文章来源：有新
在这场活动上，3 位红杉合伙人 Pat Grady、Sonya Huang 以及 Konstantine Buhler 进行了开幕分享，一起讨论了 AI 提供持久价值的方式，以及这项技术将如何帮助我们用更少的资源做更多的事情，以便我们能够解决更多的问题，创造更多的东西，共创美好未来......以下是这场分享的主要内容：
Pat Grady
在过去的 12 个月里，我们似乎经历了炒作周期的一种压缩形式，经历了期望的高峰、失望的低谷，现在我们正缓慢回升到生产力的高原期。我们意识到 LLMs 和 AI 真正为我们带来的是 3 种独特能力，这些能力可以被编织成各种魔幻应用。
第一是创造能力，这也是“生成式 AI”名称的由来。你可以创造图片、文本、视频、音频以及各种事物，这是以前软件做不到的。这非常酷。
第二是推理能力。可能是一次性的，也可能是多步骤的主动式推理，但再次，这是以前软件做不到的。因为它能创造，因为它能推理，我们好像覆盖了右脑和左脑，这意味着软件也能首次以类似人类的能力进行互动。这非常重要，因为这对商业模式有深远的影响。
因此，当我们看到新事物时，我们往往尝试通过类比来推理。在这种情况下，我们能想到的最佳类比是过去 20 年左右的云转型，尽管这个类比有很多不完美的地方，但仍然有用。这是技术景观中的一次重大构造性转变，导致了新的商业模型、新应用以及人们与技术互动的新方式。
如果我们回顾那次云转型的早期，大约在 2010 年左右。整个软件的全球 TAM 约为 3500 亿美元，其中只有 60 亿美元是云软件。快进到去年，TAM 从大约 3500 亿增长到 6500 亿，但这一部分已成长为 4000 亿美元的收入。这是 15 年里 40% 的复合年增长率。这是巨大的增长。
现在，如果我们通过类比来推理，云是用软件替代软件，因为我提到的能以类似人类的能力进行互动。AI 的一个大机会是用软件替代服务。如果那是我们追求的目标，起点不是数千亿，起点可能是数万亿。
因此，你真的可以梦想这有机会变成什么。我们提出假设，正如我们今天所说的一切，我们假设我们正站在人类有史以来最伟大的价值创造无限的悬崖边。为什么？现在？
Sequoia 有着悠久的历史，我们得以研究技术的不同方式及其相互作用，并理解它们如何引导我们走到现在。
我们将快速回顾历史。1960 年代，我们的合伙人 Don Valentine，Sequoia 的创始人，实际上是负责 Fair Child Semiconductor 的市场推广，这给基于硅的晶体管的硅谷命名。
我们见证了 1970 年代，在那些芯片之上构建系统的时代，我们见证了 1980 年代，它们通过网络连接，PC 作为终端以及软件包的出现。我们见证了 1990 年代，这些网络面向公众以互联网的形式，改变了我们的沟通方式，改变了我们的消费方式。我们见证了 2000 年代，当互联网成熟到能够支持复杂应用时，这被称为云。我们见证了 2010 年代，所有这些应用以移动设备的形式出现在我们的口袋里，改变了我们的工作方式。那么，我们为什么要费心穿越这段历史？
这里的要点是，每一波浪潮都是在之前的基础上叠加的。AI 的想法并不新鲜。它可以追溯到 1940 年代。我认为神经网络首次成为想法是在 1940 年代，但直到过去几年，才有了将 AI 从想法、从梦想转变为生产、变为现实、真正解决现实世界问题的所需成分，以一种独特而引人注目的方式，你可以围绕它构建一个持久的业务。
我们终于有了廉价且丰富的计算资源。我们有了快速、高效、可靠的网络，地球上 80 亿人中的 70 亿人口袋里有一台超级计算机。部分归功于 Covid，一切都被迫在线上，为所有这些合理的体验提供动力的数据随手可得。
因此，现在是 AI 成为未来 10 年或 20 年主题的时刻。因此，我们有着尽可能坚定的信念，以及一个尚未证实的假设，即未来几十年将是 AI 的时代。
