“专注AI技术迭代会让我焦虑，关注业务我不会焦虑，有些问题十年前存在十年后还在，我现在就明确不卷模型，只思考如何让产品能自我‘造血’。”
一位正卷在AI创业洪流里的硅谷创业者告诉硅兔君。“我们的AI产品（ChatDesigner）4个月就上线了，第5个月我就开始思考如何‘造血’，10年前这是不可想象的，那时只要有增长就行，现在，烧钱换来的增长，烧完就结束了，没有下一轮融资，AI也是一样的。”
尽管形势如此残酷与激烈，2023年全球仍然陷入了史无前例的AI“淘金热”，轮番上演着不同的造富神话。
GitHub前CEO出手投了老东家的竞品1亿美元。
1年多前，AI编程助手Magic刚完成2300万美元A轮融资，今年2月，该公司从上百家竞品中脱颖而出，B轮融资额翻5倍，获得AI Grant（由GitHub前CEO Nat Friedman和Daniel Gross创立）青睐。
在头部明确（GitHub Copilot），谷歌、亚马逊等大厂布局，还有一众初创企业激烈竞争的AI编程领域，AI Grant的大手笔投资震惊业界。
一个个新名词“ChatGPT Wrapper”（ChatGPT套壳应用）、”Copilot” （聊天对话式AI助手）、“AI Agent（AI智能体）” 、“AGI”（通用人工智能）成为财富密码，似乎只要和它们沾边，就能搭上独角兽的快车。
风险投资的数据正在体现这一点，2023年美国全年风险投资达1706亿美元，相较2022年缩水了716亿美元。然而其中进入AI的投资逆势上涨，占全年投资额超过三分之一，累计626亿美元，这个数字也远超过去几年的AI领域投资。
然而，造神的速度和跌落神坛的速度几乎一样快。
AI语音公司ElevenLabs仅仅1年多时间跻身独角兽行列，成为今年风头正盛的AI应用。而去年此时人人热议的成立1年多估值超10亿美元的Jasper AI经历裁员、创始人离开、估值下调，黯然失色。
类似这样的故事在硅谷的创业热土上相继上演。“AI创业的马太效应越来越强，同时汰换速度会加快。” 硅谷VC UpHonest Capital告诉硅兔君。
在过去1年多时间里，AI有关的技术迭代、商业应用、资本投入达到了有史以来的*，投资机构Coatue认为，AI渗透50%的用户所需的时间将比移动互联网时代缩短一半（3年）。
经历了短时间内的巨变，硅谷的创业者和投资人有了哪些新的思考？融资数字背后浓缩了怎样的AI创业现状，AI创业有哪些机会和坑？作为VC，又应该以何种姿势参与到这次AI淘金中？
硅兔君与20多位创投和人工智能领域人士交流，试图总结出如今在北美上演的AI淘金热潮背后的经验和教训。
01
“碎钞”的造“锤子”运动
2023年8月，为ChatGPT奠定技术基础的论文《Attention is all you need》（注意力是一切）最后一位留在谷歌的作者Llion Jones宣布离开谷歌，并创立全新路径的AI模型公司，估值2亿美元，这个价钱是大多数AI初创企业估值的10倍多。
距离“谷歌八子”提出Transformer架构已过去了6年。Transformer是这一波生成式AI技术突破的源头，简单来说，相比以前只能一个接一个的序列化处理信息，Transformer在处理信息时可以一次性的“看见”所有信息，然后利用注意力机制将距离不同的单词进行结合。
因为去掉了序列结构，Transformer模型可以实现并行结构，这就使得它可以利用大量的算力和数据进行训练。OpenAI发现当数据量、参数规模和算力达到一定规模，模型出现了“涌现”能力（在小规模模型中不存在，但在大规模模型中存在的能力），从GPT-3、3.5到GPT-4，OpenAI训练用的数据量、模型参数规模和算力不断放大，模型拟人程度越来越高。但这也意味着模型训练成本指数级提升。
