无论你跑得多远或多快，都无法逃避关于人工智能的讨论。围绕当前AI技术能做什么（颠覆所有行业！）和不能做什么（接管世界！）的夸大其词比比皆是。更贴近实际的是，TechCrunch+ 正在努力了解初创企业如何利用大型语言模型（LLM）——一种近期出现且具有影响力的创建人工智能软件的新方法——在市场中找到立足点。
人工智能在初创企业领域将如何发挥作用并非一个新话题。几年前，一家风险投资公司曾询问专注于人工智能的初创企业如何实现盈利，以及它们是否会因代表客户运行模型而产生的成本而导致利润率受损。那场讨论逐渐平息，直到最近几个季度才重新热烈起来，因为人们清楚地意识到，尽管LLM技术正在迅速进步，但在当前形式下运行它绝非廉价之举。
但成本只是我们仍有未解问题的一个方面。我们也极其好奇初创企业应如何着手为AI技术构建工具，以初创企业为重点的AI工作将证明具有多大的防御性，以及新兴科技公司应如何为AI驱动的工具收费。
10位投资者谈论AI的未来以及ChatGPT热潮之后的前景
随着大量资本流入今天从事和使用AI构建的初创企业，我们必须尽可能深入地理解市场。因此，我们请教了几位在AI投资领域活跃的风险投资人，请他们为我们梳理目前市场上他们所看到的情况。
我们从投资角度获得的经验教训十分有用。Glasswing Ventures的创始人兼管理合伙人Rick Grinnell表示，在新的AI技术栈中，“大部分机会存在于应用层”，在那里，“最好的应用将利用其内部专业知识构建专门的中间层工具，并将其与合适的底层模型相结合”。他补充说，初创公司可以利用速度优势，努力为客户“创新、迭代和部署解决方案”。
这种工作长期来看是否具有防御性？Alumni Ventures的管理合伙人Edward Tsai告诉我们，他有一个可能“有争议的观点”，即风投机构和初创企业可能希望暂时减少对防御性的关注，转而增加对提供引人入胜价值的产品的关注，并聚焦于快速进入市场。假设潜在市场规模巨大，这或许行得通！
继续阅读以下人士对我们所有问题的回答：
- Rick Grinnell，创始人兼管理合伙人， Glasswing Ventures
- Lisa Calhoun创始管理合伙人， Valor VC
- Edward Tsai管理合伙人， Alumni Ventures
- Wei Lien Dang普通合伙人， Unusual Ventures
- Rak Garg董事总经理， Bain Capital Ventures
- Sandeep Bakshi欧洲投资负责人， Prosus Ventures
Rick Grinnell，创始人兼管理合伙人，Glasswing Ventures
新兴的大语言模型（LLM）技术栈包含多个层次，包括模型、预训练解决方案和微调工具。您是否预计初创企业会为 LLM 技术栈的单个层次构建分层解决方案，还是采取更垂直整合的方法？
在我们对生成式人工智能（GenAI）技术栈的内部观点中，我们将市场格局划分为四个不同的层次：基础模型提供商、中间层公司、面向终端市场或顶层的应用程序，以及全栈或端到端垂直整合的公司。
我们认为大部分机会存在于应用层。在该层内，我们相信在不久的将来，最好的应用程序将利用其内部专业知识构建专门的中间层工具，并将其与合适的基础模型相结合。这些是“垂直整合”或“全栈”型应用程序。对于初创企业而言，这种方法意味着更短的市场上市时间。无需与外部实体进行谈判或集成，初创企业可以以更快的速度创新、迭代并部署解决方案。这种速度和敏捷性往往是在竞争对手之前抢占市场份额或满足关键市场需求的关键差异化因素。