这个机会将采取什么形式？再次，我们将类比到云转型和移动转型。这个页面左侧的这些标志，是那些转型中诞生的大部分公司，它们的收入达到了 10 亿美元以上。这份名单并不详尽，但这大概是那些转型中形成的、收入达到 10 亿美元以上的公司的 80% 左右。
最有趣的是右侧，不是那里有什么，而是那里没有什么？市场是开放的，机会集是巨大的。如果我们今天站在这里，10～15 年后，那个右边将会有 40～50 个标志。很可能会是这个房间里公司的一大堆标志，这就是机会，这就是我们为什么感到兴奋。
Sonya Huang
去年，我们讨论了 AI 将如何革新各个领域并提供惊人的生产力增长。一年后，这一点开始变得清晰。在这里有人见过 Sebastian 在 Klarna 发的那条推特吗？这真的非常令人难以置信。
Klarna 现在使用 OpenAI 处理三分之二的客户服务咨询。他们自动化了相当于 700 个全职代理工作的工作量。全球有数千万的呼叫中心代理。其中一个我们已经看到 AI 找到产品市场契合点的最令人兴奋的领域是在这个客户支持市场，法律服务。一年前，法律被认为是最不倾向于技术、最不愿冒险的行业之一。
现在，我们有像 Harvey 这样的公司，它们正在自动化律师日常工作中的许多工作，从日常琐事和苦差事到更高级的分析或软件工程。
从一年前 AI 理论上编写我们的代码，到完全独立的 AI 软件工程师，这是非常了不起的变化。我认为，未来将拥有更多的软件。而且 AI 不仅仅是革命性的工作，它已经在提高我们的生活质量。
两年前，当我们认为生成式 AI 可能会带来下一个伟大的技术转变时，我们不知道会发生什么。会有真正的公司诞生吗，会有实际的收入出现吗？我认为用户需求的规模和收入势头之大，几乎让每个人都感到惊讶。
生成式 AI 现在的收入总计大约为 30 亿美元。与风投公司和云提供商通过 AI 生成的增量收入相比，这还不算什么。将 30 亿美元放在背景下看，SaaS 市场花了近十年的时间才达到这个收入水平，而生成式 AI 在第一年就达到了这个水平。
这一变革的速度和幅度非常清楚地表明，生成型 AI 是来了就不会走的，而且 AI 的客户需求不仅限于一两个应用，它无处不在。我确信每个人都知道 ChatGPT 有多少用户，但当你查看许多 AI 应用的收入和使用数字时，无论是消费者公司还是企业公司，初创公司还是老牌企业，许多 AI 产品实际上都在与客户产生共鸣，并开始在各个行业找到产品市场契合点。因此，我们发现开始出现的用例多样性真的很令人兴奋。
至少过去一年中融资环境中最令我惊讶的一点是融资的分配有多么不均匀。如果你认为生成型 AI 是一个分层蛋糕，底层是基础模型，上面是开发工具和基础设施，最上面是应用。
一年前，我们预期由于基础层的新兴技术，应用层将会出现寒武纪爆发。相反，我们实际发现新公司的形成和资本以一种倒置的模式形成。越来越多的基础模型正在出现，并获得了非常大的融资轮。而应用层似乎才刚刚开始。
Sequoia 的合伙人 David 去年提出了一个发人深思的问题，他的文章《AI 的 2000 亿美元问题》。如果你看看公司现在投入到 GPU 上的金额。我们仅去年就在 Nvidia 的 GPU 上花费了大约 500 亿美元。每个人都认为，如果你建造它，他们就会来，AI 是梦想的领域。
到目前为止，我们已经确定了大约 30 亿美元或左右的 AI 收入加上来自云提供商的变化。我们已经在地面上投入了 500 亿美元，加上能源，加上数据中心成本等等。我们只得到了 30 亿，这意味着数学还没对上，建造这些东西所需的金额远远超过了到目前为止产出的金额。所以我们有一些非常真实的问题需要解决。