“造锤子”，在这一波浪潮中最热，也最吸金。
2023年大部分AI风险投资被基石模型吸收，最引人注目的故事就是，OpenAI和Anthropic两家基石模型初创公司共计融资170亿美元，占AI投资总额的近1/3。
现在看来，这种砸钱的做法还会在基石模型中继续下去。
这本就是一种“暴力美学”的产物，以Transformer架构为代表的大模型，本就是在数据量越大、质量越高的情况下效果越好，这意味着需要大量的GPU支撑数据运算。根据GPT-3披露的技术概要至少需要1024张GPU支撑其训练，花费大约价值500万美元。而GPT-4的参数规模有可能是GPT-3的10倍还要多，坊间传闻OpenAI使用了大约2.5万张GPU训练，仅硬件成本投入就有可能超过1亿美元。
现阶段，基于Transformer架构的基石模型还远未达到上限，scale law（规模定律）并没有被打破，持续扩大模型参数规模、训练数据和算力的实验会持续下去。一位在全球市值排名前七的科技公司工程师告诉硅兔君，“想要线性提升模型能力，所需的资本投入需要指数型增长。”
OpenAI计划融资千亿美元，另一家大模型公司Anthropic计划未来4年融资50亿美元。将来，花费10亿美元训练基石模型也不是不可能。
在基石模型公司的碎钞能力面前，VC的“钞”能力似乎微不足道，因此在基石模型中，VC参与的并不多，毕竟，没有多少VC的基金规模高达10亿美元，显然这是属于巨头的游戏。
微软Azure云一周的收入就有20多亿美元，所以投资OpenAI 100亿美元只消耗了这家科技巨头6周多的收入。相比VC要等到项目退出才能看到回报，Azure因为整合了OpenAI的服务，仅2023年二季度收入就增长了6%，比原先增加了50亿美元到60亿美元收入。
这笔经济账，对于巨头们来说，不可谓不划算。
从资本和业务的角度来看，或许只有云厂商和科技巨头才是基石模型公司的长期伙伴。除了OpenAI，微软近期宣布与Mistral战略合作并投资1600万美元；亚马逊和谷歌共同支持了Anthropic；甲骨文和Salesforce共同支持了企业级大模型Cohere；英伟达是所有企业战投 中最激进的，2023年一口气投资了11家基石模型公司（占AI总投资数量的40%），涵盖多个大语言模型、视频和3D生成基石模型。
而另一面，基石模型的公司也在分化出不同的格局。
目前，北美的基石模型格局已基本形成OpenAI、谷歌、Anthropic、X.ai等几家公司指引闭源模型最新进展，Meta、Mistral等引领开源生态进步。
一位在英伟达参与大语言模型开发的研究人员与硅兔君分享他所理解的企业进行大语言模型部署和应用的路径，首先，头部玩家一定会构建自己的大语言模型，以便拥有*的主导权；其次，基于目前已知的开源模型、根据自己的业务领域进行增强和研发；第三，调用通用基石模型的API接口和提示工程，将前端做厚，将特定业务需求与基石模型的语境适配，可以低成本更快地搭建出一些具体领域的应用。
硅谷VC UpHonest Capital从早期投资视角观察到，*条路径的门槛太高，目前鲜有新创业者涉足。第二条和第三条路径是目前创业者的普遍选择，许多创业者可能在前期先选择调用基石模型API快速试错，有了更多资本、算力和人才资源后再尝试基于开源模型微调，加深自己的护城河。
打造法律行业大语言模型的Harvey就是走的第三条路，他们先与OpenAI联合开发，2023年12月完成8000万美元B轮融资，加强自研模型。
另一个特定业务需求的大模型开发公司Magic AI则是基于更早之前的LSTM架构开发针对代码生成的基石模型，以便突破Transformer的输入字符长度限制。
