AI Disruptobloat: ການຜະລິດເກີນຂະໜາດເຮັດໃຫ້ຄຸນຄ່າແຕ່ເລັ່ງການປະດິດສ້າງ

Hype ທຽບກັບສານເສບຕິດ

ຂ້ອຍກໍາລັງຂຽນຄໍາ 'disruptobloat' ເພື່ອອະທິບາຍລະດູການທີ່ແຕກຕ່າງກັນທີ່ເຕັກໂນໂລຢີທີ່ສໍາຄັນຜ່ານ:

• ກອງທຶນ VC ກໍາລັງແລ່ນສູງສໍາລັບ 50 ຮຸ່ນຂອງກໍລະນີການນໍາໃຊ້ດຽວກັນ.
• tagline LinkedIn ຂອງທຸກຄົນຊີ້ໃຫ້ເຫັນວ່າພວກເຂົາເປັນຜູ້ຊ່ຽວຊານໃນທົດສະວັດໃນ [ເທກໂນໂລຍີໃຫມ່ບາງຢ່າງ] (ຂ້ອຍເວົ້ານີ້ຢ່າງບໍ່ມີຄວາມອັບອາຍ, ຍ້ອນວ່າ LinkedIn ຂອງຂ້ອຍປະກອບມີທັງ crypto & AI)
• 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.

Azeem Azhar ຈາກ Exponential View ແບ່ງມັນລົງດ້ວຍວິທີນີ້:

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 ພະຍາຍາມ "ຄິດຄືນໃຫມ່ໃນຍຸດທະສາດວ່າທຸລະກິດຂອງພວກເຂົາຈະເປັນແນວໃດ", ແຕ່ມັນກໍ່ຍາກ. ພວກເຮົາທຸກຄົນມີເງື່ອນໄຂທີ່ຈະຄິດໂດຍຜ່ານຂໍ້ຈໍາກັດ implicit ຂອງຊີວິດປະຈໍາວັນຂອງພວກເຮົາ, ແລະການຄິດຄືນໃຫມ່ພຽງແຕ່ເກີດຂຶ້ນເມື່ອພວກເຮົາບໍ່ສົນໃຈຂໍ້ຈໍາກັດເຫຼົ່ານັ້ນ. ສໍາລັບທຸລະກິດທີ່ມີຢູ່ແລ້ວ, ພວກເຂົາຍັງເປັນຂໍ້ຈໍາກັດຂອງລະບົບນິເວດ ossified ຂອງລູກຄ້າ, ຄູ່ຮ່ວມງານ, ລາຍຮັບແລະກໍາໄລ.

ການ​ຜະ​ລິດ​ຂອງ​ຕົວ​ແບບ AI​

ມີຄໍາເວົ້າທີ່ມີຕົ້ນກໍາເນີດໃນລະຫວ່າງ Rush ຄໍາ: "ໃນເວລາທີ່ປະຊາຊົນຂຸດຄົ້ນຄໍາ, ຂາຍຊ້ວນ", ຖືກນໍາໃຊ້ເລື້ອຍໆເພື່ອອະທິບາຍຍຸດທະສາດທຸລະກິດ: ແທນທີ່ຈະເຂົ້າຮ່ວມໂດຍກົງໃນຕະຫຼາດທີ່ມີການແຂ່ງຂັນແລະການຄາດເດົາ, ໃຫ້ເຄື່ອງມືແລະການບໍລິການທີ່ຈໍາເປັນ ສໍາລັບ ຕະຫຼາດນັ້ນ. ບັນຫາກັບຊ້ວນ, ເຖິງແມ່ນວ່າ, ແມ່ນວ່າພວກເຂົາເຈົ້າກໍາລັງ fungible, ແລະ ປະກົດວ່າຕົວແບບ AI ແມ່ນເກີນໄປ .

ໃຫ້ສົມມຸດວ່າບໍ່ມີຜູ້ໃຫ້ບໍລິການໃດປ່ອຍຕົວແບບທີ່ເປັນຄໍາສັ່ງຂອງຂະຫນາດທີ່ດີກ່ວາການແຂ່ງຂັນສໍາລັບເວລາດົນພໍສໍາລັບມັນເປັນເລື່ອງຍຸດທະສາດ __ 2 __. ແລ້ວຄ່າເກີດຂຶ້ນຢູ່ໃສ? ໃນຄໍາສັບຕ່າງໆອື່ນໆ, ຜະລິດຕະພັນປະເພດໃດທີ່ສາມາດສ້າງ moat ໄດ້?

