最近,，新的AI大模型Claude3火出圈，作為GPT-4的競爭者被寄予厚望,，然而我們認(rèn)為AI領(lǐng)域真正的爆發(fā)機(jī)會在別處—應(yīng)用層,。

Index Venture和我們有相同的看法，為此這家投資機(jī)構(gòu)撰寫了4篇分析報告,，詳細(xì)闡述了看好AI應(yīng)用的核心觀點(diǎn),。

總結(jié)起來就是：人工智能時代軟件產(chǎn)業(yè)將被重塑，每個軟件都會疊加上AI技術(shù),，AI技術(shù)的擴(kuò)散會像當(dāng)年數(shù)據(jù)庫一樣,，AI無處不在，但軟件真正的競爭優(yōu)勢從來不是數(shù)據(jù)庫,，應(yīng)用爆發(fā)才是未來,！

數(shù)據(jù)庫最終變成了一個重要的軟件技術(shù)，但軟件公司身價過億,，靠的是差異化能力,，AI大模型也會走向同樣的道路。

今天,，我們?yōu)榇蠹規(guī)砹?篇文章的完整翻譯,，方便你一次看懂專業(yè)投資機(jī)構(gòu)如何看AI。

更多精彩內(nèi)容和獨(dú)家分析,，歡迎點(diǎn)擊文首入口,，加入前哨科技特訓(xùn)營獲取,！

正如云計(jì)算的崛起帶來了軟件即服務(wù)（SaaS）模式的誕生一樣,，面向AI原生架構(gòu)的新商業(yè)模式也將隨之涌現(xiàn)。

十五年前，云計(jì)算的興起引領(lǐng)了軟件產(chǎn)業(yè)的一次平臺轉(zhuǎn)換,，開啟了軟件即服務(wù)（SaaS）的新紀(jì)元,。

企業(yè)不再需要自行設(shè)置服務(wù)器和配置數(shù)據(jù)庫，而是將其外包給專業(yè)團(tuán)隊(duì),，后者為成千上萬的客戶提供托管服務(wù),。

開發(fā)新軟件產(chǎn)品的公司因此能專注打造卓越體驗(yàn)的產(chǎn)品，無需擔(dān)心底層運(yùn)行的各種數(shù)據(jù)庫和服務(wù),。

SaaS模式使得公司能夠?qū)⒎呛诵臉I(yè)務(wù)的軟件管理外包,，軟件產(chǎn)品因此更加經(jīng)濟(jì)、安全,、可擴(kuò)展,，并且更新和優(yōu)化的速度更快。

過去十年,，我們見證了軟件價值鏈的重大轉(zhuǎn)變,，這進(jìn)一步推動了技術(shù)生態(tài)系統(tǒng)的深刻變革。很明顯,，當(dāng)前正處于另一場由AI驅(qū)動的平臺變革初期階段,。

這一變革建立在兩個基本信念之上：

首先，未來十年內(nèi),，AI將成為每一個開發(fā)和發(fā)布的應(yīng)用軟件的核心部分,；

其次，這一轉(zhuǎn)變將由基礎(chǔ)模型的廣泛采用推動,。正如云計(jì)算的興起重塑了軟件價值鏈并催生了新的商業(yè)模式,，隨著AI理念的實(shí)現(xiàn)，你我將見證類似的變革,。

這些新商業(yè)模式的具體形態(tài)尚不確定,，但已經(jīng)可以看到軟件價值鏈變化的苗頭，看到新模式的早期跡象,。

在基礎(chǔ)層面,，正如十年前云服務(wù)商的崛起一樣，一種新的公司出現(xiàn)了,，他們專門負(fù)責(zé)維護(hù)基于最新研究而更新迭代的基礎(chǔ)模型,。

這一領(lǐng)域的公司數(shù)量不會很多，因?yàn)檫@既需要巨額投入,，也需要深入的知識儲備去訓(xùn)練和管理大型模型,。

與云服務(wù)商類似，隨著時間的推移,，這些產(chǎn)品在某種程度上會變得標(biāo)準(zhǔn)化,；它們的價值在于規(guī)模經(jīng)濟(jì),。大多數(shù)這樣的公司，類似于云服務(wù)商,，采取按使用量計(jì)費(fèi)的商業(yè)模式,。

