2023 年 8 月 14 日，由 GAIR 研究院、雷峰網(wǎng)、世界科技出版社、科特勒咨詢集團聯(lián)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(jié)大酒店拉開帷幕。

在 AI 創(chuàng)業(yè)大爆發(fā)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(chuàng)業(yè)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(chuàng)新。在首天的「GPT時代的杰出貢獻者」專場，硅谷先鋒投資人、Fellows Fund創(chuàng)始合伙人 Alex Ren 分享了「硅谷視角下的 AI 價值創(chuàng)造」主題演講。

過去半年，AI的創(chuàng)業(yè)如火如荼。對企業(yè)和消費者而言，AI 意味著更好的決策、更好的行動、更好的結果以及更好的體驗。比起過去幾年，現(xiàn)在的AI公司有的已經(jīng)開始盈利，前景非?？捎^！

Alex Ren 認為，當前 AI 的投資可以從四個維度出發(fā)：一是生產(chǎn)力的釋放，即 AI 驅(qū)動的工具自動執(zhí)行任務并提供輸出；二是對產(chǎn)業(yè)的改變，即使用人工智能優(yōu)化流程以提高效率、降低成本并改善結果；三是 AI 中間層，指 AI 中間層連接 LLM 以構建可擴展和定制的 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并學習。

在與華映資本海外合伙人邱諄的對話環(huán)節(jié)中，二人還就 AI 如何顛覆社交媒體內(nèi)容生產(chǎn)方式、初創(chuàng)公司的商業(yè)化路徑等問題進行了探討。

以下為 Alex Ren 的現(xiàn)場演講內(nèi)容，雷峰網(wǎng)作了不改變原意的編輯及整理：

AI 投資的四大方向

我們是一家位于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(fā)：空間，即初創(chuàng)公司的空間在哪里；時間，技術發(fā)展的程度如何、是否已進入可大量商業(yè)化階段；維度，公司的核心能力是什么、與大公司競爭的方法論。

圍繞這三大維度出發(fā)，我們提出了 AI 投資的四大方向。

第一個方向就是生產(chǎn)力的釋放，即 AI 驅(qū)動的工具自動執(zhí)行任務并提供輸出。今天用戶已經(jīng)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(chǎn)率。

第二個方向是行業(yè)的模式轉換。許多行業(yè)都會有自己的數(shù)據(jù)，例如生物、保險、家居服務等等，通過將 AI 嵌入至行業(yè)的 Workflow 中進行優(yōu)化，可以提高效率、降低成本并改善結果。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(xiàn)，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(chuàng)業(yè)，我們所投的 Anothermind.ai 正是一家新型的 AI agent 初創(chuàng)公司。

簡單回顧 AI 過去的三個階段：最早是 Classical ML 時期，出現(xiàn)了很多從結構化數(shù)據(jù)和預定義特征中學習的統(tǒng)計方法。隨后進入了深度學習階段，神經(jīng)網(wǎng)絡可以從圖像、文本和音頻等非結構化數(shù)據(jù)中進行學習。Transformer 以后，我們也邁向了生成式人工智能和基礎模型階段，基于 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(fā)現(xiàn)，目前 AI 公司與此前的創(chuàng)業(yè)公司相比，其核心區(qū)別在于：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(jīng)可以看到一些 AI 公司在賺錢。

那么 AI 到底能夠產(chǎn)生什么價值？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(yōu)化來獲得更好的產(chǎn)出結果。

最后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(jīng)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(nèi)部流程進行優(yōu)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(jīng)歷稿件批注、編輯等流程后才能發(fā)表，如果借助 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，受限于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(jīng)驗的作家，也可以借助大模型來完成相關文書的編寫，對內(nèi)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(chuàng)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(zhí)行，最后在寫作的流程中完成對人的輔助。

這里簡單介紹一下大模型如何用 Agent 來提升自身的能力。

由于大模型是基于歷史數(shù)據(jù)進行訓練的，因此無法理解當下所發(fā)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，再基于信息完成推理，這就是 Agent 的概念。也就是說，Agent 時大模型的眼睛、耳朵，使大模型能夠理解環(huán)境，從而能夠處理我們現(xiàn)在的信息。

