AI Disruptobloat: การผลิตมากเกินไปทำให้มูลค่าเจือจางลงแต่เร่งให้เกิดนวัตกรรมเร็วขึ้น

กระแสฮือฮากับสาระ

ฉันสร้างคำว่า 'disruptobloat' ขึ้นมาเพื่ออธิบายถึงช่วงเวลาหนึ่งที่เทคโนโลยีหลักๆ ต่างๆ จะต้องเผชิญ:

• กองทุน VC กำลังดำเนินการสำหรับกรณีการใช้งานแบบเดียวกันถึง 50 เวอร์ชัน
• สโลแกน LinkedIn ของทุกคนบ่งบอกว่าพวกเขาเป็นผู้เชี่ยวชาญในด้านเทคโนโลยีใหม่ๆ มานานเป็นทศวรรษ (ฉันพูดอย่างไม่ละอาย เพราะ LinkedIn ของฉันมีทั้งด้านคริปโตและ AI)
• พาดหัวข่าวเริ่มเปลี่ยนจาก "บริษัทต่างๆ ทั้งหมดกำลังสร้าง [เทคโนโลยี]" ไปเป็น "ผู้บริโภคเบื่อ [เทคโนโลยี] แล้วหรือยัง" และกลายเป็นเรื่องตลกไร้สาระและ "เกิดอะไรขึ้น"

Disruptobloat เป็นปรากฏการณ์ของการผลิตมากเกินไป: ผลิตภัณฑ์ที่ขับเคลื่อนโดย [เทคโนโลยีใหม่] บางอย่างล้นตลาด ทำให้การรับรู้ถึงมูลค่าเจือจางลงในระยะสั้น

เป็นการแข่งขันเพื่อมุ่งสู่สิ่งเดียวกัน นั่นคือการค้นพบกรณีการใช้งานที่คงที่ซึ่งกำหนดพฤติกรรมใหม่ของลูกค้าและสร้างมูลค่าเพิ่ม นี่ไม่ใช่จุดบกพร่อง แต่เป็นขั้นตอนที่จำเป็นในการพัฒนา และเป็นสิ่งที่ดี! ยิ่ง disruptobloat มากเท่าไร เราก็จะยิ่งสามารถพัฒนาได้เร็วขึ้นเท่านั้น เนื่องจากเราปรับปรุงแนวคิดต่างๆ ได้เร็วขึ้น

Azeem Azhar จาก Exponential View ได้อธิบายรายละเอียดไว้ดังนี้:

ระดับ 1: ทำสิ่งที่เราทำได้ถูกกว่า: (…) ทำให้งานประจำเป็นอัตโนมัติ

ระดับ 2: ทำในสิ่งที่เราทำ เพียงแต่ทำให้ดีขึ้น: (…) โอกาสในการปรับปรุงคุณภาพ ตัวอย่างเช่น ธนาคารเพื่อการลงทุนรายใหญ่แห่งหนึ่งเพิ่งใช้ AI เพื่อทำให้การทดสอบยูนิตส่วนใหญ่เป็นระบบอัตโนมัติ วิธีนี้ช่วยลดต้นทุนและทำให้การทดสอบครอบคลุมมากขึ้น ส่งผลให้คุณภาพซอฟต์แวร์โดยรวมดีขึ้น

ระดับ 3: ทำสิ่งใหม่ๆ โดยสิ้นเชิง นี่คือจุดที่ศักยภาพที่แท้จริงของ AI เริ่มปรากฏให้เห็น (…) แต่ปัญหาคือ ธุรกิจส่วนใหญ่ยังคงติดอยู่ที่ระดับ 1 หรือระดับ 2 พวกเขาใช้ AI เพื่อลดต้นทุนหรือปรับปรุงกระบวนการทีละเล็กทีละน้อย ทำให้พลาดโอกาสที่ จะคิดใหม่เชิงกลยุทธ์ว่าธุรกิจของพวกเขาจะเป็นอย่างไร (…)

