自紅杉資本兩年前發(fā)布《生成式AI：一個(gè)創(chuàng)新的新世界》（Generative AI: A Creative New World）一文以來(lái)，AI生態(tài)系統(tǒng)發(fā)生了天翻地覆的變化，我們對(duì)未來(lái)提出了一些新的預(yù)測(cè)。

生成式AI市場(chǎng)的基礎(chǔ)層已經(jīng)趨于穩(wěn)定，形成了一種平衡態(tài)，包括一些重要的玩家及同盟者，如Microsoft/OpenAI、AWS/Anthropic、Meta 和 Google/DeepMind。現(xiàn)在，只有那些擁有經(jīng)濟(jì)引擎和巨額資本的大玩家才能繼續(xù)參與其中。雖然競(jìng)爭(zhēng)還遠(yuǎn)未結(jié)束（并以博弈論的方式不斷升級(jí)），但市場(chǎng)結(jié)構(gòu)本身正在鞏固，很明顯，未來(lái)生成token的成本會(huì)越來(lái)越低、數(shù)量會(huì)越來(lái)越多。

隨著大規(guī)模語(yǔ)言模型（LLM）市場(chǎng)趨于穩(wěn)定，下一個(gè)競(jìng)爭(zhēng)前沿正在顯現(xiàn)。大家的注意力正逐漸轉(zhuǎn)向推理層的開(kāi)發(fā)和規(guī)?；?，這一層的主導(dǎo)是“系統(tǒng)2”思維。受AlphaGo等模型的啟發(fā)，這一層旨在讓AI系統(tǒng)在推理中進(jìn)行深刻的推理、問(wèn)題解決和認(rèn)知操作，而不僅僅是快速的模式匹配。同時(shí)，新的認(rèn)知架構(gòu)和用戶界面正在塑造這些推理能力傳遞給用戶、以及與用戶互動(dòng)的方式。

這一切對(duì)AI領(lǐng)域的創(chuàng)業(yè)者意味著什么？對(duì)現(xiàn)有的軟件公司意味著什么？作為投資人，我們認(rèn)為生成式AI領(lǐng)域最有希望獲得回報(bào)的層面在哪里？

1. 草莓模型

2024年最重要的模型更新，非OpenAI的o1莫屬，以前被稱為Q*，也稱為為草莓（Strawberry）。此更新不僅重申了OpenAI在模型質(zhì)量排行榜上應(yīng)有的地位，而且對(duì)現(xiàn)狀架構(gòu)進(jìn)行了顯著改進(jìn)。更具體地說(shuō)，這款模型首次展現(xiàn)了真正的通用推理能力，這一成就是通過(guò)“推理時(shí)間計(jì)算”實(shí)現(xiàn)的。

這是什么意思呢？預(yù)訓(xùn)練模型主要依靠“訓(xùn)練時(shí)間計(jì)算”，通過(guò)海量數(shù)據(jù)進(jìn)行下一個(gè)token的預(yù)測(cè)。規(guī)模的增加確實(shí)帶來(lái)了基本的推理能力，但這種推理非常有限。設(shè)想一下，如果你可以教模型更直接地進(jìn)行推理會(huì)怎么樣？這正是Strawberry所做的。當(dāng)我們說(shuō)“推理時(shí)間計(jì)算”時(shí)，指的是要求模型在給你答復(fù)之前“停下來(lái)思考”，這需要在推理時(shí)進(jìn)行更多的計(jì)算（因此被稱為“推理時(shí)間計(jì)算”）。“停下來(lái)思考”就是推理。

2. AlphaGo與大規(guī)模語(yǔ)言模型‍‍‍

那么，模型在停下來(lái)思考時(shí)，到底在做什么呢？

我們可以快速回顧2016年3月在韓國(guó)首爾舉行的那場(chǎng)圍棋比賽。這是深度學(xué)習(xí)歷史上具有劃時(shí)代意義的時(shí)刻之一：AlphaGo與圍棋傳奇大師李世石對(duì)弈。這不僅僅是一場(chǎng)AI與人類的比賽，也讓世界看到AI不僅僅是簡(jiǎn)單模式模仿。它在思考。

