硅谷VC張璐：硅谷大模型市場分為三類，三大應用領域迭代速度較快

白交 2024-05-26 15:56:57 來源：量子位

編輯部 發自 凹非寺

量子位 | 公眾號 QbitAI

身處全球科技創新中心的硅谷，AI產業生態已經進化到什么程度？投資者們的錢，又砸向何處？

硅谷知名投資人、技術VC Fusion Fund創始人張璐，在中國AIGC產業峰會上給出了這些關鍵判斷：

• 現階段，初創企業基本上都可以做“雞尾酒”模式，即調動最前沿大模型的API，在上面配套使用開源模型，再自己做些修改進行模型調優。
• 在硅谷，模型的市場已經比較相對明確，主要有三類，我個人非常看好開源平臺。
• 人工智能是超級工具，我們的機遇可能比互聯網時代大10倍，但只有1/3的機會留給初創企業。

張璐畢業于斯坦福大學，現管理近4億美元資本，專注醫療，AI和深科技領域投資。

為了完整體現張璐的思考，在不改變原意的基礎上，量子位聯合大模型對演講內容進行了編輯整理，希望能給你帶來更多啟發。

中國AIGC產業峰會是由量子位主辦的行業峰會，20位產業代表與會討論。線下參會觀眾近千人，線上直播觀眾300萬，獲得了主流媒體的廣泛關注與報道。

話題要點

• 人工智能是高效的超級工具，代表著全產業數字化轉型的趨勢，即Digital Transformation。
• 基礎設施層面，我們需要解決人工智能面臨的幾大挑戰：算力成本高、耗電量大、數據隱私問題和延遲問題。
• 在硅谷，人工智能的主題是賦能而非破壞或變革。賦能就意味著不僅是初創企業，大科技公司也能被賦能。對于初創企業來說，找到合適的切入點至關重要。
• 初創企業都可以采用雞尾酒模式，調用大平臺的API，結合自己的開源模型進行優化，構建行業專屬模型。
• 今年與去年相比，對人工智能的期待變得更加現實。去年關注的是模型和算法的表現，今年則關注大規模產業應用和成本控制。
• 應用機會方面，醫療、金融保險和機器人是迭代速度較快的領域。
• 基礎設施是關鍵，因為它決定了人工智能應用的成本。而且大規模的應用成本是商業考量的第一要義。

在硅谷，AI的主題在于賦能而非破壞或變革

大家好，我是張璐。提到今天的主題——人工智能，雖然在硅谷已非新話題，自2016、2017年以來，它已成為base work。但是后面逐漸有新的主題被提出，到了2022、2023年，生成式AI不僅在科技圈，更在全產業掀起了對人工智能的廣泛關注。

我一直強調，人工智能是工具，代表著全產業數字化轉型的趨勢，即Digital Transformation。我也早在幾年前就提出，這次人工智能是高效的超級工具，能夠推動全產業的數字化轉型。不僅科技行業廣泛應用人工智能，其他產業也涌現出大量高質量數據，為人工智能提供了展示其能力的舞臺。

我經常強調，除了技術，我們還應關注數據。

數據在哪里？為什么人工智能一直存在，現在卻能被應用？

因為許多產業在十年前雖有人工智能，卻缺乏高質量數據來訓練模型。而近兩年產業自動化推動下，各產業都產生了大量高質量數據，成為人工智能應用和發展的基石。

大家可以看到，人工智能是超級工具，我們的機遇可能比互聯網時代大10倍，但只有1/3的機會留給初創企業。

特別是在硅谷，人工智能的主題是賦能而非破壞或變革。

賦能就意味著不僅是初創企業，大科技公司也能被賦能。

在硅谷，To C端應用場景的特點是，大量高質量用戶數據掌握在大科技公司手中。因此，初創企業和公司在應用層面上，需要清楚地認識到創新機會在哪里，哪些應用場景和產業能獲得大量高質量數據。同時，大科技公司，尤其是硅谷的公司，都在構建自己的生態平臺，如英偉達、Meta、微軟等，他們多年前就開始搭建生態，希望助力初創企業發展。

因此，作為創業者和創新者，找到合適的切入點至關重要。

硅谷的模型市場已相對明確

在未來模型投資和模型的種類，在硅谷，模型的市場已經比較相對明確，分為三類：

• 一類是以OpenAI和Anthropic為代表的，背后有大型云服務公司支持，這些公司同時將模型作為服務和產品提供給第三方；
• 第二類如蘋果、Salesforce、NVIDIA等，他們的語言模型非常出色，但初衷是支持自身產品迭代升級，不會作為第三方產品；
• 第三類是開源平臺，我個人非常看好，我們也在該領域布局了多家公司。

硅谷的開源生態正在蓬勃發展，Meta作為領軍企業，其LLama 2模型已助力許多企業快速發展。

未來幾個月，我們可能會看到LLama 3的發布，以及Mistral在開源方面的貢獻。

還有一些小型開源模型，如我們最近投資的一家公司——NEXA AI發布的一個在邊緣端運行的小模型，最小的可能是10億到20億個token。這些開源模型的快速發展，為初創企業和大企業提供了另一種選擇，也能更高效地優化能耗和基礎設施成本。

