FX168财经网_全球视野外汇黄金加密货币NFT资讯网

新投资赛道：区块链 AI 底层有哪些机会？

hatGPT属于自然语言处理的类型，而Midjourney、DALL -E、稳定扩散等输入图像输出的生成工具则属于机器学习模型。目前，人工智能产业面临一些问题。人工智能的演算法通常需要大量的计算资源，尤其是在机器学习和深度学习领域。这些演算法处理大规模数据集时需要大量的计算能力，特别是对于大规模深度神经网络模型，如深度学习模型，需要大规模的计算资源来进行。图形处理器等计算资源最大规模计算能力而受到青睐，它们可以处理更大的数据集，训练较复杂的模型，并在较短的时间内完成任务，特别适用于支持涉及矩阵损伤的AI工作负载。这些挑战中，一些区块链项目试图解决人工智能领域面临的问题： Akash：中心化云端算力市场- Akash是一个去中心化云端算力市场，旨在将需要计算力的用户与提供闲置计算力的用户或供应商相匹配，降低成本并提高效率。 Gensyn：深度学习开放计算协议- Gensyn是一个去中心化的机器学习计算协议，旨在降低深度学习的成本，并鼓励知识和技术的共享，以推动AI技术的发展。 Bittensor：中心化的机器学习开放协议- Bittensor是一个机器学习开放协议，旨在通过区块链来促进AI技术的发展，使用户可以共享知识和技术，从而提高AI模型的效率。这些项目都试图解决AI领域面临的计算资源问题，为AI开发者提供更多的计算能力和资源，降低成本并加速创新。它们代表了区块链技术在AI领域的应用潜力。来源：金色财经

金色财经2023-09-19

生成式AI消费者使用现状分析

aracterAI）和内容生成工具（如Midjourney和ElevenLabs）。在更广泛的内容生成类别中，图像生成是最大用例，占41%的流量，其次是专业消费者写作工具，占26%，视频生成占8%。另一个值得一提的类别是模型中心（Model Hub），该类产品上榜的只有两个，但却有相当大的流量——Civitai（AI绘画模型分享平台）和Hugging Face都排在前十位。这真是让人印象深刻，因为消费者通常访问这些网站是为了下载本地运行的模型，所以web流量可能低估了实际使应用。 4、早期“赢家”已经出现，但大多数产品类仍可竞争对于建设者来说，好消息是：尽管人们对生成式AI的兴趣激增，但在很多类别下，还没有绝对成功过的产品。下图显示了各个领域中排名第一和第二的玩家之间的流量差异。虽然也有一些例外（例如，陪伴类产品），但大多数类别的差距不超过2x，这意味着排名第一的公司的访问量是排名第二的竞争对手的两倍（或更少）。鉴于榜单上的公司在过去6个月的平均月增长率为50%，这个差距并非不可逾越。我们也开始看到显著的分化。专门为特定用例或工作流程构建的产品正在与更多的通用工具一起增长，并且显示出了它们也可以成为成功公司的迹象。有一个例子就是图像生成。虽然Midjourney在更广阔的领域占据主导地位，但像Leonardo（专门针对游戏资产）这样的公司也有惊人的流量增长。下图显示了Midjourney的Discord服务器成员的增长情况，以及Leonardo的月唯一访问量。虽然规模还不相同，但在Midjourney持续上升的同时，Leonardo已经能够吸引数百万用户了。 6、完全有机的头部产品购买，消费者愿意付账！过去5年里，许多消费应用都陷入了用户获取难题。由于缺少平台转换（例如，互联网到移动端）的支持，很难激发用户对新产品的兴奋度。用户获取成本也在上升，这意味着大多数消费类公司不得不担心生命周期价值和用户获取成本等指标。 GenAI改变了游戏规则。榜单上的大多数公司都没有付费营销（至少SimilarWeb可以归入此类）。通过X、Reddit、Discord和电子邮件，以及口碑传播和推荐增长，可以“获得”大量免费流量。这些GenAI产品中排名最后四分之一的产品只有2%的付费流量。相比之下，根据a16z对150款产品的基准测试，非AI消费订阅公司排名最后四分之一公司的付费流量为70%。消费者也愿意为GenAI付费。榜单上90%的公司已经开始盈利，几乎都是通过订阅模式盈利的。名单上任意一款普通产品基本每个月能赚21美元（针对月订阅计划用户），每年能赚252美元。如果你在AI平台出现之前订阅过任何流行的消费订阅产品（例如Calm、Headspace、Duolingo），你就会知道这些产品的年订阅费通常不到70美元，月订阅费平均为10美元。生成式AI开启了一个新的价值层，提高了消费者的支付意愿。 6、GenAI移动应用平台仍层出不穷到目前为止，消费类AI产品主要重心是浏览器，而不是应用程序。就连ChatGPT也花了6个月的时间才发布了一款移动应用！但也有明显的例外。在图像生成类别中，得益于第三方API，应用程序的“启动障碍”相当低。像Lensa和WOMBO这样的产品用户量急剧上升，当然下降的速度也很快。为什么没有更多的人工智能公司进军移动领域呢？浏览器是解除最广泛消费群体的一个自然而然的起点。许多人工智能公司的团队规模较小，他们可能不希望将注意力和资源分散到Web、iOS和Android上。因此，目前榜单上只有15家公司拥有一款活跃的移动应用，而且这15家公司几乎无一例外，来自于自己的移动应用的月流量还不到10%，绝大部分流量都来自于web端。有3个明显的例外：面向专业消费者的设计公司PhotoRoom（估计移动应用流量高达88%），陪伴应用CharacterAI（移动应用流量占46%）和文本语音转换产品Speechify（移动应用流量占20%）。这些公司的移动应用用户粘性比他们的网站用户粘性更大。鉴于消费者现在平均每天花在移动设备上的时间比台式电脑多36分钟（4.1小时vs. 3.5小时），我们预计随着技术的成熟，会出现更多以移动端为重心的GenAI产品。来源：金色财经

