來源：雷鋒網

作者：黃楠

2023 年 8 月 14 日，由 GAIR 研究院、雷峰網、世界科技出版社、科特勒諮詢集團聯合主辦的第七屆 GAIR 全球人工智能與機器人大會在新加坡烏節大酒店拉開帷幕。

在AI創業大爆發的時代，作為一個國際性的 AI 論壇，此次大會吸引了眾多亞洲的創業者和投資人。大會共開設 10 個主題論壇，聚焦大模型時代下的 AIGC、Infra、生命科學、教育、SaaS等熱門領域的變革創新。在首天的「GPT時代的傑出貢獻者」專場，硅谷先鋒投資人、Fellows Fund創始合伙人 Alex Ren 分享了「硅谷視角下的 AI 價值創造」主題演講。

過去半年，AI的創業如火如荼。對企業和消費者而言，AI 意味着更好的決策、更好的行動、更好的結果以及更好的體驗。比起過去幾年，現在的AI公司有的已經開始盈利，前景非常可觀！

Alex Ren 認為，當前 AI 的投資可以從四個維度出發：一是生產力的釋放，即 AI 驅動的工具自動執行任務並提供輸出；二是對產業的改變，即使用人工智能優化流程以提高效率、降低成本並改善結果；三是 AI 中間層，指 AI 中間層連接 LLM 以構建可擴展和定製的 AI 應用程序；四是 AI Agent（AI 智能體），由 AI 代替人與機器進行互動並學習。

在與華映資本海外合伙人邱諄的對話環節中，二人還就 AI 如何顛覆社交媒體內容生產方式、初創公司的商業化路徑等問題進行了探討。

以下為 Alex Ren 的現場演講內容，雷峰網作了不改變原意的編輯及整理：

01、AI 投資的四大方向

我們是一家位於硅谷的風險投資基金，與其他 VC 公司看項目的角度不同，我們會從三個點出發：空間，即初創公司的空間在哪裡；時間，技術發展的程度如何、是否已進入可大量商業化階段；維度，公司的核心能力是什麼、與大公司競爭的方法論。

圍繞這三大維度出發，我們提出了 AI 投資的四大方向。

第一個方向就是生產力的釋放，即 AI 驅動的工具自動執行任務並提供輸出。今天用戶已經普遍可以感受到 AI 工具帶來的效率提升，比如用 ChatGPT 生成文本、寫一首歌、或是寫代碼等等，很快就能完成。在我們投資的公司中， Gamma.app、Taskade、CodeComplete、Opus Clip 等幾家AI公司，其技術模式都是通過 AI 工具組合來提供 AI 能力，從而提升模型在領域中處理問題的能力，提高工作生產率。

第二個方向是行業的模式轉換。許多行業都會有自己的數據，例如生物、保險、家居服務等等，通過將 AI 嵌入至行業的 Workflow 中進行優化，可以提高效率、降低成本並改善結果。如我們投資的生物領域的Diffuse Bio，保險領域的Kyber，生活服務領域的LiveX AI等。

第三個方向是 AI 的中間層。如果說 AI 技術的底層是大模型，那在技術通往最終的應用之間，我們將需要更多的中間件，比如 LangChain、LlamaIndex 或其他面向某個領域或架構的中間件工具。如我們投資的Anarchy AI。

第四個、也是近一兩個月最熱門的一個方向，就是 AI Agent（AI 智能體），AI Agent 很早之前就被提出來，但直至 GPT 的出現，引起大家對 AI Agent 的思考，目前硅谷有很多工程師都在做這方面的創業，我們所投的 Anothermind.ai 正是一家新型的 AI Agent 初創公司。

簡單回顧 AI 過去的三個階段：最早是 Classical ML 時期，出現了很多從結構化數據和預定義特徵中學習的統計方法。隨後進入了深度學習階段，神經網絡可以從圖像、文本和音頻等非結構化數據中進行學習。Transformer 以後，我們也邁向了生成式人工智能和基礎模型階段，基於 GPT 方法可以生成各種文本、圖像、代碼或芯片設計算法等，可以說，生成式 AI 就是下一輪的突破。

我們團隊自 2016、2017 年關注 AI ，可以發現，目前 AI 公司與此前的創業公司相比，其核心區別在於：過去幾年中，以自動駕駛為代表的場景應用在盈利上未及預期，但今天許多 AI 公司均具備很強的盈利能力，我們已經可以看到一些 AI 公司在賺錢。

