生成式AI時代來臨，該從哪個切角投入？一張圖從3個層級看懂遊戲規則

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？