2022年11月ChatGPT的发布将世界推入人工智能时代，科技行业格局重塑。自12月以来，几乎所有融资演示文稿的前两页均提及AI。
然而，面对新兴技术，风投需迅速制定策略，甄别高潜力初创企业与仅靠炒作或面临难以克服挑战的企业。这要求熟练掌握生成式AI价值堆栈各层面，明确投资领域并制定尽职调查策略以评估风险与机遇。
具体而言，生成式AI由以下部分组成：
- 数据
- 中间件
- 微调后的专用模型
- 云和基础设施层
- 基础模型
- 应用层
在该技术堆栈中，部分领域极具投资价值，而其他领域对种子期公司竞争挑战较大。以下为详细分析。
我们感兴趣的领域
数据
信息准确性与可靠性是生成式AI的最大挑战，亦是最大机遇。当前模型基于海量数据集构建，内容虽丰富但混杂大量无关信息。
未来几年，生成式AI应用生态将由更精确的数据或不同、更专业的模型片段构成。这些专用模型利用特定领域专有数据，而非广泛撒网，有助于个性化输出并确保准确性。
将专有数据注入基础模型并结合合适的中间件架构，将催生专用模型，为消费端和企业端交互的应用层提供动力。
中间件
中间件位于数据层旁，指支持新型生成式AI应用开发的工具和基础设施，是我们投资论点的第二部分。
我们对以下公司持乐观态度：能评估并确保模型输出的安全性、准确性和隐私性；跨多个模型协调推理过程；以及优化将专有数据融入大型语言模型（LLM）的基础设施和工具。
微调专用模型
将专有数据注入基础模型并结合合适中间件架构，可产生专用模型，驱动消费端和企业端应用层。此类应用不仅通过访问专有数据和专用模型建立护城河，还将通过分销和用户界面等传统优势构建壁垒。
我们不感兴趣的领域
云和基础设施
硬件和软件基础设施参与者（包括半导体、芯片制造公司及托管GPU的云数据中心）是生成式AI开发经济的关键组成部分。几乎所有生成式AI内容均需云端托管GPU，而云基础设施主要由Google、Microsoft和Amazon三大提供商垄断。因此，种子阶段公司无法与之竞争。
基础模型
OpenAI、Cohere和Stability等基础大语言模型是生成式AI先驱及行业知名代表。这些模型基于数千亿参数构建，耗时数年，训练成本达数亿美元。其融资历史凸显了打造产品所需的天量投资，种子期公司无法抗衡原生AI大语言模型的先发优势。
技术栈投资领域内的论点
垂直应用
未来最成功的生成式AI驱动应用将超越基础模型，包含尚未形成的专用模型组合。这些专为特定用途定制的AI模型通过微调、上下文学习等技术满足特定用例或工作流需求。
模型利用领域独有专有数据提升输出、个性化和准确性。若所需数据大多公开可用，则限制初创企业价值；若需连接客户仓库或其他应用程序获取数据，则具备提供持久价值的潜力。此外，AI输出必须具备防御性，围绕其构建的软件和工作流自动化也须足够稳健。
此类技术在法律、医疗、金融、零售、物流、制造和酒店业等领域潜力巨大，特别是在文档分析、人力资源、流程自动化、生成式设计和智能体辅助方面。
ML中间件
基础模型并非即插即用，通常需要模型编排、运维、提示工程、安全隐私保护及开发者框架等辅助步骤。
更强大灵活的工具将赋能现有构建者利用生成式AI。通过普及化并使基础模型栈对更广泛的新型构建者开放，将加速该领域发展与应用。
我们认为这将对开发者框架、数据源与操作、评估及更广泛的“模型运维”产生重大影响。
尽职调查
若初创公司处于上述可投资范式之一，开展全面尽职调查时需关注细微差别，以准确捕捉每家生成式AI公司的风险与机遇。
我们将这些细微差别与早期软件公司评估最佳实践结合，创建了针对AI的综合交易评估框架。重点领域包括：
团队
AI已成为热门领域。我们避免追逐热点的“游客型”创始人，寻求真正具备卓越能力的AI专家。
AI栈与架构
虽然基础模型未来可能商品化，但目前模型选择至关重要。AI产品价值取决于开发者围绕其构建的架构，包括提示（prompts）、嵌入（embeddings）及其存储检索机制、上下文窗口管理，以及引导用户完成产品旅程的直观用户体验（UX）设计等技术决策。
数据
评估公司可访问的专有数据，以及如何训练模型以实现随时间推移的学习能力。
训练
考察特定模型训练成果与基础模型的基准对比及模型准确性。若在上述任一领域出现阶跃式改进，则表明存在新的生成式AI应用机会。
单位经济学
新AI技术栈引入新计算成本，必须对每个生成式AI业务进行新的单位经济学分析。在当前宏观经济融资环境下，令人信服的单位经济效益至关重要。
大卫与歌利亚
拥有即时分销优势的现有主导企业（incumbent）能将生成式AI整合到现有产品组合中，这在市场中前所未有。我们将此称为“大卫与歌利亚”框架，这种形式的防御性分析是我们审视每个生成式AI项目时投入大量时间的工作。