那麼 AI 到底能夠產生什麼價值？我們將其總結為更好的決策、更好的行動、更好的結果以及更好的體驗。

首先是用 AI 去做更好的決策，比如在市場銷售場景中使用其分析信用評分、解析金融風險等。

第二，更好的行動，即通過用戶動作推斷、提供更好的推薦個性化服務。

第三，更好的結果，也就是通過優化來獲得更好的產出結果。

最後是給用戶提供更好的體驗。舉個例子，如果你在美國打電話給某個銀行或航空公司經常需要等很長時間，用戶服務體驗非常差，但有了 AI 客服對內部流程進行優化后，用戶的體驗也能得到極大提升。

具體應用時，上述所提及的 AI 體驗都需要有一個 Workflow 來完成。

舉個例子，媒體寫一篇文章需要經歷稿件批註、編輯等流程后才能發表，如果藉助 AI 從最開始的草稿、文章修改、總結等來進行輔助，使用 AI 和不使用 AI 情況下，其價值曲線會有所不同。

在沒有 AI 輔助的情況下，受限於個人能力或速度效率，很快就會達到極限。但有了 AI 的幫助，即便是一個沒有法律文書撰寫經驗的作家，也可以藉助大模型來完成相關文書的編寫，對內容進行有效的補充，同時通過人的不斷學習，進一步提升我們創造價值的能力。在這個過程中，AI 通過理解人的需求做推斷和執行，最後在寫作的流程中完成對人的輔助。

這裏簡單介紹一下大模型如何用 Agent 來提升自身的能力。

由於大模型是基於歷史數據進行訓練的，因此無法理解當下所發生的事件。假設我們讓大模型將今天東南亞所有城市的天氣溫度做個排名，這個時候，大模型就需要一些工具去能夠同外界溝通以獲取這些信息，再基於信息完成推理，這就是 Agent 的概念。也就是說，Agent 是大模型的眼睛、耳朵，使大模型能夠理解環境，從而能夠處理我們現在的信息。

02、大模型革新 Agent 範式

接下來我想討論的問題是，AI 能為我們做些什麼事情呢？

主要包括三個方面，分別是自動化和輔助性 AI，即 AI 在 Workflow 裡邊如何將流程自動；釋放創造性；更好的人機交互。

在自動化和輔助性 AI 中，我們可以用兩個維度區分其不同價值。面對複雜度較低、任務量大的問題，通過將 AI 嵌入至 workflow 自動化流程，可極大提高企業的生產效率；在面對複雜度更高的任務時，AI 則是作為人的工具、扮演輔助性角色。比如在藥物開發、材料設計領域中，任務本身比較複雜，對專業性知識的要求也更高，因此它所利用的 AI 能力往往不是一個會畫畫的 AI 所能解決的。

舉一個我們之前投的用 AI 做項目管理的案例。在Taskade中，向 AI 發出一個市場營銷方案的指令，並生成各種用戶身份角色，將打包好的各種 PDF 文件交給 AI 作文本分析和處理，這種就屬於任務驅動 AI。

它是一個集成式的任務管理工具，加上 AI 嵌入，可對完成的生產環節實現全流程管理。這個工具中很重要的一點，就是對用戶行為的研究，以內容去跟用戶做交互，內容的生產也可以直接根據用戶行為來生成，並從用戶側得到反饋反哺模型，同時還可以藉助個性化推薦把產品廣告推送給用戶。

因此我們認為，這應該是下一代電商、零售領域發展的大趨勢。

要注意的是，基於大模型釋放生產力這件事今天如微軟等大公司也在做，初創公司又該如何競爭？

我們發現，很多大公司在 AI 產品體驗上往往存在「最後一公里」未能達到的問題，也就是說，雖然它們的產品、技術能力非常強，但是在後期的迭代、用戶交付體驗等方面通常會做得比較差，這或許可以成為初創公司同大公司競爭的一個間隙——迭代足夠快，給用戶提升更好的體驗。

例如此前我們投資的一家AI 視頻生成公司Opus.pro，上線僅兩個月時間已經收穫了一大批忠實客戶。用戶只需輸入一個 YouTube 視頻鏈接，平台即可在三四分鍾內生成十幾個短視頻，並將視頻直接分發至 TikTok、Instagram、YouTube 上。類似的AI內容生成能力在遊戲、電影等方面都有很大的潛力。

而在用戶交互溝通上，AI 還可以解決在自然語言理解上的問題，例如人和機器的交互、不同地區語言的溝通等，與過去以 API Call 為主的交互方式不一樣，大模型的出現使得交互方式也發生巨大轉變，這種通過大語言模型理解、人機和人人交互的模式，形成了以 Agent 為主的全新交互範式。例如在翻譯、搜索等場景，許多工作正在被 AI 重新定義。

但同時我們也要看到大模型的局限性。比如搜索的幻覺、信息滯后等問題。舉個例子，當我們向 Google 搜索某個人的離職消息時，由於模型訓練使用了大量過去的數據進行訓練，信息未能及時更新時，大模型所生成的答案就會產生錯誤結果。需要通過人的指正或引導，對問題加以進一步的綜合處理和迭代，最後才能得出一個正確的結論，這就是我們目前強調在搜索場景下的大模型革新。

在自動化測試應用上，目前 AI 也被應用於藥物篩查、新材料設計等方面，比如在藥物篩查設計領域，過去一個藥物元素的研發周期長達 7 到 12 年，通過 AI 輔助可以有效縮短藥物的研發周期。如我們投資的Diffuse Bio和Persist AI，分別將AI應用在藥物篩查和藥劑封裝上面。

AI 生態系統和投資架構如今也發生了很大的變化。如果將最底層定義為 AI 的操作系統，這個操作系統中包括了各種框架，比如 TensorFlow、PyTorch、計算機硬件以及開放領域數據等。基於開放領域數據可以處理一些開發領域的模型，例如常見的各種 GPT 模型、Diffusion model 等，這是我們對最新的操作系統的定義。

在這個基礎上加入垂直領域數據，這些數據是 OpenAI 或者 Google 等公司都不具備的數據，基於特定領域訓練專有的領域大模型，輔以工具對模型進行更好的訓練，解決向量數據庫以及數據私有化等問題，加上今天很熱的 Chat Agent 輔助人做一些事情，還有部分面向特定應用領域用 AI 重塑用戶體驗的工作。

過去，互聯網將我們数字化，不管是人、場景、物體、或行為，基於数字化衍生搜索引擎、各種電商平台等，以互聯網的形式對其進行管理。但到今天，我們所要做的事情，變成了如何將部分任務或 AI 可實現的問題做成 Agent，實現自動化、更高效地處理，這將成為AI下一個突破的焦點。

通過 AGI（Artificial General Intelligence、通用人工智能），未來 AI 超越人將成為可能，並將人釋放至更具創造性、有價值的事情中去。我們可以轉去做一些更有意思、有價值或是更需要「人」的能力的一些事情。AI 的發展潛力非常大，但我並不擔心，在這當中，我們看到的是每一代的技術革新給人類帶來的便利，使人類得以做更多有價值的事情。因此，我們也希望未來能夠更好地為各個領域的創新者提供支持，在硅谷、在全球各地幫助大家創立一些偉大的事業！

03、Alex Ren 對話華映資本邱諄

邱諄：我在硅谷投資多年，近期主要是中美之間跑得多，比較關注中國企業出海的一些方向，AI 正是這當中最重要的一塊。想請教 Alex 的第一個問題，剛剛你提到了許多關於 AI Value Creation（AI 價值創造），我們常說當中 Value Creation 的部分就是 AI，作為創業公司中的一個關鍵因素，可否分享一些案例是如何落地的？社交媒體和電商目前已經進入瓶頸期，AI 能否帶來什麼顛覆性的改變？從投資角度如何評估？

Alex Ren ：當前我們看到很多關於 AI 的討論，主要圍繞如何融入日常工作生活幫人們節省時間提高效率，另一方面就是在娛樂和交互上。

AI 的一大優勢在於其講故事的能力，傳統的故事內容生產無論是電影、小說還是 YouTube 上的視頻，其背後都是人完成的。我經常舉個例子，例如曹雪芹寫《紅樓夢》，賈寶玉出家、林黛玉死去，這個故事是既定的，但新時代的敘事邏輯中，每個人應該都能去體驗紅樓夢，並且所得到的結果是不一樣。例如在我的故事里，我可以跟賈寶玉聊天，問他為什麼要出家，我也可以改變林黛玉的結局。

