如果说2021年是国内AI公司集体闯关成功，让投资人看到回报希望的一年。那么在接下来一两年中，一些公司“财报收入对不上融资额度、烧钱速度；空有技术概念却看不到产品落地”等问题被放大，或多或少消耗了投资人的信心。当下，投资人将目光投向了AI的实际应用和落地，结果就是雪中送炭似乎成为历史，锦上添花才是正解。
在这样的背景下，对AI创业公司而言，一边是神仙打架，独角兽们正在以前所未有的速度被批量产出；另一边是自身核心壁垒不够，同行竞争越来越卷，融资之路泥泞难走。即便做不了下一个OpenAI，但谁不想成为下一个被命运之神光顾的幸运儿？
那就看看行业大佬怎么说吧。最近，a16z分享了他们与OpenAI CTO Mira Murati、Character.AI Cofounder & CEO Noam Shazeer、Anthropic Cofounder & CEO Dario Amodei在内9位顶级AI公司创始人的对话，其中包含16个子话题。为了让你的阅读体验更加丝滑，适道对内容进行了筛选、简译和结构调整，以期为AI创业公司带来一点启发。以下是调整后的正文。
为什么当下是AI创业最好的时刻？
Martin Casado，a16z：微芯片曾将计算的边际成本降到了零，互联网将分发的边际成本降到了零，现在大型模型将创作的边际成本降到零。我们正在进入第三个计算时代。在时代更替时，你不知道会出现有什么新公司。曾经没有人能预测到亚马逊和雅虎。那么现在，让我们准备迎接一波新的标志性公司。
另外，从经济学角度来看，现在也是AI创业的最好时刻。不同于此前几波人工智能浪潮，在当前这波AI浪潮中，一些应用案例中经济效益提升了一万倍（甚至更高）。
Martin Casado，a16z：市场转型不是通过十倍的经济改善来实现的。当比原来好一万倍时，它们就会被创造出来。
曾经当我想创造一个皮克斯角色形象，需要雇一位画师，耗费100美元/h，时间不计。现在用AI模型来做，可能只需1/10美分、1 秒钟。对比金钱时间成本，你会发现前后存在4-5个数量级的巨大差异。
而这就是经济学家寻找的经济拐点。这也意味着：当下，一个发生在AI时代的创新技术——经济效益——资源投入的良性循环正在形成。
也就是说，即便错过了2021年，但关于AI的一切也才刚刚开始：基础模型正在迅速扩展，有很多问题需要AI解决方案，最终资金依旧会向有利于AI初创公司的方向倾斜。一切都来得及。
AI除了被“调戏”，还能怎么给企业赚钱？
其一，破解这个问题的关键是，正确区分模型和产品、技术概念和落地应用。
此前AI模型迭代的很大一部分是为了在某些任务上超越人类，例如AlphaGo比所有人类都更会下围棋。但必须明确的是，一个厉害的通用模型不代表就能破解模型和特定用例的匹配难题。
Kevin Scott, Microsoft：我们必须记住，模型不是产品。作为一个创业者，你要理解的是：你的用户是谁？用户的问题是什么？你能做什么来帮助用户？然后确定AI能否解决用户问题——这是不变的。
当然，你可以利用AI技术，为用户提供前所未有的解决方案，但AI不是一个筐，什么难题都能放进去。无论技术如何发展，在任何时刻，针对性地解决问题才是根本。类似的观点我们在另一篇文章《AI创业 “赢家通吃”法则消失了？或许你能干个翻身仗》中也有提及：你构建的应用程序和你需要的数据集，都与你试图解决的任务强相关。未来的“人工智能”创业公司，可能是工业流程分析公司、法律平台公司或销售优化公司。那么，你想为哪个领域提供优化服务呢？
其二，AI创业公司是做通用模型、专用模型、还是两者兼而有之？
Ali Ghodsi，Databricks似乎是大模型的支持者。即便他提出：主导所有应用场景的模型不只会由OpenAI、Databricks或Anthropic等公司构建。例如一些诸如互联网时代的Uber、Facebook也在AI时代出现，并会成为巨大的商业机会。但他依旧认为，拥有最大的LLM并对其进行充分训练的公司将拥有所有AI和未来人类的掌控权。
不过，对于AI创业公司而言，重点是客户企业需要什么？
