“壁壘是啥？”

“差異化是啥？”

“大模型自己做了怎么辦？”

“為啥你能做別人不能做？”

我們從 2 月開始到現(xiàn)在，接了 10 個(gè)左右 AI 的應(yīng)用層項(xiàng)目做 FA，每個(gè)項(xiàng)目到最后都會(huì)反復(fù)遇到這些問題。

這幾個(gè)問題幾乎是振聾發(fā)聵，掩耳盜鈴，余音繞梁，三日不絕。

所以如果你是一個(gè)最近剛開始看 AI 應(yīng)用的投資人，我有個(gè)辦法可以節(jié)省你一個(gè)月左右的時(shí)間：

只要遇到項(xiàng)目就直接問壁壘是啥，項(xiàng)目方如果說不上來，就直接 move on，反正聊到最后也要回頭糾結(jié)這個(gè)問題，不如五分鐘結(jié)束戰(zhàn)斗，這樣也能節(jié)省創(chuàng)業(yè)者更多的時(shí)間。

然后呢，你就可以得出和花了很多時(shí)間聊了很多項(xiàng)目的投資同行們幾乎一樣的結(jié)論：

“這些項(xiàng)目好像都沒啥壁壘，很難出手啊。?！?/p>

當(dāng)然，以上只是一個(gè)小小的吐槽，just kidding...

實(shí)際情況是，大多機(jī)構(gòu)在過去兩個(gè)月中核心精力都放在了大模型上，造成了國內(nèi)大模型項(xiàng)目數(shù)量和融資火熱的景象，然后最近兩周大家開始看應(yīng)用層的項(xiàng)目（中間層在國內(nèi)更慘，似乎直接被忽略跳過了，默認(rèn)沒有機(jī)會(huì)？），于是就來到了我上面講的情況。

我們的 10 個(gè)項(xiàng)目中，目前確定成交的有三個(gè)，在路上的希望很高的大概有三四個(gè)，很難的有三四個(gè)，大概是這個(gè)比例。而我還是有信心說我們聊過的在做的項(xiàng)目在市場(chǎng)上是有一定的代表性和水準(zhǔn)的，對(duì)接的機(jī)構(gòu)也是最主流在看這個(gè)方向的。所以，整體市場(chǎng)真正能拿到融資的應(yīng)用層的項(xiàng)目比例要遠(yuǎn)小于此。

從我們了解到的數(shù)據(jù)來看，在 AI 領(lǐng)域出手最多的機(jī)構(gòu)大概有兩三家，每家大概投四五個(gè)項(xiàng)目（其中也以模型類為主），其他真正出手投過一兩個(gè)項(xiàng)目的大概有 20 家機(jī)構(gòu)左右，所以真正的 AI 應(yīng)用層項(xiàng)目能拿到融資的其實(shí)很少，至少和目前整體市場(chǎng)的熱度及共識(shí)是完全不匹配的。

那造成這個(gè)情況的原因都有哪些？創(chuàng)業(yè)者該如何應(yīng)對(duì)？到底這個(gè)賽道的壁壘是什么呢？以下是我們近期思考的結(jié)論：

一）大模型的能力和意義被顯著高估了

Maithra Raghu 在谷歌大腦工作了八年，我很同意她最近的一篇文章（Does One Large Model Rule Them All）中關(guān)于大模型未來的觀點(diǎn)。

如上圖，她的觀點(diǎn)是會(huì)有幾個(gè)普適的通用大模型，去滿足廣義的中長尾的大眾需求，而在垂直的高價(jià)值大用戶基數(shù)的場(chǎng)景下（比如圖像生成、營銷文案協(xié)作、編程助手等場(chǎng)景），會(huì)有很多專業(yè)模型，這些模型更像是端到端的應(yīng)用，會(huì)占據(jù)用戶場(chǎng)景，并建立自己的模型。

