人工智能:A16z：生成式AI面臨的機遇與挑戰

A16Z最近又發了一篇有意思的文章，談到他們認為的生成式AI價值捕獲問題，比如說目前生成式AI在商業化落地存在哪些問題？價值捕獲最大的部分在哪？筆者翻譯后對部分內容進行了注解。文章主要兩部分：第一部分，包括A16Z對生成式AI整個目前賽道的觀察，以及存在什么問題；第二部分除了問題之外，還講解了到底哪塊能捕獲最大的價值，無疑，得基礎設施者的天下*本文版權歸A16Z所有，翻譯僅為供大家學習使用。什么是生成式AI？

生成式AI是機器學習的一個類別，計算機可以根據用戶的輸入/提示，生成原創的新內容。目前這項技術最成熟的應用主要在文本和圖像領域，不過幾乎所有的創意領域都有類似的進步，覆蓋動畫、聲音效果、音樂，甚至是對具備完整個性的虛擬人物進行原創。第一部分：觀察和預測

人工智能應用正在迅速擴大規模，而留存并沒有那么容易，并不是所有人都可以建立起來商業規模。生成式AI技術的早期階段已浮現：比如說，數以百計的新興AI創業公司正沖向市場，開始開發基礎模型，構建AI原生應用程序、基礎設施與工具。當然，確實會有很多熱門技術趨勢，會出現過度炒作的情況。但生成式人工智能的蓬勃發展，已經能看到很多公司產生了實實在在的營收。例如，像StableDiffusion和ChatGPT這樣的模型創造了用戶增長的歷史記錄，有的應用在推出后不到一年，就達到了1億美元的年營收，并且人工智能模型在部分任務中的表現要比人類的水平高幾個數量級。我們發現，技術范式轉型正在發生。但是，需要研究的關鍵問題在于：整個市場中，哪些地方會產生價值？過去一年里，我們和幾十位生成式AI創業公司的創始人和大公司AI領域的專家。我們觀察到目前為止，基礎設施供應商很可能是這個市場上最大的贏家，因為基礎設施可以獲得經過整個生成式AI堆棧最多的流水和營收。盡管主攻應用開發的公司收入增長非常快，但這部分公司往往在用戶留存、產品差異化和毛利率方面存在弱勢。而大多數模型供應商目前還沒有掌握大規模的商業化能力。再說的準確一點，那些能夠創造最大價值的公司，比如說能夠訓練生成式人工智能模型，并將這種技術應用于新的應用程序，目前還沒有完全抓住行業中的的大部分價值。所以，現在想要預測后面的行業趨勢并不是那么容易。但是，想辦法了解整個行業堆棧的哪些部分能做到真正的差異化，和可防御化很重要，因為這部分可以對整個市場結構和長期價值驅動力產生重大影響。但迄今為止，除了現有公司傳統意義上的業務護城河，很難在堆棧上找到結構上可防御性。我們看好生成式人工智能賽道，也堅信這個領域對各個行業產生巨大影響。這篇文章的撰寫目的，主要是為了描繪市場的動態，回答一些關于生成性人工智能商業模式更為廣泛的問題。技術棧：基礎設施、人工智能模型和應用程序

CZ回應“a16z投票反對在BNB Chain上部署Uniswap V3”：人民投票與金錢投票是完全不同的:金色財經報道，針對“a16z投票反對在BNB Chain上部署Uniswap V3”一事，幣安首席執行官 CZ 在社交媒體上發問：“UniSwap 是由 a16z 控制的嗎？”此外，CZ 還表示，人民投票與金錢投票是完全不同的，鏈上投票意味著巨鯨可能會控制區塊鏈，就像股東一樣，幣安已經在會議上就這個問題進行了討論。[2023/2/6 11:50:16]

