在最近一封给投资者的邮件中，我提到了“AI的崛起”，其中一位投资者给我发了一条有趣的回复：“‘AI的崛起’这个说法有点名不副实。”
这位投资者、Glasswing Ventures的管理合伙人Rudina Seseri的意思是，像AI和深度学习这样复杂的技术已经存在很长时间了，而围绕AI的所有炒作都忽视了一个简单的事实：这些技术已经发展了几十年。“我们看到最早的企业级应用出现在2010年，”她指出。
尽管如此，我们不能否认AI正享受着前所未有的关注度，全球各行业的公司都在忙于思考它可能对其行业及更广泛领域产生的影响。
Earlybird Venture Capital的合伙人Andre Retterath博士认为，有几个因素正在协同作用，推动这一势头。“我们正见证一场完美的AI风暴，过去70年中演变的三大关键要素终于汇聚在一起：先进的算法、大规模数据集以及对强大算力的访问权限，”他说。
然而，今年早些时候在Y Combinator冬季Demo Day上，看到众多团队提出各种“ChatGPT for X”的版本，我们不禁感到怀疑。几年后它们中还有多少能存活下来？一款“面向X的ChatGPT”版本今年早些时候在Y Combinator冬季Demo Day上。几年后它们中还有多少能存活下来？
Bloomberg Beta的创始合伙人Karin Klein认为，与其坐视不管，不如投身其中并承受失败的风险，因为这是企业无法忽视的趋势。“虽然我们看到了一些‘[插入行业]的Copilot’产品，它们可能在几年后就不复存在，但更大的风险是忽视这个机会。如果你的公司没有尝试使用AI，现在就是时机，否则你的业务将会落后。”
对于普通公司而言如此，对于初创企业来说更是如此：至少对AI进行一些思考是必要的，否则将是一个错误。但初创企业也需要比普通公司更具前瞻性，而在某些AI领域，“现在”可能已经是“太迟了”。
为了更好地了解初创企业在哪些地方仍有胜算，以及在哪些地方寡头垄断动态和先发优势正在形成，我们向一组精选的投资者询问了关于AI未来的看法，他们看到潜力最大的领域是什么，多语言大语言模型（LLM）和音频生成将如何发展，以及专有数据的价值。
这是三部分系列调查的第一部分，旨在深入探讨AI及其行业发展态势。在接下来的两部分即将发表的内容中，你将听到其他投资者关于AI拼图各个部分的见解，初创企业获胜几率最高的领域，以及开源何时可能超越闭源。
我们与以下人士进行了交谈：
- Manish Singhal，创始合伙人，pi Ventures
- Rudina Seseri，创始人兼管理合伙人，Glasswing Ventures
- Lily Lyman，Chris Gardner，Richard Dulude和Brian Devaney，来自Underscore VC
- Karin Klein，创始合伙人，Bloomberg Beta
- Xavier Lazarus，合伙人，Elaia
- Andre Retterath博士，合伙人，Earlybird Venture Capital
- Matt Cohen，管理合伙人，Ripple Ventures
Manish Singhal，pi Ventures创始合伙人
如今领先的生成式AI模型及其背后的公司能否在未来几年继续保持领先地位？
在大型语言模型（LLM）的应用方面，这是一个动态变化的格局。许多公司将在应用领域涌现，但只有少数能够成功实现规模化。就基础模型而言，我们预计OpenAI未来将面临来自其他参与者的竞争。然而，它们拥有强大的先发优势，想要撼动其地位并非易事。
你认为哪些与AI相关的公司创新不足，可能无法在五年后继续生存？