尽管 AI 的收入和用户数字看起来令人难以置信，但使用数据表明我们还处于非常早期的阶段。例如，如果你看看日活跃用户与月活跃用户的比例，或者看看一个月的留存率，生成型 AI 应用还远远落后于它们的移动同行。这既是一个问题也是一个机会。因为现在的 AI 大多是人们每周或每月偶尔玩弄的现象，但我们有机会使用 AI 创建人们可以每天使用的应用。
当我们采访用户时，他们不坚持使用 AI 应用的最大原因之一是期望与现实之间的差距。那些神奇的 Twitter 演示变成了失望，当你看到模型并不足够聪明，无法可靠地做你要求它做的事情。好消息是，有了去年 500 亿美元以上的 GPU 支出，我们现在有了更聪明的基础模型可以构建。
仅在上个月，我们看到了 Sora，我们看到了 Claude3，我们在周末看到了 Grok。随着基线智能水平的提高，我们应该期待 AI 的产品市场契合加速。所以不像一些市场，市场的未来非常不明确，AI 的好处是你可以非常清晰地划线，看到这些应用如何可预测地越来越好。让我们记住，成功需要时间。
在去年的 AI Essence 上说过这个，如果你看 iPhone，App Store V1 中的一些第一批应用，比如啤酒饮用应用、光剑应用、翻杯游戏或手电筒，这些都是新技术的有趣、轻量级展示。这些最终成为了原生应用（比如手电筒等）或实用程序和小玩意。iPhone 在 2007 年推出，App Store 在 2008 年推出。直到 2010 年你才看到 Instagram 和 Doordash，2013 年。
所以，公司需要时间来发现并以我们还无法想象的创造性方式利用 iPhone 的全新能力。我们认为 AI 也是如此。我们认为我们已经开始看到一些下一个传奇公司可能是什么的峰值。
这里有一些最近吸引了我们注意的，但我认为比这个页面上的用例集要广泛得多。正如我提到的，我们认为客户支持是最先真正达到产品市场契合的一小批用例之一。正如我提到的 Klarna 故事，不要认为那是例外，我认为那是规则。
AI Friendship 是对我们许多人来说最令人惊讶的应用之一。我认为我们花了几个月的时间才开始理解，但我认为这个类别中的用户和使用指标意味着非常强烈的用户喜爱。
然后是横向企业知识，我们认为企业知识终于开始被解锁，所以这里有一些我们将在未来一年看到的预测。预测第一，2024 年将是我们看到真正的应用将我们从旁边帮助和建议你的副驾驶，转变为可以完全将人类排除在外的代理的一年，AI 将感觉更像是一个同事而不是一个工具。我们开始在软件工程、客户服务等领域看到这一点起作用，今天我们将听到更多关于这个话题的讨论。我认为 Andrew Ang 和 Harrison Chase 将对此发表讲话。
预测第二，针对 LLMs 的一个最大的批评是它们似乎只是在模仿文本中的统计模式，并没有真正花时间通过手头的任务进行推理和计划。这一点随着像推理时间计算和游戏玩法风格的价值迭代等许多新研究的出现开始改变，当你给模型时间实际思考该做什么时会发生什么，我们认为这是许多基础模型公司的一个主要研究方向。我们期待它会在未来一年内产生能够更好地进行高级认知任务，如规划和推理的 AI，来将这些 LLMs 提升到接近 99.999% 可靠性范围，从 RLHF 到 Prompt 训练，再到向量数据库。我相信你们今天晚些时候可以在这方面交换意见。
最后，2024 年，我们预计会看到许多 AI 原型和实验投入生产。当你这样做时会发生什么？这意味着延迟很重要，成本很重要，你关心模型所有权，你关心数据所有权。这意味着我们预计计算的平衡将从预训练开始转移到推理。因此，2024 年是一个重要的一年。随着这些应用转入生产，有很多压力和期望，确保我们正确实施非常重要。
黄仁勋最新 GTC 投行分析师对谈：加速计算与 GenAI 是新工业革命的交流发电机，机器人的ChatGPT 时刻即将到来...
