過去的大數據到AI時代,以及今年開始風行的LLM(Large Language Model,大型語言模型),許多創業者都希望趕上這一波的浪潮,但如果用一句話來形容你是做怎樣的LLM服務,你的客戶是誰,你怎麼收錢的,在整個生成式AI(Generative AI)的頻譜中,你落在哪一塊?你會怎麼回答?
我透過LLM解決某個領域的問題
LLM現在似乎就像是個魔法一樣,你只要說「我透過LLM來解決什麼問題」,就好像是已經踏入了LLM的世界中一樣,已經是AI創業的一員。但想像跟實際還是會有落差的,例如你的資料源怎麼來?要怎麼處理?你是幫自己的題目做,還是你是個工具可以幫別人解決問題?你怎麼找到這些客戶並且使他們付費使用?如果持續問自己下去的話,那就是把你的整個商業模式都想過一遍,那你就會知道你現在所規劃的LLM相關的商業模式是否可行,或者他只是一個聽起來很美好的噱頭。
參閱:[布蘭登觀點 072] 從商業模式分析創業者思維、[布蘭登觀點 090] AIGC 百花齊放的背後,更重要的是慎選商業模式
生成式AI有哪些類型?
下圖是我對於生成式AI整體概況所做的簡單分類法,主要切分成Data Set層級、Model層級以及Application層級來看。不管如何,我認為AI的根本還是你的Data來源,過去LLM出現前的時代,我們常講如果AI要做得好,那你得要拿相關的Data去訓練出來的模型才是會比較符合實際狀況。但LLM出來後,這個預先訓練好的Model似乎可以很通用的套到各個領域去,如果以使用者感受上的跳躍性,看起來是有這樣的效果,但半年多下來,有許多人也嘗試著餵入自己的資料來看LLM產出的結果,結果上還是有精確度、出錯率下降的一些差別,加上有些企業對於自己內部資料的隱私性與保密性,也可能更傾向透過LLM的技術來訓練自己的模型,所以這個可能是一個可以做的方向。
Data層級
我認為從Data層級切入到AI或者是LLM的角度是很直接的,但必須是過去幾年就專研在Data領域的創業者,可以建立在過去已經在Data層投入的基礎上,架上些LLM的模型,提供給既有客戶更多AI化的服務,這個例子我們可以從Databricks併購MosaicML的新聞裡看出這個趨勢。
Model層級
我認為這些Fundamental Models的優勢,還是掌握在矽谷一流的團隊身上,加上能夠募集到足夠多的資源,才有辦法在這個賽道上持續進步與勝出。如果是資本募集能力沒那麼強的團隊,我認為Application層級會是主要的戰場。
Application層級
我這邊在圖上先粗略的切成AI-Native Services(原生AI服務)與Embedded AI(嵌入式AI服務)兩類,這兩類的差別在於AI-Native的團隊多數都是從開發LLM的新創跑出來創業的,或是他們被OpenAI投資的支持,除了資金外,他們也有機會採用OpenAI比較新的技術,你也可以理解成,他們是根據LLM的技術,來找相對應的題目解決問題;而Embedded AI的團隊我理解成是過去就透過軟體的力量來解決客戶的問題,只是AI的成分沒那麼多,不過過去幾年經營下來,也有一定的User Base,而透過採用新的AI技術,來提升原本服務的品質與效率,使其使用者可以有更好的產品體驗。接下來幾年的時間,AI將變成標配,也就是任何服務背後都有AI,而AI的技術基本都有一定的準確性時,那屆時能使新創勝出的,還是回到團隊在商業模式、產品與服務本身的執行力。