初創企業可以采用雞尾酒模式

我們的人工智能投資分為兩個維度：應用端和AI基礎設施端。

• 應用端主要集中在Healthcare Enterprise、AI和Industrial Automation三個方向。
• 在基礎設施層面，從芯片層到Cloud層再到安全層，都是關鍵技術節點。

應用層面相對明確，每個行業都有不同應用場景，但在基礎設施層面，我們需要解決人工智能面臨的幾大挑戰：

算力成本高、耗電量大、數據隱私問題和延遲問題。

基礎設施層不是單層解決方案，而是一個生態投資，從硬件到軟件，從云端到數據端，都需要布局，以更好地推動AI生態發展。

在硅谷，人工智能應用發展方向主要集中在To B領域，我們不投資To C公司。

我一直強調數據的重要性，如何利用海量高質量數據優化模型，使人工智能解決方案更實際、更商業化。

目前，初創企業可以采用雞尾酒模式，調用大平臺的API，結合自己的開源模型進行優化，構建行業專屬模型。

在這個過程中，我們發現兩個特點：

一是數據質量比數量更重要，高質量數據可以以更低的成本和更快的速度進行模型優化；

二是我們不需要一個模型解決所有問題，在特定應用場景和產業中，訓練行業專屬的小模型，在表現上可以與通用大模型相匹敵，甚至在成本、效率和反應速度上更快。

三大應用領域迭代速度較快

在應用機會方面，醫療、金融保險和機器人是迭代速度較快的領域——

醫療領域在美國市場規模巨大，占GDP的20%。金融保險行業數據質量高，規則化，應用場景多樣。機器人不僅是人形機器人，還包括各種自動化和機械手臂，它們是新型的數據接口。

太空數據和太空科技也是一個重要領域，太空數據現在既有高質量又有高數量，價值可觀。

我們經常討論的潛在趨勢就是整個科技行業的監管，而監管的核心就是監管數據，這幾個行業有一個極大的特點：它們本身是高監管行業，對監管的適應更簡單。

另外一個很大的機會在于AI Infrastructure，也是我們必須要解決的問題。

盡管人工智能發展前景巨大，但挑戰也會阻止我們進行大規模布局。我們不僅要追求更好的算法和模型，還要關注成本，尤其是生成式AI的成本。GPU成本高，算力和能量成本也很高。我們可能沒有足夠的能量支持大規模生成式AI應用，這也是追求小模型的另一個原因。此外，還有延遲問題，如何通過邊緣計算技術解決，以及數據隱私和安全問題。

在計算能力方面，GPU和各種芯片設計是討論的熱點。從軟件到硬件，大家都在探索新的架構和設計。

我在斯坦福學習材料科學與工程，也進行了新型材料的研發。現在的機會分為兩派：

• 一派是基于硅基的新型設計，如AMD的APU、谷歌的TPU和LPU；
• 另一派是新型材料的探索，如光學計算、3D設計等。在能耗方面，涌現出一些創新，如inference優化和新型算法整合，有些公司有潛力將能耗降低百倍以上。

邊緣計算也是一個潛在技術，可以解決能耗和延遲問題。

我們從2018年開始投入邊緣計算，發布了行業報告，從芯片到serverless edge，再到云端邊緣解決方案，幫助在人工智能時代進行邊緣端應用。

邊緣解決方案有多種切入點，如NEXA AI的開源模型Octopus V3，是一個在邊緣上運行的生成式AI語言模型，有助于拓寬AI快速發展的方向。此外，邊緣計算在開源層面上的靈活度也是一個優勢。

數據隱私問題包括模型安全、Cloud Network安全和數據隱私。從芯片層進行模型安全保護，網絡安全解決方案，以及聯邦學習和數據加密等都是創新機會。

總之，今年與去年相比，對人工智能的期待變得更加現實。去年關注的是模型和算法的表現，今年則關注大規模產業應用和成本控制。

所以這里面我列了幾個分享的內容：

第一，作為初創企業，要清楚競爭和合作的市場前景，找到好的生態平臺支持成長。

第二找到合適的應用場景非常關鍵。回顧之前提到的，硅谷的C端市場有80%到90%的機會被大公司所主導，整體而言，在人工智能的創新領域，大約70%的優勢機會同樣掌握在大公司手中。然而，即便如此，剩下的30%機會相比互聯網時代仍有十倍到二十倍的增長，這依然代表著一個巨大的市場潛力。

怎么找到合適的應用切入點非常關鍵，數據是核心，怎么讓數據成為競爭優勢更關鍵。

第三個數據質量和多樣性也很關鍵。尤其是現在模型可以越做越小，可以進行各種各樣的針對特定任務去打造小模型，數據的質量比數據量更重要，定義數據質量的時候，還有數據多樣性也很關鍵。

最后一點，基礎設施是關鍵，因為它決定了人工智能應用的成本，而大規模的應用成本是商業考量的第一要義。

但好處是我們才剛剛開始。無論模型還是基礎設施的挑戰，都是機會。

現在身處硅谷，我經常跟我的合伙人開玩笑講，就像每天有一個小的驚喜的糖果等待著我們，也很高興能在硅谷這個創新前沿與優秀的企業家合作，希望通過分享促進更多交流，期待未來在硅谷見到更多國內外企業家。

— 完 —