关键机会

    谁将成为生成式 AI 平台转型的最大受益者仍然是一个开放的问题。虽然现有 企业从数据和分发优势中获益，但初创企业和小型企业也有显著的机会变得 具有竞争力。这个问题的实际答案是“视情况而定”，因为市场力量在不同 行业中有所不同。创新的速度和成本、权力集中度、产品或服务需求的弹性 、最低准确度阈值、互连性和数字化渗透率等因素都可能使天平倾向于初创企业。

    我们将探讨我们正在积极瞄准的四类机会：

    (1) 打破现有企业的沉睡状态

    (2) 赋能建设者

    (3) 确保生成式人工智能的未来可行性

    (4) 全新用户体验

(1) 颠覆沉睡中的巨头企业

在旧金山湾区，与其他所有市场相比，科技行业的就业份额最高（并且远 高于美国平均水平²),因此人们很容易忘记，过去十年数字化带来的大部 分利益都被少数几个大型行业所占据。只需驱车离开硅谷不远，就能发现 大多数行业仍然主要依赖传统的软件系统，有时甚至还在使用笔和纸。

    在石油和天然气行业中，工艺工程师每天手动完成危害和安全任务，采用传 统的“笔和纸”检查表方法。成熟的制造软件供应商仅提供本地部署（其中 许多正在缓慢地向云迁移），并对每个新版本收费，而新版本通常只是比前 一版稍快一点，以证明升级的合理性。这些过时的系统用于设计、测试和建 造所有物理产品，从我们坐的家具到复杂的汽车组装。问题不仅在于旧系统 和数据孤岛，还在于我们完成工作的方法，涉及许多不同步的专业人士。不 同部门和团队之间存在显著的沟通和理解不足。结果，技术兼容性问题、沟通障碍（术语不同和使用行话）、操作孤岛以及组织内部缺乏标准等问题频现。错误经常发生，冗余成为常态，进度不断被延误。

    但情况不必如此。借助直观的 AI 驱动解决方案，初创企业有机会彻底改变这 些行业的运作方式。由于沉没成本的考虑和重构遗留系统的恐惧，现有企业 远不太可能迅速采取行动。他们更有可能进行渐进式创新，专注于增加 AI 功 能，而不是真正从头开始构建 AI 驱动的解决方案。

    让我们以硬件软件为例。在过去 50 年里，像西门子、达索和欧特克这样的公  司建立了 CAD 和 PLM 帝国。然而，他们的竞争能力正受到新技术的挑战，这些  新技术包括云技术、高性能计算硬件和生成式 AI，同时还有来自 SpaceX 和 And uril 等绿地硬件公司的需求变化。换句话说，传统的软件公司无法跟上这些新硬件公司的步伐和独特需求，从而拖慢了它们的进展。生成式 AI 可以改变这一点。

    生成式 AI 驱动的软件可以通过减少工程师设计和模拟新产品线所需的时间和 成本来提供单个用户的利益。然而，更大的机会在于超越个人时间节省，当多用户功能和协作（人机协作和机器间协作）被采纳时才会显现。目前，设计工程师需要排队等待他们的设计蓝图在昂贵的仿真引擎（基于物理和功能 设计）上进行测试。借助生成式 AI 驱动的解决方案，不仅单个设计师可以生 成更多版本的设计，还可以更快地进行仿真并继续下一步。

    此外，如果一个生成式 AI 驱动的设计引擎能够直接与一个生成式 AI 驱动的仿  真引擎通信（而不必经过多次人工审查），设计周期时间将大幅缩短，将设  计准备好进行原型制作所需的人工努力也会减少一个数量级。进一步地，随  着下游采购数据被纳入设计反馈，生成式 AI 驱动的设计引擎的回报率（ROI） 将进一步扩大。通过这种方法，不仅可以从机械角度实现最优设计，还可以从供应链角度实现最优设计（例如，了解选择某种材料或公差可能会对可合作的供应商数量及其收费标准产生何种影响）。这种方法确保从第一步起就融入了正确的制造设计（DFM）原则。

