本文轉載自有新 Newin
紅杉資本美國合夥人 Pat Grady 在近日一場活動對談科技媒體人 Eric Newcomer。Grady 強調，AI 技術正處於關鍵轉折點，將為眾多服務行業帶來變革性機遇，而不僅僅是複製現有的軟體公司。
他認為，穩定的基礎模型有助於整個 AI 生態系統的發展，因為它能讓企業更合理地預測和構建所需的應用程式。
目前的模型能力已經足夠強大，能夠創造出數萬億美元的新業務，關鍵在於如何在模型之上進行工程化最佳化和認知架構設計。
AI 的真正潛力在於賦能服務行業，如法律、諮詢、會計和簿記等。這些行業的工作流程大多是文字輸入和輸出，非常適合 AI 技術的應用。
Grady 認為，AI 不會取代現有的軟體公司，而是會帶來新的服務模式和商業機會，但人際關係和實際執行仍需依賴人工。
Eric Newcomer
紅杉資本被廣泛認為是世界上頂尖的風險投資公司，總是領先於其他公司，而 Pat 是這家公司的領導之一。你們是何時開始注意到生成式 AI 的？或者你們是如何獲得這些訊號的？什麼時候你們感覺到，這可能是另一個浪潮？
Pat Grady
有一個標準答案是，早在 1993 年，我們就對 Nvidia 進行了 A 輪投資，雖然這是真的，但 Nvidia 是一個例外。
我們沒有一系列投資來提示我們發生了一些事情，但我可能會說，大約在 2016、 2017、 2018 年。
當時原始的 Transformer 論文問世了，但那時對AI的發展並不那麼關注。更多的是因為在雲計算和移動領域沒有發生的事情。
從風險投資的角度來看，那時雲計算和移動已經是一個相對晚期的週期。我們看到的很多想法都是衍生的，並沒有感覺到它們在解決一流的市場機會。
因此，我們開始花更多的時間掃描前景，尋找可能存在的其他東西。我們觀察到的一個現象是，許多重大的技術變革都是分發方式的革命，透過一個數量級增加了技術的可訪問性。
隨著手機的普及，分發方式的革命已經達到了極限，全球八十億人中有七十億人都在使用手機。
如果分發不是下一個維度，那麼它一定是深度，這意味著它可能是計算能力的革命。我們看到的一些最有趣和最豐富的應用體驗都是由大量機器學習驅動的。
因此，我們開始考慮資料和機器學習的完整過程。這引導我們進入了現代資料堆疊，但也引導我們瞭解了 HuggingFace 和 OpenAI 等公司。
Eric Newcomer
HuggingFace 是你們的第一個投資專案嗎？還是有其他的？
Pat Grady
我可以說，我猜那是我們第一個投資專案。實際上有其他公司，它們在不同形態和規模上使用了AI，這些公司在一定程度上預示了這個浪潮的到來，比 HuggingFace 或其他一些公司要早。
Eric Newcomer
那麼直接進入這個問題，從過去的經驗來看，你們如何理解基礎模型公司？我非常想知道。一個夢想是它們像 AWS 或 Google。你怎麼看？我本來打算展開我的資料庫類比。
Pat Grady
你已經說了，但這確實是正確的類比。如果你看看基礎模型的功能，它們都是資訊處理工具，對吧？這基本上就是資料庫為你做的事情。關係資料庫或 NoSQL 資料庫和推理引擎之間的區別是，它們提供了不同的功能和輸出。但從根本上來說，它們是相同的東西。
因此，如果你試圖從中推斷出來，好的，那麼這些基礎模型公司會變成什麼樣子呢？有些會成為 MongoDB。
MongoDB 是一家了不起的公司，但它的年收入只有幾十億美元，市值幾十億，而不是收入數百億、市值數千億的公司。所以我們可能正進入一個世界，這些基礎模型公司主要以基礎模型本身聞名。
如果它們的主要產品是開發者 API，供人們在其上構建應用程式，它們在規模上更像資料庫公司而不是其他任何東西。
現在， OpenAI 是一個特殊情況，因為你可以說 OpenAI 已經從開發者業務轉變為消費者業務，這使它在潛力方面進入了一個不同的類別。
