編者按：本文來自微信公眾號 適道(ID：survivalbiz，作者：適道，微新創想經授權發布。

本期內容摘要：

1.趨勢1：各行各業都將擁有自己的Copilot

2.趨勢2：生成式AI與生命科學

3.趨勢3：增強大模型在工作流中的可控性

4.趨勢4：生成式AI視頻率先用在企業服務領域

5.趨勢5：“用AI來寫AI”

6.趨勢6：把數字孿生用在醫學臨床試驗

7.趨勢7：做好應用，不要沉迷于做基礎大模型

8.趨勢8：鏈接提示詞和多步驟自動化

9.趨勢9：AI+硬件=更強大的機器人

10.中國的AI創業與投資，該往何處去？

不能“套殼”ChatGPT后，創業者不如真正去做好企業級的應用“殺手”，打造一條屬于自己領域的垂直壁壘？

8月1日，有消息稱根據蘋果AppStore官方通知，中國區應用商店所有應用不允許提供ChatGPT相關服務，有提供的應用需要下架整改，包括opencat在內的數十個AI應用被下架。

數十個AI應用在8月1日被蘋果應用商店下架

今年四月份，國家互聯網信息辦公室發布了《生成式人工智能服務管理辦法（征求意見稿）》的通知，并公開征求意見。這個文件涉及到生成式人工智能的相關規定和管理措施，可能與蘋果官方通知中國區應用商店禁止提供ChatGPT相關服務有關。

顯然，“套殼ChatGPT”這個創業和產品方向在中國已經行不通了。那么在AI領域，真正適合中國創業者的創業方向有哪些？我們先參考海外。

自ChatGPT和Midjourney等現象級產品掀起了生成式AI的熱潮，海外的AI領域頻頻誕生新獨角獸，例如做大模型的Anthropic、Cohere，做應用的Typeface、Synthesia，做開源社區的Hugging face。

The Generalist （適道注：一家海外知名的創投深度媒體）的創始人和首席編輯Mario Gabriele近期對話了九位頂尖的AI投資人，他們分享了9個AI領域的創業新趨勢，歡迎中國的AI創業者參考：

趨勢1：各行各業都將擁有自己的Copilot

Copilot——這個單詞翻譯過來是“副駕駛員”，顧名思義，也就是能輔助人類工作的AI。

例如GitHub Copilot就是幫助程序員編寫、測試和優化代碼的“副駕駛員”， 它可以根據注釋和你正在編輯的文件的上下文為你提供代碼建議，也就是說，《流浪地球2》里自動生成程序的世界已經近在咫尺了。

同理，法律行業的Copilot可以幫律師查詢過往的案件和實踐范例，幫助起草合同等其他法律文件，還能輔助律師們找出各種法律文件中的錯誤。在這個細分方向已經有不少創業公司，例如Even UP、Harvey、Lexion等。

建筑行業的Copilot可以幫助建筑師們設計、模擬和優化他們的建筑和結構，還可以生成交互式的可視化效果，并幫助評估項目的環境、社會和經濟影響。

“新的人工智能工具以前所未有的方式提高效率。它們幫助專業人士提高自己生產力水平，這帶來的經濟收益不亞于一場工業革命。對于使用這些工具的專業人士來說，他們會有更多的時間專注于工作中最具創造性、戰略性和新穎性的部分。在五年之內，每一種主要的職業都會有一個AI放大工具。” Greylock聯合創始人Reid Hoffman表示。

趨勢2：生成式AI與生命科學

生成式AI除了AIGC和大模型，還有什么領域值得看？Air Street Capital合伙人Nathan Benaich認為大模型最有影響力的應用方向應該是與生命科學等領域的結合。

“現在的科學方法深深植根于數據驅動的實驗中，這些解釋生物系統的數據，精度和規模不斷提高。我們利用人工智能去解析蛋白質、細胞和化學分子式，這種能力可以推動蛋白質結構預測和藥物分子設計的突破。人工智能驅動的生物技術公司將顛覆萬億美元的制藥行業，讓新藥研發速度更快，成本更低。”Nathan Benaich介紹到。

