paint-brush
The AI Disruptobloat: כיצד ייצור יתר מדלל ערך אך מאיץ חדשנותעל ידי@kamilaselig
642 קריאות
642 קריאות

The AI Disruptobloat: כיצד ייצור יתר מדלל ערך אך מאיץ חדשנות

על ידי Kamila Selig6m2024/09/14
Read on Terminal Reader

יותר מדי זמן; לקרוא

בינה מלאכותית נמצאת בתנופה שבה מוצרים בעלי ערך נמוך מציפים את השוק, אבל הכל טוב ויפה במרדף אחר מקרי השימוש החשובים: הורדת העלות של שירותים מבוקשים בעבר, אך במחיר גבוה - משפטים, פיננסים, בריאות, מורכבות לדמוקרטיזציה מיומנויות, היפר-פרסונליזציה.
featured image - The AI Disruptobloat: כיצד ייצור יתר מדלל ערך אך מאיץ חדשנות
Kamila Selig HackerNoon profile picture
0-item
1-item

הייפ מול חומר

אני ממציא את המילה 'disruptobloat' כדי לתאר עונה ייחודית שעוברת כל טכנולוגיה מרכזית:

  • קרנות הון סיכון גבוהות עבור 50 גרסאות של אותו מקרה שימוש.
  • שורת הלינקדאין של כולם מציינת שהם היו מומחים בני עשור ב[איזושהי טכנולוגיה חדשה] (אני אומר את זה בלי בושה, מכיוון שהלינקדאין שלי כולל גם קריפטו וגם AI)
  • הכותרות עוברות אט אט מ"כל החברות בונות ב[טק]" ל"האם לצרכנים נמאס מ[טק]?" אל קת הבדיחה חסרת הרחמים ו"מה השתבש".

Disruptobloat היא תופעה של ייצור יתר: [כמה מוצרים מונעי טכנולוגיה חדשים] מציפים את השוק, ומדללים את תפיסת הערך בטווח הקצר.


צילום מסך של פוסט X: "לא יכול לחכות עד שה-AI הגנרטיבי יהפוך ללעג ולהתעלם כמו NFTs"

זה מרוץ לעבר אותו הדבר: גילוי מקרה שימוש דביק שמעצב התנהגויות חדשות של לקוחות וצובר ערך. זה לא באג; זה שלב הכרחי באבולוציה, וטוב שכך! ככל שהשיבוש גדול יותר, כך אנו מגיעים מהר יותר לפריצות דרך, מכיוון שאנו חוזרים על רעיונות מהר יותר.


Azeem Azhar מ- Exponential View מפרק את זה כך:

רמה 1: עשה את מה שאנחנו עושים בזול יותר: (...) הפוך משימות שגרתיות לאוטומטיות.

רמה 2: עשה מה שאנחנו עושים, פשוט עשה את זה טוב יותר: (...) הזדמנויות לשיפורים איכותיים. בנק השקעות גדול, למשל, השתמש לאחרונה בבינה מלאכותית כדי להפוך חלק גדול מכיסוי בדיקות היחידה שלו לאוטומטיות. זה הפחית את העלויות ואפשר בדיקות מקיפות יותר, שיפור איכות התוכנה הכוללת.

רמה 3: עשה דברים חדשים לגמרי. זה המקום שבו הפוטנציאל האמיתי של בינה מלאכותית מתחיל להראות (...) אבל הנה הבעיה: רוב העסקים תקועים ברמה 1 או רמה 2. הם משתמשים בבינה מלאכותית כדי לגלח עלויות או לשפר תהליכים בהדרגה, ומפספסים את ההזדמנות לחשוב מחדש אסטרטגית על מה העסק שלהם יכול להיראות כמו (...)


העניין הוא שכולם מנסים "לחשוב מחדש אסטרטגית איך העסק שלהם יכול להיראות", אבל זה קשה. כולנו מותנים לחשוב דרך האילוצים המרומזים של חיי היום-יום שלנו, וחשיבה מחודשת מתרחשת רק כאשר אנו מתעלמים מהאילוצים הללו. עבור עסקים קיימים, הם גם האילוצים של המערכות האקולוגיות המאובנות של לקוחות, שותפים, הכנסות ורווח.