金色财经2023-09-14

知识产权保护：AIGC作品的著作权争议有解吗？

片来源：Jason M. Alle，由Midjourney制作) 这种便利和创造力的结合引发了AIGC作品的著作权争议。虽然AIGC作品提供了一种新的创作方式，但是由于其创作者身份之间的模糊性与生成方式，引发了一系列争议。当一个普通人使用AI绘画技术创建作品时，谁应该被认为是作品的合法创作者？是输入主题词口令的人，还是AI模型开发者？这涉及到创作权的归属问题，即作品的创作者应该享有相应的权益和保护。然而，AIGC作品的生成能力往往是由先进的机器学习算法和大量的数据训练完成的，这使得创作的原创性和独创性难以明确界定。在我国司法实践中，AI生成内容可以被纳入著作权保护范围取决于是否为独立创作、能否在外在表现上与已有作品区分、并且享有最低程度的创造性上进行判断。近期，美国法官做出的一项裁定也表明：仅由人工智能（AI）创作的艺术作品不符合著作权保护条件。 ▲2020年1月，国家版权局公布的一则信息中，首次认定AI生成内容可以被纳入著作权保护范围，但作品需具备独创性。 ▲近期美国一法官裁定表明人工智能创作的艺术品不受版权保护来源：cointime 另外，由于AIGC作品的生成能力来自数据和模型，而这些数据来源本身就存在隐患：AIGC模型往往需要经历一个预训练阶段——通过对大量的样本数据进行学习和分析，提取数据的特征和模式。由于训练数据十分庞大，不可避免会涉及他人享有著作权的作品，而按照当前著作权法的要求，在使用相关作品时，必须获得权利人许可，并支付相应的许可使用费。那么，如果AIGC作品未经许可使用他人享有著作权的作品，这是否构成了侵权行为？创作者是否要因此承担侵权责任？现实生活中，原创作者起诉AI开发平台侵犯其著作权的案例屡见不鲜。如2023年1月，全球知名体育图片提供商Getty Images起诉Stable Diffusion的开发者Stability AI，控告其未经许可对平台上数百万张图片进行窃取。 2023年6月，OpenAI和微软因为大规模抓取网络数据并用于AI产品训练被提起集体诉讼，诉争金额高达30亿美元。 2023年7月，作家Sarah Silverman、Christopher Golden和Richard Kadrey起诉OpenAI，指控OpenAI直接侵犯其著作权、间接侵犯著作权...... ▲Getty Images的照片（左）AI生成图像（右）然而，由于AIGC这一基于深度学习的预训练过程属于“黑箱”，用户无从知晓其具体运作，很容易在不知情的情况下“copy”他人享有著作权的作品。此外，AIGC通过深伪技术产出的衍生内容和侵权内容，一般也很难与原件做出比对分析，导致很多原创作者甚至不知道自己的作品已经被侵权了。来看看网易区块链的“解题思路”！针对现存的一系列争议，网易区块链通过在AIGC创作过程中（模型训练和作品生成阶段）引入区块链技术，为原创作者提供了一种可信的方式来锁定其作品中的复制权和改编权，确保原创作者获得合理的报酬，并推动创作环境的公众和可持续发展。具体来说，区块链技术在解决AIGC侵权争议问题上能够在以下三个方面提供服务： 1.不可篡改的著作权证明：原创作者可以将作品的著作权信息和所有权证明记录在区块链上。这样可确保任何人都可以验证和确认该作品的所有权和著作权信息，以确保作品的真实所有权。这对于保护创作者的权益，防止作品被盗用或滥用，具有极大的价值。 2.时间戳和证据保全：提供时间戳功能和证据保全。创作者可以在区块链上记录作品的哈希值或摘要，并将其与特定的时间戳相关联。这样可以确保权属争议出现时，创作者可以提供不可篡改的证据来证明他们的作品先于他人的类似作品。 3.平衡利益分配：智能合约技术在利益分配上也发挥了重要作用。一旦作品被使用或转让，智能合约就可以自动执行预设的利益分配方案，如支付给原创作者相应的费用。进一步确保利益分配的公平性，同时也避免了复杂的手工操作和潜在的纠纷，提升存量内容的变现效率。目前丹青约和雷火Muse艺术设计平台全部接入了创作过程链路记录和确权，截至发稿日期，已有52000条确权记录。此外，网易区块链作为承办单位之一，为“浙里智造供全球”宋韵国潮AIGC设计应用大赛提供了技术支持。在方便越来越多的用户进行AIGC创作的同时，区块链技术的介入能够将创作者的参数设置保存下来，为创作者提供创作记录存证与回溯，避免未来可能的法务纠纷。小结虽然区块链技术本身不能直接杜绝AIGC作品著作权问题，但是可以提供一些辅助措施来增加对原创作品的著作权保护和减少AIGC作品侵权的风险。此外，区块链技术也为AIGC提供了一种新的应用方式和商业模式。通过区块链技术，AIGC的作品可以成为独一无二的数字资产，而创作者通过出售或租赁其AIGC的作品获得收益。我们相信，引入区块链技术能够帮助AIGC向着成为更好的工具发展，推动AIGC在更多行业得到更广泛的应用。来源：金色财经

金色财经2023-09-01

Future3 Salon5圆桌讨论：游戏真的需要Web3吗？

就是想想，现在变成了我是个程序员，我让Midjourney帮我画两张图，然后写点代码，就可以上路了。所以就我认为AI是利好UGC的，而利好UGC就利好了我刚才说的这种需要共建、共创的场景，大家需要把治理权和经济收益进行分配的场景。这是我觉得三个Web3能帮上游戏，并且有很大机会的方向。 Joanna：对于游戏体验本身来讲，我认为并不是必须要Web3的，但Web3为游戏的升级提供了更多的可能性，比如为道具提供了稀缺性的一个保证，随机数的一个验证，以及公平性，即所谓的“fair and transparency”，甚至是游戏资产在全球的自由流动。它推翻了中心化大公司的垄断，也推翻了游戏策划运营商一些霸王统治的权利，让游戏玩家同样作为游戏内容创作者，与运营方达到了更加平衡的地位，这对游戏参与者的积极性会有一个很大的促进作用。另外，因为Web3资产的流动性、价值性以及所有权，当我们将它与现实世界的一个资产权益进行结合的时候，就会产生更多有意思的可能性。 Vince Wang：在游戏没有Web3的情况下，用户进入游戏仅仅是去娱乐和消费。有Web3以后，用户进入以后还有投资行为，这就是大家说的确权很重要的点。传统游戏的账号体系是游戏开发商去控制，当开发商或者这个产品不在的时候，用户的一切行为就归零。如果是Web3的产品，因为它上链，它的资产是属于个人的，用户使用的是数字钱包，资产可以通过确权的方式让他在市面上流通，不管这个中心化的产品在不在，但用户的资产依然在。所以这是非常重要的，虽然游戏不一定要Web3，但如果有了Web3，将给用户带来巨大的价值。来源：金色财经

金色财经2023-08-23

AIFORCE亮剑时刻：AI与 crypto 交叉的起点

Diffusion、DALL-E 和 Midjourney 这样的产品已经帮助推动了视觉艺术这个新领域。AIFORCE有一些产品正在开发中，我们相信这些产品会给这个领域带来新的动力。此外，AIFORCE释放了手机的想象力，将它变成了高级的游戏设备，使用户可以与全球的朋友一起体验。在一个新的舞台上将社交和娱乐融合在一起，创造一个允许用户体验所有权、社区、货币化和内容创作的新模式。 AIFORCE的创新和实践者团队是一流的，正在精心建立一家数字时代里的宏伟大厦，AIFORCE平台上的产品都是相互关联的，并将成为未来Web3生态中的基础设施。最重要的是，我们正在开发的产品和体验将是有趣的，共享的，并有助于推动下一次社交网络的革命，让数百万人从中受益。来源：金色财经

