万字长文：什么是AI-Native应用？机遇和未来？
去冥滩送外卖约 21 分钟本文整理自Sapphire Ventures：《AI-Native Applications: A Framework for Evaluating the Future of Enterprise Software》。
在过去的两年里，风险投资界和更广泛的技术生态系统中，关于AI原生应用的新时代有着相当多的讨论。我们已经看到了许多框架，概述了从基础设施到平台再到应用层的价值的演变过程，对AI代理的发展产生了浓厚的兴趣，并进行了无数次关于各种垂直AI的深入研究。
然而，较少被探讨的是定义AI原生公司的独特特征，以及企业软件领域将如何演变。换句话说，什么才真正构成一个“AI原生”应用，以及在未来几年中，这样的公司将面临怎样的竞争影响？
这是我们试图直接回答这些问题的一种尝试，结合了来自现场的实时观察和基于新兴市场趋势的前瞻性见解。我们的结论来自于广泛的研究、亲自进行的产品测试和演示、与初创公司创始人的直接合作，以及与各种规模的公司的产品和技术领导者的无数次深入讨论，他们正在积极使用生成式AI进行构建。
尽管当前对GenAI（通用人工智能）的兴奋和投资始于2022年11月的一个应用（ChatGPT），但应用层通常落后于堆栈的其他部分。许多GenAI的批评者指出，缺乏杀手级应用是该技术被过度炒作的证据。然而，有越来越多的证据表明，应用层正在迎头赶上。
2024年，对GenAI原生应用的投资激增，到10月底达到了85亿美元，与前两年相比，占据了GenAI总投资的更大份额。在过去的几个月里，我们看到了一些主要融资轮次的宣布，包括Perplexity（5亿美元）、Poolside（5亿美元）、Magic（3.2亿美元）、Sierra（1.75亿美元）、Abridge（2.5亿美元）、Glean*（2.6亿美元）、Writer（2亿美元）和EvenUp（1.35亿美元）。虽然投资水平可以表明市场的热情，但真正的证明在于吸引力——在这里，势头是显而易见的。在过去的几个月里，越来越多的AI原生应用开始显示出显著的收入吸引力。根据我们的统计，目前市场上至少有47个AI原生应用产生了超过2500万美元的ARR（年度经常性收入），而年初时只有34个，我们相信到明年这个时候，我们可能会看到大约相同数量的ARR超过5000万美元的应用。在代码辅助、客户支持和营销等领域的早期成功正在扩展到新的职能和垂直使用案例。初创公司和现有公司都在继续宣布雄心勃勃的AI原生产品。简单来说，在我们看来，今天的AI原生应用生态系统比一年前甚至一个季度前都要强大得多。
定义AI原生应用
在我们的经验中，一个AI原生应用意味着AI是应用体验的核心，而不仅仅是一个补充功能。虽然这个术语被广泛使用，但它的定义——就像AI领域的许多其他事物一样——是宽松且不断演变的。根据我们广泛的研究和与Canva、Glean*、Meta、Runway、Figma、Abridge等公司的构建者的对话，我们开发了我们认为更具有描述性和细微差别的定义：
• AI原生应用建立在基础AI能力之上，如从大型数据集中学习、理解上下文或生成新颖的输出。 • AI原生应用提供打破传统速度、规模和成本限制的结果，使全新的可能成为可能。 • AI原生应用旨在持续改进，既通过利用底层模型的进展，也通过使用真实世界的数据来完善性能的反馈循环。 • AI原生应用涉及某种程度的专有AI技术，而不是100%的现成能力（例如，通过微调开源模型来改进特定功能，进行模型编排）。
AI原生并不意味着应用必须从GenAI能力开始。就像一些在本地时代定义了软件类别的特许经营权成功地过渡到了其产品的云原生版本（例如，Adobe Photoshop，Microsoft Office）一样，我们相信许多公司可以随着时间的推移从云原生演变为AI原生。