吸引了General Catalyst和A16Z 5000万美元投资的Hippocratic，使用专业医护人员提供的数据和反馈进行RLHF训练，用于诊断以外的病患服务场景。
这些垂直行业/特定任务场景LLM初创企业的发展，也印证了谷歌前CEO Eric Schmidt，Databricks首席科学家Matei Zaharia、AI初创Samaya AI创始人Maithra Raghu的共同观点—— 未来的AI生态中，通用大模型负责解决长尾问题，高价值的业务场景将由专业AI系统来解决 。
02
“钉子”会变得更细、更窄
虽然AI Grant的两位创始人信心满满，“未来12~18个月会有AI应用年收入突破百亿美元！”但哪怕是1年估值超过10亿美元的生成式AI内容营销工具也还在寻找PMF。
“大部分AI应用处于概念验证阶段，大规模应用还未到来。”多位创业者、从业者向硅兔君如此反馈。
但这并不影响创业热情。
硅谷VC UpHonest Capital告诉硅兔君，他们在过去一年接触了比以往更多的辍学创业者和PhD学术研究创业者，这些创业者或是将之视为”一生一次的机会“，或是受到Transformer论文八位作者全部创业的激励，一头扎进AI赛道。这是在2016年那一次AI繁荣期也未发生过的景象。
同时，围绕AI的创业项目数量更是前所未有。
以硅谷孵化器YC为例，2023年孵化的项目中接近一半是AI公司（约231家），再加上考虑到许多创业公司转型，实际数量可能更多，“有许多公司在我们投资一个月之后转型做新的AI方向” ，YC的一位投资合伙人感慨，自从他在YC工作以来，从未见过像现在创始人这么快的找到/转型新方向。
一个明显的转型趋势是，场景从宽泛到聚焦，从通用任务向具体任务细化。
例如YC上半年孵化的Fintool，这个创业团队之前创立了AI驱动的法律资料检索工具Doctrine。Fintool一开始想做金融领域的LLM（“Bloomberg GPT”），经历半年时间，目前聚焦到机构投资者的助手Copilot（人参与到回路中）方向，帮助投资者总结、分析财报，更高效的梳理投资决策相关的信息。
另一家AI驱动的SEC（美国证券交易所）合规自动化公司Hadrius，它的创始人认为AI创业者在销售时应该”聚焦在垂直场景本身“，他们曾在销售时强调产品“具有AI功能”，结果发现没有实际用处，因为他们的客户大概率不是极客，强调AI的概念不如讲清楚如何解决客户痛点。
咨询公司PwC的一份数据调查显示：61%的CEO表示2024年，他们期望看到AI对产品或服务质量的帮助，期望看到AI投资的收益回报。由此可见，今年ROI（投资回报率，以下均用ROI表示）将成为AI应用产品不得不面临的考验。
科技VC Madrona同样认为“AI产品的用户心态将从「试一试」变成「追求ROI」”，去年问"我们的GenAI战略是什么？"的CEO今年将面临完全不同的问题“我们的GenAI ROI是多少？”，因为随着深入使用AI，人们将发现应用AI的*成本可能不是训练模型而是模型一次次运算产生的推理成本。
因此，更容易测算和产生ROI的应用场景将更受用户的欢迎。从头部应用的收入增长轨迹我们可以初步判断有哪些这样的应用场景。
开发者网站 GitHub 的Copilot 2023年ARR（经常性年度收入）超过1亿美元，微软2024年Q2财报数据显示，目前付费开发者人数超过130万、企业用户超过5万，Copilot产品为GitHub带来了40%的年收入增长；AI法律助手Harvey表现出了快速增长趋势，半年多时间ARR增长了10倍达到1000万美元；ChatGPT 2023年12月收入约1.67亿美元，年化收入约20亿美元；GPT4驱动的Microsoft Copilot收入更加可期，The Futurum Group分析师预测该产品2024年收入达到23.9亿~92亿美元。
