A16z：生成式AI的機遇與挑戰分析_NBS:人工智能技術應用

原文作者：Matt Bornstein, Guido Appenzeller, and Martin Casado

原文翻譯：阿法兔

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（請注意：這些大部分都是A16Z的 Portofolio，請大家本著客觀理性的態度閱讀，本文不構成任何投資建議或者對項目的推薦）

*本文版權歸A16Z所有，翻譯僅為供大家學習使用。

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（生成式 AI 的技術應用），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。

a16 Crypto首席安全官：黑客偽造“蘋果公司”來電對大量Web3名人進行網絡釣魚攻擊:11月26日消息，a16 Crypto首席安全官Nasse-nassyweazy.eth透露，目前有黑客偽造“蘋果公司”電話對大量Web3名人進行網絡釣魚攻擊。攻擊者偽造來電顯示為“Apple,Inc.”的號碼并索取iCloud“恢復密碼”，一旦得手就會竊取所有iCloud同步數據并要求受害者支付贖金。黑客還通過掃描文檔/圖片獲取加密錢包助記詞或密碼，然后注冊新地址轉移和出售受害者錢包內全部有價值的加密資產并清空錢包。[2022/11/26 20:47:39]

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 Stable Diffusion 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。

隱私基礎設施Nym獲得3億美金生態基金承諾，a16z和Polychain等支持:5月2日消息，隱私基礎設施項目Nym宣布推出了Nym創新基金，目前已從一系列風險資本投資者獲得了 3 億美元的承諾，支持者包括 Polychain、Greenfield One、Huobi Incubator、Tioga Capital、Eden Block、NGC Ventures、HashKey Capital、Figment、分布式資本、OKX Blockdream Ventures、Tayssir Capital、KR1、Lemniscap 和 Andreessen Horowitz (a16z) 等，以吸引開發人員加入其生態系統。該基金計劃為單個項目發放的贈款在大約 5 萬美元到數百萬美元之間。

據悉，Nym是新一代的全球隱私基礎設施，其目標是擴大網絡規模，開發高隱私保護特性的基礎平臺，推動強調隱私保護特性的應用產品開發從而提高網絡的效率。（The Block）[2022/5/2 2:45:50]

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。

a16z計劃為兩只新加密基金籌集45億美元:1月20日消息，據英國《金融時報》報道，硅谷風投機構AndreessenHorowitz（a16z）計劃為其新加密貨幣風險基金籌集35億美元，并為另一只專注于數字資產初創公司種子投資的獨立基金籌集10億美元。一位知情人士稱，a16z計劃在3月份之前敲定這兩只基金。[2022/1/20 9:02:03]

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（即橫向與縱向的公司發展）和長期價值驅動力（如利潤率和用戶留存率）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（生成式人工智能的）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。

Mysten Labs在由a16z領投的A輪融資中籌集3600萬美元:金色財經報道，Web 3基礎設施公司Mysten Labs在由Andreessen Horowitz(a16z)領投的A輪融資中籌集了3600萬美元。這家初創公司由Facebook加密部門Novi Research的資深人士創立，并將很快推出一個NFT平臺。據悉，Mysten首席執行官Evan Cheng領導Novi并幫助開發了Diem區塊鏈和Move編程語言。[2021/12/7 12:55:43]

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（"端到端應用"），或者依賴第三方 API

（阿法兔研究筆記注釋：這里我們說的模型管道，指的就是就是一個模型的輸出作為下一個模型的輸入）

2.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（這反過來需要一個托管解決方案）

A16z領投數據隱私平臺Aleo的2800萬美元A輪融資:金色財經報道，為了啟動可編程數據隱私平臺，初創公司Aleo獲得了由風險投資公司a16z（Andreesen Horowitz）領投的2800萬美元A輪融資，Placeholder VC、Galaxy Digital、 Variant Fund和Coinbase Ventures等參投。[2021/4/21 20:41:28]

（注釋：這塊說的是，要么把整個模型的構建方式以及預訓練的模型（又叫檢查點）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（即云平臺和硬件制造商）

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 B 2B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（高毛利），并且這種利潤還需要能夠長期可持續（高留存率）。

如果公司之間不存在強大的技術差異化，B 2B和 B 2C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（Top-of-funnel ）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。

在垂直整合（"模型+應用"）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（re-training）。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（hyper cycle) 一致？

尚且不清楚當前的用戶流失率，是不是都是早期人工智能產品所必須面對的，僅僅是我們當前這批人工智能產品所固有的。再或者，市場對生成式人工智能的興趣，是否會隨著市場炒作的消退而下降。這些問題，對開發 APP 應用程序公司存在重要的影響，包括何時選擇融資的時機、設計用戶獲取策略、對于用戶群的考慮有用戶的優先度，以選擇宣布產品市場匹配（Product Market Fit）時機。

阿法兔

個人專欄

閱讀更多

金色財經

金色早8點

Odaily星球日報

Arcane Labs

澎湃新聞

深潮TechFlow

歐科云鏈

MarsBit

BTCStudy

鏈得得

Tags：NBSBSP人工智能APINBS價格BSPAY幣人工智能技術應用api3幣前景怎么樣

狗狗幣