来源:
作者:曲凯
“壁垒是什么？”
“什么是分化？”
“大模特自己该怎么办？”
“为什么你能做到别人做不到的事？”
从2月份到现在，我们已经接到10个左右的AI应用层项目做FA，每个项目到最后都会反复遇到这些问题。
这些问题几乎是惊世骇俗，耳濡目染，余音绕梁三日。
所以如果你是最近才开始看AI应用的投资人，我有个办法可以帮你省一个月左右的时间:
只要遇到项目，直接问壁垒是什么。项目方说不出来，就继续前进。无论如何，我们都要在谈话的最后回过头来纠结这个问题。最好五分钟结束战斗，这样也能节省创业者更多的时间。
然后，你就可以得出和花了很多时间谈了很多项目的投资同事几乎一样的结论:
“这些项目看似没有壁垒，很难出招。。"
当然，以上只是小吐槽，开个玩笑& # 8230；
事实上，近两个月来大多数机构都将目光聚焦在了大模型上，造成了国内大模型项目的数量和融资场面的火爆。然后最近两周大家开始看应用级的项目(中间层在国内更差，好像直接忽略跳过，默认没有机会？)，所以就来了我上面说的这种情况。
我们10个项目，有三个已经敲定，大概三四个在路上被寄予厚望，三四个比较难，大概是这个比例。而且我还是有信心的，我们谈的项目在市场上是有代表性和标准的，对接的机构看这个方向也是最主流的。所以整体市场真正能拿到融资的应用层项目比例远远小于这个。
从我们了解到的数据来看，在AI领域做的最多的大概有两三家机构，每家机构投资了四五个项目(主要是模型项目)，另外实际投资了一两个项目的机构大概有20家左右，所以真正的AI应用层项目实际上是可以拿到融资的，至少和目前整体的市场热情和共识是完全不相容的。
出现这种情况的原因是什么？创业者应该如何应对？这条赛道的障碍是什么？以下是我们最近思考的结论:
1)大模型的能力和意义被明显高估。
Maithra Raghu已经在Google Brain工作了八年，我很赞同她最近的一篇文章(一个大模型统治他们所有人吗)关于大模型的未来。
如上图所示，她的观点是会有几个通用的大模型来满足广义上的普通大众的需求，而在垂直的高价值、大用户群场景下会有很多专业的模型(比如图像生成、营销文案协同、编程助手等。)，更像是端到端的应用，占领用户场景，建立自己的模型。
她的推理逻辑也很简单:
1)专业化领域的用户对产品性能要求较高，需要更好的定制化产品和技术解决方案，直接调用通用大型号很难满足。
2)要把产品做得更好，需要更完善、更灵活的数据反馈和底层架构，而一般的大模型在可控性上很难做到。
3)垂直场景产品的护城河是数据，最珍贵的是数据，所以一旦有了场景和用户，这些产品提供者就有足够强大的动力保护自己的数据不被其他大模型调用，所以基于开源的大模型训练自己的模型几乎是必然的选择。
4)4)AI领域本身是非常协作和开源的，成本也在降低，所以未来自己做大模型的门槛会不断降低。
所以基于以上原因，她得出的结论是，未来可能会出现很多大模型，少数通用的，更垂直的，整个生态会极其繁荣，会有更多端到端应用的机会，而不是通用的大模型本身。
我估计这也是为什么美国有很多应用级公司融资的新闻，很少看到国内类似公司抢着投资大模型创业公司的新闻(好像美国的大模型公司也是端到端的应用公司，都是直接有产品和场景的，大模型只是为了更好的满足产品)。
其实我相信很多国内的大模型公司也是在追求场景和产品，而不仅仅是讲一般的大模型故事，所以核心问题是这些公司应该叫大模型公司还是应用公司。如果他们实际上是端到端的应用公司，我们如何评价这些公司的核心竞争力？
另外，今天和一个创业的朋友聊天，他提到了一个很有意思的问题。GPT3其实是2020年发布的。在那之后的两年里，为什么只有几个大的模型或者应用公司跑出来？3.5和3有这么大差距吗？那为什么Jasper或者Copy.ai跑出来了？
相信这也是很多从业者值得思考的问题。
2)未来应用的发展轨迹会是怎样的？
上图为Audio Encounter创始人阿尔伯特对未来用户时间分布变化的思考。
在最后一波移动互联网市场，我们会发现，无论什么赛道，在用户时间这个维度上，大家都是竞争对手。
在AI 2.0时代，与人类工作相关的效率会不断提高，所以目前大部分2B的产品其实都是为了卷起这部分用户的时间。最终，也许用户花在产品上的时间越少，他们就会越成功。娱乐相关体验的产物是另一套逻辑，即如何利用AI提升体验而非效率才是最终问题。
另外，A16Z在上面的文章中提到了一个观点，那就是AI会从生成内容到理解内容，从基于简单提示生成长文到基于海量信息总结提炼洞察，再基于洞察提出地面实施的建议(并独立实施？)。