    受我们新的工作解剖学启发，我们认为不久之后，硬件制造商将与一位由 AI 驱动的软件增强的“流程指导”工程师合作，而不是与十位设计和仿真工程 师合作。抓住这一机会的初创企业有很大的机会与现有企业拉开距离，因为 现有企业很难从当前依赖于多个用户许可的商业模式中转变。AI 驱动的新进入者不需要在每个用户许可层面进行竞争，因为他们有潜力吸引更大的预算 用于招聘人员。

    尽管存在挑战，初创企业应记住，虽然现有企业在创新方面可能较为缓慢，但他们在硬件软件市场上仍然占据着强势地位。许多企业客户已经投入大量 资金将产品套件集成到他们的组织中，并培训了他们的员工，因此一个只能 作为点解决方案增加价值的更好产品实际上并不值得他们更换。创始人在考  虑他们的初始理想客户画像（ICP）并随着平台能力的扩展而扩展定义时，应 将这一点纳入考虑。进一步解释，虽然初创企业可能一开始通过提供一个补 充现有产品（如 SolidWorks）的点解决方案来吸引客户，但这不足以解锁风 投规模的增长。在某个时候，初创企业将不得不直接竞争，以创造更大的价 值并赢得市场份额。

    另一个陷阱是初创企业从其宏伟愿景太远的地方开始，这条路径需要太多步  骤（和太多的“如果”）才能达到相关性，从而降低成功的可能性并影响投  资者对机会的评估。例如，一家公司首先创新设计审查过程作为质量管理的  一部分，然后创建一个更全面的 QA/QC 工具，最后才向上游推进到生成式设计 ,可能会发现自己面临一条过长的路径，难以达到相关性。我们认为，最初的立足点应该明显提升初创企业在设计领域从一开始就获胜的能力，而不仅仅是多个独立事件的简单叠加，这样会导致成功概率非常低。

    生成式 AI 颠覆传统行业的案例不仅限于硬件设计和制造。其应用有潜力为个 体员工提供单人效益，并在建筑、物流、法律和保险等多个行业的不同职能 之间提供多人协作价值。一个值得关注的领域将是AI 代理驱动的服务与人力 驱动的服务和传统软件解决方案的竞争。这种潜力在于捕获比现有企业更大 的可寻址市场。

    许多公司传统上将法律、会计和客户服务等功能外包给第三方服务提供商， 这些提供商并未使用 AI 增强。这些服务企业历来面临扩展挑战，因为它们必 须雇佣更多的人来服务更多的客户。而在 AI 增强的服务提供商的情况下，扩 展挑战消失了，因为 AI 可以处理以前由一组熟练工人完成的工作。

当我们考虑那些在传统软件产品的支持下被内部吸收的功能时，这一逻辑同样成立。提供 AI 代理驱动服务的初创企业极具吸引力，因为它们能够捕捉到巨大的潜在市场。鉴于这些公司不仅有机会增强人类工作者（如同以往的软件解决方案所做的那样），还有机会减少完成工作所需的人数，因此它们的市场捕获范围不仅限于行业的软件支出，还扩展到了年度劳动力支出。正如下面的图表所示，领先的网络安全解决方案提供商 Palo Alto Networks 每年的收入约为 80 亿美元。然而，他们的客户每年在内部安全专家上的支出高达 3750 亿美元。一个不仅简化或增强安全员工工作流程，还能通过执行部分任务减少总安全员工数量的 AI 代理驱动的网络安全解决方案，有机会捕获这部分人力成本——这是一个更大规模的潜在可寻址市场。

(2) 赋能建设者

    对完美准确性的追求，通常被视为先前几波 AI 浪潮中的首要目标，已成为寻 求完全自主的企业的一大障碍。这一目标要求大量的人工干预，导致这些企 业的员工人数众多且利润率低下。因此，早期展示快速增长的 AI 初创企业在 演变为健康企业方面遇到了困难。这使得 AI 主要惠及了能够负担大量计算资 源和人才投资的大科技公司，从而克服了 AI 臭名昭著的“最后一公里”问题。

