爆米花独角兽独家编辑

AI 正在经历第四个炒作周期

与过去每一个 AI 时代一样，生成式 AI 为企业带来的承诺可能会低于实际实现的收益。要想成功，企业必须避免以往 AI 时代的陷阱。凭借在企业 AI 领域 40 年的职业生涯，我了解了这些困难的类型和原因，也清楚企业在应用生成式 AI 时必须做些什么来避免重蹈覆辙。以下是我的分享。

每个 AI 时代都取得了重要成功。数字设备公司的 XCON 专家系统是专家系统时代的成功，HNC 的 Falcon 系统是机器学习时代的成功，DeepMind（谷歌）的 AlphaFold 是深度学习时代的成功。

然而，这些时代都伴随着炒作周期。前两个时代的炒作周期之后是多年的“冬天”，原因是未能实现承诺的收益。

未实现的原因多种多样：有些成功的原型解决了重要问题，但无法扩展到生产级系统；有些承诺的功能成本过高或根本无法开发；还有很多 AI 解决方案成功地由企业或第三方开发出来，但所解决的问题并不重要。

鉴于对前几个 AI 时代中炒作与现实之间的差距有了深刻理解，在生成式 AI 项目中，企业必须采取以下三项行动：

AI 仍然为企业带来了巨大的价值。我们正处于一个长期趋势的早期阶段。随着生成式 AI 的炒作增加，企业在制定战略、开发和推出生成式 AI 解决方案时必须从过去的 AI 时代中汲取教训。随着技术、基础设施和数据变得普遍可用和易获取，能够理解过去经验并采取上述三项行动的企业将在新兴的生成式 AI 时代中取得成功。

企业大规模使用生成式 AI 的前夕

前面我们总结了生成式 AI 新时代，企业面临的坑。尽管很难断定生成式 AI 是否将会彻底改造所有业务流程等。但是目前美国的现状是：各公司已开始分配预算并启动试点项目。

多年来，企业一直在使用 AI 来自动化各种流程。每次自动化的目标都是提高生产力、降低成本、提高效率、改善客户体验、挖掘和增加收入。例如，机器人流程自动化已用于自动化多种后台流程，以提高生产力并降低人工成本；机器学习广泛应用于网络广告中，以提高广告效果和降低成本。

IDC 于 2023 年 10 月在北美、欧洲和亚洲进行的一项商业高管调查显示，通过 AI 增强运营效率是首要目标。摩根士丹利的一项调查显示，14% 的首席信息官（CIO）将 AI 视为公司优先事项。高盛报告称，2024 年企业 IT 预算的 3% 将分配给 AI 项目，这一比例预计将在三年内翻倍。当前大多数企业的 AI 投资规模较小，但依然至关重要。

这些预测的意义在于两点。首先，它们符合企业采用云计算的模式，意味着随着 AI 应用价值的展现，预算会像云计算预算一样逐年增加。其次，我们目前正处于企业生成式 AI 采用的早期阶段。

本次 AI 浪潮是由个人在家中试验广泛应用的 AI 应用（多为聊天机器人和大语言模型）所推动，而非公司要求。当员工在个人使用中体验到 AI 技术的好处后，会推动其在企业中围绕相关用例进行应用。这种从个人到企业广泛应用的模式与电子邮件和云计算的普及相似。

然而，今年启动的试点项目要进入生产阶段还需要时间。摩根士丹利的一项调查显示，89% 的受访 CIO 预计将很快部署生成式 AI 项目，这一比例相比 2023 年第三季度的 69% 有显著增长。在这 89% 中，9% 的 CIO 已在 2023 年生产运行 AI 项目（包括生成式 AI），38% 预计在 2024 年投入生产（可能在年末），42% 则预计在 2025 年及以后。

我们公司与不同行业的合作以及收到的咨询表明，客户支持、各类市场营销任务和编程辅助在行业中占主导地位。此外，一些独特的用例如药物发现、新材料发现以及现有产品中 PFAS 化学物质的替换，也展现了生成式 AI 的独特价值。

企业在应用生成式 AI 时遇到的困难

在与 portfolios 交流时，我们发现企业在使用生成式 AI 上面临的几个挑战。分别是人才短缺，企业数据短缺，模型能力缺陷

一、人才短缺

二、数据短缺

生成式 AI 的企业应用方式

企业在尝试生成式 AI 时，主要采取两种方式：

1.使用专有数据与基础模型结合：利用如 GPT-4、Gemini、Claude 等基础模型，或由公司提供的应用，开发聊天机器人和其他应用。

2.开发自有生成式 AI 应用：一些企业，如摩根大通、富国银行、益博睿、沃尔玛、United Health、索尼等，正在尝试或已完成自有生成式 AI 应用的开发。