Konstantine Buhler
我们将退后一步，思考这在更广泛的技术和社会大环境中意味着什么。有许多类型的技术革命。有通信革命，如电话。有交通革命，如火车。有生产力革命，如食物收获的机械化。我们相信 AI 主要是一场生产力革命，这些革命遵循一个模式。它开始于人类使用工具，过渡到人类使用机器助手，最终转变为人类与机器网络共存。
我们将讨论的两个预测都与人类与机器网络合作的概念有关。让我们来看一个历史例子。镰刀作为人类的工具已经存在超过 10,000 年。机械收割机，即人类和机器助手，于 1831 年被发明，是单一机器系统被人类使用。
今天，我们生活在一个时代，拥有联合收割机是成千上万的机器系统作为一个复杂网络共同工作，我们开始使用语言和 AI 来描述这种语言，比如系统中的单个机器参与者可能被称为一个代理。
今天我们已经讨论了很多这个话题。这些代理之间信息传输的拓扑方式，我们开始称之为推理。本质上，我们正在在 AI 的基本原语之上创建非常复杂的抽象层。
我今天将讨论两个例子，这两个例子是我们在知识工作中亲眼见到的。第一个是软件。软件起初是一个非常手动的过程。这里是 Ada Lovelace，她用笔和纸编写逻辑程序，能够进行这些计算，但没有机器的辅助。
我们一直生活在一个时代，拥有显著的机器辅助进行计算，不仅仅是计算机，还有集成开发环境，以及越来越多的技术加速软件开发。我们正在进入一个新时代，在这个时代，这些系统以一个复杂的机器网络共同工作。你会看到一系列的过程共同工作，以产生复杂的工程系统。你会看到的是代理共同工作产生代码，不是一个接一个，而是齐头并进，和谐地工作。在写作中也应用了同样的模式。写作是一个人类过程，人类和工具。随着时间的推移，这发展为人类和机器助手。而现在，我们拥有的是实际上利用不止一个，而是一整套辅助网络的人类。
我会告诉你，在我自己的个人工作流中，现在，每当我调用一个 AI 助手，我不仅仅是调用 GPT-4，我还在调用 Mistral Large，我在调用 Claude3。我让它们一起工作，同时也让它们相互竞争，以获得更好的答案。这就是我们眼前看到的未来。
那么，这种类型的革命对这个房间里的每个人，实际上是对房间外的每个人意味着什么呢？用冷硬的经济术语来说，这意味着显著的成本降低。所以这个图表显示的是在标普 500 公司中生成 100 万美元收入所需的工人数量，这个数字正在迅速下降，我们正在进入一个这一趋势将继续下降的时代。
这意味着什么？更快、更少。好消息是，这不是为了我们能做得更少，而是为了我们能做得更多。我们将在下一组预测中讨论这一点。同样幸运的是，我们过去在这些领域取得的进步都是通货紧缩的。我会提到计算机软件和配件。由于我们不断地相互建设，计算机软件的过程实际上随着时间的推移成本降低了。电视机也是如此，但是对我们社会最重要的一些东西，如教育、大学学费、医疗保健、住房，它们的增长速度远远超过了通货膨胀。
幸运的是， AI 正好有望帮助降低这些以及许多其他关键领域的成本。因此，这是关于 AI 长期未来的第一个结论，作为一个大规模的成本驱动生产力革命，它将能够帮助我们在社会中最关键的领域以更少的代价做更多的事情。
第二个与 Jensen Huang 一年前在舞台上做出的强有力预测有关。他当时说，将来，像素不会被渲染，而是会被生成，任何给定的图像，甚至信息都会被生成。他的意思是什么？
