现在在国内有想要做这个AI方面的这个创业，我能做一些什么呢？

接下来，让我们把目光转向数据这个同样关键的要素。在人工智能的世界里，数据就像是原油，而高质量的数据则是精炼后的汽油。虽然OpenAI训练大模型所用的中文数据也源自中国的互联网平台，但他们在数据处理上的额外努力，就像是将粗糙的原石打磨成璀璨的钻石。这种数据质量的提升，远非简单的数据标注工作所能企及，而是需要一支专业团队进行深度的数据清洗和精细整理。然而，在中国的AI创业生态中，高质量的数据处理服务就像是稀缺资源。在国内，数据获取的门槛相对较低，这看似是一个优势。然而，虽然数据获取容易，但高质量数据的获取却是另一回事。国内的大模型主要以中文数据为基础，这看似是一个自然的选择。但业内普遍认为中文互联网数据的质量相对较低。这种情况让人想起了信息论中的"垃圾进，垃圾出"原理。如果输入的数据质量不高，那么即使有最先进的算法，输出的结果也难以令人满意。这个现象在IT从业者的日常工作中得到了印证。当需要搜索专业信息时，他们往往会首选Google、arXiv或Bing等国际平台，而不是国内的搜索引擎。那么，可能有人会想：“那我买点优质数据不就完了吗？”但对于许多公司，尤其是初创企业来说，这笔投入看似是一个风险过高的赌注。更不要考虑到找到一个好的数据供应商是万里挑一的概率了。这个风险，创业公司很难担的起。如果大规模投入后，模型效果不如预期，那么这笔投资就像是泥牛入海。因此，许多公司选择了一条看似更安全的路径：直接使用开源数据进行训练，然后匆忙召开发布会。更有意思的是，在国内的AI领域，这份"黄金"似乎变成了一个难解的谜题。正如一位大厂AI线的负责人所言，"在中国，你能拿到的数据，别人也能拿到。"

训练底层世界大模型需要十亿美元级别的投入，以及万张GPU卡，除了BBAT几家大厂之外，其他公司都是很难的。连大佬带领的智谱、Minimax、月之暗面、百川这些头部创业公司也都会在下一轮融资时遇到不少挑战。这也是为什么大多数国内公司都急着先推出产品，而无法完全集中精力专攻大模型的原因。第二梯队里那些挂着世界模型“羊头”的公司们，仔细看下来，基本卖的都是<路线二>的“狗肉”。另外，即使是大厂，在一年时间内可以挑战OpenAI的也只有Google的Gemini。Meta的LLama还只是个半吊子；Amazon、Apple、Tesla也都没有特别好的进展；国内的BBAT似乎差得更远，目前还没有人敢说全面达到ChatGPT3.5的水平。那退一步，在现在的时刻，哪些是一般创业者可以做的呢？暂时想到的也只有“唯快不破”：尽量低成本、高速度地在一些比较小的赛道中不断尝试，不求做出全民产品，而是去低成本地把握那些小的细分赛道。最后，要记住的是：在这轮AI大潮中，新技术加速迭代是常态；我们不能期望在“技术稳定”时再出手，因为永远都等不到。Image:"AI Entrepreneur",with Dall-E

以下举市面上的100个应用AI的产品,并简单概括项目使用的技术、应用场景,项目主要涉及以下几方面:1.辅助创作与学习：如AI智能写作助手帮助用户快速生成高质量文本；AI语言学习助手、诗歌创作助手、书法字体生成器、漫画生成器等为用户的学习和创作提供支持。2.推荐与规划：包括AI图像识别商品推荐、美食推荐平台、旅游行程规划器、时尚穿搭建议平台、智能投资顾问等，根据用户的需求和偏好为其推荐合适的产品、服务或制定个性化的计划。3.监控与预警：如AI宠物健康监测设备、家居安全监控系统、天气预报预警系统、医疗诊断辅助系统等，实时监测各种情况并提供预警。4.优化与管理：涉及办公自动化工具、物流路径优化工具、家居清洁机器人调度系统、金融风险评估工具等，提高工作效率和管理水平。5.销售与交易：有AI艺术作品生成器、书法作品销售平台、摄影作品销售平台、汽车销售平台、房地产交易平台等，为各类产品和服务提供销售渠道。总之，这些AI轻创业项目为创业者提供了丰富的选择和广阔的发展前景，创业者可以根据自己的兴趣、技能和市场需求，选择适合自己的项目进行创业。