AI Disruptobloat: ການຜະລິດເກີນຂະໜາດເຮັດໃຫ້ຄຸນຄ່າແຕ່ເລັ່ງການປະດິດສ້າງ

Hype ທຽບກັບສານເສບຕິດ ຂ້ອຍກໍາລັງຂຽນຄໍາ 'disruptobloat' ເພື່ອອະທິບາຍລະດູການທີ່ແຕກຕ່າງກັນທີ່ເຕັກໂນໂລຢີທີ່ສໍາຄັນຜ່ານ: ກອງທຶນ VC ກໍາລັງແລ່ນສູງສໍາລັບ 50 ຮຸ່ນຂອງກໍລະນີການນໍາໃຊ້ດຽວກັນ. tagline ຂອງທຸກຄົນຊີ້ໃຫ້ເຫັນວ່າພວກເຂົາເປັນຜູ້ຊ່ຽວຊານໃນທົດສະວັດໃນ [ເທກໂນໂລຍີໃຫມ່ບາງຢ່າງ] (ຂ້ອຍເວົ້ານີ້ຢ່າງບໍ່ມີຄວາມອັບອາຍ, ຍ້ອນວ່າ LinkedIn ຂອງຂ້ອຍປະກອບມີທັງ crypto & AI) LinkedIn ຫົວຂໍ້ຂ່າວຊ້າໆຍ້າຍຈາກ "ບໍລິສັດທັງຫມົດກໍາລັງສ້າງ [ເທກໂນໂລຍີ]" ໄປ "ຜູ້ບໍລິໂພກເບື່ອກັບ [ເທກໂນໂລຍີ] ບໍ?" ຕໍ່ກັບເລື່ອງຕະຫລົກທີ່ບໍ່ມີຄວາມເມດຕາ ແລະ "ສິ່ງທີ່ຜິດພາດ". Disruptobloat ແມ່ນປະກົດການຂອງການຜະລິດຫຼາຍເກີນໄປ: [ເທກໂນໂລຍີໃຫມ່] ຜະລິດຕະພັນທີ່ຜັກດັນໃຫ້ຖ້ວມຕະຫຼາດ, ເຮັດໃຫ້ການຮັບຮູ້ຂອງມູນຄ່າໃນໄລຍະສັ້ນ. ມັນເປັນການແຂ່ງຂັນໄປສູ່ສິ່ງດຽວກັນ: ການຄົ້ນພົບກໍລະນີການນໍາໃຊ້ຫນຽວທີ່ສ້າງພຶດຕິກໍາຂອງລູກຄ້າໃຫມ່ແລະເພີ່ມມູນຄ່າ. ມັນບໍ່ແມ່ນແມງໄມ້; ມັນເປັນບາດກ້າວທີ່ຈໍາເປັນໃນວິວັດທະນາການ, ແລະເປັນສິ່ງທີ່ດີ! ການ disruptobloat ທີ່ໃຫຍ່ກວ່າ, ພວກເຮົາສາມາດກ້າວໄປສູ່ຄວາມກ້າວຫນ້າໄດ້ໄວຂຶ້ນ, ເພາະວ່າພວກເຮົາ iterate ຜ່ານແນວຄວາມຄິດໄວຂຶ້ນ. ຈາກ ແບ່ງມັນລົງດ້ວຍວິທີນີ້: Azeem Azhar Exponential View ລະດັບ 1: ເຮັດໃນສິ່ງທີ່ເຮົາເຮັດໄດ້ລາຄາຖືກກວ່າ: (…) ເຮັດໜ້າທີ່ປະຈຳເປັນອັດຕະໂນມັດ. ລະດັບ 2: ເຮັດໃນສິ່ງທີ່ພວກເຮົາເຮັດ, ພຽງແຕ່ເຮັດມັນດີກວ່າ: (…) ໂອກາດສໍາລັບການປັບປຸງຄຸນນະພາບ. ສໍາລັບຕົວຢ່າງ, ທະນາຄານການລົງທຶນທີ່ສໍາຄັນ, ບໍ່ດົນມານີ້ໄດ້ນໍາໃຊ້ AI ເພື່ອເຮັດໃຫ້ການຄຸ້ມຄອງການທົດສອບຫນ່ວຍບໍລິການຂອງຕົນຫຼາຍອັດຕະໂນມັດ. ນີ້ຫຼຸດລົງຄ່າໃຊ້ຈ່າຍແລະອະນຸຍາດໃຫ້ສໍາລັບການທົດສອບທີ່ສົມບູນແບບຫຼາຍ, ປັບປຸງຄຸນນະພາບຊອບແວໂດຍລວມ. ລະດັບ 3: ເຮັດສິ່ງໃໝ່ທັງໝົດ. ນີ້ແມ່ນບ່ອນທີ່ທ່າແຮງທີ່ແທ້ຈິງຂອງ AI ເລີ່ມຕົ້ນສະແດງໃຫ້ເຫັນ (…) ແຕ່ນີ້ແມ່ນສິ່ງເສດເຫຼືອ: ທຸລະກິດສ່ວນໃຫຍ່ຕິດຢູ່ໃນລະດັບ 1 ຫຼືລະດັບ 2. ພວກເຂົາກໍາລັງໃຊ້ AI ເພື່ອໂກນຄ່າໃຊ້ຈ່າຍຫຼືປັບປຸງຂະບວນການເພີ່ມຂຶ້ນ, ຂາດໂອກາດທີ່ຈະ (…) ຄິດຄືນໃຫມ່ໃນຍຸດທະສາດ. ທຸລະກິດຂອງພວກເຂົາສາມາດເບິ່ງຄືວ່າ ສິ່ງດັ່ງກ່າວແມ່ນ, ທຸກຄົນ "ຄິດຄືນໃຫມ່ໃນຍຸດທະສາດວ່າທຸລະກິດຂອງພວກເຂົາຈະເປັນແນວໃດ", ແຕ່ມັນກໍ່ຍາກ. ພວກເຮົາທຸກຄົນມີເງື່ອນໄຂທີ່ຈະຄິດໂດຍຜ່ານຂໍ້ຈໍາກັດ implicit ຂອງຊີວິດປະຈໍາວັນຂອງພວກເຮົາ, ແລະການຄິດຄືນໃຫມ່ພຽງແຕ່ເກີດຂຶ້ນເມື່ອພວກເຮົາບໍ່ສົນໃຈຂໍ້ຈໍາກັດເຫຼົ່ານັ້ນ. ສໍາລັບທຸລະກິດທີ່ມີຢູ່ແລ້ວ, ພວກເຂົາຍັງເປັນຂໍ້ຈໍາກັດຂອງລະບົບນິເວດ ossified ຂອງລູກຄ້າ, ຄູ່ຮ່ວມງານ, ລາຍຮັບແລະກໍາໄລ. ພະຍາຍາມ ການຜະລິດຂອງຕົວແບບ AI ມີຄໍາເວົ້າທີ່ມີຕົ້ນກໍາເນີດໃນລະຫວ່າງ Rush ຄໍາ: "ໃນເວລາທີ່ປະຊາຊົນຂຸດຄົ້ນຄໍາ, ຂາຍຊ້ວນ", ຖືກນໍາໃຊ້ເລື້ອຍໆເພື່ອອະທິບາຍຍຸດທະສາດທຸລະກິດ: ແທນທີ່ຈະເຂົ້າຮ່ວມໂດຍກົງໃນຕະຫຼາດທີ່ມີການແຂ່ງຂັນແລະການຄາດເດົາ, ໃຫ້ເຄື່ອງມືແລະການບໍລິການທີ່ຈໍາເປັນ ຕະຫຼາດນັ້ນ. ບັນຫາກັບຊ້ວນ, ເຖິງແມ່ນວ່າ, ແມ່ນວ່າພວກເຂົາເຈົ້າກໍາລັງ fungible, ແລະ . ສໍາລັບ ປະກົດວ່າຕົວແບບ AI ແມ່ນເກີນໄປ ໃຫ້ສົມມຸດວ່າບໍ່ມີຜູ້ໃຫ້ບໍລິການໃດປ່ອຍຕົວແບບທີ່ເປັນຄໍາສັ່ງຂອງຂະຫນາດທີ່ດີກ່ວາການແຂ່ງຂັນສໍາລັບເວລາດົນພໍສໍາລັບມັນເປັນເລື່ອງຍຸດທະສາດ __. ແລ້ວຄ່າເກີດຂຶ້ນຢູ່ໃສ? ໃນຄໍາສັບຕ່າງໆອື່ນໆ, ຜະລິດຕະພັນປະເພດໃດທີ່ສາມາດສ້າງ moat ໄດ້? __ 2 ຊັ້ນແອັບພລິເຄຊັນ __ - ພື້ນຜິວ, ແອັບ, ເວັບໄຊທີ່ຜູ້ໃຊ້ຈະໂຕ້ຕອບກັບ: __ 3 ສ່ວນຫຼາຍອາດຈະສ້າງພຶດຕິກໍາໃຫມ່, ສອນຜູ້ໃຊ້ໃຫ້ເຮັດ ດັ່ງນັ້ນ ສິ່ງໃຫມ່ທັງຫມົດ, ມີແນວໂນ້ມທີ່ຈະເພີ່ມມູນຄ່າຫຼາຍຂື້ນໃນໄລຍະເວລາໂດຍການສ້າງຕະຫຼາດໃຫມ່ ບໍ່ແປກໃຈ, ສະນັ້ນ, ວ່າມັນຄຸ້ມຄ່າທີ່ຈະແຂ່ງຂັນກັບຫຼາຍຮ້ອຍ (ຖ້າບໍ່ແມ່ນພັນໆຄົນ) ຂອງການເລີ່ມຕົ້ນສໍາລັບກໍລະນີການນໍາໃຊ້ດຽວກັນ. - ແລະນັ້ນເປັນພຽງແຕ່ຫນຶ່ງກອງທຶນ! 75% ຂອງຊຸດ YC ສຸດທ້າຍແມ່ນການເລີ່ມຕົ້ນ AI ຄໍາເວົ້ານີ້ຈາກ ເຮັດ ໃຫ້ ຄວາມ ຄິດ ພາບ ຂອງ ການ ທີ່ ຄວາມ ພະ ຍາ ຍາມ ແມ່ນ ໄປ; ຄວາມຄືບຫນ້າຈາກຫມາກຫ້ອຍຕ່ໍາສຸດໄປສູ່ : ) a16z ການເຮັດສິ່ງໃຫມ່ ເຄື່ອງມື AI ທີ່ແລ່ນເທິງຊອບແວທີ່ມີຢູ່ແລ້ວ (ຄິດວ່າ: ບັນທຶກການປະຊຸມອັດຕະໂນມັດສໍາລັບການປະຊຸມ Zoom) ເຄື່ອງມື AI ທີ່ເຮັດວຽກຢູ່ເທິງຊໍແວທີ່ມີຢູ່ແລ້ວທີ່ມີການສັກຢາຂອງການຍ້າຍຊອບແວທີ່ມີຢູ່ນັ້ນ (ຄິດວ່າ: ບັນທຶກກອງປະຊຸມສໍາລັບ Zoom Meetings ... ບ່ອນທີ່ບໍລິສັດດັ່ງກ່າວຈະສ້າງກອງປະຊຸມວິດີໂອແລະຍົກໃຫ້ທ່ານປິດການຊູມ) ເຄື່ອງມື AI ທີ່ປ່ຽນໄປເປັນແຮງງານ — ເປັນປະເພດໃຫມ່ສຸດທິ, ບໍ່ໄດ້ສໍາພັດໂດຍຊອບແວຈົນກ່ວາຈຸດນີ້ (ຄິດວ່າ: ຊອບແວດໍາເນີນການປະຊຸມສໍາລັບທ່ານ!) ເພາະສະນັ້ນ, disruptobloat. Unbundling ຂອງ GPTs ການແຂ່ງຂັນລະຫວ່າງບໍລິສັດທີ່ມີຢູ່ແລ້ວແລະ 0→1 startups ນີ້ແມ່ນສິ່ງທ້າທາຍການຄົ້ນພົບຜະລິດຕະພັນອັນບໍລິສຸດ. ໃນທາງທິດສະດີ, ຜູ້ໃຫ້ບໍລິການແບບຈໍາລອງຄວນຈະມີປະໂຫຍດ, ຜົນໄດ້ຮັບຈາກການລວບລວມຂໍ້ມູນການນໍາໃຊ້ 2 