AlphaGo與之前的游戲AI系統(tǒng)（如深藍(lán)Deep Blue）有何不同？跟大語(yǔ)言模型（LLM）一樣，AlphaGo首先經(jīng)過(guò)預(yù)訓(xùn)練，以模仿人類專家，該數(shù)據(jù)庫(kù)包括大約3000萬(wàn)盤(pán)來(lái)自之前比賽的棋局和更多來(lái)自自我對(duì)弈的棋局。但AlphaGo不會(huì)提供來(lái)自預(yù)先訓(xùn)練模型的下意識(shí)反應(yīng)，而是花時(shí)間“停下來(lái)思考”。在推理時(shí)，AlphaGo會(huì)在更多的可能棋局中進(jìn)行搜索或模擬，并評(píng)估它們的得分，然后選擇預(yù)期值最好的下法（或響應(yīng)）。給AlphaGo的時(shí)間越多，它的表現(xiàn)越好。由于推理時(shí)間計(jì)算為零，AlphaGo無(wú)法擊敗成熟的人類棋手，但隨著推理時(shí)間的增加，AlphaGo的表現(xiàn)越來(lái)越好，直到超越極強(qiáng)的人類。

將這一概念移植到LLM領(lǐng)域，復(fù)制AlphaGo的難點(diǎn)在于如何構(gòu)建價(jià)值函數(shù)，也就是對(duì)響應(yīng)進(jìn)行評(píng)分的函數(shù)。如果是下圍棋，情況非常直接：可以通過(guò)模擬對(duì)局直到結(jié)束，看看誰(shuí)贏，然后計(jì)算某一步下法的預(yù)期價(jià)值；如果是編程，也比較直接：可以測(cè)試代碼，看看是否能正確運(yùn)行。但如何給一篇文章的初稿評(píng)分？或者評(píng)價(jià)一份旅行計(jì)劃？或一份長(zhǎng)文件的關(guān)鍵內(nèi)容總結(jié)？這就是推理在目前技術(shù)中的難點(diǎn)，也是Strawberry在偏邏輯領(lǐng)域（如編程、數(shù)學(xué)、科學(xué)）表現(xiàn)強(qiáng)大，但在較為開(kāi)放和非結(jié)構(gòu)化領(lǐng)域（如寫(xiě)作）表現(xiàn)相對(duì)不足的原因。

雖然Strawberry的具體實(shí)現(xiàn)細(xì)節(jié)仍是保密的，但核心思想是圍繞模型生成的“思維鏈”進(jìn)行強(qiáng)化學(xué)習(xí)（RL）。對(duì)這些思維鏈的審查表明，模型正在發(fā)生一些類似人類思維的突破性變化。例如，o1展示了遇到瓶頸時(shí)能夠“回溯”的能力，這是推理時(shí)間擴(kuò)展的一種自然結(jié)果。它還展示了以人類的方式思考問(wèn)題的能力（例如，對(duì)球體上的點(diǎn)進(jìn)行可視化以解決幾何問(wèn)題），以及以新的方式思考問(wèn)題的能力（例如以人類不會(huì)采用的方式解決編程競(jìng)賽中的難題）。

研究團(tuán)隊(duì)在嘗試改進(jìn)模型的推理能力時(shí)，并不缺乏推動(dòng)推理時(shí)間計(jì)算的新想法（例如，計(jì)算獎(jiǎng)勵(lì)函數(shù)的新方法、縮小生成器/驗(yàn)證器之間差距的新途徑）。換句話說(shuō)，深度強(qiáng)化學(xué)習(xí)（DRL）再次流行起來(lái)了，它正在啟用一個(gè)全新的推理層。

