红杉美国：GenAI是一场10倍速的生产力革命

编译/Lavida

编辑/Siqi

作者/拾象

2022年9月，红杉美国发布的GenerativeAI：ACreativeNewWorld研究引发了第一波关于GenerativeAI的讨论，而紧接着ChatGPT、GPT-4的问世加速了GenAI领域的发展。在红杉美国的AIAscent大会上，几位合伙人就对过去这一年半中GenAI的发展进行了相当系统的回顾，GenAI领域的进步远比人们预想当中要更迅猛。

和过去几轮AI不一样的是，GenAI在过去一年中已经创造出了惊人的成绩：GenAI在出现后一年间创造的总收入约为30亿美元，这还不包括科技巨头和云厂商间接通过AI产生的收入，而SaaS行业花了近10年才达到这个水平。具体落地上，在客服、法律、写作等行业或场景中，GenAI已经在实打实地创造出收益。

虽然应用层的爆发并没有一年前市场预测的那样乐观，但红杉美国的几位合伙人也指出，随着更加智能的foundationmodel出现，例如Sora、Claude-3等近期陆续推出的新模型，接下来AI产品的PMF周期一定会加速。并且，新技术从出现到成熟需要一个过程，革命性应用的出现同样需要时间，移动互联网时代，Instagram和Doordash这样具有时代代表性的应用都是在iPhone和AppStore推出几年后才出现的。

以下为本文目录，建议结合要点进行针对性阅读。

01WhyNow：从云计算到AI

02当下：AIisEverywhere

03未来：EverythingisGenerated

过去一年中市场已经经历了一个完整的AIHypeCycle：有泡沫期的过度炒作，也有低谷期的失望和质疑，而现在市场正在重新爬升到生产力平稳期（PlateauofProductivity）。人们逐渐意识到，LLM和AI真正产生作用是通过创造、推理和交互三个环节实现的，这些能力也被融合到了各个领域的应用中为我们所用。

AI具备的三项能力：创造、推理和交互

01

WhyNow：从云计算到AI

红杉合伙人PatGrady通过回顾过去20年来云行业的发展回答了“为什么AI技术为什么在近期爆发”。

Pat认为，云计算是技术领域的一次重大转变，它颠覆了过去的技术格局，并因此带来了新的商业模式、应用程序以及人机交互方式。在云行业还处于早期的2010年，全球软件的总市值约为3500亿美元，其中云软件只占了大概60亿。但到了去年，软件市场的总规模已经从3500亿美元增长到6500亿美元，而云软件的收入达到了4000亿美元。这意味着在15年间，云软件的CAGR保持在了40%，实现了惊人的增长。

而云之于AI是一个很好的类比。云能取代传统软件就是因为具备了与人类更相似的交互能力；同样，现在的AI技术在创造力、逻辑推理和人机交互等方面又达到了新的高度。未来，AI的一大机遇将是软件替代服务。如果能够实现这一变革，AI的市场潜力将不是数千亿美元，而是数十万亿美元级别。可以说，我们正站在有史以来最伟大、最有无限价值创造潜力的时间点上。

1960s后的历次技术变迁以及代表公司

至于为什么认为当下是参与AI的重要时点，PatGrady提到，红杉从创立以来见证了历史上的数次技术变迁、也受益于此，在这个过程中，团队也对于不同技术浪潮之间如何互相影响、推动世界向前发展有着清晰的认知：

•1960s：红杉创始人DonValentine在仙童半导体负责市场营销，“硅谷”这一名字的由来也和仙童半导体的硅基晶体管直接相关；

•1970s：在芯片基础上，人们构建出了计算机系统；

•1980s：网络技术把PC连接到一起，与此同时软件产业诞生；

•1990s：互联网诞生，人们的通信和消费方式因此被改变；

•2000s：互联网已经逐步成熟，开始能够支持复杂的应用程序，云计算出现；

•2010s：因为移动设备的普及，移动互联网时代到来，再次改变了我们的工作方式。

每一次技术浪潮都是在前一次的基础上叠加和演进的。AI的概念虽然早在20世纪40年代就已出现，但直到最近几年AI才从想法和梦想变为现实，开始商业化，并在人们日常生活中解决实际问题，实现这个突破的前提包括：

•低价且充足的算力；

•快速且高效可靠的网络；

•智能手机在全球的普及；

•由Covid加速的在线化趋势；

•上述这些过程中都为AI带来了大量数据。

PatGrady认为，AI将会成为未来10-20年的主题，红杉对此有强烈的信念，尽管这个假设还有待证实。

从Cloud和Mobile到AI时代的代表性公司

关于AI未来的行业格局，PatGrady先总结了Cloud和Mobile时代出现的收入超过10亿美元的公司（如上图左侧），虽然AI代表的最右侧现在几乎还是空白，但也象征在当前市场中巨大的的潜在价值和机会。PatGrady预测，在未来的10-15年，右边的空白就会被40-50个新的公司logo填满，正是让他们感到兴奋的机会所在。