Eric Newcomer
是的，如果 Anthropic 的最好情況只是成為 MongoDB ，那確實是比較輕微的讚美。
Pat Grady
但故事尚未寫完，因為 Anthropic 也有不同數量級的潛力，有很多消費者在使用 Anthropic。
可能會有商業產品成為殺手級應用程式。這些基礎模型有機會進入應用層。是的，但我們必須看到它們的執行情況。
Eric Newcomer
你認為現在的模型是否足夠智慧，能夠從根本上構建出偉大的應用程式？或者你認為目前的模型在消費者和企業兩個領域，是否已經足夠先進，能夠創造出具有變革性的應用程式？
Pat Grady
我可能有一個相對獨特的觀點。我不確定，但這正是我們在這裡所做的事情。我的感覺是，很多人認為我們真的需要 GPT-5 ，甚至 GPT-6，因為現在的模型還不夠好。
我不這麼認為，因為我們看到的是，很多人在模型之上投入了大量的工程努力，可以稱之為認知架構，包括計劃和推理等。
人們用不同的名字來描述這些東西，但基本上就是你在模型之上所做的工程。當人們在這方面投入大量努力時，他們最終會創造出非常神奇的體驗。
舉個例子，我知道 Meta 的團隊就在這裡，他們在別人的基礎模型上進行開發，但他們在認知架構方面投入了很多精力。結果是，他們在一週前釋出了一個新的記錄，打破了很多人關注的測試標準，我們越來越多地看到這種情況。
我們思考的一個平行宇宙的假設是，如果你凍結了今天的基礎模型功能，並將所有的增量精力投入到最佳化、易用性、經濟性和頂層工程上，或許將一些努力從大規模預訓練轉移到測試時計算上，進行更多的計劃和推理，如果你這樣做了，你能改變多少行業？答案是所有行業。今天的能力足以構建數萬億美元的新業務。
Eric Newcomer
這種思路是否隱含了一個預測，即你認為 GPT-5 及以後的版本不會有大的飛躍？或者你對它們會變得多智慧有一個總體看法嗎？
Pat Grady
大家都在盡力猜測會發生什麼，以及我們在 GPT-5 中會看到什麼。有些事情是已知的，有些是不知道的。人們認為他們有訪問許可權，或者我確信一旦 GPT-5 釋出，會讓人們大吃一驚，這是我的最佳猜測。是否這對生態系統有好處還是一個開放的問題。
我之所以這麼說，是因為我可能會類比加密貨幣。很多加密貨幣創始人會說，給我們提供監管規則，這樣我們就知道遊戲規則是什麼。同樣在 AI 領域，給我們一個穩定的模型，這樣我們每次新版本釋出時就不需要重做我們的提示了。
我們不需要跟上不同模型不斷進步的步伐，再次重新平臺化。在模型層面上的一些穩定性對生態系統是有好處的，因為這樣你可以更合理地預測你需要構建什麼。
Eric Newcomer
在我們的歷史類比中，你如何看待現在的 Nvidia ？
Pat Grady
你是說你是買家？你可能是對的。我的視角是尋找擁有幾百萬客戶的公司。我喜歡尋找那些有幾百萬收入的公司，看看它們是否能達到幾十億的收入。這更符合我的業務。我們回到網際網路過渡的分析。在 AI 領域，我們現在所處的階段感覺就像是 90 年代末。
Netscape 時刻是 1996 年，當時人們意識到網際網路的力量。這類似於 2022 年秋季的 ChatGPT 時刻。快進幾年，地球上最有價值的公司是思科，因為他們在為網際網路鋪設軌道。今天思科的類比是 Nvidia ，它是 AI 的核心基礎設施提供商。
當你為網際網路鋪設軌道時，這些軌道的使用壽命相當長。當你進行訓練執行時，GPU 在 24 個月內折舊，其使用壽命有點不同。
你可以說這對 Nvidia 是有利的，因為它可以保持一些 GPU。你也可以說這對那些購買這些 GPU 的人是不利的，因為你可能無法從所有這些資本支出中獲得回報。
Eric Newcomer