3. 系統(tǒng)1 vs. 系統(tǒng)2

從預(yù)訓(xùn)練的“本能反應(yīng)”（“系統(tǒng)1”）到更深層次、更深度的推理（“系統(tǒng)2”）的飛躍，是AI發(fā)展的下一個(gè)前沿。AI模型僅僅能了解事物是不夠的，它們需要能夠在作出決策之前實(shí)時(shí)暫停、評(píng)估和推理。

預(yù)訓(xùn)練可以被視為“系統(tǒng)1”。無(wú)論模型是像AlphaGo那樣，用數(shù)百萬(wàn)盤(pán)圍棋對(duì)局?jǐn)?shù)據(jù)進(jìn)行預(yù)訓(xùn)練，還是像LLM那樣，用PB級(jí)的海量互聯(lián)網(wǎng)文本進(jìn)行預(yù)訓(xùn)練，其核心都是模仿模式——無(wú)論是模仿人類的棋局還是語(yǔ)言。模仿雖然強(qiáng)大，但并不是真正的推理，它無(wú)法正確應(yīng)對(duì)復(fù)雜且未知的情況，尤其是樣本之外的情況。

這就是“系統(tǒng)2”思維發(fā)揮作用的地方，也是目前AI研究的重點(diǎn)。當(dāng)模型“停下來(lái)思考”時(shí)，它不僅僅基于過(guò)去的數(shù)據(jù)生成學(xué)習(xí)過(guò)的模式或做出預(yù)測(cè)，而是生成一系列可能性，考慮不同結(jié)果，并基于推理作出決策。

對(duì)于許多簡(jiǎn)單任務(wù)來(lái)說(shuō)，“系統(tǒng)1”已經(jīng)足夠了。例如，正如Noam Brown在我們最新一期的《Training Data》中指出的那樣，花更多時(shí)間思考不丹的首都是哪里并沒(méi)有意義——你要么知道，要么不知道。快速、基于模式的回憶在這種情況下非常有效。

但是，當(dāng)面對(duì)更復(fù)雜的問(wèn)題時(shí)，比如數(shù)學(xué)和生物學(xué)上的重大突破，簡(jiǎn)單的本能反應(yīng)就行不通了。這些問(wèn)題需要深度思考、創(chuàng)造性的解決方案，最重要的是需要時(shí)間。AI也是如此。要解決這些高難度的、最有意義的問(wèn)題，AI需要超越快速的“樣本內(nèi)”響應(yīng)，花時(shí)間去進(jìn)行深度推理，這也是推動(dòng)人類進(jìn)步的關(guān)鍵。

4. 新的擴(kuò)展法則：推理競(jìng)賽已經(jīng)開(kāi)始

o1論文中最重要的見(jiàn)解是，現(xiàn)在出現(xiàn)了一條新的擴(kuò)展法則（Scaling Law）。

預(yù)訓(xùn)練LLM遵循一條眾所周和的擴(kuò)展法則：在預(yù)訓(xùn)練模型上投入的計(jì)算資源和數(shù)據(jù)越多，模型的表現(xiàn)就越好。

而o1論文則揭示了另一個(gè)全新的擴(kuò)展計(jì)算：你給與模型的推理時(shí)間（或“測(cè)試時(shí)間”）越多，模型的推理效果就越好。

如果模型可以思考數(shù)小時(shí)、數(shù)天甚至數(shù)十年時(shí)，會(huì)發(fā)生什么？我們能解決黎曼假設(shè)嗎？我們能回答阿西莫夫的終極問(wèn)題嗎？

這種轉(zhuǎn)變將使我們從一個(gè)依賴龐大的預(yù)訓(xùn)練集群的時(shí)代，進(jìn)入推理云的時(shí)代——能夠根據(jù)任務(wù)的復(fù)雜度動(dòng)態(tài)擴(kuò)展計(jì)算能力。