ປີ. ຊອກຫາຄວາມເຂົ້າໃຈຈາກຕະຫຼາດ OpenAI ຂອງ GPTs ກັບຄືນມາ ; ຂ້າພະເຈົ້າແນ່ໃຈວ່າການສົນທະນາທີ່ແທ້ຈິງແມ່ນມີແສງສະຫວ່າງຫຼາຍ, ແຕ່ອາດຈະບໍ່ແມ່ນເປັນ slam dunk. GPTs ສະແດງໃຫ້ເຫັນວ່າປະຊາຊົນກໍາລັງໃຊ້ LLMs ສໍາລັບສິ່ງທີ່ . ຄວາມກ້າວໜ້າເກີດຂຶ້ນເມື່ອຜະລິດຕະພັນ, ແລະທີມງານທີ່ຢູ່ເບື້ອງຫຼັງ, ຊອກຫາວິທີສອນຄົນໃຫ້ ຂໍ້ມູນທີ່ຫນ້າເບື່ອຫຼາຍ ພວກເຂົາຮູ້ວ່າພວກເຂົາສາມາດໃຊ້ LLMs ສໍາລັບ ເຮັດສິ່ງໃໝ່ທັງໝົດ. ມັນ reminiscent ໄດ້ - ຄືກັນກັບກະດານຕ່າງໆຂອງມັນໄດ້ຖືກແບ່ງອອກເປັນການບໍລິການພິເສດ, ຈໍານວນຫຼາຍຂອງພວກເຂົາເຖິງສະຖານະພາບ unicorn ໃນບາງຈຸດ, ພວກເຮົາຈະເຫັນເຫດການດຽວກັນ - ແລະໄວກວ່າ - ກັບ GPTs, ດ້ວຍແຕ່ລະຜະລິດຕະພັນພະຍາຍາມແກ້ໄຂບັນຫາສະເພາະທີ່ດີກວ່າຫນຶ່ງ. -size-fits-all ປ່ອງຢ້ຽມສົນທະນາ. unbundling ຂອງ Craigslist ຍຸດທະສາດການເຊື່ອມໂຍງແນວຕັ້ງ ອາທິດທີ່ຜ່ານມາ, ຈັດພີມມາ (ເຊິ່ງເຮັດໃຫ້ຄວາມຄິດຫຼາຍຢ່າງຢູ່ເບື້ອງຫຼັງການຕອບນີ້). ໃນສະພາບການຂອງ disruptobloat ຂອງ AI ແລະການແຜ່ກະຈາຍຂອງຕົວແບບ, ຍຸດທະສາດການເຊື່ອມໂຍງແນວຕັ້ງຈະກາຍເປັນທີ່ກ່ຽວຂ້ອງໂດຍສະເພາະ: ມັນເປັນວິທີການສ້າງ moat, ແລະມັນແມ່ນບ່ອນທີ່ incumbents ມີປະໂຫຍດ. ຈາກ Packy: Not Boring ໂດຍ Packy McCormick ຕົວປະກອບແນວຕັ້ງ ແມ່ນບໍລິສັດທີ່: Vertical Integrators ປະສົມປະສານເຕັກໂນໂລຢີທີ່ທັນສະ ໄໝ ແຕ່ຖືກພິສູດແລ້ວ. ພັດທະນາຄວາມສາມາດທີ່ສໍາຄັນພາຍໃນເຮືອນໃນທົ່ວ stack ຂອງເຂົາເຈົ້າ. Modularize commoditized ອົງປະກອບໃນຂະນະທີ່ຄວບຄຸມການລວມລະບົບໂດຍລວມ. ແຂ່ງຂັນໂດຍກົງກັບ incumbents. ສະເຫນີຜະລິດຕະພັນທີ່ດີກວ່າ, ໄວກວ່າ, ຫຼືລາຄາຖືກກວ່າ (ມັກທັງສາມ). NVIDIA