•
紅杉美國：GenAI是一場10倍速的生產力革命
2022 年9 月，紅杉美國發布的Generative AI：A Creative New World研究引發了第一波關於Generative AI 的討論，而緊接著ChatGPT、GPT-4 的問世加速了GenAI 領域的發展。在紅杉美國的AI Ascent 大會上，幾位合夥人就對過去這一年半中GenAI 的發展進行了相當系統的回顧，GenAI 領域的進步遠比人們預想當中要更迅猛。
和過去幾輪AI 不一樣的是，GenAI 在過去一年中已經創造出了驚人的成績：GenAI 在出現後一年間創造的總收入約為30 億美元，這還不包括科技巨頭和雲廠商間接透過AI 產生的收入，而SaaS 產業花了近10 年才達到這個水準。具體落地上，在客服、法律、寫作等行業或場景中，GenAI 已經在實地創造出收益。
雖然應用層的爆發並沒有一年前市場預測的那麼樂觀，但紅杉美國的幾位合夥人也指出，隨著更聰明的foundation model 出現，例如Sora、Claude-3 等近期陸續推出的新模型，接下來AI 產品的PMF 週期一定會加速。而且，新科技從出現到成熟需要一個過程，革命性應用程式的出現同樣需要時間，行動網路時代， Instagram 和Doordash 這樣具有時代代表性的應用程式都是在iPhone 和App Store 推出幾年後才出現的。
過去一年中市場已經經歷了一個完整的AI Hype Cycle：有泡沫期的過度炒作，也有低谷期的失望和質疑，而現在市場正在重新爬升到生產力平穩期（Plateau of Productivity）。人們逐漸意識到， LLM 和AI 真正產生作用是透過創造、推理和互動三個環節來實現的，這些能力也被融合到了各個領域的應用中為我們所用。
AI 已經擁有了創造和推理能力，例如GenAI 可以生成文本、圖像和音視頻，chatbot 可以回答我們的問題，或者像Agent 一樣幫我們進行多步驟任務規劃，這是以前的任何軟體都無法做到的，也意味著軟體已經可以同時處理右腦的創意任務和左腦的邏輯性任務——這是軟體有史以來第一次能夠以類人的方式與人類進行交互，對商業模式的意義非常重大。
01.Why Now： 從雲端運算到AI
紅杉合夥人Pat Grady 透過回顧過去20 年來雲端產業的發展回答了「為什麼AI 技術為什麼會在近期內爆發」。
Pat 認為，雲端運算是科技領域的重大轉變，它顛覆了過去的科技格局，並因此帶來了新的商業模式、應用程式以及人機互動方式。在雲端產業還處於早期的2010 年，全球軟體的總市值約為3,500 億美元，其中雲端軟體只佔了約60 億。但到了去年，軟體市場的總規模已從3,500 億美元成長到6,500 億美元，而雲端軟體的營收達到了4,000 億美元。這意味著在15 年間，雲端軟體的CAGR 維持在了40%，實現了驚人的成長。
而雲之於AI 是一個很好的類比。雲能取代傳統軟體就是因為具備了與人類更相似的互動能力；同樣，現在的AI 技術在創造力、邏輯推理和人機互動等方面又達到了新的高度。未來，AI 的一大機會將是軟體替代服務。如果能夠實現這項變革，AI 的市場潛力將不是數千億美元，而是數十兆美元等級。可以說，我們正站在有史以來最偉大、最有無限價值創造潛力的時間點上。
至於為什麼認為當下是參與AI 的重要時點，Pat Grady 提到，紅杉從創立以來見證了歷史上的幾次技術變遷、也受益於此，在這個過程中，團隊也對於不同技術浪潮之間如何互相影響、推動世界向前發展有著清晰的認知：
• 1960s：紅杉創辦人Don Valentine 在仙童半導體負責行銷，「矽谷」這個名字的由來也和仙童半導體的矽基電晶體直接相關；
• 1970s：在晶片基礎上，人們建構出了電腦系統；
• 1980s：網路技術把PC 連接在一起，同時軟體產業誕生；
• 1990s：網路誕生，人們的溝通和消費方式因此被改變；
• 2000s：互聯網已經逐步成熟，開始能夠支援複雜的應用程序，雲端運算出現；
• 2010s：因為行動裝置的普及，行動網路時代到來，再次改變了我們的工作方式。