想要了解生成式人工智能賽道和市場是如何形成的，首先需要定義目前整個行業的堆棧：

整個生成式人工智能的堆棧可分為三層：1.將生成式AI模型，與面向用戶的產品應用集成，這種通常是運行自己的模型管道，或者依賴第三方API2.為人工智能產品提供動力的模型，以專有API或開源檢查點的形式提供開放出來，要么需要把整個模型的構建方式以及預訓練的模保密，只開放一個接口API，如果是前者的話，你就要自己去跑訓練/微調/推理，所以需要知道它能什么樣的環境、什么樣的硬件基礎上跑，所以需要有人提供一個托管平臺處理模型運行環境的事情）3.為生成性人工智能模型運行訓練和推理工作負載的基礎設施供應商需要注意的是，這塊我們講的并不是整個市場的生態圖，而是一個分析市場的框架，本文在每個類別中都列出了一些知名廠商的例子，不過沒有囊括列出目前所有最厲害的AIGC應用，也沒有深入討論MLops或LLMops工具，因為這塊還沒有達到完全成熟的標準化，有機會我們會繼續討論。第一波的生成式人工智能應用開始形成規模化，但在留存和差異化方面卻不容易在之前的技術周期中，傳統意義上的觀點會認為，想要建立大型的、獨立的公司，就必須擁有終端客戶，這里的終端客戶包括個人消費者和B2B買家。因為這種傳統意義上的觀點，大家很容易也認為：生成式人工智能中最大的機會也在于能夠做面向終端用戶的應用的公司。但是到目前為止，其實情況并不一定會這樣。生成式人工智能應用的增長非常驚人，這種增長主要是由非常新穎和應用案例所驅動的，比如說圖像生成、文案寫作和代碼編寫，這三個產品類別的年收入已經超過了1億美元。但是，光增長還不足以構建持久的軟件公司，關鍵在于，這種增長必須是有利潤，也就是說，用戶和客戶一旦注冊就可以產生利潤，并且這種利潤還需要能夠長期可持續。如果公司之間不存在強大的技術差異化，B2B和B2C應用程序只要通過網絡效應，和數據優勢，再或者構建愈發復雜的工作流程，從而獲得成功。但是，在生成式人工智能領域，上述假設未必成立。在我們調研的做生成式人工智能APP的創業公司中，毛利率的變化范圍很廣，少數公司能達到90%，多數公司毛利率低至50-60%，這塊主要由模型成本影響。盡管我們可以看到目前渠道頂端的增長，但是，還不清楚目前客戶獲取策略是否可以持續，因為已經看到了很多付費獲取的效率和留存率開始下降。目前市面上的很多應用程序也確實缺乏差異性，因為這些應用主要依賴于相似的底層人工智能模型，并沒有發現明顯能夠具備獨家網絡效應、其他競爭對手很難復制的的殺手級應用和數據/工作流程。因此，目前我們還不知道能夠建立可持續的生成式人工智能商業化業務的最佳實踐到底是什么，隨著語言模型的競爭和效率的提高，利潤率應該會提高。隨著那波僅僅因為人工智能的熱度才來的用戶逐步冷卻，離開市場，用戶留存率大概率會增加。并且，我們認為垂直整合的應用在制造差異化方面具備優勢，但是很多還需要接下來的實踐證明。展望未來，生成式AI應用會面臨什么問題？

a16z合伙人：a16z的加密基金仍有數十億美元可供部署:金色財經報道，a16z合伙人Chris Dixon表示，a16z最近的加密基金大部分仍有待部署。最新的45億美元基金被稱為 \"Crypto Fund 4\"于5月推出，并將15億美元用于種子投資，30億美元用于風險投資。他還指出了加密對沖基金的區別，他說加密對沖基金沒有同樣的靈活性來擴展部署。（the block）[2022/12/20 21:54:59]