她的論證邏輯也非常簡單：

1）專業(yè)化領(lǐng)域的用戶對(duì)產(chǎn)品性能的要求高，需要更好的定制化的產(chǎn)品和技術(shù)的解決方案，直接調(diào)用通用大模型是難以滿足的。

2）要把產(chǎn)品做到更好，需要更完善和靈活的數(shù)據(jù)反饋和底層架構(gòu)，而通用大模型在可控性上是難以做到的。

3）垂直場(chǎng)景的產(chǎn)品的護(hù)城河就是數(shù)據(jù)，最珍貴的也是數(shù)據(jù)，所以一旦有了場(chǎng)景和用戶，這些產(chǎn)品提供者有足夠強(qiáng)的動(dòng)力去保護(hù)自己的數(shù)據(jù)不被其他大模型調(diào)用，所以自己基于類開源的大模型去訓(xùn)練自己的模型就幾乎成為了必然的選擇。

4）AI 領(lǐng)域本身就是有非常強(qiáng)的協(xié)同性和開源性的，而且各項(xiàng)成本也是在不斷降低的，所以未來做自己的大模型的門檻會(huì)不斷降低。

所以基于以上原因，她的結(jié)論是未來可能會(huì)有非常多的大模型，有少數(shù)通用的，有更多垂直的，整個(gè)生態(tài)會(huì)無比繁榮，會(huì)有更多的端到端應(yīng)用的機(jī)會(huì)，而非通用大模型本身。

我猜這也是為什么美國不斷有大額的應(yīng)用層公司融資的新聞，而很少見到類似國內(nèi)的一窩蜂去投大模型創(chuàng)業(yè)公司的新聞（美國的大模型公司似乎也都是端到端應(yīng)用的公司，都是直接有產(chǎn)品和場(chǎng)景，大模型只是為了更好的滿足產(chǎn)品）。

其實(shí)我相信國內(nèi)的大模型公司有很多也是追求場(chǎng)景和產(chǎn)品，而非只講通用大模型故事的，所以其實(shí)核心問題是這些公司到底該被稱為大模型公司還是應(yīng)用公司呢？如果其實(shí)最終是端到端的應(yīng)用公司那又該如何評(píng)估這些公司的核心競爭力呢？

另外，今天我和一個(gè)創(chuàng)業(yè)朋友聊天，他提到一個(gè)很有趣的問題，GPT3 其實(shí)是 2020 年發(fā)布的，在那個(gè)之后的兩年之中，為什么只有很少的大模型或者應(yīng)用類的公司跑出來？難道 3.5 和 3 的差距有那么大嗎？那為什么 Jasper 或 Copy.ai 卻跑出來了呢？

我相信這也是一個(gè)值得很多從業(yè)者去思考的問題。

二）未來應(yīng)用的發(fā)展軌跡到底會(huì)如何？

上圖是音遇創(chuàng)始人 Albert 對(duì)于未來用戶時(shí)間分布變化的思考。

在上一波移動(dòng)互聯(lián)網(wǎng)的市場(chǎng)中，我們會(huì)發(fā)現(xiàn)不論是什么賽道，最終從用戶時(shí)間的維度上大家都是競爭者。

在 AI 2.0 時(shí)代，人類工作相關(guān)效率會(huì)不斷提升，所以目前大多 2B 類產(chǎn)品其實(shí)是去卷這一部分用戶的時(shí)間，最終也許讓用戶在產(chǎn)品上停留的時(shí)間越少則越成功？而娛樂相關(guān)體驗(yàn)的產(chǎn)品則是另外一套邏輯，即怎樣用 AI 提升體驗(yàn)而非效率才是最終的議題。

另外 A16Z 在上圖的文章中提到一個(gè)觀點(diǎn)，即 AI 會(huì)從生成內(nèi)容到理解內(nèi)容，從基于簡單的 prompt 生成長文，到基于海量的信息去總結(jié)精煉的 insights，然后基于 insights 去提供落地執(zhí)行的建議（并自主執(zhí)行？）。