我认为在应用AI领域，将会出现显著的整合。AI正变得越来越通用化，因此那些基于现成模型构建的应用AI公司将难以维持其护城河。
然而，在应用层面以及基础设施侧（工具和平台），确实存在相当多的根本性创新。这些公司可能会比其他公司表现得更好。
开源是否是AI初创公司最显而易见的上市路径？
这取决于你旨在解决什么问题。对于基础设施层公司来说，这是一条可行的路径，但可能并不普遍有效。人们必须根据所解决的问题来判断开源是否是一条好的路线。
你是否希望有更多使用英语以外的语言训练的大型语言模型？除了语言差异之外，你还期待看到哪些其他类型的差异化？
我们也看到了其他语言的LLM，但当然英语是最广泛使用的。基于本地用例，不同语言的LLM确实有其合理性。
除了语言差异外，我们还期待看到针对特定领域（如医疗、法律和金融）优化的LLM变体，以在这些领域内提供更准确和相关的信息。目前已有相关工作在进行中，例如BioGPT和Bloomberg GPT。
当你在真实的生产级应用中使用LLM时，它们存在幻觉和相关性问题。我认为在这方面会有大量工作致力于让它们开箱即用，更加实用。
AI模型注定会一直产生幻觉吗？
在当前季度或未来几个月内，现有的构建神经网络的大语言模型方法被颠覆的可能性有多大？
这肯定可能发生，尽管可能需要比几个月更长的时间。一旦量子计算走向主流，AI格局将再次发生显著变化。
鉴于ChatGPT的热度，生成式音频和图像生成等其他媒体类型是否相对被低估了？
多模态生成式AI正在加速发展。对于大多数严肃的应用场景，需要这些技术来构建系统，尤其是图像和文本。音频是一个特殊情况：目前在音乐自动生成和语音克隆方面有大量工作正在进行，具有广泛的商业潜力。
除此之外，代码自动生成正变得越来越流行，而视频生成也是一个有趣的维度——我们很快就能看到完全由AI生成的电影！
在你看来，拥有专有数据的初创公司现在是否比AI兴起之前更有价值？
与外界可能认为的不同，专有数据能带来良好的起步优势，但最终很难保持数据的专有性。
因此，技术护城河来自于智能设计的算法与数据的结合，这些算法经过产品化并针对特定应用进行了微调。
通用人工智能（AGI）何时能成为现实，如果它能成为现实的话？
在某些应用中，我们已接近人类水平，但我们距离真正的AGI仍有很长一段路要走。我还相信，在某个阶段之后，它是一条渐近曲线，因此全面实现可能需要非常漫长的时间。
要实现真正的AGI，神经科学和行为科学等多项技术也可能需要汇聚融合。
你是否重视你所投资的公司参与关于AI未来的游说活动和/或讨论小组？
并非如此。我们的公司更专注于解决具体问题，而在大多数应用场景中，游说并不能带来帮助。参与讨论小组是有用的，因为这可以让我们随时了解事态的发展。
Rudina Seseri，Glasswing Ventures创始人兼管理合伙人
如今领先的生成式AI模型及其背后的公司能否在未来几年继续保持领先地位？
像Alphabet、Microsoft/OpenAI和Meta这样的基础层模型提供商可能会在长期内维持其市场领导地位，并形成寡头垄断格局。然而，对于那些提供显著差异化优势（如Cohere及其他在基础层资金雄厚且高度重视信任与隐私的参与者）的模型，仍存在竞争机会。
我们尚未投资，未来也不太可能投资于生成式AI的基础层。这一层最终可能会呈现两种状态之一：一种情况是，基础层将呈现出类似云计算市场的寡头动态，少数几家主要玩家将攫取大部分价值。
另一种可能性是，基础模型主要由开源生态系统供应。我们认为应用层为创业者和风险投资者提供了最大的机会。那些能为客户带来切实、可衡量价值的公司，能够取代现有类别中的大型 incumbent 企业，并主导新兴领域。
