A16z：生成式AI的机遇与挑战分析

原文作者：Matt Bornstein, Guido Appenzeller, and Martin Casado

原文翻译：阿法兔

A16Z最近又发了一篇有意思的文章，谈到他们认为的生成式 AI 价值捕获问题，比如说目前生成式 AI 在商业化落地存在哪些问题？价值捕获**的部分在哪？笔者翻译后对部分内容进行了注解。

文章主要两部分：第一部分，包括A16Z对生成式 AI 整个目前赛道的观察，以及存在什么问题；第二部分除了问题之外，还讲解了到底哪块能捕获**的价值，无疑，得基础设施者的天下（请注意：这些大部分都是A16Z的 Portofolio，请大家本着客观理性的态度阅读，本文不构成任何投资建议或者对项目的推荐）

*本文版权归A16Z所有，翻译仅为供大家学习使用。

什么是生成式AI？

生成式 AI是机器学习的一个类别，计算机可以根据用户的输入/提示，生成原创的新内容。目前这项技术最成熟的应用主要在文本和图像领域，不过几乎所有的创意领域都有类似的进步（生成式 AI 的技术应用），覆盖动画、声音效果、音乐，甚至是对具备完整个性的虚拟人物进行原创。

第一部分：观察和预测

人工智能应用正在迅速扩大规模，而留存并没有那么容易，并不是所有人都可以建立起来商业规模。

生成式 AI 技术的早期阶段已浮现：

比如说，数以百计的新兴 AI 创业公司正冲向市场，开始开发基础模型，构建 AI 原生应用程序、基础设施与工具。

当然，确实会有很多热门技术趋势，会出现过度炒作的情况。但生成式人工智能的蓬勃发展，已经能看到很多公司产生了实实在在的营收。

例如，像 Stable Diffusion 和 ChaPT 这样的模型创造了用户增长的历史记录，有的应用在推出后不到一年，就达到了 1 亿美元的年营收，并且人工智能模型在部分任务中的表现要比人类的水平高几个数量级。

我们发现，技术范式转型正在发生。但是，需要研究的关键问题在于：整个市场中，哪些地方会产生价值？

过去一年里，我们和几十位生成式 AI 创业公司的创始人和大公司 AI 领域的专家。我们观察到目前为止，基础设施供应商很可能是这个市场上**的赢家，因为基础设施可以获得经过整个生成式 AI 堆栈最多的流水和营收。

尽管主攻应用开发的公司收入增长非常快，但这部分公司往往在用户留存、产品差异化和毛利率方面存在弱势。而大多数模型供应商目前还没有掌握大规模的商业化能力。

再说的准确一点，那些能够创造**价值的公司，比如说能够训练生成式人工智能模型，并将这种技术应用于新的应用程序，目前还没有完全抓住行业中的的大部分价值。所以，现在想要预测后面的行业趋势并不是那么容易。

但是，想办法了解整个行业堆栈的哪些部分能做到真正的差异化，和可防御化很重要，因为这部分可以对整个市场结构（即横向与纵向的公司发展）和长期价值驱动力（如利润率和用户留存率）产生重大影响。

但迄今为止，除了现有公司传统意义上的业务护城河，很难在（生成式人工智能的）堆栈上找到结构上可防御性。

我们看好生成式人工智能赛道，也坚信这个领域对各个行业产生巨大影响。这篇文章的撰写目的，主要是为了描绘市场的动态，回答一些关于生成性人工智能商业模式更为广泛的问题。

技术栈：基础设施、人工智能模型和应用程序

想要了解生成式人工智能赛道和市场是如何形成的，首先需要定义目前整个行业的堆栈：

整个生成式人工智能的堆栈可分为三层：

1.将生成式 AI 模型，与面向用户的产品应用集成，这种通常是运行自己的模型管道（”端到端应用”），或者依赖第三方 API

（阿法兔研究笔记注释：这里我们说的模型管道，指的就是就是一个模型的输出作为下一个模型的输入）

2.为人工智能产品提供动力的模型，以专有 API 或开源检查点的形式提供（这反过来需要一个托管解决方案）

（注释：这块说的是，要么把整个模型的构建方式以及预训练的模型（又叫检查点）开放出来，要么需要把整个模型的构建方式以及预训练的模保密，只开放一个接口 API，如果是前者的话，你就要自己去跑训练/微调/推理，所以需要知道它能什么样的环境、什么样的硬件基础上跑，所以需要有人提供一个托管平台处理模型运行环境的事情）