加拿大公司Valence Discovery就是這個領域的典型代表。它能用生成式人工智能驅動的設計方法創造全新藥物分子，這些藥物分子結構往往十分復雜，無法用傳統技術處理。Valence還與研究機構們合作，進行超大型的生成化學計劃，探索當前生成式人工智能藥物設計方法的邊界。今年五月，這家公司已經以4750萬美元的價格被AI制藥公司Recursion Pharma收購。

趨勢3：增強大模型在工作流中的可控性

目前，人類與大語言模型交互的界面基本是文本框，人們通過Prompt（提示詞）讓大語言模型做各種各樣的任務。提示詞工程和提示詞工程師也成為最新、最熱的技術和職業，各種思維鏈，思維樹等高等級的提示詞技巧層出不窮。

但是，提示詞并不是萬能的，一方面，它基本來自于大量試錯和靈光一閃的技巧，而不完全來自邏輯，畢竟誰也不知道大模型理解提示詞的“黑盒子”是什么。

另一方面，相同的提示詞不一定能帶來相似的結果。如果你想把大模型嵌入自己的工作流，肯定希望提示語帶來的結果更加可控。

對于第一個問題，一些公司為個人和企業用戶提供經過多次試錯和優化后得出的最佳提示詞模板，也有不少開源項目在這個方向耕耘。

對于大模型的可控性問題，Conviction創始人Sarah Guo分享了自己的觀點：“提升大模型的可控性，不能只從提示詞等人機交互手段入手，還得從大模型本身去改進。Ilya Sutskever（適道注：OpenAI的聯合創始人和首席科學家） 將“提示詞”視為人類與大模型交互的一個暫時的過渡手段，我非常同意。

未來，我們希望人工智能對人類意圖的理解越來越準確。但因為人類的意圖通常是變化的，所以人工智能不僅要理解“意圖”，更要理解人類的‘思維方式’。因此，大模型還會不斷進化，直到讓用戶覺得更‘可控’。”

趨勢4：生成式AI視頻率先用在企業服務領域

生成式AI是一種全新的技術，它也催生了新的軟件形態，但普適的商業問題對于AI領域創業者仍然適用：你能否基于生成式AI構建一個產品，解決某個問題的效果比傳統方式好10倍？隨著時間的推移，你能否構建出自己的護城河？

FirstMark的管理合伙人Matt Turck認為新晉的AI視頻獨角獸Synthesia是一個很好的例子。用戶只需在Synthesia的系統中設置幾行文本，進行幾個步驟的簡單操作，幾分鐘內，Synthesia就能生成特定個人形象的專業解說視頻，還能將視頻解說的文本自動翻譯成60種以上的語言。

Synthesia可以在多個企業級場景中使用，例如新員工的入職培訓。在這個場景里，以往企業需要花費數十萬美元請專業的團隊和真人出鏡來制作視頻，而現在則只需要簡單的設置就能花很少的錢在短時間內做同樣的任務。

此外，Synthesia擁有強大的技術團隊，它的視覺大模型是自己訓練的，不會遇到那些使用閉源大模型API的公司需要面對的平臺依賴性問題，因此擁有自己的核心競爭力。

趨勢5：“用AI來寫AI”

GitHub Copilot的發布，讓很多專業人士發現，人工智能模型已經能輔助專業的軟件工程師編寫代碼。

GitHub Copilot會在編程界面內對代碼編寫提出修改建議，甚至能根據自然語言描述自動生成可用的代碼。一些使用GitHub Copilot的軟件工程師表示，它每天都能幫助人們節省幾小時的工作時間。

Kleiner Perkins合伙人Leigh Marie Braswell認為：“GitHub Copilot證明人工智能已經有能力將編程和應用開發自動化變為現實。企業用戶們可以用人工智能幫助執行自動化代碼審查、代碼質量改進、shell命令自動完成，甚至前端和網站生成等高級任務。”

