a16z前合伙人：大模型从技术突破到产品颠覆，还需最后一跃

Benedict Evans是一位知名的独立科技分析师，拥有超过20年的移动、媒体和技术领域分析经验。他曾在股权研究、战略、咨询和风险投资等多个领域工作，包括在著名风险投资公司Andreessen Horowitz（a16z）担任合伙人，负责研究和分析科技行业的趋势和发展，为公司投资决策提供支持。

Evans以其对科技行业的深刻见解和战略分析而闻名，他每年制作大型演讲，深入探讨互联网的现状和未来趋势。此外，他运营着一个订阅者超过13万的每周通讯，分享他对大型科技公司战略动向、市场趋势和技术对社会长远影响的分析。Evans经常在科技大会和行业论坛上发表演讲，并在社交媒体上分享实时洞察，是科技界的重要意见领袖。

   The AI summer

数以亿计的人体验过ChatGPT，但许多人尝试过后便未再回头。每家大型企业也都曾尝试过相关试点项目，但真正投入应用的却寥寥无几。这其中部分原因可能只是时间问题。然而，大型语言模型（LLMs）可能也存在陷阱：它们看似是产品，给人以神奇之感，但实际上并非如此。或许，我们终究需要经历寻找产品与市场契合点的漫长而单调的探索过程。

我前任上司Marc Andreessen曾说，网络泡沫时期的每一个失败想法如今都有成功的可能。这需要时间——宽带网络的建设需要数年时间，消费者需要购买个人电脑，零售商和大型企业需要构建电子商务基础设施，整个在线广告业务需要发展和壮大，更重要的是，消费者和企业的行为必须发生改变。未来的到来可能仍需要很长一段时间——美国零售业花了20多年才有20%的业务转移到线上。

人们现在可能忘记了，但iPhone在早期也经历了一段缓慢的起步时间。苹果在最初的12个月里仅售出了540万部iPhone，直到2010年，iPhone的销售才真正开始起飞（iPod的普及则花了更长时间）。这同样适用于企业市场。尽管在科技行业内部，云计算已经被视为一个成熟且司空见惯的技术，但事实上，即便在Marc Benioff（Salesforce的创始人）25年前尝试说服人们在浏览器中使用软件之后，企业的工作流程中也只有大约三分之一采用了云计算。

ChatGPT的发展速度要快得多。它在2022年底突然闯入我们的视线，并几乎立即占据了科技领域的所有关注焦点。如果你现在正在创办一家初创公司，而这家公司不是专注于生成式AI，你所有的朋友都会指着你笑；但更重要的是，ChatGPT仅用了2个月就达到了1亿用户。到了2023年春天，前所未有的人都已经听说过并使用过它。

正如对技术采纳加速的每一次观察，很大程度上我们都得益于前人的努力——OpenAI 无需等待消费者购买新设备，也不必等待电信运营商去建设DSL或3G网络。对消费者而言，ChatGPT 仅是一个网站或一个应用程序，OpenAI能够直接利用我们过去25年所建立的技术基础设施。因此，去年有许多人尝试了这项新技术。

然而，问题在于，这些尝试者中的大多数并没有成为回头客。如果你深究“使用”一词的含义，你会发现大多数人仅仅是出于好奇尝试了一两次，或者只是偶尔每几周回来使用一次。

上面这张图表展示了一种典型的乐观与悲观视角。一方面，说服发达国家四分之一到三分之一的人口在18个月内尝试一款新产品，无疑是一项艰巨的任务。另一方面，许多尝试过这款产品的人似乎并未发现其价值所在。

这里不可避免地存在选择偏差：如果你已经投资了650美元购买一部智能手机，那么你很可能已经认定它具有价值，并且不太可能轻易放弃它，这与那些你仅投入五分钟尝试的网站相比，态度截然不同。同样值得指出的是，这些模型的最优版本往往隐藏在付费版本之后。