不论哪种方式，数据问题都会影响项目的成功。

三、大模型自身的问题

在 AI 试点项目中，大多数企业使用现成的大模型（LLM），通常倾向于知名基础模型，然而，无论使用何种模型，企业均认识到模型的准确性、幻觉问题和可解释性仍是亟待解决的关键问题。数据显示，各公司已在试验模型微调和检索增强生成（RAG）方法。

我们参与了多个针对 LLM 缺陷的改进项目。其中一些努力聚焦于提升企业数据质量和协调性，另一些则致力于通过修改模型参数、基于指令的提示和指令学习来改进 LLM 性能。

尽管 RAG 在试点项目中表现出潜力，但在其对生产系统的价值被验证之前仍需进一步试验。每种应对 LLM 缺陷的方法对数据使用和模型适应性的要求不同。企业尚未理解这些要求及其对生产系统的潜在影响。

尽管大模型是当今生成式 AI 试点项目的主要组件，但其他技术也被采用。这些技术仍处于变动状态。

一些企业使用了超大规模云提供商的完整 AI 堆栈（从存储和计算到 LLM）；

另一些企业则通过应用提供商（如 Adobe、ServiceNow、Salesforce、Workday）开发原型；

还有一些公司使用数据管理供应商（如 Snowflake 和 Databricks）。

随着项目规模的增长，企业可能意识到生成式 AI 需要其数据中心不具备的专业数据中心架构和其他资源，因此更多 AI 系统将通过超大规模云提供商部署。

企业使用生成式 AI 有哪些成本？

企业也必须在开发生成式 AI 应用时了解大语言模型（LLM）使用的成本，因为这些成本可能会相当可观。下面将识别这些成本类别，并展示影响成本的决策，以便企业在生成式 AI 应用的试验、实施和部署过程中作出最佳判断。

1.企业员工正在使用生成式 AI 处理越来越多的任务。大多数情况下，他们从使用免费版本的包含基础模型（如 ChatGPT 或 Bard）的聊天机器人开始，模型性能对于一些任务（如写邮件、总结文件）已足够好。初步使用效果令人满意后，员工通常会购买个人订阅以访问更好的 LLM。不久后，这些个人订阅成为企业的一项重大支出，这与企业员工使用 Dropbox 和 Slack 等工具的路径非常相似。

2.针对企业中复杂或专有的流程（如客户支持、设计、数据分析和软件编程），通常需要不同的方法。大多数企业首先尝试更加复杂的提示工程，仍然使用开箱即用的 LLM。

3.如果效果不足或不可能实现，他们可能会通过微调或检索增强生成（RAG）来提高这些基于云的 LLM 的性能。

4.如果这些方法仍无法满足需求，企业可能会选择开发自己的专有 LLM。例如，Intuit 开发了 GenOS 生成式 AI 应用，使用专有 LLM 帮助客户解决税务、会计、营销、现金流和个人财务问题。丰田正在开发生成式 AI 应用，帮助汽车设计师在创意阶段提供支持。我们需要开发一些指标，以帮助企业决定何时从复杂提示工程转向微调现有 LLM，最终选择开发专有 LLM，其中成本效益分析是关键指标之一。

每种方法都有其优缺点，并涉及不同的成本：

●复杂提示工程的最高成本在于寻找理解问题且能创建合适提示的员工，

●而 RAG 方法的最高成本在于找到合适的数据以使 LLM 专业化。

本文将识别成本类别，而非给出具体费用，因为成本取决于所需模型类型、应用程序和模型构建环境。我们识别出四类成本：

1.技术成本

2.合规成本

3.响应验证成本

4.用户培训成本

ROI 多少，企业使用生成式 AI 的需求才会彻底爆发？

AI 解决方案和基础设施提供商承诺在未来几年内投入 1 万亿美元用于 AI 相关的资本支出，以应对企业生成式 AI 解决方案的高需求。几年前，汽车行业也曾对电池电动车（BEV）和其他新能源车（NEV）投入类似规模的资金，预期消费者需求强劲。然而，如今由于需求低于预期，汽车制造商正在减少投资承诺，面临产能过剩的风险。

要使得在软件、数据和基础设施上的巨额投资合理化，企业需要从每个生成式 AI 解决方案中获得多少投资回报率（ROI），以便自信跨越生成式 AI 的鸿沟？

为回答上述问题，企业需要确定目标 ROI 和实现时间。

例如，生成式 AI 解决方案应在一年、五年或更长时间内提供 3 倍、5 倍、10 倍甚至更高的 ROI。企业还必须意识到，跨越生成式 AI 鸿沟不仅依赖于技术，还需要开发新的商业模式、组织优先级和文化转变。