הסחורה של מודלים של AI

יש אמירה שמקורה בתקופת הבהלה לזהב: "כשאנשים חופרים זהב, מוכרים אתים", משמשת לעתים קרובות לתיאור אסטרטגיה עסקית: במקום להשתתף ישירות בשוק תחרותי וספקולטיבי, ספק את הכלים והשירותים החיוניים לשוק זה. הבעיה עם אתים, עם זאת, היא שהם ניתנים לשינוי, ו מסתבר שגם דגמי בינה מלאכותית .


בואו נניח שאף ספק לא משחרר מודל בסדרי גודל טוב מהמתחרים למשך זמן מספיק ארוך כדי שיהיה לו חשיבות אסטרטגית__ 2 __. איפה הערך צובר, אם כך? במילים אחרות, אילו סוגי מוצרים יוכלו לבנות חפיר?

שכבת האפליקציה__ 3 __ - המשטחים, האפליקציות, האתרים שדרכם המשתמשים יתקשרו הם:


  1. רוב הסיכויים לעצב התנהגויות חדשות, ללמד משתמשים לעשות דברים חדשים לגמרי, אז
  2. צפוי לצבור הרבה יותר ערך לאורך זמן על ידי בניית שווקים חדשים


לא מפתיע, אם כן, ששווה להתחרות במאות (אם לא אלפי) סטארטאפים על אותם מקרי שימוש. 75% מהאצווה האחרונה של YC היו סטארט-אפים בינה מלאכותית - וזו רק קרן סיכון אחת!


הציטוט הזה מ a16z ) נותן תמונת מצב לאן הולך המאמץ; התקדמות מהפרי התלוי הנמוך ביותר לעשיית דברים חדשים :

  1. כלי AI הפועלים על גבי תוכנה קיימת (חשבו: הערות פגישות אוטומטיות לפגישות זום)
  2. כלי בינה מלאכותית הפועלים על גבי תוכנה קיימת שיש להם אפשרות לעקור את התוכנה הקיימת הזו (חשבו: הערות פגישה ל-Zoom Meetings... היכן שהחברה האמורה בונה שיחות ועידה בווידאו ומציעה לך לבטל את זום)
  3. כלי בינה מלאכותית שהופכים לעבודה - קטגוריה חדשה נטו, שלא נגעה לחלוטין בתוכנה עד לנקודה זו (חשבו: התוכנה מנהלת את הפגישה עבורכם!)



לפיכך, שיבוש התנפחות.


הפירוק של GPTs

המירוץ הזה בין חברות קיימות לבין סטארט-אפים 0→1 הוא אתגר גילוי מוצר טהור. בתיאוריה, לספקי מודלים אמור להיות יתרון, תוצאה של איסוף נתוני שימוש של שנתיים. מחפש תובנה משוק החזרות GPT של OpenAI נתונים די משעממים ; אני בטוח שהשיחות בפועל יותר מאירות, אבל כנראה לא טרק. GPTs מראים שאנשים משתמשים ב-LLM עבור דברים שהם יודעים שהם יכולים להשתמש עבורם . פריצת הדרך מגיעה כאשר מוצר, וצוות מאחוריו, מבינים איך ללמד אנשים לעשות דברים חדשים לגמרי.


זה מזכיר את פירוק קרייגסליסט - בדיוק כפי שהלוחות השונים שלה פוצלו לשירותים מיוחדים, רבים מהם מגיעים למעמד של חד קרן בשלב מסוים, נראה את אותו הדבר קורה - והרבה יותר מהר - ל-GPTs, כאשר כל מוצר מנסה לפתור בעיה ספציפית יותר מאשר בעיה אחת חלון צ'אט בגודל המתאים לכולם.


אסטרטגיית אינטגרטור אנכי

בשבוע שעבר פורסם Not Boring מאת Packy McCormick אינטגרטורים אנכיים (מה שהביא הרבה חשיבה מאחורי הפוסט הזה). בהקשר לשיבוש של AI וההתחסנות של מודלים, אסטרטגיית האינטגרטור האנכי הופכת לרלוונטית במיוחד: זו דרך לבנות חפיר, ושם לבעלי התפקידים יש יתרון. מאת פאקי:


אינטגרטורים אנכיים הם חברות ש:

  1. שלב מספר טכנולוגיות מתקדמות אך מוכחות.
  2. פיתחו יכולות פנימיות משמעותיות על פני הערימה שלהם.
  3. צור מודולריזציה של רכיבים מודולריים תוך שליטה באינטגרציה הכוללת של המערכת.
  4. להתחרות ישירות מול בעלי תפקידים.
  5. הציעו מוצרים טובים יותר, מהירים יותר או זולים יותר (לרוב שלושתם).