考虑清楚这个前提条件之后，新创业者在选择方向时还要小心翼翼的避开与巨头正面竞争，因为今天的巨头有资本、有人才、有完善的AI基础设施还有充足的GPU卡。
VC UpHonest早期投资的一家生成式AI公司HuHu AI的创始人Tianqiang经历了2016年的AI创业热潮，公司成功被亚马逊收购，再次选择AI创业，他认为“2012年以AlexNet为标志引发的AI浪潮中，大厂没有人才、没有成规模体系的AI架构，2012年-2016年期间，AI初创的商业模式同时退出方式可以说主要靠卖给大公司，经过这个时期的收并购，大厂补上了AI基础设施和团队短板。所以，“十年前，大厂没有什么，初创企业就可以做什么；十年后，大厂什么都可以做。在这样的形势下，创业公司就得做大厂顾不上或者不屑于做、偏垂直的事情。”
硅谷VC a16z的一位合伙人同样认为，2024 年将看到范围更窄的人工智能解决方案。虽然 ChatGPT可能是一款出色的通用人工智能助手，但它不太可能 胜任所有任务。他预计，我们将看到一个专为研究员打造的人工智能平台，一个专为记者打造的写作生成工具，以及一个专为设计师打造的渲染平台，这只是其中几个例子。从长远来看，人们日常使用的产品将根据他们的用例量身定制—— 无论是专有的底层模型，还是围绕它构建的特殊工作流程。这些公司将有机会“拥有”新技术时代的数据和工作流程；它们将通过锁定一个领域，然后进行扩展来实现这一目标。对于最初的产品来说，范围越窄越好。
UpHonest Capital认为，在生成式AI时代创业，垂直、解决具体问题比提出一个宽泛的方向更好。互联网巨头、SaaS公司，他们在AI以及业务领域的积累，一定程度上使之可以更快的叠加新技术。因此创业者必须找到自己的差异化并10倍放大。创业者需要更快的迭代速度，底层基石模型持续更新，甚至每次更新都能引发地震，因此需要更快的学习能力跟上技术迭代。
03
大模型正在“杀死” SaaS
在与UpHonest Capital交流的过程中，他们所投资的一家初创企业引发了笔者兴趣。这家YC孵化、拿到AI Grant投资的公司致力于为家政服务行业提供AI接线员服务，保证客户不会漏听电话，并完成服务预约。美国家政行业每年因为漏接电话造成的损失高达数百万美元，Sameday的创始人曾是全美增长最快的家政服务公司Ardent Servicing的CMO，了解家政行业的痛点，其AI产品上线半年后快速增长，ARR（Annual Recurring Revenue，年度经常性收入）接近百万美元。
谈及Sameday的投资理念，UpHonest创始人表示他比较关注传统行业跳过SaaS（软件化）阶段，直接进入生成式AI时代的相关机会。
无独有偶，a16z也看好传统行业的AI跨越。其医疗健康方向的投资人表示“正如新兴市场从使用现金直接转向移动支付（完全’跨越‘信用卡）一样，医疗行业也将从传真机直接转向人工智能（跨越传统的垂直软件）。”
美国的医疗行业非常传统，2023年美国医疗行业讨论的话题是AI与传真技术对医疗行业的效率提升。而且在美国市值前100的上市软件公司中，只有一家是服务医疗行业的，医疗行业的数字化程度之低可见一斑。
而现在，一些创业者跟硅兔君反馈他们认为医疗行业有可能成为美国*拥抱AI立法的行业，他们在等待更明确的信号出来后加入AI+医疗的创业行列中。
2024年YC冬季孵化营的AI项目方向也反映出医疗从业者对AI的期待，今年AI+医疗的应用格外多，甚至细化到牙医的AI接诊员，放射科医生、家访护士和住院护士的助手等。
此外，AI产品“杀死”SaaS不仅体现在对传统行业的渗透，还有可能从商业模式角度颠覆SaaS现在的订阅制。