另一方面，我们将中间层视为连接 AI 基础方面与精细化专业应用层的桥梁。这一技术栈部分涵盖了尖端能力，包括模型微调、提示工程（prompt engineering）和敏捷模型编排。我们预计类似 Databricks 的企业将在此崛起。然而，该层的竞争动态带来了独特的挑战。首先，基础模型提供商向中间层工具扩展的趋势加剧了商品化风险。此外，现有市场领导者进入这一领域进一步加剧了竞争。因此，尽管该领域的初创企业激增，但尚未出现明确的赢家。
Datadog 等公司正在开发支持不断扩大的 AI 市场的产品，包括发布 LLM 可观测性工具。像 Datadog 所构建的（以及大型/现有科技巨头类似的产出）这类努力，是否会压缩初创企业能够建设和竞争的市场空间？
LLM 可观测性属于“中间层”范畴，作为推动专业化业务应用程序使用基础模型的催化剂。Datadog、New Relic 和 Splunk 等现有厂商均已推出 LLM 可观测性工具，并且似乎在这一领域投入了大量研发资金，这可能在短期内压缩市场空间。
然而，正如我们之前在互联网和云计算兴起时所见，行业巨头往往会持续创新，直到创新陷入停滞。随着人工智能成为家喻户晓的名字，并在各个垂直领域找到应用场景，初创企业有机会推出创新的解决方案，颠覆并重新构想行业巨头的工作方式。现在断言谁是最终的赢家还为时过早，因为每天都有新的现有AI框架中的空白被揭示出来。这为初创企业带来了巨大的机遇。
大型科技公司的服务在市场空间中为专注于LLM部署的小型公司和初创企业留下了多少空间？
当考虑到像Alphabet/Google的Bard、Microsoft/OpenAI的GPT-4以及Anthropic的Claude这样的基础层模型提供商时，很明显，更重要的参与者拥有数据可访问性、人才库和计算资源方面的固有优势。我们预计这一层将像云提供商市场一样形成寡头垄断结构，尽管会加入一个强大的开源阵营，从而推动大量的第三方采用。
当我们审视生成式AI技术栈时，最大的市场机会位于模型本身之上。为特定行业引入AI驱动API和操作层的公司将创造全新的用例并转变工作流程。通过拥抱这项技术来彻底改变工作流程，这些公司有望释放巨大的价值。
然而，必须认识到市场远未定型。LLM仍处于起步阶段，大型企业和初创企业的采用尚缺乏完全的成熟和完善。我们需要强大的工具和平台，以促进企业和个人的更广泛使用。初创企业有机会在此迅速行动，为解决新兴问题找到新颖的方案，并定义新的类别。
有趣的是，即使是大型科技公司也认识到其服务的不足，并开始与风险投资机构一起大力投资初创企业。这些公司将AI应用于其内部流程，因此看到了初创企业在LLM部署和集成方面带来的价值。考虑一下最近的投资来自Microsoft、Nvidia和Salesforce对Inflection AI和Cohere等公司的投资。
如何确保针对特定利基市场调整生成式AI模型的特定行业初创企业能够证明其防御能力？
为了确保在AI整合日益升温的环境中，特定行业的初创企业能够证明其防御能力，初创企业必须优先收集专有数据、集成复杂的应用程序层并确保输出的准确性。
我们建立了一个框架，用于评估 AI 公司应用层的可防御性。首先，该应用必须解决高管优先考虑的真实企业痛点。其次，为了提供切实的利益和长期的差异化优势，该应用应由契合软件特定且独特需求的尖端模型构成。仅仅接入 OpenAI 是不够的；相反，应用应有意识地选择其模型，同时在成本、计算能力和性能之间取得平衡。
第三，应用的复杂程度取决于其所输入的数据质量。专有数据对于获取特定且相关的洞察至关重要，并能确保他人无法复制最终产品。为此，内部中层能力在利用基础模型力量的同时提供了竞争优势。最后，由于生成式 AI 存在不可避免的误差范围，利基市场必须容忍这种不精确性，而这种不精确性 inherent 地存在于销售或营销等主观且模糊的内容中。
