原文 ： https://a16z.com/2023/01/19/who-owns-the-generative-ai-platform/

本文为该文中文编译版本。

我们开始看到生成AI（AI）的技术栈出现的早期阶段。数以百计的新创业公司正急于进入市场，开发基础模型，建立人工智能原生应用程序，并建立基础设施 / 工具。

许多热门技术趋势在市场跟上之前就被过度炒作了。但是，生成AI 的繁荣已经伴随着真实市场的真实收益，以及来自真实公司的真实牵引力。像 Stable Diffusion 和 ChatGPT 这样的模型正在创造用户增长的历史记录，一些应用在推出后不到一年就达到了 1 亿美元的年化收入。并排比较显示，人工智能模型在一些任务中的表现要比人类好几个数量级。

因此，有足够的早期数据表明，大规模转型正在发生。我们不知道的是，现在已经成为关键问题的是。在这个市场中，哪些地方会产生价值？

在过去的一年里，我们会见了几十位直接处理生成AI 的创业公司创始人和大公司的经营者。我们观察到，到目前为止，基础设施供应商可能是这个市场上最大的赢家，获得了流经该堆栈的大部分资金。应用公司的收入增长非常快，但往往在用户留存、产品差异化和毛利率方面挣扎。而大多数模型供应商，虽然对这个市场的存在负有责任，但还没有达到大规模的商业规模。

换句话说，创造最大价值的公司-- 即训练生成 AI 模型并将其应用于新的应用程序 -- 还没有抓住其中的大部分。预测接下来会发生什么就更难了。但我们认为，关键是要了解堆栈的哪些部分是真正的差异化和可防御的。这将对市场结构（即横向与纵向的公司发展）和长期价值的驱动力（如利润率和用户留存率）产生重大影响。到目前为止，我们很难在堆栈的任何地方找到结构上的可防御性，除了传统的现有公司的护城河。

我们非常看好生成AI，并相信它将对软件行业和其他行业产生巨大影响。这篇文章的目的是描绘出市场的动态，并开始回答关于生成 AI 商业模式的更广泛的问题。

高水平的技术栈

高水平的技术栈 ：基础设施、模型和应用程序

为了了解生成AI 市场是如何形成的，我们首先需要定义今天的堆栈是什么样的。以下是我们的初步看法。

该堆栈可分为三层。

将生成AI 模型集成到面向用户的产品中的应用，要么运行自己的模型管道（"端到端应用"），要么依赖第三方的 API

为人工智能产品提供动力的模型，以专有API 或开源检查点的形式提供（这反过来需要一个托管解决方案）

为生成AI 模型运行训练和推理工作负载的基础设施供应商（即云平台和硬件制造商）。

需要注意的是：这不是一个市场地图，而是一个分析市场的框架。在每个类别中，我们已经列出了一些知名厂商的例子。我们没有试图做到全面，也没有列出所有已经发布的惊人的生成AI 应用。我们在这里也没有深入讨论 MLops 或 LLMops 工具，这还没有高度标准化，将在未来的文章中讨论。

AI 应用程序正在规模化，但用户留存维持确困难

第一波生成AI 应用开始达到规模，但在用户留存和差异化方面却很困难

在以前的技术周期中，传统的智慧是，要建立一个大型的、独立的公司，你必须拥有终端客户-- 无论这意味着个人消费者还是 B2B 买家。很容易让人相信，生成 AI 中最大的公司也将是终端用户的应用。到目前为止，还不清楚情况是这样的。

可以肯定的是，生成AI 应用的增长是惊人的，由纯粹的新颖性和大量的使用案例所推动。事实上，我们知道至少有三个产品类别的年收入已经超过了 1 亿美元：图像生成、文案写作和代码编写。

然而，光是增长还不足以建立持久的软件公司。最关键的是，增长必须是有利可图的-- 在这个意义上，用户和客户一旦注册，就会产生利润（高毛利）并长期存在（高用户留存率）。在没有强大的技术差异化的情况下，B2B 和 B2C 应用程序通过网络效应，用户留存数据，或建立越来越复杂的工作流程来推动长期的客户价值。

在生成AI 中，这些假设不一定成立。在与我们交谈过的应用程序公司中，毛利率的范围很广 -- 在少数情况下高达 90%，但更多时候低至 50-60%，主要由模型推理的成本驱动。渠道顶端的增长是惊人的，但目前的客户获取策略是否可以扩展还不清楚 -- 我们已经看到付费获取的效率和用户留存率开始下降。许多应用程序也相对缺乏差异性，因为它们依赖于类似的底层人工智能模型，并没有发现明显的网络效应，或数据 / 工作流程，而竞争对手很难复制。