ເປັນຕົວຢ່າງຂອງຍຸດທະສາດນີ້ກ່ຽວກັບຢາສະເຕີຣອຍ, ການສ້າງລະບົບນິເວດປະມານເຕັກໂນໂລຢີຫຼັກເພື່ອຄວບຄຸມ stack ເຕັກໂນໂລຢີທັງຫມົດ, ໂດຍສະເພາະຍ້ອນວ່າຮູບແບບພື້ນຖານກາຍເປັນສິນຄ້າ: ຮາດແວ (GPUs, A100, H100, DGX, Jetson) ຊອບແວ (CUDA, TensorRT) ເວທີ: NVIDIA Omniverse ສໍາລັບການຈໍາລອງ 3D, NVIDIA Clara ສໍາລັບການດູແລສຸຂະພາບ Robotics Lab ແລະເຄື່ອງຈຳລອງຫຸ່ນຍົນ Issac Sim NVIDIA DRIVE ສໍາລັບຍານພາຫະນະອັດຕະໂນມັດ, ທັງຮາດແວແລະຊອບແວ (DRIVE AGX, DRIVE OS). ບໍ່ແມ່ນຜູ້ມີອຳນາດທັງໝົດ ຫຼືຈະແຂ່ງຂັນໃນທຸກຊັ້ນໃນຕອນນີ້, ແຕ່ຈຸດທີ່ເຂົາເຈົ້າມີ ເຮັດໄດ້, ບໍ່ວ່າຈະເປັນການກໍ່ສ້າງ ຫຼືການຊື້ກິດຈະການ. ເປັນ ອະທິບາຍ, ການນໍາໃຊ້ Stripe ແລະ Square ເປັນຕົວຢ່າງສໍາລັບການບໍລິການ fintech-ຕິດກັນ: ຄວາມສາມາດ a16z "ນີ້ແມ່ນຂໍ້ບົກພ່ອງກັບການເບິ່ງ Square ແລະ Stripe ແລະເອີ້ນພວກເຂົາວ່າຜູ້ນສິນຄ້າ. ພວກເຂົາເຈົ້າມີການແຜ່ກະຈາຍ. ພວກເຂົາເຈົ້າມີພອນສະຫວັນດ້ານວິສະວະກໍາ. . ມັນບໍ່ໄດ້ຫມາຍຄວາມວ່າພວກເຂົາຈະ, ແຕ່ຄວາມສໍາເລັດຂອງພວກເຂົາແມ່ນຂຶ້ນກັບຜະລິດຕະພັນຂອງຕົນເອງແລະຄວາມກ້າວຫນ້າທາງດ້ານວິສະວະກໍາ, ບໍ່ແມ່ນການຈັດການກັບ oligopoly ຫຼືຜົນປະໂຫຍດ. ” ພວກເຂົາສາມາດສ້າງ TiVo ຂອງຕົນເອງ ຂອງຂວັນການແບ່ງແຍກ ຫນຶ່ງໃນເປົ້າຫມາຍທໍາອິດທີ່ຂ້າພະເຈົ້າມີສໍາລັບການຕອບນີ້ແມ່ນເພື່ອຊີ້ໃຫ້ເຫັນກໍລະນີການນໍາໃຊ້ killer, ເຊິ່ງ, ໃນ retrospect, ແມ່ນຄໍາສັ່ງສູງສໍາລັບສອງສາມຊົ່ວໂມງຂອງການຄົ້ນຄວ້າ. ຢ່າງໃດກໍຕາມ, ໃນຂະນະທີ່ hype ຊ້າລົງ, ມີບາງມຸມຂອງ disruptobloat ທີ່ຂ້າພະເຈົ້າເອົາໃຈໃສ່: ການຫຼຸດຜ່ອນຄ່າໃຊ້ຈ່າຍໃນເມື່ອກ່ອນທີ່ຕ້ອງການສູງ, ແຕ່ການບໍລິການທີ່ມີລາຄາສູງ - ທາງດ້ານກົດຫມາຍ, ການເງິນ, ການດູແລສຸຂະພາບ - ບ່ອນທີ່ຄ່າໃຊ້ຈ່າຍຕ່ໍາສາມາດສ້າງຄວາມຕ້ອງການຂະຫນາດໃຫຍ່. ຈາກ (ອີກເທື່ອຫນຶ່ງ): "LVMH ອາດຈະໃຊ້ເງິນຫຼາຍສິບລ້ານໂດລາຕໍ່ປີຕໍ່ສູ້ກັບສິນຄ້າປອມ, ສົ່ງຈົດຫມາຍຢຸດແລະຍົກເລີກ, ຮ່ວມມືກັບການບັງຄັບໃຊ້ກົດຫມາຍ, ແລະອື່ນໆ. ຜູ້ຂາຍ Shopify ຂະຫນາດນ້ອຍຈໍານວນເທົ່າໃດທີ່ຕ້ອງການບໍລິການດຽວກັນ? ທັງໝົດ! ມີຈັກຄົນສາມາດໃຊ້ເງິນໄດ້ 50 ລ້ານໂດລາສະຫະລັດ/ປີ? ບໍ່ມີພວກເຂົາ. ຈໍານວນເທົ່າໃດອາດຈະໃຊ້ຈ່າຍ $1,000/ປີ? ບາງທີພວກເຂົາທັງຫມົດບໍ?” a16z Democratizing ທັກສະສະລັບສັບຊ້ອນ, ຄືກັບທີ່ພວກເຮົາໄດ້ເຮັດກັບ coding. ສ່ວນໃຫຍ່ຂອງການບັນຍາຍກ່ຽວກັບໂຄງການຊ່ວຍເຫຼືອ LLM ແມ່ນສຸມໃສ່ການປະຫຍັດຄ່າໃຊ້ຈ່າຍ, ແຕ່ຄວາມມະຫັດສະຈັນຂອງມັນແມ່ນວ່າມັນເຮັດໃຫ້ຜູ້ຄົນສາມາດເຮັດສິ່ງໃຫມ່ທັງຫມົດ ບໍ່ສາມາດເຮັດໄດ້ກ່ອນ. ພວກເຮົາໄດ້ຍິນເລື່ອງນີ້ມາໄລຍະໜຶ່ງ, ທໍາອິດກັບ bootcamps ການຂຽນລະຫັດ, ຫຼັງຈາກນັ້ນກັບແອັບຯທີ່ບໍ່ມີລະຫັດ, ແຕ່ພວກມັນມາພ້ອມກັບຂໍ້ຈໍາກັດ. ໃນປັດຈຸບັນບໍ່ມີ. ທີ່ເຂົາເຈົ້າ Hyper-personalization ໃນລະດັບ, ໃນທົ່ວກິດຈະກໍາຂອງຜູ້ບໍລິໂພກ AI + ຫຸ່ນຍົນ ເຕັກໂນໂລຊີດິນຟ້າອາກາດ __ __ 4 ກໍລະນີການນໍາໃຊ້ killer ແມ່ນຢູ່ບ່ອນໃດບ່ອນຫນຶ່ງ, ບໍ່ມີການຫລອມໂລຫະແລະ drowning ໃນສິ່ງລົບກວນ. ບໍ່ວ່າຈະເປັນ - ຫຼືເວລາ - ໄດ້ ເປັນຄໍາຖາມອື່ນ. ຕະຫຼາດຈະກຽມພ້ອມ PS: ຂ້ອຍປະກາດຢູ່ ກ່ຽວກັບເຕັກໂນໂລຢີທີ່ພົ້ນເດັ່ນຂື້ນແລະຢາກຈະສົ່ງສິ່ງເຫຼົ່ານີ້ໃຫ້ທ່ານໂດຍກົງ. https://hypegeist.substack.com/ PS2: ຂໍຂອບໃຈທ່ານ Claude ສໍາລັບການລະດົມສະຫມອງແລະແກ້ໄຂການຊ່ວຍເຫຼືອ.