每一次技術浪潮都是在前一次的基礎上疊加和演進的。 AI 的概念雖然早在20 世紀40 年代就已出現，但直到最近幾年AI 才從想法和夢想變為現實，開始商業化，並在人們日常生活中解決實際問題，實現這個突破的前提包括：
• 低價且充足的算力；
• 快速且有效率且可靠的網路；
• 智慧型手機在全球的普及；
• 由Covid 加速的網路化趨勢；
• 上述這些過程中都為AI 帶來了大量數據。
Pat Grady 認為，AI 將成為未來10-20 年的主題，紅杉對此有強烈的信念，儘管這個假設還有待證實。
關於AI 未來的產業格局，Pat Grady 先總結了Cloud 和Mobile 時代出現的收入超過10 億美元的公司（如上圖左側），雖然AI 代表的最右側現在幾乎還是空白，但也像徵在當前市場中巨大的潛在價值和機會。 Pat Grady 預測，在未來的10-15 年，右邊的空白就會被40-50 個新的公司logo 填滿，正是讓他們感到興奮的機會所在。
02.當下：AI is Everywhere
紅杉合夥人Sonya Huang 首先從客戶服務、法律、程式設計和視訊生成等領域回顧了過去一年AI 的發展。
2023 年是AI 歷史上相當重要的一年。 ChatGPT 問世的一年半後，整個產業一直發生著劇烈的變化。去年大家討論的還是AI 將如何徹底改變不同領域並提供驚人的生產力提升，而現在AI 已經成為人們關注的焦點。
在客服領域，Klarna的CEO Sebastain 曾經公開表示，現在Klarna 已經在用OpenAI 來處理2/3 的客服查詢，AI 取代了相當於700 名全職客服的工作。目前全球有數千萬的call center agent，結合這個背景下，Sonya 認為AI 已經在客服市場找到了PMF。
法律服務在一年前被認為是最不願意擁抱科技、最不願意承擔風險的行業，現在已經出現了像Harvey這樣的公司，可以把律師從日常paperword 到高級分析的許多工作自動化。
再例如在程式設計領域，經過一年時間，我們已經從一年前用AI 寫程式碼發展快速發展到擁有獨立的AI 軟體工程師。還有像HeyGen 這樣的AI 視訊生成公司，能幫人生成Avatar 參與Zoom 會議。
GenAI 的十倍速成長
根據估算，GenAI 在出現後一年間創造的總收入約為30 億美元，這還不包括科技巨頭和雲端服務廠商透過AI 產生的收入。作為對比，SaaS 花了近10 年才達到這個水平。也正是因為這樣的速度和規模讓大家更確信GenAI 會持續存在。
從上圖也可以看出，客戶對AI 需求不僅限於一兩個應用，而是各方面的。很多人都知道ChatGPT 有多少用戶，但當在觀察許多AI 應用的收入和使用數據時，會發現現在不管是to B 還是to C，新創公司還是已有的科技公司，很多AI 產品都在各個行業找到了合適的PMF，應用場景已經非常多樣化。
從投資分佈來看，資金分配不均衡是個顯著問題。如果把GenAI 比喻成一個蛋糕，蛋糕底層是foundation model ，中間是開發者工具和infra，頂層是應用。一年前，人們的預期是：因為foundation model 層的進步，所以應用層會湧現大量新公司。但實際情況卻相反。越來越多的foundation model 公司出現並融到了大量資金，而應用層似乎才剛起步。
AI's $200 Billion Question
紅杉美國合夥人David 在去年發表了一篇AI's $200 Billion Question的討論。如果我們看目前投入GPU 上的投資，去年只是在Nvidia 的晶片上就花了大約500 億美元，但目前可以確認的AI 產業收入只有30 億美元。這些數據表明， AI 產業目前還處於很早期的階段，投入產出比很低，還有很多現實問題需要解決。
儘管AI 產品的用戶數量和收入看起來很可觀，但它在DAU、MAU 和隔月留存率方面還遠低於行動應用。許多用戶都在用戶研究中提到AI 應用的預期與體驗之間存在差距。還有一些產品demo 看起來很酷，但實際用起來卻不怎麼樣，這也導致用戶沒有能更長期使用下去。