初创企业可以假定其未来的企业 AI 客户具备多少技术能力？这种预设的专业知识又在多大程度上指导着初创企业的产品选择和上市策略？
在企业领域，人们清楚地认识到 AI 的价值。然而，许多企业缺乏开发 AI 解决方案的内部能力。这一差距为专注于 AI 的初创企业与客户接触带来了重大机遇。随着商业格局的成熟，利用 AI 的能力正成为一项战略必选项。
麦肯锡报告称，仅生成式 AI 就能通过编写代码、分析消费者趋势、个性化客户服务、提高运营效率等方式，为各行业增加高达 4.4 万亿美元的价值。94%的商业领袖认为，在未来五年内，人工智能将对所有企业的成功至关重要；预计今年全球人工智能总支出将达到1540亿美元，较2022年增长27%。预计未来三年复合年增长率也将达到27%，到2026年，人工智能年度支出将超过3000亿美元。尽管云计算仍然至关重要，但人工智能预算现已是云计算的两倍多。82%的商业领袖认为，整合人工智能解决方案将提升员工绩效和工作满意度，初创企业应预期其未来客户对人工智能解决方案有强烈的需求和使用经验。
最后，我们看到消费型（或基于用量定价）科技产品的增长在最近几个季度有所放缓。这一事实是否会促使构建现代 AI 工具的初创企业转向更传统的 SaaS 定价模式？（OpenAI 基于 token 和用量的定价模式引发了我们的这一思考。）
基于用量的定价模式的发展轨迹与大语言模型的需求自然契合，因为不同用户的提示词/输出大小和资源利用率存在显著差异。OpenAI 每天的算力成本高达 70 万美元以上，因此为了实现盈利，必须有效分配这些运营成本。
尽管如此，我们观察到一种普遍看法：将所有成本与使用量挂钩通常不受终端用户欢迎，他们更倾向于可预测的系统，以便更有效地进行预算规划。此外，值得注意的是，许多 AI 应用并不以大型语言模型为核心支撑，可以采用传统的周期性 SaaS 定价模式。对于不直接向模型提供商发起令牌调用的公司而言，那些致力于构建 AI 基础设施或增值层的公司可能会更倾向于采用此类定价策略。
该技术仍处于起步阶段，许多公司很可能在两种定价模式上都能取得成功。随着大语言模型的广泛采用，另一种可能性是采用混合结构，即针对中小企业设置分层周期性付款和使用量限制，而为大型企业量身定制无上限的基于用量的层级。然而，只要大语言技术仍然高度依赖数据流入，基于用量的定价就不会完全消失。数据流与成本结构之间的相互依存关系将在可预见的未来保持基于用量定价的相关性。
Lisa Calhoun，Valor VC 创始管理合伙人
新兴的大语言模型栈包含多个层次，包括模型、预训练解决方案和微调工具。你预计初创企业会为 LLM 栈的各个独立层级构建分层解决方案，还是采取更垂直的方法？
虽然有一些专注于栈中特定部分的初创企业（如 Pinecone），但 Valor 的关注点在于应用式 AI，我们将其定义为解决客户问题的 AI。Saile.ai 就是一个很好的例子——它利用 AI 为财富 500 强生成可转化的潜在客户线索。或者 Funding U 利用其自有训练数据集创建更有用的信用风险评分。亦或是 Allelica，利用 AI 对个体 DNA 的治疗方案进行分析，从而在特定情况下为您找到最佳的个性化医疗方案。
Datadog 等公司正在开发支持不断扩大的 AI 市场的产品，包括发布 LLM 可观测性工具。像 Datadog 所构建的（以及大型/老牌科技巨头类似）举措是否会压缩初创企业可以构建和竞争的市场空间？
只有当 Datadog 等工具成功监控 AI 性能瓶颈时，它们才能促进 AI 工具的接受度。这本身可能仍是一片 largely 未被探索的领域，在未来几年将经历大量变化和成熟。其中一个关键方面可能是成本监控，因为像 OpenAI 这样的公司主要“按令牌”收费，这与大多数云计算的计量方式截然不同。
