2024年6月13日下午，由微致资本联合股东方一村资本主办的“2024年微致资本主题沙龙活动”在上海五角场创新创业学院成功举行。会上，微致资本投资合伙人倪天旸先生发布“AI+软件”的主题演讲。本文内容根据倪天旸先生的演讲内容整理编辑而成。
以生成式AI和AI大模型为代表的新一代AI，正在将我们的商业社会大大加速。ChatGPT的诞生，只花了2个月时间就获取了1亿的用户，同时生成式AI第一年的收入就达到了30亿美元，而SaaS行业足足花了十年的时间。无论是ToC的消费互联网，还是ToB的软件/企业服务/SaaS，无论从用户数量角度，还是商业化收入维度，AI大模型展现的是一次新的“工业革命”，带来的是生产力的数倍提升和商业价值的全面重塑。来源：微致资本整理
距离ChatGPT发布已经基本有足足一年半的时间，中美两地算是全球两个科技高地，在AI大模型方面都是飞速狂奔。但我们观察到中美两国在AI大模型的发展上已经出现了非常不一样的分歧或者路径上的差异，这和之前的移动互联网还挺不一样的。我们回顾一下移动互联网，尽管在早期中国有很多Copy to China，整体来说中国和美国是同频发展的，最后出来的产物，一些互联网巨头其实也是非常相近。但AI大模型上仅仅一年半时间，就体现了非常不一样的发展趋势，在短期、中期、长期均有了一定的分歧。我们曾专门就该问题发表过相关观点，详见《微智观点 | AI大模型，分道扬镳的中美市场》。来源：微致资本整理
随着AI大模型的能力不断提升、算力成本的下降、use cases的不断挖掘，近半年来AI应用以及AI Infra呈现百花齐放的状态。就拿2024年奇绩创坛春季路演日举例，根据官方提供数据，81%的项目和AI大模型相关。我们借鉴了红杉AI 50榜单以及其他美国相对权威机构发布的榜单，以此分析相关AI应用和Infra的趋势，我们发现：1、ToB生产力工具类目大幅增加。包括做翻译引擎的DeepL、企业助手的Clean，还有类似于Notion、Tome、Writer等办公助手，生成式AI已经“顺滑”地融入生产力工具中；2、AI的killer app至今仍未出现。就拿"DAU/MAU"这个数据，传统APP的中位数是Snapchat的51%，而ChatGPT仅仅14%，这说明至少在C端场景里AI的应用远远没有达到可以Daily use的价值水平；3、中间层的公司大量地增加，类型包括向量数据库、推理层、应用开发框架等等。底层原因在于随着底层大模型格局稳定、能力提升之后，越来越多中间层的需求开始涌现，包括对算力的需求、推理的需求等等。
来源：微致资本整理
相比海外的软件、SaaS生态，国内的软件行业还是有非常多的问题和弊病，如付费能力差、甲方定制需求多，等等等等。但我们认为，生成式AI和大模型，有可能在某些领域、某些场景上，去颠覆软件行业原有的商业模式，从而给行业带来新的蓝海和机遇。我们参考了A16Z在今年对70多家甲方CTO的调研，其中有两组数据值得关注，一是2024年被调研企业对于AI预算的增加幅度平均是2.5倍，这个倍数非常惊人；二是这些预算的来源中24%来自于创新型的投入，21%来自业务单元提出要用新的AI来解决业务的问题，28%来自于传统IT和传统AI腾挪出来的预算。
尽管这是一个美国市场的调研，我们也没有找到中国类似的报告或调研，但是这和我们的体感非常相近。国内的甲方对于传统软件一直是比较抠门的，但是对AI相关的预算目前的状况还是挺大方的，虽然可能没有2.5倍这么多，但是成倍的增加是有可能的。我们需要持续观察的是，这种FOMO情绪驱动偏创新型预算，能否逐步转换为价值驱动的常规预算。来源：A16Z《16 Changes to the Way Enterprises Are Building and Buying Generative AI》生成式AI还有机会改变国内软件比较low的依赖人/天的定制外包模式。原因在于自回归架构的大语言模型的内在特性之一就是不可解释性，其AI能力可以看作是一个黑盒，所以在某些场景可以改变原有的定价模式，从衡量“变成工作量”，变为端到端的结果交付。生成式AI有机会把交付过程、定价的主动权重新拿到乙方软件企业的手里。来源：微致资本绘制