大模型革新 Agent 范式

接下來我想討論的問題是，AI 能為我們做些什么事情呢？

主要包括三個方面，分別是自動化和輔助性 AI，即 AI 在 Workflow 里邊如何將流程自動；釋放創(chuàng)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的區(qū)分其不同價值。面對復雜度較低、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(yè)的生產(chǎn)效率；在面對復雜度更高的任務時，AI 則是作為人的工具、扮演輔助性角色。比如在藥物開發(fā)、材料設計領域中，任務本身比較復雜，對專業(yè)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(fā)出一個市場營銷方案的指令，并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，這種就屬于任務驅(qū)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(chǎn)環(huán)節(jié)實現(xiàn)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(nèi)容去跟用戶做交互，內(nèi)容的生產(chǎn)也可以直接根據(jù)用戶行為來生成，并從用戶側得到反饋反哺模型，同時還可以借助個性化推薦把產(chǎn)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(fā)展的大趨勢。

要注意的是，基于大模型釋放生產(chǎn)力這件事今天如微軟等大公司也在做，初創(chuàng)公司又該如何競爭？

我們發(fā)現(xiàn)，很多大公司在 AI 產(chǎn)品體驗上往往存在「最后一公里」未能達到的問題，也就是說，雖然它們的產(chǎn)品、技術能力非常強，但是在后期的迭代、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(chuàng)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(jīng)收獲了一大批忠實客戶。用戶只需輸入一個 YouTube 視頻鏈接，平臺即可在三四分鐘內(nèi)生成十幾個短視頻，并將視頻直接分發(fā)至 TikTok、Instagram、YouTube 上。類似的AI內(nèi)容生成能力在游戲、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(qū)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(xiàn)使得交互方式也發(fā)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 為主的全新交互范式。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，由于模型訓練使用了大量過去的數(shù)據(jù)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(chǎn)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，最后才能得出一個正確的結論，這就是我們目前強調(diào)在搜索場景下的大模型革新。

在自動化測試應用上，目前 AI 也被應用于藥物篩查、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(fā)周期長達 7 到 12 年，通過 AI 輔助可以有效縮短藥物的研發(fā)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(tài)系統(tǒng)和投資架構如今也發(fā)生了很大的變化。 如果將最底層定義為 AI 的操作系統(tǒng)，這個操作系統(tǒng)中包括了各種框架，比如 TensorFlow、PyTorch、計算機硬件以及開放領域數(shù)據(jù)等?；陂_放領域數(shù)據(jù)可以處理一些開發(fā)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(tǒng)的定義。

在這個基礎上加入垂直領域數(shù)據(jù)，這些數(shù)據(jù)是 OpenAI 或者 Google 等公司都不具備的數(shù)據(jù)，基于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(shù)據(jù)庫以及數(shù)據(jù)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(lián)網(wǎng)將我們數(shù)字化，不管是人、場景、物體、或行為，基于數(shù)字化衍生搜索引擎、各種電商平臺等，以互聯(lián)網(wǎng)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(xiàn)的問題做成 Agent，實現(xiàn)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，并將人釋放至更具創(chuàng)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(fā)展?jié)摿Ψ浅４?，但我并不擔心，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(chuàng)新者提供支持，在硅谷、在全球各地幫助大家創(chuàng)立一些偉大的事業(yè)！

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(yè)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于 AI Value Creation（AI 價值創(chuàng)造），我們常說當中 Value Creation 的部分就是 AI，作為創(chuàng)業(yè)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(jīng)進入瓶頸期，AI 能否帶來什么顛覆性的改變？從投資角度如何評估？