金色财经2023-08-18

美债收益率攀升，美股接连下跌，纳指100ETF(159660)连续3日跌超1%，何时企稳？

大杀器”Gemini结合了GPT-4、Midjourney、Stable Diffusion三大模型的能力，还能够提供分析图表、创建带有文本描述的图形、使用文本或语音命令控制软件。【mRNA疫苗巨头Moderna最新版COVID-19疫苗将于秋季推出】莫德纳表示，初步临床试验数据证实，其针对秋季疫苗接种季节最新版Covid-19疫苗显示出针对新变种的“中和抗体显著增强”。该最新版疫苗预计将在未来几周内为秋季接种供应，并有待相关部门的批准。【SpaceX财务数据罕见曝光！公司竟然已经盈利】以烧钱推进技术突破而闻名的火箭公司SpaceX，已经在今年初扭亏为盈。从数据来看，SpaceX的营收增速要快于费用支出，这是公司扭亏为盈的关键。但作为一家烧钱推进科技突破的企业，盈利与否并不是SpaceX投资人最看重的东西。【科技巨头最新财报陆续发布，多数业绩亮眼】近期，思科和京东集团发布最新财报。思科财报显示，公司2023财年第四季度调整后每股收益1.14美元，预期1.06美元；营收152亿美元，预期150.5亿美元；净利润39.6亿美元，预期34.98亿美元。京东集团财报显示，二季度公司营收达2879亿元人民币，同比增加7.6%，预估2791.4亿元人民币；归母净利润达到86亿元人民币，同比增长31.9%。业绩表现均好于预期。整体来看，美股科技巨头二季度多有亮眼表现。特斯拉二季度营收劲增47%，亚马逊二季度净营收同比增长11%至1343.8亿美元，高于市场预期的1316.3亿美元，谷歌、Meta业绩亮眼，微软营收净利同比也录得增长。随着美国科技股反弹的势头不断延续，积极的观点认为科技股已经进入了新一轮牛市。具体到美股互联网科技公司的业绩及经营情况，光大证券表示，2023二季度美股互联网公司业绩普遍超预期： 1）Meta：净利润同比上升16.5%，时隔六个季度转正；DAU和ARPU驱动广告收入强劲复苏，Reels提供潜在广告收入增量；24年计划加大AI相关资本支出。 2）微软：智能云部门收入同比增长14.7%增速放缓，2024财年资本支出将逐渐增长；Copilot商业版定价，Azure收入占比提升，AIGC在业绩端的潜力尚未完全体现。 3）谷歌：广告收入同比上升3.3%增速转正，云业务增长强劲，23M5谷歌I/O大会密集发布AI进展，AI与谷歌应用生态紧密结合。 4）亚马逊：降本增效下资本支出持续下降，AWS的利润驱动力从优化支出逐渐转向差异化的AI功能部署。（来源：光大证券《美国互联网科技公司跟踪专题报告（三）：23Q2美股互联网巨头财报-AIGC应用各自争先，业绩潜力尚待释放》）【美顶级机构披露13F报告，科技股仍是重要加仓标的】华尔街顶级投行和对冲基金都已陆续披露二季度13F报告，持仓情况浮出水面！美股科技股仍是重要加仓标的，摩根大通大手笔增持微软、Meta和谷歌，花旗也增持了微软近三分之一，瑞银提高了亚马逊、英伟达和谷歌的仓位，桥水猛买中国ETF和拼多多。根据方正证券的统计，2010年以来纳斯达克指数、标普500指数和道琼斯工业指数年化收益率分别为13.5%、10.3%和9.2%。分解来看，盈利稳定增长是美股长牛的根基，2010年以来纳斯达克指数、标普500指数和道琼斯工业指数盈利年化增幅分别为14.3%、8.7%和6.3%。数据来源：方正证券从资产配置角度来看，投资全球科技巨头一定程度上可以帮助国内投资者有效分散风险；短期在CPI回落、FOMC紧缩货币政策拐点的背景下，美科技股行情值得期待。纳指100ETF（159660）及联接A（018966）、联接C（018967）是一键布局美科技股的有效工具。纳指100ETF（159660）跟踪纳斯达克100指数，在人工智能的时代浪潮之下，目前全世界AI领域布局和积淀最领先、最深厚的科技巨头仍然集中在纳斯达克，比如微软、谷歌、英伟达、Meta等等，这些AI巨头无一例外都是纳斯达克100指数的前十大权重股，纳斯达克100指数前十大权重占比超59%，龙头属性集中。纳指100ETF（159660）管理费0.5%/年，托管费0.15%/年，明显低于市场主流的费率结构，费率优势明显，省到就是赚到。（风险提示：以上指数成份股仅作展示，不代表任何形式的个股推荐！）【始于纳斯达克，更胜于纳斯达克！】根据公开资料，纳斯达克指数包含100家在纳斯达克上市的非金融公司，纳斯达克市场自诞生以来成功孵化出了一大批科技巨头，被广泛认为是培育创新型、科技型、成长型公司最成功的投资市场之一。作为纳斯达克市场的旗舰指数，纳斯达克100指数长期涨幅明显跑赢纳斯达克指数。自1991年起，纳斯达克100指数30多年来年化收益14.13%，明显高于纳斯达克的11.65%。（数据截至2023.6.30）数据统计区间1991.1.1-2023.6.30 风险提示：基金有风险，投资需谨慎。本资料仅为宣传材料，不作为任何法律文件。基金的过往业绩不预示未来表现，基金管理人管理的其他基金业绩并不构成基金业绩表现的保证。基金管理人依照恪尽职守、诚实信用、谨慎勤勉的原则管理和运用基金财产，但不保证投资于本基金一定盈利，也不保证最低收益。投资人应当仔细阅读《基金合同》、《招募说明书》及《产品资料概要》等法律文件以详细了解产品信息。纳指100ETF属于中等风险等级（R3）产品，适合经客户风险等级测评后结果为平衡型（C3）及以上的投资者。标的指数并不能完全代表整个股票市场。标的指数成份股的平均回报率与整个股票市场的平均回报率可能存在偏离。请投资者关注指数化投资的风险以及集中投资于纳斯达克100指数成份股的持有风险，请关注部分指数成份股权重较大、集中度较高的风险，请关注指数化投资的风险、ETF运作风险、投资特定品种的特有风险、参与转融通证券出借业务的风险等。风险提示：界面有连云呈现的所有信息仅作为参考，不构成投资建议，一切投资操作信息不能作为投资依据。投资有风险，入市需谨慎!

有连云2023-08-18

解读｜深扒AIFORCE突然爆火的原因

技术也是同样的道理。而且，GPT4和midjourney还有谷歌投资的claude都未开源，AI领域和以往任何领域都不同，掌握最尖端的技术内核、超越时代的强者大多是不开源的，不然会被快速抄袭，劣币瞬间涌入伤害市场伤害用户。所以，在前期想要具备商业模式的稳定性，尤其在人工智能领域，商业模式的创新往往意味着更多的机会。AIFORCE应该是深谙这一道理，选择了闭源来将技术创新和商业模式更好地结合起来。一是闭源能够更好地保护商业机密，二是为投资者和合作伙伴提供更具吸引力的前景。正如Adobe的Photoshop软件就是一个典型案例，其闭源策略不仅保护了其领先的图像处理技术，也为其构建起了一个稳健的商业模式。最后还有一点，我认为AIFOECE要走一条没有先例甚至在我看来很伟大的路，从他们规划中与各界链接的细腻程度可以看出。AIFORCE是想要构建一个完整的、可长远发展的人工智能+区块链的生态系统。AIFORCE志在打造一个蓬勃发展的人工智能生态系统，从技术到商业模式，从数据到用户体验，都需要紧密协同。未来的世界是科技与人文融合的世界，人文引领科技，科技给人文支撑。科技向善是没有争议的，我相信AIFORCE会交出一份成功的答卷。来源：金色财经