然而，如果这是一款真正能够颠覆一切的神奇产品，为何大多数人在体验后只是轻描淡写地评价一句“确实很聪明，但似乎不适合我”，然后便转身离去？为何在过去的9至12个月里，我们观察到的活跃用户数量（而非仅仅是出于好奇的用户）并没有显著增长，这从一系列类似的调查中可见一斑？

最引人深思的可能是谷歌趋势数据，尽管这些数据需要谨慎解读，但它们似乎确实揭示了与学校假期的某种相关性。

对于这个问题，我们有多种解答路径。培养新习惯，适应一种全新工具的思维模式，确实需要时间的沉淀（回想一下我们曾经将电子邮件打印出来的时代）。我们可以预见，随着技术的进步，这些模型至少在某种程度上将变得更加精准——无论是代理（agents）技术、语音识别还是多模态交互，都将拓展它们解决问题的边界。

然而，正如我在去年10月所讨论的，大语言模型（LLM）本身并不直接是一个产品——它是一种潜在的技术力量，能够激发工具或特性的创新。要让这种技术真正发挥作用，需要将其解构并重新整合到创新的框架、用户体验（UX）和工具设计中，这一过程无疑需要更多的时间。

从贝恩公司对企业界使用LLM的调查数据中，我们可以观察到相同的双重视角问题。这可以被视为一幅既包含乐观也包含悲观元素的图表：兴趣盎然，部署活跃，但具体的情况取决于你的观察角度。

与那些简单询问“你们组织中有人在使用这项技术吗？”的调查不同，贝恩公司试图细致地区分试点项目、实验和试验与真正的部署。虽然每个企业或其他组织都可能进行着一些测试，但真正将这些技术融入其核心业务流程的组织却寥寥无几，这种差异很大程度上取决于具体的应用场景。

大语言模型（LLM）在编程和市场营销领域已经证明了其巨大的潜力，然而对于法律行业或人力资源部门来说，它们的价值则显得不那么明显（律师们对于任何新技术的接受度通常都较为缓慢）。

与此同时，埃森哲提供了一个鲜明的例证，展示了企业在生成式人工智能领域的实验规模，同时也反映出这些实验目前大多还停留在探索阶段——这同样是一个充满希望与挑战并存的景象。

埃森哲的例子显示了企业对生成式AI的实验规模，但目前这些实验大多数只是试点项目，而非实际部署。去年，埃森哲完成了3亿美元的生成式AI工作，涉及300个项目。平均每个项目价值100万美元，这表明很多项目只是试验性质的，而不是全面应用。

此外，波士顿咨询集团（BCG）预计今年其20%的收入将来自帮助大公司应对生成式AI，这表明生成式AI的市场需求很大，但很多公司仍在探索和理解其应用。这意味着，在2024年，咨询公司可能会在解释和帮助企业理解生成式AI方面获得大量业务。

这些图表实际上描述了当AI乌托邦式的梦想遇上消费者行为和企业IT预算的混乱现实时会发生什么——事情的发展比你想象的要慢，而且过程复杂（这也是我认为“末日论者”很天真的一个原因）。

企业通常的IT销售周期比Chat GPT3.5发布以来的时间还长，摩根士丹利最新的CIO调查显示，30%的大公司CIO预计在2026年之前不会部署任何产品。他们可能过于谨慎，但上面的云采用图表（特别是预期数据）表明了相反的情况。记住，贝恩的“生产”数据只意味着某处、某人正在使用这项技术，并不意味着它已经接管了你的工作流程。

然而，退一步来看，ChatGPT从一个科学项目迅速增长到1亿用户的速度可能本身就是一个陷阱（正如自然语言处理技术对Alexa的影响一样）。大语言模型（LLMs）看起来有效，它们看起来具有通用性，它们看起来像是一个产品——它们的科学成果是一个聊天机器人，而聊天机器人看起来像是一个产品。你输入一些内容，就会得到神奇的回应！但这种神奇的效果可能并不实用，甚至可能是错误的。它看起来像是一个产品，但实际上并不是。