我们的投资策略明确聚焦于提供增强型技术、对基础模型起到补充作用的公司。
正如云计算领域的价值创造并未止步于云计算基础设施提供商一样，整个生成式AI栈的价值创造才刚刚开始。生成式AI的竞争远未结束。
你认为哪些AI相关公司在创新方面不足，以至于五年后仍无法生存？
AI领域的某些细分市场可能无法作为长期业务持续存在。一个典型的例子是“GPT包装器”类别——即围绕OpenAI的GPT技术构建的解决方案或产品。这些解决方案缺乏差异化，容易被其市场中现有主导玩家推出的功能所颠覆。因此，它们很难在长期内保持竞争优势。
同样，那些不能提供显著商业价值或未在高价值、高成本领域解决问题的公司，将无法成为可持续的业务。试想一下：为一个实习生简化一项简单任务的解决方案，不可能发展成为一个重大业务；而为一个首席架构师解决复杂挑战、提供独特且高价值收益的平台则完全不同。
最后，那些产品无法无缝融入现有企业工作流和架构，或需要大量前期投入的公司，将在实施和推广方面面临挑战。这将成为成功实现有意义投资回报（ROI）的重大障碍，因为当需要改变用户行为并进行昂贵的架构调整时，门槛要高得多。
开源是否是AI初创公司最显而易见的市场进入途径？
开源模型促进了社区的协作与改进，而闭源模型作为专有软件，通常提供独特的功能。从长远来看，企业可能会采用混合方法：利用开源模型确保透明度和创新，同时利用闭源模型根据业务需求提供卓越价值。
在这些早期阶段，初创公司可以通过利用开源进行初始平台/解决方案开发，从而受益于较低的成本、更高的生产力和频繁的产品更新。然而，这一选择可能会使它们在安全性和防御性方面暴露出漏洞。
你是否希望有更多使用英语以外的语言训练的大语言模型（LLM）？除了语言差异外，你还期望看到哪些其他类型的差异化？
我具备多语言能力，因此这对我个人来说很有吸引力，但这些模型对于服务大型企业将更有价值，因为大型企业本质上通常是高度国际化的。
我们最近在这一领域见证了一项重大突破，即Meta推出的Seamless，“首个全合一的多模态多语言AI翻译和转录模型”。Meta的模型能够执行多种AI翻译和转录任务，包括语音转文本、语音转语音、文本转语音以及文本到文本的翻译，支持近100种语言。
除了语言之外，我对能够分析和生成文本并利用多种数据形式的多模态模型感到非常兴奋。
鉴于ChatGPT引发的炒作热潮，其他媒体类型如生成式音频和图像生成是否相对被低估了？
ChatGPT占据了绝大部分的热度。然而，目前还有更多正在开发中的技术，将文本与图像、文本与视频、图像与3D模型相结合，以及介于两者之间的各种迭代版本。
具体到音频领域，存在一些文本所不具备的挑战。试想一下文本的训练集规模（整个互联网及更多内容）与音频训练数据的对比。音频数据要有限得多，而且理解和训练人员处理音频也困难得多。此外，还存在诸如音频中的语调等复杂性，这在文本中是不存在的。例如，模型会如何利用语调来判断我们是在争吵还是在享受乐趣？
此外，音频的模型验证和性能评估更为复杂。如果你无法对对话类型进行定量或定性评估，又该如何在此基础上构建模型并提取数据？我们预计音频模型将迎来重大突破，但从技术角度来看，它落后于文本是合理的。这只是一个技术进步的问题。
在你看来，拥有专有数据的初创公司如今是否比人工智能兴起之前更具价值？
“人工智能的崛起”这一说法有些名不副实。即使是代表利用神经网络更先进的机器学习的术语“深度学习”，也可追溯至2006年，而我们在2010年就看到了最早的企业级应用。确实，公众关注的程度才是相对较新的现象。
每一家能有效利用人工智能的公司都将变得更有价值。这是因为更有效的预测性分析以及以往无法实现的自动化，将从顶线（如销售和营销）到底线（如供应链和物流）创造经济价值。