在垂直整合方面如果人工智能模型作為一種消費型服務，應用開發者可以用小團隊模式快速迭代，并隨著技術的進步，逐步更換模型供應商。但還有開發者不同意，他們認為，產品就是模型，從頭開始訓練是創造可防御性的唯一途徑，這里指的是不斷地對專有產品數據進行再訓練。但這就需要更高的資本，并且需要穩定的產品團隊為代價的。構建功能與應用程序生成式人工智能產品具備很多形式：桌面應用，移動應用，Figma/Photoshop插件，Chrome擴展應用...甚至還包括Discord機器人。在用戶已經在應用、有使用習慣的地方整合人工智能產品比較容易，因為用戶界面較為簡易。但是，這些公司里有哪些會成為獨立的公司？哪些會被微軟或谷歌人工智能巨頭所吸納？會和Gartner公司發布的炒作周期時機。第二部分：關于生成式人工智能的規模化商業落地

我們第一部分說了目前生成式AI的堆棧以及面臨的部分問題。第二部分繼續講：關于生成式人工智能的規模化商業落地以及到底WinnerTakesAll價值捕獲最大的,在哪部分？還有上面其他問題?目前行業的問題在哪?盡管模型的發明，導致生成式人工智能技術廣為人知，但目前還未達到大規模的商業落地的程度倘若沒有谷歌、OpenAI和Stability等公司在研究方面的付出，以及這些公司將研究工程化，我們今天就無法見證如此成功的生成式人工智能技術。無論是我們看到的全新模型架構，還是擴展訓練管道，主要得益于當前大型語言模型和圖像模型的強大能力。然而，如果我們去看這些公司的收入，和這么大的使用量和市場的熱度比，收入并不是很高。在圖像生成這塊，StableDiffusion的社區出現爆炸性增長。但Stability公司的主要檢查點是開放的，這也是Stability業務的核心宗旨。在自然語言模型方面，OpenAI以GPT-3/3.5和ChatGPT而聞名。但到目前為止，基于OpenAI構建的殺手級應用還是較少，而且價格已經下降過一次。(想想為什么降價？）

粉絲變現平臺Fanhouse完成2000萬美元A輪融資，a16z領投:5月18日消息，粉絲變現平臺Fanhouse宣布完成2000萬美元A輪融資，本輪融資由a16z領投。Fanhouse首席營銷官Rosie Nguyen表示，目前Fanhouse平臺上的創作者總收入已經接近1000萬美元。平臺上的頭部創作者包括樂隊組合The Chainsmokers（他們也是該平臺的種子輪投資者）、象棋KOL Andrea Botez以及演員Yoshi Sudarso等。

針對蘋果和谷歌的平臺方抽成問題，Fanhouse則推出了應用內貨幣Coins，Coins需要用戶在網頁端購買后在App中對創作者打賞。Nguyen表示，雖然這樣的內購方法對用戶而言并不方便，但對于創作者來說這一策略可以規避平臺方抽成，盡可能保證創作者的收入實現最大化。（techcrunch）[2022/5/18 3:23:25]