微软去年年初试图将这项技术强行整合到Bing中以对抗谷歌，但最终失败并被遗忘，这是问题的一个很好的缩影。LLMs看起来像是更优秀的数据库，看起来像是搜索引擎，但正如我们所见，它们“错误”的程度足够高，而且“错误”难以管理，以至于你不能仅仅给用户一个原始的提示和一个原始的输出——你需要围绕它构建许多专门的产品，即便如此，也不清楚这究竟有多大用处。

匆忙推出基于LLM的网络搜索就是陷入了这个陷阱。萨蒂亚·纳德拉曾表示他想让“谷歌起舞”，但具有讽刺意味的是，与“Bing Copilot”竞争的最佳方式可能是耐心等待——观望、学习并在推出任何产品之前深思熟虑（当然，如果华尔街允许的话）。

将这项技术急于整合到搜索中，部分是出于竞争压力和股市压力，但更根本的是出于一种感觉，即这是下一个平台转变，你必须全力以赴抓住它。这比谷歌的影响要广泛得多。这种紧迫感被“站在巨人肩膀上”的时刻加速了——你没有时间等待人们购买设备——而且这些技术看起来像是成品。与此同时，这些公司在过去十年中产生的大量现金与尖端LLMs的巨大资本密集度相碰撞，就像物质与反物质相遇一样。

换句话说——“这些技术是未来，将立即改变一切，它们需要所有这些资金，而我们拥有所有这些资金。”

正如许多人现在所指出的，所有这些加起来导致了巨额的资本支出（以及其他许多投资）被提前用于一项大多仍处于实验预算中的技术。

这种急于求成意味着我们已经跳过了S曲线底部缓慢而痛苦的阶段，在这个阶段，你试图弄清楚产品与市场的契合度是什么，同时你正在构建实际的产品。网络、电商和iPhone都必须经历一个痛苦的成长和学习过程，才能变得有用。

App Store最初并不是iPhone计划的一部分，而蒂姆·伯纳斯-李（Tim Berners-Lee，万维网World Wide Web的发明者）最初设计网页浏览器的时候，并没有把它作为一个内容发布的平台来看待。相反，他设计了一个包含编辑器的浏览器，主要是为了方便人们编辑和存储信息，就像使用一个网络驱动器那样。大语言模型（LLMs）跳过了这个部分，在人们还未弄清楚这是什么以及它的用途之前，就直接进入了“它适用于一切！”的阶段，意味着在遇到真正的用户之前并没有真正进行深入思考。

这张图表因此显得特别有趣。直接的怀疑论解释是，这是一次典型的投资激增，即使还不是泡沫的话，它也将不可避免地变成泡沫。

当然，这些初创公司（指的是那些专注于开发和应用LLMs的公司）代表了硅谷对大语言模型（LLMs）的集体赌注，他们认为LLMs是一种技术而非单一产品，并且我们需要经历传统的客户发现过程来实现产品与市场的契合。至少可以说，推动生成式人工智能泡沫的真正因素是这样一个观点：历史已经结束，LLMs将能够完成所有任务，如果真的是这样，我们就不需要这些公司中的任何一个了。（这句话基于一个假设的情景：如果LLMs最终能够完成所有任务，变得如此强大和多才多艺，那么市场上可能就不再需要如此多专门从事LLMs研究和应用的公司，因为LLMs自己就能够满足各种需求。）从这个角度来看，这些公司实际上是反泡沫的，这是一个非常乐观的想法。

当然，互联网络泡沫时代的那些疯狂梦想如今确实成真了，AI乌托邦主义者也或许是对的——大语言模型（LLMs）可能真的能够包办一切。它们不仅可能整合并取代现有的众多软件应用，还可能独立或在全新构建的产品、公司及企业销售层面的支持下，自动化那些以前从未被软件触及的复杂任务类型。这或许将成为科技史上首个呈现出J型增长路径的S型技术发展曲线。但这样的转变不会在本年度内发生。

文章来自于微信公众号非凡产研 作者Benedict Evans