02

当下：AIisEverywhere

AI应用的各个领域

KlarnaCEOSebastianSiemiatkowskiX推文

在客服领域，Klarna的CEOSebastain曾经公开表示，现在Klarna已经在用OpenAI来处理2/3的客服查询，AI替代了相当于700名全职客服的工作。目前全球有数千万的callcenteragent，结合这一背景下，Sonya认为AI已经在客服市场找到了PMF。

法律服务在一年前被认为是最不愿拥抱科技、最不愿意承担风险的行业，现在已经出现了像Harvey这样的公司，可以把律师从日常paperword到高级分析的很多工作自动化。

Sequoia的PatGrady用HeyGen生成的Avatar

在Zoom会议中的影像呈现

GenAI的十倍速增长

AI和SaaS收入增速对比

根据估算，GenAI在出现后一年间创造的总收入约为30亿美元，这还不包括科技巨头和云服务厂商通过AI产生的收入。作为对比，SaaS花了近10年才达到这个水平。也正是因为这样的速度和规模让大家更确信GenAI会持续存在。

主要GenAI产品的实际用户规模

从上图也可以看出，客户对AI需求不仅限于一两个应用，而是方方面面的。很多人都知道ChatGPT有多少用户，但当在观察许多AI应用的收入和使用数据时，会发现现在不管是toB还是toC，初创公司还是已有的科技公司，很多AI产品都在各个行业找到了合适的PMF，应用场景已经非常多样化。

foundationmodel和应用层的融资占比

从投资分布上来看，资金分配不均衡是一个显著问题。如果把GenAI比作一个蛋糕，蛋糕底层是foundationmodel，中间是开发者工具和infra，顶层是应用。一年前，人们的预期是：因为foundationmodel层的进步，所以应用层会涌现出大量新公司。但实际情况却相反。越来越多的foundationmodel公司出现并融到了大量资金，而应用层似乎才刚刚起步。

AI's$200BillionQuestion

红杉美国合伙人David在去年发表了一篇AI's$200BillionQuestion的讨论。如果我们看目前投入到GPU上的投资，去年只是在Nvidia的芯片上就花了大概500亿美元，但目前可以确认的AI行业收入只有30亿美元。这些数据表明，AI产业目前还处于很早期的阶段，投入产出比很低，还有很多现实问题需要解决。

AI产品和移动应用的MAU、DAU和次月留存率

尽管AI产品的用户数量和收入看起来很可观，但它在DAU、MAU和次月留存率方面还远低于移动应用。很多用户都在用户调研中提到AI应用的预期与体验之间存在差距。还有一些产品demo看起来很炫酷，实际用起来却不怎么样，这也导致用户没有能更长期使用下去。

基础模型能力提升

这些虽然是客观存在的问题，但更是机遇。去年企业对GPU的大量投资带来了更加智能的foundationmodel，最近出现的Sora、Claude-3和Grok等都显示出AI的基准智能水平正在提高，因此未来AI产品的PMF将加速提升。

iPhone和AppStore的发展演变

新技术从出现到成熟需要一个过程，开创性应用的出现同样需要时间。以iPhone为例，AppStore初期的许多应用都很原始，只是展示新技术，并没有真正解决问题或创造价值。像手电筒或者类似beerdrinking这种小游戏，后来都变成了系统内置应用或者可有可无的小工具。而Instagram和Doordash这样真正具有影响力的应用都是在iPhone和AppStore推出几年后才出现的。

AI技术正在经历类似的发展过程。现在市场上的许多AI应用都还处于demo或早期探索阶段，就像AppStore的早期应用一样，但也许下一代的传奇公司已经出现。

AI的应用场景已经非常广泛，其中AI客户支持、AIFriship（AI虚拟陪伴）和企业知识是非常典型的三个领域。客服是第一批在企业中真正实现产品PMF的AI应用场景之一。Klarna不是一个例外，而是一个普遍趋势。AIfriship是AI最令人惊喜的应用场景之一，它的用户数量和使用指标表明，用户对此有着强烈的喜爱。此外，跨部门、跨职能的企业内部知识共享（Horizontalenterpriseknowledge）应用也有很大的潜力。

03

未来：EverythingisGenerated

2024年关于AI的4大预测

基于以上的分析，红杉的几位合伙人也对2024年的AI发展做出了预测。

•预测一：Copilot将逐渐向AIAgent转变。

2024年，AI将从辅助人类的Copilot转变为真正能替代一些人类工作的Agent。AI将更像是一个同事，而不仅仅是一个工具，这点在软件工程、客服等行业已经初步显现。

•预测二：模型将具备更强的规划和推理能力。

很多人批评LLM只是重复以往数据中的统计模式，而非真正地进行深入的思考和逻辑推理，这种状况将会通过新的研究方向得到改善。一些研究正在尝试让模型更好地进行推理环节计算和游戏式价值迭代（gameplay-stylevalueiteration），这些方法可以让模型在做出决策前有一定的“思考时间”，这些尝试预计将在明年让AI更有能力执行更高级别的认知任务，例如规划和推理。