這些雖然是客觀存在的問題，但更是機會。去年企業對GPU 的大量投資帶來了更聰明的foundation model，最近出現的Sora、Claude-3 和Grok 等都顯示出AI 的基準智慧水準正在提高，因此未來AI 產品的PMF 將加速提升。
新技術從出現到成熟需要一個過程，開創性應用的出現同樣需要時間。以iPhone 為例，App Store 初期的許多應用程式都很原始，只是展示新技術，並沒有真正解決問題或創造價值。像是手電筒或類似beer drinking 這種小遊戲，後來都變成了系統內建應用程式或可有可無的小工具。而Instagram 和Doordash 這樣真正有影響力的應用程式都是在iPhone 和App Store 推出幾年後才出現的。
AI 技術正在經歷類似的發展過程。現在市場上的許多AI 應用程式都還處於demo 或早期探索階段，就像App Store 的早期應用程式一樣，但也許下一代的傳奇公司已經出現。
AI 的應用場景已經非常廣泛，其中AI 客戶支援、AI Friendship（AI 虛擬陪伴）和企業知識是非常典型的三個領域。客服是第一批在企業中真正實現產品PMF 的AI 應用場景之一。 Klarna 不是一個例外，而是一個普遍趨勢。 AI friendship 是AI 最令人驚訝的應用程式場景之一，它的使用者數量和使用指標表明，使用者對此有著強烈的喜愛。此外，跨部門、跨職能的企業內部知識共享（Horizontal enterprise knowledge）應用也有很大的潛力。
03.未來：Everything is Generated
2024 年關於AI 的4 大預測
基於上述的分析，紅杉的幾位合夥人也對2024 年的AI 發展做出了預測。
• 預測一：Copilot 將逐漸轉變為AI Agent。
2024 年，AI 將從輔助人類的Copilot 轉變為真正能取代一些人類工作的Agent。 AI 將更像是同事，而不僅僅是一個工具，這點在軟體工程、客服等行業已經初步顯現。
• 預測二：模型將具備更強的規劃與推理能力。
許多人批評LLM 只是重複以往數據中的統計模式，而非真正進行深入的思考和邏輯推理，這種狀況將會透過新的研究方向而得到改善。一些研究正在嘗試讓模型更好地進行推理環節計算和遊戲式價值迭代（gameplay-style value iteration），這些方法可以讓模型在做出決策之前有一定的“思考時間”，這些嘗試預計將在明年讓AI 更有能力執行更高層次的認知任務，例如規劃和推理。
💡遊戲式價值迭代（gameplay-style value iteration）是從強化學習領域借鏡的概念，指模型能夠評估不同行動的長期價值，並根據這些價值來規劃未來的行動，類似於下棋或玩遊戲時的策略思考。
• 預測三：LLM 準確度將更高，從主要用於從To-C 娛樂應用逐漸擴展到企業級應用。
在To-C 應用場景中，使用者對於AI 出現錯誤這件事並不會特別在意，因為人們主要用AI 來進行娛樂，但當AI 用於企業應用，尤其是在醫療、國防等高風險領域時，準確性和可靠性就變得至關重要。研究者正在開發RLHF、Prompt Training 和向量資料庫等各種工具和技術，來幫助LLM 實現「五個九」（99.999% 的正常運行時間）的高準確度和可靠性。
• 預測四：大量AI Prototype 和實驗項目將投入使用。
2024 年預計將有許多AI 原型和實驗項目進入市場。和實驗階段不同，產品真正開始被使用者使用時，就需要考慮延遲時間、成本、模型所有權以及資料所有權的管理等一系列因素，這也意味著計算的重心預計將從預訓練轉向推理過程。因此2024 年是極為關鍵的一年，人們對這些產品有很高期待，必須確保這個轉變過程正確無誤。
AI 的長期影響
• 判斷1：AI 是一次規模宏大的成本驅動生產力革命。
科技革命有許多類型，包括電話帶來的通訊革命、火車帶來的交通革命、農業機械化所帶來的生產力革命。AI 帶來的顯然是一場生產力革命。