我们知道国内软件行业比欧美更难做的原因之一，在于欧美可以接受80分的标准化产品，因为海外的人力太贵了，但国内必须要通过一定的定制来满足长尾需求，因为人比较便宜。但这些长尾需求会使得产品非常冗余、笨重，反而让理应标准化的产品变得不好用，这是一个恶性循环。通过生成式AI和大模型的一系列工具链，如AI Coding、行业知识库+RAG等，现在可以用非定制的方式解决20%的长尾需求，打破上述的恶性循环。
来源：微致资本绘制
作为垂直行业的小机构，我们不会、也很难参与到基础模型的投资上，所以我们关注的更多还是在AI应用层和AI Infra层的投资机会。经过近两年的持续观察和研究，我们也逐步形成微致资本在AI应用层和AI Infra层的一些方法论。我们将算力调度、AI Infra（不包括硬件和基础模型）、AI Agent这三者，定义为介于应用和大模型之间的PaaS层。其中AI Infra与AI Agent到目前为止并没有官方发布或达成共识的定义。我们对两者的定义为：- AI Infra：使用大模型开发生成式AI应用过程中所需要的一系列工具链，可以理解为生成式AI技术架构中的PaaS层。
- AI Agent：让大模型与外部产生连接的能力，外部可以是其他应用的API、文档知识库、外部的硬件设备，甚至是其他的大模型。
来源：微致资本绘制（基于A16Z《Who Owns the Generative AI Platform?》提出的架构图的调整）
关于AI应用层，我们也迭代了一套项目判断的框架。初衷是在于现在几乎所有的软件类的项目，都会“号称”自己与AI大模型或AIGC概念相关。对此，我们有三步判断：1、第一步，辨别使用了什么模型的什么能力。其实这一代的AI新革命本质上是两个模型的进步，一个是基于Transformer的大语言模型，一个是基于Diffusion扩散模型。基于这两个模型我们抽象出了三个显著高于上一代基于神经网络架构的能力，即多模态的生成能力、多模态的交互能力和逻辑推理能力；2、第二步，我们将AI应用简单地分成两类：AI-Native原生软件、AI-Enabled增强软件。AI原生软件简单理解为可以用AI重新做一遍的场景，包括AI搜索、AI虚拟陪伴、AI coding等等；AI-Enabled简单理解为旧场景新体验，如AI+办公等。这两类公司对于基础模型的依赖程度、本身商业壁垒的构成都非常不一样，所以这个分类其实是帮助我们更好地去判断它本身商业的价值在哪里；3、第三步，我们需要搞清楚AI应用使用模型的方式。整体上来说有三类：直接调用第三方大模型API接口；开源模型基础上魔改或微调；预训练自有模型。难度和门槛均是逐步递增。来源：微致资本绘制
有了这三步之后，目的不同特征的AI应用公司，我们需要有不同的关注点。我们也用一个象限图来总结不同类型的AI公司的关注点。我们认为软件结合生成式AI或大模型仅仅是手段，目的还是要去构建软件产品本身带给客户的价值、以及软件公司自身的商业壁垒。
尽管生成式AI和大模型能否成为国内软件行业“全村的希望”，现在还不能有个定论，但至少是实实在在的一次新的机会。而且生成式AI和大模型的发展才是黎明前，如果类比的话，还相当于2000年的门户互联网时代，大量的能力和场景都还没有解锁，AI+软件还有非常大的想象空间和机会值得我们所有从业者去关注。
粤ICP备17114055号
支持私有云部署