虽然可以参考 20 世纪 90 年代末的互联网浪潮，但我更想考虑两个不同的领域：公司车队对 BEV 的使用以及企业对云计算的采用。分析当前阻碍 BEV 的采用的因素，并了解是什么促成了企业广泛采用云计算，并持续至今。

BEV

车队管理者考虑使用 BEV 和 NEV 主要有三个原因：减少碳足迹、提高车队的正常运行时间以及降低总拥有成本（TCO）。城市包裹配送、公共交通和长途物流等用例有不同的 ROI 倍数和实现时间。然而，由于现有商业模式下这些车辆的高昂前期成本、续航限制以及不足的充电和能源传输基础设施，这些问题对 ROI 的设定构成挑战，导致车队运营商推迟了商业 BEV 和 NEV 的广泛应用，促使汽车制造商减少投资承诺。

云计算

大约十年前，企业开始广泛采用云计算，跨越了所谓的鸿沟，从而造就了许多成功的云解决方案提供商。这一过程始于技术首次引入企业后的 15 年，并在早期采用者开始报告他们所获得的 ROI 后加速。通过降低 IT 成本和资本支出、提供更大的部署灵活性和更便捷的系统集成，以及引入新的商业模式（订阅和按用量付费），企业实现了 ROI。但跨越鸿沟并实现期望的 ROI 花费了约 15 年，并且在公司 IT 组织内部引发了关于云计算优劣的激烈争论。

跨越生成式 AI 的鸿沟

跨越生成式 AI 鸿沟需要企业回答几个重要问题：

●我的 AI 解决方案是否需要访问 GPT-4 这样的商业基础模型，或者使用企业数据微调开源模型是否足够？

●我正在开发的解决方案应采用何种商业模式？

●我的哪些团队已准备好部署并利用该解决方案？

为实现广泛的企业应用，特别是在非高科技行业中，生成式 AI 解决方案在某一用例中的应用必须提供与其投入的资源（人员、数据、软件和基础设施）和承担的执行风险相称的 ROI，并且在符合公司战略目标的时间内实现。选定的用例应解决难题，最好是与成本减少、收入增长或客户满意度提升相关的难题。其他如时间节省、风险减轻和员工福利等方面的生产力提升用例可以作为候选，但从未被视为最重要的。

以云计算在客户关系管理（CRM）中的角色为例。美林证券是 Salesforce 的最大早期采用者，使用 CRM 以促进收入增长。生成式 AI 在文件总结、邮件回复生成和市场宣传材料创建方面的表现虽优秀，但如果考虑推理成本，相较于使用低成本员工，仍可能更便宜。当前这些成本并未反映在服务商对企业用户的收费中。大量的风投和私募资本，以及谷歌、微软、亚马逊、英伟达等 AI 基础设施提供商的雄厚资产，使得这种差距得以存在。

无疑，随着时间的推移（两年、五年、十五年？），可用的大模型将能够以今天成本的很小比例，提供更好的总结、市场宣传材料甚至更重要的内容，即使将模型微调和专业化的成本考虑在内，仍能实现企业和提供商都能接受的 ROI。但目前我们尚未达到这一阶段。

为了熟悉和适应生成式 AI，企业需要较简单的用例。这有助于企业熟悉技术，甚至测试新的商业模式。然而，能体现生成式 AI ROI 的项目必须解决对企业至关重要的难题。这些难题有些是特定于行业的，有些则跨行业适用。实验可能持续六个月，但开发和部署针对关键问题的解决方案可能需要数年，在此期间需要考虑并可能改变技术、商业模式和文化。

生成式 AI 的核心投资理念

我们与企业合作伙伴共同评估了生成式人工智能（Generative AI）在企业中的应用准备情况，并据此更新了我们的投资理念。研究显示，我们有理由相信，大语言模型（LLMs）/ 基础模型及其相关应用的出现将为开发新型智能企业应用程序开辟道路，同时为现有应用增添重要的新功能。

自成立以来，我们公司始终专注于投资开发横向或纵向企业软件的早期人工智能初创公司。我们关注基于数据驱动和机器学习的人工智能应用，这些应用克服了基于逻辑系统的诸多局限性。过去半年中，我们与合作伙伴密切合作，评估企业在生成式人工智能上的准备情况，并相应调整了我们的投资理念。我们坚信，大语言模型 / 基础模型和相关应用将成为开发新一代智能企业应用的关键，并为现有应用提供重要的增值功能。

一、AI 初创公司的主要类别：

我们将生成式 AI 的初创公司划分为四个主要类别：

1. 工具开发者：此类别包括开发基础设施软件以构建和支持生成式 AI 应用的公司。包括矢量数据库、智能代理构建环境、模型集成与管理、自动数据标注以及专用的 AI 云服务。典型公司如 Pinecone 和 LlamaIndex。