AI原生：一个不断变化的格局的临时标签
在我们进入文章的核心之前，最后几点。
AI原生这个术语，在今天它是一个有用的区别的程度上，将是一个暂时的术语。就像我们现在很少说互联网原生、云原生或移动原生一样，当AI成为市场上几乎所有产品和服务的一个假设的核心组件时，AI这个名称将逐渐消失。我们现在在采用周期的早期阶段使用它，以区分那些快速行动以增强和/或扩展现有产品的公司与那些从基础开始构建的公司，它们拥有一套全新的能力和假设。随着时间的推移，界限将变得模糊，起点将变得不那么重要，而AI优先的公司将变得更加深入，无论是在构建产品还是组织方面。
即使在一个更AI原生的世界中，价值创造的基本驱动因素也不会改变。公司必须深入了解客户的痛点，并建立满足和超越客户需求的产品和服务。强大的企业家必须建立伟大的团队并无情地执行。AI，无论它变得多么先进，都只是服务于这些野心的工具，而不是在寻找下一个钉子的锤子。
我们所做的一切必须非常沉重地锚定在我们需要为客户解决的顶级工作、顶级人物和顶级痛点上。我们的客户是我们创新的主要来源。—— Emrecan Dogan Glean的产品负责人
评估AI原生应用的框架
现在我们已经澄清了什么不太可能改变，是时候讨论事情如何可能变得新奇和不同了。从今年年初开始，我们在Sapphire使用了一个五部分的维度框架来评估使用AI构建应用的公司。
在我们看来，公司将需要在几个维度上区分其应用，以建立持久的类别领导力，考虑到企业软件内部的竞争已经越来越激烈，再加上由于AI辅助开发团队的时代，功能差异化的半衰期现在正在迅速减少。
我们将逐一讨论每个维度。
设计
企业软件已经发展成为一个数万亿美元的市场，每年在推动运营效率和规模的解决方案上花费巨额资金。然而，尽管有这种增长，以用户为中心的设计长期以来一直被忽视，经常被牺牲为功能而非形式。典型的体验充满了无尽的设置、复杂的菜单和频繁的通知——功能性但很少令人愉悦。我们相信这种情况即将改变，设计将成为下一代企业软件的关键差异化因素。GenAI已经在打开设计空间，我们正在密切关注该技术将如何使构建者能够：
创建新的交互模型
在过去的两年里，聊天和搜索界面一直是GenAI UI的主要形式，为用户提供了与数据交互的新机会——提问、综合、总结和集思广益，以及其他无数的使用案例，通过一个基于文本的AI伴侣。GenAI原生用户界面将允许用户更自然地与他们的应用交互，同时提供对以前仅限于高级用户的高级功能的访问。
许多企业工具都充满了强大的功能，但大多数用户很少使用，要么是因为他们不知道这些功能，要么是因为他们不知道如何有效地使用它们。通过使用自然语言——通过文本或语音——来表达他们的需求，用户可以解锁更多的现有产品功能。多模态GenAI模型最近已经赶上了它们的文本基础对应物，这为构建者提供了更多重新思考用户如何与软件交互的机会。更高性能的语音和视频模型提供了新的方式来创建、捕获和转换输入和输出，以补充点击和打字。OpenAI和Anthropic的最近发布，尽管非常不成熟，但指向了从聊天机器人到共同创造画布以及从副驾驶到自动驾驶的潜在演变。
多模态非常重要，不仅因为它能够提供丰富和多样的输出，还因为输入和我们如何与这些工具交互将继续演变。灵活、富有表现力且能够理解和生成各种模态的模型和工具将变得非常重要，因为我们展望未来，技术将继续改进。—— Runway
加速反馈循环