歷史上的生產力革命都有相似的模式：起初是人使用工具，然後發展到人配合機器，最後轉變為人類與協同化、網絡化的工具協作。這表明AI 的發展將經歷從單點逐漸進化到高度整合網路的過程，這將極大地改變我們的工作和生產方式。
在農耕領域，人類使用鐮刀這一工具至今已經超過1 萬年，再到1831 年發明的機械收割機，如今我們已經擁有由數以萬計的機器系統組成的複雜網絡聯合收割機，系統中的單一機器就是Agent。
在知識工作和寫作領域也有類似的模式。知識工作最初的工具只有紙筆，發展到後來的編程，再到現在電腦和IDE 已經可以大規模輔助軟體開發。軟體開發將不再是孤立的過程，而是一系列的機器網路協同建構複雜的工程系統，由多個Agent 共同完成程式碼產生。
寫作曾經也是純人工的，後來人與機器助手協作，現在已經可以利用很多工具協同。例如大家現在使用的AI 助手不只是GPT-4，還有Mistral-Large 和Claude-3 等工具，並且透過他們互相驗證，獲得更好的答案。
生產力革命對社會的影響是普遍且深遠的。從經濟學角度來說，這意味著成本能顯著降低。上圖顯示S&P 500 公司每100 萬收入所需的員工數量正在迅速下降，這種變化意味著我們將能以更快的速度和更少的人力來完成工作。但這並不代表我們要做的事情變少了，而是在同樣的時間能做更多的事。
歷史上各領域的技術進步都會帶來通貨緊縮。以電腦軟體為例，由於持續的技術創新，軟體的價格不斷下降。但在對社會最重要的領域，例如教育、醫療保健、住房等，價格上漲速度卻遠遠超過通膨，而AI 恰好有助於降低這些領域的成本。
因此，關於AI 長期影響的第一個關鍵判斷是：AI 將是一場巨大的成本驅動生產力革命，幫助我們在社會的關鍵領域以更少的資源做更多的事情。
• 判斷2：萬物皆可生成
第二個判斷主要是討論AI 到底能做什麼。
一年前Jensen Huang 提出了一個預言，未來圖像將不再是渲染出來的，而是生成出來的。這意味著我們正在從將資訊儲存為像素矩陣，轉變為將其表示為多維概念。以字母「a」為例，過去「a」都是以ASCII 碼97 這個原始資料被存儲，但現在電腦不再只關注像素表示，而是理解字母作為英文字母在特定語境下的概念內涵。
更強大的是，電腦不僅能夠理解這種多維表示並渲染為圖像，還能夠把它情境化，理解「a」作為英文字母在特定語境下的含義，而不僅僅是孤立的符號。例如看到「multidimensional」這個詞，電腦不會去關注「a」這個字母本身，而是去理解整個語境和詞的意思。
這個過程正是人類思維的核心特徵。就像我們學習字母「a」時並不是記憶像素矩陣，而是掌握了一個抽象概念。這種思維方式可以追溯到2500 年前柏拉圖的理念論，柏拉圖認為，萬物背後都有一個永恆不變的理念世界，現實世界中的事物都是理念世界完美形式的映射，這與當前AI 的學習過程有相通之處。
而這件事對於企業的影響力是很大的。目前企業已經開始將AI 整合到特定的流程和KPI 制定中，例如前面提到的Klarna 借助AI 提高了客戶支援相關的績效，透過建立AI 檢索資訊體系打造優質的客戶體驗。這種變革也伴隨著新使用者介面的出現，這些介面可能與以往我們所使用的支援溝通方式截然不同。
這個趨勢相當重要，因為這意味著企業最終可能會像神經網路一樣運作，各個部分之間相互連結和協同工作，以自我優化的方式互相學習和適應並不斷提高效率。
以客戶支援流程為例，上圖為簡易客服流程示意圖。客服部門有一系列KPI，這些指標受到文生語音、語言生成、客戶個性化等因素的影響，這些因素形成了優化項樹狀圖中的子模式或子樹，最終形成一個層次明晰、互連通的體系圖，其中語言產生的回饋將直接影響服務客戶的最終KPI。藉由這種抽象方式，整個客服流程將由神經網路管理、最佳化和改進。
再考慮企業獲客的情況。透過語言生成、成長引擎以及廣告客製化和優化等AI 技術，可以幫助企業更好地滿足每位客戶的需求。這些技術之間的相互作用，可以推動企業像神經網路一樣自我學習和適應。個體將能夠完成更多工作，這也將催生更多一人公司出現。(拾象 海外獨角獸)