5. 一個(gè)模型統(tǒng)治一切？

當(dāng)OpenAI、Anthropic、Google和Meta擴(kuò)展其推理層、并開(kāi)發(fā)出越來(lái)越強(qiáng)大的推理機(jī)器時(shí)，會(huì)發(fā)生什么？我們會(huì)面臨“一個(gè)模型統(tǒng)治一切”的局面嗎？

生成式AI出現(xiàn)的早期，曾有一個(gè)假設(shè)：某個(gè)單一的模型公司將變得極其強(qiáng)大、包羅萬(wàn)象，以至于將吞并所有其他應(yīng)用程序。但到目前為止，這一預(yù)測(cè)在兩個(gè)方面是錯(cuò)誤的。

首先，模型層依然存在激烈的競(jìng)爭(zhēng)，最前沿的技術(shù)不斷被超越。雖然可能有模型通過(guò)在廣泛領(lǐng)域的自我發(fā)展，實(shí)現(xiàn)模型的持續(xù)改進(jìn)，并取得了成功，但目前我們還沒(méi)有看到這方面的證據(jù)。相反，模型層是一場(chǎng)肉搏戰(zhàn)，自從上次開(kāi)發(fā)者大會(huì)以來(lái)，GPT-4每個(gè)token的價(jià)格下降了98%。

其次，除了ChatGPT之外，這些模型尚未在應(yīng)用層掀起巨大的波瀾。現(xiàn)實(shí)世界充滿復(fù)雜性，優(yōu)秀的研究人員并沒(méi)有興趣去了解每個(gè)可能的垂直領(lǐng)域中、每個(gè)可能的端到端工作流程的繁瑣細(xì)節(jié)。對(duì)他們來(lái)說(shuō)，停留在API這一層更有吸引力，也更加經(jīng)濟(jì)合理，而讓開(kāi)發(fā)者取應(yīng)對(duì)現(xiàn)實(shí)世界的復(fù)雜性。對(duì)應(yīng)用層來(lái)說(shuō)，這是個(gè)好消息。

6. 復(fù)雜的現(xiàn)實(shí)世界：定制化認(rèn)知架構(gòu) 

一名科學(xué)家計(jì)劃和執(zhí)行行動(dòng)以實(shí)現(xiàn)目標(biāo)的工作方式，與一名軟件工程師的方式截然不同。即便是軟件工程師，不同公司的工作方式也會(huì)大不相同。

隨著研究實(shí)驗(yàn)室不斷推動(dòng)通用推理的邊界，我們依然需要特定領(lǐng)域和應(yīng)用場(chǎng)景下的推理來(lái)提供有用的AI智能體（AI Agents）。現(xiàn)實(shí)世界的復(fù)雜性需要大量針對(duì)特定領(lǐng)域和應(yīng)用場(chǎng)景的推理，而這些推理無(wú)法通過(guò)通用模型有效實(shí)現(xiàn)。

進(jìn)入認(rèn)知架構(gòu)，或者你的系統(tǒng)思考方式：代碼流和模型交互，接受用戶輸入并執(zhí)行動(dòng)作或生成響應(yīng)。

例如，在Factory（AI軟件工程師應(yīng)用）的案例中，他們的每個(gè)“機(jī)器人”產(chǎn)品都有一個(gè)自定義的認(rèn)知架構(gòu)，可以模仿人類思考解決特定問(wèn)題的方式，例如審查拉取請(qǐng)求或編寫(xiě)和執(zhí)行遷移計(jì)劃以將服務(wù)從一個(gè)后端更新到另一個(gè)后端。Factory機(jī)器人將分解所有依賴關(guān)系，提出相關(guān)的代碼更改，添加單元測(cè)試并拉取人類進(jìn)行審查。然后在批準(zhǔn)后，在開(kāi)發(fā)環(huán)境中對(duì)所有文件進(jìn)行更改，如果所有測(cè)試都通過(guò)，則合并代碼。處理方式就像人類那樣，應(yīng)對(duì)一組離散任務(wù)，而不是一個(gè)通用的黑盒子。