    新兴的生成式 AI 应用浪潮有望摆脱这些雄心勃勃且昂贵的要求。新时代强调 构建能够随着用户参与而不断改进的应用，这些应用不需要 100% 的准确性就 能发挥作用。通过访问预训练的模型并为迭代性质的用例（如新产品设计）构建解决方案，初创企业不再需要承担从零开始构建模型并用一支 sophisti cated 的数据科学家和机器学习工程师团队进行完美训练的成本。现在，开发者和业务专业人士可以利用 AI 能力构建客户所需的产品，识别合适的用例  并利用技术推动业务成果。生成式 AI 促进了更广泛劳动力的参与，而不仅仅是少数精英专家的领域。

    软件开发者的 talent pool 远远大于机器学习专家。为前者提供构建以 AI 为 中心的应用程序的能力是一个巨大的机会。虽然访问预训练模型消除了软件  创新的一个重要障碍，但我们还需要更多高性能模型以外的东西才能将应用程序投入生产。开发者需要专门构建的、用于持续生产工作流程的强大基础  设施和工具。这些工具必须以开发者熟悉的方式导航和简化运行和维护 ML 系  统的复杂性。使用主流语言工具、统一的 API 和代码仓库来访问这些系统，将 是成功公司的特征。

    另一方面，开发者不熟悉的 AI 元素（如数据管道的创建和管理）应该完全自 动化，理想情况下是由专门为这些工作流设计的 AI 代理提供支持。一个明确 的机会是为软件开发者提供基础设施和工具，使构建 AI 应用程序类似于他们 习惯的工作方式。这样一来，没有时间和资源建立机器学习实践的企业只需 几名内部软件开发者就能享受到生成式 AI 的好处。因此，生成式 AI 的覆盖范 围和对 AI 驱动解决方案的需求可以在更广泛的经济中得到满足和扩展。

    机器人技术是另一个需要基础设施抽象的引人注目的行业。有限的专家池花 费无数天和周时间编程新的机器人，然后又花费更多时间部署和维护它们。工具分散，一切都是定制构建的，解决每一个独特案例都需要深厚的技術專長。为了满足日益增长的机器人和自动化需求，我们需要公司把这些复杂性  抽象成可以通过 API 或其他等效方式访问的综合构建块。成功的企业有机会成为编程机器人的标准操作系统，被更广泛的普通软件开发者群体所利用。

    挑战依然存在，因为好的模型需要由好的数据驱动。对于一个新的基础设施 公司来说，获得高质量（通常是专有的）数据以向客户展示有意义的投资回 报率并非易事。冷启动问题确实存在。最初你没有任何数据，你需要赢得客 户的信任以获得他们最有价值的资产的访问权限，即使成功了，不同客户的 数据实践也会有所不同。

    我们认为，创始人必须找出如何在不向客户索取过多的前提下建立信任并展 示其解决方案的价值，同时避免陷入定制构建的陷阱，这些定制构建往往难以规模化。为此，创始人可以从大幅缩小其理想客户画像开始。

    在软件开发的历史中，一直有一种向更高层次抽象发展的趋势，例如高级编  程语言、向云的迁移、分布式系统和开源库。我们预计这一趋势将继续并加  速，将软件工程师的日常工作从执行客户需求和进行性能优化转变为确保由  生成式 AI 驱动的开发按预期运行。这一转变标志着向一种新的工作解剖学（New Work Anatomy）的明确转变，这一变化已经在进行中，现在因生成式 AI 而 大幅加速。

(3) 生成式人工智能的未来可行性

    生成式 AI 将在所有商业领域推动重大创新，包括但不限于媒体、医疗保健和 娱乐。其创造内容、模拟场景和自动化复杂任务的非凡能力突显了其变革潜 力。同时，在考虑规模化时，也出现了许多问题。有机会创建新的框架，以 确保以伦理方式实现弹性和效能。

“幻觉是一个特点，而不是一个 bug”