因此，现在还不明显，销售终端用户应用程序是建立可持续的生成AI 业务的唯一，甚至是最好的途径。随着语言模型的竞争和效率的提高，利润率应该会提高（下面会有更多介绍）。随着人工智能游客离开市场，用户留存率应该增加。而且有一个强有力的论点，即垂直整合的应用程序在推动差异化方面具有优势。但仍有很多东西需要证明。

展望未来，生成型AI 应用公司面临的一些大问题包括。

垂直整合（"模型 + 应用"）。将人工智能模型作为一种服务来消费，允许应用开发者用一个小团队快速迭代，并随着技术的进步交换模型供应商。另一方面，一些开发者认为，产品就是模型，从头开始训练是创造可防御性的唯一方法 -- 即通过不断地对专有产品数据进行重新训练。但这是以更高的资本要求和更不灵活的产品团队为代价的。

构建功能与应用程序。生成AI 能产品有许多不同的形式：桌面应用程序，移动应用程序，Figma/Photoshop 插件，Chrome 扩展，甚至是 Discord 机器人。在用户已经工作的地方整合人工智能产品很容易，因为用户界面一般只是一个文本框。其中哪些会成为独立的公司 -- 哪些会被微软或谷歌等已经将人工智能纳入其产品线的现有公司所吸收？

通过炒作周期进行管理。目前还不清楚，流失是否是目前这批生成AI 产品所固有的，或者它是早期市场的产物。或者，对生成 AI 的兴趣激增是否会随着炒作的消退而下降。这些问题对应用程序公司有重要的影响，包括何时踩下筹资的油门；如何积极地投资于客户获取；优先考虑哪些用户群；以及何时宣布产品适合市场。

模型供应商没有达到商业规模

模型供应商发明了生成AI，但还没有达到大型商业规

如果没有谷歌、OpenAI 和 Stability 等公司的杰出研究和工程工作，我们现在所说的生成 AI 就不会存在。通过新颖的模型架构和扩展训练管道的英勇努力，我们都受益于当前大型语言模型（LLMs）和图像生成模型（Image model）的令人震惊的能力。

然而，与这些公司相关的收入与使用量和热闹程度相比仍然相对较小。在图像生成方面，Stable Diffusion 公司在用户界面、托管产品和微调（fine-tune）方法的生态系统支持下，看到了社区的爆炸性增长。但 Stability 公司将他们的主要检查点免费赠送，这是他们业务的核心宗旨。在自然语言模型方面，OpenAI 以 GPT-3/3.5 和 ChatGPT 为主导。但到目前为止，基于 OpenAI 构建的杀手级应用相对较少，而且价格已经下降了一次。

这可能只是一个暂时的现象。Stability 是一家新公司，还没有把重点放在商业化上。OpenAI 有可能成为一个庞大的业务，随着更多的杀手级应用的建立，它可以赚取所有 NLP 类别收入的很大一部分 -- 特别是如果它们与微软的产品组合的整合顺利进行。鉴于这些模型的巨大使用量，大规模的收入可能离我们不远了。

但也有反作用力。作为开源发布的模型可以由任何人托管，包括不承担大规模模型训练相关费用（高达数千或数亿美元）的外部公司。而且目前还不清楚是否有任何闭源模型能够无限期地保持其优势。例如，我们开始看到Anthropic、Cohere 和 Character.ai 等公司建立的 LLMs 更接近 OpenAI 的性能水平，它们在类似的数据集（即互联网）上训练，并采用类似的模型架构。Stable Diffusion 的例子表明，如果开源模型的性能和社区支持达到了足够的水平，那么专有的替代品可能会发现难以竞争。

到目前为止，对模型提供者来说，最明显的收获也许是商业化可能与托管有关。对专有API 的需求（例如来自 OpenAI）正在迅速增长。开源模型的托管服务（如 Hugging Face 和 Replicate）正在出现，成为轻松分享和整合模型的有用枢纽 -- 甚至在模型生产者和消费者之间产生一些间接的网络效应。还有一个强烈的假设是，有可能通过微调和与企业客户的托管协议来实现盈利。

不过，除此之外，模型供应商还面临着一些大问题。

商品化。人们普遍认为，随着时间的推移，人工智能模型的性能将趋于一致。在与应用程序开发人员交谈时，很明显这还没有发生，在文本和图像模型中都有强大的领导者。他们的优势不是基于独特的模型架构，而是基于高资本要求、专有的产品互动数据和稀缺的人工智能人才。这将成为一个持久的优势吗？

毕业的风险。依靠模型供应商是应用程序公司起步的好方法，甚至是发展他们的业务。但一旦他们达到规模，就会有动力建立和/ 或托管自己的模型。许多模型供应商的客户分布高度倾斜，少数应用程序代表了大部分的收入。如果 / 当这些客户转向内部人工智能开发，会发生什么？

