編者按：本文來自微信公眾號 硅兔賽跑（ID：sv_race），作者：硅兔君，創(chuàng)業(yè)邦經(jīng)授權轉載。
剛剛結束的GTC在科技圈刷了屏，英偉達已然成為現(xiàn)在科技界的中心。記得當英偉達市值剛突破萬億的時候就有人覺得達到了天花板，但是如果你了解英偉達在上一波AI浪潮中的增長，你可能就會猜到它的的行情絕不會止步于此。
英偉達在上一個AI熱潮中上漲了5倍，在這一波AI周期中，股價幾乎像素級復刻了上一波的走勢。
如果能早一點認識到GPU作為算力對深度學習的重要性的話，也許就不會錯過或者低估英偉達了。
因此，我們今天的討論與AI周期有關，我們希望通過討論上一個AI周期的演變、成功或失敗案例，從中得到一些對當前AI周期的啟發(fā)。而2024和2017則是這兩個AI周期非常關鍵的時間節(jié)點。
硅兔賽跑為此請來UpHonest Capital行業(yè)研究團隊的王子和Eric Gu，和我們一起探討AI周期下的觀察和展望。以下對話是線上直播的文字版梳理。
硅兔賽跑Amanda：第一個問題，2017對上一個AI周期有怎樣的意義？
UpHonest 王子：
首先我們將2006年開啟的AI周期稱為”深度學習“周期，而2017是“深度學習”周期的Hype頂峰。
為了說明這個問題，我們準備了一張圖。
柱狀圖是全球AI的風險投資金額，綠色的線是投資增速，紅色的線是AI在全球投資中的占比。
2017 AI投資增速超過200%，AI投資占比達到8%，是2006開啟的這次AI創(chuàng)投周期的最高點。
數(shù)據(jù)來源：Statista
作為早期投資機構，我們也關注AI早期投資有怎樣的變化，所以我們去看了早期投資風向標YC的投資變化，同樣，2017年AI類項目占比最高，2018~2021年明顯下滑。
數(shù)據(jù)來源：YC，UpHonest整理
數(shù)據(jù)來源：YC，Rebel Fund整理
不過有一個明顯有差異的地方，第一張圖顯示，2022年YC AI項目占比是超過2017年的，第二張圖顯示2022年AI項目占比則是低于2017年的。
超過的圖是我們2024年統(tǒng)計的，低于的圖是YC校友基金Rebel Fund 2023年初統(tǒng)計的，說明這一年多時間，YC 22年大約有10%的項目轉型做AI了。
所以，從創(chuàng)業(yè)和投融資的角度，2017年是“深度學習”AI周期hype的頂點。
2018年無論是YC還是全球AI投資熱情都下降了，部分原因是人們對AI的期望太高，但當時的技術無法達到人們的想象，大家可能還記得人們開始說AI是“人工智障”，甚至有些人說AI是騙局。而且這種降溫在早期投資中的表現(xiàn)更明顯。
不過在2018年之后，全球的AI投資復蘇并且投資占比大約維持在10%，說明存活下來的AI公司發(fā)展壯大，穿越周期，持續(xù)吸引風險投資。
硅兔賽跑 Amanda：
我記得YC在2017年AI最熱的時候宣布設立AI vertical孵化小組，負責人是后來AI Grant的創(chuàng)始人Daniel Gross。但2018年，Daniel Gross離開了YC。這里YC孵化的AI項目占比，是否反映出AI熱度從2018年開始一路下滑？
UpHonest 王子：
是的。
但如果你足夠敏銳，有可能會在2020年嗅到空氣中新一波AI浪潮來臨的水汽，因為GPT-3的API接口是在2020年開放的，足夠敏銳的Jasper，就是抓住了這個窗口期，從裁員、增長停滯的邊緣起死回生。
硅兔賽跑 Amanda：
那么想問一下Eric，上一個“深度學習周期”，與現(xiàn)在的“生成式AI周期”有什么關聯(lián)？
UpHonest Eric：
技術變化。
AI是一個很大的范疇，自1956年AI正式作為一門學科成立以來，已經(jīng)經(jīng)歷了好幾個周期，其中有很多技術已經(jīng)滲透到了日常生活中，比如“搜索引擎”、“推薦算法”等等，猶豫過于普遍，大家甚至已經(jīng)不再給它們貼上人工智能的標簽了。
上一個周期我們把它稱為“深度學習”周期。深度學習作為機器學習的學習方式之一，之前在學界是飽受質疑的。大家普遍認為“深度神經(jīng)網(wǎng)絡是永遠無法被訓練的”，這使得有些學術期刊甚至都不曾接受有關神經(jīng)網(wǎng)絡的論文。