在應(yīng)用層面，隨著時間的推移,，商業(yè)模式將轉(zhuǎn)向更多地捕捉AI釋放的客戶特定價值。

在這個世界里,，客戶可以根據(jù)產(chǎn)品的定制化或個性化程度來支付費(fèi)用,，比如說，根據(jù)特定行業(yè),、組織或個人需求微調(diào)的模型,。

基于這一視角，我們投資了Gong和DeepScribe等公司,，它們的商業(yè)模式是：產(chǎn)品隨時間的增加而越來越定制化,。

我們在2020年投資了Gong。他們的產(chǎn)品能夠記錄銷售電話,，領(lǐng)導(dǎo)者可以據(jù)此分析業(yè)績,，洞察客戶反饋趨勢，培訓(xùn)和指導(dǎo)銷售代表,。

當(dāng)一個組織廣泛采用Gong的產(chǎn)品時,，它能夠積累豐富的客戶對話數(shù)據(jù)，這使得Gong能夠根據(jù)具體企業(yè)的需求定制其服務(wù),，從而提升用戶體驗(yàn),。

DeepScribe的產(chǎn)品能夠利用AI記錄醫(yī)生與患者之間的對話，并為電子健康記錄生成結(jié)構(gòu)化的醫(yī)生筆記,。

這類產(chǎn)品的持續(xù)使用不斷增加其對特定用戶（例如,，具有特定診療風(fēng)格的醫(yī)生）或特定用戶群（例如，在同一醫(yī)療機(jī)構(gòu)內(nèi),，遵循一致標(biāo)準(zhǔn)的特定專業(yè)醫(yī)生）的價值,。

在這兩種情況下，隨著產(chǎn)品使用的不斷深入,，客戶將更多自己的數(shù)據(jù)輸入到系統(tǒng)中,，AI能夠以更加針對性的方式進(jìn)行優(yōu)化和改進(jìn)。

這是AI原生公司構(gòu)建競爭優(yōu)勢并實(shí)現(xiàn)長期價值增長的一條路徑,。

這還為一種新型的托管基礎(chǔ)設(shè)施公司創(chuàng)造機(jī)會,，這些公司幫助軟件企業(yè)在基礎(chǔ)模型供應(yīng)商之上提供個性化服務(wù)。

新一代基礎(chǔ)設(shè)施供應(yīng)商的崛起,，他們正在成為價值鏈中的一個重要環(huán)節(jié),，類似于近幾十年來數(shù)據(jù)庫供應(yīng)商的發(fā)展,。

我們的投資組合中的公司，如 Scale AI（Index 于 2018 年投資）和 Humanloop（Index 于 2020 年投資）,，正在簡化團(tuán)隊(duì)在產(chǎn)品中部署模型的過程,，即使他們沒有大量的機(jī)器學(xué)習(xí)專業(yè)知識。

這些產(chǎn)品讓用戶能夠利用人工標(biāo)注和實(shí)時用戶反饋來比較和微調(diào)模型的性能,。

構(gòu)建偉大AI公司的核心理念是：我們將持續(xù)支持那些專注于開發(fā)能為客戶創(chuàng)造價值的卓越產(chǎn)品的創(chuàng)始人,。

在過去二十年中,，我們見證了 SaaS 產(chǎn)品的爆炸式增長,，它們已成為日常工作中不可或缺的部分。

這一代應(yīng)用程序旨在支持從頭到尾的工作流程,，并促進(jìn)各利益相關(guān)方之間的協(xié)作,。然而，許多應(yīng)用本質(zhì)上是數(shù)據(jù)庫上的用戶界面,，用于跟蹤項(xiàng)目,、文檔和操作的狀態(tài)。

對于這些產(chǎn)品,，AI 已經(jīng)被用于特定任務(wù),，比如文檔處理、語音轉(zhuǎn)錄或者輔助編碼,。

2018年,，我們投資了由 Chris Urmson（Waymo 的 CTO）、Drew Bagnell（Uber 的自主架構(gòu)師）和 Sterling Anderson（Tesla 的 Autopilot 主管）創(chuàng)立的自動卡車公司 Aurora,。

2020年,，我們投資了 Covariant，該公司專注于為機(jī)器人制造 AI 大腦,，主要用于工業(yè)倉儲和履約,。公司由 AI 機(jī)器人技術(shù)領(lǐng)域的兩位領(lǐng)軍人物 Pieter Abbeel 和 Peter Chen 創(chuàng)立。

Covariant 致力于構(gòu)建通用 AI 機(jī)器人大腦,，現(xiàn)在他們能夠在最小的 AI 培訓(xùn)下適應(yīng)特定客戶的硬件需求,，這種做法正在取得成效。

