人工智能颠覆性膨胀：生产过剩如何稀释价值但加速创新

炒作与实质

我创造了“disruptobloat”这个词来描述任何一项重大技术都会经历的一个独特时期：

• 针对同一用例的 50 个版本，风险投资资金充裕。
• 每个人的LinkedIn标语都表明他们已经是 [ 某项新技术 ] 十年的专家了（我厚颜无耻地说这话，因为我自己的 LinkedIn 上既有加密技术也有人工智能）
• 新闻标题慢慢地从“所有公司都在开发[技术]”转变为“消费者是否厌倦了[技术]？”，再到无情的笑柄和“到底出了什么问题”。

颠覆性膨胀是一种生产过剩的现象：一些新技术驱动的产品充斥市场，在短期内削弱了价值观念。

这是一场朝着同一个目标的竞赛：发现一个可以塑造新客户行为并产生价值的粘性用例。这不是一个错误；这是进化过程中的必要步骤，也是一件好事！disruptobloat 越大，我们越快取得突破，因为我们迭代想法的速度越快。

Exponential View的Azeem Azhar这样解释：

级别 1：以更便宜的方式做我们要做的事情：(…) 自动化日常任务。

级别 2：做我们该做的事，但做得更好：(…) 质量改进的机会。例如，一家大型投资银行最近使用人工智能来自动化其大部分单元测试覆盖范围。这降低了成本，并允许进行更全面的测试，从而提高了整体软件质量。

级别 3：做全新的事情。这是人工智能真正潜力开始显现的地方 (…) 但问题在于：大多数企业都停留在级别 1 或级别 2。他们使用人工智能来削减成本或逐步改进流程，错失了从战略上重新思考业务前景的机会 (…)

问题是，每个人都在试图“从战略上重新思考他们的业务应该是什么样子”，但这很难。我们都习惯于思考日常生活中隐含的限制，而只有当我们忽略这些限制时，重新思考才会发生。对于现有的企业来说，它们也是僵化的客户、合作伙伴、收入和利润生态系统的限制。

人工智能模型的商品化

淘金热时期有句俗语：“当人们挖金子时，就卖铲子”。这句俗语经常用来描述一种商业策略：不是直接参与竞争和投机的市场，而是为该市场提供必要的工具和服务。然而，铲子的问题在于它们是可替代的，而且事实证明，人工智能模型太。

让我们假设没有供应商发布比竞争对手好几个数量级的模型，并且这种模型在很长一段时间内都不会产生战略意义。那么，价值在哪里积累呢？换句话说，什么样的产品能够建立护城河？

应用层__ 3 __ - 用户将通过其进行交互的表面、应用程序和站点包括：

1. 最有可能塑造新的行为，教用户做全新的事情，因此
2. 随着时间的推移，通过开拓新市场，可能会获得更多价值

因此，就相同的用例而言，值得与数百家（甚至数千家）初创公司竞争，这并不奇怪。 YC 上一轮融资中 75% 为人工智能初创企业- 而这只是一个风险基金！

这句话来自a16z ）给出了努力的方向的快照；从最容易实现的成果到做新事情的进展：

1. 在现有软件上运行的人工智能工具（例如：Zoom 会议的自动会议记录）
2. 在现有软件上运行的人工智能工具有可能取代现有软件（想想：Zoom Meetings 的会议记录……该公司随后构建视频会议并建议你放弃 Zoom）
3. 转化为劳动力的人工智能工具——一个全新的类别，到目前为止还未被软件触及（想想：软件为你主持会议！）

因此，disruptobloat。

通用技术（GPT）的拆分

现有公司与 0→1 初创公司之间的竞争是一场纯粹的产品发现挑战。理论上，模型提供商应该具有优势，因为他们已经收集了 2 年的使用数据。从 OpenAI 的 GPT 市场中寻找洞察力相当无聊的数据；我相信实际的对话更有启发性，但可能不是一锤定音。GPT 表明人们正在使用 LLM 来做他们知道可以使用 LLM 做的事情。当产品及其背后的团队想出如何教人们做全新的事情时，突破就来了。

这让人想起拆分 Craigslist - 就像它的各个板块被分成了专门的服务，其中许多在某个时候达到了独角兽的地位一样，我们将看到同样的事情发生在 GPT 上，而且速度要快得多，每个产品都试图比一刀切的聊天窗口更好地解决特定问题。

垂直整合商策略

上周， Packy McCormick 出版了《Not Boring》 垂直整合商（这篇文章引发了很多思考）。在人工智能颠覆性膨胀和模型商品化的背景下，垂直整合商战略变得尤为重要：这是一种建立护城河的方式，也是现有企业的优势所在。Packy 表示：

垂直集成商是指具有以下特征的公司：

1. 集成多种尖端但经过验证的技术。
2. 在整个堆栈中开发重要的内部能力。
3. 在控制整个系统集成的同时，对商品化组件进行模块化。
4. 与现任者直接竞争。
5. 提供更好、更快或更便宜（通常是三者兼而有之）的产品。

NVIDIA 就是这种策略的一个例子，它围绕核心技术构建生态系统来控制整个技术堆栈，特别是当基础模型变得商品化时：

• 硬件（GPU、A100、H100、DGX、Jetson）
• 软件（CUDA、TensorRT）
• 平台：用于 3D 模拟的 NVIDIA Omniverse、用于医疗保健的 NVIDIA Clara
• 机器人实验室和 Issac Sim 机器人模拟器
• NVIDIA DRIVE 用于自动驾驶汽车，包括硬件和软件（DRIVE AGX、DRIVE OS）。

目前并非所有现有企业都在或将会在每一层级展开竞争，但关键是他们有能力这样做，无论是通过建设还是收购。 a16z以 Stripe 和 Square 作为金融科技相关服务的例子进行解释：

“这就是将 Square 和 Stripe 称为商品参与者的缺陷。他们有分销渠道。他们有工程人才。他们可以打造自己的 TiVo 。这并不意味着他们会这么做，但他们的成功取决于他们自己的产品和工程实力，而不是与寡头垄断或公用事业达成的不可能的交易。”

离别礼物

我写这篇文章的早期目标之一是找出杀手级用例，现在回想起来，这对于几个小时的研究来说是一项艰巨的任务。不过，随着炒作逐渐平息，我仍在关注 Disruptobloat 的几个方面：

• 降低以前备受追捧但价格昂贵的服务（法律、金融、医疗保健）的成本，这些服务的低成本可以创造巨大的需求。 a16z （再次）：“LVMH 每年可能花费数千万美元打击假冒商品、发送停止和终止信函、与执法部门合作等。有多少小型 Shopify 商家可能想要完全相同的服务？所有商家都想要！有多少商家愿意每年花费 5000 万美元？没有商家愿意。有多少商家愿意每年花费 1000 美元？也许所有商家都愿意？”
• 让复杂技能大众化，就像我们对待编码一样。关于法学硕士辅助编程的大部分叙述都集中在节省成本上，但它的神奇之处在于它能让人们做以前无法做到的全新事情。我们听说过这个已经有一段时间了，首先是编码训练营，然后是无代码应用程序，但这些都有局限性。现在没有了。
• 在任何消费者活动中实现大规模超个性化
• 人工智能+机器人
• 气候技术__ 4 __

杀手级用例就在某个地方，尚未完善，淹没在噪音之中。无论——或者何时—— 市场将做好准备是另一个问题。