直到2006年，被譽為深度學習之父的 Geoffrey Hinton 與他的兩個學生成功訓練了一個多層神經(jīng)網(wǎng)絡（Deep Belief Networks），在手寫數(shù)字識別的任務上（標準 MNIST 字符識別數(shù)據(jù)集）實現(xiàn)了98.75%的正確率。隨后，又在語言識別任務上打破了記錄，成功為深度學習正名。
直到2012年的ImageNet挑戰(zhàn)賽，Hinton 帶著得意門生 Alex 和 Ilya 用 AlexNet 碾壓里其他參賽者，樹立出了當時深度學習（大量數(shù)據(jù)+可規(guī)?；乃惴?GPU計算）的范式，成為了后續(xù)多年的研發(fā)基石。到2015年ResNet出現(xiàn)，實現(xiàn)首次AI在圖像分類任務中對人類平均水平的超越。
硅兔賽跑 Amanda：
可以說2012年是深度學習的關注度逐漸從AI界向整個科技界蔓延并爆發(fā)的起點。
UpHonest Eric：
沒錯。2017年，隨著技術的不斷成熟，蘋果在最新發(fā)布的 iPhone X 中推出了 Face ID，達成技術向更大的消費者群體的破圈。在這個周期中類似的破圈還有像 Amazon Echo與Alexa的發(fā)布、AlphaGo戰(zhàn)勝李世石等。
當然，在業(yè)界將一種范式能力推到極限的同時自然也會遇到瓶頸。當時的AI可以在監(jiān)督學習和遷移學習的模式下解決一些特定的問題。但涉及到需要推理的復雜任務時就捉襟見肘了。當時產(chǎn)業(yè)屆的一些通用人工智能的助手也被大家戲稱為人工智障。
Hinton在2017年末表示，他曾提出的突破性方法應該被放棄，目前神經(jīng)網(wǎng)絡運作的模式不是大腦的工作方式，一切需要重新開始。為了讓神經(jīng)網(wǎng)絡能夠自行變的智能，即所謂的無監(jiān)督學習，并不需要將所有的數(shù)據(jù)都做標注。
回過頭來看生成式AI的發(fā)展歷程：
2017年，Google 在 Attention is all you need 中，將 Transformer 作為特征提取器取代了已經(jīng)誕生了40年的RNN序列結構。Transformer特有的并行結構使得他可以利用大量的算力和數(shù)據(jù)進行訓練。
硅兔賽跑 Amanda：
記得上一波的深度學習也提到了大量「數(shù)據(jù)+算法+算力」的模式，這里有什么區(qū)別嗎？
UpHonest Eric：
上一波深度學習中提及的大量的數(shù)據(jù)指的是ImageNet這種大型的標注數(shù)據(jù)；而Transformer范式下提到的數(shù)據(jù)，是海量的未標注的互聯(lián)網(wǎng)數(shù)據(jù)，這兩個數(shù)據(jù)規(guī)模的差距是極大的。而且并行結構下，可以使用的算力規(guī)模也不是一個量級的。
2018 - OpenAI發(fā)表了GPT，即用Transformer作為特征提取器，使用大量未標注數(shù)據(jù)進行預訓練的生成式通用模型。
基于這個范式，OpenAI在2020年推出了具有1750億參數(shù)的GPT-3。在證明Scale Law的同時，將大型語言模型的從AI界推向了整個科技界。
2022.11.30 - ChatGPT發(fā)布，推出僅兩個月就月活破億，成了史上增長最快的消費級應用。
同樣的破圈案例：包括Midjourney的生成畫作獲得藝術比賽金獎（2022.10.18）、Sora生成的視頻出圈等等。
參考上一個周期的發(fā)展路徑，大模型（文字 or 多模態(tài)）正在處于將基于 Transformer 的范式推到極限的過程中。我看到了GPT4的性能提升，也會看到GPT5、GPT6、或者其他模態(tài)模型的發(fā)展，很多上一波AI沒能完成任務已經(jīng)是現(xiàn)在LLM的能力范疇之內。并且，參數(shù)、數(shù)據(jù)、算力的 Scaling 還在繼續(xù)。Transformer 的極限在哪？能不能達到大家都在追逐的AGI還是未知數(shù)。
硅兔賽跑 Amanda：
剛才你們都提到了一個詞“人工智障”，我想問為什么當時AI做不起來？為什么“深度學習”的Hype在2017戛然而止？為什么這一波AI又行了？
UpHonest Eric：
因為在那個時間點，大家都想做的c端的智能應用，但是由于技術的限制，大眾接觸到了不成熟的產(chǎn)品，反響很差。這就使得資本和市場的關注度快速下降。