GenAI输出的非确定性性质可能会给将功能部署到生产中带来挑战。在模型层，RLHF（基于人类反馈的强化学习）在更好地使AI与人类意图保持一致以及加速迭代改进方面至关重要。构建GenAI应用的公司既借用了一些训练技术，也发现了新的方法来收集用户反馈，这使他们能够更好地调整性能并增加功能开发的速率。在与产品领导者的讨论中，我们听到了关于经典的“上/下”和基于星星的输出评级、人类在环路中的评论者以及最有趣的是，许多创造性的方式来监控参与度以收集意图信号（例如，分享、悬停时间、内容新鲜度和参与度频率、复制+粘贴）的例子。
我们相信，能够以非破坏性的方式智能地将反馈集成到用户体验中的产品将更快地迭代，并随着时间的推移，通过更好地满足用户需求来完善其性能。
开发AI原生系统
与AI原生应用公司互动的最强烈的收获之一是他们在应用设计中的复杂系统级思维。这包括在构建专有能力以优化其特定使用案例的性能时，平衡现成的商品AI组件。它还涉及在模型层使用混合的接地技术（例如，微调、RAG、提示工程）和集成方法，以在查询级别实现最佳的价格性能权衡。许多AI原生应用在UI层的设计优雅掩盖了巨大的后端复杂性。
与构建AI系统相关的专业知识不在于你使用哪个模型，而在于分解任务、深入应用、将其分解为其组成部分，并询问哪些部分我们不需要构建，因为开源模型可以做到，哪些部分我们有独特的位置进行微调，哪些部分更主观……你必须赢得专有的权利。—— Zachary Lipton Abridge的CTO
设计AI原生系统的另一个关键方面是在整个过程中集成可解释性。随着我们从一个专注于操作和辅助的时代过渡到一个专注于答案和代理的时代，解释AI如何代表用户工作变得至关重要，以建立信任并确保一致性。AI原生应用必须清楚地将输入与输出联系起来，引用特定的内容，在适当的时候包括置信区间，并向需要质疑系统性能的用户提供更深层次的解释。
我们看到的一些更有趣的AI原生应用设计包括：
• Perplexity.ai和OpenAI的ChatGPT Search通过整合相关的网页链接和引用来增强生成的响应。 • Hebbia和Reliant AI使用表格UI，通过使用户能够以更目标和颗粒度的方式与输出交互，建立与模型的强大反馈循环。 • Cognition提供了一个本地代码编辑器，用户可以在其中直接与生成的输出一起工作，帮助对首选编码实践进行微调。 • Rilla和Bland.ai使用多模态AI来重新发明销售流程。Rilla分析客户对话以改进培训（语音到文本），而Bland.ai使用易于训练的数字代理自动进行销售和支持通话（文本到语音）。
数据
众所周知，数据对于训练构成过去两年中所有AI产品和服务的基础模型是多么关键。我们相信，数据在应用层同样关键，如果不是更关键的话，因为它有助于将跨模态的商品化基础能力转化为满足客户需求的目标明确的防御性产品。在考虑公司如何在AI原生应用中利用数据时，我们寻找证据表明他们已经确定了以下方式：
增加端到端数据管理的严谨性
几乎可以说，没有数据策略就没有AI策略，但我们相信这是真的。虽然AI原生应用从基础模型公司在其产品中整合全球数据以及客户现代化其更广泛的数据资产中获益，但它们仍然可以通过强大的数据管理最佳实践来区分自己。
这包括数据采购和策展、数据质量、数据治理和数据安全。此外，随着多模态模型能力的提高，能够跨越结构化和非结构化数据工作将变得至关重要，以最大化GenAI的潜力。我们相信，那些能够更智能、更快速地以安全的方式收集、清理和整合数据的公司将获胜。
利用潜在数据
许多公司多年来一直知道他们的数据有价值，然而，利用这种知识对大多数组织来说仍然是一个挑战。在与GenAI公司领导者的对话中，一个一致的主题是他们的产品如何解锁客户数据，这些数据要么一直处于休眠状态（例如，在Box/Google Drive/SharePoint上），要么根本没有被捕获到系统中（例如，客户通话、患者讨论、会议记录）。好处是巨大的，使用户能够：