ประเด็นคือ ทุกคน พยายาม "คิดใหม่เชิงกลยุทธ์ว่าธุรกิจของตนจะเป็นอย่างไร" แต่ก็เป็นเรื่องยาก เราทุกคนถูกกำหนดให้คิดทบทวนข้อจำกัดโดยปริยายในชีวิตประจำวัน และการคิดใหม่จะเกิดขึ้นก็ต่อเมื่อเราละเลยข้อจำกัดเหล่านั้น สำหรับธุรกิจที่มีอยู่แล้ว ข้อจำกัดเหล่านี้ยังเป็นข้อจำกัดของระบบนิเวศที่เชื่อมโยงกันของลูกค้า พันธมิตร รายได้ และกำไรอีกด้วย

การแปลงโมเดล AI ให้เป็นสินค้าโภคภัณฑ์

มีคำกล่าวที่มาจากยุคตื่นทองว่า "เมื่อคนขุดหาทอง ให้ขายพลั่ว" มักใช้เพื่ออธิบายกลยุทธ์ทางธุรกิจ แทนที่จะเข้าร่วมในตลาดที่มีการแข่งขันและเก็งกำไรโดยตรง ให้จัดหาเครื่องมือและบริการที่จำเป็น สำหรับ ตลาดนั้น ปัญหาของพลั่วก็คือ มันสามารถทดแทนกันได้ ปรากฏว่าโมเดล AI นั้นมากเกินไป -

ลองสมมติว่าไม่มีผู้ให้บริการรายใดเปิดตัวโมเดลที่มีประสิทธิภาพดีกว่าคู่แข่งหลายเท่าเป็นเวลานานพอที่จะให้โมเดลนั้นมีความสำคัญในเชิงกลยุทธ์ __ 2 __ แล้วมูลค่าจะเกิดขึ้นที่ใด กล่าวอีกนัยหนึ่ง ผลิตภัณฑ์ประเภทใดที่สามารถสร้างคูน้ำได้

ชั้นแอปพลิเคชัน __ 3 __ - พื้นผิว แอป ไซต์ที่ผู้ใช้จะโต้ตอบ ได้แก่:

1. มีแนวโน้มที่จะสร้างพฤติกรรมใหม่ สอนให้ผู้ใช้ทำ สิ่งใหม่ๆ มากมาย
2. มีแนวโน้มที่จะได้รับมูลค่าเพิ่มมากขึ้นตามกาลเวลาโดยการสร้างตลาดใหม่

จึงไม่น่าแปลกใจเลยที่การแข่งขันกับสตาร์ทอัพหลายร้อย (หรืออาจถึงหลายพัน) รายเพื่อใช้กรณีการใช้งานเดียวกันนั้นถือเป็นเรื่องที่คุ้มค่า 75% ของกลุ่ม YC ล่าสุดเป็นสตาร์ทอัพด้าน AI - และนั่นเป็นเพียงกองทุนร่วมทุนหนึ่งกองทุนเท่านั้น

คำพูดนี้มาจาก a16z ) ให้ภาพรวมของความพยายามที่กำลังดำเนินไป ความก้าวหน้าจากผลที่ได้มาอย่างน้อยที่สุดไปสู่ การทำสิ่งใหม่ๆ :

1. เครื่องมือ AI ที่ทำงานบนซอฟต์แวร์ที่มีอยู่ (ลองนึกถึง: บันทึกการประชุมอัตโนมัติสำหรับการประชุม Zoom)
2. เครื่องมือ AI ที่ทำงานบนซอฟต์แวร์ที่มีอยู่ซึ่งมีโอกาสที่จะเข้ามาแทนที่ซอฟต์แวร์ที่มีอยู่ (ลองนึกถึงบันทึกการประชุมสำหรับ Zoom Meetings ซึ่งบริษัทดังกล่าวสร้างการประชุมทางวิดีโอและแนะนำให้คุณเลิกใช้ Zoom)
3. เครื่องมือ AI ที่เปลี่ยนเป็นแรงงาน ซึ่งเป็นหมวดหมู่ใหม่ล่าสุดที่ซอฟต์แวร์ยังไม่ได้แตะต้องเลยจนถึงจุดนี้ (ลองนึกภาพว่าซอฟต์แวร์จัดการประชุมแทนคุณ!)