7. 應(yīng)用程序發(fā)生了什么？

想象一下，你想在AI領(lǐng)域創(chuàng)業(yè)。你瞄準(zhǔn)的是堆棧的哪一層？

• 你想在基礎(chǔ)設(shè)施領(lǐng)域上競(jìng)爭(zhēng)嗎？祝你好運(yùn)能擊敗英偉達(dá)和其他超大規(guī)模企業(yè)；

• 你想在模型上競(jìng)爭(zhēng)嗎？祝你好運(yùn)能擊敗OpenAI和馬克·扎克伯格；

• 你想在應(yīng)用程序上競(jìng)爭(zhēng)嗎？祝你好運(yùn)能擊敗企業(yè)IT和全球系統(tǒng)集成商。等等。這聽(tīng)起來(lái)確實(shí)很可行！

基礎(chǔ)模型很神奇，但也很復(fù)雜。主流B端企業(yè)客戶無(wú)法處理黑盒子、幻覺(jué)和笨拙的工作流程；C端消費(fèi)者盯著空白的提示，不知道該問(wèn)些什么。這些都是應(yīng)用層的機(jī)會(huì)。

兩年前，許多應(yīng)用層公司被嘲笑為“只是GPT-3套殼”。如今，這些套殼被證明是構(gòu)建持久價(jià)值的僅存可靠方法之一。最初的“套殼”已經(jīng)演變成“認(rèn)知架構(gòu)”。

應(yīng)用層AI公司不僅僅是基礎(chǔ)模型之上的UI，而且遠(yuǎn)非如此。它們具有復(fù)雜的認(rèn)知架構(gòu)，通常包括多個(gè)基礎(chǔ)模型（上層有某種路由機(jī)制）、用于RAG的矢量或圖形數(shù)據(jù)庫(kù)、確保合規(guī)性的護(hù)欄，以及模仿人類思考通過(guò)工作流進(jìn)行推理的方式的應(yīng)用程序邏輯。

8. 服務(wù)即軟件

云服務(wù)轉(zhuǎn)型是“軟件即服務(wù)”（Software-as-a-service，SaaS），軟件公司成為云服務(wù)提供商，這是一個(gè)高達(dá)3500億美元的市場(chǎng)機(jī)會(huì)。

得益于智能體推理（Agentic Reasoning），AI轉(zhuǎn)型是服務(wù)即軟件（Service-as-a-software），軟件公司將勞動(dòng)力轉(zhuǎn)化為軟件。這意味著潛在的市場(chǎng)不是軟件市場(chǎng)，而是價(jià)值數(shù)萬(wàn)億美元的服務(wù)市場(chǎng)。

這對(duì)“出售工作”意味著什么？AI對(duì)話平臺(tái)Sierra就是一個(gè)很好的例子。B2C公司將Sierra植入他們的網(wǎng)站上，負(fù)責(zé)與客戶交流。Sierra的工作是解決客戶問(wèn)題，它按解決問(wèn)題的數(shù)量來(lái)獲得報(bào)酬，這里并不存在“按席位收費(fèi)”的概念。你有一項(xiàng)工作需要完成，Sierra完成了這項(xiàng)工作，并獲得相應(yīng)的報(bào)酬。

這是很多AI公司的真正目標(biāo)。Sierra的做法是，當(dāng)它無(wú)法解決問(wèn)題時(shí)，能優(yōu)雅地將問(wèn)題轉(zhuǎn)交給人工處理（即升級(jí)到人工客服），但并非所有公司都如此幸運(yùn)。一種新興的趨勢(shì)是先部署為協(xié)作模式（有人參與），然后利用這些使用機(jī)會(huì)逐步積累經(jīng)驗(yàn)，最后實(shí)現(xiàn)全自動(dòng)化部署（無(wú)人參與）。GitHub Copilot就是一個(gè)典型的案例。

