AI 投资的现实

Deciens 如何在不断演变的人工智能生态中把握机遇并规避风险

十年前，人工智能还只是科幻作品的支线情节。如今，它已成为市值数十亿企业的核心支柱，更是成千上万家初创公司背后的隐形引擎。

在 Deciens，我们持续密切追踪这些变革。Epistula #4：风险投资中的新 AI 格局 （2023 年 10 月发布）深入探讨了生成式 AI 与大型语言模型（LLMs）的崛起，以及它们带来的挑战与机遇。自那以来，技术发展与市场热情始终保持着加速态势。

本文将延续先前的分析框架，进一步阐述我们对 AI 生态的认知体系、最具潜力的投资领域判断，以及应对这种颠覆性变革所伴随风险的方法论。让我们开始吧。

理解 AI 生态系统：分层蛋糕模型

为了理解 AI 领域，我们倾向于将其视为”分层蛋糕”，每一层代表生态系统的不同部分，各自蕴含着机遇与挑战。

1. 基础层：硬件与基础设施

AI 的基础层是硬件——包括 GPU、数据中心以及支撑一切的云基础设施。这些物理系统是 AI 运行的载体，构成了整个行业的支柱。

我们的观点： 虽然这一层对 AI 运作至关重要，但它涉及资本高度密集的横向业务，因此不适合 Deciens 投资。从宏观角度看，这些公司依赖少数超大规模企业作为关键客户，例如微软和 Meta。这些大客户一旦缩减支出就会产生连锁反应，而投资者的审视已经开始质疑该领域的投资回报率。 

2. 中间层：LLMs 与基础模型

其次是大型语言模型（LLMs）及其他基础模型。这些 AI 系统使用前文提到的硬件基础设施进行训练。OpenAI 等公司正筹集数十亿美元资金来开发这些模型，并通过持续迭代在这场军备竞赛中保持领先。

我们的观点： 尽管具有变革性，但这些企业需要庞大的规模和资源，超出了我们等大多数早期投资者的能力范围。与基础层类似，它们的收入来源依赖于少数超大规模企业，增加了市场波动带来的脆弱性。虽然这些企业无疑具有开创性，但作为大规模项目，通常不符合德森资本的投资标准。 

3. 应用层：AI 优先型与 AI 赋能型企业

这一层代表 AI 技术的实际应用领域，可分为两类：

AI 优先型企业

这些企业将生成式人工智能作为其价值主张的核心部分部署给终端用户——例如，作为所提供服务或产品不可或缺组成部分的人工智能驱动软件解决方案。

我们的观点： 这类企业确实具有投资价值，我们也看到大量以 AI 为先导的金融科技公司涌入市场并快速创造巨额收入。然而，在泡沫式融资的推动下，许多企业估值高企。再加上（i）由于幻觉问题导致的准确性挑战——在要求精确与可靠的金融服务领域尤为突出，（ii）被过度承诺的能力（取代金融服务诸多领域的人类活动仍需多年时间），以及（iii）不明确的护城河等因素，这些都促使我们对该领域保持谨慎态度。 

尽管如此，我们深知那些克服这些挑战的团队将有望打造具有变革力量的企业。我们尤其关注那些在运营过程中自然产生专有数据的公司，这些数据能持续强化其人工智能应用场景。

人工智能赋能企业

这很快将覆盖几乎所有企业。这些公司在内部运用人工智能来打造更优质的产品，但未必直接向终端用户提供 AI 服务。例如，某企业软件公司利用 AI 优化运营流程、完善产品功能或简化客户服务。

我们的观点： 这类公司往往是相对稳健的投资选择，它们利用 AI 优化现有商业模式，而非依赖生成式 AI 尚未验证的潜力。将 AI 应用于传统软件产品以提升速度、降低成本或增强扩展性具有显著前景。在当前 OCR 工具、聊天机器人和编程助手等 AI 优先应用的繁荣浪潮中，企业拥有丰富的选择空间。虽然生成式 AI 并非适用于所有场景，但我们将在每笔投资中寻找那些在技术应用前沿进行创造性思考的团队，探索 AI 在其业务中落地的可能性与场景

4. 人工智能周边企业：锦上添花的存在

这类企业和初创公司致力于构建使能技术，或为人工智能在不同行业的规模化应用提供必要支持架构。它们就像是 AI 千层蛋糕上的”糖霜”——将各层紧密粘合。这些企业对生态系统的成长至关重要，因为它们助力 AI 解决方案实现更广泛部署，涵盖从数据标注、AI 伦理公司到帮助 AI 融入现有商业模式的各类平台。

我们的观点： 这类企业兼具投资价值与创新活力。作为行业的关键赋能者，它们往往涉及专业化工作流程或独特数据集——这正是构建护城河的绝佳领域。

一种新的增长范式

过去6-12个月间，各层级企业的营收增长都呈现爆发态势。我们可能正在见证一种全新的软件应用范式。但推动这轮增长的核心动力是什么？

关键驱动力或许在于：当下 AI 工具能无缝融入现有行为模式与系统——彻底重塑我们的搜索方式、创作方式与工作方式。让我们深入剖析这三个维度。

从搜索到结论的进化

即时答案交付： AI 驱动的聊天机器人提供即问即答服务，消除了传统谷歌搜索中需要解析结果、整合数据、推导答案的摩擦。在同等条件下，用户必然选择最省时省力的解决方案——而”即时性”正是制胜关键。

生成情境感知响应： 聊天机器人还能留存并情境化用户信息，使其能够针对提出查询的个人或组织提供特定答案。以往的模式要求用户每次搜索都包含所有相关信息。相比之下，聊天机器人初始就具备更多情境背景，并能吸收新信息而不丢失先前共享的内容。例如，用户可以输入个人病史以获得对检测结果的个性化解读——随后，同一个智能体可能会根据该情境背景，对含有健康相关警示的食谱作出标记。

从构想到创造

启动创意生产： 生成式 AI 最直接的益处在于它能帮助用户快速启动项目。无论是内容创作、编程还是设计，它都能提供初稿方案——尽管这些初稿通常需要大量修改，但能大幅节省创作过程中纠结如何开篇的时间。

实现自然语言交互： 生成式 AI 以语言为驱动，允许用户通过现代语言来创建或控制内容、代码等产物。这相当于在底层任务与人类思维之间架设了桥梁。通过自然语言交互的方式更符合直觉，因此这种界面很可能会主导其他创作模式。 

从工作流程到自动化

降低使用门槛： 新软件的使用成本效益与其部署速度直接相关。生成式 AI 解决方案的采用成本近乎为零，且其效益正在快速提升。 

新软件往往面临采用曲线的一个原因是，它通常为用户引入了新的工作流程——尤其是在企业环境中。虽然新应用和工作流程可能比旧系统带来更好的结果，但它需要教育、培训和启动能量。实施可能需要数周或数月时间，并且通常会聘请大量顾问进行持续培训。

另一方面，生成式 AI 驱动的解决方案通过处理原本由人工执行的步骤来自动化现有工作流程，并且是语言驱动的，因此无需学习新的工作流程。采用这些工具通常涉及移除现已自动化的步骤，而不是学习新的步骤。因此，这些工具通常可以通过接入现有流程实现即时集成。

预判上下文： 得益于生成式 AI 解决方案与生俱来的智能性，它们现在能够推断出传统软件需要用户手动提供的上下文信息，从而显著提升特定解决方案的实用性。例如，律师和顾问使用的时间追踪软件过去需要用户在切换任务时手动输入客户信息，而生成式 AI 现在可以在后台自动识别这些上下文变化。消除用户输入需求带来了本质上的效率跃升。 

推动生产力阶梯式增长： 当上述两个因素同时存在时，最终客户将难以忽视由此带来的生产力提升。因此，企业正争相在全组织范围内试用 AI 软件——因为如果这些解决方案能兑现承诺，其对财务业绩的影响可能是巨大的。

风险与现实

尽管生成式 AI 的发展势头不可否认，但必须认识到这种快速创新伴随的风险。以下是我们认为需要保持警惕的领域——在这些领域，炒作可能远超实质：

运营风险

这一切最大的风险在于可能出现幻觉。即时回答的承诺伴随着答案可能错误的危险——而目前，对于任何特定查询，往往没有可靠的方法来评估这种情况发生的可能性。

人性使这个问题更加复杂。由于人们往往更喜欢能更快、更轻松地提供答案的系统，许多人不会额外花功夫去验证输出结果。这种动态在 B2B 应用中同样存在。不过根据工作产出的性质，通常在流程的某个环节会有人工核查输出内容，同时还能利用额外的业务背景来评估所生成内容的真实性。

与此同时，这种风险与许多企业已经做出的权衡并无本质区别。例如传统人工客服团队会犯错——通过增加人手、加强培训和优化系统本可减少失误。但大多数企业不会为追求 100%准确率而持续投入，因为成本过高。同样的逻辑适用于 AI 解决方案：再高效的系统仍会出错。真正的问题在于企业愿意为节省成本而接受怎样的准确率。

财务现实

部分企业惊人的增长势头重新点燃了估值泡沫般的狂热——甚至波及几乎没有收入的早期公司，仅仅因为它们具备指数级增长的潜力。此外，即便对那些收入快速增长的企业而言，鉴于这些产品和商业模式的初生性，目前捕获的价值能否持续仍属未知。

此外，基础模型公司持续扩大产品边界以保持领先优势。每次产品扩张都会吞并那些试图以独立公司身份解决同类问题的初创企业群体。实际上，真正未被开发的领域始终处于动态变化中。

最后，鉴于大量资本试图参与 AI 热潮，投资纪律似乎已成为事后考量。这种态势为各投资阶段埋下了诸多潜在风险。

智能体时代来临

智能体解决方案已迅速成为当前应用层部署生成式 AI 的主要载体。最简单的 AI 智能体是专为完成特定功能设计的自主程序——例如为金融机构完成 KYC 流程。这些智能体既可基于企业内部数据和系统内部运作，也能通过对接外部系统实现跨企业协作。随着 AI 公司逐步解锁与互联网的自主交互能力，外部应用场景将加速涌现。

尽管这个话题涉及广泛且影响深远，但金融服务领域有两个尤为突出的应用场景——未来必然还会涌现更多：

1. 代理支付： 随着智能体在外部环境中运行，一个潜在应用场景是允许它们代表用户或企业进行交易。例如，一个负责寻找特定商品的购物代理也可以完成购买流程。这将显著提升自动化水平，并引发关键问题：是否会重塑现有支付体系、重新定义各参与方的角色，以及究竟是增强还是削弱当前某些参与者提供的价值。

2. 金融机构交互： 让智能代理与个人或企业的金融机构对接——检索数据、回答问题或执行交易——同样可能带来变革性影响。但这同样引发了与代理支付类似的问题。更深层的考量在于金融机构如何选择开放访问权限，特别是在考虑到 《多德-弗兰克法案》第 1033 条（”开放银行”规则）近期被撤销的情况下。消费者金融保护局（CFPB）修订后的立场表明，1033 条款并未要求将数据访问或可移植性扩展到其他应用程序或服务提供商，而仅限于账户所有者。智能代理是否符合该定义尚不明确但至关重要，这很可能成为重大监管辩论的焦点。

未解决的系统性问题

随着这些代理应用场景的发展，它们从监管、物流和技术角度带来了一系列复杂问题。其中最关键的包括：

• 金融凭证如何管理和验证？

• 如何区分”好”机器人与”坏”机器人？特别是在那些历来旨在完全屏蔽机器人的系统中

• 当智能代理发起不当或未经授权的交易时，责任由谁承担？

• 在由多个自主协同运作的智能代理组成的系统中，我们如何确保控制权与问责制？

这些并非边缘案例——它们恰恰是基于代理的系统如何融入核心金融基础设施的核心问题。目前尚不清楚哪类机构最能提供解决方案：现有金融机构、规模化金融科技初创企业，还是新入局者。这种不确定性既会给金融科技生态系统带来重大挑战，也将创造重要机遇。

我们的 AI 投资之道

在 Deciens，我们相信成功的 AI 投资需要纪律严明且专注的方法。这个领域的动态特性要求我们审慎评估企业、技术和市场趋势。基于此，我们聚焦于：

1. 价值创造： 支持具有明确影响力的企业，而非投机性探索。这些企业不仅展现潜力，更能为客户和利益相关者创造可衡量的价值。

2. 短期回报： 优先选择能在中短期内产生实效的解决方案。这种方法确保我们支持的企业能够持续成长，而不必完全依赖长期且不确定的发展。

3. 顶尖团队： 寻找并支持那些拥有已验证的专业知识、前瞻性思维以及能够在快速变化的市场中应对挑战的韧性的创始人和团队。对我们而言，团队实力往往是衡量一家公司能否成功的最明确指标。

4. 护城河优势： 投资于具备独特优势的企业，例如专有数据或专业化工作流程。这些因素不仅使它们区别于竞争对手，还能增强其应对市场波动的韧性。

5. 变革性影响： 当生成式 AI 直接部署给终端用户使用时，不仅能替代现有工作流程，更能实现传统解决方案根本无法完成的任务。

6. AI 周边解决方案： 押注于赋能技术和基础设施——即”淘金热中的铲子供应商”。无论哪种具体应用或趋势占据主导，这类企业都能稳操胜券，在生态系统中提供更稳定持久的机遇。

寻求平衡

尽管当前焦点集中在 AI 领域，但必须牢记传统机器学习（ML）并未过时。事实上，其确定性特征使其更适用于某些场景，尤其是在需要可预测性的金融服务领域。我们正越来越多地看到传统 ML 与生成式 AI 的成功结合，例如检索增强生成技术。

人工智能革命正在重塑我们的投资组合公司，无论是通过传统机器学习、生成式 AI 还是混合方法，我们预计这一趋势将持续深化。作为投资者，我们的职责是审慎把握这一变革浪潮，寻找那些将创新技术与可持续商业模式相结合、并具备明确价值创造路径的投资机会。

随着我们更深入地迈入技术变革时代，最成功的创业项目显然会在创新与实用性之间取得平衡——既要运用 AI 解决实际问题，又要保持商业模式的可持续性。