舉一個，最具備代表性的案例就是Conversational AI。2015年開始，大廠小廠創(chuàng)業(yè)公司都想做面向C端用戶的通用型的智能助理，用 Conversation UI 取代 GUI 成為人機交互的主要入口。有一波熱錢涌入了這個賽道，誕生出了不少明星公司。
這是截止2015底的Landscape：
Magic是YCW15的公司，Sequoia Capital、SVA、Slow Ventures等投資
Clara Labs是YCS14的公司，Sequoia Capital、SVA、First Round、Greg Brockman等投資
Operator是由Uber CoFounder Garrett Camp 聯(lián)合創(chuàng)立，Greylock、GGV等投資
包括Apple、Google、FB、Microsoft、Amazon在內的大廠都在2016年各自的發(fā)布會上發(fā)布了Bot類的產(chǎn)品和開發(fā)平臺。
但現(xiàn)在看來，當時面向C端的商用智能助理產(chǎn)品，無論是巨頭還是創(chuàng)業(yè)公司，全部達不到用戶預期。FB平臺上的Bot失敗率高達70%、Microsoft的Chatbot Tay在Twitter上線一天就被迫下架、Operator 的Co-Founder&CTO 也表示，當時Pre-Transformer的模型處于起步階段，Operator 過早的進入市場找不到PMF?？偟膩碚f，底層技術受限是產(chǎn)品不work的最主要原因。
涉及通用型的智能助理，就不得不提及大腦系統(tǒng)1和系統(tǒng)2的理論。這個理論曾經(jīng)多次被 Yoshua Bengio、Andrej Karpathy 等大佬使用類比智能系統(tǒng)（AI Agent）的工作。
系統(tǒng)1是快思考：無意識、快速、不怎么費腦力、無需推理
系統(tǒng)2是慢思考：需要調動注意力、過程更慢、費腦力、需要推理
當時的智能系統(tǒng)只能完成部分第系統(tǒng)1任務，類似判斷出用戶對話中的邏輯的推理工作難以完成。比如：
用戶讓Siri推薦一個餐廳：Siri 會推薦餐廳
用戶問Siri除了推薦餐廳還能推薦什么？Siri還是會推薦餐廳
用戶讓Siri別推薦餐廳。Siri依然會推薦餐廳
當時大部分的產(chǎn)品架構，深度學習相關的語音識別、語義理解只占到整個產(chǎn)品的不到10%，大部分的開發(fā)在于對話管理系統(tǒng)，來替代系統(tǒng)2的職能。簡單來說就是識別關鍵詞、填表格、再交給后端執(zhí)行任務。
類似被寄予厚望的還有智能音箱。雖然出貨很不錯，但是萬眾期待的killer app并沒有出現(xiàn)，智能與智能之間基本沒有差異性，大部分高頻使用的技能都沒有商業(yè)價值——用戶用的最多的就是“查天氣”。
硅兔賽跑 Amanda：
蘋果用戶都應該記得，Siri當時出現(xiàn)有多驚艷，但很快就從驚喜變成了雞肋，因為沒有什么實際的應用場景。你們怎么看這一波類似的智能助手初創(chuàng)呢？
UpHonest Eric：
這一波生成式AI的出圈就是ChatGPT，想必大家日常生活中也會或多或少的使用，在YC 23年的兩個Batch中我們也看到非常多ChatBot應用，后來相繼出現(xiàn)了 Copliot、Agent 的概念，其實他們的產(chǎn)品形態(tài)都是挺相似的。
從用戶反饋來看，顯然ChatGPT是有PMF的。上一波智能系統(tǒng)不能完成的任務，現(xiàn)在很大一部分都可以實現(xiàn)了。核心原因肯定是底層技術的升級：
大模型能力的提升自然不用多說了，呈現(xiàn)出了一定程度的邏輯能力和推理能力。
模型擁有使用工具的能力，API的接入，讓應用有了閉環(huán)交付任務的能力。
那回答你剛才那個問題，基于現(xiàn)在技術，現(xiàn)在我看到的初創(chuàng)公司主要有幾個嘗試的方向：
第一個方向是和上一波一樣，用新技術再次嘗試：面向C端用戶的通用型個人助手。
目前看來，現(xiàn)在的技術還是難以去支持一個通用的復雜任務推理框架。正如上一波C端助手做不下去被迫轉B端類似。如果將任務局限在一個獨特的Vertical里，Agent的表現(xiàn)就會更穩(wěn)定可靠。
第二個方向是通用的對話系統(tǒng) + 特殊的Domain：面向垂直細分的AI專家。
