今年来以ChatGPT为代表的生成式AI,带动了人工智能行业掀起一轮发展热潮。


(资料图)

实际上,人工智能和深度学习技术发展已久,所有这些围绕人AI的炒作都忽略了一个简单的事实,那就是这些技术已经发展了几十年。

在过去70多年中不断发展中,三大要素终于齐头并集:先进的算法、大规模数据集和强大的计算能力,共同形成了一场完美的人工智能风暴。

为了更好地了解初创企业在哪些领域仍有机会,以及寡头垄断态势和先发优势的形成,TechCrunch在一篇专栏文章中采访了不同的投资者,旨在深入探讨人工智能以及该行业的发展趋势。

领先大模型企业地位能否保持?专有数据价值几何?真正的AGI何时到来?

pi Ventures创始合伙人Manish Singhal对领先大模型企业地位能否保持?专有数据价值几何?真正的AGI何时到来?等一系列问题发表了看法。

Manish Singhal指出,AI行业处于一个动态变化的格局。许多公司针对下游应用领域成立,只有少数几家公司能成功扩大规模。就基础模型而言,预计 OpenAI未来将面临其他公司的竞争。不过,它们已经占据了有利的先机,要想将它们赶下台并不容易。

未来5年后,在人工智能应用领域,应该会出现重大整合。人工智能正向横向延伸,因此建立在现有模式上的公司要想保住自己的护城河将面临挑战。不过,在应用方面以及基础设施方面(工具和平台),正在进行大量的基础创新,它们可能会比其他公司做得更好。

对于“开源是AI初创企业最明显的市场路线吗”,Singhal指出,这取决于要解决什么问题。对于基础架构层的公司来说,这是一条有效的途径,但不一定对所有公司都有效,因此必须根据所要解决的问题来考虑开源是否是一条好的途径。

对于未来LLM大模型未来的发展,Singhal指出,英语是使用最广泛的语言。根据不同地区的情况,不同语言的LLM模型肯定是有意义的。除了语言上的差异,还希望看到专门针对某些领域(如医学、法律和金融)的大模型变体,以便在这些领域提供更准确、更相关的信息,这方面已经有一些工作在进行,如 BioGPT 和 Bloomberg GPT。

数据价值方面的看法,Singhal指出,专有数据会带来一个良好的开端,但最终很难保持数据的专有性。因此技术护城河来自智能设计算法的组合,这些算法与数据一起被产品化并针对应用进行微调。

此外,Singhal认为,在模型提供的答案准确性方面将有大量工作要做,目前基于神经网络构建LLM方法可能需要比几个月更长的时间才会被颠覆,一旦量子计算成为主流,人工智能的格局将再次发生重大变化。

目前某些应用上已经接近人类的水平,但离真正的 AGI 还很遥远。Singhal认为,这是一条渐近曲线,可能需要很长时间才能全面实现。要实现真正的 AGI,神经科学和行为科学等几项技术的发展也必须赶上来。

AI产业未来格局如何?哪类企业难以生存下去?

对于AI产业未来的格局,AIGlasswing Ventures 创始人兼管理合伙人Rudina Seseri指出,Alphabet、微软/OpenAI 和 Meta 等基础层模型提供商很可能会保持其市场领导地位,并在长期内发挥寡头垄断作用。然而,在提供差异化的模型方面,如 Cohere 和其他资金雄厚的基础层企业,也存在竞争机会。

Rudina Seseri进一步指出,基础层初创企业可能会以两种状态之一结束:一种情况是,基础层将出现寡头垄断态势,就像在云计算市场上看到的那样,少数几家企业将占据大部分价值。另一种可能是,基础模型主要由开源生态系统提供。

对于创始人和风险投资者来说,应用层蕴藏着最大的机遇,能够为客户提供切实、可衡量价值的公司可以取代现有类别中的大型企业,并在新的类别中占据主导地位。正如云计算的价值创造并没有随着云计算基础设施供应商的出现而终结,整个人工智能领域的重大价值创造也尚未到来,人工智能竞赛远未结束。

对于哪些企业会难以生存下去,Rudina Seseri指出,AI领域的一些细分市场可能无法长期发展,其中一个例子就是“GPT封装”类别,围绕 OpenAI 的 GPT 技术构建的解决方案或产品。这些解决方案缺乏差异化,很容易被市场上现有主导企业推出的功能所颠覆。因此,从长远来看,它们将难以保持竞争优势。

同样,不能提供显著商业价值或不能解决高价值、昂贵领域问题的公司也不会成为可持续发展的企业。考虑一下这个问题,为实习生简化简单任务的解决方案不会扩展成重要的业务,而为首席架构师解决复杂难题的平台则不同,它能提供独特的高价值优势。

最后,如果产品不能无缝集成到当前的企业工作流程和架构中,或者需要大量的前期投资,企业在实施和采用时将面临挑战。这将成为获得有意义的投资回报的重大障碍,因为当需要改变行为和代价高昂的架构时,门槛就会高得多。

关键词: