供给端

在写完《人类赌局》之后，我一直思考的一个问题是：要让这一切成为现实，究竟需要建设些什么？

需求端关乎人：人们会信任什么、什么能在他们的生活中占据长久地位、智能如何拓展人类的能动性而非仅仅实现任务自动化。我认同这一观点。但即便认同需求端的逻辑，也无法告诉你应在供应端进行哪些投资。为此，必须单独审视等式中的另一半，按照其自身的规律来分析。

我们一直在思考那些不可或缺的要素，它们并非构成一个单一的理论框架，而是一系列不同的投资方向。首先是能够让现代企业提升运营水平的工具；其次是能够在智能体代表人类行事时确保人们仍能掌控全局的基础设施；最后则是那些在那些需要专注力或专用数据才能获得优势的领域中，能够进一步提升智能水平的专用模型。

这些并非对《人类赌注》一文观点的延伸。我们认为，它们正是需求另一侧必然存在的现实，也是我们眼中正在形成的一片充满巨大机遇的新商业版图。

能力层

那些应用程序公司不会凭空出现。每一次重大的平台变革都会催生出专为满足这些新平台需求而设计的新一代工具。我们以前就见过这种情况：随着现代消费品牌的兴起，Stripe、Shopify、Faire 和 Klaviyo 之类的公司也应运而生。它们并非变革的主体，而是因为新一代企业突然需要此前并不存在的各种功能，才有了它们的存在。

人工智能正在营造同样的态势。那些以人工智能为技术基础的公司，其决策方式、产品开发流程以及客户服务模式都与传统企业有着本质区别，而且它们往往只需要比被取代的企业更少的团队规模就能运作。这就产生了对专为这类公司的工作模式设计的全新软件套件的需求。我们认为，这将成为未来十年中最重要的投资领域之一。

“这里的机遇并非为了自动化而自动化，而是让小型团队拥有大型企业才具备的能力。”

这里的机遇并非单纯追求自动化，而是让小型团队拥有大型企业才具备的能力：更出色的判断力、更快的执行速度、更丰富的背景信息，以及全新的工作流程。那些能够胜出的创始人，会凭借对自身行业的深刻理解来找出真正的瓶颈所在，进而将工作过程中产生的智能成果转化为更优的决策与执行方式，从而实现持续的增长。

正因如此，我们才对这一领域充满兴趣。近二十年来，我们一直投资于各类品牌、零售商、医疗企业、金融服务公司、电商平台以及消费者平台，关注它们工作流程的演变以及日益增加的种种限制。而人工智能终于让许多问题得以解决。我们已经在不同领域看到了这样的机遇：Koah 正在打造专为对话界面设计的变现基础设施；Blue Labs 则帮助人工智能系统更深入地理解人类语境；Marklo 利用智能技术重新思考商业品牌如何跨渠道进行规划与运营；Depthfirst 则随着开发技术栈的变革将人工智能应用于网络安全领域。将这些公司联系在一起的并非某种共同的产品类别，而是一位足够深入理解某个问题、并能意识到智能技术能改变问题解决方式的创始人。我们认为，还有许多类似的问题隐藏在人们视线之外。

控制层

如果要让人工智能为我们行事，究竟是什么让这些行为值得信赖？

互联网的构建基于一个简单的假设：行动由人类发起。人们登录系统、批准付款、签署合同并做出决策，而身份识别、安全保障以及支付功能也都是为人类处于每笔交易核心的位置而设计的。这一假设正在发生变化。如今，智能代理正以越来越高的自主性来开展研究、谈判、采购、安排任务以及协调工作，随之而来的问题不再是人工智能能否完成某项任务，而是是否应该允许它这么做。我们认为，这正是人工智能时代最重要的基础设施议题之一。

需要出现一种新的控制层，让人们能够确信人工智能的行为仍在其预设的权限范围内：能够承载操作意图的身份系统、决定智能体能做些什么与不能做些什么的权限框架、使自主行为透明化的审计追踪机制，以及专为智能体之间进行交易而设计的支付基础设施。