ด้วยเหตุนี้ จึงเกิดการ disruptobloat

การแยกส่วนของ GPT

การแข่งขันระหว่างบริษัทที่มีอยู่และสตาร์ทอัพ 0→1 นี้เป็นความท้าทายในการค้นพบผลิตภัณฑ์อย่างแท้จริง ในทางทฤษฎี ผู้ให้บริการโมเดลควรมีความได้เปรียบจากการรวบรวมข้อมูลการใช้งาน 2 ปี การแสวงหาข้อมูลเชิงลึกจากตลาด GPT ของ OpenAI จะให้ผลตอบแทน ข้อมูลค่อนข้างน่าเบื่อ ฉันมั่นใจว่าบทสนทนาที่เกิดขึ้นจริงนั้นให้ความกระจ่างมากขึ้น แต่คงไม่ใช่คำตอบที่ชัดเจน GPT แสดงให้เห็นว่าผู้คนใช้ LLM สำหรับสิ่งที่ พวกเขารู้ว่าสามารถใช้ LLM ได้ ความก้าวหน้าเกิดขึ้นเมื่อผลิตภัณฑ์และทีมงานเบื้องหลังคิดหาวิธีสอนผู้คนให้ ทำสิ่งใหม่ๆ ได้

มันชวนให้นึกถึง การแยกส่วนของ Craigslist - เช่นเดียวกับที่บอร์ดต่างๆ ถูกแยกออกเป็นบริการเฉพาะ โดยหลายๆ บริการจะถึงสถานะยูนิคอร์นในบางจุด เราจะเห็นสิ่งเดียวกันนี้เกิดขึ้น - และเกิดขึ้นเร็วกว่ามาก - กับ GPT โดยที่ผลิตภัณฑ์แต่ละตัวจะพยายามแก้ไขปัญหาเฉพาะได้ดีกว่าหน้าต่างแชทแบบครอบคลุมทุกขนาด

กลยุทธ์การรวมแนวตั้ง

สัปดาห์ที่แล้ว Not Boring โดย Packy McCormick เผยแพร่ ผู้รวมแนวตั้ง (ซึ่งเป็นจุดเริ่มต้นของความคิดมากมายเบื้องหลังโพสต์นี้) ในบริบทของ disruptobloat ของ AI และการทำให้โมเดลกลายเป็นสินค้าโภคภัณฑ์ กลยุทธ์การบูรณาการแนวตั้งจึงมีความเกี่ยวข้องเป็นพิเศษ เป็นวิธีการสร้างคูน้ำ และเป็นจุดที่มีข้อได้เปรียบสำหรับผู้ดำรงตำแหน่งอยู่ จาก Packy:

Vertical Integrators คือบริษัทที่:

1. ผสานรวมเทคโนโลยีล้ำสมัยและได้รับการพิสูจน์แล้วมากมาย
2. พัฒนาขีดความสามารถภายในองค์กรที่สำคัญทั่วทั้งสแต็กของพวกเขา
3. สร้างโมดูลของส่วนประกอบสินค้าโภคภัณฑ์ในขณะที่ควบคุมการรวมระบบโดยรวม
4. แข่งขันโดยตรงกับผู้ดำรงตำแหน่งอยู่
5. เสนอผลิตภัณฑ์ที่ดีกว่า เร็วกว่า หรือถูกกว่า (มักจะทั้งสามอย่าง)

NVIDIA เป็นตัวอย่างของกลยุทธ์ที่ใช้สเตียรอยด์ในการสร้างระบบนิเวศรอบๆ เทคโนโลยีหลักเพื่อควบคุมกลุ่มเทคโนโลยีทั้งหมด โดยเฉพาะอย่างยิ่งเมื่อโมเดลพื้นฐานกลายเป็นสินค้าโภคภัณฑ์:

• ฮาร์ดแวร์ (GPU, A100, H100, DGX, Jetson)
• ซอฟต์แวร์ (CUDA, TensorRT)
• แพลตฟอร์ม: NVIDIA Omniverse สำหรับการจำลอง 3 มิติ, NVIDIA Clara สำหรับการดูแลสุขภาพ
• หุ่นยนต์จำลองของ Robotics Lab และ Issac Sim
• NVIDIA DRIVE สำหรับยานพาหนะไร้คนขับ ทั้งฮาร์ดแวร์และซอฟต์แวร์ (DRIVE AGX, DRIVE OS)