若硬是要拆分比較兩種類型的團隊,AI-Native的團隊應該是技術力較強,但對於怎麼服務客戶這件事情,不一定會比Embedded AI的團隊有經驗,這是他們在未來幾年需要學習與克服的,當然你也會有機會看到有些AI-Natvie的創業者是連續創業家,過去就已經有經營過幾個Web2時代的服務甚至賣掉過,那這類創業家的好處就是,在做生意上應該就更有經驗,加上新的技術加持下,成功率也許有機會更高。但我認為兩者中都會個別有特例,而我們投資就是要尋找到最有可能勝出的團隊,這個硬是二分法的觀點,也只是用大類型的方式,讓大家感受一下兩種類型團隊可能的差異性而已。
除了上述的層級拆分之外,我這半年多也遇到幾類生成式AI的團隊:
LLMOps
這個是比較接近資料層與Model層的創業題目,本質是做工具來協助其他公司可以在導入與管理LLM時,有個比較方便使用的工具。這類團隊可能遭遇的挑戰在於如何協助客戶將資料有效率的導入。這類團隊的客戶往往都有自己累積的資料,只是資料源可能來自於不同的服務與產品,所以你就得協助客戶處理資料的問題,當然解一題是一題,但這就會有規模化的挑戰。同時這類型的創業題目,還得搭配上你的目標客群是否鎖定的精準,能夠重複的解決這群人的問題,也比較能克服規模化的挑戰。
站在巨人的肩膀上做出LLM-based Service
這類的團隊有點取巧的閃避掉上述資料來源的問題,他們開發的LLM服務是基於某個大平台之上的服務,因為平台在提供各類服務給他們的使用者時,通常對於資料本身就會有比較一致性的規範,所以可以耗費比較少資源在資料整理這一塊,可以專心的開發LLM的某種功能。例如在Shopify上開發LLM的服務與產品就是一種,透過直接在Shopify上取得客戶的資料,開發出的產品也可以直接上架到Shopify的Marketplace,拓展到其他平台上的用戶。這類新創的本質是也做工具,只是這工具比較靠近某種商業的應用,例如文案的撰寫、客戶分群CRM等。當然建立在巨人平台上的服務也會有被人牽制的風險存在,會不會哪天這個平台的開關一關,你原本的服務就會遭受到巨大的挑戰,這是自古以來依附平台都會有的風險。
Web 2.0產業Embedded AI
本質是做生意,AI to improve business。這類團隊比較好想像,在LLM大紅之前可能就有他既有的商業模式在運作了,只是LLM的到來也激發這類團隊蠻多想像,如果自己的技術含量夠,那就可以嘗試開發出善用LLM來優化組織內各種流程的Internal Services。這類團隊如果過去幾年就開始涉獵Data層的資料整合,加上擁有自有開發團隊,善用LLM的工具要做出符合自己的AI產品,其實相對其他服務而言,我更加看好。只是這些服務絕對不是我們想像一上線就遇佛殺佛,遇神殺神,在產品面可能需要經過一番的Fine-Tune,在商業模式端也需要跟客戶有不同的溝通方式與內容,甚至組織架構有時也會得隨之調整。
以上的一些簡單分類希望可以提供有志於生成式AI的團隊,可以想想自己是從哪個層面與角度切入的,同時並非技術決定一切,當產品與服務做出來後,後續相對應的商業模式與組織也得調整,才有機會在如雨後春筍般出現的生成式AI團隊中脫穎而出。如果你認為這些內容很有幫助,也請幫我分享給你身邊的創業者,甚至可以訂閱我們的電子報,這樣好文章就不會錯過啦!
本文授權轉載自《布蘭登觀點》,作者:江旻峻,原文標題:Generative AI 時代中,創業者你所佔據的是 Value Chain 的哪一塊?

熟悉網路產業的商業模式與趨勢,曾輔導超過100家之網路新創,給予實際建議並提供團隊長期策略思考。更曾投資及管理數十家以上網路新創團隊,範圍橫跨早期至C輪融資階段甚至是獨角獸新創公司,透過與創業團隊交流及相互學習,期待能有效鏈結資源協助團隊快速茁壯。