话虽如此，能够提升特定用例中模型性能的专有数据将使这些公司更具价值。这涵盖了从制造业到零售业的各个领域：在制造业中，围绕生产流程、质量保证和供应链的专有数据可用于优化制造效率并执行预测性维护；在零售业中，围绕客户购买历史、偏好及其他行为数据的专有数据可用于更准确地预测销售额，并更好地优化定价策略和营销活动。
通用人工智能（AGI）何时能成为现实，如果它能成为现实的话？
通用人工智能（AGI）是一种理论上的可能性，但由于大型语言模型（LLMs）看似人性化的互动而受到的关注是一种虚假的表象。大型语言模型并非通向通用人工智能的直接路径，原因有很多。首先，大型语言模型只是“鹦鹉学舌”，它们并不具备推理能力。生成式人工智能（Gen AI）的“涌现”行为在某些人看来似乎非常像人类，但这分散了人们对这样一个事实的注意力：虽然生成式人工智能模型在某些方面表现出色，但在训练数据之外的简单任务上，其错误率仍然很高。
其次，大型语言模型无法综合出训练数据中尚未代表的观点。这就是为什么针对同一主题的不同提示会生成截然不同的回答。第三，大型语言模型不会推导出世界的规则。如果大型语言模型是在数学教科书上训练的，它并不会推导出物理规则，例如特定周长的管道无法放入周长较小的孔中。
你是否认为你投资的公司参与关于人工智能未来的游说和/或讨论小组很重要？
我们投资于拥有坚实技术基础的公司和创始人，并相信他们懂得如何围绕这些才能构建业务。我们的创始人密切关注人工智能行业的新闻、议题和拟议标准，同时利用最先进的技术、算法和模型。
通过与行业同行的互动以及关于人工智能未来的讨论，他们继续确保人工智能以深思熟虑、合乎道德且负责任的方式向前发展，这反映并符合我们的投资多样性、公平性和包容性（DEI）及环境、社会和治理（ESG）政策。
Underscore VC的投资者
当今领先的大语言模型及其背后的公司能否在未来几年保持领先地位？
Chris Gardner，普通合伙人：市场变化太快，目前尚难定论谁是赢家或输家。由于许多平台正在作为开源共享，“领导力”的概念变得模糊。话虽如此，不要忽视Apple。
你认为哪些与人工智能相关的公司在创新方面不够强，以至于五年后仍无法生存？
CG：仅在开源模型之上构建薄层用户界面的公司将难以在长期内实现差异化。真正的价值在于利用专有、特定行业的数据来驱动模型。
Lily Lyman，普通合伙人：第X代生成式照片或视频平台若不能在长期内找到特定的功能或垂直用例，使工作完成得更好或更快（提升10倍），或解锁此前无法访问的一组数据资产，将难以实现差异化。
对于人工智能初创企业来说，开源是否是最明显的上市路径？
Richard Dulude，普通合伙人：即使投入10亿美元去超越开源的市场推广，你也无法与其分销模式竞争，尤其是在人工智能领域。此外，从长远来看，你无法与全球分布式社区所能实现的创新相抗衡。
你是否希望有更多使用英语以外的语言训练的大型语言模型（LLM）？
CG：为了构建全球人类知识的最佳表征，模型应基于全球所有数字化内容进行训练，而不仅仅是英语。随着时间的推移，开源工具的可获得性将确保模型能够使用世界上所有语言进行训练。例如，即使在最近大型语言模型（LLM）发布之前，谷歌的翻译团队就已经开始着手为梵语开发人工智能驱动的翻译技术！
除了语言差异之外，你还预计会看到其他哪些类型的差异化？
LL：除了大型语言模型中数据的类型和体量之外，我们认为在数据模式或架构方面，即如何整合数据，也存在有趣的差异化机会。
如果做得好，架构将允许以模块化方式利用最新模型，同时保持无缝、一致的用户体验基础。
在当前季度或未来几个月内，当前构建神经网络的大型语言模型方法被颠覆的可能性有多大？