我們訓練這些模型，然後在從中獲利之前就需要構建下一個。這是一個大問題，但我想說，訓練到推理的轉變有很多事情要考慮。我們是否會從大量訓練轉向更多推理？
部分是因為模型本身，我們訓練得少了，基礎模型之間的競爭也少了？部分是因為有用的應用程式正在執行推理？你對訓練到推理轉變的問題有什麼總體看法？
Pat Grady
總體而言，已經進行的訓練量可能比我們需要的多。回到我對最佳化調優的觀點，工程解決方案在基礎模型之上。
今天早些時候的評論提到，PhD 已經成為一種貨幣，很多人認為他們需要垂直整合，自己訓練模型。部分原因是這很有吸引力。
從實際的角度來看，已經有足夠的模型被訓練出來，你可以構建各種偉大的體驗。人們會開始意識到這一點。我們將很快從訓練階段轉向推理階段。
Eric Newcomer
你是 Harvey 這家 AI 初創公司的大投資者。談談這如何與你對最佳應用程式所在領域的總體看法相契合。
Pat Grady
我們試圖從歷史中吸取教訓。網際網路的類比在某些方面是好的，雲計算的類比在某些方面也是好的。雲計算的類比在這裡很有用，因為就像雲計算一樣，AI 是一種技術模糊地帶，能夠啟用新的分發模式和新的商業模式，但它本身並不是一個消費者前端。雖然有像 ChatGPT 這樣的消費者前端形式，但它本身並不是一個消費者前端。
我提到 Harvey 時提到這一點，因為有一種觀點認為，如果我們要類比雲計算的轉變，那麼在雲計算轉變中需要做的事情就是找到那個最初的本地軟體公司，構建其雲計算等效產品。而那確實在那個時代非常奏效。
今天需要做的事情非常不同。不是找到軟體公司並構建其AI原生版本，而是找到服務行業並透過 AI 賦能它。如果你列出那些從能力角度來看規模龐大的服務行業，法律是排在首位的。
僅在美國，法律行業的 TAM 就達到了 4000 億美元，而且法律界的大部分工作是文字輸入和文字輸出，這些正是這些模型擅長的地方。
Eric Newcomer
我覺得我讀到了一份報告，說麥肯錫似乎在生成式AI熱潮中賺的錢比其他任何人都多。
Pat Grady
但那正是重點。你有法律、有諮詢、有會計、有簿記，這些都是資本密集型的行業。我們會看到一波類似 Harvey 的公司，它們在某些方面是輔助駕駛員，作為現有行業的助手，在某些方面是自動駕駛儀，作為擴充套件 TAM 的服務。
對於 Harvey 和可能很多這樣的公司來說，你不會用 Harvey 替代 Kirkland and Ellis，但有數以億計的人無法獲得 Kirkland and Ellis 的服務，他們希望有一天能夠獲得 Harvey 的服務。
Eric Newcomer
最好的最好的。你在回答中提到了一點，即將替代風險投資。我今天和 Marco Egoldman 談過，他的意思是，我們認為它會有助於交易，但目前還不能取代交易。今天的交易決策和獲取 alpha。作為一家風險投資公司，你們在使用語言模型來更成功地投資方面處於什麼位置？
Pat Grady
很多年前，我們意識到，如果軟體能吞噬世界，它可能也會吞噬我們。現在，AI可能也會吞噬我們。所以很多 年前我們決定試圖弄清楚這會是什麼樣子，併成為一家 AI 或軟體賦能的風險投資公司，而不是被其他這樣做的人所打敗。因此，我們有一個相當複雜的系統，類似於一個智慧CRM系統。
舉個例子，我們對一個從未見過的公司的瞭解比 15 年前做出最終投資決策時的資訊還要多，因為有很多資訊可以獲取。例如，如果你是一個投資者，你的主要工作之一是研究不同的公司，你可能需要花幾天時間閱讀網際網路上關於公司的所有資訊，以瞭解業務。
我們不需要花幾天時間，因為我們有 LLM 來為我們做這些，這就是為什麼我們只需在系統中查詢公司，就可以自動總結所有已知的資訊，不僅是公共網際網路，還包括我們訪問的一些付費牆後的資訊，因此我們可以自動說出這家公司做了什麼，為什麼人們喜歡它，為什麼人們不喜歡它，我們發現的一些指標，以及解釋這些指標的一些事情。