9. 新一代的智能體應(yīng)用程序

隨著生成式AI的推理能力不斷增強(qiáng)，新一代的智能體應(yīng)用程序（Agentic Applications）開(kāi)始涌現(xiàn)。

這些應(yīng)用層公司的形態(tài)是怎樣的呢？有趣的是，它們與傳統(tǒng)的云服務(wù)公司看起來(lái)有所不同：

• 云服務(wù)公司瞄準(zhǔn)的事軟件利潤(rùn)池，而AI公司瞄準(zhǔn)的是服務(wù)利潤(rùn)池；

• 云服務(wù)公司出售軟件（按席位收費(fèi)），而AI公司出售“工作”（按成果收費(fèi)）；

• 云服務(wù)公司喜歡自下而上、無(wú)摩擦分銷，而AI公司則越來(lái)越多地采用自上而下、高接觸、高信任的交付模式。

  ‍

我們看到，在知識(shí)經(jīng)濟(jì)的各個(gè)領(lǐng)域，一批新興的智能體應(yīng)用程序正快速涌現(xiàn)。以下是一些例子：

• Harvey：AI律師

• Glean：AI辦公助手

• Factory：AI軟件工程師

• Abridge：AI醫(yī)療記錄助手

• XBOW：AI滲透測(cè)試員

• Sierra：AI客戶支持智能體

  ‍

通過(guò)降低這些服務(wù)的邊際成本（與推理成本的下降保持同步），這些智能體應(yīng)用程序正在不斷擴(kuò)展，并創(chuàng)造出全新的市場(chǎng)。

以XBOW為例。XBOW正在開(kāi)發(fā)一款“AI滲透測(cè)試員”。“滲透測(cè)試”（pentest）是對(duì)計(jì)算機(jī)系統(tǒng)進(jìn)行模擬網(wǎng)絡(luò)攻擊，旨在幫助企業(yè)評(píng)估其安全系統(tǒng)。在生成式AI出現(xiàn)之前，企業(yè)只會(huì)在有限的情況下（例如為滿足合規(guī)要求）雇傭滲透測(cè)試員，因?yàn)槿斯B透測(cè)試十分昂貴，這是一項(xiàng)由高技能人員執(zhí)行的手動(dòng)工作。然而，XBOW正在展示基于最新推理LLM的自動(dòng)化滲透測(cè)試，其性能可與最熟練的人工滲透測(cè)試員媲美。這不僅擴(kuò)大了滲透測(cè)試的市場(chǎng)規(guī)模，還為各種規(guī)模的公司提供了持續(xù)滲透測(cè)試的可能性。

10. 這對(duì)SaaS領(lǐng)域意味著什么？

今年早些時(shí)候，我們與我們基金的LP（有限合伙人）討論過(guò)，他們最關(guān)心的問(wèn)題是：“AI轉(zhuǎn)型是否會(huì)摧毀我們投資的云服務(wù)公司？”

我們一開(kāi)始的默認(rèn)回答是“不會(huì)”。初創(chuàng)公司與大企業(yè)之間的經(jīng)典競(jìng)爭(zhēng)中，通常是初創(chuàng)公司要構(gòu)建分銷渠道，而現(xiàn)有大企業(yè)要打造產(chǎn)品。這場(chǎng)競(jìng)爭(zhēng)的關(guān)鍵在于，擁有酷炫產(chǎn)品的初創(chuàng)公司能夠在擁有客戶的現(xiàn)有公司推出酷產(chǎn)品之前，獲得足夠多的客戶？鑒于AI的很多魔力來(lái)源于基礎(chǔ)模型，我們的默認(rèn)假設(shè)是“不能”——現(xiàn)有企業(yè)會(huì)做得很好，因?yàn)樗鼈兏鮿?chuàng)公司一樣容易獲得這些基礎(chǔ)模型，而且它們擁有數(shù)據(jù)和分銷方面的天然優(yōu)勢(shì)。初創(chuàng)公司的主要機(jī)會(huì)不是要取代現(xiàn)有的軟件大企業(yè)，而是瞄準(zhǔn)那些可以自動(dòng)化的工作領(lǐng)域。