如何确保针对特定垂直领域、对生成式AI模型进行调优的行业初创企业具备可持续的竞争优势？
专注于您为客户解决的问题。几乎可以肯定，AI仅能解决任何问题的一部分。如何将各个部分整合在一起，才是打造卓越解决方案的关键。
初创企业在多大程度上可以预期其未来的企业级AI客户具备内部技术能力？这种预期的专业知识又在多大程度上指导初创企业的产品选择和上市策略？
在下一个周期中，我们预计平均而言，应用AI客户的内部“AI技术能力”将与其当前的技术能力相当，而通常情况下，这一能力并不强。“提示词工程（prompting）”和“微调（fine-tuning）”是否会成为内部期望的技能之一，仍有待观察，但这需要时间。那些致力于提供自然交互界面的初创企业将领先一步。
最后，我们看到按消耗量或使用量计价的科技产品的增长在最近几个季度有所放缓。这一事实是否会促使构建现代AI工具的初创企业转向更传统的SaaS定价模式？（基于OpenAI按token和使用量计费的定价模式引发了我们的这一思考。）
到目前为止，我们看到大多数AI初创企业仍坚持采用传统的SaaS定价模式。在后端，基于使用量的分层定价早已是常态（如AWS、Google），因此这并无太大不同，且获得风险投资的公司已经拥有关于如何细分价格的丰富知识库。
Edward Tsai，Alumni Ventures管理合伙人
新兴的大语言模型（LLM）栈包含多个层次，包括模型、预训练解决方案和微调工具。您是否预期初创企业将为LLM栈的各个独立层级构建分层解决方案，还是采取更垂直化的方法？
我认为两边都会有大量初创企业。然而，考虑到OpenAI、Anthropic、Cohere以及其他基础模型公司正在扩展其LLM栈周边工具和解决方案的风险，优质基础设施的门槛会更高。
我认为，“垂直化”（端到端）的初创企业若能提供“垂直化”（行业）解决方案，使业务问题的解决变得简单且无需额外过多工具，则值得认真考虑。在SaaS领域，许多垂直特定的端到端公司表现优异，如Toast和Procore。同样，提供易于使用的工作流和行业特定数据增强的AI垂直解决方案，对其最终的企业客户而言将极具价值。
Datadog等公司正在开发支持不断扩大的AI市场的产品，包括发布LLM可观测性工具。像Datadog所构建的（以及大型/老牌科技巨头类似产出）举措，是否会限制初创企业能够构建和竞争的市场空间？
像 Datadog 这样的 incumbent（在位企业）在向用户部署优质产品时，确实会抢占一部分市场份额。话虽如此，客户的需求多种多样。由于有许多其他数据与 APM 可观测性初创企业与 Datadog 竞争，因此也涌现出许多专注于 AI 的 ML 和 LLM 可观测性玩家，如 Arize 和 Aporia。类似于网络安全领域，也存在专注于 AI 网络安全的初创公司，如 HiddenLayer 和 Protect AI。美国企业市场已习惯于选择大型平台与最佳单品解决方案的组合。
大型科技公司的服务为面向 LLM 部署的小型公司和初创工具留出了多少市场空间？
一个相关的观点是，与 LLM 和 AI 相关的开源工具依然保持着健康的发展态势。包括 LangChain、Weaviate 和 Together 在内的多个项目已成功获得融资。开源初创公司受益于社区的贡献，我认为这在长期来看是一种竞争优势。
如何确保那些针对特定利基市场微调生成式 AI 模型的行业特定初创公司能够建立有效的防御壁垒？
良好的行业特定产品工作流需要一定的行业专有知识和投入（例如整合 niche 行业系统、寻找并非立即可用的数据源），这提高了初创公司竞争的门槛，使得缺乏行业特定知识或不愿深入钻研的在位企业和新进入者更难与之竞争。
