片拿到现货市场上卖出最高价。但实际上并非如此。聪明的供应商都非常有前瞻性，他们会看未来 3 到 5 年的趋势，并通过签订长期协议来锁定未来几年的确定性收入。
当他们在决定和谁签署这些长期协议时，他们倾向于寻找多个合作伙伴（而不是把鸡蛋放在一个篮子里），并且他们会优先寻找那些已经合作多年、未来还会继续合作很多年，且需求量被证明会随着时间推移大幅增长的长期买家。
很幸运，我们完美契合了他们的所有筛选标准。多年来，我们一直是英特尔、AMD 等公司的超级大客户。我们一直从他们那里持续、逐步地扩大采购量，并且他们相信我们未来很多年都会继续这么做。
所以，在硬件采购端，我会说，之前的挑战主要集中在 GPU 上，而这些挑战目前正在被化解；至于 CPU 和网络芯片，我们一直都能确保极其稳定的供应。
Q2：AI训练
刘炽平（腾讯总裁）：如果你拆解混元 3，你会发现我们全面重组了团队、生产流程、底层基础设施（Infra），以及构建顶尖模型的所有核心模块（Modules），包括你指出的数据管道、预训练、后训练、强化学习以及评估体系（Eval）。我们实际上是刻意先构建了一个参数规模相对较小的模型，用来系统性地验证所有这些底层技术点是否跑得通。所有这些技术模块聚合在一起的结果是：混元 3 预览版在其同等级的参数规模下，表现得极其出色。
我们清楚地看到，在每一个细分模块上，我们还有海量的工作可以深入去做。所以，我们对目前的初步成果感到满意。在某种程度上，连我们自己都对这次迭代的速度，以及它被证明是如此有用而感到惊讶。很长一段时间以来，行业里有很多模型在基准测试（Benchmarks）上刷分很高，但一旦部署到真实产品中，大家就开始疯狂吐槽。但当你把模型真正交给开发者和普通用户时，只有好用，人们才会去用。
如果你看看混元 3 在实际业务场景中的真实反馈，它其实大大超出了我们的预期。因此，我认为这为我们下一步将模型扩展（Scale）到更大规模，打下了一个极其坚实的系统底座。
Q3：AI投资的ROI
刘炽平（腾讯总裁）：模型训练： 这是纯粹在为未来铺路的底层投资。短期内可能不会有非常直接的回报。但随着时间的推移，这种能力的累积会带来量变到质变，它实际上能为我们解锁大量截然不同的商业机会。
AI 原生应用： 比如我们正在推出的元宝、WorkBuddy、CodeBuddy。这些产品通常会经历一个免费提供服务（抢占心智）的阶段。随着时间的推移，营收会逐渐显现——而且，面向企业端（ToB）的业务收入通常会比面向消费者（ToC）的收入来得更快。这里会有一个渐进的商业化回报周期。
云计算（算力租赁）： 如果你看的是云业务收入（即 PaaS 平台即服务，或直接出租算力），这就有一个极其清晰且直接的 ROI：你计算出硬件的折旧成本，加上一定比例的利润率，然后租出去。这条线的商业回报是最立竿见影的。
广告业务： 正如 James 所指出的，当我们把算力投资于推荐算法时，我们通常能看到极其亮眼且迅速的回报。
James（腾讯首席战略官）：如果我们购买了 GPU并将其部署到我们的广告技术底层，那就是一项相对短周期的投资。算力的提升能极其迅速地转化为更精准的广告定向、更高的点击率，并在短时间内直接转化为实打实的收入和利润。
Q4：AI的商业模式
刘炽平（腾讯总裁）：在某种程度上，在 AI 的世界里，你必须去寻找高价值的应用场景，而不是纯粹盲目地盯着 DAU。
互联网时代和 AI 革命最大的区别在于：AI 的核心是“智能（Intelligence）”，而智能的价值体现于“人们愿意为它付多少钱”。
更重要的是，智能绝不是免费的。 在古典互联网时代，你处理的大部分是现存的信息；即使你创造了新内容，那也是一笔固定成本。在内容分发阶段的边际成本极低：你只需要支付一点带宽费，而算力是白嫖在用户自己的设备（手机、电脑）上的。因此，你可以几乎无极限地追求 DAU 的指数级扩张。
但在 AI 时代，逻辑彻底变了。你每服务一个 DAU、提供每一次回答，都要消耗你真金白银的算力成本（GPU）。
正因如此，你绝不能简单粗暴地把古典互联网的 DAU 逻辑直接套用到 AI 上。 我甚至想说，“寻找高价值的应用场景（找到愿意掏钱的人）”即使不比盲目追求海量 DAU 和用户时长更重要，至少也是同等重要的。
这是极其核心的一个认知差异（Distinction）。当我们在思考如何部署我们的产品、如何将产品与模型进行协同设计时，这正是我们必须纳入考量的新变量。
刘炽平（腾讯总裁)：关于 ToC 端的商业化变现，我想说，这其实是一件非常困难的事情。