ຊັ້ນແອັບພລິເຄຊັນ __ 3 __ - ພື້ນຜິວ, ແອັບ, ເວັບໄຊທີ່ຜູ້ໃຊ້ຈະໂຕ້ຕອບກັບ:

1. ສ່ວນຫຼາຍອາດຈະສ້າງພຶດຕິກໍາໃຫມ່, ສອນຜູ້ໃຊ້ໃຫ້ເຮັດ ສິ່ງໃຫມ່ທັງຫມົດ, ດັ່ງນັ້ນ
2. ມີແນວໂນ້ມທີ່ຈະເພີ່ມມູນຄ່າຫຼາຍຂື້ນໃນໄລຍະເວລາໂດຍການສ້າງຕະຫຼາດໃຫມ່

ບໍ່ແປກໃຈ, ສະນັ້ນ, ວ່າມັນຄຸ້ມຄ່າທີ່ຈະແຂ່ງຂັນກັບຫຼາຍຮ້ອຍ (ຖ້າບໍ່ແມ່ນພັນໆຄົນ) ຂອງການເລີ່ມຕົ້ນສໍາລັບກໍລະນີການນໍາໃຊ້ດຽວກັນ. 75% ຂອງຊຸດ YC ສຸດທ້າຍແມ່ນການເລີ່ມຕົ້ນ AI - ແລະ​ນັ້ນ​ເປັນ​ພຽງ​ແຕ່​ຫນຶ່ງ​ກອງ​ທຶນ​!

ຄໍາເວົ້ານີ້ຈາກ a16z ) ເຮັດ ໃຫ້ ຄວາມ ຄິດ ພາບ ຂອງ ການ ທີ່ ຄວາມ ພະ ຍາ ຍາມ ແມ່ນ ໄປ; ຄວາມຄືບຫນ້າຈາກຫມາກຫ້ອຍຕ່ໍາສຸດໄປສູ່ ການເຮັດສິ່ງໃຫມ່ :

1. ເຄື່ອງ​ມື AI ທີ່​ແລ່ນ​ເທິງ​ຊອບ​ແວ​ທີ່​ມີ​ຢູ່​ແລ້ວ (ຄິດ​ວ່າ: ບັນ​ທຶກ​ການ​ປະ​ຊຸມ​ອັດ​ຕະ​ໂນ​ມັດ​ສໍາ​ລັບ​ການ​ປະ​ຊຸມ Zoom​)
2. ເຄື່ອງມື AI ທີ່ເຮັດວຽກຢູ່ເທິງຊໍແວທີ່ມີຢູ່ແລ້ວທີ່ມີການສັກຢາຂອງການຍ້າຍຊອບແວທີ່ມີຢູ່ນັ້ນ (ຄິດວ່າ: ບັນທຶກກອງປະຊຸມສໍາລັບ Zoom Meetings ... ບ່ອນທີ່ບໍລິສັດດັ່ງກ່າວຈະສ້າງກອງປະຊຸມວິດີໂອແລະຍົກໃຫ້ທ່ານປິດການຊູມ)
3. ເຄື່ອງ​ມື AI ທີ່​ປ່ຽນ​ໄປ​ເປັນ​ແຮງ​ງານ — ເປັນ​ປະ​ເພດ​ໃຫມ່​ສຸດ​ທິ​, ບໍ່​ໄດ້​ສໍາ​ພັດ​ໂດຍ​ຊອບ​ແວ​ຈົນ​ກ​່​ວາ​ຈຸດ​ນີ້ (ຄິດ​ວ່າ​: ຊອບ​ແວ​ດໍາ​ເນີນ​ການ​ປະ​ຊຸມ​ສໍາ​ລັບ​ທ່ານ​!)

ເພາະສະນັ້ນ, disruptobloat.

Unbundling ຂອງ GPTs

ການແຂ່ງຂັນລະຫວ່າງບໍລິສັດທີ່ມີຢູ່ແລ້ວແລະ 0→1 startups ນີ້ແມ່ນສິ່ງທ້າທາຍການຄົ້ນພົບຜະລິດຕະພັນອັນບໍລິສຸດ. ໃນທາງທິດສະດີ, ຜູ້ໃຫ້ບໍລິການແບບຈໍາລອງຄວນຈະມີປະໂຫຍດ, ຜົນໄດ້ຮັບຈາກການລວບລວມຂໍ້ມູນການນໍາໃຊ້ 2 ປີ. ຊອກຫາຄວາມເຂົ້າໃຈຈາກຕະຫຼາດ OpenAI ຂອງ GPTs ກັບຄືນມາ ຂໍ້ມູນທີ່ຫນ້າເບື່ອຫຼາຍ ; ຂ້າ​ພະ​ເຈົ້າ​ແນ່​ໃຈວ່​າ​ການ​ສົນ​ທະ​ນາ​ທີ່​ແທ້​ຈິງ​ແມ່ນ​ມີ​ແສງ​ສະ​ຫວ່າງ​ຫຼາຍ​, ແຕ່​ອາດ​ຈະ​ບໍ່​ແມ່ນ​ເປັນ slam dunk​. GPTs ສະແດງໃຫ້ເຫັນວ່າປະຊາຊົນກໍາລັງໃຊ້ LLMs ສໍາລັບສິ່ງທີ່ ພວກເຂົາຮູ້ວ່າພວກເຂົາສາມາດໃຊ້ LLMs ສໍາລັບ . ຄວາມກ້າວໜ້າເກີດຂຶ້ນເມື່ອຜະລິດຕະພັນ, ແລະທີມງານທີ່ຢູ່ເບື້ອງຫຼັງ, ຊອກຫາວິທີສອນຄົນໃຫ້ ເຮັດສິ່ງໃໝ່ທັງໝົດ.