這里的 Domian 可以是行業(yè)的細分，比如像 法律、醫(yī)療、金融 這些數(shù)據(jù)豐富、單位價值較高的行業(yè)，已經(jīng)出現(xiàn)像 Harvey、Hippocratic 這樣的明星公司。
可以是面向 C 端的細分場景，比如 社交、購物、出行、游戲等等。
打造一個讓Agent擁有理解任務、規(guī)劃任務、使用工具并擁有記憶的推理框架。
硅兔賽跑 Amanda：
剛才說的是這波AI浪潮下成立的新公司，那些在此之前成立的公司，他們在本身的行業(yè)中已經(jīng)積累了用戶、數(shù)據(jù)和特有的知識。這些基礎上再加上大模型帶來的賦能，一樣也能發(fā)展的非常好？
UpHonest Eric：
是可以的。比如法律行業(yè)的Ironclad、金融行業(yè)的AlphaSense，包括 Expedia 的AI出行助手也得到了不錯的反響。
硅兔賽跑 Amanda：
確實大量的對話式AI被證偽，但如果選準方向、保持足夠精煉的團隊，也許可以穿越周期。
這讓我想到了一家公司——Assembly AI，他們完整的經(jīng)歷了一個AI周期。AI熱潮時創(chuàng)業(yè)，2017年加入YC，第二年就遇到了AI退潮，面臨技術不成熟、以及由此帶來的增長瓶頸，直到2022年才真正起飛，收入和用戶數(shù)量一下子增長了3倍。并且在去年12月完成C輪融資，Accel領投5000萬美元，并且Accel從2022年A輪開始連續(xù)3輪投資了這個項目。
類似的例子還有不少，這些公司為什么能成功穿越周期？
UpHonest 王子：
我覺得Assembly做到了先活下去。
當時很大的問題確實是技術不成熟，比如Assembly的初代模型只用了1萬小時語音數(shù)據(jù)訓練，而現(xiàn)在的模型是用1000萬小時語音數(shù)據(jù)訓練的。
雖然業(yè)務做的比較艱難，但創(chuàng)始人特別確信語音識別有長期的價值，并且長期看市場機會非常大。所以他們的選擇是保持非常精簡的團隊，從2017到2022年，團隊只漲到15個人，這樣燒錢速度比較慢。
畢竟留在牌桌上，才有機會打出好牌。
另外，我覺得與他們選擇的客戶群體有一定關系。
巧合的是，Assembly與另一家YC 16年的公司Deepgram都是提供語音識別技術，并且都選擇了以API方式服務開發(fā)者。Deepgram發(fā)展也不錯，目前估值超過2.5億美元。
我們覺得開發(fā)者對早期技術公司來說是很不錯的用戶群體，他們試用新技術的積極性更高，對于不是非常完善的技術的接受度也更高，甚至有技術信仰。
GitHub Copilot發(fā)展很不錯，給微軟貢獻了40%的年收入增長，2023年ARR超過1億美元。
硅兔賽跑 Amanda：
對現(xiàn)在的生成式AI創(chuàng)業(yè)者來說，開發(fā)者也還是一個好的目標用戶群體么？
UpHonest 王子：
我覺得是的。
在YC今年的孵化營中，我們看到了好幾家AI軟件開發(fā)公司，比AI生成代碼更進一步，直接生成類似Airbnb、Twitter之類的應用，他們的目標用戶還是開發(fā)者。
不僅如此，還有許多針對開發(fā)者的細分AI工具，例如用對話交互取代數(shù)據(jù)分析師的應用很火，或者在產(chǎn)品中加入聊天機器人的需求旺盛，現(xiàn)在有初創(chuàng)企業(yè)分別針對這樣具體的場景為軟件工程師提供背后的AI infra。
硅兔賽跑 Amanda：
了解，所以面對同樣的問題，不同的選擇會產(chǎn)生不同的結果。我看到一個數(shù)據(jù)，在YC 06年至21年孵化的400多個AI公司中，大約有10%的初創(chuàng)企業(yè)估值超過了1.5億美元，說明還是有不少初創(chuàng)企業(yè)穿越了周期。
我發(fā)現(xiàn)在這10%跑出來的項目中，計算機視覺類占比最高，其中還有智能零售解決方案。
但是據(jù)我了解，Amazon Go的發(fā)展并不如人意，我還記得當時Amazon Go的出現(xiàn)非常驚艷，只需要進入店里，從貨架上拿下產(chǎn)品，再離開商店，就已經(jīng)完成購物了。我們之前的購物體驗都是收銀員或者自助結算機掃描條形碼，那么用算法識別物體替代條形碼掃描，在提升收銀效率的同時，降低了零售商的人員成本。