我理解本質(zhì)都是想怎么能更好的利用 AI 勞動(dòng)力，一種是做從無到有的苦力，一種是做從多變少的分析活，這兩個(gè)結(jié)合起來就能取代大多日常的工作流程和場(chǎng)景。

所以在業(yè)務(wù)場(chǎng)景的選擇上，我們目前有以下幾個(gè)看法：

1）選擇對(duì) human in the loop 的程度要求低的方向，或者盡量讓產(chǎn)品降低其程度，盡量讓 AI 從 copilot 的角色無限趨近于 pilot，這其實(shí)本質(zhì)和最近 autogpt agent 的概念是一致的。

2）選擇大模型是工具和過程而非結(jié)果的事情，把大模型藏起來，盡量弱化大模型在產(chǎn)品流程中的意義和占比。

3）尋找需要大量人力去生成內(nèi)容的場(chǎng)景，或者尋找有海量數(shù)據(jù)而原有人力難以處理分析得出 insights 的場(chǎng)景。

4）要明確做的是 killing time 的場(chǎng)景，還是 making money 的場(chǎng)景，一個(gè)是追求體驗(yàn)，一個(gè)是追求效率，不可混淆。

5）尋找業(yè)務(wù)環(huán)節(jié)復(fù)雜，不同環(huán)節(jié)連通和積累能產(chǎn)生顯著數(shù)據(jù)飛輪效應(yīng)的場(chǎng)景。

6）在 AI 時(shí)代，講要做個(gè)人助手，大概就像是在互聯(lián)網(wǎng)時(shí)代講有一個(gè)做社交的夢(mèng)想一樣，需要尤其謹(jǐn)慎，而在 AI 時(shí)代，也很可能你本來沒想到要做個(gè)人助手，最后就發(fā)現(xiàn)自己做的其實(shí)就是一個(gè)個(gè)人助手。

三）人機(jī)交互界面到底會(huì)怎樣變化

很多人經(jīng)常討論什么是 AI Native，交互式會(huì)話是不是未來產(chǎn)品核心形態(tài)等問題，但我個(gè)人仍然覺得這件事被過于強(qiáng)調(diào)了，所以在這里稍微提一句。

AI 對(duì)交互體驗(yàn)帶來的本質(zhì)變化是智能和靈活性，是對(duì)最小化供給模塊的解構(gòu)和重新組合，而對(duì)話并不一定在所有場(chǎng)景下都是最高效的交互方式。

對(duì)此感興趣的可以去看 Geoffrey Litt 的文章 Malleable software in the age of LLMs，他在里面進(jìn)行了很詳細(xì)的論證。

簡單結(jié)論我們?cè)谥暗奈恼轮幸灿袑戇^，即對(duì)話和圖形界面的組合才是最高效的產(chǎn)品交互方式，最終在 AI 時(shí)代，產(chǎn)品最核心的變化潛力可能是每個(gè)用戶都有機(jī)會(huì)用對(duì)話去重塑自己的圖形界面（或至少是 AI 能基于用戶需求去提示和建議產(chǎn)品功能）。

（從另一個(gè)視角看，一個(gè)好的產(chǎn)品設(shè)計(jì)應(yīng)該能讓人一心二用，即用戶可以一邊聊天一邊做事，而不是只有聊天才能做事。）

四）壁壘是什么

最后，我們終于進(jìn)入到這個(gè)話題。

ELAD GIL 試圖在 Defensibility & Competition 這篇文章中解釋 AI 公司壁壘的問題，但他一上來其實(shí)就明確給出了結(jié)論：

極少有 SaaS 或 AI 的公司在早期就有壁壘的，大多這類的公司都是在后續(xù)發(fā)展中逐漸找到并形成自己的壁壘。

當(dāng)然這個(gè)答案對(duì)于國內(nèi)的投資人來說可能并不足夠。

那我們不妨想一下，投資人為什么在這個(gè)時(shí)候更看重壁壘？之前投 SaaS、投消費(fèi)、或者我們回溯到早期投移動(dòng)互聯(lián)網(wǎng) APP 的時(shí)候，到底是不是天使輪就要論證出項(xiàng)目明確的壁壘呢？