NVIDIA היא דוגמה לאסטרטגיה זו על סטרואידים, בונה מערכות אקולוגיות סביב טכנולוגיות הליבה כדי לשלוט בכל ערימת הטכנולוגיה, במיוחד כאשר מודלים בסיסיים הופכים למוצרים:

  • חומרה (GPUs, A100, H100, DGX, Jetson)
  • תוכנה (CUDA, TensorRT)
  • פלטפורמות: NVIDIA Omniverse לסימולציות תלת מימד, NVIDIA Clara לשירותי בריאות
  • מעבדת רובוטיקה וסימולטור רובוטים של Issac Sim
  • NVIDIA DRIVE לרכבים אוטונומיים, גם חומרה וגם תוכנה (DRIVE AGX, DRIVE OS).


לא כל בעלי התפקידים יתחרו או יתחרו בכל שכבה כעת, אבל הנקודה היא שיש להם את היכולת לעשות זאת, בין אם בבנייה ובין אם ברכישות. כְּמוֹ a16z מסביר, תוך שימוש ב-Stripe ו-Square כדוגמה לשירותי פינטק סמוכים:


"זה הפגם בלסתכל על סקוור וסטרייפ ולכנות אותם שחקני סחורות. יש להם את ההפצה. יש להם כישרון הנדסי. הם יכולים לבנות TiVo משלהם . זה לא אומר שהם יעשו זאת, אבל ההצלחה שלהם תלויה במוצר וביכולת ההנדסית שלהם, לא בעסקה בלתי סבירה עם אוליגופול או שירות. ”

מתנת הפרידה

אחת המטרות המוקדמות שהיו לי עבור הפוסט הזה הייתה לאתר את מקרי השימוש הרוצחים, שבדיעבד, זה עניין גבוה לכמה שעות של מחקר. ובכל זאת, כשההייפ מאט, יש כמה פינות של disruptobloat שאני שם לב אליהן:


  • הפחתת העלות של שירותים מבוקשים בעבר, אך במחיר גבוה - משפטיים, פיננסים, שירותי בריאות - שבהם עלות נמוכה יכולה ליצור ביקוש מסיבי. מִן a16z (שוב): "LVMH ככל הנראה מוציא עשרות מיליוני דולרים בשנה במלחמה בסחורות מזויפות, בשליחת מכתבי הפסקה וביטול, בשיתוף פעולה עם רשויות אכיפת החוק וכו'. כמה סוחרי Shopify קטנים עשויים לרצות את אותו שירות בדיוק? כולם! כמה יכולים להוציא 50 מיליון דולר בשנה? אף אחד מהם. כמה עשויים להוציא $1,000 לשנה? אולי כולם?"
  • דמוקרטיזציה של מיומנויות מורכבות, כמו שעשינו עם קידוד. רוב הנרטיב סביב התכנות בסיוע LLM מתמקד בחיסכון בעלויות, אבל הקסם של זה הוא שהוא מאפשר לאנשים דברים חדשים לגמרי שהם לא יכלו לעשות קודם לכן. שמענו את זה כבר זמן מה, תחילה עם קידוד Bootcamps, ואז עם אפליקציות ללא קוד, אבל אלה הגיעו עם מגבלות. עכשיו אין כאלה.
  • היפר-פרסונליזציה בקנה מידה, על פני כל פעילות צרכנית
  • AI + רובוטיקה
  • טכניקת אקלים__ 4 __


מקרה השימוש הרוצח נמצא אי שם בחוץ, לא מעודן וטובע ברעש. האם - או מתי - ה השוק יהיה מוכן היא שאלה אחרת.

צילום מסך של הזמנה מקוונת למשלוח פיצה שהושקה על ידי PizzaHut ב-1994, שהקדימה את זמנה. ייקח לנו עוד 20 שנה עד שהמודל העסקי יחלחל ליום-יום שלנו.

נ.ב.: אני מפרסם ב- https://hypegeist.substack.com/ על טכנולוגיה מתהווה ואשמח לשלוח לך אותם ישירות.

PS2: תודה לך קלוד על סיעור המוחות ועזרת העריכה.