金色财经2023-08-16

亚马逊云解决方案架构师汪其香：AIGC在不同领域的落地与应用场景

是AIGC。从ChatGPT风靡全球到Midjourney重塑许多行业。人们可能有疑惑，AIGC到底是个啥，到底怎么用？接下来欢迎亚马逊云解决方案架构师汪其香带来演讲《AIGC概述与应用场景》。汪其香：大家好，我是亚马逊云解决方案架构师汪其香。今天我将会为大家介绍一下AIGC，AIGC是除了币圈之外，最近比较火热的话题。我会向大家介绍它是什么，它在哪些行业和场景中得到了应用，以及与AIGC相关的一些技术现状。最后，我还会探讨一下AWS在这个领域能够提供的能力。首先，AIGC是从人工智能（AI）发展起来的概念。起初，我们将这个领域称为人工智能，随后随着机器学习的发展，尤其是英伟达等公司算力的提升，我们进入了深度学习时代，神经网络变得越来越庞大、复杂。随着Transformer等技术的出现，大型模型开始兴起，我们把它称之为AIGC。AIGC的核心意义在于改变了创作生产力的方式。传统的AI主要用于推荐和搜索等任务，改变的是内容传播的方式，但创作的源头仍然是人类。然而，AIGC改变了创作的源头，将创作的过程由人类转变为由人工智能生成，因此AIGC在未来的发展潜力越来越大，能够承担的任务也越来越多。据预测，到2025年，由生成式人工智能产生的数据将占据全部数据的10%，而目前这个比例不到1%。这意味着在未来一到两年内，我们在生活中接触到的由人工智能生成的素材，例如广告、海报等，其比例将迅速增加10倍。市场对AIGC的反应也表明，目前已经有许多行业开始应用AIGC技术。AIGC将在各个行业中发挥作用，不仅局限于图片生成，还包括视频生成、语音生成以及文本创作等各个方面。从技术角度来看： 1. 生成图片：AIGC在游戏、电商等领域能够生成各种类型的图片，包括电商产品图片等。 2. 文字生成：除了邮件、广告等场景，AIGC还可以在办公和代码编写领域生成文字内容。 3. 生成音频：AIGC可以用于音乐作曲、生成虚拟数字人等音频创作。 4. 视频生成：虽然之前不够成熟，但现在AIGC已经可以通过输入文字生成相应的视频，例如产品宣传片等。 5. AIGC在典型行业中的应用：在广告媒体领域，AIGC技术可以应用于视频制作，同时也可以用于生成文字内容。在游戏领域中，AIGC的应用也十分引人注目。以前，一个人要创造一个游戏可能需要花费几个月的时间，但有了AIGC技术，现在仅需一个小时就可以创造出多个游戏。这使得游戏开发者的角色从创作者转变为选择者。其中，图片生成的技术成熟度最高，行业中的应用程度也最广泛。不过，在音频和视频方面，目前的技术还没有像图片生成那样成熟。 AIGC技术可以分为两个主要方向： 1. 多模态转化：AIGC能够处理多种不同的输入模态，如文字、图片和代码，然后将其转化为多模态的输出。例如，你可以给AIGC一个描述，它可以生成相应的图片、文字和代码等多种形式的输出。 2. 语言交互：AIGC还可以用于语言交互，比如对话机器人。你提供一段输入，它能够与你进行交互，而不仅仅是单向地创作内容。在这个领域中，常见的应用是客服。随着AIGC技术的普及，人们很难分辨出某个回复是由人还是机器生成的。像ChatGPT这样的大型语言模型，它的回复方式与人类非常相似。在AIGC技术中，可以将其分为不同的技术层次： 1. 基础设施层：基础设施层是整个技术栈的基础。英伟达和云服务提供商为AIGC提供了必要的硬件设施，因为应用于垂直领域和各种训练和推理任务的大型模型需要底层的计算能力。 2. 模型层：模型层是构建在基础设施之上的，当前有一些大公司和科研机构推出了开源的大型模型。这些模型提供了基础能力，可以根据具体行业的需求进行进一步的训练和应用。例如，对于Web3.0中的链游领域，可以利用开源模型进行特定训练，以满足该行业的需求。现在许多公司在这一层面主要是应用模型，根据自身领域的问题引入大型模型的能力，构建SaaS工具，提高内部生产力。 3. 细分应用层：在模型层之上，还可以进一步构建细分的应用。例如，绘画领域中的模型，最初可能会比较受欢迎，但随着时间的推移，针对实际场景的应用将变得更加重要。例如，商品展示和设计等领域，除了绘画外，还可以应用AIGC来生成特定的设计元素。除了图片生成，另一个重要的应用场景是大型语言模型。这些模型在语义理解方面取得了巨大进展。与以往只能进行简单文本提取和分类不同，现在的大语言模型能够理解你的意图。无论是要在互联网上搜索信息，从数据库中查询数据，还是撰写文章，它都能够理解语义，并将其转化为相应的指令。这些大语言模型的语言表达也更加流畅，不再像以前那样与人类表达方式相悖。它们还能够进行闲聊对话。然而，大型语言模型可能会出现编造和虚构的情况，有时候会编造不实信息。另外，由于它们的知识来源于已学习的数据，可能会出现过时的信息。如果要应用这些模型，可能需要在其基础上加入其他组件来提高其准确性和可靠性。模型的规模、成本和质量之间存在一定的关系。模型越大，效果往往会更好，但同时需要更大的计算能力支持。参数量的减少可能会导致回答质量的下降。以图片生成为例，如果要将AIGC用于实际应用，比如在设计领域，就需要对模型进行一定的控制，以生成符合实际需求的内容。例如，在营销活动中，设计师或运营人员可能需要根据需要生成大量图片。AIGC可以在几分钟内生成大量图片，然后运营人员可以从中挑选。在服装行业中，AIGC还可以帮助设计人员找到创意并生成图片和设计风格。此外，AIGC还可以用于活动海报的生成，帮助拓展创意思路。例如，有一个广告客户卖眼镜和假发，以前需要找模特并在各个国家拍摄照片，成本很高。但现在借助AIGC和开源模型，可以生成各种肤色和国籍的模特照片，降低了全球投放的营销成本。在游戏策划和素材创意方面，AIGC也能发挥作用。游戏设计的原画师可以通过AIGC提高工作效率，生成原画和策划灵感。同样，填色领域也非常适合AIGC，特别是在二次元动漫场景中。在文字生成方面的应用，主要集中在对话、客服、陪伴机器人、游戏中的NPC、数字人以及智能问答等领域。以前在搜索引擎中，你需要明确指定你要搜索的内容。但现在的大语言模型可以理解你的语义，你可以以自然对话的方式向搜索引擎提问。智能问答方面，你可以直接问出类似“搜线下性价比最高的产品是什么”这样的问题，它会理解你的意思并呈现出相应的结果。此外，大语言模型还可以辅助编写代码，帮助生成SQL语言和模块，以及撰写剧本和营销邮件等。为了应对开源大语言模型可能出现的幻觉和胡编情况，可以采取一些限定条件下的回答策略，以确保机器人的回答不偏离主题。例如，在提问之前，可以通过企业文档和数据库来限定机器人的回答范围，让它只在特定领域内进行回答，从而实现可控的文本生成。除了开源模型的应用，亚马逊云还提供了一系列机器学习能力。亚马逊云的机器学习服务分为三个层次。最底层是基础设施，提供强大的算力支持。中间层是机器学习训练平台，您可以在这个平台上进行模型训练、模型部署，并且可以找到并使用各种开源模型。最上层是托管的AI服务，如AIGC和模型推理等。举一个例子，如果我们使用AIGC生成图片，可以结合图像识别服务，对生成的图片进行简单的筛选。例如，确保生成的图片不含有黄色或暴力内容。或者可以指定生成某种产品在特定场景下的展示图，然后通过图像识别服务检查生成的结果，确保是否符合要求。这类似于前处理或后处理的操作，可以借助不同的AI服务来实现。目前，除了AIGC（Artificial Intelligence Generated Content）之外，另一个热门的工具是“Building”服务，它是围绕大语言模型的脚手架工具。由于开源大语言模型的种类繁多，而在不同的场景下可能会使用不同的模型或者有一些特定的思维链。Building工具可以帮助我们管理多个大语言模型，包括AWS自家的泰坦大语言模型，从而简化在大模型上的开发工作。 AWS还提供了基础设施算力支持，通过自研芯片可以降低未来推理成本。当我们完成模型开发后，通常需要进行推理以适用于实际场景。AWS自研的芯片可以提供低成本的算力资源，以满足各种应用的需要。另一个面向个人开发者免费的服务是“第三个服务”，该服务支持多种语言。刚刚提到的“Bedrock”服务是一个API，它支持许多常见的基础模型。举个例子，你可以使用AWS自家的大语言模型泰坦进行文字生成。同时，你还可以利用其他公司的大语言模型。有一些模型是预先训练好的，可以直接使用。然后，通过这种服务，你可以将这些开源大语言模型导入到你自己的AWS账号中，进行微调以满足特定场景需求。你可以将这些模型集成到自己的应用框架中。 “Bedrock”提供了许多模型，它们不断更新。你可以使用这些模型来生成内容，辅助编写代码等。最后，让我们来了解一下关于基础设施的服务。目前，我们提供了A100和A800等型号的计算卡，这些资源可以在海外使用。除了在训练阶段需要的高性能算力外，我们还提供了用于推理的计算卡，以降低推理的成本。除了英伟达的计算卡外，我们还自行研发了芯片，例如SD和其他常见的大语言模型，这些模型可以在我们的芯片上进行部署。由于成本较低，相同的算力情况下，使用我们的自研芯片会更加经济高效。这些大语言模型已经兼容了我们的芯片。在机器学习领域，AWS提供了全流程的赋能。我们拥有解决方案架构师团队，可以协助您进行架构梳理。此外，我们还有产品技术专家团队，以及人工智能实验室和数据算法科学家。如果您有创新的AIGC场景，我们会投入算法科学家与您合作，共同推进项目。此外，我们还提供培训体系，以确保您可以充分了解和利用我们的服务。 AWS的解决方案具有高度的灵活性，可以确保私域数据的安全性，并提供高性价比的基础设施选项。我们还提供了直接调用API来使用大模型的功能，同时我们也拥有全面成熟的AIGC解决方案，适用于各个行业、媒体等领域。以上就是我今天的演讲内容，大家对于AIGC在海外的云计算，或者关于AIGC的任何问题，都可以一起来讨论，谢谢大家！来源：金色财经