如果你看看全球标准——在西方市场，付费服务的渗透率极高，生活水平也很高。所以，西方市场数字服务的订阅价格是中国同类服务（无论是音乐还是视频）的好几倍。但即便如此，（AI）付费渗透率可能也只有个位数。所以，如果把这种逻辑应用到中国，我认为在中国市场，ToC 端的 AI 订阅模式规模不会有想象中那么大。 如果你以西方的现状作为基准，然后换算到中国市场，那个数字并不会非常可观。
但同时，收费又是极其必要的。因为正如我之前解释过的，这不像古典互联网服务，随着规模扩张边际成本会无限趋近于零。在 AI 时代，每一个活跃用户都在实实在在地消耗你变动的算力成本。
我认为这带来了一个更重要的行业启示：既然必须依靠用户付费来支撑服务的运转，那么这大概率就不会是一个“赢者通吃（Winner-take-all）”的市场。 市场最终会支撑起多个玩家，大家各自占据一部分市场份额，每个玩家都有自己特定的用户群和付费订阅基本盘。
除此之外，如果我们把电商或广告作为变现途径，我认为即使对于 eCPM（千次展示期望收入）高得多的美国玩家来说，现在也还为时过早。即使是行业领先的玩家，也还没有跑通一个非常稳健的 AI 广告模型。所以我认为，这需要放在更长的周期来看，并且它大概率是对订阅模式的一种补充。
这正是我为什么反复强调，在 AI 的世界里，当你把算力和模型应用到不同的场景时，你必须深思熟虑：究竟什么是高价值的应用场景（High-value use case）？只有这样，你才能在极度有限的算力上，获得最大的投资回报（ROI）。
Q5：AI和视频
James（腾讯首席战略官）：我认为，当你提到 AI 在“内容创作中的颠覆”时，你可能更多指的是短视频（Mini videos）或微短剧（Mini drama series），而不是腾讯视频历史上最擅长的那种长视频剧集（Long-form drama series）。
在长视频（Long-form）方面，我们看到的是：市场上有着特定两位数百分比（比如百分之十几到二十几）的用户群体极其偏爱动画内容（Animated content）。现在，随着虚幻引擎（Unreal Engine）等底层工具与视频生成式 AI 等能力的完美融合，我们越来越能够实现一件事：为游戏和动画剧集（线性视频内容）复用同一套底层的 3D 资产。 而且这两种产出，都能在其各自的细分领域里成为同类最佳（Best-in-class）的顶级产品。
在这条赛道上，腾讯绝对是一个天然的行业领导者。
因为我们拥有庞大的泛娱乐 IP 储备（如阅文集团），我们有极其强大的游戏引擎工业底座，我们有顶尖的 AI 技术实力，我们在 AI 的某些多模态领域也有着特殊的护城河。所以，正如 Pony（马化腾）在开场白中提到的，我们现在实际上已经非常明确地成为了国内制作动画剧集的绝对行业领导者。
AI 让我们能够“更快、更便宜、更好地（faster, cheaper, better）”做到这一点。 它也使我们能够将大量过去被困在“纯文本小说”或“游戏”形态中的 IP，极速转化为线性视频形态。这就彻底打宽了流量漏斗，极大地扩大了受众群体。这就是目前 AI 在内容领域带给我们的核心红利
Q6：AI和金融科技
James（腾讯首席战略官）：金融服务占据了全球 GDP 极大的比重，同时也是我们收入的极大支撑。这是一个先天极度“数据密集（data heavy）”的重资产行业。因此，随着时间的推移，金融行业理应且必然会成为 AI 生产力提升的绝佳试炼场。
如果你仔细思考那些已经被 AI 赋能并实现效率跃升的行业（比如写代码、比如精准广告定向），你会发现金融服务在不久的将来迎来全面升级是非常合乎逻辑的——因为它在底层逻辑上与代码编写、广告投放有着极高的相似特征（高度依赖数据和概率计算）。
我举个关于借贷业务的例子。
在过去，信用评分体系往往更像是一门“艺术”而非“科学”。虽然金融机构拥有海量的数据宇宙，但实际上只有极小一部分的数据被有效地喂养（fed into）给风控模型。而现在，有了基于 Transformer 架构的大模型，你可以直接把全量可用数据统统丢进去，让模型自己去找出哪些特征是具备预测性的。 基于这种预测能力的降维打击，你可以大幅优化你的贷款发放策略（降低坏账率并提升放贷规模）。
所以我认为，这是未来许多公司将投入大量时间和精力进行军备竞赛的领域，我们当然也会全力参与其中。
（长期研究苹果、伯克希尔、拼多多、茅台、腾讯。投资，就是认知变现，欢迎关注）