话虽如此，我想提出一个颇具争议的观点：风险投资机构和初创公司或许应暂时减少对“防御性”的关注，转而增加对能交付引人入胜价值的产品的关注，并聚焦于快速推向市场。过去一年中，“类人”LLM 性能的显著提升使初创公司能够非常迅速地向终端客户交付重大价值。因此，我相信在许多市场中“总有人会去做”。一些公司将率先推出具有重大价值但市场防御性尚不明确的产品。早期的客户增长和收入增长将帮助初创公司超越市场中日益增多的噪音，并为在更具防御性的利基市场中部署新产品争取时间、资源和客户注意力。
初创公司可以假定其未来的企业 AI 客户具备多少内部技术能力？这种预设的专业知识又在多大程度上指导初创公司的产品选择和上市策略？
市场为各种解决方案提供了空间，从需要技术团队部署的开源解决方案，到面向业务用户、易于使用的拖放式解决方案。初创公司应考虑希望采用何种范围和切入点来部署其产品。简单与美观并非易事。因此，我认为以简洁性和可用性为视角，为企业级 AI 客户设计 AI 和 LLM 相关产品，可能使初创公司相比大型科技公司获得一定的优势。一些大型科技公司可能不愿为了服务那些需要高度定制化能力的大客户而在产品的简洁性和可用性上做出妥协。
最后，我们观察到消费型或基于使用量定价的科技产品增长在最近几个季度有所放缓。这一事实是否会促使构建现代 AI 工具的初创公司转向更传统的 SaaS 定价模式？（OpenAI 基于 token 和使用量的定价模式引发了我们的这一思考。）
随着基础模型性能的提升和价格的下降，我们可能会继续看到更多基于传统 SaaS 的定价模式。在某些用例中，如果根据部署情况需要对基础模型进行大量持续的 API 调用，可能会出现混合模式，例如对异常高用量进行封顶或限流，或者提供定制的“企业”模型。
Wei Lien Dang，Unusual Ventures 普通合伙人
新兴的 LLM 栈包含多个层次，包括模型、预训练解决方案和微调工具。您是否预计初创公司将针对 LLM 栈的各个独立层次构建分层解决方案，还是采取更垂直整合的方法？
像Datadog这样的公司正在开发产品以支持不断扩大的AI市场，包括发布LLM可观测性工具。类似Datadog所构建的产品（以及大型/主导科技巨头的相关成果）是否会压缩初创企业可以建立和竞争的市场空间？
我亲眼目睹了十几家新的初创公司试图将 LLM 应用于可观测性领域，且它们的故事都大同小异。这意味着初创公司创始人必须更深入地思考其公司的“为什么是现在？”这一问题，而不能仅仅依赖于能够使用 LLM 这一事实。LLM 本身并不一定构成一家全新独立公司存在的理由。Datadog 和其他现有巨头并没有缩小整体市场规模，但它们确实给初创公司带来了更大的压力，要求它们在产品差异化方面以及在 Go-To-Market（GTM）策略上具备更强的竞争力。
大型科技公司的服务为专注于大语言模型（LLM）部署的小型公司和初创企业留出了多大的市场空间？
仍有大量空间，因为如果几乎所有公司都将使用大语言模型/AI，只有少数公司会有意愿和预算进行大规模的专业服务合作。我们还将看到更多初创企业提供无需专门AI基础设施团队即可部署LLM的工具。这正是“AI工程师”这一概念兴起的原因——当现有的3000多万开发者能够轻松利用LLM构建应用程序时，AI将产生最大的影响。OpenAI、Anthropic、Cohere等公司在用户中建立了一种期望，即让LLM的入门变得更加容易。
初创企业可以假定其未来的企业AI客户具备多少内部技术能力？这种预设的专业知识在多大程度上指导着初创企业的产品选择和上市策略？