钱重要吗？生成AI 能的承诺是如此之大 -- 也可能是如此有害 -- 以至于许多模型供应商已经组织为公益公司（B corps），发行有上限的利润股份，或以其他方式将公共利益明确纳入其使命。这一点也没有妨碍他们的筹款努力。但是，围绕大多数模式供应商是否真的想获取价值，以及他们是否应该这样做，有一个合理的讨论。

基础设施供应商触及一切

基础设施供应商触及一切，并获得了回报

生成AI 能中的几乎所有东西都会在某些时候经过云托管的 GPU（或 TPU）。无论是模型供应商 / 研究实验室运行训练工作负载，托管公司运行推理 / 微调，还是应用公司进行两者的某种组合 --FLOPS是生成AI 能的命脉。在很长一段时间里，最具有颠覆性的计算技术的进展第一次受到大规模计算的约束。

因此，生成AI 市场的很多资金最终都流向了基础设施公司。用一些非常粗略的数字来表示。我们估计，平均而言，应用程序公司在推理和每个客户的微调上花费了大约 20-40% 的收入。这通常是直接支付给云供应商的计算实例或第三方模型供应商 -- 他们反过来又将大约一半的收入用于云基础设施。因此，我们有理由猜测，今天生成 AI 总收入的 10-20% 是给了云供应商。

除此之外，训练自己的模型的初创公司已经筹集了数十亿美元的风险投资-- 其中大部分（在早期回合中高达 80-90%）通常也用于云供应商。许多公开市场上的科技公司每年在模型训练上花费数亿美元，要么与外部云供应商合作，要么直接与硬件制造商合作。

用技术术语来说，这就是我们所说的 "大量的钱"-- 尤其是对于一个新生的市场。其中大部分是花在三大云上。亚马逊网络服务（AWS）、谷歌云平台（GCP）和微软 Azure。这些云供应商每年总共花费超过1000 亿美元的资本支出，以确保他们拥有最全面、最可靠和最具成本竞争力的平台。特别是在生成 AI 方面，他们也受益于供应限制，因为他们可以优先获得稀缺的硬件（如 Nvidia A100 和 H100 GPU）。

但有趣的是，我们开始看到可信的竞争出现了。像甲骨文这样的挑战者已经通过大笔的资本支出和销售奖励取得了进展。一些初创公司，如Coreweave 和 Lambda Labs，已经通过专门针对大型模型开发商的解决方案迅速成长。他们在成本、可用性和个性化的支持方面进行竞争。他们还公开了更多的细化资源抽象（即容器），而大型云由于 GPU 虚拟化的限制，只提供虚拟机实例。

在幕后，运行绝大部分人工智能工作负载的，也许是迄今为止生成AI 的最大赢家。Nvidia。该公司在 2023 财年第三季度报告了38 亿美元的数据中心GPU 收入，其中有相当一部分用于生成 AI 的使用案例。他们通过几十年来对 GPU 架构的投资，强大的软件生态系统，以及在学术界的深入应用，已经围绕这一业务建立了强大的护城河。最近的一项分析发现，Nvidia 的 GPU 在研究论文中被引用的次数是顶级 AI 芯片初创公司的 90 倍。

其他硬件选择确实存在，包括谷歌张量处理单元（TPU）；AMD Instinct GPU；AWS Inferentia 和 Trainium 芯片；以及 Cerebras、Sambanova 和 Graphcore 等初创公司的 AI 加速器。英特尔在游戏中姗姗来迟，也在以他们的高端 Habana 芯片和 Ponte Vecchio GPU 进入市场。但到目前为止，这些新芯片中很少有占据重要市场份额的。两个值得关注的例外是谷歌和台积电，前者的 TPU 已经在 Stable Diffusion 社区和一些大型 GCP 交易中获得牵引力，后者被认为制造这里列出的所有芯片，包括 Nvidia GPU（英特尔使用自己的工厂和台积电混合制造其芯片）。

换句话说，基础设施是一个有利可图的、持久的、似乎可以防御的堆栈层。基础设施公司需要回答的大问题包括。

坚持无状态的工作负载。无论你在哪里租用Nvidia GPU 都是一样的。大多数人工智能工作负载是无状态的，即模型推理不需要附加数据库或存储（除了模型权重本身）。这意味着人工智能工作负载可能比传统的应用工作负载更容易在云端迁移。在这种情况下，云供应商如何创造粘性，防止客户跳到最便宜的选择？

在芯片稀缺性的终结中生存。云提供商和Nvidia 本身的定价一直受到最理想的 GPU 稀缺供应的支持。一个供应商告诉我们，A100 的上市价格自推出以来实际上已经上升，这对计算硬件来说是非常不寻常的。当这种供应限制最终通过增加生产和 / 或采用新的硬件平台而消除时，这将如何影响云供应商？

挑战者云能否突破重围？我们坚信，垂直云将以更专业的产品从三巨头手中夺取市场份额。到目前为止，在人工智能领域，挑战者已经通过适度的技术差异化和Nvidia 的支持，获得了有意义的牵引力 -- 现有的云供应商既是他们的最大客户，也是新兴的竞争对手。长期的问题是，这是否足以克服三大巨头的规模优势？

那么......价值将在哪里产生?

