AI应用层的核心竞争力在哪
“壁垒是啥？”
“差异化是啥？”
“大模型自己做了怎么办？”
“为啥你能做别人不能做？”
我们从 2 月开始到现在，接了 10 个左右 AI 的应用层项目做 FA，每个项目到最后都会反复遇到这些问题。
这几个问题几乎是振聋发聩，掩耳盗铃，余音绕梁，三日不绝。
所以如果你是一个最近刚开始看 AI 应用的投资人，我有个办法可以节省你一个月左右的时间：
只要遇到项目就直接问壁垒是啥，项目方如果说不上来，就直接 move on，反正聊到最后也要回头纠结这个问题，不如五分钟结束战斗，这样也能节省创业者更多的时间。
然后呢，你就可以得出和花了很多时间聊了很多项目的投资同行们几乎一样的结论：
“这些项目好像都没啥壁垒，很难出手啊。。”
当然，以上只是一个小小的吐槽，just kidding...
实际情况是，大多机构在过去两个月中核心精力都放在了大模型上，造成了国内大模型项目数量和融资火热的景象，然后最近两周大家开始看应用层的项目（中间层在国内更惨，似乎直接被忽略跳过了，默认没有机会？），于是就来到了我上面讲的情况。
我们的 10 个项目中，目前确定成交的有三个，在路上的希望很高的大概有三四个，很难的有三四个，大概是这个比例。而我还是有信心说我们聊过的在做的项目在市场上是有一定的代表性和水准的，对接的机构也是最主流在看这个方向的。所以，整体市场真正能拿到融资的应用层的项目比例要远小于此。
从我们了解到的数据来看，在 AI 领域出手最多的机构大概有两三家，每家大概投四五个项目（其中也以模型类为主），其他真正出手投过一两个项目的大概有 20 家机构左右，所以真正的 AI 应用层项目能拿到融资的其实很少，至少和目前整体市场的热度及共识是完全不匹配的。
那造成这个情况的原因都有哪些？创业者该如何应对？到底这个赛道的壁垒是什么呢？以下是我们近期思考的结论：
一）大模型的能力和意义被显著高估了
Maithra Raghu 在谷歌大脑工作了八年，我很同意她最近的一篇文章（Does One Large Model Rule Them All）中关于大模型未来的观点。
如上图，她的观点是会有几个普适的通用大模型，去满足广义的中长尾的大众需求，而在垂直的高价值大用户基数的场景下（比如图像生成、营销文案协作、编程助手等场景），会有很多专业模型，这些模型更像是端到端的应用，会占据用户场景，并建立自己的模型。
她的论证逻辑也非常简单：
1）专业化领域的用户对产品性能的要求高，需要更好的定制化的产品和技术的解决方案，直接调用通用大模型是难以满足的。
2）要把产品做到更好，需要更完善和灵活的数据反馈和底层架构，而通用大模型在可控性上是难以做到的。
3）垂直场景的产品的护城河就是数据，最珍贵的也是数据，所以一旦有了场景和用户，这些产品提供者有足够强的动力去保护自己的数据不被其他大模型调用，所以自己基于类开源的大模型去训练自己的模型就几乎成为了必然的选择。
4）AI 领域本身就是有非常强的协同性和开源性的，而且各项成本也是在不断降低的，所以未来做自己的大模型的门槛会不断降低。
所以基于以上原因，她的结论是未来可能会有非常多的大模型，有少数通用的，有更多垂直的，整个生态会无比繁荣，会有更多的端到端应用的机会，而非通用大模型本身。
我猜这也是为什么美国不断有大额的应用层公司融资的新闻，而很少见到类似国内的一窝蜂去投大模型创业公司的新闻（美国的大模型公司似乎也都是端到端应用的公司，都是直接有产品和场景，大模型只是为了更好的满足产品）。
其实我相信国内的大模型公司有很多也是追求场景和产品，而非只讲通用大模型故事的，所以其实核心问题是这些公司到底该被称为大模型公司还是应用公司呢？如果其实最终是端到端的应用公司那又该如何评估这些公司的核心竞争力呢？
另外，今天我和一个创业朋友聊天，他提到一个很有趣的问题，GPT3 其实是 2020 年发布的，在那个之后的两年之中，为什么只有很少的大模型或者应用类的公司跑出来？难道 3.5 和 3 的差距有那么大吗？那为什么 Jasper 或 Copy.ai 却跑出来了呢？
我相信这也是一个值得很多从业者去思考的问题。
二）未来应用的发展轨迹到底会如何？
上图是音遇创始人 Albert 对于未来用户时间分布变化的思考。
在上一波移动互联网的市场中，我们会发现不论是什么赛道，最终从用户时间的维度上大家都是竞争者。
在 AI 2.0 时代，人类工作相关效率会不断提升，所以目前大多 2B 类产品其实是去卷这一部分用户的时间，最终也许让用户在产品上停留的时间越少则越成功？而娱乐相关体验的产品则是另外一套逻辑，即怎样用 AI 提升体验而非效率才是最终的议题。
另外 A16Z 在上图的文章中提到一个观点，即 AI 会从生成内容到理解内容，从基于简单的 prompt 生成长文，到基于海量的信息去总结精炼的 insights，然后基于 insights 去提供落地执行的建议（并自主执行？）。
