บริษัท AI ไม่มี MOAT – ถ้าพวกเขาเลือกที่จะหยุดเลือกด้าน

ความจริงที่ไม่สบายใจเกี่ยวกับผลิตภัณฑ์ AI: ความได้เปรียบของคุณมีอายุการใช้งานที่วัดได้ในสัปดาห์ ไม่ใช่ปี

ในขณะที่ห้องปฏิบัติการ AI พื้นฐานใช้เงินหลายพันล้านในการสร้างแบบจำลองที่ใช้เวลาหลายปีในการพัฒนา บริษัทที่ทำงานในระดับการใช้งานพบว่าไม่มี “คูน้ำ” ในความหมายแบบดั้งเดิม คุณสมบัติที่ดีที่สุดของคุณ? ถูกทำซ้ำภายในวันศุกร์ ความได้เปรียบทางเทคนิคของคุณ? หายไปภายในไตรมาสหน้า ความหลากหลายของผู้เล่น ความสามารถในการเข้าถึงแบบจำลองพื้นฐาน และความเร็วของนวัตกรรมได้สร้างตลาดที่การเป็นคนแรก การเป็นคนดีที่สุด หรือการเป็นคนแตกต่างไม่รับประกันการอยู่รอด

แต่มีวิธีแก้ปัญหาที่ไม่คาดคิด: หยุดพยายามชนะด้วยเทคโนโลยี และเริ่มสร้างความสามารถในการอยู่รอดได้ “คูน้ำ” ที่แท้จริงไม่อยู่ใน AI ที่คุณใช้ แต่อยู่ในความสามารถในการใช้ AI ใดๆ ก็ตาม

การแบ่งแยกพื้นฐาน

มีระดับพื้นฐาน – แบบจำลองขนาดใหญ่ เช่น ChatGPT, Grok และ Gemini มีหลายสิบแบบจำลองที่ได้รับการฝึกฝนแตกต่างกัน แต่ละแบบจำลองมีข้อได้เปรียบของตนเอง แต่นี่คืองานพื้นฐานที่ต้องใช้การวิจัยอย่างเข้มข้น: วิศวกรที่ทำงานอย่างหนักเป็นเวลาหลายปี โดยต้องใช้การลงทุนด้านทรัพยากรจำนวนมาก แต่ละแบบจำลองมี “คูน้ำ” ที่แตกต่างกัน – ไม่เช่นนั้น การลงทุนด้านทรัพยากรไม่สามารถอธิบายได้ นี่คือเหตุผลที่การพยายามล่อลวงวิศวกรจาก OpenAI ได้รับการ宣扬อย่างมาก: พวกเขามีความเชี่ยวชาญที่ไม่สามารถสร้างได้อย่างรวดเร็วในราคาอะไรๆ

แต่ที่ระดับการใช้งาน สิ่งต่าง ๆ ค่อนข้างแตกต่าง ทรัพยากรที่ต้องการน้อยกว่า แต่ต้องใช้ความคิดสร้างสรรค์มากกว่าในการปรับแต่งแบบจำลอง LLM และแก้ปัญหาทางธุรกิจ ทุกคนมีเกมของตนเอง วิธีการของตนเอง และผลิตภัณฑ์ของตนเอง ความหลากหลายของผู้เล่นสังหารความเป็นไปได้ในการมี “คูน้ำ” ที่แตกต่างในตลาดใดๆ – ข้อความ เสียง หรือภาพ วิธีแก้ปัญหาเชิงธุรกิจที่ใช้ AI พื้นฐานเกิดขึ้นทุกวัน บริษัทต่างๆ ปรากฏขึ้นบ่อยครั้ง และมักจะไม่สามารถแยกแยะได้ว่าใครเป็นใคร

ตัวอย่างของการแตกต่างในอุตสาหกรรมเสียงแสดงให้เห็นถึงการเปลี่ยนแปลงนี้: ในตอนแรก ทุกคนพยายามทำให้เสียงดูเหมือนมนุษย์มากที่สุด จากนั้นความเร็วกลายเป็นคำถามและทุกคนเริ่มแก้ปัญหาเดียวกันอย่างรวดเร็ว ตอนนี้เราอยู่ในยุคของแท็กทางอารมณ์ ในการรับรู้เสียงพูด เมทริกซ์หลัก – อัตราคำผิด – ได้รับการปรับปรุงอย่างมากด้วยการเกิดขึ้นของแบบจำลอง LLM ที่สามารถเข้าใจความเหมาะสมของคำในบริบท

โดยสรุป การไม่มี “คูน้ำ” อธิบายได้จากความไม่ลึกซึ้งใดๆ ของผลิตภัณฑ์ระดับการใช้งาน: มันไม่ลึกซึ้งในการใช้ AI และการประยุกต์ทางธุรกิจ เช่นเดียวกับ “คูน้ำ” ของผลิตภัณฑ์พื้นฐานที่อธิบายได้จากความลึกของการพัฒนา