很多，或者至少它应该起到很大的指导作用。我看到许多创始人，尤其是那些来自AI/ML背景的创始人，认为他们的最终用户拥有与他们相同水平的专业知识。但这取决于他们针对的市场细分和用户角色。例如，许多财富500强公司拥有内部的机器学习团队，并在利用机器学习进行欺诈检测、推荐和其他用例方面具备高度的技术复杂性。随着市场下沉，人们在实际操作AI方面的经验较少，但有一种自助式启动的兴趣浪潮。一个人现有的AI专业知识水平完全会影响他们如何描述问题、需要什么样的产品来解决该问题，以及他们希望如何采用这些解决方案。
最后，我们看到按消费或基于用量计价的科技产品的增长在最近几个季度有所放缓。这一事实是否会促使构建现代AI工具的初创企业转向更传统的SaaS定价模式？（基于令牌和用量的OpenAI定价模式引发了我们的这一疑问。）
是的。基础设施公司和应用公司将逐渐放弃基于用量的定价模式，转而通过功能和更好的开发者/用户体验从客户那里获取更多价值。投资者也将更加关注这一点，因为它直接影响这些业务的利润率结构。
Rak Garg，贝恩资本风险投资（Bain Capital Ventures）董事总经理
新兴的大语言模型（LLM）栈包含多个层次，包括模型、预训练解决方案和微调工具。你预计初创企业会为LLM栈的各个独立层次构建分层解决方案，还是采取更垂直整合的方法？
我认为有几层会保持水平分层结构，即芯片组和位于堆栈底部的预训练/微调层。我很难想象一家初创公司会构建一个深入到堆栈这么深的垂直解决方案。在这些层之上，我认为我们将看到水平分层解决方案和垂直方法并存，具体取决于特定的客户画像。对于技术导向、倾向于自建而非采购的公司，我预计它们将以最佳组合的方式消费堆栈各层的专用分层提供商。这使它们能够获得最大的灵活性、可定制性以及与自身环境和背景相关的领域特异性。受监管的行业是另一个例子——由于合规原因，它们无法使用大多数商业产品，因此会采购各种组件以进行内部开发。对于非 regulated 公司内部更功能化的领域，如法律、财务、支持、运营等，我预计它们将购买垂直化应用，这些应用打包了特定团队所需的一切，类似于销售团队可能会引入 HubSpot，而不是要求中央数据团队构建 CRM。
Datadog 等公司正在构建支持不断扩大的 AI 市场的产品，包括发布 LLM 可观测性工具。像 Datadog 所构建的（以及大型/主导科技巨头类似产出）的努力是否会限制初创公司可以构建和竞争的市场空间？
宏观环境正对许多企业预算施加压力，与尝试引入新供应商相比，更容易通过现有供应商扩大规模、增加支出或获得更有利的定价。这种动态正是导致主导型 LLM 产品对初创公司构成如此大威胁的原因。市场机会仍然存在，特别是在安全和可观测性等领域，这些领域历来更青睐最佳组合产品而非主导套件，但由表现达到 80% 水平的主导解决方案造成的预算噪音将使许多初创公司的 Go-to-Market (GTM) 策略面临挑战。我鼓励公司专注于新的机会：那些先前解决方案从未能良好自动化的领域，以及现在可以被重新构想为提升 100 倍的领域。任何低于此标准的表现都将不足够。
最大科技公司提供的服务为面向 LLM 部署的小型公司和初创公司工具留下了多少市场空间？
基础设施和垂直应用软件仍有相当大的发展空间。在基础设施领域，大型科技公司是行业中少数真正在生产环境中大规模运行大语言模型（LLM）并应用于多种用例的企业。在这些技术及其周边领域工作的人才可以离开现有岗位，创办公司，专注于将 LLM 投入生产环境过程中的各项任务，包括推理、数据策展、非结构化数据的 ETL（提取、转换、加载）、RLHF（基于人类反馈的强化学习）沙盒等。在垂直应用方面，尤其是在受监管的行业和手工操作角色中，由于许多现有企业缺乏足够的技术成熟度，存在大量机会。