ມັນ reminiscent ໄດ້ unbundling ຂອງ Craigslist - ຄືກັນກັບກະດານຕ່າງໆຂອງມັນໄດ້ຖືກແບ່ງອອກເປັນການບໍລິການພິເສດ, ຈໍານວນຫຼາຍຂອງພວກເຂົາເຖິງສະຖານະພາບ unicorn ໃນບາງຈຸດ, ພວກເຮົາຈະເຫັນເຫດການດຽວກັນ - ແລະໄວກວ່າ - ກັບ GPTs, ດ້ວຍແຕ່ລະຜະລິດຕະພັນພະຍາຍາມແກ້ໄຂບັນຫາສະເພາະທີ່ດີກວ່າຫນຶ່ງ. -size-fits-all ປ່ອງຢ້ຽມສົນທະນາ.

ຍຸດທະສາດການເຊື່ອມໂຍງແນວຕັ້ງ

ອາທິດທີ່ຜ່ານມາ, Not Boring ໂດຍ Packy McCormick ຈັດພີມມາ ຕົວປະກອບແນວຕັ້ງ (ເຊິ່ງເຮັດໃຫ້ຄວາມຄິດຫຼາຍຢ່າງຢູ່ເບື້ອງຫຼັງການຕອບນີ້). ໃນສະພາບການຂອງ disruptobloat ຂອງ AI ແລະການແຜ່ກະຈາຍຂອງຕົວແບບ, ຍຸດທະສາດການເຊື່ອມໂຍງແນວຕັ້ງຈະກາຍເປັນທີ່ກ່ຽວຂ້ອງໂດຍສະເພາະ: ມັນເປັນວິທີການສ້າງ moat, ແລະມັນແມ່ນບ່ອນທີ່ incumbents ມີປະໂຫຍດ. ຈາກ Packy:

Vertical Integrators ແມ່ນບໍລິສັດທີ່:

1. ປະສົມປະສານເຕັກໂນໂລຢີທີ່ທັນສະ ໄໝ ແຕ່ຖືກພິສູດແລ້ວ.
2. ພັດທະນາຄວາມສາມາດທີ່ສໍາຄັນພາຍໃນເຮືອນໃນທົ່ວ stack ຂອງເຂົາເຈົ້າ.
3. Modularize commoditized ອົງປະກອບໃນຂະນະທີ່ຄວບຄຸມການລວມລະບົບໂດຍລວມ.
4. ແຂ່ງຂັນໂດຍກົງກັບ incumbents.
5. 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 ຄວາມສາມາດ ເຮັດໄດ້, ບໍ່ວ່າຈະເປັນການກໍ່ສ້າງ ຫຼືການຊື້ກິດຈະການ. ເປັນ a16z ອະທິບາຍ, ການນໍາໃຊ້ Stripe ແລະ Square ເປັນຕົວຢ່າງສໍາລັບການບໍລິການ fintech-ຕິດກັນ:

"ນີ້ແມ່ນຂໍ້ບົກພ່ອງກັບການເບິ່ງ Square ແລະ Stripe ແລະເອີ້ນພວກເຂົາວ່າຜູ້ນສິນຄ້າ. ພວກເຂົາເຈົ້າມີການແຜ່ກະຈາຍ. ພວກເຂົາເຈົ້າມີພອນສະຫວັນດ້ານວິສະວະກໍາ. ພວກເຂົາສາມາດສ້າງ TiVo ຂອງຕົນເອງ . ມັນບໍ່ໄດ້ຫມາຍຄວາມວ່າພວກເຂົາຈະ, ແຕ່ຄວາມສໍາເລັດຂອງພວກເຂົາແມ່ນຂຶ້ນກັບຜະລິດຕະພັນຂອງຕົນເອງແລະຄວາມກ້າວຫນ້າທາງດ້ານວິສະວະກໍາ, ບໍ່ແມ່ນການຈັດການກັບ oligopoly ຫຼືຜົນປະໂຫຍດ. ”

