紅杉美國：GenAI是一場10倍速的生產力革命

編譯：Lavida

編輯：Siqi

排版：mengxi

以下為本文目錄，建議結合要點進行針對性閱讀。

👇

01 Why Now：從雲計算到 AI

02 當下：AI is Everywhere

03 未來：Everything is Generated

AI 具備的三項能力：創造、推理和互動

AI 已經擁有了創造和推理能力，例如 GenAI 可以生成文字、影像和音影片，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造性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互動，對商業模式的意義非常重大。

01.

Why Now：

從雲計算到 AI

紅杉合夥人 Pat Grady 透過回顧過去 20 年來雲行業的發展回答了 “為什麼 AI 技術為什麼在近期爆發”。

Pat 認為，雲計算是技術領域的一次重大轉變，它顛覆了過去的技術格局，並因此帶來了新的商業模式、應用程式以及人機互動方式。在雲行業還處於早期的 2010 年，全球軟體的總市值約為 3500 億美元，其中雲軟體只佔了大概 60 億。但到了去年，軟體市場的總規模已經從 3500 億美元增長到 6500 億美元，而云軟體的收入達到了 4000 億美元。這意味著在 15 年間，雲軟體的 CAGR 保持在了 40%，實現了驚人的增長。

而云之於 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 的一大機遇將是軟體替代服務。如果能夠實現這一變革，AI 的市場潛力將不是數千億美元，而是數十萬億美元級別。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。

1960s 後的歷次技術變遷以及代表公司

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數次技術變遷、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：紅杉創始人 Don Valentine 在快捷半導體負責市場營銷，“矽谷”這一名字的由來也和快捷半導體的矽基電晶體直接相關；

• 1970s：在晶片基礎上，人們構建出了計算機系統；

• 1980s：網路技術把 PC 連線到一起，與此同時軟體產業誕生；

• 1990s：網際網路誕生，人們的通訊和消費方式因此被改變；

• 2000s：網際網路已經逐步成熟，開始能夠支援複雜的應用程式，雲計算出現；

• 2010s：因為移動裝置的普及，移動網際網路時代到來，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；

• 快速且高效可靠的網路；

• 智慧手機在全球的普及；

• 由 Covid 加速的線上化趨勢；

• 上述這些過程中都為 AI 帶來了大量資料。

Pat Grady 認為，AI 將會成為未來 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。

從 Cloud 和 Mobile 到 AI 時代的代表性公司

關於 AI 未來的行業格局，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，但也象徵在當前市場中巨大的的潛在價值和機會。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、程式設計和影片生成等領域回顧了過去一年 AI 的發展。

AI 應用的各個領域

2023 年是 AI 歷史上相當重要的一年。ChatGPT 問世的一年半後，整個行業一直髮生著劇烈的變化。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。

Klarna CEO Sebastian Siemiatkowski X 推文

Sequoia 的 Pat Grady 用 HeyGen 生成的 Avatar

在 Zoom 會議中的影像呈現

GenAI 的十倍速增長

AI 和 SaaS 收入增速對比

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。

主要 GenAI 產品的實際使用者規模

從上圖也可以看出，客戶對 AI 需求不僅限於一兩個應用，而是方方面面的。很多人都知道 ChatGPT 有多少使用者，但當在觀察許多 AI 應用的收入和使用資料時，會發現現在不管是 to B 還是 to C，初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。

foundation model 和應用層的融資佔比

AI's $200 Billion Question

AI 產品和移動應用的 MAU、DAU 和次月留存率

儘管 AI 產品的使用者數量和收入看起來很可觀，但它在 DAU、MAU 和次月留存率方面還遠低於移動應用。很多使用者都在使用者調研中提到 AI 應用的預期與體驗之間存在差距。還有一些產品 demo 看起來很炫酷，實際用起來卻不怎麼樣，這也導致使用者沒有能更長期使用下去。

基礎模型能力提升

iPhone 和 App Store 的發展演變

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。像手電筒或者類似 beer drinking 這種小遊戲，後來都變成了系統內建應用或者可有可無的小工具。而 Instagram 和 Doordash 這樣真正具有影響力的應用都是在 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 應用都還處於 demo 或早期探索階段，就像 App Store 的早期應用一樣，但也許下一代的傳奇公司已經出現。

03.

未來：Everything is

Generated

2024 年關於 AI 的 4 大預測

💡

遊戲式價值迭代（gameplay-style value iteration）

是從強化學習領域借鑑來的一個概念，指模型能夠評估不同行動的長期價值，並根據這些價值來計劃未來的行動，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 娛樂應用逐漸擴充套件到企業級應用。

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% 的正常執行時間）的高準確度和可靠性。

• 預測四：大量 AI Prototype 和實驗專案將投入使用。

2024 年預計將有許多 AI 原型和實驗專案進入市場。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型生產力革命。

技術革命有很多種型別，包括電話帶來的通訊革命、火車帶來的交通革命以及農業機械化帶來的生產力革命。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，最終轉變為人類與協同化、網路化的工具協作。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，這將極大改變我們的工作和生產方式。

歷史上從鐮刀到聯合收割機的變化

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路聯合收割機，系統中的單個機器就是 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，發展到後來的程式設計，再到現在計算機和 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構建複雜的工程系統，由多個 Agent 共同完成程式碼生成。

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個工具協同。比如大家現在使用的 AI 助手不僅僅是 GPT-4，還有 Mistral-Large 和 Claude-3 等工具，並且藉助他們互相驗證，獲得更好的答案。

AI 帶來各行業成本普遍下降

生產力革命對社會的影響是普遍和深遠的。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。但這並不意味著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縮。以計算機軟體為例，由於持續的技術創新，軟體的價格在不斷下降。但在對社會最重要的領域，比如教育、醫療保健、住房等，價格上漲速度卻遠遠超過通脹，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 將是一次巨大的成本驅動型生產力革命，幫助我們在社會的關鍵領域以更少的資源做更多的事。

• 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，未來影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畫素矩陣，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 這個原始資料被儲存，但現在計算機不再只關注畫素表示，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，計算機不僅能夠理解這種多維表示並渲染為影像，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。比如看到“multidimensional”這個詞，計算機不會去關注“a”這個字母本身，而是去理解整個語境和詞的含義。

這個過程正是人類思維的核心特徵。就像我們學習字母“a”時並不是記憶畫素矩陣，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對映，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 藉助 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，這些使用者介面可能與以往我們所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那樣運作，各個部分之間相互連線和協同工作，以自我最佳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，上圖是一個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，這些因素形成了最佳化項樹狀圖中的子模式或子樹，最終形成一個層次明晰、互相連通的體系圖，其中語言生成的反饋將直接影響服務客戶的最終 KPI。藉助這種抽象方式，整個客服流程將由神經網路管理、最佳化和改進。