2. LLM/ 基础模型开发者：这类公司专注于开发和授权使用大语言模型（无论是横向的还是垂直的），并将其作为服务向消费者和企业提供，这些模型已逐渐成为新兴的平台级应用。典型公司有 OpenAI、Cohere 和 Anthropic。

3. 内容生成器：利用现有大语言模型的接口进行提示生成，通过简便的提示生成各种形式的内容，如图像、视频、文档、广告等。代表公司包括 Stability AI 和 Simplified。

4. 智能体开发者：这一类公司专注于开发可独立执行复杂任务或与人类协作的横向或纵向应用。在这些应用中，大语言模型作为一个组件发挥作用，但未必是核心。代表公司如 Replit 和 Grammarly。

Synapse Partners 的生成式人工智能投资策略聚焦于开发包含专有大语言模型的智能体公司。这些智能体所使用的大语言模型可能是从零开发的，也可能是开源模型的专业化版本。在这些智能体中，大语言模型对整体系统智能和功能的贡献比例大约为 20%-30%，而不是内容生成器那样达到 70%-80%。这些智能体的价值在于它们能够针对频繁变化的条件为特定行业应用场景（如汽车配置管理或物流配送规划）提供支持。尽管我们可以看到一些公司（如 Inflection.ai）正在尝试开发通用型智能体，但我们聚焦于企业软件领域，因此优先考虑特定任务和行业的智能体更符合我们的投资理念。

二、智能体开发的两种投资理念

对于智能体开发公司，我们主要关注两种投资理念。

第一种是投资于那些为以前难以实现自动化的、且频繁变化的任务开发特定行业智能体的公司，比如帮助建筑师设计办公楼，或者帮助汽车设计师生成符合特定功能和规范的新设计。在这个理念下，我们也会考虑那些智能体为已实现自动化的任务提供新方法的公司，比如生成零售退货的分析报告。

第二种投资理念是关注那些将智能体集成到现有应用程序中以提升功能和灵活性的公司。例如，在客户支持应用中整合一个生成式 AI 驱动的智能体，可以帮助客户支持代表更有效地总结呼叫中心的案例，为客户提供更优质的界面体验。

无论是否包含大语言模型，智能体都是一种软件程序，能够：

- 接受完成特定目标的输入；

- 进行推理并制定计划以实现既定目标，且在实现目标过程中能够对遇到的情况做出应对（即它可以感知其环境）；

- 自主执行它认为最适合的计划（即它能追踪自身表现）；

- 随着时间推移进行学习和性能提升（即它可以根据从环境中获得的反馈来调整自身的知识库）。

为完成这些任务，智能体需要具备一个适应其运行环境的世界模型。在某些情况下，大语言模型可以成为智能体的一个重要组件，尤其是在数据分析、编程、蛋白质折叠等基于语法的领域应用中。

智能体必须具备以下特征：

- 灵活性：智能体必须能适应不断变化的环境，随时调整自身行为以应对世界的变化。

- 可靠性：智能体必须能够可靠地执行任务，处理意外情况并从错误中恢复。

- 可解释性：智能体必须能解释其推理和决策，使用户了解其工作原理，从而增强信任。

如果这些智能体的大语言模型连接到一个包含行业知识的知识库中，它们便可以自动优化用户设定的目标，协助制定多项计划，生成查询以检索规划组件所需的数据，并通过总结和解释已执行的操作结果向用户反馈。

总结

生成式 AI 已迅速成为人工智能领域的一个新兴热点。尽管它吸引了投资者和企业家的高度关注，并促使数百家初创公司诞生，但我们数据库中的企业合作伙伴正在审慎评估其解决现有问题的潜力。部分问题可以通过采用其他技术来解决，而生成式 AI 则在解决新问题方面展现了关键优势。然而，他们普遍认为这些研究仍处于初级的沙盒阶段，尚不具备大规模预算的分配条件。受生成式 AI 热潮的影响，我们的投资组合公司对其解决方案的需求显著增加，即便他们采用的是判别式 AI 技术。尽管我们将追求新的生成式 AI 投资理念，但我们不会忽视一直以来的人工智能投资理念，这些理念已构建了强大的投资组合，并继续收到有潜力的商业计划。

在我 40 年人工智能领域的工作经历中，我曾多次见证特定技术推动的“AI 热潮”。在每一次的 AI 热潮中，我们都见证了大量风投支持的初创公司成立，其中大多数在最初的高期待期过后陷入停滞，其特点是大规模融资轮次和高估值。在这些情况下，导致失败的主要原因是客户需求未达预期，且发展速度远低于初创公司的预期。这一次，我们或许会看到类似的结果。因此，未来 12 个月对于生成式 AI 的发展至关重要。初创公司需要利用现有的资金储备来教育潜在客户，说明生成式 AI 如何为企业带来效益，并实际兑现其声称的价值。