VC進軍生成式AI，機會到底在哪裡？

圖片來源：由無界版圖 AI 工具生成。

筆者最近參加了The Generalist的線上會議，也發現很多創業者和風險投資機構在關注AI（人工智能），特別是生成式AI，機緣巧合又讀到一篇不錯的文章，本文的作者是Elad Gil，他最早在谷歌公司一直負責AI業務，之後創業的Mixer Labs 被Twitter收購，他也是AirBnB, Airtable, Coinbase, Flexport, Gusto, Instacart, Opendoor, Optimizely, PagerDuty, Pinterest等公司的投資人。本文寫了他對最近這波AI浪潮的思考，特彆強調這波他所看到的機會到底在哪，和之前有什麼不同。*本文部分內容由筆者和幾位領域專家進行了註釋。*本文版權歸Elad Gil所有，翻譯僅供大家學習。轉載請掃碼添加後台微信二維碼，轉載請註明來源，且附上本文的所有參考文獻鏈接。

作者 | Elag Gil 翻譯&分析：阿法兔‌

內容大綱&亮點

原文鏈接：
http://blog.eladgil.com/2022/10/ai-startup-vs-incumbent-value.html

*本文5000字左右

1.AI領域初創公司與成熟巨頭的價值捕獲情況

相比之下，加密領域（Web3）基本是100%的初創企業（比特幣、以太坊、Coinbase、Binance、FTX等）捕獲行業里的所有價值，已有的成熟金融服務或基礎設施公司很少參與加密領域價值創造。

2.為什麼之前AI浪潮中，初創公司捕獲的價值並不多？

3.這波AI浪潮的不同之處在哪，機會在哪

不過，現在是否是AI初創企業起飛的時刻，一個關鍵點取決於GPT-4（或其他API平台）是否比GPT-3/3.5有明顯的性能優勢。

這一波人工智能的應用場景，在哪些領域表現最好？例如具備高重複性、高報酬的任務（寫代碼、營銷文案、網站圖像等）

4.市場規模

AI：初創企業與成熟企業的價值捕獲

人工智能：初創企業與成熟企業的價值

在每次科技技浪潮中，初創企業與成熟企業所獲取的價值、收入、市值、利潤和優秀人才都有所不同。在部分科技浪潮中，所有的價值都可以由初創企業捕獲，而在其他浪潮中，則大部分價值會歸成熟企業所有，或者會在初創企業與成熟企業之間進行分配。

但是，令人出乎意料的是，儘管之前有很多人工智能的創業公司努力前行，但上一波人工智能的價值，大多都歸於成熟企業而非創業公司。

本篇文章探討了這一動態，並試圖推斷當前的無監督學習浪潮（unsupervised learning wave of AI）浪潮將給創業公司帶來更具價值的成功，以及成熟企業能從這波浪潮中捕獲哪些價值。

什麼是無監督學習？什麼是監督學習？

監督學習是根據已有數據集，知道輸入和輸出結果之間的關係，然後根據這種已知關係訓練得到一個最優模型。也就是說，在監督學習中，我們的訓練數據應該既有特徵又有標籤，然後通過訓練，使得機器能自己找到特徵和標籤之間的聯繫，然後在面對沒有標籤的數據時可以判斷出標籤。在監督學習的範疇中，又可以劃分為回歸和分類。

無監督學習和監督學習最大的不同是監督學習中數據是帶有一系列標籤。在無監督學習中，我們需要用某種算法去訓練無標籤的訓練集從而能讓我們我們找到這組數據的潛在結構。無監督學習大致可以分為聚類和降維兩大類。

參考資料：https://zhuanlan.zhihu.com/p/376931561

在第一次互聯網浪潮中，大部分價值被初創企業（谷歌、亞馬遜、Paypal、Ebay、Salesforce、Facebook、Netflix）獲取，而成熟企業（微軟、蘋果、IBM、甲骨文、Adobe）獲取了其他部分的價值，上一波的成熟科技企業，將自己的獨特經營能力延展到互聯網大潮之中，初創企業與成熟企業獲取價值的比例大概是60:40或70:30。