因此，Gen AI實際上是一個產生新時代下內容敘事邏輯非常好的機會。每一代的社交媒體用新的方式產生內容，這種新的方式也產生了一種新的媒體，因此，新的媒體實則是一個高度個性化的敘事工具。電商同樣如此，未來的亞馬遜電商平台是不是可以用 Peer to Peer 的模式，用模型在背後去理解人的需求，匹配需求，甚至是生產。因此，這種傳統大平台的形式在未來 AI 發展過程中或許將被完全顛覆，我們需要做的是找到、並放大這些機會，去產生新代社交媒體、新的電商平台，它的方式可能完全不同於我們今天所用的方式。

邱諄：這個很有意思，也提醒了我電商最早的形態其實是 P2P。確實，從 Unit Economics（單位經濟效益）角度來講，這種有太多人工運營幹預的模式較難實現，但如果用 AI、尤其用大模型的方式，這可能變成一個很非常核心的方向。第二個問題，如果從商業化路徑層面來看，能否給大模型創業公司一些方向？

Alex Ren ：從初創公司的角度來說，我們要清楚自身的局限性，也即是我們能做什麼？擅長什麼？

正如我前面所說的，初創公司在跟大公司競爭時，其優勢並不在訓練模型或是做 Infra 上，反而在實現客戶價值上有一定的可能性。中國創業者有一個特別的優勢，就是在互聯網時代學會了如何快速迭代、找到用戶的痛點。消費互聯網不是一個「你告訴我需求、我給你做」，而是「我們大家講一句話，把一大堆泥巴扔到牆上，看哪一塊可以黏住，我們就選擇那個東西」的模式，這種模式今天做 AI 也適用。另外，我們要注意 adoption（落地）速度。市場上有三種不同的客戶，一種是 To C，一種是 Prosumer（專業消費者），第三種是企業。就今天市場而言，顯然 To C 和 Prosumer 的落地速度要快多了，但企業場景會更慢。因此在這個過程中，初創公司要想清楚你的落地場景、你的客戶是誰，他們的痛點是什麼？你 adoption 的速度快不快。如果落地速度比較慢，對公司發展而言是比較痛苦的，企業能夠構建的就是技術門檻。當然這也可以做，但就相對比較慢一點。

邱諄：我也補充一下。其實今天我們看很多跟商業化相關的項目，我們還是比較看重創業者本身及其產業背景、他對應用場景的理解等。從大模型領域來看，中美初創公司路徑差異主要有兩塊：一個是實現的路徑，第二塊是 adoption 的狀況。從你的觀察來看，二者有沒有一些差異？

Alex Ren ：今天不管是中國還是新加坡的創業者，普遍在 To C 和 To SMB 上比較有優勢，但 To Enterprise 是比較難一些，因為企業客戶在美國市場化這塊也是一個很大的挑戰，每個美國 To B 企業中都需要建立一個很大的銷售團隊和市場團隊，這不僅是中國的公司，可以說是所有海外創業者都會遇到的挑戰。

二者的差異在於，硅谷多數初創公司在 A 輪之前很少會講宏觀戰略，更多聚焦在產品如何解決用戶痛點，這個是最關鍵的，另外就是發展趨勢，因此會更落地一些。硅谷往往強調 PLG，Power Lead Growth，通過產品功能的提升來吸引用戶使用，這是一個核心捷徑，關注用戶每次對產品的問題反饋，再進行快速迭代。

邱諄：目前國內的AI公司非常多，不管是應用層、底層包括 Infra 層，大家都很活躍。相比之下在美國創業公司的 adoption 進度如何衡量？大概在一個什麼樣的階段？

Alex Ren ：現階段比較成熟的是文本、文生圖。從最早的公司 Jasper AI，到 ChatGPT，以及文生圖領域的 Midjourney，其實它們落地的速度都很快。但它們共同的特點就是，都是面向 C 端的消費者或 Prosumer。

美國公司有一個很有意思的現象，就是比如說 Midjourney 是通過 Discord 這樣的一個平台去調用的，即我們在互聯網時代講的網絡效應，在 Discord 社區里使用 Midjourney 時，每次生成的圖片用戶都能看到，Prompt 也都能看到，有了別人的案例后我也可以來進行生成，這個網絡效應就在用戶之間互相學習，因此 Discord 也是一個很重要的產品發行平台，尤其是針對 Prosumer 來講，大家可以很快形成社區。

這種模式對早期公司而言非常重要，在用戶之間形成的網絡效應能加速產品傳播，使用戶群體很快就爆發了。當然，就目前來說，現在爆發的應用還是以文本、二維圖像生成處理為主，其他技術還不夠ready，仍在發展中。