我覺得出現(xiàn)這個(gè)情況有幾個(gè)原因：

1）過去幾年市場(chǎng)募資環(huán)境和投資方向的變化，讓大家對(duì)于確定性和壁壘的要求更高，但這是否相當(dāng)于追求讓風(fēng)險(xiǎn)投資變的不那么有風(fēng)險(xiǎn)，是否值得商榷？當(dāng)下市場(chǎng)中真正的天使投資是否供給不足？

2）AI 行業(yè)過去一段時(shí)間確實(shí)發(fā)展太快，大家決策的信息輸入不夠完備，所以要出手并不 comfortable，但當(dāng)市場(chǎng)信息全都清晰的時(shí)候，該如何錯(cuò)位獲取超額回報(bào)？

3）大家過于看重底層大模型的能力，覺得大模型是萬能的，這個(gè)觀點(diǎn)我們并不認(rèn)同，也在上文中辯證了一部分，我們堅(jiān)定的認(rèn)為產(chǎn)品能力永遠(yuǎn)是核心，技術(shù)只是解決用戶需求的手段，所以我們看好端到端應(yīng)用，且認(rèn)為國內(nèi)創(chuàng)業(yè)者選擇從產(chǎn)品場(chǎng)景切入，再反向補(bǔ)足模型能力的路徑是合理且可行的。

4）大多創(chuàng)始人確實(shí)講的方向重疊，且錯(cuò)誤預(yù)判了市場(chǎng)對(duì) AI 的熱度，在產(chǎn)品未上線無數(shù)據(jù)的時(shí)候過早進(jìn)行市場(chǎng)化融資，且對(duì) AI 能力和用戶需求的理解上想的還不夠深入（大多時(shí)候也是因?yàn)闆]有實(shí)踐，而非沒有能力）。

所以最后我們給大多關(guān)注該領(lǐng)域的創(chuàng)業(yè)者的建議是：

1）市場(chǎng)沒有想象中好，熱度不代表交易轉(zhuǎn)化，建議不要在產(chǎn)品未上線或沒有數(shù)據(jù)前期待利用市場(chǎng)熱度順利完成融資。

2）如果確實(shí)需要融資，建議理性客觀對(duì)待市場(chǎng)，大幅放低估值期待，先小額出讓股份，用低估值降低投資人對(duì)不確定性的顧慮，拿些小錢做到 POC 并不丟人。

3）問自己三個(gè)問題，關(guān)于 AI 我比別人更深的認(rèn)知是什么、更巧妙的應(yīng)用是什么？關(guān)于用戶需求和場(chǎng)景我比別人不一樣的理解是什么、不一樣的產(chǎn)品功能點(diǎn)是什么？關(guān)于壁壘和核心競爭力我該如何回答？

4）做好未來要擁有自己的垂直模型的準(zhǔn)備，對(duì)于產(chǎn)品型創(chuàng)始人來說，這可能是未來對(duì)團(tuán)隊(duì)能力的一個(gè)挑戰(zhàn)，誰能更好的講清和做到這點(diǎn)也可能是最終真正被買單的壁壘。

5）來找我們聊聊（微信 qukai42），看看市場(chǎng)一線的創(chuàng)始人在做什么講什么，到底哪些投資人真的在出手該領(lǐng)域，他們又有什么最新的想法和變化。

btw 如果你對(duì) AI 感興趣，希望參與到這波 AI 的浪潮第一線中，我們也在招聘，尤其歡迎有技術(shù)背景或有良好的外文博客閱讀習(xí)慣的同學(xué)聯(lián)系我們，實(shí)習(xí)及全職皆可，我們的郵箱是 kaiqu@42zhj.com

42章經(jīng)

思考事物本質(zhì)