金色财经2023-08-10

ChatGPT爆火这半年：热钱、巨头与监管

小鹅通看到了这个技术背后的潜力，“例如MidJourney，生成式AI对于设计图像生成方面的提效确实有目共睹。”樊晓星她们在内部专门组织了AI研究的业务线，寻找与自身业务相关的落地案例。樊晓星说，在将大模型接入业务的过程中，她所考虑的就是成本和效率，“大模型的投入成本还是蛮高的。”她说。互联网行业的“钉子”算是好找的，AI落地真正的难点还是在工业、制造这样的实体产业。俞凯告诉虎嗅，这一波AI浪潮仍然是螺旋式上升、波浪式前进，在产业落地上面的矛盾一点都没变化，只是换了一个套壳而已。所以从这个意义上看，这两次AI浪潮的规律是相同的，最好的办法就是学习历史——“上一波AI浪潮的教训，这次就别再犯了。” 虽然很多厂商在AI大模型的落地方面都喊出了“产业先行”的口号，但很多实体产业的场景真的很难与目前的AI大模型相匹配。比如在一些工业检测场景应用的AI视觉检测系统，即便对AI模型的需求没有高到10亿参数的量级，但初期的训练数据仍然捉襟见肘。以一个简单的风电巡检场景为例，一个风场的巡检量达到七万台次，但同样的裂痕数据，可能只会出现一次，机器可以学习的数据量是远远不够的。扩博智能风电硬件产品总监柯亮告诉虎嗅，目前风机叶片的巡检机器人还做不到100%的精确分析叶片裂痕，因为可供训练和分析的数据量太小了，要形成可靠的全自动巡检和识别，还需要大量的数据积累和人工分析。不过，在工业数据积累较好的场景中，AI大模型已经可以做到辅助管理复杂的三维模型零件库了。国内某飞机制造企业的零件库就已经落地了一款基于第四范式“式说”大模型的零件库辅助工具。可以在十万余个三维建模零件中，通过自然语言实现三维模型搜索，以三维模型搜三维模型，甚至还能完成三维模型的自动装配。这些功能，在很多卡住制造业脖子的CAD、CAE工具中都需要经过多步操作才能完成。今天的大模型和几年前的AI一样面临落地难题，一样要拿着锤子找钉子。有人乐观地相信，今天的锤子和过去完全不一样了，但到了真金白银地为AI付费时，结果却有些不同。彭博社在7月30日发布的Markets Live Pulse调查显示，在514名受调投资者中，约77%的人计划在未来六个月内增加或保持对科技股的投资，且只有不到10%的投资者认为科技行业面临严重的泡沫危机。然而这些看好科技行业发展的投资者中，却只有一半人对AI技术持开放的接受态度。 50.2%的受访者表示，目前还不打算为购买AI工具付费，多数投资公司也没有计划将AI大范围应用到交易或投资中。卖铲子的人 “如果你在1848年的淘金热潮里去加州淘金，一大堆人会死掉，但卖勺子和铲子的人，永远可以赚钱。”陆奇在一次演讲时说。高峰（化名）想当这样的“卖铲子的人”，准确地说，是能够“在中国卖好铲子的人”。作为一名芯片研究者，高峰大部分科研时间都在AI芯片上。过去一两个月，他感到了一种急迫性——他想做一家基于RISC-V架构的CPU公司。在一家茶室，高峰向虎嗅描绘了未来的图景。然而，要从头开始做AI芯片，无论是在芯片界，还是在科技圈，都像是一个“天方夜谭”。当AI大模型的飞轮飞速启动时，背后的算力逐渐开始跟不上这一赛道中玩家的步伐了。暴涨的算力需求，使英伟达成了最大的赢家。但GPU并非解决算力的全部。CPU、GPU，以及各种创新的AI芯片，组成了大模型的主要算力提供中心。 “你可以把CPU比喻为市区，GPU就是开发的郊区。”高峰说，CPU和AI芯片之间，需要通过一个叫做PCIE的通道连接，数据传给AI芯片，然后AI芯片再把数据回传给CPU。如果大模型的数据量变大，一条通道就会变得拥挤，速度就上不去，因此需要拓宽这条路，而只有CPU能够决定这条通路的宽窄，需要设置几车道。这意味着，中国在大模型上，即便突破了AI芯片，仍有最关键的CPU难以破局。哪怕是在AI训练上，越来越多的任务可以被指派给GPU承担，但CPU依旧是最关键的“管理者”角色。 2023WAIC大模型展区展出的部分国产芯片自1971年英特尔造出世界上第一块CPU至今50余年，在民用服务器、PC市场，早已是英特尔和AMD的天下，英特尔更是建立起涵盖知识产权、技术积累、规模成本、软件生态于一体的整个商业模式壁垒，且这种壁垒从未衰退。要完全抛开X86架构和ARM架构，基于一个全新架构研发完全自主的CPU芯片，可以说是“九十九死一生”，基于MIPS指令集的龙芯，在这条路上走了20多年，更不用说是 RISC-V这样未被充分开垦和验证过的开源架构。指令集，就像一块块土地，基于指令集开发芯片，就相当于是买地盖房子。X86的架构是闭源的，只允许Intel生态的芯片，ARM的架构需要支付IP授权费，而RISC-V是免费的开源架构。产业界和学术界已经看到了这样的机会。 2010年，加州伯克利两位教授的研究团队从零开始开发了一个全新的指令集，就是RISC-V，这个指令集完全开源，他们认为CPU的指令集不应该属于任何一家公司。 “RISC-V或许是中国CPU的一道曙光。”高峰说。2018年，他在院所孵化了一家AI芯片公司，彼时他表示，自己不想错过 AI浪潮发展的机会，这一次，他依然想抓住，而这个切入点，就是RISC-V。