透過一個基於聊天的介面。我們建立了各種不同的介面。大部分就像是一個豐富的公司檔案，你可以從那裡開始查詢。
Eric Newcomer
你認為 AI 有可能顛覆風險投資的哪些部分？
Pat Grady
基本的價值鏈大致分為：發現、挑選、贏得、建設和收穫。發現階段，你不能要求LLM在任何有意義的方式上建立與創始人的關係，但你可以要求 AI 做很多其他部分的工作。所以這是一個價值鏈的一部分，隨著時間的推移，大部分將是程式化的。
這也有助於挑選，因為很多對發現有用的東西有助於最佳化你的決策。所以這部分也會是程式化的。贏得部分是人與人之間的交流，這部分不太可能被自動化。建設部分可能是半自動化，有些事情你可以在那裡做，有些事情是人類的，然後是收穫階段可能不多。
對於漏斗的前端，自動化將佔很大一部分。今天也是如此。很少有公司能進入我們的合夥人會議而沒有在關鍵路徑上以某種有意義的方式被觸及。
Eric Newcomer
回到歷史教訓，我們談到了比較公司，你也稍微提到了，但任何週期的自然炒作浪潮。我們經歷了加密貨幣熱潮。
非常不同，因為我相信 AI 的許多技術變革，而我不太相信加密貨幣。不僅僅是加密貨幣，還有網際網路泡沫和金融危機。你認為我們現在處於這個興衰週期的哪個階段？
Pat Grady
感覺我們經歷了一個炒作週期的收縮階段。以雲計算為例，雲計算沒有一個「網景時刻」。所以雲計算是一個非常長的建設過程，一個公司接一個公司將一個工作負載接一個工作負載移到雲端。
而網際網路有一個公開的「網景時刻」。AI 有一個公開的 ChatGPT 時刻。
結果是，炒作週期被壓縮到一個更短的時間段內。我們已經經歷了膨脹的期望高峰。我們會預測今年年初是訓練轉向推理的轉折點，很多東西會開始進入生產。它還沒有真正發生。所以我們正在看到人們在努力擺脫失望的低谷，進入另一個階段。所以現實正在顯現。
我實際上不認為有很多炒作，明確說，AI 領域的資金存在泡沫，我明確表示這一點。但，人們對使用它的現實非常清醒，他們現在理解我們實際上在談論的是如何解決工程挑戰，使這些東西有用，而不是談論魔法盒子。
Eric Newcomer
你在 AI 領域最看好的兩家公司，不在你們投資組合裡的。
Pat Grady
我不太會想到我們投資組合以外的公司。Heygen 不在我們的投資組合中。Joshua 非常出色，該產品有廣泛的適用性。
所以我會給出這個例子。然後另一個公司 Augment，它們有不同的方式來接近這個一般類別，那是一個非常好的團隊，而且在很多方面我很欽佩那個業務。
Eric Newcomer
你個人追逐消費者業務嗎？
Pat Grady
我儘量不這樣做。在我們的眾多浪潮中，整個 SaaS 浪潮是否有摧毀者出現？你怎麼看我們的社群？他們會覺得 AI 某些方面掩蓋了一個殘酷的低迷。
這其實是——我們每兩年舉行一次 LP 會議，幾個月前剛開過。LP 們最常問的問題是，AI 會不會對現有的投資組合造成影響？因為我們的投資組合中有很多軟體公司。
因為正如我之前所說，這不是 AI 要去消滅當前一代的軟體公司，而是AI將去追逐服務行業。這是一個更大的機會。但同時，如果你看看現有的 SaaS 公司，它們已經有資料了，它們已經有分發了。
這些產品的大部分功能在開源世界中是免費提供的，透過其中一個基礎模型。所以，如果創業公司和現有公司的經典鬥爭是創業公司能否在構建酷產品之前建立分發，那麼在大多數情況下，答案是不能，現有公司能很快地構建酷產品。但話雖如此，很多人喜歡談論現有公司的資料和能源。
對於大多數這些元素來說，這是一個幻覺。因為它們的內部系統一團糟。它們的合同寫得這樣，使它們可能實際上不能像你希望的那樣處理它們所有的資料。