Alex Ren ：當前我們看到很多關于 AI 的討論，主要圍繞如何融入日常工作生活幫人們節(jié)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(yōu)勢在于其講故事的能力，傳統(tǒng)的故事內(nèi)容生產(chǎn)無論是電影、小說還是 YouTube 上的視頻，其背后都是人完成的。我經(jīng)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，并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，問他為什么要出家，我也可以改變林黛玉的結局。

因此，Gen AI實際上是一個產(chǎn)生新時代下內(nèi)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(chǎn)生內(nèi)容，這種新的方式也產(chǎn)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臺是不是可以用 Peer to Peer 的模式，用模型在背后去理解人的需求，匹配需求，甚至是生產(chǎn)。 因此，這種傳統(tǒng)大平臺的形式在未來 AI 發(fā)展過程中或許將被完全顛覆，我們需要做的是找到、并放大這些機會，去產(chǎn)生新代社交媒體、新的電商平臺，它的方式可能完全不同于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(tài)其實是 P2P。確實，從 Unit Economics（單位經(jīng)濟效益）角度來講，這種有太多人工運營干預的模式較難實現(xiàn)，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(yè)化路徑層面來看，能否給 AI 大模型創(chuàng)業(yè)公司一些方向？

 

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

正如我前面所說的，初創(chuàng)公司在跟大公司競爭時，其優(yōu)勢并不在訓練模型或是做 Infra 上，反而在實現(xiàn)客戶價值上有一定的可能性。中國創(chuàng)業(yè)者有一個特別的優(yōu)勢，就是在互聯(lián)網(wǎng)時代學會了如何快速迭代、找到用戶的痛點。消費互聯(lián)網(wǎng)不是一個「你告訴我需求、我給你做」，而是「我們大家講一句話，把一大堆泥巴扔到墻上，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(yè)消費者），第三種是企業(yè)。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(yè)場景會更慢。因此在這個過程中，初創(chuàng)公司要想清楚你的落地場景、你的客戶是誰，他們的痛點是什么？你 adoption 的速度快不快。如果落地速度比較慢，對公司發(fā)展而言是比較痛苦的，企業(yè)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(yè)化相關的項目，我們還是比較看重創(chuàng)業(yè)者本身及其產(chǎn)業(yè)背景、他對應用場景的理解等。從大模型領域來看，中美初創(chuàng)公司路徑差異主要有兩塊：一個是實現(xiàn)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(chuàng)業(yè)者，普遍在 To C 和 To SMB 上比較有優(yōu)勢，但 To Enterprise 是比較難一些，因為企業(yè)客戶在美國市場化這塊也是一個很大的挑戰(zhàn)，每個美國 To B 企業(yè)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(chuàng)業(yè)者都會遇到的挑戰(zhàn)。

二者的差異在于，硅谷多數(shù)初創(chuàng)公司在 A 輪之前很少會講宏觀戰(zhàn)略，更多聚焦在產(chǎn)品如何解決用戶痛點，這個是最關鍵的，另外就是發(fā)展趨勢，因此會更落地一些。硅谷往往強調(diào) PLG，Power Lead Growth，通過產(chǎn)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(chǎn)品的問題反饋，再進行快速迭代。

 

邱諄：目前國內(nèi)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(chuàng)業(yè)公司的 adoption 進度如何衡量？大概在一個什么樣的階段？

 

Alex Ren ：現(xiàn)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(xiàn)象，就是比如說 Midjourney 是通過 Discord 這樣的一個平臺去調(diào)用的，即我們在互聯(lián)網(wǎng)時代講的網(wǎng)絡效應，在 Discord 社區(qū)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(wǎng)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(chǎn)品發(fā)行平臺，尤其是針對 Prosumer 來講，大家可以很快形成社區(qū)。

這種模式對早期公司而言非常重要，在用戶之間形成的網(wǎng)絡效應能加速產(chǎn)品傳播，使用戶群體很快就爆發(fā)了。當然，就目前來說，現(xiàn)在爆發(fā)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(fā)展中。 

（雷峰網(wǎng)(公眾號：雷峰網(wǎng))雷峰網(wǎng)）

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權禁止轉載。詳情見轉載須知。