可是，我看到Amazon Go在2023年關閉8家門店，做類似業(yè)務的各家初創(chuàng)公司也多多少少遇到發(fā)展瓶頸?？梢哉归_聊聊么？
UpHonest Eric：
類似自動駕駛的智能化分級，智能零售系統(tǒng)也存在智能化分級。
以Amazon Go為代表的Check in、grab and go的模式，類比l5級別的自動駕駛，提供全程無摩擦的購物體驗。類似的初創(chuàng)公司有：Standard AI（s17）、Grabango、Zipin 等。
這個模式的vision就是無人零售的終極形態(tài)，難點在于：
首先商超需要全局改造，攝像頭覆蓋、就近服務器部署就需要很大的前期投入
其次由于早期技術的局限性，貨物的識別往往會出現(xiàn)誤差，這導致在自動系統(tǒng)的背后往往需要配備一個人工的復核團隊
最后，對于商超來說，商品的補貨仍然需要人工操作，并不能達到真正的無人零售
- 總的來說，「偉大的愿景」和「現(xiàn)實的困難」是需要平衡的，尤其是在環(huán)境不好、風口不在的時候。這一點其實也印證很多機構對于當下生成式AI應用的觀點。大家認為，2024年是生成式AI應用落地的一年；圍繞生成式 AI 的炒作將讓位于對結果的關注，投資者將開始關注那些通過 GenAI 創(chuàng)造實際收入的的企業(yè)。AI Grant甚至預測，在未來的12-18個月內，會出現(xiàn)收入達到100億美金的AI產(chǎn)品。
因此，無論對于商超還是無人零售解決方案提供商而言，ROI都很難算的過來。正像你提到的 Amazon Go 在去年關了好幾家店；在2021年前后無人零售概念火的時候，各家初創(chuàng)公司都融了不少錢，但由于一直是燒錢的模式，到現(xiàn)在多多少少遇到發(fā)展瓶頸。
以 Mashgin（YC W15）為代表的Checkout unit 模式，類比L3級別的自動駕駛，是原有自助收銀系統(tǒng)的智能化版本。類似的還有Caper（YC W16)，除了智能收銀系統(tǒng)以外，它還提供能夠自主結賬的購物車，在2021年被Instacart（YC S12）以3.5億美金的估值收購。
區(qū)別于AmazonGo的識別模式，Mashgin使用的是靜態(tài)固定角度物體識別，因此他們的解決方案能將當下的計算機視覺算法發(fā)揮到最佳程度。也正因為如此，Mashgin 只需要使用最普通的攝像頭就能達到99.9%的準確率。由于成本優(yōu)勢，Mashgin可以讓用戶感受到直觀的ROI，從而吸引更多的客戶，包括那些經(jīng)濟較差、基礎設施較差的地區(qū)的小商戶。并且對于終端的消費者來說，購物的流程并沒有被改變，不需要下載額外的App、也不需要擔心隱私數(shù)據(jù)的泄露。
硅兔賽跑 Amanda：
Mashgin的故事讓我想到了另外一家公司——Imbue。對于大部分人來說，它在2023年橫空出世，估值一下子達到10億美元，英偉達投資，后續(xù)又拿到了亞馬遜Alexa Fund的投資，其實Imbue是YC在2017年夏天孵化的公司，當時他們的創(chuàng)業(yè)方向是用AI提升招聘效率，公司發(fā)展不理想，直到2022年才確定轉型方向，確定將AGI作為公司核心愿景，并拿到OpenAI前員工的投資支持，2023年又確定了開發(fā)AI Agent產(chǎn)品方向。不知道Imbue早期的投資人有沒有猜到這家公司的跳躍式發(fā)展。
王子，還有哪些穿越周期的案例能帶給我們一些啟發(fā)？
UpHonest 王子：
我覺得還有一個很好的案例是去年被湯森路透6.5億美元收購的AI法律公司Casetext。
他們幫助律師閱覽法律文件、檢索資料、修改文書等等。有一個非常有意思的使用場景，也充分體現(xiàn)了他們對于業(yè)務需求的了解，律師可以讓AI助手閱讀案件相關的往來郵件，AI可以標識出其中涉案的風險詞匯。
Casetext是一家老公司，2013年成立，10年后被收購，他們做到了其他生成式AI公司很難媲美的一點，在被收購時，他們其實使用大語言模型已經(jīng)有五六年時間了。
從2018年的BERT模型開始，第一批在2020年使用GPT-3、第一批在2023年使用GPT-4，2023年業(yè)務起飛，收入增長了3倍，而且原來花1年都不一定能搞定的大律所，現(xiàn)在1個月就拿下了。
Casetext說明了只要目標感足夠強，保持敏銳，且行動力強，就有機會穿越周期。