好吧，这个房间里的每个人都知道，历史上，图像被存储为死记硬背的记忆。让我们想想字母 a，ASCII 字符编号 97。好的，它被存储为一个像素矩阵，存在或不存在。如果我们使用一个非常简单的黑白，像素的存在或不存在，那么，我们已经进入了一个时期，在这个时期，我们已经开始将像字母 a 这样的概念表示为不是死记硬背的存储，不是像素的存在或不存在，而是作为一个概念，一个多维点。我的意思是，要考虑的图像是字母 a 的概念，它可以泛化为任何给定格式的字母 a，在这个多维空间中，许多不同的字体样式。
我们正处于这个多维空间的中心，接下来我们将往哪里去？重要的是，计算机现在开始不仅仅是理解这个多维点，不仅仅知道如何取用它并生成那个图像，正如 Jensen 所讨论的。我们现在已经到了能够将这种理解情境化的阶段。
计算机将会查看词汇“多维”的并不仅仅是考虑到字母 a，而是理解提出这个词的完整上下文。令人惊奇的是，这个未来是如何我们人类思考的方式。我们不再将图像以死板的像素存储在计算机内存中。这不是我们的思考方式。我没有被教导把字母作为页面上一个像素的存在或缺失来理解。相反，我们将以一个概念的方式思考，这种方式在哲学上我们已经思考了几千年。
这里是我的希腊同胞，柏拉图，2500 年前，他说，我们所有人追求的、所有人努力实现的这个理想的概念形式，你有这个概念，比如一个字母 a，或者软件工程的概念，我们实际上能够围绕它构建一个模型。
那么现在呢？我们讨论了第二种模式，即我们将在计算本身中有泛化的这个想法。这对我们每个人意味着什么呢？这对公司建设来说意味着很多。
今天我们已经将其集成到特定的流程和关键绩效指标 (KPIs) 中，Sonia 刚刚提到 Klarna 如何使用这一技术来加速他们在客户支持方面的 KPIs，他们知道，如果他们能够推动某些 KPIs，并且可以有一个实际检索信息、生成出色客户体验的系统。明天。这已经在发生了，将会有不同的用户界面，可能是支持实际被沟通的不同界面。
我个人对此感到非常兴奋，因为在这个将概念呈现出来的未来中，因为在这个一切都被生成的未来中，最终整个公司可能开始像一个神经网络一样工作。让我用一个具体的例子来详细说明。
这是一个夸张的比喻，就像这个演讲中的一切一样，实际上，一切都是连续的。这些都是离散的。这是客户支持流程的一个夸张的描绘。你有客户服务部门，有特定的 KPIs。这些由文本、设备语言生成、客户个性化等驱动。这将馈入你正在优化的子模式、子树中。最终，你实际上会有一个完全连接的图。你实际上会从语言生成到最终的 KPIs，即客户服务，有反馈。这在某个时刻将成为一个抽象层，客户支持的管理、优化和改进将由神经网络完成。
现在让我们考虑独特客户，建立业务的另一个重要部分。再次，你有 AI 的基础元素，从语言生成到增长引擎，到广告定制和优化。这一切都将相互影响。再一次，强大的结论在于，这些抽象层最终将变得可互操作，以至于整个公司能够像一个神经网络一样运作。
这就是一人公司崛起的时代，它将使我们不是做得更少，而是做得更多。更多的人能够解决问题，创造一个更好的社会。那么接下来会发生什么呢？现实是，这个房间里的人将决定接下来会发生什么。你们是正在建设这个未来的人。我们个人对未来非常兴奋，因为我们认为 AI 定位于帮助降低成本，提高生产力，在我们社会中一些最关键的领域实现更好的教育、更健康的人口、更高效的人口。
本文链接：https://www.aixinzhijie.com/article/6845278
转载请注明文章出处