Braswel還進一步介紹了AI編程領域創業公司的發展路線：“一些公司基于Codex這樣的閉源大模型構建產品，并通過專有的數據形成數據飛輪構建差異化。

另一些公司則訓練自己的專有大模型，或對開源大模型進行微調。隨著這些公司逐漸成熟，我們將更清楚的看到這個領域大部分的價值將積累在哪個方向，是AI基礎設施提供商，還是AI垂直應用。”

趨勢6：把數字孿生用在醫學臨床試驗

談到AI與生物醫藥，人們最熟悉的產品可能是DeepMind的AlphaFold，它的論文也登上了頂刊。

AI在醫療領域的另一個高潛力應用是在臨床試驗中使用數字孿生技術，它雖然暫時關注度和融資額不高，但可能幫助數百萬患者找到更好的藥物和治療方法。

現在的臨床試驗效率低下、成本高昂，平均每種新藥需要花十年以上的時間和20億美元的投入才能開發完成并上市銷售。

臨床試驗最大的痛點之一是試驗志愿者的招募，一個臨床試驗需要招募成百上千名志愿者參與其實驗和對照組的研究，80%的臨床試驗由于志愿者招募問題而出現延誤。

Radical Ventures合伙人Rob Toews介紹了數字孿生在臨床試驗中的應用方式：“數字孿生應用于臨床試驗的基本概念很簡單：利用生成式人工智能模型為臨床試驗中的志愿者模擬安慰劑效果—每個參與試驗組的志愿者都會擁有自己的數字孿生，模擬如果他們被分到對照組，其表現會是怎樣的。

這意味著制藥公司需要招募的試驗志愿者大大減少，因為大部分對照組的志愿者可以由數字孿生替代。這使臨床試驗變得更快、更便宜，藥物和治療方案可以更快地上市。”

趨勢7：做好應用，不要沉迷于做基礎大模型

隨著生成式AI越來越普及，越來越多的人體驗到相關產品，我們對它的能力和特點有了更好的理解：那些有大量訓練數據，對結果的精確度要求不是非常高，以及能夠隨著人類反饋逐漸做的更好的問題，是它擅長解決的。

AI已經逐漸跨越鴻溝進入主流，它將越來越多地被我們在工作中使用。AI Agent和AI增強的SaaS是兩類最適合被企業使用的工具，也是非常好的創業方向。

AI Agent適合輔助律師、工程師、會計師、醫生這些專業人士完成重復性高的知識類工作。AI增強的SaaS則利用AI的能力完成一些以前不能自動完成的工作，例如語言轉錄，會議內容總結，以及其他有價值的能力。

Index Ventures合伙人Cat Wu對哪一類創始人能在這個領域脫穎而出有自己的觀點：“將AI能力嵌入現有的工作流，這個方向適合那些懂用戶、懂行業，并且能夠借助用戶反饋的數據把模型微調得更好的創始人。

一方面，他們要讓用戶不懂AI模型也能用好AI能力，另一方面，他們可以將用戶的數據高效利用，形成數據飛輪，構建護城河。”

同時，Cat Wu也對創業者們提出了忠告：“這些創業者應該專注在自己的核心能力上，而不是沉迷于訓練基礎大模型。基礎大模型可以用那些具備強大能力的開源模型，例如，文生圖模型Stable Diffusion，音頻轉錄模型Whisper，以及Meta的大語言模型Llama 2。然后再在這些模型上微調就好。

他們應該著力解決人類與AI模型的交互問題，以及盡量降低人們使用AI的門檻，并充分利用好人們在使用AI模型時產生的數據，不斷迭代和提升AI和產品的能力。”

趨勢8：鏈接提示詞和多步驟自動化

用提示詞讓大語言模型按照人類的意圖做任務，已經是人們熟悉的體驗。但是目前人們在使用大語言模型能力時，讓它完成的工作大多是單步驟的簡單任務，例如圖像生成、文本完善等。

