随着多家大模型产品宣布通过备案正式向公众开放，大模型生态的竞争也变得愈发激烈。无论是底层大模型能力增强，还是垂直领域大模型还是相关应用生态的落地都有了更多想象空间。
摩根大通在此前发布的AIGC研报中也指出，中国生成式AI发展处于早期阶段，即将迎来大规模消费者应用。摩根大通亚洲TMT行业研究联席主管姚橙在接受界面新闻专访时表示，由于AI可落地的场景众多，因此无论是巨头企业还是初创公司都会有其生存空间，只是所需面对的风险大小或有所不同。
算力、算法与数据是大模型研发过程中的重要要素。大模型训练热潮使得算力需求上升而硬件设备产能有限，使得算力的供求关系发生了变化。大模型时代下，智能算力已经成为至关重要的稀缺资源。
姚橙认为，随着底层大模型市场的整合，部分厂商可能会被边缘化，来自训练端的算力需求会减少，但是在AIGC产品开始落地后，来自终端的调用需求会随之上涨。从长线来看，市场上对芯片的需求还是会持续走高。
而回归厂商之间的竞争，大模型的理论框架、OpenAI的工程方向大多处于公开状态，在姚橙看来，算力及算法方面的挑战可以约等于时间、资金方面的投入，现阶段更为重要的竞争要素在于数据。
相较于全球范围内可用的英文数据，中文数据在广度与深度上都存在着一定的差距。这就意味着，如果大模型厂商具备适合的落地场景、在某些具体的场景上具有独家数据访问权限，那么对应大模型产品就可以在落地过程中获取新的数据反哺模型，实现正向迭代。
在访谈过程中，是否具备落地场景这一点被姚橙多次强调。“对于大公司，尤其是大型互联网公司，他们往往都有AI可以落地的场景，那么在对外输出产品之前就可以先在自身场景上先做优化，”姚橙说，“一方面加强主营业务，另一方面也可以产生正向利润，以战养战。”
事实上，如阿里巴巴、百度等参与者也已经开始将自身大模型产品融入原有业务体系内，阿里巴巴新CEO吴泳铭更是打出了“让阿里巴巴各业务的用户场景都变成AI技术最佳的应用场”的口号。
至于行业内的初创公司，姚橙认为在大模型应用层同样存在着生存空间。在他看来，AI可能落地的场景很多，初创公司在某个垂类做创新、做定制化也会有回报的机会，只是所面临的不确定性与风险会比大公司更大一些。
类比SaaS行业的发展，由于人力成本相对较低，中国企业在节约成本与创收两者之间会更加侧重于创收，因此姚橙也建议AIGC产品在ToB端落地时，首先要找到合适的落地场景，其次在落地时可将重点放在创收方面。
在此前发布的研报中，摩根大通将中国生成式AI价值链分为4个层级，依次为硬件基础设施、通用LLM、垂直领域LLM、LLM应用。从终端用户规模的角度来看，摩根大通预计，沿价值链向上，潜在市场以及未来财务前景可预见性下降，而单用户变现可能增加。从投资角度来看，垂直领域LLM层级较通用LLM风险更高，可提供的回报也更高。
但需注意的是，AIGC产品的商业化路径与互联网产品并不完全一致。互联网产品前期变现往往做得很轻，直到用户产生黏性后再开启付费，但这一逻辑似乎并不完全适用于AIGC类产品。
姚橙告诉界面新闻，上述互联网产品服务客户的边际成本很低，如游戏产品新增用户后可能只需支付电费及带宽服务费，但大语言模型所生产的内容都需要实时计算、支付算力成本，因此整个行业的商业化进程可能会快于互联网产品。