RD：大型语言模型只是具有特定优缺点的一类神经网络。虽然它功能强大，但当前方法存在许多缺点——成本和缺乏可解释性是其中最大的两个——因此毫无疑问会出现颠覆。
基础模型出现更多创新的可能性实际上是100%。我希望其中更多的创新是开源的。
鉴于围绕ChatGPT的热度，生成式音频和图像生成等其他媒体类型是否相对被低估了？
CG：我们对生成式语音带来的机遇感到兴奋，它将对个体企业和整个行业产生深远影响。只需三秒，我就能克隆你的声音或创作一首流行金曲，生成式音频领域即将变得非常有趣，而早期的创新已经触发了版权法巨大且迟来的变革。
Brian Devaney，董事总经理：结合文本、语音/音频以及图像/视频的多模态AI特别引人注目。此外，我们关注文本输入如何输出代码、图像和视频。我们认为这些交互方式有望改变我们日常与软件互动和协作的方式。
在你看来，拥有专有数据的初创公司nowadays是否比AI兴起之前更有价值？
LL：专有数据和垂直化数据正成为极具价值的资产，许多垂直SaaS和行业云公司可以随着时间的推移加以利用。然而，在数据权利、可解释性以及小语言模型的处理方法得到妥善解决之前，我们距离真正释放这一价值仍有相当一段距离。
一旦数据的“财产权”变得更加清晰，价值将大幅向这些数据集的所有者转移。
通用人工智能（AGI）何时能成为现实，如果它能成为现实的话？
LL：未来几十年内，我们很可能会看到通用人工智能（AGI）的版本出现。但确切的时间表将取决于由麻省理工学院主导的某些研究项目的进展速度。希望这个时间表能让我们有足够的时间为AGI必然带来的伦理和安全挑战设置护栏。
你是否认为你投资的公司参与关于AI未来的游说和/或讨论小组很重要？
LL：作为行业的一员，我们有机会和责任以鼓励安全使用这项强大技术但不抑制创新的方式来支持AI的发展。当我们看到投资组合公司的创始人积极参与这些讨论时，我们感到十分振奋。
Karin Klein，Bloomberg Beta创始合伙人
当今领先的人工智能生成模型及其背后的公司能否在未来几年继续保持领先地位？
如今领先的AI公司起步良好，这在很大程度上归功于他们在过去两年吸引的非凡人才以及筹集的大量资本。虽然OpenAI在数据获取和算力方面为其构建模型提供了显著的先发优势，但我们已经看到计算成本下降，新进入者不断涌现。技术的魅力在于总为新进入者留有空间——例如，直到最近，OpenAI的GPT-4似乎仍不可撼动，但现在已有其他替代方案可供考虑。
你认为哪些与AI相关的公司在创新方面不够充分，以至于五年后可能无法继续生存？
虽然我们看到了许多“[填入行业]的Copilot”产品，其中一些可能在几年内就会消失，但更大的风险是忽视这一机遇。如果你的公司没有尝试使用AI，现在是行动的时候，否则你的业务将会落后。
有时，领导者会以数据准确性和数据隐私等担忧为由推迟实验。我们鼓励他们从低风险数据集和使用案例的实施中吸取经验。
例如，先从内部使用的聊天机器人开始，而不是客户服务机器人。组建一个小规模的员工团队参与进来，并对结果提供反馈。
对于企业的几乎每个方面，从客户服务到工程再到招聘，都存在巨大的潜在机遇，包括洞察分析、效率提升、个性化服务、节省时间、可扩展性等更多优势。
开源是否是AI初创公司最显而易见的市场进入途径？
是的。如果一家初创企业专注于开发者并拥有构建社区的可靠方法，开源将为推进产品和吸引新用户提供一个强有力的途径。我们也喜欢其透明度以及它所促进的合作方式。
话虽如此，如果产品将在企业环境中使用，鉴于面临的一些挑战（如数据隐私、知识产权归属、幻觉、安全、版权等），公司最终仍需开发一套企业销售流程。
你是否希望有更多用英语以外的语言训练的大型语言模型（LLM）？除了语言差异外，你还期待看到哪些其他类型的差异化？