ຂອງ​ຂວັນ​ການ​ແບ່ງ​ແຍກ​

ຫນຶ່ງໃນເປົ້າຫມາຍທໍາອິດທີ່ຂ້າພະເຈົ້າມີສໍາລັບການຕອບນີ້ແມ່ນເພື່ອຊີ້ໃຫ້ເຫັນກໍລະນີການນໍາໃຊ້ killer, ເຊິ່ງ, ໃນ retrospect, ແມ່ນຄໍາສັ່ງສູງສໍາລັບສອງສາມຊົ່ວໂມງຂອງການຄົ້ນຄວ້າ. ຢ່າງໃດກໍຕາມ, ໃນຂະນະທີ່ hype ຊ້າລົງ, ມີບາງມຸມຂອງ disruptobloat ທີ່ຂ້າພະເຈົ້າເອົາໃຈໃສ່:

• ການຫຼຸດຜ່ອນຄ່າໃຊ້ຈ່າຍໃນເມື່ອກ່ອນທີ່ຕ້ອງການສູງ, ແຕ່ການບໍລິການທີ່ມີລາຄາສູງ - ທາງດ້ານກົດຫມາຍ, ການເງິນ, ການດູແລສຸຂະພາບ - ບ່ອນທີ່ຄ່າໃຊ້ຈ່າຍຕ່ໍາສາມາດສ້າງຄວາມຕ້ອງການຂະຫນາດໃຫຍ່. ຈາກ a16z (ອີກເທື່ອຫນຶ່ງ): "LVMH ອາດຈະໃຊ້ເງິນຫຼາຍສິບລ້ານໂດລາຕໍ່ປີຕໍ່ສູ້ກັບສິນຄ້າປອມ, ສົ່ງຈົດຫມາຍຢຸດແລະຍົກເລີກ, ຮ່ວມມືກັບການບັງຄັບໃຊ້ກົດຫມາຍ, ແລະອື່ນໆ. ຜູ້ຂາຍ Shopify ຂະຫນາດນ້ອຍຈໍານວນເທົ່າໃດທີ່ຕ້ອງການບໍລິການດຽວກັນ? ທັງໝົດ! ມີຈັກຄົນສາມາດໃຊ້ເງິນໄດ້ 50 ລ້ານໂດລາສະຫະລັດ/ປີ? ບໍ່ມີພວກເຂົາ. ຈໍານວນເທົ່າໃດອາດຈະໃຊ້ຈ່າຍ $1,000/ປີ? ບາງທີພວກເຂົາທັງຫມົດບໍ?”
• Democratizing ທັກສະສະລັບສັບຊ້ອນ, ຄືກັບທີ່ພວກເຮົາໄດ້ເຮັດກັບ coding. ສ່ວນໃຫຍ່ຂອງການບັນຍາຍກ່ຽວກັບໂຄງການຊ່ວຍເຫຼືອ LLM ແມ່ນສຸມໃສ່ການປະຫຍັດຄ່າໃຊ້ຈ່າຍ, ແຕ່ຄວາມມະຫັດສະຈັນຂອງມັນແມ່ນວ່າມັນເຮັດໃຫ້ຜູ້ຄົນສາມາດເຮັດສິ່ງໃຫມ່ທັງຫມົດ ທີ່ເຂົາເຈົ້າ ບໍ່ສາມາດເຮັດໄດ້ກ່ອນ. ພວກເຮົາໄດ້ຍິນເລື່ອງນີ້ມາໄລຍະໜຶ່ງ, ທໍາອິດກັບ bootcamps ການຂຽນລະຫັດ, ຫຼັງຈາກນັ້ນກັບແອັບຯທີ່ບໍ່ມີລະຫັດ, ແຕ່ພວກມັນມາພ້ອມກັບຂໍ້ຈໍາກັດ. ໃນປັດຈຸບັນບໍ່ມີ.
• Hyper-personalization ໃນລະດັບ, ໃນທົ່ວກິດຈະກໍາຂອງຜູ້ບໍລິໂພກ
• AI + ຫຸ່ນຍົນ
• ເຕັກໂນໂລຊີດິນຟ້າອາກາດ __ 4 __

ກໍລະນີການນໍາໃຊ້ killer ແມ່ນຢູ່ບ່ອນໃດບ່ອນຫນຶ່ງ, ບໍ່ມີການຫລອມໂລຫະແລະ drowning ໃນສິ່ງລົບກວນ. ບໍ່ວ່າຈະເປັນ - ຫຼືເວລາ - ໄດ້ ຕະຫຼາດຈະກຽມພ້ອມ ເປັນຄໍາຖາມອື່ນ.