过推动一个设备升级周期轻松回收投
行业中有一个问题是，是否大公司在 AI 领域投入过多。如果你听他们的财报电话会议，他们会说，我们的风险在于投入不足，而不是投入过多。对此你怎么看 是的，没错。你可以想象一下，站在这些 CEO 的角度，比如 ，或者 Slla 的位置上。正如你所说，如果他们真正抓住了 AI 的机会，他们可能很容易地为公司增加一万亿美元的市值。 如果他们真的领先竞争对手，并以好的方式将 AI 产品化，这几乎是显而易见的。
而如果他们没有投入额外
元的资本支出，却因此错失了这个机会，后果可能是存在性风险。 对于这些大公司来说，每家企业的业务都有可能被 AI 技术深度颠覆。所以对他们来说，风险和回报非常清晰。更战术层面上，他们也能够轻松收回资本支出。最坏的情况下，他们可以通过使核心业务更高效来实现这一点。 David George： 比如说，Facebook 广告中的 GPU 利用率？ Alexandr Wang： 是的，比如 Facebook 或 Google，他们的广告系统只要稍微改进一点，就可以回收数十亿美元的成本。 David George： 通过更好的性能？ Alexandr Wang： 是的，苹果也可以通资。我认为这些都相当清晰。
个行业来看，这些公司投入大量
阿尔巴尼亚电话号码列表可以增强您的业 阿尔巴尼亚电话号码列表 务拓展吗？我们的全面且最新。这是一款出色的产品。阿尔巴尼亚电话号码目录可以帮助您与当地客户建立联系并增强您的营销工作。无论是用于销售、支持还是研究，这都是一款非常好的产品。此列表为阿尔巴尼亚的商业成功提供了宝贵的线索。
资本对行业是有益的，尤其是像 Google 和微软这样的公司，它们还在出租计算资源。 Alexandr Wang： 而且，这些模型已经在逐渐普及。比如 Llama 3.1 已经是开源的。所有这些投资的成果正在变得越来越广泛可用。开源模型所产生的溢出效应实在是令人难以置信。 David George： 这是一个很好的过渡，谈到市场结构，你怎么看待未来几年的发展？会不会是几个已经确定的玩家彼此竞争？你觉得这是个盈利的业务吗？开源对业务质量的影响是什么？请你展望一下未来几年的市场情况。 Alexandr Wang： 是的，过去的一年半里，模型推理的定价已经急剧下降，下降了两个数量级。令人惊讶的是，智能可能成为一种商品。我认为，纯粹依靠模型租赁业务在长期可能并不是最优的商业模式，这可能只是一个相对平庸的业务。
这或许取决于早期提到的突破点
如果有人真的取得了持久的突破，市场结构可 印度 bc 用户联系人列表 能会有所不同。 Alexandr Wang： 有两件事。第一，如果 Meta 继续开源模型，那么模型的价值上限会被大大压低。第二，如果几家实验室能够达到类似的性能，这也会显著改变定价策略。所以我认为，虽然不确定，但纯粹的模型租赁业务可能不是最有价值的业务，更优质的业务机会在模型的上层和下层。 下层，比如 Nvidia 显然是一个非常出色的业务，云服务提供商也拥有很好的业务，因为搭建大规模的 GPU 集群实际上是相当复杂的，云提供商在租赁这些资源时拥有不错的利润率。 David George： 传统的数据中心业务本质上也是规模游戏。因此，相比于较小的玩家，他们得到了极大的好处。 Alexandr Wang： 是的，正是如此。所以在模型层之下有很好的业务机会。
在模型之上，如果你在构建应
用程序，比如 ChatGPT 就是一个很好的业务，许多初 bmb目录 创公司开发的应用程序也表现得不错。 虽然没有哪家公司的规模能与 ChatGPT 相比，但如果这些应用能够在早期找到产品市场契合点，它们就能成为很好的业务。因为如果用户体验做得好，应用程序为客户创造的价值远远超过了模型的推理成本。 还有一些有趣的事情，比如 Anthropic 在 Claude 中引入的功能是一个信号，表明各大实验室都在深入推动产品集成，以提升业务质量。我认为未来我们将在产品层面看到大量迭代。 简单的聊天机器人绝不是最终产品，那将是一个令人失望的结果。所以产品的创新周期是难以预测的，正如我们没想到 ChatGPT 会如此受欢迎。 我认为没人能确切预测下一个增长点在哪个产品上，但可以肯定的是， OpenAI 和Anthropic有能力打造伟大的应用程序业务，实现长期独立和可持续发展。