用其他语言训练LLM可以带来诸多好处，例如更高的可访问性、文化意识、翻译准确性以及减少偏见。这可能会推动沟通领域的重大进步，并促进更好的文化理解。
想象LLM用媒体、图像和声音等新形式的数据进行训练的潜力也令人兴奋。由于大多数文本已被扫描数字化，这些模型对更多数据的需求迫切。
在当前季度或未来几个月内，当前构建神经网络的大型语言模型方法被颠覆的可能性有多大？
尽管发展速度很快，但要具体说明时间点却很困难。大型科技公司资金充足的初创公司正专注于在这一领域建设，因此随时可能引入新技术和方法。或者，如果这些进展仅用于内部目的，我们可能根本不会听到相关消息。
鉴于ChatGPT引发的热潮，生成式音频和图像生成等其他媒体类型是否相对被低估了？
文本显然占据了大量的注意力，因为它对最广泛的用户群体（包括消费者和企业高管）来说是最直接可用的。然而，许多精明的工程师和产品负责人正在使用各种数据输入和技术。他们认为生成式音频和图像生成也具有潜力。
通过减少编辑视频或创建游戏纹理等工作，有可能释放创意人员的时间。它还可以扩展现有能力，例如创作新艺术或使教育产品更具吸引力和有效性。有许多令人兴奋的应用前景。我们的思维是唯一的限制因素。
在你看来，拥有专有数据的初创公司现在的价值是否比人工智能兴起之前更高？
在某种程度上，专有数据一直具有产生优势的潜力。话虽如此，人工智能是一种以数据驱动的技术，初创公司拥有的数据越多，就越能更好地训练其模型，从而提供更好的服务、创造新产品等。
例如，一家收集客户行为数据的初创公司可以利用这些数据来开发更精准的营销活动或产品推荐。多年来，我们每个人都可能因为基于购买历史的推荐而向亚马逊购物车中添加了不少商品。
通用人工智能（AGI）何时能成为现实，如果它能成为现实的话？
我们怎么知道这不是由通用人工智能（AGI）写的？
你是否认为你投资的公司参与关于人工智能未来的游说和/或讨论小组很重要？
虽然我们并不强加特定要求，但初创公司创始人了解政府运作方式及其对业务的潜在影响非常重要。创始人自身有机会展示如何负责任地构建人工智能。
在华盛顿特区，我们最近为国会AI核心小组组织了一场关于当前AI技术的简报会。我们将我们投资的AI创始人与政府官员聚集在一起，让他们相互学习，并在新兴的AI政策立法对话中展开合作。
Xavier Lazarus，Elaia合伙人
当今领先的生成式人工智能模型及其背后的公司能否在未来几年保持领先地位？
仅掌握基础模型不足以成为长期领导者，但一些公司将脱颖而出，尤其是那些最有效和创新的公司。
你认为哪些与人工智能相关的公司创新不足，无法在五年后继续生存？
OpenAI应该能够持续存在，但可能不再作为一家独立公司。每家大型科技公司都将拥有自己的技术，一些开源领域的领导者可能会涌现并保持独立。Mistral.Ai可能就是其中之一。
开源是否是人工智能初创公司最显而易见的上市路径？
本不应如此，因为明确的领导者OpenAI并非开源。然而，目前看来，开源似乎是避免与OpenAI竞争的最明显选择。
你是否希望有更多使用非英语训练的大语言模型？除了语言差异之外，你还期待看到哪些其他类型的差异化？
当非英语思维流派用非母语表达时，其力量会被削弱。仅用英语进行训练意味着忽视其他思想流派的要素。能够学习所有语言意味着汲取各文化的精华。
在当前季度或未来几个月内，目前构建神经网络的大语言模型方法被颠覆的可能性有多大？
目前的创新路线图是降低在特定主题上训练大语言模型所需的计算成本和数据量。这可以在不破坏核心技术的情况下实现，但在某个时刻，你会遇到由新想法带来的新壁垒——当时Transformer就是一个新想法。也许这个新想法已经存在于某些实验室中，只是尚未被市场需要或大众所知。