แต่โครงการระดับการใช้งานต้องการ “คูน้ำ” หรือไม่? หากคุณทำงานในตลาดที่ค่อนข้างใหญ่และมีคู่แข่งน้อยกว่า 30 ราย คุณสามารถปล่อยให้ทุกอย่างเป็นไปตามเดิมได้ แน่นอนว่าคู่แข่งอาจเป็นบริษัทขนาดใหญ่ เช่น OpenAI และ Anthropic แต่ใน这里 คุณต้องอาศัยความรู้สึก主観เกี่ยวกับขนาดและพลวัตของตลาด ว่ามีอาหารเพียงพอสำหรับทุกคนหรือไม่ แต่หากตลาดค่อนข้างเล็กและคู่แข่งเกิดขึ้นอย่างรวดเร็ว คุณจะต้องกำหนดความได้เปรียบของคุณอย่างชัดเจน ไม่สำคัญว่าคู่แข่งจะนำมาใช้อย่างรวดเร็วหรือไม่

การกระจายสินค้าเป็นคูน้ำที่แท้จริง

ฉันคิดว่าในระดับหนึ่ง นี่เป็นข้อความที่ถูกต้อง และ “คูน้ำ” ที่แท้จริงอยู่ในโดเมนการกระจายสินค้า ไม่ใช่ในเทคโนโลยีเอง สิ่งที่สำคัญกว่าคือการขยายการมีอยู่ของคุณกับลูกค้าและคุณค่าของผลิตภัณฑ์ให้แน่ใจว่ามี LTV ที่ดี ไม่เช่นนั้น คุณอาจสร้างแอปพลิเคชัน B2C สำหรับผู้ใช้เล่นด้วย และพวกเขาอาจแพร่กระจายมันอย่างรวดเร็ว แต่จากนั้นพวกเขาก็หยุดใช้เมื่อแอปใหม่ปรากฏขึ้น

ความได้เปรียบสองประเภท – และเหตุใดจึงมีเพียงหนึ่งเท่านั้นที่รอด

มีความได้เปรียบสองประเภท ความได้เปรียบแรกทำให้คุณชนะในขณะนี้ด้วยความได้เปรียบชัดเจน – ขอบคุณความเชี่ยวชาญหรือคุณสมบัติที่เป็นเอกลักษณ์ที่คู่แข่งไม่มี ความได้เปรียบ第二ทำให้คุณหลีกเลี่ยงการแพ้ในระยะยาว เพราะคุณกำลังสร้างความยั่งยืน

ด้วยผลิตภัณฑ์ AI การปฏิบัติในโลกแห่งความเป็นจริงแสดงให้เห็นว่าความได้เปรียบแรกถูกลบออกอย่างรวดเร็ว: คู่แข่งปิดช่องว่างด้วยความเร็วที่น่ากลัว

ดังนั้นจึงมีเหตุผลที่จะเน้นไปที่ความได้เปรียบ第二: ความทนทานสูงสุดของผลิตภัณฑ์ นี่เป็นผลมาจากการสร้างผลิตภัณฑ์ที่สามารถทำงานกับ LLM ผู้ให้บริการใดๆ และเปลี่ยนระหว่างพวกมันได้ทันที – ในช่วงเวลาที่แบบจำลองปัจจุบันที่ธุรกิจของคุณสร้างขึ้นเริ่มล้าหลังอย่างชัดเจน

เมื่อพิจารณาจากสิ่งนี้ การวัดความเป็นอิสระจากชั้น LLM พื้นฐานกลายเป็น “คูน้ำ” ที่แข็งแกร่งกว่าความพยายามทางการตลาดหรือเทคนิคเพียงอย่างเดียว การไม่ฝักใฝ่ฝ่ายใดไม่ใช่แค่สิ่งที่ดี – มันเป็นตำแหน่งที่ป้องกันได้เมื่อภูมิหลังของคุณเปลี่ยนแปลงทุกเดือน

ความซับซ้อนของกลยุทธ์แบบจำลองหลายแบบที่ซ่อนอยู่

ในขณะที่ความเป็นอิสระจาก LLM พื้นฐานมอบการป้องกันในระยะยาว การนำไปใช้เผยให้เห็นถึงความท้าทายที่สำคัญ ตามที่ Alexey Aylarov อธิบาย “ไม่ใช่เรื่องง่าย เนื่องจากทุกแบบจำลองมีลักษณะเฉพาะ/ปัญหา”

ปัญหาหลัก: LLM ไม่สามารถเปลี่ยนได้ ผลลัพธ์แตกต่างกันเมื่อใช้ข้อมูลเข้าเดียวกัน – แม้แต่ภายใน LLM เดียวกัน แต่เปลี่ยนแปลงอย่างมากเมื่อเปลี่ยนผู้ให้บริการ แต่ละแบบจำลองตอบสนองต่อคำสั่งและคำแนะนำต่างๆ: บางแบบจำลองปฏิบัติตามคำแนะนำได้ดีกว่า บางแบบจำลองปฏิบัติตามคำแนะนำได้ไม่ดี การทำงานสามารถขึ้นอยู่กับภาษาหรือเป้าหมาย