游戏式价值迭代（gameplay-stylevalueiteration）是从强化学习领域借鉴来的一个概念，指模型能够评估不同行动的长期价值，并根据这些价值来计划未来的行动，类似于下棋或玩游戏时的策略思考。

•预测三：LLM准确度将更高，从主要用于从To-C娱乐应用逐渐扩展到企业级应用。

在To-C应用场景中，用户对于AI出现错误这件事并不会特别在意，因为人们主要用AI来进行娱乐，但当AI用于企业应用，尤其是在医疗、国防等高风险领域时，准确性和可靠性就变得至关重要。研究者正在开发RLHF、PromptTraining和向量数据库等各种工具和技术，来帮助LLM实现“五个九”（99.999%的正常运行时间）的高准确度和可靠性。

•预测四：大量AIPrototype和实验项目将投入使用。

2024年预计将有许多AI原型和实验项目进入市场。和实验阶段不同，产品真正开始被用户使用时，就需要考虑延迟时间、成本、模型所有权以及数据所有权的管理等一系列因素，这也意味着计算的重心预计将从预训练转向推理过程。因此2024年是极为关键的一年，人们对这些产品有很高期待，必须确保这个转变过程正确无误。

AI的长期影响

•判断1：AI是一次规模宏大的成本驱动型生产力革命。

技术革命有很多种类型，包括电话带来的通信革命、火车带来的交通革命以及农业机械化带来的生产力革命。AI带来的显然是一场生产力革命。

历史上的生产力革命都有相似的模式：起初是人使用工具，然后发展到人配合机器，最终转变为人类与协同化、网络化的工具协作。这表明AI的发展将经历从单点逐渐进化到高度集成网络的过程，这将极大改变我们的工作和生产方式。

历史上从镰刀到联合收割机的变化

在农耕领域，人类使用镰刀这一工具至今已经超过1万年，再到1831年发明的机械收割机，如今我们已经拥有由数以万计的机器系统组成的复杂网络联合收割机，系统中的单个机器就是Agent。

在知识工作和写作领域也有类似的模式。知识工作最初的工具只有纸笔，发展到后来的编程，再到现在计算机和IDE已经可以大规模辅助软件开发。软件开发将不再是孤立的过程，而是一系列的机器网络协同构建复杂的工程系统，由多个Agent共同完成代码生成。

写作曾经也是纯人工的，后来人与机器助手协作，现在已经可以利用很多个工具协同。比如大家现在使用的AI助手不仅仅是GPT-4，还有Mistral-Large和Claude-3等工具，并且借助他们互相验证，获得更好的答案。

AI带来各行业成本普遍下降

生产力革命对社会的影响是普遍和深远的。从经济学角度来说，这意味着成本能显著降低。上图显示SP500公司每100万收入所需的员工数量正在迅速下降，这种变化意味着我们将能以更快的速度和更少的人力来完成工作。但这并不意味着我们要做的事情变少了，而是在同样的时间能做更多的事。

历史上各领域的技术进步都会带来通缩。以计算机软件为例，由于持续的技术创新，软件的价格在不断下降。但在对社会最重要的领域，比如教育、医疗保健、住房等，价格上涨速度却远远超过通胀，而AI恰好有助于降低这些领域的成本。

因此，关于AI长期影响的第一个关键判断是：AI将是一次巨大的成本驱动型生产力革命，帮助我们在社会的关键领域以更少的资源做更多的事。

•判断2：万物皆可生成

第二个判断主要是讨论AI到底能做什么。

这个过程正是人类思维的核心特征。就像我们学习字母“a”时并不是记忆像素矩阵，而是掌握了一个抽象概念。这种思维方式可以追溯到2500年前柏拉图的理念论，柏拉图认为，万物背后都有一个永恒不变的理念世界，现实世界中的事物都是理念世界完美形式的映射，这与当前AI的学习过程有相通之处。

而这件事对于企业的影响是很大的。目前企业已经开始将AI集成到特定的流程和KPI制定中，例如前面提到的Klarna借助AI提高了客户支持相关的绩效，通过建立AI检索信息体系打造优质的客户体验。这种变革也伴随着新用户界面的出现，这些用户界面可能与以往我们所用的支持沟通方式截然不同。

这个趋势相当重要，因为这意味着企业最终可能会像神经网络那样运作，各个部分之间相互连接和协同工作，以自我优化的方式互相学习和适应并不断提高效率。

再考虑企业获客的情况。通过语言生成、增长引擎以及广告定制和优化等AI技术，可以帮助企业更好地满足每位客户的需求。这些技术之间的相互作用，可以推动企业像神经网络一样自我学习和适应。个体将能够完成更多工作，这也会催生更多一人公司出现。