在大模型以及如今国产替代的时代，这个需求显得更为紧迫，毕竟，极端地考虑一下，如果有一天，中国公司用不了A100了，又该怎么办。 “如果要取代ARM和X86，RISC-V的CPU需要性能更强，也需要和Linux上做商业操作系统的人参与到代码的开发中。”高峰说。高峰不是第一个意识到这个机会的人，一位芯片行业投资人告诉虎嗅，他曾与一家芯片创业公司创始人聊起，用RISC-V的架构去做GPU的机会。如今，在中国已有一些基于RISC-V架构做GPU的公司，但生态依旧是他们面临的最大的问题。 “Linux已经示范了这条路是可以走通的。”高峰说，在Linux这套开源操作系统中，诞生了红帽这样的开源公司，如今许多云服务都建立在Linux系统上。“需要足够多的开发者。”高峰提出了一个方法。这条路很难，但走通了，将是一条光明的道路。飞轮转得太快了大模型的“应激反应”下，感到急迫的不光是高峰。国内某AI大模型公司联创告诉虎嗅，今年初他们也曾短暂上线过一款对话大模型，但随着ChatGPT的升温，有关部门提高了对大模型安全性的重视，并对他们提出了很多整改要求。 “在没有特别明确的监管政策出来之前，我们不会轻易把产品开放给普通用户，主要还是To B的逻辑。”左手医生CEO张超认为，在《管理办法》出台之前，贸然将生成式AI产品开放给C端用户，风险很大。“现阶段，我们一方面在持续迭代优化，另外一方面也在持续关注政策、法规，保证技术的安全性。” “生成式AI的监管办法还不明确，大模型公司的产品和服务普遍很低调。”一家数字化技术供应商，在6月发布了一款基于某云厂商通用大模型开发的应用产品，在发布会上，该公司技术负责人向虎嗅表示，他们被这家云厂商要求严格保密，如果透露使用了谁的大模型，他们会被视为违约。而对于为何要对案例保密，这位负责人分析，可能很大一部分原因是要规避监管风险。在全球都对AI提高警惕的当下，任何市场都不能接受监管的“真空期”。 7月13日，网信办等七个部门正式发布了《生成式人工智能服务管理暂行办法》（下文简称“《管理办法》”），该办法自2023年8月15日起施行。 “《管理办法》出台后，政策会从问题导向转为目标导向发展就是我们的目标。”观韬中茂律师事务所合伙人王渝伟认为，新规是重“疏”而不重“堵”。浏览美国的风险管理库，是王渝伟每天必需的功课，“我们正在为利用GPT等大模型进行细分行业的商业应用提供风控合规的方案，建立一套合规治理框架。”王渝伟说。美国的AI巨头们正排着队向国会表忠心。7月21日，谷歌、OpenAI、微软、Meta、亚马逊、AI创业公司Inflection、Anthropic，七家最具影响力的美国AI公司，就在白宫签署了一份自愿承诺。保证在向公众发布AI系统前允许独立安全专家测试他们的系统。并与政府和学术界分享有关他们系统安全的数据。他们还将开发系统，当图像、视频或文本是由AI生成时向公众发出警告，采用的方法是“加水印”。 7家美国AI巨头排代表在白宫签署AI承诺此前，美国国会听证会上，OpenAI的创始人山姆·奥特曼表示，需要为人工智能模型创建一套安全标准，包括评估其危险能力。例如，模型必须通过某些安全测试，例如它们是否可以“自我复制”和“渗透到野外”。或许山姆·奥特曼自身也没有想到，AI的飞轮会转得这么快，甚至有失控的风险。 “我们一开始还没有意识到这件事情这么紧迫。”王渝伟说，直到上门来咨询的公司创始人越来越多。他感到，这一次的人工智能浪潮正在发生与过去截然不同的变化。今年年初，一家最早接入大模型的文生图公司找到王渝伟，这家公司希望把自己的业务引入中国，因此，他们想了解这方面的数据合规业务。紧接着，王渝伟发现，这类的咨询越来越多，更明显的变化是，前来咨询的不再是公司的法务，而是创始人。“生成式AI的出现，原有的监管逻辑已经很难适用。”王渝伟说。从事大数据法律工作多年的王渝伟发现，生成式AI与上一波AI浪潮正在呈现更加底层的变化。例如，上一次的AI更多是基于算法进行推荐，还有就是一些人脸识别，都是针对一个场景，针对一些小模型，在具体应用场景当中进行训练，涉及的法律问题不外乎知识产权、隐私保护的问题。而在这个生成式AI生态之上的不同角色，例如提供底层大模型的公司，在大模型之上接入做应用的公司，存储数据的云厂商等，对应的监管都不尽相同。目前大模型所带来的伴生风险已经有了共识，业界明白，商业化应用势必会放大这种风险，要想保持业务的连续性，就需要重视监管。难点就是，“如何找到一条既能做好监管，又能不影响行业发展的路径。”王渝伟说。结语对于整个行业来说，在对技术加深探讨的同时，也正在引发更为深远的思考。在AI逐渐占据科技产业的主导地位之时，要如何确保技术的公正、公平和透明性？当头部公司紧紧掌控技术和资金流向时，如何确保中小企业和初创公司不被边缘化？大模型的开发和应用蕴含巨大潜力，但盲目跟风是否会导致我们忽视其他创新技术？ “从短期来看AI大模型正在被严重高估。但从长期看，AI大模型被严重低估了。” 半年时间里，AI热浪翻涌。然而对于中国的创业公司和科技巨头来说，在热炒的市场氛围中，如何保持清醒的判断，做出长远的规划和投资，将是检验其真正实力和远见的关键。来源：金色财经