    “幻觉是一个特点，而不是一个 bug”这句话捕捉了变压器工作方式的一个 重要后果。幻觉不是可以快速修复的 bug，而是当前生成过程固有的一个特 点。生成式 AI 应用程序建立在一个概率引擎上，而不是像传统软件那样的确 定性引擎。微调有助于减少模型输出中的幻觉，因为它会更重视训练过程中 识别的期望输出，并调整模型的内部参数。然而，这并不意味着幻觉的概率 会降至零。在一些创意领域，如写作、头脑风暴甚至问题解决中，这是完全 可以接受的。但在医疗保健、法律和教育等领域，对不准确结果的容忍度为 零。尽管我们通常更喜欢从处理迭代性质的创意用例开始的初创企业（后续 章节将详细介绍），我们也发现有新的机会让初创企业提供防护措施，以便 更好地管理模型的幻觉。

新的工具来管理幻觉必须满足新 AI 建设者的需求。即使是大型、 sophistica ted 的软件公司在构建生成式 AI 应用程序时，也 struggle with model test ing（参见 The Stack）。他们的许多模型选择或模型组合往往依赖于猜测和直觉，因为他们并不真正知道哪些更改能改善产品的质量，以及这种改善的具体程度。

    问题不在于 AI 模型和系统没有现有的评估方法，事实上，评估一直是核心机 器学习工作流程的一部分。然而，这些指标并不适合那些不感兴趣深入理解这些指标的软件开发者，他们更关心的是准确捕捉业务案例。此外，传统的 现成评估方法是一种“一刀切”的解决方案，因为什么是好的输出是主观的 , 并且特定于具体的用例。我们认为，在这个领域构建产品的创始人应该思 考如何抽象评估指标，使其对普通软件开发者来说更加直观。他们还可能需 要考虑如何创建一个可扩展的评估过程，因为为每个测试实例生成独特的评 估数据集是一项巨大的工作。

    随着 AI 渗透到我们经济的每一个部分，从其不可预测性中受益的新机会将会 出现。在 AI 作为协作力量的情况下，公司可以提供高度个性化的客户体验， 最优地满足许多细分市场的具体需求。随着越来越多的责任被交给多个 AI， 将会有越来越大的需求来管理和监督这些 AI，以确保所有暴露给客户的內容 是安全的，并且生成的输出符合公司指南。这一需求可以扩展到许多用例和 许多行业；机会是巨大的。

    挑战仍然存在，因为我们仍处于这一周期的早期阶段。AI 被纳入经济的各个 方面不是会不会发生的问题，而是何时会发生的问题。然而，过早进入市场 , 在需求尚未显著增长之前试图管理大规模的 AI，几乎等同于错误。我们已 经了解到，即使管理大规模 AI 的未来问题对客户来说是清晰的，但如果他们 还没有实际感受到这种痛苦，解决问题就不会成为优先事项。因此，深入的客户发现和精明的市场进入策略，以提供客户当前所需的價值，是至关重要的。

(4) 全新用户体验

    过去五十年的技术创新一直朝着创造更创造性地适应人类交互的机器方向发展，而不是强迫人类适应机器的要求。我们看到这一趋势随着生成式 AI 的加速发展达到了前所未有的速度，生成式 AI 使全新的用户体验成为可能，这些体验具有沉浸感、个性化和直观地符合人类行为的特点。我们目前的大部分注意力都集中在这里，因为我们相信，拥抱实时、自适应和环境接口的公司可以为技术与体验创新的新时代奠定基础。这不再是关于 Transformer 模型和 训练的问题；实际上，甚至不仅仅是关于推理工作负载的问题。

    下一代的行业巨头将包括那些大胆创新和变革用户体验的公司，它们充分利 用生成式 AI 平台转变的巨大潜力。我们都知道数据是新的石油。    

    但是，当所有模型都在同一个庞大的数据源——万维网上进行训练时，会发 生什么？我们已经看到了某种程度上的模型能力和输出的同质化现象。如果 基础数据是普遍可访问的，公司如何实现差异化？有几个不同的途径，从新 的模型架构到使用 AI 助手的用户体验改进。我们认为，一个“厚”用户体验 层，由专有的交互数据组成，并结合超出基于人类反馈的强化学习（RLHF） 的进展和一系列 API 调用，将创建动态的产品体验，这些体验能够根据每个  个体的需求和偏好进行调整。