虽然目前大部分的AI应用还是延续SaaS的商业模式，提高员工的生产效率，按照使用的账户数量订阅制付费，定价参考员工的雇佣成本。咨询公司PwC和Benchmark投资人提出了一个新的观点“未来的AI产品很有可能演变为按照结果付费”，“Sell work, not software（售卖结果，而非软件）”。
例如服务人身意外伤害律师的AI助手EvenUp，B轮融资5050万美元，帮助人身伤害律师为客户准备索赔文件，例如案件摘要、医疗费用（包括误工费）估算等。
如果EvenUp采用的是SaaS销售思维，它的产品形式可能是为人身伤害律师提供一款软件，例如在准备文件流程的某个环节使用AI生成工具，订阅收费，但这样一来，EvenUp期望的是客户为提升的效率付费（难以衡量且有限）。
相反，EvenUp选择了销售“Work Product”，即整个索赔文件资料。这样，EvenUp的定价参考的是律所使用外包团队撰写这样一份资料的成本，因为EvenUp可以完全取代这样的人力劳动。从这个角度，Benchmark的投资人认为凡是需要外包团队的工作，都有可能由AI产品取代，因为这样的工作普遍意味着枯燥、重复和基础。
不过，有关AI的一切仍在疯狂的进化中，创业者和投资人对此有无限的想象，也是因为这些想象，AI创业不可避免的陷入狂热和泡沫中。
反思2023年的AI投资，Khosla Ventures创始人认为AI创业投资过热了。“考虑到目前的炒作，AI初创公司的估值过高，未来可能只有少数几家能存活下来”。
YC合伙人也发现去年很多人陷入“Checkbox”心态，因为看到其他人在创业或者布局AI战略，所以也要跟着做，他认为这种心态很容易使人陷入“Tarpit ideas”陷阱，即看起来有前景但是坑的方向。
并且，去年的环境加剧了陷入“Tarpit ideas”的概率，因为人人都想布局AI战略，一些AI Copilot概念产品可能很容易吸引用户试用、甚至转化一定的付费用户，但他们可能只是认为自己需要，还没搞清楚到底需要AI干啥。“很多AI应用并没有找到 PMF，它们似乎获得了一些traction（业绩），但当我们仔细探究时，有人真正在使用吗？实际用例是什么？创始人一头雾水。”
AGI确实展示出无限的潜力，但回归现实，AI真正的应用和效益可能还没实现。摩根斯坦利的AI助手并未被财富经理采用，因为客户想跟真人交流。试图用AI撰写的文章取代记者的新闻业务难以进行，因为这些文章是错误的或无用的。
OpenAI的COO Brad Lightcap也不得不出来让大家冷静下，他告诉CNBC记者，人工智能无法大幅降低成本，也无法让陷入困境的公司恢复增长。
在AI应用高速发展、野蛮生长的阶段，有许多看不清、回答不了的问题。超级个人投资者Elad Gil最近在博客中表示，“在大多数市场中，时间越久，事情越清晰。而在生成式AI领域，情况恰恰相反。时间越久，我就越不觉得自己真的懂了。”
YC CEOGarry Tan也承认现在很难确定的说有哪些方向一定会成为AI “Tarpit ideas”。
但相信有一点是硅谷投资人的共识，一位a16z合伙人曾表示，消费类人工智能应用将通过围绕独特的使用案例提供*用户体验而实现突围，而不是仅仅依靠模型性能。LLM可以成为差异化的源泉，可能会提供先发优势，但网络效应、高转换成本、规模和品牌等老式护城河仍将是长期取胜之道。
2020~2022，在生成式AI热潮之前我们经历了元宇宙和加密数字货币浪潮，泡沫很快刺破。很难说，AI热潮不会步入前者后尘。但每次泡沫破裂之后，总会有真正的信道者坚守，默默推动技术进步。
正如OpenAI CEO 山姆·奥特曼所言：”AGI正在来临，但它对世界的改变可能并没有我们想象的那么多。”
但我们相信不论如何演变，寻找真实用例、打造可持续的商业模式的本质是不会改变的。