ตัวอย่างเฉพาะ: พิจารณาบริการสร้างภาพ/วิดีโอที่ใช้ LLM เช่น Sora หรือ Veo ให้ข้อมูลเข้าเดียวกันและคุณจะได้ผลลัพธ์ที่แตกต่างกันอย่างสมบูรณ์ ความแปรผัน nàyใช้กับการใช้งาน LLM ทั้งหมด

ความท้าทายในการปรับแต่ง: เพื่อรักษาความเข้ากันได้กับแบบจำลองหลายแบบ คุณต้อง:

• สร้างคำสั่ง/คำแนะนำแยกกันสำหรับ LLM แต่ละตัวที่ให้ผลลัพธ์ที่คุณต้องการ
• รู้ว่า LLM แต่ละตัวแตกต่างกันและปรับข้อมูลเข้าตามนั้น
• มีส่วนร่วมในการทำงานที่เป็นครีเอทีฟมากกว่าการทำงานแบบปกติ
• ยอมรับว่ากระบวนการนี้ “ยากที่จะทำให้ทำงานอัตโนมัติในกรณีส่วนใหญ่”

ต้องใช้ความพยายามในการปรับแต่งอย่างมากสำหรับแต่ละแบบจำลอง การลงทุนล่วงหน้าเป็นจำนวนมาก: คุณต้องสร้างคำสั่งสำหรับ LLM ทั้งหมดก่อนที่คุณจะสามารถเปลี่ยนระหว่างพวกมันได้อย่างอิสระ นอกจากนี้ การเตรียมการนี้ครอบคลุมเฉพาะแบบจำลองที่มีอยู่เท่านั้น – เมื่อแบบจำลอง LLM ใหม่เกิดขึ้น กระบวนการปรับแต่งเริ่มต้นใหม่

“คูน้ำ” มาจากการลงทุนในโครงสร้างพื้นฐานในการทดสอบ ความเชี่ยวชาญด้านการปรับแต่งคำสั่ง และวินัยการปฏิบัติงานในการรักษาความเข้ากันได้กับ LLM หลายแบบ – และเพื่อทำซ้ำกระบวนการนี้เมื่อภูมิหลังเปลี่ยนแปลง ความสามารถนี้กลายเป็นรูปแบบของความลึกทางเทคนิคที่คู่แข่งไม่สามารถทำซ้ำได้ง่ายๆ แม้ว่าพวกเขาจะเข้าใจกลยุทธ์ก็ตาม

ความขัดแย้ง: คูน้ำของคุณอยู่ที่ไม่มีคูน้ำ

สิ่งนี้ทำให้ความเป็นอิสระจาก LLM มีพลังมาก: มันเป็นความได้เปรียบทางแข่งขันที่เพิ่มขึ้นเมื่อตลาดกลายเป็นความโกลาหลมากขึ้น

เมื่อคู่แข่งของคุณสร้างผลิตภัณฑ์ทั้งหมดบน GPT-4 และแบบจำลองที่ดีกว่าปรากฏขึ้น พวกเขากำลังเผชิญกับการออกแบบใหม่แบบมีอยู่หรือไม่มีอยู่ เมื่อคุณสร้างโครงสร้างพื้นฐานในการเปลี่ยนแบบจำลอง คุณกำลังเผชิญกับวันจันทร์ บริษัทที่รอดชีวิตจะไม่ใช่บริษัทที่เลือกแบบจำลองที่ถูกต้อง – แต่จะเป็นบริษัทที่ไม่จำเป็นต้องเลือกเลย

ใช่ การสร้างสำหรับ LLM หลายแบบมีค่าใช้จ่ายล่วงหน้ามาก ใช่ ต้องใช้การทำงานด้านวิศวกรรมที่สร้างสรรค์ซึ่งยากที่จะทำให้ทำงานอัตโนมัติ ใช่ คุณกำลังรักษาแนวทางคำสั่งแบบขนานสำหรับผู้ให้บริการแต่ละราย แต่นี่คือสิ่งที่สร้างข้อจำกัดในการเข้าถึง มันคือ “คูน้ำ” ที่ไม่อยู่ในเทคโนโลยีเอง – แต่อยู่ในความสามารถในการจัดการการเปลี่ยนแปลงทางเทคโนโลยี

บริษัท AI ส่วนใหญ่กำลังเพิ่มประสิทธิภาพให้กับการชนะในวันนี้ บริษัทที่เป็นอิสระกำลังเพิ่มประสิทธิภาพให้กับการอยู่รอดในวันพรุ่งนี้ ในตลาดที่ความก้าวหน้าของเมื่อวานนี้เป็นมาตรฐานในวันพรุ่งนี้ ความแตกต่างนี้คือทุกอย่าง