在移動互聯網時代，大部分價值都歸於今天的成熟企業（蘋果、谷歌，以及成熟企業所打造各類應用的移動版本，例如Salesforce公司這樣的移動應用，仍需要依託iPhone的Appstore，而創業公司（Whatsapp、Uber、Doordash、Instagram、Instacart等）仍然會有一些價值捕獲機會，這裡的價值捕獲比例，創業公司和成熟公司大概占的比例為20:80。

當然，也許加密貨幣中最大的成熟企業參與者是AMD或NVIDIA這樣的芯片公司，其芯片有時被用於加密挖礦。

(請注意，我們這裡指的"初創公司 "一詞，是指基於特定的科技浪潮而開始的新公司，或由特定的浪潮加速發展的新公司。因此，相對於諾基亞公司來說，蘋果是移動領域的顛覆者，但它並不是一個開始製造移動設備的全新公司）

為什麼之前的人工智能浪潮之中，初創企業捕獲的價值並不多？

為什麼之前的人工智能浪潮之中，初創企業捕獲的價值並不多？

機器學習領域存在一個奇怪的現象，第一波價值（例如機器視覺、RNNs、CNNs、early GANs、深度學習）基本完全由已有的成熟科技企業捕獲。

儘管雖然過去十年有許多號稱 "頂尖人工智能 "的公司（prior to the current transformer and unsupervised learning revolution），但是，真正大規模的人工智能應用落在了谷歌、Facebook（新聞和廣告）、Tiktok（Bytance）、Netflix（視頻推薦）、亞馬遜（Alexa）的市場和領域。

迄今為止，第一波人工智帶來的最大成果可能是自動駕駛汽車公司，其中許多是目前以及非常發達的科技公司的子公司（分別是谷歌、通用和特斯拉），或在新冠疫情大流行時代的產生的金融狂熱通過SPAC上市的公司。

我們發現，除了其他幾家值得注意的公司之外，整個之前一波人工智能浪潮之上的公司，表現都相對平淡：

為什麼上一波人工智能初創公司的市場佔有率這麼低？這裡探討一些假設：

1. 技術可以創造0.5-3倍好的產品，而沒有做出來10倍優秀的產品（？）

有一種假設是，儘管上一波人工智能浪潮確實創造了更好的產品，但並沒有好到可以擊敗成熟企業已經構建好的剛性市場格局。作為初創公司，要想打敗成熟企業，通常需要建立一些具備顯著優勢的產品，以克服成熟科技企業在資本、渠道、現有產品護城河的強大優勢，或者創業公司需要專註於全新的客戶群或渠道，打造自己的護城河。

也就是說，如果成熟企業出於某些原因無法提供細分服務，就可以嘗試去切這塊空白的市場。一般來說，初創公司需要打造一個10倍優秀的產品。上一波人工智能浪潮，在某些情況下是好的，但在產品改進方面優勢並不是足夠明顯，或者創造了足夠的差異化。

2. 數據差異化和優勢，在過去比現在更重要（？）

迄今為止，人工智能技術的諸多大規模的應用場景是在以消費者為中心的公司，這些科技公司（谷歌、Facebook、Uber等）擁有大量的數據集來進行訓練。也許成熟科技公司通過自己的數據優勢而獲勝，但是，這種優勢現在正在逐漸消失。

因為很多公司開始使用更廣泛的互聯網作為初始訓練集，並且正在趨向切換到相較使用小數據模型、且更具魯棒性的模型。也許在之前的人工智能時代，數據集更重要，但是今天想要訓練出來一個像GPT-3這樣的模型，斷網自己埋頭訓練是非常難的

為什麼？因為超大數據的成本太高，高到投產比已經不是線性關係，是指數關係

也許在之前的人工智能時代，數據集更重要，而且今天想要訓練出來通用模型例如GPT-3，是非常困難的。

（*本段感謝張博士和汪工的註釋）

3. 難以挑戰的市場格局（？）

許多（但不是全部）公司選擇競爭的領域要麼已經有的成熟老牌企業，可以“直接在已有業務+AI”，要麼從市場結構角度，並不容易突圍，已有的成熟企業可以只做到50%的好就OK，只要這些老牌企業將AI與已有的核心的受歡迎的產品捆綁在一起，因為他們客戶基數龐大，仍然可以獲勝（例如，Teams與Slack）。

許多之前的人工智能創業公司面對的市場還是很難進入的，例如包括教育或醫療保健等行業，在這些市場中，技術創新往往被已有的市場結構、監管或已經進入該領域的老牌企業打壓，他們不一定會重視實際的最終用戶需求。