• 更无缝地与现有数据交互 • 更快地访问最适合其角色和特定需求的内容 • 为数据资产带来更多的结构和定义明确的分类
所有这些都导致了更好地理解如何使用公司数据来创造业务价值，并作为强大的动机来1）优化数据架构以支持更多的AI投资（见上文），以及2）向展示早期ROI的受信任的AI原生应用合作伙伴提供更多的数据。
我们将未记录的知识——比如可能存在于员工头脑中但未被记录的标准操作程序和来自客户对话的见解——转化为团队实际上可以使用和扩展的结构化数据。—— Tony Stoyanov EliseAI的联合创始人和CTO
创建新的专有数据集
超越现有数据，GenAI承诺有可能捕捉到全新的数据集，这可以成为与现有应用相对的竞争差异化的基础。这将采取许多形式，包括多模态参与数据、关于AI生成内容的创建和消耗的元数据、在数据的微观和宏观层面上进行模式识别等。这里的一致主线是这种数据不存在于现有系统中。因此，它代表了AI原生公司捕捉它、围绕它创建一个巩固点并构建扩展其价值的区分工作流的机会。
然后，该新数据和对用户工作流的理解可以转化为训练数据，以迭代地改进底层模型的性能，从而延长AI原生挑战者的竞争优势。这种转变强调，它不再是数据的数量简单地赋予优势。
那些作为现有平台拥有“最多数据”的日子已经一去不复返了，这驱动了最大的技术护城河。现在有一个明确的优先级转变，从数据数量转向其质量、隐私和应用。—— Vaibhav Nivargi Moveworks的联合创始人和CTO
展示强大数据管理和利用的AI原生应用的例子包括：
• Glean* 训练定制的LLM并构建组织特定的知识图谱，使用实时反馈来为每个用户提供个性化、上下文相关的搜索结果。 • Writer 利用专业的LLM来深入理解企业数据中的语义关系，并检索与任何搜索或应用查询相关的、上下文感知的结果。 • Jeeva.ai 统一了来自多个来源的销售前景数据“在飞行中”，使用户能够细致地定义他们的ICP，快速构建具有准确丰富数据的前景列表，并生成高度个性化的消息以自动进行参与。
领域专业知识
正如我们之前提到的，在过去的一年里，关于垂直AI应用的讨论和兴奋非常多。这种兴趣是合理的，因为行业特定的AI原生应用一直是发展最快的，在法律、医疗保健、房地产和金融服务等领域有显著的例子。我们认为，GenAI能够表达深厚的领域理解——不仅在特定的产品交互中，而且在端到端的工作流中——是一个令人兴奋的发展，将对垂直和水平软件类别产生重大影响。在评估这个维度时，我们正在查看一个应用的能力，以：
将特定领域的活动转化为AI加速的工作流
我们相信垂直AI发展如此迅速的一个原因是，GenAI被证明在创建特定领域中最终用户活动的更好数字表示方面非常有能力。在与创始人和产品领导者的对话中，我们听到了许多关于这种实践的例子，包括更准确地翻译/转录客户对话（例如，在医生-患者讨论中），更全面地总结研究输入（例如，在法律研究和财务分析中），以及更精细地理解用户到用户和用户到实体的关系（例如，在企业搜索中）。在所有这些例子中，以及更多，GenAI模型正在被训练以深入理解围绕个人任务的行业或功能特定的上下文，然后自动化操作，以使用户更快、更高效地获得结果。
领域专业知识并不总是需要特定于行业。我们与几位产品和工程领导者进行了交谈，他们描述了研究客户组织中的权力用户和高级领导者，以编纂他们的使用模式。通过将这些模式转化为提示和结构化输出，他们旨在使这些见解在组织的所有级别上都可用。Supio*的产品负责人Pamela Wickersham将其描述为“观察平台的真正复杂用户在做什么，并使这在公司的不同层次上对其他角色和人物可重复。”以这种方式，GenAI应用，建立在用公司特定数据微调的基础模型之上，可以启用能够提升整个员工基础的知识转移类型。