金色财经2023-08-04

生产力 SaaS 如何应对 AI 的颠覆？

数据集。Stability AI 和 Midjourney 继续保持着对 Firefly 在效果上的微弱领先，但是不可避免地遭遇集体诉讼，因为它们使用的 LAION 数据集上包含 56 亿未经许可从公网上抓取的图像。第三个角度：帮客户把数据连起来使用 LLM 的数据处理环节 Source : a16z 有无数创业公司在这一赛道，就不再赘述最典型的数据连接用例。在此之上，跨本地和云的数据整合能力是一个需要长期积累的基本功，现有 SaaS 巨头有些差异化优势 —— 它们经历了 On-Prem 转云处理存量数据的尴尬期，经验比较丰富，而且 Salesforce 收购了 Mulesoft，Google 有 Apigee，微软有 Power Platform，都有各种强大的 Connectors 来帮助客户收集跨组织和跨本地与云的数据。通过将自身的云、数据连接器、产品场景垂直整合，再搭配合作伙伴的 LLM，老牌 SaaS 能够提供给客户一个真正端到端的堆栈，先收集好数据，再协调好数据并且能够创建数据的相关 pipeline，让数据在不同的模型和场景中可用。目前这一价值主张驱动的销售效果还未可知，但是起码听起来很美妙。上文介绍了 3 种把数据玩出花的角度，但目的都不是让 GenAI 的能力更强大，而是让它真正达到 Business Class 和 Enterprise Ready。借机重振产品品牌 GenAI 既能实际落地发挥作用，又是完美的营销帮手： • EinsteinGPT 重新让 Salesforce 的爱因斯坦小人 Logo 获得关注。要知道在此之前 Salesforce 这个 Einstein 的 AI 品牌并不算成功，一直没有绝对领先市场的产品，反而是 Gong.io 这样的初创公司一路崛起，成为 Conversation Intelligence 方向的头部玩家； • 微软在 Bing 和流程挖掘的产品上也类似，Bing 和 Google 在搜索体验上仍然有相当大的差距，而从微软收购的 Minit 而来的 Power Automate Processing Mining 也跟 Celonis 等独立的头部玩家有差距，但是通过 Bing Chat 和 Copilot，都重新面向潜在客户收获了一波关注；在微软的 Power Automate Processing Mining 中使用 Copilot • Zoom IQ 在 Conversation Intelligence 这个赛道上起步晚，但是凭借跟 GenAI 的集成，快准狠地推出了跟其他 Zoom 生产力场景的协同，也获得了在客户面前更多的曝光和关注；使用 Zoom IQ 生成和回复邮件 • UiPath 和 Five9 这些被视作长期潜在受损的公司也非常积极地进行 GenAI 整合，让广泛地产品线显得更智能； …… 尽管这些策略帮助以外缺乏突破点的产品再次获得关注，但这个窗口期可能正在关闭。随着微软各个产品中的 Copilot 和其他公司的 GenAI 集成从 Private Beta 走向正式版本交付客户使用，GenAI Offering 的作用将从「让销售 leads 增多」变为「提升 win rate」。扩 TAM 保毛利当不确定的经济环境和宏观局势遇到了共识打满的 GenAI，我们看到二级市场的公司试图做出“All in AI”的姿态，不断强调这是新的工业革命或者 PC 出现的时刻，但是在实际的经营策略上则仍然试图在利用 GenAI 扩大 TAM 的同时尽量保毛利。微软和 Google 等少数深入模型层的公司略微例外，它们在保毛利的同时做好了扩大 CapEx 投入的准备。在广大的 SaaS 公司里，Zoom 这样的思考和策略算是现阶段的标配，即 GenAI Offering 不能赔本赚吆喝，得让客户直接付费或是升级其付费计划： AI 对毛利率的影响较小。对于更高级和更高端的用例，我们希望通过让客户升级其订阅计划或通过我们平台的消费模式向客户收费。所以总的来说，我们正在努力抵消任何潜在（影响毛利）的压力。我们对长期毛利率的提高非常有信心。 Eric Yuan - Zoom 在定价模式上，除了有 M365 Copilot、Zoom IQ for Sales、Salesforce 的一系列 AI 产品按坐席和用量单独收费，跟付费订阅捆绑成为了非常流行的定价方式：在保毛利的同时探索出来一个让客户普遍接受的定价是一件非常有挑战性的事情，大量产品仍处于 Private Beta，探索定价方式中。在云时代充 credits 的 pay-as-you-go 模式崛起，GenAI 能不能推动某种新型的定价策略出现也非常值得期待。 02.「海外独角兽」们寻找安身立命之本超强执行力的中间桥梁对于生产力 SaaS 们的前途命运，有两类观点： • GUI 将毫无价值，这些 SaaS 最终将只提供数据库价值； • GenAI 是法拉利级别的引擎，但是你总归需要一辆完整的汽车。站在现实的角度，第一种观点在短期内还很难实现，许多人甚至认为 LUI 可能是最差的 UI，让我们重新倒退回了命令行时代。当然也还没有一家 SaaS 独角兽甘愿迎接第一种命运，因此大家仍然在尝试为用户提供一辆更完善的汽车。在这一点上 Notion、ClickUp、Miro 等公司的尝试和 M365、Google Workspace 没有什么本质上的不同。但是第一季度在 Bing 和 M365 几乎霸占了市场注意力的势头的情况下，Notion 在 22 年底很早就关注到 OpenAI 的动向，成为非 AI Native 的生产力 SaaS 公司中第一个上线完整 AI 产品的玩家，并且收获了还不错的市场反馈，很快就创造了数百万美元的 ARR。使用 Notion AI 总结梳理一篇研究文献我们交流的一些 Notion 员工将 Notion AI 定位成一个双向的桥梁 —— Notion AI 封装好的指令帮助用户减少了收集和搭配 Prompt 的门槛，而 GenAI 本身降低了用户使用 Notion 各种复杂组建的门槛。生产力赛道下的另一位卷王 ClickUp 跟 Notion 的这个解题思路很类似，它的产品比 Notion 还要复杂，嵌入了白板、视频等其他场景。在 Atlassian、Asana、Monday.com 等二级市场的对手都还没有 GenAI Offering 面世的时候，ClickUp 就推出了自己的 AI 产品并且确定了只有 Notion 一般的定价策略，很快也产生了可观的 ARR。使用 ClickUp 的 AI 功能进行任务管理靠开源武装自己有一些生产力 SaaS 光做好中间桥梁的作用可能不够，因为它们的安身立命技术被 LLM 直接挑战 —— 比较典型的两个例子是 Gong.io 的对话分析和 Sourcegraph 的代码搜索，它们都通过与传统 ML 模型构建了技术护城河，但是现在这些护城河被 LLM 撕开了巨大的口子。 Sourcegraph 背后的 3 大技术 Gong 的应对比较中规中矩，在第一季度没有什么反应。根据我们和早期投资人的交流，部分原因可能是团队认为模型能力并不是决胜点，获得和处理客户会议及对话数据的能力是个需要时间积累的脏活累活。直到 6 月初，Gong 才宣布推出 Call Spotlight 以及 Proprietary Generative AI Models。可能是 ChatGPT 和 Github Copilot 处理代码的能力过于惊人，Sourcegraph 成为了过去两个季度在应对 GenAI 冲击时非常让人眼前一亮的公司。