另外我覺得這個案例反應了現(xiàn)在生成式AI浪潮中一類公司的機會，就是那些深耕垂直行業(yè)，有不錯業(yè)務基礎，現(xiàn)在增加生成式AI產(chǎn)品功能的初創(chuàng)企業(yè)。
這類公司有一個優(yōu)勢就是他們已經(jīng)有現(xiàn)成的客戶，可以在客戶現(xiàn)有的工作流中增加新功能，客戶的切換成本低，投資回報ROI可能更加清晰。
我們之前也提到過ROI的重要性，去年，客戶可能在興頭上，只關心自己得有生成式AI戰(zhàn)略，今年，客戶可能會變得更加實際，關注使用的生成式AI產(chǎn)品的ROI。
我們的一個項目FieldGuide就屬于這個類型，他們剛官宣拿到Bessemer Venture Partners領投的B輪融資，估值倍數(shù)超過一般SaaS標準，被看重的地方就是積累的數(shù)據(jù)和業(yè)務經(jīng)驗。
硅兔賽跑 Amanda：
在上一次北美知名AI投資機構的投資分享中，我們有提到2024年AI應用的投資回報率ROI可能將在采購決策中變得更加重要。有興趣的朋友可以回顧。
想問個問題，有哪些容易產(chǎn)生ROI的應用場景？
UpHonest 王子：
法律顯然是，我們早期投資的Ironclad，從合同管理切入，為不同團隊例如銷售、采購、HR、法律顧問等提供合同協(xié)作管理工具，目前估值大約32億美元。
還有一個思考維度是從現(xiàn)在大量使用外包團隊的業(yè)務場景出發(fā)尋找機會。
例如，在法律象限下的人身意外傷害律師，他們一部分的工作是準備索賠文件，包括案件摘要、醫(yī)療費用（包括誤工費）估算等，這部分一般會請外包團隊來做。
EvenUp這家公司，它的商業(yè)模式就是銷售AI生成的索賠文件資料包，定價對標外包團隊的收費。
還有在醫(yī)療支付環(huán)節(jié)，因為涉及到保險賠付，美國的醫(yī)療機構需要向保險公司提交賬單申請，因此雇傭大量的工作人員，保險機構需要審核，又雇傭大量的行政人員。
只是在醫(yī)院端，找到治療服務對應的保險代碼，醫(yī)療編碼這一個環(huán)節(jié)，就有大約3.5萬名醫(yī)療編碼員負責，他們需要閱讀醫(yī)生筆記和化驗單等資料來確定診斷和手術的代碼，由于編碼錯誤，美國醫(yī)院每年損失將近200億美金的收入。
生成式AI其實可以被用來整理非結構化的醫(yī)生筆記、化驗單等，找到正確的代碼，通過自動化的方式減少人力，同時提高準確率。
大家可以想象還有那些外包場景。
硅兔賽跑 Amanda：
我們已經(jīng)討論了兩個AI周期的發(fā)展以及成功穿越周期的公司對我們現(xiàn)在的啟示，回到我們今天想要討論的話題“2024年會成為2017嗎？”之所以會有此疑問，是因為The Verge在2月提出了2024年將是AI的清算之年。在2017的時候，也曾有很多關于AI泡沫即將破滅的觀點。考慮到現(xiàn)在市場很熱，AI初創(chuàng)公司的估值水漲船高。你們怎么看呢?
UpHonest Eric：
2024與2017確實有相似之處，但是顯然2024只是GenAI的里程碑，并不是由盛轉衰的轉折點。
首先發(fā)展路徑類似，都是理論突破 - 技術破圈 - 應用破圈的路徑。區(qū)別在于，這一波生成式AI無論是人才的密集程度、資金的投入數(shù)量、技術的實現(xiàn)程度以及大眾的認知度都不是一個量級的存在。
大模型的潛力還遠遠沒有窮盡，Sora的出圈證明了 Scale Law 在其他模態(tài)的模型上依然成立?？梢灶A見的是，大型語言模型、多模態(tài)模型將持續(xù)迭代升級，那么基于這些模型的應用能力也會升級、新的應用場景也會被發(fā)掘出來。所以說，如果2017是上一波技術路徑發(fā)展的天花板的，2024只是達到了一個階段性的里程碑，上限在哪里還仍未可知。
其次，現(xiàn)在的市場中確實充斥著很多噪音。Assembly AI的創(chuàng)始人也曾提及，目前對于生成式AI公司來說，marketing具有很大的挑戰(zhàn)，如何清楚的傳達自己在做的事情，讓別人理解自己產(chǎn)品的differentiation是很困難的。從23兩個batch的YC項目就可以看到會有很多公司卷一個類似的idea，包括之前21、22年的公司也會pivot到類似的方向上。這樣的前提下，肯定會有一些公司被淘汰。但同時，那些能給用戶帶來效率提升的應用會得到驗證。GitHub Copilot 付費用戶突破100萬、EvenUp ARR 5倍增長、Microsoft Copilot預測收入將破百億美金。種種跡象顯示，大浪淘沙后生成式AI的應用中跑出了金子。反觀上一波AI，現(xiàn)象級其實成功的案例并不是很多。