當然，目前這些可能只是暫時現象。Stability是新型創業公司，沒有把重點放在商業化上。OpenAI有可能擁有海量業務，隨著更多的殺手級應用的構建，OpenAI可以賺取所有自然語言行業類別收入的很大一部分，特別是如果OpenAI與微軟的產品組合的整合順利進行,這些模型的高使用量會帶來大規模收入。但也存在隱患：比如說，如果模型開源，那么它就可以由任何人托管，包括那些不承擔大規模模型訓練成本的其他公司。而且目前還不清楚，閉源模型可以無限期地保持其優勢。例如，比如說我們開始看到Anthropic、Cohere和Character.ai等公司建立的大模型LLMs接近OpenAI的性能水平，在類似的數據集上訓練，采用類似的模型架構。StableDiffusion的例子表明，如果開源模型的性能和社區支持達到了一定水平，那么同一個賽道的其他替代品可能會發現競爭非常困難。到目前為止，對模型提供方來說，最明顯的收獲也許是與托管有關的商業化開放出來，要么需要把整個模型的構建方式以及預訓練的模保密，只開放一個接口API，如果是前者的話，你就要自己去跑訓練/微調/推理，所以需要知道它能什么樣的環境、什么樣的硬件基礎上跑，所以需要有人提供一個托管平臺處理模型運行環境的事情）；以及對專有API的需求正在迅速增長。比如，開源模型的托管服務出現，成為輕松分享和整合模型的樞紐，甚至在模型生產者和消費者之間，產生了間接的網絡效應。還有有力的假設是，有可能通過微調和與企業客戶的托管協議，來實現公司的盈利。不過，模型供應方還面臨著問題：商業化。普遍觀點認為，隨著時間的推移，人工智能模型的性能將趨于一致。在與APP開發人員交談時，目前這種性能一致的現象還沒有發生，因為在文本和圖像模型中都有排名靠前的選手。這些公司的優勢，不在于獨特模型架構，而是基于很高的高資本要求、專有的產品互動數據和稀缺的AI人才。但是，這些能夠成為一家公司長久可持續的優勢嗎？脫離模型供應商的風險。依靠模型供應商是很多APP公司起步的途徑，它們甚至靠供應商發展業務，但是，一旦達到規模，APP開發商，就有動力建立和/或托管自己的模型。許多模型供應商的客戶分布并不均衡，少數應用程序掌握了大部分的收入。如果這些客戶不用供應商的模型，轉向自己內部進行人工智能模型開發，怎么辦？資本會很重要嗎？生成式人工智能的愿景太大了，以至于許多模型供應商已經開始將公共利益納入其使命。這一點也沒有妨礙他們的融資。但需要討論的是，模型供應商是否真有意愿去獲取價值，以及他們是否應該得到這些。得基礎設施得天下。生成式人工智能中的所有，都會使用云托管的GPU服務。無論是模型供應方還是研究實驗室，運行訓練工作負載，還是托管公司運行推理/微調，FLOPS是生成式人工智能的關鍵。前向傳播時所需的計算力，它反應了對硬件如GPU性能要求的高低；2）參數個數，它反應所占內存大小。為什么要加上這兩個指標呢？因為這事關你模型算法的落地。比如你要在手機和汽車上部署深度學習模型，對模型大小和計算力就有嚴格要求。模型參數想必大家都知道是什么怎么算了，而前向傳播時所需的計算力可能還會帶有一點點疑問。所以這里總計一下前向傳播時所需的計算力。它正是由FLOPs體現。參考資料：知乎阿柴本柴：https://zhuanlan.zhihu.com/p/137719986）因此，生成式人工智能領域的很多資金，最終都流向了基礎設施公司。粗略估計的話，平均而言，應用程序公司在推理和每個客戶的微調上花費了大約20-40%的收入。而這筆收入通常是直接支付給云供應商的計算實例或第三方模型供應商，供應商反過來又將大約一半的收入用于云基礎設施。因此，我們可以推測：今天生成式人工智能總收入的10-20%是給了云供應商。除此之外，訓練自己的模型的初創公司，也已經融資數十億美元的風險資本，而其中大部分通常也是花云供應商身上。許多科技公司每年在模型培訓上花費數億美元，它們要么與外部云供應商合作，要么直接與硬件制造商合作。對于一個AIGC新生市場來說，其中大部分是花在三大云上：亞馬遜云科技、谷歌云和微軟Azure，這些云供應商每年總共花費超過1000億美元的資本支出，以確保擁有最全面、最可靠和最具成本競爭力的平臺。特別是在生成式人工智能這塊，這幾家云廠商可以優先獲得稀缺的硬件（阿法兔注釋：A100就長下面那樣也可以讀這篇文章：突發|關于美國停止英偉達對華銷售部分產品的解讀20220901

福布斯公布2022年百大風投人：A16z的Chris Dixon與Ribbit Capital的Micky Malka包攬前二:4月15日消息，福布斯近日公布了2022年百大風投人名單，其中A16z的Chris Dixon與Ribbit Capital的Micky Malka分別位列第一第二。據了解，二人都因為早期對Coinbase的押注而在2021年的IPO中獲得巨額回報，其中Chris Dixon還曾投資過Avalanche與Uniswap等知名加密項目，而A16z和Ribbit Capital都因廣泛押注加密賽道著稱。[2022/4/15 14:25:35]