鉴于ChatGPT的热度，生成式音频和图像生成等其他媒体类型是否相对被低估了？
真正的大机会在于代码生成。开发人员的成本远高于文案撰写者，且资源更为稀缺，因此尽管它不如ChatGPT或Dall-E那样引人注目，但创新应在此短期内聚焦于此。
在你看来，拥有专有数据的初创公司如今是否比AI兴起之前更有价值？
专有数据一直是一个巨大的财富来源——看看Google或Meta在生成式AI之前的表现即可。生成式AI只是将这种财富推向更高水平的另一个工具。是的，拥有独特数据的价值日益增加。
通用人工智能（AGI）何时能成为现实，如果它能成为现实的话？
机器在许多任务上优于人类，通常也优于部分人类，但它们并非过去、现在和未来人类中的天才。
你所在的投资公司是否重视参与关于AI未来的游说活动和讨论小组？
初创公司的声音被听到很重要，因为它们不想陷入两难境地——夹在美国大型科技公司和欧洲监管之间。
安德烈·雷特拉特博士（Dr. Andre Retterath），Earlybird Venture Capital合伙人
当今领先的人工智能模型及其背后的公司能否在未来几年保持领先地位？
不同的大语言模型正在趋同，并将日益商品化。因此，深度的产品集成以及通过直接渠道或间接渠道的分发将成为关键。当今领先的人工智能公司需要将其技术上的（通常是高度以研究为导向的）先发优势转化为实际产品和可衡量的商业价值，以巩固其地位并与客户建立持久的关系。
我预计只有少数超大型公司会发展起来，其中一些今天已经处于领先地位。
开源是否是AI初创公司最显而易见的市场进入途径？
是的！虽然“封闭与开放”的最终决策取决于具体情境，但我通常强烈支持采用开源的市场进入策略，因为它带来多种好处。
首先，公司可以积极吸纳更广泛的研究人员和开发者社区来塑造其技术并保持竞争优势。其次，它允许任何希望在其自身公司或产品中部署相应解决方案的人验证和审视底层技术。这对于可信度和可解释性尤为重要。很少有客户愿意让一个黑盒运行其业务中最关键的部分。
最后，开源降低了探索的门槛，从而提高了整体采用率，进而可能推动巨大的商业成功。
你是否希望有更多使用除英语以外的语言训练的大语言模型（LLM）？除了语言差异外，你还期待看到哪些其他类型的差异化？
虽然当前的差异化可能集中在文本、图像或代码等模态上，但重点很快将转向产品属性，如可解释性、可追溯性、合规性和护栏机制，以确保文化对齐。
从根本上说，大语言模型（LLM）封装了人类知识及其从不同模态的训练数据中学到的价值观。一个可靠且值得信赖的品牌，以及大语言模型提供商与其客户之间的对齐，将成为未来最重要的差异化因素之一。
当前构建神经网络的大语言模型方法在未来几个季度或几个月内被颠覆的可能性有多大？
我们正见证一场完美的AI风暴，过去70年中演变的三大关键要素终于汇聚在一起：先进的算法、大规模数据集以及对强大算力的访问。我确信这些深度交织的维度将继续发展，并最终通向通用人工智能（AGI）。在这个更大的背景下，神经网络是强大的工具，但我们是否会在不久的将来探索出更有效的工具尚不清楚。
鉴于ChatGPT的热度，其他媒体类型如生成式音频和图像生成是否相对被低估了？
我坚信，热度和关注度并不总是与价值积累成正比。ChatGPT是一个强大的接口，极大地改变了人类与大语言模型（LLM）交互的方式——不再是代码和复杂的提示词，而是自然语言。围绕它的合理热度很可能源于其广泛的应用场景和广泛的消费者关注。
大多数生成式音频或图像生成的LLM则有所不同，它们往往针对特定用例，并且通常专注于专业用户或企业。因此，相比ChatGPT，许多不太知名的大语言模型公司在获得关注度方面相对较少，尽管它们的价值创造能力可能相当可观。