以规模和速度综合
AI原生应用的另一个优势是它们能够从巨大的数据集中实时得出见解。新的AI原生应用正在许多领域出现，结合了对经过验证的行业特定文件和数据（例如，SEC的EDGAR数据库）的访问、微调模型和基于聊天的界面，以显著加速客户能够识别和处理与特定目标相关的信息的速度。这种趋势在法律领域可能最为明显，有像Harvey、EvenUp、Robin AI和Supio*这样的公司。然而，我们看到相同的模式在医疗保健、公共部门、保险、金融服务和教育等领域上演。
AI原生应用在与领域特定请求相关的一个或多个维度上赋予用户超人类的能力。毫不夸张地说，过去需要大型团队（通常是初级员工）花费数天或数周时间回答的问题，现在可以通过这些新服务在几分钟内至少部分回答。
结合全球和本地知识
AI原生应用独特的定位是结合三种类型的知识：通过其广泛的训练数据嵌入到基础模型中的全球知识、存在于行业相关数据库中的领域特定知识以及来自组织自身工件的公司特定见解。在后者的观点上，领域专业知识可以反映在高质量的演示文稿、备忘录、会议记录、专有研究、培训材料和历史文档中，这些文档用于优化AI原生应用的输出，使其与个人用户对“什么是好的”的期望保持一致。
这不仅仅是更好地访问专有数据，如上所述。这是对数据如何反映员工、团队或组织的相关知识的理解，在特定的上下文中。这种结合解锁了用户的潜力，使他们能够超越优化个人任务，自动化整个工作流，同时专注于更具体的结果。通过垂直AI应用表达深厚领域理解的最佳实践包括：
• Abridge将实时患者音频转化为精确的临床笔记，使用在大型医疗对话数据集上训练的多LLM架构。 • EliseAI*利用LLM从物业管理系统（PMS）、CRM、知识库以及直接从租赁专业人员那里获取相关信息，并自动回复潜在和活跃租户的问题。 • Supio*有一个在大型个人伤害案件数据集上训练的专有模型，允许它以高准确性分析和生成法律文档。 • Magic School**提供80多个AI工具，专门调整以帮助教育者改进和自动化课程计划、评估写作、学术内容生成/管理等。
动态性
在一篇名为《Meta's AI Abundance》的文章中，Ben Thompson为Meta的GenAI机会做出了强有力的论据。他特别强调了公司使用GenAI来加速多模态动态广告创建和测试的能力，以及通过公司的新Imagine Yourself模型使下一代个性化内容成为可能。数字营销和商业行业的潜在影响是明确的，影响可能比预期的更早被感受到。
它们还指出了我们相信的更大力量，因为GenAI将推动用户期望在几个企业软件类别中的演变。虽然它比我们之前讨论的三个维度稍微不那么普遍（例如，在处理总分类账时，你不希望有太多的动态性），但我们期望看到从静态到更动态的应用体验的转变，并正在寻找能够：
优化“幕后”操作/优化实时的价格与性能权衡
我们与之交谈的大多数公司已经超越了使用单个模型测试概念，而是编排模型交互的序列，以优化给定使用案例的输出。从输入到输出的过程已经变得更加动态。公司正在以灵活性为目标开发其基础设施，允许他们轻松地交换模块化组件，以实现性能改进和/或成本效率。这种动态导致了模型路由器的兴起，由像Martian这样的公司构建，作为支持AI原生应用的基础架构堆栈的关键新组件。随着时间的推移，我们期望更先进的AI能力，目前作为用户选择表达（例如，在ChatGPT或Perplexity中选择底层模型，输出的语气，评分输出），变得隐藏起来，因为底层系统可以适应代表用户做出决策。
创建生成性客户旅程