于是乎，競爭出現，比如像甲骨文這樣的挑戰者，再或者如Coreweave和LambdaLabs這樣的創業公司，已經通過專門針對大型模型開發商的解決方案迅速發展，在成本、可用性和個性化的支持方面進行競爭，這些公司還公開了更細化的資源抽象，而大型云由于GPU虛擬化的限制，只提供虛擬機實例。[阿法兔研究筆記注釋：舉個例子，我們想在互聯網上購物、發消息、使用網上銀行，都是在和基于云的服務器進行交互。也就是說，當我們在用客戶端，這時候，計算能力就很重要了。前面我們說過，虛擬機屬于計算能力的一部分，在我們使用云服務商的云計算解決方案時，可以根據企業目前的能力和需求，選擇使用虛擬機。啥是虛擬機呢？就是計算機系統的仿真器，可以在一個完全隔離的系統中，提供我們真實計算機的功能。系統虛擬機可以提供一個可以運行完整操作系統的完整系統平臺，例如我們用的Windows系統。MACOS系統等。程序虛擬機就是，可以在仿真器里單獨運行計算機程序。也就是說，如果購買了云服務商提供的虛擬機，就像從云服務商那里買了一塊地，之后就可以在虛擬機上面安裝各種軟件和運行各種任務，就像我們在自己買來的土地上自由改造，蓋房子一樣。什么是容器？容器，我們通常會理解為，飯碗、器皿等可以裝東西的工具。IT里常說的容器技術又是什么？其實,這個詞語來自于LinuxContainer翻譯，在英文里，Container這個單詞有集裝箱、容器的含義。但是由于容器在中文中讀起來更順口，我們就使用中文的容器作為常用詞語。如果想要形象的理解LinuxContainer技術，讀到這里的你，腦海中可以想象出海邊貨運碼頭的集裝箱。

a16z：已經在2021年籌集總共90億美元基金:1月8日消息，a16z發文宣布已經于2021年籌集總共90億美元基金，包括15億美元Bio基金，50億美元增長基金，25億美元風投基金，22億美元加密基金，4億美元種子基金，并表示將繼續投資全階段（公司），（為這些公司）提供2.5萬到數億美元投資。[2022/1/8 8:34:11]