最近在生成模型（如 ChatGPT 和 Stable Diffusion）方面的進(jìn)展,，將我們推進(jìn)到一個 AI 的快速發(fā)展階段,，這激發(fā)了全球的想象力。

展望下一代 SaaS 應(yīng)用,，我們特別期待以下幾點(diǎn)：

首先是利用 AI 支持頭腦風(fēng)暴,、講故事和開放式創(chuàng)新工作流程的產(chǎn)品。在概念藝術(shù)和文案創(chuàng)作領(lǐng)域已經(jīng)看到了這些應(yīng)用,，這些領(lǐng)域因?yàn)轱L(fēng)險低,、過程高度依賴手工操作,，并且人類參與其中，成為理想的用例,。

其次是將 AI 應(yīng)用于特殊知識工作領(lǐng)域,，如工程、法律或醫(yī)學(xué)的應(yīng)用,。這些領(lǐng)域人類專家仍然需要參與審核結(jié)果,，但這些領(lǐng)域投資回報率很容易衡量。

第三是將更多 AI 工具嵌入企業(yè)和專業(yè)消費(fèi)者工作流程的應(yīng)用,。

這一點(diǎn)通過我們在 2020 年對 Hebbia 的投資得以體現(xiàn),，Hebbia 是一個為知識工作者提供服務(wù)的 AI 驅(qū)動企業(yè)搜索平臺。

這些產(chǎn)品將幫助用戶更高效地溝通,、吸收和搜索信息,、快速行動,，從而提高整體生產(chǎn)力,。但這比前兩點(diǎn)更具挑戰(zhàn)性，因?yàn)槠髽I(yè)需要穩(wěn)定和安全的保障來確保提供一致的用戶體驗(yàn),。

成功的初創(chuàng)公司應(yīng)該構(gòu)建直觀易懂的產(chǎn)品,，讓人們不需要深入了解其背后的機(jī)制也能輕松學(xué)習(xí)和使用，順暢地融入現(xiàn)有的流程和工作關(guān)系,，并產(chǎn)出更精確,、可預(yù)測的結(jié)果。

這些產(chǎn)品將提供細(xì)致的調(diào)控手段,，以人體工學(xué)的方式讓模型適應(yīng)用戶,，而非讓用戶去適應(yīng)模型。

AI 原生應(yīng)用的世界令人興奮之處在于,，它提供了一個機(jī)會,，可以從零開始設(shè)計(jì)直觀的界面，并設(shè)置相應(yīng)的安全邊界,。

展望下一代產(chǎn)品,，它們將通過與用戶的互動來學(xué)習(xí)，用戶將擁有精細(xì)的工具來引導(dǎo)模型輸出,，使 AI 成為我們需要合成數(shù)據(jù),、生成內(nèi)容或解決重復(fù)任務(wù)時的多模態(tài)助手。

機(jī)器學(xué)習(xí)新概念中的“基礎(chǔ)模型”,，指的是那些在沒有特定終端用途考慮下,，用大量數(shù)據(jù)預(yù)訓(xùn)練的大型人工神經(jīng)網(wǎng)絡(luò)。

OpenAI 的 GPT-3 就是一個知名案例,，它的訓(xùn)練目的僅僅是預(yù)測給定文本前文后的下一段文本,。然而,，基礎(chǔ)模型可以通過在較小的手工標(biāo)記數(shù)據(jù)集上進(jìn)行“微調(diào)”來執(zhí)行特定任務(wù)，比如回答客戶問題,。

基礎(chǔ)模型能夠帶來出人意料的類人通用技能,。大多數(shù) AI 模型都是針對特定任務(wù)的數(shù)據(jù)進(jìn)行訓(xùn)練的：機(jī)器人手臂被訓(xùn)練用于拾起物體，自動駕駛車輛被訓(xùn)練用于駕駛,。