正如我们在设计部分提到的，企业软件经常在用户体验上表现不佳。虽然我们不期望这种情况一夜之间改变，但我们对GenAI改善当前情况的潜力感到兴奋。我们设想这种改进的一种方式是通过创建更动态和适应性的内容体验，这些体验表达了对最终用户和客户的更深入理解。想象一下，销售和营销素材根据个别潜在客户的偏好进行调整——从外展电子邮件到推销文稿，再到登陆页面，最后到合同创建。想象一下，商业平台使购物者能够看到商品在他们自己物理空间的数字孪生表示或他们自己的数字化身上。
我们已经在市场上看到了许多这样的例子；然而，我们可以想象一个近期的未来，正如*Jeeva的CEO Gaurav Bhattacharya告诉我们的那样，应用“成为实时的、持续学习的系统，其中AI根据客户交互自动调整。”从长远来看，我们可能会看到能力发展到整个用户界面在实时生成的程度，根据用户意图的表达，显示和隐藏底层能力和内容。
在多个级别上启用超个性化
最后，我们看到了更多个性化体验的机会，与企业软件相关。这将发生在公司内部的个人用户、团队、部门和组织范围内，因为AI学习了相关的偏好、参与模式和关系。例如，Outreach*为组织中的每个团队和销售人员构建一个定制的获胜模型，该模型在交易进展时实时更新。此外，沟通和素材正变得越来越精细地调整到个别客户。随着时间的推移，我们相信具有共享记忆的代理将代表这个主题的最完整的表达。
我们认为展示动态性的一些例子包括：
• HeyGen提供了一个AI视频创建平台，使GTM和L&D团队能够快速生成超个性化的视频内容，并在销售、支持和教练等领域部署完全自主的、会话式的视频体验。 • Mercor构建了一个AI面试者，可以在实时中评估候选人，利用预处理的简历和个人资料数据，同时适应现场对话。 • Evolv AI通过AI驱动的实验持续实时地适应UX，根据实时用户行为优化客户旅程。
分发
最后，关于如何包装和定价这个新的AI价值有一个讨论。问题出现了：GenAI是否会为传统上由应用公司在云时代青睐的基于座位的SaaS模型创造一个灭绝级事件？正如我们在2024年8月的市场备忘录中所写的那样，我们认为软件即将消亡的报告被严重夸大了。虽然现在确定是否会出现一个占主导地位的模型来颠覆现状还为时过早，但很明显，公司正在拥抱实验，因为他们在平衡新价值和成本的同时，减轻了新竞争威胁的潜在影响。我们正在密切研究AI原生应用将如何：
增加定价和包装的灵活性以最大化价值
我们已经进入了一个更加异构的定价环境，因为我们看到公司：
1. 将GenAI功能嵌入到现有服务中而不增加额外成本（例如，Workday）， 2. 为提供对GenAI功能的访问而创建现有产品的高级SKU， 3. 交付全新的独立GenAI应用， 4. 以及在基础平台承诺之上测试一些基于消耗和结果的报价。
分发GenAI的“占主导地位”模型尚未建立。它可能因类别而异；然而，我们将GenAI视为一种技术，它扩展了公司可以交付价值以满足客户需求的方式。未来很可能包括应用和代理的混合，以及副驾驶和自动驾驶。与其进行关于定价的“要么，要么”的辩论，我们相信我们将看到基于座位、基于消耗以及更选择性地基于结果的定价的混合。能够平衡不同模型以确保客户覆盖范围的广度，同时更透明地使定价与交付的价值保持一致的应用开发者，将被最佳定位为未来的胜利者。
启用新的商业模式
最近已经写了很多关于软件使能服务的增长和代理系统潜在崛起的文章，这些系统被定价为交付定义的业务结果，我们不会在这些主题上花费太多额外的时间。我们只是想指出，真正的颠覆从来都不仅仅是产品技术能力的功能，而且通常还包括商业模式的改变（例如，从许可证转变为订阅软件）。
许多公司已经引入了新方法来定价，这些方法包括基于消耗和基于结果的组件。一些值得注意的例子包括：