貨運碼頭里的集裝箱是運載貨物用的，它是一種按規格標準化的鋼制箱子。集裝箱的特點是，都是方形的，并且格式劃一，可以層層疊放。這樣一來，貨物在集裝箱內可以放入巨型貨運輪船，需要運送貨物的生產廠商就可以更加快捷方便地運送貨物，集裝箱的出現，為生產商提供更高效的運輸服務。根據這種方便運輸服務，為了在中文環境能夠容易地使用，計算機世界里引用了容器這一形象的概念。]我們認為，迄今為止生成式AI的最大贏家，是負責運行絕大部分人工智能工作負載的英偉達Nvidia。英偉達在2023財年第三季度的數據中心GPU收入為38億美元，其中有很大一部分用于生成式AI的使用案例。，又稱顯示核心、視覺處理器、顯示芯片，是一種專門在個人電腦、工作站、游戲機和一些移動設備上做圖像和圖形相關運算工作的微處理器）英偉達通過幾十年以來對GPU生態的投資，和學術界的長期深入應用，圍繞這一業務建立了強大的護城河。最近的分析發現，Nvidia的GPU在研究論文中被引用的次數是頂級AI芯片初創公司的90倍。當然，也存在其他硬件的選擇確實存在，包括谷歌TPU；AMDInstinctGPU；AWSInferentia和Trainium芯片；以及Cerebras、Sambanova和Graphcore等初創公司。英特爾公司以自家高端Habana芯片和PonteVecchioGPU進入市場。但到目前為止，英特爾新芯片中很少有占據重要市場份額的。其他兩個值得關注的例外是谷歌和臺積電，前者的TPU已經在穩定擴散社區和一些大型GCP交易中獲得牽引力，后者被認為制造這里列出的所有芯片，包括NvidiaGPU。我們發現：基礎設施是存在有利可圖的、持久的、似乎可以防御的堆棧層但是，基礎設施公司需要回答的問題包括：無狀態工作負載這個怎么辦？這個意思就是說，無論你在哪里租用NvidiaGPU都是一樣的。大多數人工智能工作負載是無狀態的，即模型推理不需要附加數據庫或存儲。這意味著人工智能工作負載可能比傳統的應用工作負載更容易在云端遷移。在這種情況下，云供應商如何創造粘性，防止客戶跑到更便宜的選擇？芯片要是不稀缺了，咋辦？云提供商和Nvidia的定價，因為GPU稀缺供應而可以賣得很貴。有供應商告訴我們，A100的上市價格自推出以來，已經持續上升，而這對計算硬件來說是非常不尋常的。那么，當這種供應限制最終通過增加生產和/或采用新的硬件平臺而消除時，對云供應商有啥影響？新晉云能否突破重圍？我們認為垂直云將以更專業的產品從三巨頭手中奪取市場份額。到目前為止，在人工智能領域，新來的云選手，已經通過適度的技術差異化和Nvidia的支持，獲得了動力。比如說，現有的云供應商既是他們的最大客戶，也是新興的競爭對手。那么，對這些新興云公司來說，長期的問題是，能否克服三大巨頭的規模優勢？那么，價值到底在哪部分會累積最多？我們怎么投，可以捕獲最大的價值？目前還沒有清晰的答案，但是，根據目前掌握的生成式AI早期數據，結合對早期AI和機器學習創業公司的經驗，做出以下判斷：在今天的生成式AI中，幾乎不存在任何意義上的系統性護城河。我們看到目前的應用程序，產品差異化不大，這種跡象非常明顯。原因在于，這些應用使用的是類似的人工智能模型。所以，目前模型面臨的，是無法判斷它們在更長周期內的差異化到底在哪，它們是在類似的數據集和架構上訓練的；而云供應商同樣，大家的技術基本趨同，因為運行相同的GPU；甚至硬件公司，也會在相同的工廠生產芯片。當然，仍有標準護城河——規模護城河存在，比如說同樣的創業公司，我比你更能融資，我的融資能力更強；或者供應鏈方面的護城河，我有GPU，你沒有；或者是生態系統護城河，比如說我軟件的用戶比你多，且開始的早，我有時間和用戶規模壁壘；再或者算法護城河，比如說我的算法就是比你更強大。銷售領域的護城河，我就是比你會賣貨，我是渠道上的佼佼者；再或者就是數據這塊的護城河，比如我收集的數據比你多。但是，這些護城河都無法在長期上具備優勢，且不可持久。而且，目前要判斷強大的、直接的網絡效應到底會在這些堆棧的那一層占據優勢，目前還為時過早。根據現有的數據，目前還無法判斷在生成式人工智能領域，是否會出現長期的、贏家通吃的機會。聽起來有些奇怪，但對我們來說，這是好消息。正是因為整個市場的潛在規模難以把握，它和軟件和所有人的嘗試均息息相關。我們預計會有很多參與這個市場的選手，大家會在生成式AI堆棧的各個層面進行良心競爭。我們期望，橫向和縱向都能跑出來成功的公司。但是，這是由終端市場和用戶決定的。例如，如果終端產品的主要差異化在于人工智能技術本身，那么垂直化領域很可能會勝出。而如果人工智能是一個更大的、長尾的功能集的一部分，那么橫向化也許才是真正的趨勢。當然，隨著時間的推移，我們也應看到更多傳統的護城河的建立，甚至會出現一些全新的護城河。無論怎樣，可以肯定的一點是，生成式人工智能改變了行業。所有人都在持續學習，有大量的價值將被釋放出來，而科技生態將因此而改變。所有人都在努力的路上。

Tags：人工智能APISTAPEN人工智能從事什么工作Pitquidity CapitalMagic Shiba StarterThrupenny

萊特幣