    另一个差异化的来源将来自于新的数据，这将对相关硬件和其他传感器平台 的发展产生重要影响。为了捕捉更多实时、情境相关的信息，我们需要从传 统的设备和传感器形态中进化。智能手机虽然智能且配备了多种传感器，但 其当前的形态并不适合用于环境、始终开启的现实世界数据捕获。我们在 AR /VR 设备和 AI 耳钉等领域的许多实验正是这一事实的证据。

    2022 年让我们眼前一亮的智能聊天 GPT 机器人界面是一种合理且用户友好的  与 AI 交互的方式。然而，当我们考虑知识工作者和 AI 在商业中的应用场景时 , 聊天机器人界面忽略了太多未开发的用户体验机会。

    在当前的经济中，成为一名知识工作者变得越来越动态。一方面，个人仍然 需要在一天中完成大量手动任务，如处理电子邮件、确定订单报价以及在数 据库中输入和输出数据。与此同时，干扰无处不在，保持专注总是充满挑战 。知识工作者试图在内容的指数级海洋中导航， 但人类的认知能力并不足以应对这种挑战。我们继续前进，使用过时且熟悉的 workflow，尽管周围的世界已经因为 AI 的变化而不同。

    使软件有价值的是其释放人类时间的潜力。它使我们能够重新分配这一宝贵资源，以扩大我们的产出，并在相同的时间内完成比否则更多的工作。我们无需过多思考就能完成的事情越多，社会的进步就越快。我们尝试将这种“ 时间的生成”描绘为人类与机器交互和进化的结果，如下所示，其中原始人 力努力与增强的协作努力之间的差距将继续扩大，对过程经济学产生相应的影响。

    那么，AI 软件的未来会是什么样子呢？集成的 AI 代理网络将为我们完成任务 , 而无需每次都被明确编程来执行这些任务，而视觉（及其他）环境界面将 帮助确定如何及何时适应，以确保我们保持专注。我们的软件将理解我们， 不一定要求我们必须学习如何使用它。我们将不再需要记住每一个键盘快捷键，甚至可能不需要记住使用哪种软件。数据输入字段、菜单和许多传统的 软件用户界面构造可能会消失。我们将开始看到更加动态的应用程序界面， 远离我们过去五十年所熟知的半静态、高度结构化的界面。有些界面或许根 本没有视觉方面，因为我们继续在利用音频、语音、超光谱 / 超听觉甚至触  觉感官交互方面进行创新。

    这就是生成式 AI 的不同之处。在之前的科技浪潮中，软件专注于标准化工作 流程以实现规模化，而作为人类，我们必须适应这些标准，以获得自动化的 益处。而在 AI 软件中，我们不再需要适应一种通用的技术交互方式来完成特 定任务。相反，这一波以 AI 为中心的软件通过高度个性化的体验，使非标准 化工作流程和过程自动化成为可能。我们正在积极从人类适应机器要求（如 输入、输出、交互机制和模式）转向机器适应人类要求（如“环境”计算、 新的设备形态、多模态输入和表达）。

    AI 和物联网 / 边缘计算的突破，加上能够读取屏幕以获取完整上下文并理解  多模态数据输入的代理，是新一代软件范式演进的关键特征，这种范式能够 深刻且环境化地理解人类意图。这一代新的工具和系统将具备创建个性化体 验的能力，通过自适应界面展示有用的信息，隐藏无关的信息，并尽可能地 自动化任务。作为人类，我们将更多地扮演协调者和战略家的角色（我们的 新工作解剖学），拥有更多时间和自由来专注于我们仍然擅长的事情。

    挑战仍然存在。最大的敌人可能是我 们自己，因为采用这些新产品需要行 为上的改变，这需要克服对 AI 的怀疑 。尽管潜在的生产率提升很大，但旧  的习惯很难改变，人们往往会依附于 他们现有的工作流程和支持工具。尽 管理论上极其有益，但由于我们仍处 于这一周期的早期阶段，商业投资回 报率（ROI）的案例仍需在大规模应用 中得到验证。我们寻找的是那些能够 超越传统界限、不害怕对未来提出明 确愿景的创始人。在引领人类与机器 交互和协作新范式的过程中，坚定的 意见和灵活的态度最为重要。