Mira Murati, OpenAI认为选择何种模型取决于你到底想做什么。用户并不是总需要最强大的模型。有时候他们只需要适合其特定用例且更经济实惠的模型。OpenAI即使在今天，也通过API提供了许多模型，从非常小的模型到前沿模型都包含在内。他们希望能够给予用户越来越多的权限，让用户可以携带自己的数据自定义模型。
其实关于这个问题，适道在即将推出的文章《AI创业 “赢家通吃”法则消失了？或许你能干个翻身仗》中也会有探讨，敬请期待。
从实现条件上看，企业想要构建自己的LLM并不容易：大量GPU，大量资金，自己的数据集和使用案例。因此，很多企业客户希望能拥有更便宜、更小、精度和性能非常高的专用模型。
从解决问题的角度看，目前通用大模型存在使用成本高、推理延迟较大，数据泄漏、专业任务上不够准确等问题。与之相比，一些更小型、专业化（调整+精炼）的长尾模型具有更准确、更便宜、更快速的优点，刚好能够满足客户企业的需求。
虽然文章也提出，随着时间推移，研究人员会开发计算效率更高的方法来微调特定用例的大模型，这些问题的答案可能也会发生变化。
还有哪些有趣的创业启发？
其实“胡编乱造”更像是AI的一个功能，而不是一个错误。例如，自动驾驶汽车需要绝对正确，但你的虚拟伙伴就没必要永远准确了。而LLMs的许多早期用例都具有以下特点：专注于创造力比正确性更重要的领域。
Noam Shazeer，Character.AI：娱乐产业每年能斩获2万亿美元，因为娱乐就像是你并不存在的虚拟朋友，这对通用AI是一个很酷的首要应用案例。
例如，当你想推出一款AI医生，你需要万分小心地避免提供错误信息，这会影响产品推出的速度。但当你想对推出一个AI伙伴，你可以火速推出。毕竟它只是娱乐而已，编造事物也成了一种特色。
Dylan Field，Figma：现在我们正处于一个让AI完成初稿的时期，但要从初稿到最终产品还是有些困难，并且通常需要一个团队来完成。但如果你能让AI向人们提供一些关于界面元素的建议，并且用一种合理的方式操作，我认为这将开启一个全新的设计时代：创造出根据用户意图响应性的上下文设计。我相信这将是所有设计师与AI系统合作共事的一个迷人时代。
话题2: 模型的使用成本会下降吗？
计算成本高昂是限制模型发展的一个重大因素，尤其是当前的芯片短缺，更是将使用成本推向了高点。虽然从现实来看，如果NVIDIA明年生产了更多的H100，计算成本也会下降。但是，难道我们就指望这一种可能性吗？关于“针对特定用例微调大模型，无需运行整个模型”的研究颇具前途。
Ali Ghodsi, Databricks：现在大家都在寻找一项只对模型进行小幅度修改，就能达到非常好的结果的技术。确实也出现了很多技术，例如前缀调优、LoRA、CUBE LoRA等等。但还没有一个真正完美无缺的解决方案被证实有效。不过，总会有人找到的。
话题3: AI+生物学，人类离长生不老还有多远？
毋庸置疑，生物学极其复杂，甚至超出了人类的理解能力。但AI+生物学能够帮助我们理解生物学，为当今时代带来一些最令人兴奋和最具变革性的技术进步。
AI驱动的生物学平台会解锁此前未知的生物学见解，从而带来新的医学突破、新的诊断方法、更早发现和治疗疾病的能力，甚至可能在疾病发生之前阻止疾病发生。
Daphne Koller，insitro：在历史的某些时期，某些特定的科学学科在相对较短的时间内取得了令人难以置信的巨大进步。20世纪90年代，数据科学和统计学为我们带来了现代机器学习、人工智能和定量生物学。2020 年是人工智能和生物学真正融合的时代，我们走进了数字生物学时代，即以前所未有的保真度和规模测量生物学的能力；使用机器学习和数据科学工具解释令人难以置信的海量数据、不同的生物尺度和不同的系统；使用CRISPR基因组编辑等工具将这种理解带回到工程生物学中，这样我们就可以让生物学做它本来不做不到的事情。
原创文章，作者：适 道，如若转载，请注明出处：https://www.shidaox.com/observation/1452.html