尽管 Sourcegraph 很早就意识到 LLM 的 Context Window 在处理多个大型库级别的代码量上仍然有缺陷，但是没有停止产品创新，在 3 月末就直面竞争，推出了由 Anthropic 的模型驱动的代码编辑助手 Cody，并且将其代码实现开源。 Cody 背后的技术方案由于 Cody 拥有 Embeddings 的长上下文优势和 Sourcegraph 独特的 Code Graph 加持，它很快在 Hacker News 和 Twitter 上被广泛讨论。而开源的属性让 Cody 不被局限在 Sourcegraph 产品内部，而是可以当做灵活的 IDE Extension 使用，作为老公司和 AI Native 的 Cursor 等产品一同迅速成为了 Github Copilot 最可能的替代选项之一。乘胜追击扩大价值我们在 ChatGPT Plugin 的文章中描述过 Zapier 短期受益的局面：当前 ChatGPT 有了很强的工具使用能力，但缺少在 api 聚合方面的 know-how，因此 Plugin 的出现在中短期之内利好 Zapier 这类聚合器产品。Zapier 在此领域积累很深，现在如果大家想在 ChatGPT 上做一些复杂操作的时候：比如将文本总结之后发社交媒体，或是记录在 Google Workspace 中，大家都会选择用 ChatGPT + Zapier 的方式来实现。在很多 use case 中，ChatGPT 只需要接入聚合器，就能做到非常好的用户体验，它也不需要接入大量 api，相当于类似 SEO 的部分由聚合器完全提供了。 …… 但长期上，这类产品面临以下冲击：一方面， api 的组织形式可能会发生变化，LLM 时代可能跨产品交互的频次和。OpenAI 最近发布了函数调用能力，使 api 的可用性显著提升，这些变化可能会弱化 Zapier 的护城河。另一方面，聚合器可能会成为操作系统机会中的一部分，微软、谷歌和苹果都可能基于自己的系统去建立相应的能力，竞争激烈。 Zapier 团队在过去 6 个月的表现非常亮眼，展现出了团队一流的视野和执行力。下面这几个产品发布可谓稳准狠： • 3 月推出 Zapier Natural Language Actions，将平台能力首次以 API 的方式开放，还支持通过 Chat 的方式调用，迅速让 Zapier 跟 GenAI 生态融合在一起； • 由于各种 SaaS 内的数据只是由 Zapier 连接而没有存储在它这里，Zapier 在 5 月推出了 Zapier Tables，帮助用户存储、编辑、共享和自动化各个 SaaS 内的数据，这样可以从用户存量数据积累的角度构建另一条护城河； • 它推出的 Chatbot 框架也迅速在社交媒体上引发大量关注，成为用户自发为各类 SaaS 引入 LUI 的首选低成本方案之一。从不浪费红利、防止短暂红利过后被颠覆以及扎实把产品做好的角度，Zapier 是这一年来最好的生产力 SaaS 范本。而且它的联合创始人 Mike Knoop 投入力度非常大，完全致力于 Zapier 与 AI 相关的产品，并且成为了湾区 AI 生态重要的意见领袖，非常值得其他生产力 SaaS 公司学习。 03.现阶段 SaaS 的 AI 功能遭遇的 5 大挑战尽管我们找到了 6 个正面范本试图说明有些生产力 SaaS 做得还不错，但是它们不可避免地仍然陷入到一些具体的挑战当中，下面是最典型的 5 个：挑战 1：PR 先行给用户带来的失落由于 ChatGPT 引发的用户热度过于突然，大量的公司在 23 年初才开始准备其 AI Offering，并且在 3 月中下旬撞车式发布 Private Beta 版本，这导致了过长的 Waitlist，大量的客户知道自己的 SaaS 供应商推出了 AI 能力，但是却一直无法购买使用，不得不随着时间冷静下来。以 CRM 为例，许多 Salesforce 的客户对 Einstein GPT 非常感兴趣，多次向自己的销售询问报价，但是在整个 4 月和 5 月都无法得到售卖反馈，这让许多客户将这种本该严肃的产品发布视作一场无意义的 PR 行为。 Salesforce 实际上拥有一份完善的产品路线图，但是与官宣 Einstein GPT 的时间有足足 3 个月的时间差挑战 2：AI 与产品路线图的冲突投资人们希望 AI 颠覆 SaaS，但是大量的 SaaS 用户实际上只想安安静静地用好自己的文档、任务管理、视频会议工具们。 ClickUp 的用户们对 ClickUp 3.0 的正式推出期待已经，但是先等到 ClickUp AI，因此有一些非常一针见血的用户吐槽： ClickUp 的核心是充当项目管理工具和数据库，但是核心功能充满 bug，有些仪表盘需要几分钟才能刷新，可靠性在过去 18 个月号称占据了 70% 的资源但是几乎没有新功能出现，3.0 跳票，ClickUp Docs 的基础能力和 Google Docs 相距甚远，AI 本身无济于事。 ClickUp 试图让 AI 看起来是产品升级中的一个子项，但是大家发现他们的首要任务是 AI 而不是 3.0。 ClickUp 选择发布 AI 而不是 3.0 让人感觉受到了欺骗，3.0 不再是“指日可待”，我宁愿再看一下 Asana 或 Wrike。其他的产品或多或少都有类似的问题存在，比如 Notion 离线模式的用户呼声可能比 Notion AI 要强不少，这样大家才能摆脱在没有 WiFi 时完全无法使用 Notion 的窘境，但是 Notion AI 率先推出并且在产品路线图中似乎占据了更多精力。挑战 3：用户承担的定价模式这与挑战 2 相辅相成：如果 AI 能力是免费赠送的，那用户并没有什么反感这些能力的理由。但是由于“扩 TAM 并且保毛利”的策略，用户往往需要额外付费。不管是 ClickUp 的 5 美元 / 月 / 人、Notion 的 10 美元 / 月 / 人还是 M365 的 30 美元 / 月 / 人，让每个使用者自行付费的话不是个大数目，但是真让经营者批量采购也不是笔小钱 —— 要知道 Notion 本身的 Business 方案也就 15 美元 / 月 / 人，为员工采购 AI 相当于账单需要增加 60-70%。挑战 4：跟 ChatGPT 抢入口这些挑战是环环相连的！由于挑战 1 的存在，大量习惯了 ChatGPT 的用户的工作流是将文本粘帖进 ChatGPT 问答，然后将所需的结果再复制会自己的 SaaS 当中，由于挑战 2-3 的存在，尽管难以衡量具体比例，但是大量的用户已经订阅了 ChatGPT Plus，承担了 20 美元月 / 人的账单。这个订阅虽然略贵，但是比较通用，为每个 SaaS 的 AI Offering 单独订阅的总额可能远远超越 20 美元。因此我们团队经常讨论的入口逻辑在实实在在地发生，生产力 SaaS 们正在和 ChatGPT Plus 争夺每个员工身上的预算，这个战争暂时还胜负未分。挑战 5：并没有「天才」CEO 我们在去美国之前认为 Salesforce 的 Data Cloud 战略为其 GenAI 的路线图提供了自上而下的指引，但是和内部员工聊下来发现这也只是非常 high level 的指导思想，最终还是回归到营销云、服务云、工业云等各个业务团队内部自下而上提出各类 GenAI 产品功能的诉求。其实走访下来，从大公司到一级市场独角兽，大家进行 AI 创新的方式大抵都是如此，不存在 CEO 想出一个天才的方向，然后下面闷头实现就行的情况。不同玩家之间的核心区别之一在于 CEO 愿意为这部分分配的总资源有多少。鉴于挑战 2 的存在和 AGI 带来时间表的不确定性，这可能很难平衡，并且成为未来 5 年所有 SaaS CEO 最需要思考的问题之一。来源：金色财经

金色财经2023-08-02

24小时热点