話雖如此，但我們現(xiàn)在不再那么確定了。參加前文關(guān)于認(rèn)知架構(gòu)的內(nèi)容。需要大量的工程設(shè)計(jì)，才能將模型的原始能力轉(zhuǎn)化為吸引人的、可靠的端到端業(yè)務(wù)解決方案。如果我們大大低估了“AI原生”的含義，那會(huì)如何？

二十年前，本地化軟件公司曾對(duì)SaaS想法不屑一顧。“這有什么大不了的？我們也可以運(yùn)行自己的服務(wù)器，也可以通過(guò)互聯(lián)網(wǎng)提供這些服務(wù)！”當(dāng)然，從概念上講SaaS確實(shí)簡(jiǎn)單，但隨之而來(lái)的是一場(chǎng)業(yè)務(wù)的全面重塑。工程、產(chǎn)品和設(shè)計(jì)（EPD）部門(mén)的瀑布式開(kāi)發(fā)轉(zhuǎn)變?yōu)槊艚蓍_(kāi)發(fā)和A/B測(cè)試，進(jìn)入市場(chǎng)策略（GTM）從自上而下的企業(yè)銷售轉(zhuǎn)向自下而上的產(chǎn)品驅(qū)動(dòng)增長(zhǎng)（PLG）和產(chǎn)品分析，商業(yè)模式從高平均銷售價(jià)格（ASP）和客戶維護(hù)轉(zhuǎn)向收入留存（NDR）和基于使用的定價(jià)模式，這場(chǎng)變革徹底顛覆了傳統(tǒng)軟件公司的運(yùn)營(yíng)方式。最終，只有極少數(shù)的傳統(tǒng)軟件公司成功實(shí)現(xiàn)了這一轉(zhuǎn)型。

如果AI帶來(lái)的是一個(gè)與SaaS類似轉(zhuǎn)變呢？AI的機(jī)會(huì)是否不僅僅是出售“工作”，還可以取代軟件？

通過(guò)Day.ai，我們可以看到未來(lái)的雛形。Day是一個(gè)AI原生的客戶關(guān)系管理（CRM）系統(tǒng)?，F(xiàn)在的系統(tǒng)集成商通過(guò)配置Salesforce來(lái)滿足客戶需求，獲取了數(shù)十億美元計(jì)的利潤(rùn)。但通過(guò)Day你只需接入你的電子郵件和日歷，并回答一頁(yè)簡(jiǎn)單的問(wèn)卷，即可自動(dòng)生成一個(gè)完全適合你業(yè)務(wù)的CRM系統(tǒng)。雖然它目前還沒(méi)有所有的花哨功能，但完全自動(dòng)化、無(wú)需人工干預(yù)的特性，已經(jīng)讓許多用戶開(kāi)始轉(zhuǎn)換使用。

11. 投資領(lǐng)域

作為投資人，我們投資的周期在哪里？資金部署在哪里？以下是我們的一些簡(jiǎn)要介紹。

1）基礎(chǔ)設(shè)施

這是超大規(guī)模企業(yè)的領(lǐng)域，其驅(qū)動(dòng)力主要是博弈論行為，而非微觀經(jīng)濟(jì)因素。對(duì)風(fēng)險(xiǎn)投資人（VC）來(lái)說(shuō)，這是糟糕的投資領(lǐng)域。