如何确保那些为特定利基市场微调生成式 AI 模型的行业专用初创公司具备可持续的竞争壁垒？
最近的论文如 LIMA 和 Chinchilla 越来越强调数据质量、课程学习和数据策展对 LLM 质量的关键贡献。从我们自身的投资组合经验来看，能够获取最高质量且最具差异化的数据进行训练或微调，确实能显著改善终端用户的体验。除了模型质量外，产品必须足够优秀以赢得用户并防止流失——这一点始终未变。
初创公司在多大程度上可以假定其未来的企业 AI 客户具备内部技术能力？这种预设的专业知识又在多大程度上影响初创公司的产品选择和上市策略？
根据我与数十家《财富》500 强买家交流的经验，大型企业在其组织内部拥有广泛的技术能力，但在跨部门协同利用这些能力时往往显得迟缓。构建基础设施的初创公司需要说服买家：当前时机合适，技术运营增加的开销值得回报，并且该基础设施解决了公司目前面临的实际问题。而构建应用的初创公司则需要吸引那些将在组织内为其代言的功能性用户；这一过程较少依赖技术能力，更多取决于理解这些“倡导者”手头亟待完成的任务。
最后，我们看到按消费或使用量计价的科技产品的增长在最近几个季度有所放缓。这一现象是否会促使开发现代 AI 工具的初创公司转向更传统的 SaaS 定价模式？（OpenAI 基于 token 和使用量的定价方案引发了我们的这一思考。）
训练和运行推理的经济成本，以及 OpenAI 等托管 API 提供商的定价模型，本质上要求使用这些服务的公司在其定价中包含基于用量的部分。我们观察到一种混合模式：平台费用（例如，每年 10 万美元供整个组织访问该平台）加上基于用量的费用（例如，1 万美元购买 100 个计算额度，按特定计划消耗），以使向终端用户提供由 LLM 驱动的功能变得具有经济可行性。
Sandeep Bakshi，Prosus Ventures欧洲投资负责人
新兴的大语言模型（LLM）技术栈包含多个层次，包括模型、预训练解决方案和微调工具。您是否预计初创企业会为LLM技术栈的单个层次构建分层解决方案，还是采取更垂直的整合方法？
在整个技术栈中构建解决方案仍然极具吸引力，迄今为止我们将大部分时间投入到了垂直领域特定应用和工具空间（即“挖铲”类基础工具）。正如我们的投资组合公司Corti（一家面向医疗保健领域的AI副驾驶）所展示的那样，垂直整合方法使企业能够针对具有特定买家画像的企业进行定制化开发。此外，这也使初创企业能够将模型训练专注于垂直领域的特定数据集，从而提供更相关的回答，而非依赖更广泛数据集得出的结果。
如何确保那些为特定利基市场调整生成式AI模型的垂直领域初创企业具备可持续的竞争壁垒？
这取决于它们能否拥有基于其利基市场特定数据训练的模型，且这些数据具有一定的专有性。归根结底，这也再次取决于买家画像。如预期所示，向大型企业销售的过程更为耗时，进入门槛更高，因为涉及更复杂和多方面的审批流程。因此，一旦企业成功向大型客户销售产品，并持续提供卓越的产品和引人入胜的客户体验，其业务自然具备防御性。
初创企业在多大程度上可以假定其未来的企业级AI客户具备内部技术能力？这种预设的专业知识又在多大程度上影响初创企业的产品选择和上市策略？
这取决于具体的企业AI客户。大型科技 incumbent（即作为企业客户的科技公司）将拥有自己的技术人才，并且由于其工作性质，还能够招聘前沿的技术人才。我倾向于这样思考这个问题：“什么会吸引具备技术能力的员工加入一家公司？”我们认为答案在于该企业是否从事具有技术挑战性的工作。对于专注于垂直领域的企业而言，其AI工作的技术性质可能更多在于评估解决方案并将其实施于其特定垂直领域，而非从头构建，因此我们会发现这类企业对开箱即用的解决方案需求更大。