• 像Salesforce这样的现有公司已经宣布了其Agentforce套件的定价，每对话2美元，而Zendesk现在每自动解决收费1.5-2美元。 • 客户服务AI代理，如Sierra、MavenAGI、Decagon和Crescendo，基于结果定价（例如，已解决的票证）。 • Reserv提供AI驱动的索赔处理服务，并根据打开和执行的索赔数量定价。 • 内容生成应用，如Synthesia，按生成的视频分钟数定价，而编辑工具如Imagen和Aftershoot按编辑次数定价。
未来之路
我们相信所概述的框架为构建者和投资者提供了一个强大的视角，以思考应用层中AI使能的差异化点。然而，真正的突破将来自以新颖的方式混合这些维度的企业家，从根本上重新思考工作。改造现有产品以包含更先进的能力仍然是必要的，并将创造巨大的价值，但需要进行改造，以诞生能够长期达到或超过当今企业软件领导者的公司。思考单一画布、“始终在线”的多模态应用，将来自不同服务的能力和功能合并到单个体验中，以计量为基础进行定价。
要从今天到达那个潜在的未来，将需要对技术堆栈的每一层进行重大改进，并且隐含地基于以下假设：缩放定律至少在一定程度上成立，从而在未来几年内产生对前沿模型能力的持续改进。还有艰苦但不太光鲜的工作，以控制现有模型的方式，增加性能，减少幻觉，确保一致性，保持合规性，改善安全性和管理成本。
令人鼓舞的是，这些都是已知的挑战。我们投资组合中的几家公司的领导者向我们保证，只要成本继续下降，就有可能基于当前一代模型的能力实现多年的创新。
虽然GenAI的确切轨迹仍然不确定，但合理地期望能力不会保持不变。因此，如果我们通过“什么可能出错？”的镜头考虑未来，我们会设想什么？企业软件应用在未来几年可能会如何转变？
无论何时到来，GPT-5级别的模型都将改变人们看待AI轨迹的方式无论模型是否会超过或未达到炒作。被打破的基准和新出现的能力和功能将释放无拘无束的乐观主义，而增量改进可能会在短期内降低期望和估值。
无论哪种方式，我们将在未来几年内更清楚地了解什么会起作用，什么不会起作用，以及以什么成本。构建和购买GenAI技术的公司将能够相应地进行规划。虽然他们当然在“自卖自夸”，但我们同意Sam Altman和Greg Brockman所表达的观点，即模型能力将继续发展，构建AI应用的公司应该在那个假设下运作。
然而，正如我们最近几个月所看到的，我们不一定需要看到模型名称后面有一个更高的数字来点燃对AI未来的兴奋。当我们问产品领导者他们对未来几年最兴奋的是什么时，他们谈到了推理研究的方向，以及这如何可能加速从核心理解到更深入思考再到真正代理系统的进展。
现在，人们关注的是AI的“快餐”版本，并希望立即得到答案。我们的一个大赌注是启动系统，如果给它们足够的时间，它们可以提出对复杂问题的新颖答案。—— Marc Bellemare Reliant的联合创始人和首席科学官
采取行动的模型、花更多时间思考的模型，以及其他模态“赶上”文本的进步，都将进一步扩大应用在我们框架的维度上进行区分的机会，几乎可以肯定的是，这将由新的研究领域补充。所有这些都导致了应用层的新实验时代，我们对此感到非常兴奋。构建者的调色板似乎每周都在扩大，他们现在可以以以前不存在的方式混合产品架构、模型、用户界面、公共和私有数据源以及交付机制。变化的速度感觉是无情的。
也就是说，这条道路将是不平坦的。在许多类别中，我们相信向广泛部署的进展可能需要比预期更长的时间。许多，如果不是大多数，重新发明工作流的实验将失败，而不是颠覆现有企业，AI可能会加强许多软件类别中的当前领导者。然而，展示通过快速整合和表达新能力来进行组合创新的应用和代理公司，将把自己定位为定义即将到来的AI软件时代的公司。
星号表示Sapphire Ventures投资组合公司。