如果我們能構建鏈接提示詞的基礎設施，使大語言模型完成多步驟的復雜任務，將解鎖更大的價值。

這對于ToC和ToB的使用場景都有影響，尤其是對于ToB，大語言模型結合專有的數據管道完成多步驟復雜任務，將讓它適應更多的行業和場景。

“將提示詞和不同類型的模型鏈接在一起使用，將比單純使用閉源大模型的API更有價值。例如新型搜索引擎WebGPT，它將GPT大模型能力嵌入到瀏覽器中，讓GPT聯網查詢和總結海量信息，完成多步驟的復雜任務。

總的來說，將多個提示詞鏈接在一起完成復雜任務，可能誕生新類型的軟件產品。將AI和人類的創造力整合起來，可能催生一些解決問題的新范式和新方法。”Compound管理合伙人Michael Dempsey總結了AI驅動的多步驟自動化具有哪些先進特性。

趨勢9：AI+硬件=更強大的機器人

最新的AI大模型有眾多突破性進展，這些突破使不少業務被重構。但是，它們暫時還沒有把影響力大規模延伸到現實世界。餐館、建筑工地和工廠等辦公室之外的工作場所面臨著非常嚴重的勞動力短缺。

在美國，焊工的平均年齡是55歲，技術嫻熟的人類焊工每年數量減少7%，對焊工的需求卻增加了4%。到2024年，美國將有40萬個人類焊工的缺口。

Basis Set Ventures的創始人Lan Xuezhao介紹了自己的被投企業Path Robotics，它也是專注于機器人賦能制造業的頭部企業：“Path為企業客戶提供各種金屬應用的自動焊接服務，從電線桿到液壓燃料罐到消聲器。接入Path的軟件后，客戶現有的機器人可以直接通過視覺學習如何焊接，而無需為了新任務重新進行復雜編程。客戶也可以通過這種方法逐漸提高機器人性能。在未來，Path的核心技術可以應用于許多其他的制造業任務，擴展其業務邊界。”

中國的AI創業與投資，該往何處去？

在這波生成式AI的發展熱潮中，海外創業者們在基礎大模型領域已經“過峰”，他們已經擁有GPT-3.5/GPT-4等閉源大模型，Llama 2等開源大模型，Cohere等公司還推出了可定制，多云適應的商用大模型。

如今，海外創業者現在進攻的方向，一方面是做垂直應用，例如Synthesia、Even UP、Harvey；另一方面是做中間層和基礎層，例如解決AI模型訓練的數據源稀少問題，降低AI模型部署和微調的門檻，在這些方面有Replicate、Cleanlab、Unstructured等公司。

而在中國市場，“大模型”的PK似乎才剛剛開始。應用層面，此前很多創業者用海外大模型“套殼”做聊天機器人、圖片生成軟件等應用的道路已經在近期被堵住，新的方向亟需探索。

盡管在媒體和輿論中，中國風險投資人們對生成式AI的熱情很高，但反映在一級市場的投資筆數和投資金額上，中國與美國暫時還有明顯的差距。以2023年1-7月為例，根據Crunchbase的數據，美國的人工智能領域投資事件為919筆，根據企名片數據，中國則為439筆，中國的投資數量不到美國的一半。

國內投資人的“謹慎”或許在于：一來，海外大模型的商業價值還未在短期內產生；第二，AI領域的技術迭代極快，還未看到“群雄逐鹿”的終點；第三，從上游技術研發到下游垂直行業的應用成熟需要存在一個較長的周期，其中也包括了多場景的覆蓋、市場需求的挖掘，需要相關領域的投資者有長遠的眼光和耐心。

但隨著大模型狂熱正在逐漸回歸現實，國內大模型創投市場或許可以從本期對話中的九個趨勢獲得啟發——與其PK無法落地商用的大模型，不如先從做好企業級的應用“殺手”開始，打造一條屬于自己領域的垂直壁壘？

本文為專欄作者授權微新創想發表，版權歸原作者所有。文章系作者個人觀點，不代表微新創想立場，轉載請聯系原作者。如有任何疑問，請聯系http://www.i0562.net/。