这里的关键并非提升人工智能的能力，而是让自主系统具备可靠性。如今的许多基础设施都是为人类亲自执行所有重要操作的世界而设计的，而下一代基础设施则需在软件持续运作的同时仍由人类掌控全局的环境中运行。我们在自己的投资组合中也看到了这种矛盾的存在……

“对于能力日益强大的自主智能体而言，最棘手的问题已不再关乎智力，而是权限问题。”

我们已经在针对这一问题开展投资。还原号正在重建支付基础设施，以便智能体能够代表企业和用户处理交易。ZeroClick 则在研究当买卖双方均为智能体时的情况，包括实现这些交易所需的价格设定、身份认证以及管控机制。这是我们已经发现存在问题的两个领域；随着智能体从仅能回答问题逐步转变为真正执行任务，类似的问题还将出现更多。

模型层

《Human Bet》一文认为，持久的价值在于应用程序与其用户之间建立的关系，而非底层的模型，而这一观点在通用模型不断趋同的背景下依然成立。不过也存在一个重要的例外，同时也可能孕育出一大类新的机遇——那就是为特定领域打造的专用模型，与围绕该领域专长设计的应用程序相结合。

支持使用领域专用模型的理由并非通用模型存在某种缺陷，而是因为某些问题需要高度专注的投入，而这正是通用模型难以做到的。将训练、评估以及产品开发工作集中在特定领域，能够带来显著更好的性能，有时还能打造出通用模型无法实现的优质产品体验。在这类情况下，该模型并非仅仅作为应用程序背后的基础设施，它本身就是提升产品性能的重要因素。

有时候，这种优势源自专有数据。某些专家能够获取通用模型根本无法得到的信息，因为这些信息受到监管限制、基于特定关系产生、存在于封闭的生态系统之中，或是根本无法获取。由于制约因素在于获取渠道而非投入精力，因此这便能形成持久的竞争优势。

在其他情况下，优势则源于专注本身。一家愿意将所有资源集中投入某一领域的公司，往往能够比那些将该领域仅视为众多优先事项之一的一般型企业更快、更显著地提升性能。不过这种优势未必能持续长久。如果采用横向扩展模式的企業认定该领域具有重要意义，凭借其规模与资源，最终也有能力缩小能力差距。

但这并不意味着早期的优势就不重要。它能让相关企业有时间围绕这一优势进行进一步发展。更出色的性能能够带来更好的产品，而这样的产品又能提升使用频率、积累更多行业特定数据，并帮助企业更深入地了解客户的实际需求。随着时间的推移，由于种种超出最初模型优势范畴的因素，这家企业将变得更难被超越。

因此，投资决策的关键并不只是判断某种专用模型在当下是否更优，而是要了解它为何更优、这种优势在产品层面能带来什么变化，以及在该类通用模型尚未跟上之前，企业能够打造出什么成果。

“最值得关注的机会，很可能是那些以专业化智能作为起点、而非将其视为唯一竞争优势的领域。”

我们已然能够看到相应的性能优势，以及围绕这些优势所能开发出的产品。Speechify 在语音处理领域深耕，将其自研模型与消费级产品以及 API 相结合，让其他企业也能使用这些功能。Suno 在音乐领域采取了类似策略，通过专为该领域设计的模型，带来了通用模型无法比拟的消费者体验。在这两种情况下，专业化智能都是出发点。而基于此所能开发出什么产品，以及这些模型通过相关产品能变得多出色，正是让我们对这一层面格外感兴趣的原因。

很可能在很多领域中，通用模型已经足够好用了。但我们更关注那些即便使用“足够好”的模型仍会有重要问题无法解决的领域。

人工智能的供给端并非只存在一个机遇。能力层、控制层与模型层各自有着存在的理由，价值创造的方式也各不相同。正因如此，我们认为将它们分开来看会比把它们合并为单一的基础设施概念更为有用。

我们在此领域的早期投资仅能体现这一趋势的起步阶段，绝不能视为该领域发展终点的图景。事实上，我们所看到的情况表明，还有更大的机遇正在形成之中。