苦涩教训的落地应用启示
2026-11-14 23:29:24
  • 0
  • 0
  • 0

在当前的AI创投圈,一种隐秘的焦虑正在蔓延。

表面上,融资新闻不断,令人惊艳。但剥开热闹的表象,是一个残酷的现实:大多数创业者仍在用十年前构建SaaS的逻辑,来打造今天的AI产品。 他们在做的事情,本质上只是将AI模型嫁接到了现有的工作流上。在AI时代,这可能是一条死路。

强化学习先驱Richard Sutton曾提出过著名的苦涩教训(The Bitter Lesson):从长远来看,利用算力规模化的通用方法(AI原生),总是能战胜依赖人类专业知识设计的复杂方法。

对于今天的AI创业者来说,这意味着:如果你的核心价值只是对模型的微调或包装,那么基础模型的每一次版本迭代(大约每7个月能力翻倍),都可能直接抹平你。

但面对基础模型的碾压式增长,AI创业者并非无路可走。

Worldbuild基金创始人Sumeet Singh通过对数百位创业者的观察,总结出了两条真正可行的突围路径:要么做淘金路上的卖水人(构建模型经济),要么做新物种的造物主(开发后拟物化应用)。

路径一:投身模型经济

第一条路,是将AI模型视为服务的对象。既然模型的能力会指数级增长,那么模型本身所依赖的基础设施需求也将永无止境。

简单来说,就是卖铲子,卖水。不要试图与模型比聪明,要去构建模型变强所必需的东西。有四种生意可以做:

算力商品化:随着GPU需求的爆发与波动,未来的机会在于应对算力市场的剧烈波动(在短缺与过剩之间摇摆),并提升资产利用率。比如说,1)匹配供需:建立类似于交易所的公司,专门匹配算力或能源的供给与需求 。2)提升利用率:确保昂贵的计算芯片能够满负荷运行,而不是处于闲置或半载状态 。3)电力交易:不仅交易算力本身,而且交易驱动AI所需的电力。例如,Meta进军电力批发交易以保障数据中心的能源供应 。

设备端服务商(AI On Device ):针对的是那些出于隐私、延迟(需要实时响应)或成本考虑,无法在云端运行的AI需求,开发本地专用的硬件和网络;紧密耦合软件与硬件,打造流畅设备端AI体验;通过网络聚合来自个人电脑、显卡、游戏主机等闲置算力,形成本地AI网络 。

数据中间商:通用数据已经通过了互联网的清洗,模型现在渴求的是高质量、专业化的,分散在不同企业中的数据。可以考虑帮助企业识别高价值数据,并构建合规的授权交易机制,连接模型提供商与数据拥有者。

进攻性安全服务商:传统的防御性安全已不足够。针对AI系统,我们需要进攻性安全服务。通过主动攻击AI,揭示其被操纵的漏洞(如提示词注入、对抗性攻击),为企业提供免疫系统。

路径二:打造后拟物化应用

回顾移动互联网初期,很多App只是在模仿物理世界:把记事本做成可翻页的纸张的样子(这就是拟物化)。但后来,Uber没有数字化出租车调度台,而是利用手机定位和算法发明了网约车,创造了前所未有的服务模式。

AI创业正处于同样的拐点。不要只是把AI塞进Word里做润色工具,要去思考:有哪些工作流,是只有AI存在时才能成立的?这里可能产生三大类机会:

多智能体协同 MAS:构建一个由不同角色和专长的智能体组成的集体(Hive Mind),编排由不同专长的智能体组成的团队,让它们相互协作、相彼此提示。这不仅能减少幻觉,还能形成更优路径的涌现,打破单一agent的谄媚螺旋。可以参考光速投资的:Epiminds:多智能体架构如何重构营销操作系统的底层逻辑?

大规模仿真实验:在科学研发领域,从僵化的人工规则转向AI驱动的大规模并行实验。想象一下,不是由科学家逐一测试,而是由AI在几分钟内解析蛋白质结构、筛选数百万种分子候选药物。这不仅仅是加速,更是科研范式的革命。

持续的反馈闭环:真正的AI原生应用能从每一次交互中自我进化。它们不再需要人类手动调整策略,而是形成自主的观察-诊断-修复闭环。软件不再是静态的工具,而是会根据用户行为实时生长、优化的生命体。

结语:

在这个技术日新月异的时代,Richard Sutton的苦涩教训或许为我们指明了最清晰的路标:一切围绕 AI 的算力规模化。

作为创业者,请问自己两个问题:

1.在我从事的领域里,这两路上还有哪些可能的机会?

2.我在构建会被下一代模型取代的过渡品,还是在发明只有AI才能实现的新物种?

如果是前者,请马上转型;如果是后者,属于你的伟大时代才刚刚开始。


 
最新文章
相关阅读