我理解本质都是想怎么能更好的利用 AI 劳动力，一种是做从无到有的苦力，一种是做从多变少的分析活，这两个结合起来就能取代大多日常的工作流程和场景。
所以在业务场景的选择上，我们目前有以下几个看法：
1）选择对 human in the loop 的程度要求低的方向，或者尽量让产品降低其程度，尽量让 AI 从 copilot 的角色无限趋近于 pilot，这其实本质和最近 autogpt agent 的概念是一致的。
2）选择大模型是工具和过程而非结果的事情，把大模型藏起来，尽量弱化大模型在产品流程中的意义和占比。
3）寻找需要大量人力去生成内容的场景，或者寻找有海量数据而原有人力难以处理分析得出 insights 的场景。
4）要明确做的是 killing time 的场景，还是 making money 的场景，一个是追求体验，一个是追求效率，不可混淆。
5）寻找业务环节复杂，不同环节连通和积累能产生显著数据飞轮效应的场景。
6）在 AI 时代，讲要做个人助手，大概就像是在互联网时代讲有一个做社交的梦想一样，需要尤其谨慎，而在 AI 时代，也很可能你本来没想到要做个人助手，最后就发现自己做的其实就是一个个人助手。
三）人机交互界面到底会怎样变化
很多人经常讨论什么是 AI Native，交互式会话是不是未来产品核心形态等问题，但我个人仍然觉得这件事被过于强调了，所以在这里稍微提一句。
AI 对交互体验带来的本质变化是智能和灵活性，是对最小化供给模块的解构和重新组合，而对话并不一定在所有场景下都是最高效的交互方式。
对此感兴趣的可以去看 Geoffrey Litt 的文章 Malleable software in the age of LLMs，他在里面进行了很详细的论证。
简单结论我们在之前的文章中也有写过，即对话和图形界面的组合才是最高效的产品交互方式，最终在 AI 时代，产品最核心的变化潜力可能是每个用户都有机会用对话去重塑自己的图形界面（或至少是 AI 能基于用户需求去提示和建议产品功能）。
（从另一个视角看，一个好的产品设计应该能让人一心二用，即用户可以一边聊天一边做事，而不是只有聊天才能做事。）
四）壁垒是什么
最后，我们终于进入到这个话题。
ELAD GIL 试图在 Defensibility & Competition 这篇文章中解释 AI 公司壁垒的问题，但他一上来其实就明确给出了结论：
极少有 SaaS 或 AI 的公司在早期就有壁垒的，大多这类的公司都是在后续发展中逐渐找到并形成自己的壁垒。
当然这个答案对于国内的投资人来说可能并不足够。
那我们不妨想一下，投资人为什么在这个时候更看重壁垒？之前投 SaaS、投消费、或者我们回溯到早期投移动互联网 APP 的时候，到底是不是天使轮就要论证出项目明确的壁垒呢？
我觉得出现这个情况有几个原因：
1）过去几年市场募资环境和投资方向的变化，让大家对于确定性和壁垒的要求更高，但这是否相当于追求让风险投资变的不那么有风险，是否值得商榷？当下市场中真正的天使投资是否供给不足？
2）AI 行业过去一段时间确实发展太快，大家决策的信息输入不够完备，所以要出手并不 comfortable，但当市场信息全都清晰的时候，该如何错位获取超额回报？
3）大家过于看重底层大模型的能力，觉得大模型是万能的，这个观点我们并不认同，也在上文中辩证了一部分，我们坚定的认为产品能力永远是核心，技术只是解决用户需求的手段，所以我们看好端到端应用，且认为国内创业者选择从产品场景切入，再反向补足模型能力的路径是合理且可行的。
4）大多创始人确实讲的方向重叠，且错误预判了市场对 AI 的热度，在产品未上线无数据的时候过早进行市场化融资，且对 AI 能力和用户需求的理解上想的还不够深入（大多时候也是因为没有实践，而非没有能力）。
所以最后我们给大多关注该领域的创业者的建议是：
1）市场没有想象中好，热度不代表交易转化，建议不要在产品未上线或没有数据前期待利用市场热度顺利完成融资。
2）如果确实需要融资，建议理性客观对待市场，大幅放低估值期待，先小额出让股份，用低估值降低投资人对不确定性的顾虑，拿些小钱做到 POC 并不丢人。
3）问自己三个问题，关于 AI 我比别人更深的认知是什么、更巧妙的应用是什么？关于用户需求和场景我比别人不一样的理解是什么、不一样的产品功能点是什么？关于壁垒和核心竞争力我该如何回答？
4）做好未来要拥有自己的垂直模型的准备，对于产品型创始人来说，这可能是未来对团队能力的一个挑战，谁能更好的讲清和做到这点也可能是最终真正被买单的壁垒。
5）来找我们聊聊，看看市场一线的创始人在做什么讲什么，到底哪些投资人真的在出手该领域，他们又有什么最新的想法和变化。