舉個例子，1970年代斯坦福大學的Mycin項目很能說明這個問題：程序員開發了一個專家系統，在預測病人感染了什麼疾病方面可以勝過斯坦福大學的傳染病醫務人員，但儘管這個系統性能優越，卻沒有被應用。進入有些市場本身就充滿困難的，即使加入機器學習技術能夠使效能等要素優化10倍，它也可能因為各式各樣的原因而沒有被採用。

4. 其他原因（？）這塊我們可以繼續探討。

本次這波人工智能浪潮會有所不同嗎？

那麼，本次的人工智能浪潮會有所不同嗎？

筆者已經在人工智能產品領域工作了很長時間。15年前，我在谷歌從事廣告定位工作（除此之外，我還在那裡開闢了許多移動互聯網方面的工作），然後有一段時間在Twitter從事搜索產品的工作。我也是Color公司的聯合創始人，我們一開始專註於大數據、機器學習等等，並且筆者在10多年前就開始投資了人工智能相關的公司。

本次浪潮的不同之處：

1. 更具備優勢的技術正在多個領域湧現：

當前AI技術浪潮的一個顯著特點，是許多領域的創新速度在加快。未來類似GPT的語言模型(GPT-4?GPT-N?)大概率會以深入的方式提高消費端（C端）和To B端的自然語言的能力、保真度和覆蓋面，並有可能改變從人類互動(例如基於對話的互動?)到人們日常工作(通過垂直方式，為任何觸及文本的事物提供輔助駕駛)等等場景。

與此同時，圖像生成、語音到文本、文本到語音、音樂、視頻和其他領域的創新進展也在同步進行。大家可以發現例如圖像生成的4-5個明確的商業用例，不管是從各類設計工具的迭代版本，再到電影製作的工具。

在這些應用案例中，哪些是初創公司能與現有公司的競爭中勝出的，還有待觀察，但大家可以根據目前成熟公司的實力或靈活性來嘗試預測未來的格局。

我們發現，這次AI技術能力和優勢正在大大增強了，這就意味着更容易創造出10倍以上優勢的產品，來滿足現有需求。

不過，現在是否是AI初創企業起飛的時刻，一個關鍵點取決於GPT-4（或其他API平台）是否比GPT-3/3.5有明顯的性能優勢。儘管GPT-3似乎很有用，但還沒有 "突破性 "地發展到可以讓大量初創企業能發展成為巨頭企業的程度。

當然，這也可能只是意味着自它目前還處於早期。然而，一個比GPT-3好5-10倍的模型應該能夠創造一個全新的創業生態系統，同時也可以賦能現有的產品。但是僅僅對GPT-3有1.5到2倍的改進，可能不足以引起真正的擇時投資節點的轉變。

2.新技術意味着初創公司可以為行業的其他部分提供有價值的基礎設施：

與之前的人工智能創業浪潮不同，目前有一組明確的以基礎設施為中心的公司，具有廣泛的採用和快速增長的應用場景：包括OpenAI，Stability.AI，Hugging Face，Weights and Biases等等。

儘管這類公司的收入的優秀表現還不是特別明顯，但它們的商業模式還是很有潛力的。

例如，OpenAI現在是市場的領袖之一，4年前，谷歌的優勢更為明顯。但是，谷歌並沒有利用自己在人工智能方面的許多優勢，這一點非常令人震驚，儘管谷歌擁有所有的人才、數據和各種各樣的優勢，為整個行業奠定了開創性市場，然後出現了一家叫做的OpenAI初創公司出現，它好像蘋果公司對手機行業一樣，繼續推動行業的發展。

同樣，HuggingFace、Weights and Biases和其他公司正在為人工智能行業提供工具，而現有的開發工具公司至今還沒有做到他們這個程度。

3.有明確的應用案例，但市場上成熟企業在這些應用領域並不強大（有空白市場）。

一些最早的應用案例和初創公司，例如營銷文案（Copy.AI或Jasper）、圖像生成（Midjourney、Stable Diffusion等）和代碼生成（Github Copilot、Replit）正在看到不錯的應用和業務增長，這種趨勢，在之前的AI浪潮中是不存在的。

總的來說：這一波人工智能的應用場景，在以下領域表現最好：