3.为生成性人工智能模型运行训练和推理工作负载的基础设施供应商（即云平台和硬件制造商）

需要注意的是，这块我们讲的并不是整个市场的生态图，而是一个分析市场的框架，本文在每个类别中都列出了一些知名厂商的例子，不过没有囊括列出目前所有最厉害的AIGC应用，也没有深入讨论 MLops 或 LLMops 工具，因为这块还没有达到完全成熟的标准化，有机会我们会继续讨论。

第一波的生成式人工智能应用开始形成规模化，但在留存和差异化方面却不容易

在之前的技术周期中，传统意义上的观点会认为，想要建立大型的、独立的公司，就必须拥有终端客户，这里的终端客户包括个人消费者和 B 2B买家。

因为这种传统意义上的观点，大家很容易也认为：生成式人工智能中**的机会也在于能够做面向终端用户的应用的公司。

但是到目前为止，其实情况并不一定会这样。

生成式人工智能应用的增长非常惊人，这种增长主要是由非常新颖和应用案例所驱动的，比如说图像生成、文案写作和代码编写，这三个产品类别的年收入已经超过了 1 亿美元。

但是，光增长还不足以构建持久的软件公司，关键在于，这种增长必须是有利润，也就是说，用户和客户一旦注册就可以产生利润（高毛利），并且这种利润还需要能够长期可持续（高留存率）。

如果公司之间不存在强大的技术差异化，B 2B和 B 2C应用程序只要通过网络效应，和数据优势，再或者构建愈发复杂的工作流程，从而获得成功。

但是，在生成式人工智能领域，上述假设未必成立。在我们调研的做生成式人工智能 APP 的创业公司中，毛利率的变化范围很广，少数公司能达到 90% ，多数公司毛利率低至 50-60% ，这块主要由模型成本影响。

尽管我们可以看到目前渠道顶端（Top-of-funnel ）的增长，但是，还不清楚目前客户获取策略是否可以持续，因为已经看到了很多付费获取的效率和留存率开始下降。

目前市面上的很多应用程序也确实缺乏差异性，因为这些应用主要依赖于相似的底层人工智能模型，并没有发现明显能够具备**网络效应、其他竞争对手很难**的的杀手级应用和数据/工作流程。

因此，目前我们还不知道能够建立可持续的生成式人工智能商业化业务的**实践到底是什么，随着语言模型的竞争和效率的提高，利润率应该会提高。随着那波仅仅因为人工智能的热度才来的用户逐步冷却，离开市场，用户留存率大概率会增加。并且，我们认为垂直整合的应用在制造差异化方面具备优势，但是很多还需要接下来的实践证明。

展望未来，生成式 AI 应用会面临什么问题？

• 在垂直整合（”模型+应用”）方面

如果人工智能模型作为一种消费型服务，应用开发者可以用小团队模式快速迭代，并随着技术的进步，逐步更换模型供应商。但还有开发者不同意，他们认为，产品就是模型，从头开始训练是创造可防御性的唯一途径，这里指的是不断地对专有产品数据进行再训练（re-training）。但这就需要更高的资本，并且需要稳定的产品团队为代价的。

• 构建功能与应用程序

生成式人工智能产品具备很多形式：桌面应用，移动应用，Figma/Photoshop 插件，Chrome 扩展应用…甚至还包括 Discord 机器人。在用户已经在应用、有使用习惯的地方整合人工智能产品比较容易，因为用户界面较为简易。但是，这些公司里有哪些会成为独立的公司？哪些会被微软或谷歌人工智能巨头所吸纳？

• 会和 Gartner 公司发布的炒作周期（hyper cycle) 一致？

尚且不清楚当前的用户流失率，是不是都是早期人工智能产品所必须面对的，仅仅是我们当前这批人工智能产品所固有的。再或者，市场对生成式人工智能的兴趣，是否会随着市场炒作的消退而下降。这些问题，对开发 APP 应用程序公司存在重要的影响，包括何时选择融资的时机、设计用户获取策略、对于用户群的考虑有用户的优先度，以选择宣布产品市场匹配（Product Market Fit）时机。