我理解的本质是如何更好的利用AI劳动，一个是从零开始做苦力，一个是从多变到少做分析工作。这两者的结合可以替代大部分日常工作流程和场景。
因此，在业务场景的选择上，我们目前有以下观点:
1)选择对人在回路中的程度要求不高的方向，或者尽量降低产品的程度，尽量从副驾驶的角色让AI无限接近飞行员，这其实和最近autogpt agent的概念是一致的。
2)选择大模型是工具和流程的问题，不是结果的问题。把大模型隐藏起来，尽量弱化它在产品过程中的意义和比重。
3)寻找需要大量人力生成内容的场景，或者寻找原始人力难以处理分析得到洞察的海量数据的场景。
4)要明确我们做的是消磨时间的场景还是赚钱的场景。一个是追求体验，一个是追求效率，不要混为一谈。
5)寻找业务链接复杂的场景，不同链接的连接和积累可以产生显著的数据飞轮效应。
6)在AI时代，谈做个人助理，大概就像做了一个互联网时代社交的梦，需要特别谨慎。在AI时代，也有可能你没想到自己会做私人助理，最后发现自己做的其实是私人助理。
3)人机交互界面会有怎样的变化？
很多人经常讨论AI原生是什么，交互对话是不是未来产品的核心形态等等。，但我个人还是觉得这件事有些言过其实，所以在这里稍微提一下。
AI给交互体验带来的本质变化是智能和灵活，是最小供给模块的解构和重组，对话不一定是所有场景下最高效的交互方式。
对此感兴趣的可以去看看Geoffrey Litt的文章LLMs时代的可塑性软件，他在文中做了非常详细的论证。
简单结论我们在之前的文章中也写过，对话和图形界面的结合是最高效的产品交互方式。最终，在AI时代，产品最核心的变革潜力可能是每个用户都有机会用对话重塑自己的图形界面(或者至少AI可以根据用户需求提示和建议产品功能)。
从另一个角度来说，一个好的产品设计应该是能够让人一心一意去做事，也就是用户可以边聊天边做事，而不仅仅是聊天。)
4)有哪些壁垒？
最后，我们终于进入了这个话题。
ELAD·GIL试图为这种可能性辩护。Competition在这篇文章里解释了AI公司的壁垒问题，但是他一上来其实就给出了一个明确的结论:
很少有SaaS或AI公司在早期有壁垒，这些公司大多在后续发展中逐渐发现并形成自己的壁垒。
当然，这个答案对国内投资者来说可能还不够。
那么我们不妨思考一下，为什么投资者在这个时候更加关注壁垒。在投资SaaS之前，投资消费，或者回到早期投资移动互联网app的时候，天使轮是否有必要对项目进行清晰的壁垒论证？
我认为这有几个原因:
1)过去几年市场融资环境和投资方向的变化，让人们要求更多的确定性和壁垒，但这是否等同于追求让风险投资的风险更小？值得商榷吗？当前市场是否缺乏真正的天使投资？
2)2)AI行业过去发展真的太快了，给大家决策的信息输入不够完整，拍一拍不舒服。但是在市场信息都很明确的情况下，如何错位，获取超额收益呢？
3)人们过分关注底层大模型的能力，认为大模型是万能的。我们不同意这个观点，这个观点在上面部分也是辩证的。我们坚信产品能力永远是核心，技术只是解决用户需求的手段，所以我们看好端到端的应用，认为国内创业者选择从产品场景切入，然后反向补充模型能力的路径是合理可行的。
4)大部分创始人确实谈的方向重叠，误判了市场对AI的热情，在产品没有上线、没有数据的情况下过早进行市场化融资，对AI能力和用户需求的理解不够深入(很多时候是因为没有实践，而不是没有能力)。
所以最后，我们给大多数关注这个领域的企业家的建议是:
1)市场不如预期，热度不代表成交转化。建议在产品上线前或者没有数据前，不要指望利用市场热度成功完成融资。
2)如果真的需要融资，建议理性客观看待市场，大幅降低估值预期，先小额卖出股份，用低估值减少投资者对不确定性的担忧，有点钱做POC也不丢人。
3)问自己三个问题。我对AI的理解比别人更深刻的地方是什么，更巧妙的应用是什么？我对用户需求和场景的理解和别人不一样，有哪些不一样的产品功能？关于壁垒和核心竞争力应该怎么回答？
4)做好以后有自己垂直模式的准备。对于产品创始人来说，这可能是未来对团队能力的挑战。谁能更好地解释和做到这一点，也可能是最终被支付的障碍。
5)来和我们聊聊，看看市场一线的创始人在做什么，在说什么，有哪些投资人是真正在做这个领域的，他们最新的想法和变化是什么。
温馨提示：注：内容来源均采集于互联网，不要轻信任何，后果自负，本站不承担任何责任。若本站收录的信息无意侵犯了贵司版权，请给我们来信(j7hr0a@163.com)，我们会及时处理和回复。
原文地址"ai投是什么，ai机器人赛道"：http://www.guoyinggangguan.com/qkl/154999.html。
微信扫描二维码关注官方微信
▲长按图片识别二维码