ไม่ใช่ว่าผู้ดำรงตำแหน่งทั้งหมดจะแข่งขันในทุกระดับ แต่ประเด็นคือพวกเขามี ความสามารถ ในการทำเช่นนั้น ไม่ว่าจะด้วยการสร้างหรือการเข้าซื้อกิจการ เอ16แซด อธิบายโดยใช้ Stripe และ Square เป็นตัวอย่างของบริการที่เกี่ยวข้องกับ FinTech:

“นี่คือข้อบกพร่องเมื่อมอง Square และ Stripe แล้วเรียกพวกเขาว่าผู้เล่นสินค้าโภคภัณฑ์ พวกเขามีช่องทางการจัดจำหน่าย พวกเขามีพรสวรรค์ด้านวิศวกรรม พวกเขาสามารถสร้าง TiVo ของตัวเองได้ ไม่ได้หมายความว่าพวกเขาจะทำได้ แต่ความสำเร็จของพวกเขาขึ้นอยู่กับผลิตภัณฑ์และความสามารถด้านวิศวกรรมของพวกเขาเอง ไม่ใช่ข้อตกลงที่ไม่น่าจะเป็นไปได้กับการผูกขาดหรือยูทิลิตี้”

ของขวัญแห่งการจากลา

เป้าหมายแรกๆ อย่างหนึ่งที่ผมมีสำหรับโพสต์นี้คือการระบุกรณีการใช้งานที่สำคัญ ซึ่งเมื่อมองย้อนกลับไปแล้ว ถือเป็นงานที่ยากสำหรับการวิจัยเป็นเวลาไม่กี่ชั่วโมง อย่างไรก็ตาม ในขณะที่กระแสเริ่มลดลง ก็ยังมีบางมุมของ disruptobloat ที่ผมจะให้ความสนใจ:

• ลดต้นทุนของบริการที่เคยเป็นที่ต้องการสูงแต่มีราคาสูง เช่น บริการด้านกฎหมาย การเงิน การดูแลสุขภาพ โดยที่ต้นทุนต่ำสามารถสร้างความต้องการมหาศาลได้ เอ16แซด (อีกครั้ง): “LVMH น่าจะใช้เงินหลายสิบล้านดอลลาร์ต่อปีในการต่อสู้กับสินค้าลอกเลียนแบบ ส่งจดหมายหยุดการกระทำผิด ให้ความร่วมมือกับหน่วยงานบังคับใช้กฎหมาย ฯลฯ ผู้ค้ารายย่อยของ Shopify จำนวนเท่าไรที่ต้องการบริการแบบเดียวกันทั้งหมด! มีกี่รายที่อาจใช้จ่าย 50 ล้านดอลลาร์ต่อปี? ไม่มีเลยสักราย มีกี่รายที่อาจใช้จ่าย 1,000 ดอลลาร์ต่อปี? บางทีอาจทั้งหมดเลย”
• การกระจายทักษะที่ซับซ้อนให้ประชาชนทั่วไป เช่นเดียวกับที่เราทำกับการเขียนโค้ด เรื่องราวส่วนใหญ่เกี่ยวกับการเขียนโปรแกรมด้วยความช่วยเหลือของ LLM มุ่งเน้นไปที่การประหยัดต้นทุน แต่ความมหัศจรรย์ของมันคือมันช่วยให้ผู้คนสามารถทำสิ่งใหม่ๆ ที่ ไม่สามารถทำได้มาก่อน เราได้ยินเรื่องนี้มาสักพักแล้ว ครั้งแรกกับค่ายฝึกอบรมการเขียนโค้ด จากนั้นก็กับแอพที่ไม่ต้องเขียนโค้ด แต่สิ่งเหล่านี้ก็มีข้อจำกัด แต่ตอนนี้ไม่มีเลย
• การปรับแต่งเฉพาะบุคคลในระดับขนาดใหญ่ในทุกกิจกรรมของผู้บริโภค
• เอไอ + หุ่นยนต์
• เทคโนโลยีภูมิอากาศ __4__

กรณีการใช้งานที่ร้ายแรงอยู่ที่ไหนสักแห่ง ไม่ผ่านการกลั่นกรองและจมอยู่กับเสียงรบกวน ไม่ว่า - หรือเมื่อใด - ตลาดก็จะพร้อมแล้ว เป็นคำถามอีกข้อหนึ่ง