最后一點，2024的不同在于生成式AI對于C端的滲透。相比B端，C端應用具有更大相信空間。用ChatUI代替GUI，成為新的人機交互入口，是上一波大廠都想做缺沒做成的事。從ChatGPT、Character AI的表現(xiàn)來看，已經(jīng)有一些成功的跡象了。同時，GenAI 正在向 Prosumer 滲透，這幾天出圈的 SunoAI 就是一點典型的例子。
從價值分配格局來看，這次與上次也會有所不同。我們猜想初創(chuàng)企業(yè)將在這一波生成式AI浪潮中獲取更多價值分配。
在上次的”深度學習”AI浪潮中，新技術創(chuàng)造的增量價值大部分被大廠拿走，比如Meta的廣告推薦、抖音的內容推薦等。
我們投資的一位創(chuàng)業(yè)者，他在2012年創(chuàng)立的計算機視覺公司被亞馬遜收購，他的切身觀察是“在上一個技術周期，AI初創(chuàng)的商業(yè)模式和退出方式主要是靠賣給大公司，那時大廠沒有人才、沒有成規(guī)模體系的AI架構，大廠借此補上了AI基礎設施和團隊短板?！?/p>
硅兔賽跑 Amanda：
有道理，我們確實也已經(jīng)看到了很多初創(chuàng)企業(yè)贏得更多價值的例子，例如Midjourney vs Adobe，Harvey之于法律，Magic對Github Copilot的挑戰(zhàn)。你覺得為什么會有這樣的變化？
UpHonest 王子：
一方面是生成式AI將創(chuàng)造的價值規(guī)模更大，蛋糕更大了。
另一方面是基石模型的出現(xiàn)，從技術層面降低了創(chuàng)業(yè)者打造好產(chǎn)品的門檻。
這是上一波AI浪潮中創(chuàng)業(yè)者不具備的優(yōu)勢。
由于當時的技術對產(chǎn)品性能的提升有限，沒法只靠技術做出10倍好的產(chǎn)品，那現(xiàn)有玩家也許只需要做到新玩家一半好，集成到客戶正在使用的產(chǎn)品中就贏了。
此外，當時數(shù)據(jù)護城河的價值可能要遠高于現(xiàn)在。基石模型用廣泛的互聯(lián)網(wǎng)數(shù)據(jù)作為初始訓練集，就像一個讀完九年義務教育的學生，創(chuàng)業(yè)者可以在這個基礎上進行專業(yè)培訓。而此前可能只有大公司有足夠龐大的數(shù)據(jù)集使模型接受九年義務教育。
所以這次初創(chuàng)企業(yè)的起點和競爭能力都會遠強于此前的AI初創(chuàng)企業(yè)。
UpHonest Eric：
確實，直接調用大模型的API開發(fā)產(chǎn)品其實非常有利于初創(chuàng)企業(yè)，因為可以加速產(chǎn)品開發(fā)進程，可以看到現(xiàn)在AI初創(chuàng)出demo和產(chǎn)品的速度是非?？斓?。
而且在AI這個領域，很多核心的論文都是開源的，越是到技術成熟的階段，大家能使用到的工具和模型就越趨同的。這個時候比拼的就是行業(yè)知識和數(shù)據(jù)的積累，以及利用這些積累打造出優(yōu)秀的產(chǎn)品。
硅兔賽跑 Amanda：
還有什么補充么？
UpHonest 王子：
我們預測2024年收并購肯定會更加活躍、規(guī)模更大，更多玩家參與。
在這兩次技術浪潮中，蘋果都是最活躍的收購方，2023年收購了32家AI初創(chuàng)企業(yè)，是之前的近3倍。
現(xiàn)在人才和技術的價格顯然更貴。微軟支付給大模型公司Inflection AI 6.5億美元，Inflection的聯(lián)創(chuàng)和大部分團隊（約70人）將加入微軟。Databricks 13億美元收購MosaicML（62人）。
在之前的浪潮中，谷歌收購DeepMind（75人團隊）大概花了5億美元，蘋果收購Siri大概花了2億美元。
此外，初創(chuàng)企業(yè)之間的收并購在今年第一季度頻繁發(fā)生。例如Jasper收購文生圖應用，企業(yè)開支管理軟件Ramp收購AI驅動的采購軟件，AI推理芯片Groq收購企業(yè)級AI應用等，AI醫(yī)療管理公司Syllable收購接診AI等。