在当今时代，拥有专有数据的初创企业是否比在人工智能兴起之前更受您青睐？
绝对是！许多公司自大数据热潮以来一直在收集、存储和处理数据，但往往缺乏明确的应用场景和对潜在价值的认知。随着大语言模型（LLMs）的出现，我们突然能够释放这些价值，使这些公司通过垂直领域的LLM获得独特的竞争优势。
从观察Twitter、Reddit或Stack Overflow等不同在线服务的保护性反应来看——它们都关闭了API并限制了对LLM训练的数据访问——人们似乎越来越意识到数据的内在价值。LLM的兴起本质上只是一个触发因素，而专有数据的访问权已成为一种强大的护城河。
通用人工智能（AGI）何时可能成为现实？或者说，它真的会实现吗？
考虑到创新的加速速度，并extrapolate过去几十年的成就，我坚信我们将比预期更早地实现AGI——可能在未来的10到20年内。
您是否重视您所投资的公司参与关于人工智能未来发展的游说活动和/或讨论小组？
鉴于人工智能对我们生活各个方面的巨大影响，深思熟虑的监管和负责任的发展（以及使用！）至关重要。塑造人工智能的未来将是我们的文明中最关键的项目之一，我期望所有有能力且受过足够教育的人都能贡献他们的观点并参与其中。
Matt Cohen，Ripple Ventures管理合伙人
当今领先的生成式AI模型及其背后的公司能否在未来几年继续保持领先地位？
随着创新的持续，很可能会看到领导地位的更迭。成熟公司将拥有资源，但初创企业也可能带来颠覆性技术，以及大型incumbent不感兴趣追求的独特用例。
您认为哪些与AI相关的公司在创新方面不够强，以至于五年后仍无法生存？
无法指出具体的公司，但不投资于研发的公司可能会落后。看到Zoom和Dialpad等公司宣布基于客户数据和对话训练的类GPT解决方案，这可能会完全适得其反，因为人们对数据保护的意识正在增强。
开源是否是AI初创企业最显而易见的市场进入途径？
开源促进了协作和创新，但它可能不是唯一的途径，因为这取决于商业模式和目标市场。许多开源模型非常适合起步，但也可能变得商品化，因为公司需要在此基础上构建更多内容。
您是否希望有更多用英语以外的其他语言训练的LLM？除了语言差异之外，您还期待看到哪些其他类型的差异化？
是的，更多其他语言的大语言模型将促进全球包容性，并帮助世界各地的人们进入那些新进入者有限的新兴行业。例如，海外雇主可以利用大语言模型与美国保险或医疗保健行业的客户进行外语交流，从而进入这些行业。
在未来几个季度或几个月内，当前构建神经网络的大语言模型方法被颠覆的可能性有多大？
这是有可能的，因为该领域正在迅速演变。新的方法论不断被探索，我们可能会看到企业因其专有数据而在科技领域成为领导者。看看麦肯锡（McKinsey）是如何使用其内部AI工具的。也许他们会将该工具出售给其他企业，从而转型为一家SaaS公司。
鉴于ChatGPT的热度，其他媒体类型如生成式音频和图像生成是否相对被低估了？
是的，对ChatGPT等文本模型的聚焦可能会掩盖其他媒体类型的潜力，而生成式音频和图像模型具有巨大的潜力，尤其是在大规模内容创作方面（如社交媒体、YouTube广告等）。
在你看来，拥有专有数据的初创公司如今是否比人工智能兴起之前更有价值？
专有数据可以成为一种强大的资产，尤其是在人工智能兴起的背景下，可能更容易在初期作为护城河进行评估。然而，这取决于数据如何与公司的目标和行业需求相契合，以及用例是否足够大，以至于客户愿意为多年期合同支付访问这些软件工具的费用。
通用人工智能（AGI）何时能成为现实，如果它能实现的话？
通用人工智能是一个复杂且长期的目标，预测具体时间线颇具挑战。需要持续的研究和突破，因此我认为还需要大约10年。