那么竞争优势的推动力是什么
显然你需要模型，与之紧密集成的产品，以及从此衍生出的传统护城河，比如工作流程、集成等。 Alexandr Wang： 是的，你可以看到， OpenAI 和 Anthropic 几乎在同一时间都聘请了首席产品官，他们正在逐步摸索。我认为这表明了他们开始意识到，纯粹的技术驱动不再足够，需要深入的产品集成才能实现长期的商业成功。 David George： 你有一个有趣的应用程序业务，也有一些非常有意思的客户。你从企业客户那里听到的关于他们实际如何应用这些技术的反馈是什么？ Alexandr Wang： 我认为我们已经看到了企业的巨大兴奋度。许多企业都意识到，“我们必须开始行动了，我们必须抢占先机，开始尝试 AI 。” 这让他们进入了快速的 POC（概念验证）周期，他们会想着，“好吧，看看我们有哪些可以迅速实施的低垂果实般的想法。
于是他们尝试了所有这些想法
有些很好，有些不好。但无论如何，这种热潮确实存在。不过，实际推向生产环境的 POC 项目远远少于行业的预期。 我认为现在许多企业看到，原本他们担心的“末日”并没有发生—— AI 并没有完全改造和颠覆各大主要行业，它并没有彻底改变所有的游戏规则。 David George： 更多是一些边缘性改进，比如提高效率、支持性的任务，还有一些创意类任务之类的。 Alexandr Wang： 对，没错。总体来说影响比较轻微。我们思考的一个重要问题是：AI 的改进或变革能否真正显著提升这些公司的股价？这也是我们鼓励所有客户重点考虑的，因为从潜力上来看，几乎每个企业都具备在某种程度上实施 AI ，从而显著提升其股价的潜力。
多是通过节省成本和提高效率
是的，今天的 AI 大多体现在成本节省方面，但未来也可以极大地改善客户体验。我认为在许多需要与客户大量人工互动的行业，如果能够实现更多的标准化和自动化，客户的互动体验将会显著改善。最终，这也会转化为市场份额的提升。 所以这是我们推动客户努力的方向，我看到我们合作的一些 CEO ，他们都理解这是一个多年的投资周期，可能不会在下个季度见到成效，但如果他们坚持到最后，业务将会有巨大的变革。 我认为那些围绕小用例和边缘性应用的热潮是好事，应该继续尝试，但这并不是我们在这里的终极目标。
是的，现在的应用层更多像是
第一个阶段，比如目前的 AI 应用大多是自动化工具，主要是聊天机器人。作为创业投资者，我希望未来会有一个窗口，初创公司可以通过产品创新击败现有的行业巨头。 我的合伙人 Allison Pal 有一句话：“初创公司能否在现有公司找到创新之前，率先实现分销？” 我认为这是一个机会，但技术现在还太早，不知道你是否同意？我同意，现在的技术还为时过早，主要是因为目前大部分的好处来自于成本节省，而这还不足以颠覆已经拥有强大分销和增长成本优势的大企业。 David George： 你怎么看待企业内部的数据？比如你提到JP摩根拥有15PB的数据，但这些数据真的那么有用吗？因为目前这些数据似乎并没有带来巨大的竞争优势。
你认为这种情况会改变吗
我认为 AI 是第一次有可能改变这一现状的机会。大数据热潮归结于更好的分析，这对业务决策的帮助是边际的，而不是颠覆性的。 现在我们可以想象，产品运作方式会发生巨大变革。比如，像 JP 摩根这样的银行，大部分用户与银行的互动是由人驱动的。尽管他们尽力确保高质量的客户体验，但人工操作的局限性显而易见。 然而，企业过去的客户互动方式和业务运作数据是训练模型的唯一可用数据，这些数据可以帮助我们做得更好。 在企业内部有丰富的数据？ Alexandr Wang： 是的，企业内部有大量丰富的数据，但并不是所有数据都与业务转型相关，只有部分数据非常有价值。不过，企业在利用数据方面确实面临巨大的挑战。 数据往往组织混乱，分布不均，他们支付数千万甚至上亿美元给咨询公司进行数据迁移，结果往往没有实质性变化。