預測2024年巨頭持續(xù)活躍收購AI初創(chuàng)企業(yè)，傳統(tǒng)公司關注AI收并購加速AI轉型，初創(chuàng)企業(yè)之間的收并購更活躍以增強競爭力。整體會更加活躍。
硅兔賽跑 Amanda：
我們的結論是「2024不會是新的2017」。那么2024有哪些新東西值得期待？
UpHonest Eric：
我覺得 Embodied AI是值得期待和關注的方向。
首先作為鏈接數(shù)字世界和物理世界的大模型，它的想象空間是巨大的。
其次可以看到越來越多的大廠可以投資資源：
GTC上Nvidia宣布了開啟人形機器人通用基礎模型GROOT項目。
再早一些，F(xiàn)igure與OpenAI合作發(fā)布的人形機器人演示視頻也吸引了一大波關注。
包括Google最早從12-13年收購 Boston Dynamic 開始就一直在機器人領域投入很多。他們開源的RT模型和相關數(shù)據(jù)對外界模型的開發(fā)起了很大的幫助。
最后知名的人才也在往這個方向匯聚：
Geoffrey Hinton在離開Google后參與了一家機器人初創(chuàng)公司
Lifefei 對標 ImageNet 做機器人版本的數(shù)據(jù)集
硅兔賽跑 Amanda：
那現(xiàn)在Embodied AI處于一個什么階段呢？
UpHonest Eric：
首先，Embodied AI的研究仍然處于非常早期的階段。
如果把它作為Transformer衍生的角度來看的話，目前主流的像PaLM-E、RT-2目前仍處于GPT-1的水平。
如果把它作為一個全新的領域去攻克的話，那Embodied AI 僅僅處于 ImageNet 出現(xiàn)的階段。
但，無論怎么去看，高質量的訓練數(shù)據(jù)依然是限制模型發(fā)展的重要障礙之一。值得一提的是，Sora 的出現(xiàn)可能會對 Embodied AI的進展起到意想不到的效果。如果 Sora 在訓練視頻生成能力的同時泛化出模型對于真實物理世界的認識和感知的話，這對于機器人的訓練是非常有幫助的。
當然了，雖然 Embodied AI 仍然處于非常早期的階段，但是我覺得 Embodied AI 的發(fā)展進程可能會比大模型發(fā)展的周期更快。因為資本和人才已經(jīng)見證過了大模型這個成功案例。所以支持下一波大機會的資金和人才信心和意愿也會更強，基礎設施也會更完備。
硅兔賽跑 Amanda：
還有其他值得期待的嗎？
UpHonest 王子：
數(shù)字化滲透率低的傳統(tǒng)行業(yè)，有可能跳過軟件階段，直接進入AI階段，類似新興市場從使用現(xiàn)金直接轉向移動支付。
我們投資的為家政服務行業(yè)提供AI接線員的公司，數(shù)據(jù)增長非?？臁?/p>
這個方向的潛力吸引到一個非常資深的團隊進場，它的CEO之前創(chuàng)立了為Siri提供技術的公司，被2億多美元收購，之后又創(chuàng)立了一家計算機視覺公司，被美國農業(yè)機械巨頭John Derre收購。
醫(yī)療行業(yè)值得關注。
美國市值前100的上市軟件公司中，只有一家服務醫(yī)療行業(yè)。
看了今年YC孵化營，我們感覺今年AI+醫(yī)療的應用格外多，甚至細化到牙醫(yī)的AI接診員，放射科醫(yī)生、家訪護士和住院護士的助手等。
在我們與創(chuàng)業(yè)者的交流中，他們認為醫(yī)療行業(yè)有可能成為美國最先擁抱AI立法的行業(yè)，預計會有更多創(chuàng)業(yè)者在信號更明確后開始AI+醫(yī)療創(chuàng)業(yè)。
硅兔賽跑 Amanda：
我想到可能還有AI語音，在上次分享中也有提到，美國知名AI投資機構共識的方向。Air Street Capital預測今年會有AI生成的歌曲成為 billboard 或 Spotify 熱門單曲。
最近刷屏的Suno AI似乎初步印證了這一猜測。
確實在今年的YC，在文字、圖片、視頻、音頻這四種模態(tài)的內容生成中，最爆的是AI語音生成，有近10家初創(chuàng)企業(yè)。
本文為專欄作者授權創(chuàng)業(yè)邦發(fā)表，版權歸原作者所有。文章系作者個人觀點，不代表創(chuàng)業(yè)邦立場，轉載請聯(lián)系原作者。如有任何疑問，請聯(lián)系editor@cyzone.cn。