2）模型

這是超大規(guī)模企業(yè)和金融投資者的領(lǐng)域。超大規(guī)模企業(yè)通過(guò)投資模型，將資產(chǎn)負(fù)債表（的資金）轉(zhuǎn)化為損益表（的收益），投資的資金將通過(guò)計(jì)算收入的形式回流到他們的云業(yè)務(wù)中。金融投資者受到“科學(xué)震撼”偏見(jiàn)的影響。這些模型很酷，團(tuán)隊(duì)也非常令人敬佩，但從微觀經(jīng)濟(jì)學(xué)層面來(lái)看卻糟糕透了。

3）開(kāi)發(fā)者工具和基礎(chǔ)設(shè)施軟件

這一領(lǐng)域?qū)?zhàn)略投資者的吸引力較小，但對(duì)VC來(lái)說(shuō)更加有趣。在云服務(wù)轉(zhuǎn)型時(shí)期，大約有15家年收入超過(guò)10億美元的公司誕生在這一層，我們預(yù)計(jì)AI轉(zhuǎn)型期間也會(huì)出現(xiàn)類似的情況。

4）應(yīng)用程序

這是最令VC感興趣的一層。在云服務(wù)轉(zhuǎn)型期間，大約有20家應(yīng)用層公司達(dá)到了10億美元以上的年收入；在移動(dòng)互聯(lián)網(wǎng)轉(zhuǎn)型期間，也有約20家類似的公司誕生；我們認(rèn)為在AI轉(zhuǎn)型中也會(huì)出現(xiàn)同樣的情況。

12. 結(jié)束語(yǔ)

在生成式AI的下一個(gè)階段，我們期望看到推理研發(fā)的影響快速且深入地波及應(yīng)用層。迄今為止，大多數(shù)認(rèn)知架構(gòu)都采用了巧妙的“去除限制”（unhobbling）技術(shù)；現(xiàn)在這些功能已經(jīng)深入到模型本身，我們預(yù)計(jì)智能體應(yīng)用程序?qū)⒑芸熳兊酶訌?fù)雜和強(qiáng)大。

在研究實(shí)驗(yàn)室中，推理和推理時(shí)計(jì)算將在可預(yù)見(jiàn)的未來(lái)繼續(xù)成為一個(gè)重要的議題。隨著新的擴(kuò)展法則的出現(xiàn)，下一場(chǎng)競(jìng)賽已經(jīng)開(kāi)始了。對(duì)于任何特定的領(lǐng)域中，獲取真實(shí)世界的數(shù)據(jù)很困難，構(gòu)建針對(duì)特定領(lǐng)域和應(yīng)用的認(rèn)知架構(gòu)仍然是一個(gè)巨大的挑戰(zhàn)。這意味著，在解決復(fù)雜現(xiàn)實(shí)世界中的各種問(wèn)題方面，“最后一公里”的應(yīng)用程序提供商可能更具優(yōu)勢(shì)。

展望未來(lái)，多智能體系統(tǒng)（如Factory的“機(jī)器人”）可能會(huì)開(kāi)始大量涌現(xiàn)，成為推理和社會(huì)學(xué)習(xí)過(guò)程的建模方式。一旦AI能夠執(zhí)行工作，我們將能組建團(tuán)隊(duì)，讓“工人”完成更多工作。

我們都熱切期待的，是生成式AI下出“第37步”棋，那一刻——就像AlphaGo在與李世石的第二局比賽一樣——通用AI系統(tǒng)用超越人類的東西給我們帶來(lái)驚喜，感覺(jué)就像獨(dú)立思考一樣。這并不意味著AI的“覺(jué)醒”（AlphaGo并沒(méi)有），而是我們已經(jīng)模擬了感知、推理和行動(dòng)的過(guò)程，讓AI能夠以真正全新和有用的方式進(jìn)行探索。這實(shí)際可能是通用人工智能（AGI），如果是這樣，它不會(huì)是單一的事件，而只是技術(shù)發(fā)展的下一階段。

（本文原文發(fā)布在紅杉資本的網(wǎng)站，網(wǎng)址：www.sequoiacap.com/article/generative-ais-act-o1/）