硅谷VC张璐：硅谷大模型市场分为三类，三大应用领域迭代速度较快

编辑部 发自 凹非寺
量子位 | 公众号 QbitAI

身处全球科技创新中心的硅谷，AI产业生态已经进化到什么程度？投资者们的钱，又砸向何处？

硅谷知名投资人、技术VC Fusion Fund创始人张璐，在中国AIGC产业峰会上给出了这些关键判断：

• 现阶段，初创企业基本上都可以做“鸡尾酒”模式，即调动最前沿大模型的API，在上面配套使用开源模型，再自己做些修改进行模型调优。
• 在硅谷，模型的市场已经比较相对明确，主要有三类，我个人非常看好开源平台。
• 人工智能是超级工具，我们的机遇可能比互联网时代大10倍，但只有1/3的机会留给初创企业

张璐毕业于斯坦福大学，现管理近4亿美元资本，专注医疗，AI和深科技领域投资。

为了完整体现张璐的思考，在不改变原意的基础上，量子位联合大模型对演讲内容进行了编辑整理，希望能给你带来更多启发。

中国AIGC产业峰会是由量子位主办的行业峰会，20位产业代表与会讨论。线下参会观众近千人，线上直播观众300万，获得了主流媒体的广泛关注与报道。

话题要点

• 人工智能是高效的超级工具，代表着全产业数字化转型的趋势，即Digital Transformation。
• 基础设施层面，我们需要解决人工智能面临的几大挑战：算力成本高、耗电量大、数据隐私问题和延迟问题。
• 在硅谷，人工智能的主题是赋能而非破坏或变革赋能就意味着不仅是初创企业，大科技公司也能被赋能。对于初创企业来说，找到合适的切入点至关重要。
• 初创企业都可以采用鸡尾酒模式，调用大平台的API，结合自己的开源模型进行优化，构建行业专属模型。
• 今年与去年相比，对人工智能的期待变得更加现实。去年关注的是模型和算法的表现，今年则关注大规模产业应用和成本控制。
• 应用机会方面，医疗、金融保险和机器人是迭代速度较快的领域。
• 基础设施是关键，因为它决定了人工智能应用的成本。而且大规模的应用成本是商业考量的第一要义。

在硅谷，AI的主题在于赋能而非破坏或变革

大家好，我是张璐。提到今天的主题——人工智能，虽然在硅谷已非新话题，自2016、2017年以来，它已成为base work。但是后面逐渐有新的主题被提出，到了2022、2023年，生成式AI不仅在科技圈，更在全产业掀起了对人工智能的广泛关注。

我一直强调，人工智能是工具，代表着全产业数字化转型的趋势，即Digital Transformation。我也早在几年前就提出，这次人工智能是高效的超级工具，能够推动全产业的数字化转型。不仅科技行业广泛应用人工智能，其他产业也涌现出大量高质量数据，为人工智能提供了展示其能力的舞台。

我经常强调，除了技术，我们还应关注数据。

数据在哪里？为什么人工智能一直存在，现在却能被应用？

因为许多产业在十年前虽有人工智能，却缺乏高质量数据来训练模型。而近两年产业自动化推动下，各产业都产生了大量高质量数据，成为人工智能应用和发展的基石。

大家可以看到，人工智能是超级工具，我们的机遇可能比互联网时代大10倍，但只有1/3的机会留给初创企业。

特别是在硅谷，人工智能的主题是赋能而非破坏或变革。

赋能就意味着不仅是初创企业，大科技公司也能被赋能。

在硅谷，To C端应用场景的特点是，大量高质量用户数据掌握在大科技公司手中。因此，初创企业和公司在应用层面上，需要清楚地认识到创新机会在哪里，哪些应用场景和产业能获得大量高质量数据。同时，大科技公司，尤其是硅谷的公司，都在构建自己的生态平台，如英伟达、Meta、微软等，他们多年前就开始搭建生态，希望助力初创企业发展。

因此，作为创业者和创新者，找到合适的切入点至关重要。

硅谷的模型市场已相对明确

在未来模型投资和模型的种类，在硅谷，模型的市场已经比较相对明确，分为三类：

• 一类是以OpenAI和Anthropic为代表的，背后有大型云服务公司支持，这些公司同时将模型作为服务和产品提供给第三方；
• 第二类如苹果、Salesforce、NVIDIA等，他们的语言模型非常出色，但初衷是支持自身产品迭代升级，不会作为第三方产品；
• 第三类是开源平台，我个人非常看好，我们也在该领域布局了多家公司。

硅谷的开源生态正在蓬勃发展，Meta作为领军企业，其LLama 2模型已助力许多企业快速发展。

未来几个月，我们可能会看到LLama 3的发布，以及Mistral在开源方面的贡献。

还有一些小型开源模型，如我们最近投资的一家公司——NEXA AI发布的一个在边缘端运行的小模型，最小的可能是10亿到20亿个token。这些开源模型的快速发展，为初创企业和大企业提供了另一种选择，也能更高效地优化能耗和基础设施成本。

