爆米花独角兽独家翻译

Jill Chase（合伙人）@ Capital G 的核心观点

为何 AI/ML 突然受到广泛关注？

●过去几年中，硬件改进、资本和计算资源的可得性、新的模型架构以及数据激增，使机器学习的能力实现了跨越式提升。Chase 指出：“首先，更多专门为机器学习设计的硬件显著提升了其性能。其次，风投资本的兴趣增加，加上云计算带来的可扩展计算资源，使得获得资本和计算资源变得更为容易。虽然成本仍然较高，但其价格已在下降，并有望继续降低。第三，新的模型架构，特别是 Transformer 模型，提升了性能并降低了成本。最后，数据的激增极大地优化了模型训练和特定性。”

AI 转型带来的有趣商业模式

●下一代 AI 的真正优势在于可以广泛应用于所有软件类型，包括：

• 为消费者与 AI 互动提供支持的消费级软件：Chase 表示，“例如，智能聊天机器人可以帮助消费者购物，或者类似 Character AI 这样从 Google Brain 衍生的产品。消费者与 AI 的交互方式发生了根本性变化。”

• 面向软件开发的应用程序：由于软件工程师昂贵且难以聘请，这一领域蕴含巨大潜力。“如果你能构建一个性能更高、成本更低的模型，帮助自动完成或辅助代码编写，那么 ROI 和成本方面将得到显著提升。”

• 迅速提升现有技术栈价值的企业软件：“随着开源机器学习模型的增多，大公司将依赖 AI 功能来增强其产品的竞争力。”Chase 举例道，典型应用可能包括客户支持，或在 Canva 或 Figma 等应用中嵌入 AI 功能。

●Chase 将 AI/ML 生态系统按交付模式分为两个主要类别。每一类的提供商都会通过“自建 ML（BYOML）”或“ML 即服务（MLaaS）”来交付软件：

• BYOML 产品：为机器学习工程师提供创建自身机器学习应用的工具。BYOML 涵盖了整个服务价值链，从模型选择、数据收集到训练和模型管理。过去三至五年中，许多公司应运而生，专注于价值链的不同部分，但它们的长期愿景是为机器学习工程师构建一个平台。

• MLaaS 产品：抽象出基础设施，直接提供机器学习的输出。Chase 将 MLaaS 细分为三个子类别：

1. API 建模（如 Cohere 和 GPT-3）：这些公司构建大型基础模型，并通过 API 向其他公司提供模型，以供开发最终应用。

2. 基于 API 构建的终端应用（如 Jasper 和 Copy.ai）：它们专注于模型微调或用户工作流程的优化。

3. 全栈应用（如 Character 和 Adept）：这些公司不仅构建自身基础模型，还在此基础上开发用户应用。Chase 认为，模型和训练数据越贴合最终用途，最终产品的效果越佳。

潜在的挑战

●在技术与可持续商业模式之间，存在显著差异。Chase 担忧，大量资本以高估值流向新技术，却未充分关注可持续的商业模式。“近来资本的涌入和领域热度的提升，使得许多初创公司获得了巨额融资。这本身不是问题，但确实带来了一些挑战。”她指出，“考虑到计算成本的高昂，找到合适的商业模式尤为重要，而这类公司的成本结构与 SaaS 应用的不同之处很大。我担心，在各方资本蜂拥而入的背景下，一些公司可能会忽视先期建立可行的商业模式，而这将导致后期难以调整。”

投资者的见解

“过去十年，AI/ML 领域的技术进步为未来十年的实际消费者和企业用例带来了巨大机会。尽管这场变革是数十年研究与创新的成果，其实际应用仍处于早期阶段——这正是创始人和投资者对该领域充满兴趣的原因。”

“我们将该领域划分为两个类别，主要按交付模式区分，即‘自建 ML（BYOML）’和‘ML 即服务（MLaaS）’。BYOML 公司专注为机器学习工程师构建工具，以便他们能够创建自己的模型和应用，主要面向大型企业销售。MLaaS 公司则抽象出基础设施，为消费者和公司提供模型的直接输出。”

“尽管两种方法各有优缺点，但我认为两类中都会诞生大型企业。它们在构建方式、最终客户群和商业模式经济性上存在根本差异。”

Q&A

问：如何区分全栈公司与改进型应用提供商？

答：全栈提供商具备两个优势（若单位经济性有效）：其一，他们可以针对特定数据训练性能更高、成本效益更强的模型；其二，他们获得了更强的数据飞轮优势，能从使用情况中收集数据并立即优化模型。

这也意味着从头开始训练这些模型既难又贵，必须明确用例能为最终客户带来 ROI，才能使商业模式有效。应用提供商通常借助现有模型，侧重于优化用户工作流程，因此上市速度更快，但长期来看可能面临单位经济性和差异化的挑战。

一旦这些应用提供商获得足够的专有数据，他们的平台便可利用该数据训练自身的小型模型，从而逐步转向全栈模式。

问：应用层公司能否通过微调或专有数据实现足够的差异化，从而转型为全栈提供商？

答：当前我们看到的是模型 API 提供商、微调模型的应用层公司，以及构建自己的大语言模型和用户界面的全栈提供商。

我预测，最佳的应用层公司将在以下方面有所突破：（1）通过数据收集和模型微调实现差异化，或（2）开发特别复杂且具有较高转换成本的工作流程。

这是必然的，因为从差异化角度看，如果多家公司都基于相同的 GPT-3 模型构建 UI，将缺乏竞争力。差异化至关重要，因为推理成本较高，这对应用层公司形成价格压力。如果公司不掌控后端基础设施和模型，承受的成本压力会更大。

当前这一领域仍在早期阶段，技术变革性强且机会巨大，因此我们在观察其发展动向。

“由于 AI/ML 大部分为开源，技术娴熟的现有企业将受益匪浅。如果消费者期望将 AI 作为现有技术栈的补充功能，现有企业将具备先发优势。”

未来发展方向

终端用户的偏好将在决定该领域价值流向现有企业还是新兴独立公司方面发挥关键作用。“因为 AI/ML 大部分为开源，因此技术成熟的现有企业将积累大量价值。”Chase 表示，尽管该领域足够大，可以支撑独立的大型公司，但在若干类别中，终端用户的偏好将决定是新公司还是现有企业占据优势。“若消费者需要一个 100% 的解决方案，将有机会诞生一家大公司；但若消费者仅需要 80% 的解决方案或作为现有技术栈的补充功能，现有企业将更具优势。例如在 AI 软件工程领域，开发者关注的是最佳模型、AI 代码辅助或软件助手的优劣，而不在意是否与 GitHub 关联。”