紅杉資本談AI演變階段
- 最大的核心問題是
- 不知道要幹嘛
- 應用很快, 速度很快, 一下就變換一下就淘汰
- 紅杉資本談演化的階段與預測review, 台灣主要討論硬體, 從創投的觀點看AI, 反而相對新鮮. 優點在於歸納總結了現象, 缺點是還是無法預測AI的終點在哪裡, 應用在哪裡?
- AI發展得比想像中更快
- 市場一直搞不清楚什麼東西發展得很快, 什麼東西發展得很慢. 無法預估, 預估也沒意義. 股票反應就是反映了. 想出兩種可能性, 就是發展得很快, 不然就是發展得很慢. 例如所有人說半導體市場復甦, 會是在2H23, 結果到現在九月底都還沒有復甦.
- 大家覺得救星會到, 救星一定會遲到, 原因是如果真的有錢賺, 大家就會無限提早賺, 搞到最後就是提前到當下, 現在不賺, 預測也沒辦法, 如果預測的準, 那為什麼現在還會景氣差.
- 大家覺得災難(AI取代人類)不會來, 災難一定提早來, 只要有錢賺, 大家就會提早讓他實現. 所以當下就有蛛絲馬跡, 例如ChatGPT的盛行.
- 瓶頸在供應端在GPU
- 知道美國人習慣投資網路或是軟體, 台灣供應鏈擅長的是硬體. 但我錯估的是, 不知道美國供應鏈甚至創投, 跟我們的硬體認知會是如此分岐.
- 這個分岐會持續下去, 還是會漸漸彌合呢? 我猜持續下去.
- 有沒有套利空間呢? 下一個套利空間, 是不是oversupply, 或是意外斷供呢?
- 關於缺貨或是overbooking或是砍單(per艦長)
- 是否掌握最終需求在哪裡, 最終消費者在哪裡
- 市況已經成熟, 大家知道要多少量了嗎
- 徵兆
- 忽然不缺貨, 或被要求塞貨
- 台積砍單(但要是台積砍單), 謠言是否無處驗證?
- 新應用上線後, 用戶數狀況.
- 目前狀況
- 模型提供者尚未獨立出來成為一家公司
- 發現通常是應用端的公司, 自己養科學家弄AI, 自己養機器人, 而不是從外面請機器人來幫忙. 也就是說, 模型提供者獨立一家軟體公司或是平台, 目前還相對少見.
- 小公司可能需要外購AI的原因
- 便宜
- 買不起GPU, 不想花硬體錢, 跟之前租用雲端server的原因差不多, 但是還是要花錢養一批工程師團隊隨時幫忙修改.
- 不是科技業, 不想花錢養工程師.
- 小公司可能自己研發AI的原因
- 便宜
- 需求很難定義, 很難有功能量身訂做
- 商業機密不想要外流
- 花錢養一批工程師團隊隨時幫忙修改, 乾脆自己研發.
- 大公司可能需要外購AI的原因
- 便宜
- 內部鬥爭, 對目標不一致, 不想花硬體錢, 跟之前租用雲端server的原因差不多
- 不是科技業
- 大公司可能自己研發AI的原因
- 便宜, 規模經濟
- 需求很難定義, 很難有功能量身訂做
- 商業機密不想要外流
- 競爭環境殘酷且速度很快, 生長的速度快, 對手們投資速度也很快, 新功能發表也快. 戰國時代.
- 護城河不在於, 比其他人多出什麼數據
- 這一段看原文, 覺得還是有點看不懂.
- 大意是, 比別人擁有更多的數據, 並不會更有優勢. 只要有新的模型, 或是新科技就可以顛覆.
- 反而用戶網路(user network)跟工作流(workflow)才是更持久的競爭優勢.
- 另外一篇文章討論的是, 數據其實最後也可以買賣.
- 自給自足, 自己生產食材(數據), 自己機器人煮(AI料理)
- 自己的食材跟找代客料理的機器人.
- 外面買數據食材, 回來請自家機器人煮.
- 團購交換數據食材, 或是去數據potluck每個人貢獻一點, 請一位機器人大廚煮好再分給大家.
- 版權問題與監管問題, 最終我猜應該還是抵不過科技的浪潮