初创企业可以采用鸡尾酒模式

我们的人工智能投资分为两个维度：应用端和AI基础设施端。

• 应用端主要集中在Healthcare Enterprise、AI和Industrial Automation三个方向。
• 在基础设施层面，从芯片层到Cloud层再到安全层，都是关键技术节点。

应用层面相对明确，每个行业都有不同应用场景，但在基础设施层面，我们需要解决人工智能面临的几大挑战：

算力成本高、耗电量大、数据隐私问题和延迟问题。

基础设施层不是单层解决方案，而是一个生态投资，从硬件到软件，从云端到数据端，都需要布局，以更好地推动AI生态发展。

在硅谷，人工智能应用发展方向主要集中在To B领域，我们不投资To C公司。

我一直强调数据的重要性，如何利用海量高质量数据优化模型，使人工智能解决方案更实际、更商业化。

目前，初创企业可以采用鸡尾酒模式，调用大平台的API，结合自己的开源模型进行优化，构建行业专属模型。

在这个过程中，我们发现两个特点：

一是数据质量比数量更重要，高质量数据可以以更低的成本和更快的速度进行模型优化；

二是我们不需要一个模型解决所有问题，在特定应用场景和产业中，训练行业专属的小模型，在表现上可以与通用大模型相匹敌，甚至在成本、效率和反应速度上更快。

三大应用领域迭代速度较快

在应用机会方面，医疗、金融保险和机器人是迭代速度较快的领域——

医疗领域在美国市场规模巨大，占GDP的20%。金融保险行业数据质量高，规则化，应用场景多样。机器人不仅是人形机器人，还包括各种自动化和机械手臂，它们是新型的数据接口。

太空数据和太空科技也是一个重要领域，太空数据现在既有高质量又有高数量，价值可观。

我们经常讨论的潜在趋势就是整个科技行业的监管，而监管的核心就是监管数据，这几个行业有一个极大的特点：它们本身是高监管行业，对监管的适应更简单。

另外一个很大的机会在于AI Infrastructure，也是我们必须要解决的问题。

尽管人工智能发展前景巨大，但挑战也会阻止我们进行大规模布局。我们不仅要追求更好的算法和模型，还要关注成本，尤其是生成式AI的成本。GPU成本高，算力和能量成本也很高。我们可能没有足够的能量支持大规模生成式AI应用，这也是追求小模型的另一个原因。此外，还有延迟问题，如何通过边缘计算技术解决，以及数据隐私和安全问题。

在计算能力方面，GPU和各种芯片设计是讨论的热点。从软件到硬件，大家都在探索新的架构和设计。

我在斯坦福学习材料科学与工程，也进行了新型材料的研发。现在的机会分为两派：

• 一派是基于硅基的新型设计，如AMD的APU、谷歌的TPU和LPU；
• 另一派是新型材料的探索，如光学计算、3D设计等。在能耗方面，涌现出一些创新，如inference优化和新型算法整合，有些公司有潜力将能耗降低百倍以上。

边缘计算也是一个潜在技术，可以解决能耗和延迟问题。

我们从2018年开始投入边缘计算，发布了行业报告，从芯片到serverless edge，再到云端边缘解决方案，帮助在人工智能时代进行边缘端应用。

边缘解决方案有多种切入点，如NEXA AI的开源模型Octopus V3，是一个在边缘上运行的生成式AI语言模型，有助于拓宽AI快速发展的方向。此外，边缘计算在开源层面上的灵活度也是一个优势。

数据隐私问题包括模型安全、Cloud Network安全和数据隐私。从芯片层进行模型安全保护，网络安全解决方案，以及联邦学习和数据加密等都是创新机会。

总之，今年与去年相比，对人工智能的期待变得更加现实。去年关注的是模型和算法的表现，今年则关注大规模产业应用和成本控制。

所以这里面我列了几个分享的内容：

第一，作为初创企业，要清楚竞争和合作的市场前景，找到好的生态平台支持成长。

第二找到合适的应用场景非常关键。回顾之前提到的，硅谷的C端市场有80%到90%的机会被大公司所主导，整体而言，在人工智能的创新领域，大约70%的优势机会同样掌握在大公司手中。然而，即便如此，剩下的30%机会相比互联网时代仍有十倍到二十倍的增长，这依然代表着一个巨大的市场潜力。

怎么找到合适的应用切入点非常关键，数据是核心，怎么让数据成为竞争优势更关键。

第三个数据质量和多样性也很关键。尤其是现在模型可以越做越小，可以进行各种各样的针对特定任务去打造小模型，数据的质量比数据量更重要，定义数据质量的时候，还有数据多样性也很关键。

最后一点，基础设施是关键，因为它决定了人工智能应用的成本，而大规模的应用成本是商业考量的第一要义。

但好处是我们才刚刚开始。无论模型还是基础设施的挑战，都是机会。

现在身处硅谷，我经常跟我的合伙人开玩笑讲，就像每天有一个小的惊喜的糖果等待着我们，也很高兴能在硅谷这个创新前沿与优秀的企业家合作，希望通过分享促进更多交流，期待未来在硅谷见到更多国内外企业家。

— 完 —