当然，我们还不知道。但根据我们对生成AI 的早期数据，结合我们对早期人工智能/ML 公司的经验，我们的直觉是这样的。

今天，在生成AI 中似乎没有任何系统性的护城河。作为一个一阶近似值，应用程序缺乏强大的产品差异化，因为它们使用类似的模型；模型面临不明确的长期差异化，因为它们是在类似的数据集和类似的架构上训练的；云供应商缺乏深刻的技术差异化，因为它们运行相同的 GPU；甚至硬件公司在相同的工厂生产他们的芯片。

当然，还有标准的护城河：规模护城河（"我有或可以比你筹集更多的资金！"），供应链护城河（"我有 GPU，你没有！"），生态系统护城河（"每个人都已经在使用我的软件！"），算法护城河（"我们比你更聪明！"），分销护城河（"我已经有一个销售团队和比你多的客户！"）和数据管道护城河（"我爬过的互联网比你多！"）。但这些护城河都不可能长期持久。而且，现在判断强大的、直接的网络效应是否在堆栈的任何一层中占据优势还为时尚早。

根据现有的数据，目前还不清楚在生成AI 领域是否会出现长期的、赢家通吃的动态。

这很奇怪。但对我们来说，这是个好消息。这个市场的潜在规模很难把握-- 介于所有软件和所有人类努力之间 -- 所以我们预计会有很多、很多的参与者，并在堆栈的各个层面进行健康竞争。我们也期望横向和纵向的公司都能成功，最好的方法是由终端市场和最终用户决定的。例如，如果终端产品的主要差异化是人工智能本身，那么垂直化（即把面向用户的应用程序与本土模型紧密结合）很可能会胜出。而如果人工智能是一个更大的、长尾的功能集的一部分，那么就更有可能发生横向化。当然，随着时间的推移，我们也应该看到更多传统的护城河的建立 -- 我们甚至可能看到新类型的护城河占据上风。

无论怎样，我们可以肯定的一点是，生成AI 改变了游戏。我们都在实时学习规则，有大量的价值将被释放出来，而科技景观将因此而显得非常、非常不同。而我们正为此而努力

这篇文章中的所有图片都是用Stable Diffusion 制作的。

***

这里所表达的观点是AH Capital Management, L.L.C. ("a16z") 个人的观点，而不是 a16z 或其附属机构的观点。这里包含的某些信息是从第三方来源获得的，包括从 a16z 管理的基金的投资组合公司。虽然取自被认为是可靠的来源，但 a16z 并没有独立核实这些信息，也不对信息的持久准确性或其对特定情况的适当性做出任何陈述。此外，这些内容可能包括第三方广告；a16z 没有审查这些广告，也不认可其中的任何广告内容。

这些内容仅用于提供信息，不应作为法律、商业、投资或税务建议来依赖。你应该就这些问题咨询你自己的顾问。对任何证券或数字资产的提及仅用于说明目的，并不构成投资建议或提供投资咨询服务的提议。此外，这些内容不针对也不打算供任何投资者或潜在投资者使用，在任何情况下，在作出投资于a16z 管理的任何基金的决定时，不得依赖这些内容。( 投资于 A16Z 基金的要约将仅由任何此类基金的私募备忘录、认购协议和其他相关文件作出，并应阅读其全部内容）。所提到、提及或描述的任何投资或投资组合公司并不代表 a16z 管理的所有投资，而且不能保证这些投资将是有利可图的，也不能保证未来进行的其他投资将有类似的特点或结果。由 Andreessen Horowitz 管理的基金所做的投资清单（不包括发行人未允许 a16z 公开披露的投资以及未公布的对公开交易的数字资产的投资）可在 https://a16z.com/investments/。

其中提供的图表仅用于提供信息，在做出任何投资决定时不应依赖这些图表。过去的业绩并不代表未来的结果。这些内容只代表截至所示日期的情况。这些材料中表达的任何预测、估计、预报、目标、前景和/ 或意见都可能在没有通知的情况下发生变化，并可能与其他人表达的意见不同或相反。其他重要信息请见 https://a16z.com/disclosures。