有些人類任務(wù)看似狹窄,，比如駕駛、在倉庫中裝箱或回答客戶問題,，但我們經(jīng)常將從生活其他方面獲得的理解應(yīng)用于這些任務(wù),。

這就是為什么機(jī)器人看到傳送帶上的貓時會不知所措，為什么遇到不合規(guī)則的交通場景時自動駕駛車輛會停下來的原因,。

人類可以基于對動物和建筑的知識,，將這些情況放入當(dāng)時的情景，并繼續(xù)做出新的判斷,，機(jī)器不行,，這就是我們的超能力。

隨著時間的推移,，工程師將越來越多地使用預(yù)訓(xùn)練的基礎(chǔ)模型,，然后對其進(jìn)行針對特定任務(wù)的微調(diào)。

基礎(chǔ)模型并不會使孤立的 AI 模型變得“人性化”,，但其使用將幫助模型理解最不尋常的情況并解決它,。

例如，理解人類司機(jī)的憤怒情緒將幫助自動駕駛車輛進(jìn)行導(dǎo)航,。識別一只誤入倉庫的貓并不應(yīng)出現(xiàn)在傳送帶上,，將幫助機(jī)器人處理這種混亂情況。

對幾乎所有 AI 模型來說,，最困難的情況是那些之前未曾遇到的“長尾”事件,。

Cohere 是由 Aidan Gomez 共同創(chuàng)立的，他參與撰寫了“Transformer”架構(gòu)的論文,。我們在 2021 年領(lǐng)投了該公司的 A 輪融資,，認(rèn)為像十年前的云巨頭一樣，會有少數(shù)提供商涌現(xiàn),，他們將簡化開發(fā),、管理和托管這些模型背后的復(fù)雜性。

基礎(chǔ)模型要想真正像人類一樣理解事物的意義,，還有很長的路要走,，但它們正在以極快的速度進(jìn)步,。

在過去的五十年里，數(shù)據(jù)庫一直是應(yīng)用軟件的基礎(chǔ),，而在接下來的五十年里,，機(jī)器學(xué)習(xí)模型將成為這一基礎(chǔ)。

對機(jī)器學(xué)習(xí)及其工作原理的基本了解將成為每位工程師工具箱中不可或缺的一部分,，而不再是少數(shù)專家的專有知識,。

雖然機(jī)器學(xué)習(xí)工程師總會有其位置，但他們的數(shù)量會變少,，主要集中在少數(shù)大型供應(yīng)商處,，就像那些構(gòu)建數(shù)據(jù)庫引擎的人一樣。

事實(shí)上,，過去十年的AI進(jìn)展與 20 世紀(jì)后期數(shù)據(jù)庫領(lǐng)域的發(fā)展驚人相似,。早期數(shù)據(jù)庫的進(jìn)步經(jīng)歷了幾個特定的階段，每個階段大約持續(xù)十年,。

起步階段（1960年代）：首批數(shù)據(jù)庫問世,。它們是一個強(qiáng)大的新概念，但使用起來非常困難,。訪問簡單的數(shù)據(jù)都相當(dāng)復(fù)雜,，高效檢索的責(zé)任完全落在開發(fā)者身上,。

算力不足階段（1970年代）：1970年,，埃德加·科德（Edgar Codd）發(fā)布了一系列論文，提出了數(shù)據(jù)庫的關(guān)系模型,，帶來了熟悉并喜愛的行和列的標(biāo)準(zhǔn)模型,。

這種模型的優(yōu)美之處在于其靈活性，可以適應(yīng)各種用例,。盡管這是數(shù)據(jù)庫歷史上的一個重要時刻,，但最初十年卻遭到很多懷疑。雖然這些系統(tǒng)使用起來和推理起來更容易,，但它們需要更多的算力,。

商業(yè)爆炸階段（1980年代）：這十年見證了關(guān)系型數(shù)據(jù)庫的繁榮。

隨著計(jì)算資源變得更加經(jīng)濟(jì),，關(guān)系數(shù)據(jù)庫的成本效益大大提高,，易用性使它們成為今天的主要力量。

關(guān)系數(shù)據(jù)庫利用查詢優(yōu)化將大部分性能管理從開發(fā)者轉(zhuǎn)移到數(shù)據(jù)庫本身,，這使得使用這些系統(tǒng)的專業(yè)要求遠(yuǎn)低于之前的網(wǎng)絡(luò)和層次數(shù)據(jù)庫,。SQL（1976年發(fā)明，在 80 年代中期標(biāo)準(zhǔn)化）成為數(shù)據(jù)庫的通用語言,，大型公司如甲骨文成為商業(yè)巨頭,。

無處不在的階段（1990年代至今）：快進(jìn)四十年,，幾乎世界上每個軟件應(yīng)用都在使用數(shù)據(jù)庫（無論是關(guān)系型的還是其他類型的）。

了解數(shù)據(jù)庫如何工作成為程序員學(xué)習(xí)的首要知識之一,，且不同層次的開發(fā)者都至少需要基本了解它們以便有效工作,。

沒有哪家公司會考慮自己構(gòu)建數(shù)據(jù)庫——這樣做在成本效益上是不現(xiàn)實(shí)的。相反,，他們使用現(xiàn)成的產(chǎn)品,，并在其上應(yīng)用特定用例的數(shù)據(jù)模型（架構(gòu)）。

有趣的是,，這一發(fā)展進(jìn)程與我們在機(jī)器學(xué)習(xí)和人工智能商業(yè)采納方面所見的情況非常相似,。

僅限大公司階段（2017年前）：起初，訓(xùn)練一個有實(shí)用價值的機(jī)器學(xué)習(xí)模型是一項(xiàng)高度專業(yè)化且非常復(fù)雜的工作,。

你需要尋找自己的數(shù)據(jù),，找到足夠的計(jì)算資源來訓(xùn)練這些數(shù)據(jù)，選擇一個架構(gòu),，還需要深入了解如何進(jìn)行超參數(shù)調(diào)整以優(yōu)化訓(xùn)練輸出,。

所有這些都是成本高昂的，并且非常困難,。即使不使用任何深度學(xué)習(xí)技術(shù),，這也是真實(shí)的情況。

早期Transformer階段（2017-2020年）：像數(shù)據(jù)庫一樣,，一切始于一篇論文,。

在 AI 領(lǐng)域，這篇論文名為《注意力就是一切》（'Attention Is All You Need'）,，介紹了一種稱為Transformer的算法架構(gòu),。

這很快被一系列預(yù)訓(xùn)練的基礎(chǔ)模型（如 BERT、XLNET,、GPT-2）采用,，這些模型使用該架構(gòu)實(shí)現(xiàn)了領(lǐng)先的結(jié)果，尤其是在語言領(lǐng)域,。

模型隨后被開源,，類似于可以在關(guān)系數(shù)據(jù)庫中添加模式以適應(yīng)特定用例，用戶可以在自己的數(shù)據(jù)上微調(diào)這些基礎(chǔ)模型,。

大模型創(chuàng)業(yè)階段（2020年至今）：這個階段始于 OpenAI 發(fā)布 GPT-3,。

OpenAI證明Transformer模型可以擴(kuò)展到數(shù)十億參數(shù)，而性能不會降低,，一個大型預(yù)訓(xùn)練的基礎(chǔ)模型可以在許多不同任務(wù)上表現(xiàn)良好,。

OpenAI 通過 API 提供 GPT-3，加上它的通用性，導(dǎo)致了像 Jasper 和 Copy.ai 這樣的公司的爆炸式增長,。

就像查詢優(yōu)化器將性能的復(fù)雜性從應(yīng)用開發(fā)者轉(zhuǎn)移到數(shù)據(jù)庫供應(yīng)商一樣,，AI 的這個階段正見證訓(xùn)練的復(fù)雜性從最終用戶轉(zhuǎn)移到模型供應(yīng)商。

無處不在的階段（未來）：很快,，說一個產(chǎn)品“使用 AI”將像說一個產(chǎn)品“使用數(shù)據(jù)庫”一樣顯得平常和顯而易見,。

今天，普通開發(fā)者可能不知道查詢規(guī)劃器是如何工作的,，但他們肯定使用數(shù)據(jù)庫,。

我們預(yù)計(jì)五年后的普通開發(fā)者可能不會了解Transformer是如何工作的，但他們知道如何使用模型,。

Cohere 和 Twelve Labs 等公司已經(jīng)為文本和視頻創(chuàng)建了這些基礎(chǔ)構(gòu)建模塊,，用戶能夠像使用數(shù)據(jù)庫一樣輕松地訪問強(qiáng)大的模型。

這些模型日益普及的一個證明是,，無數(shù)公司將 AI 作為核心組成部分,，但并不將其作為主要的差異化因素宣傳，大模型本身會變成一個開發(fā)細(xì)節(jié),，它很重要卻并非差異化因素,。

真正的區(qū)別在于，利用模型構(gòu)建的出色產(chǎn)品體驗(yàn),，這與 Salesforce 因其出色的產(chǎn)品體驗(yàn)而崛起一樣,，大家并不關(guān)心它的數(shù)據(jù)庫性能怎樣。

正是這種體驗(yàn)使每個應(yīng)用都能建立價值數(shù)十億美元的業(yè)務(wù),。