人工智能的万亿美元问题

随着我们进入2025年，人工智能行业站在了一个至关重要的转折点。虽然该行业继续吸引着前所未有的投资和关注，尤其是在生成式人工智能领域，但几个潜在的市场动态表明，我们即将在今年看到人工智能领域的重大变化。

根据我领导人工智能初创公司和观察该行业快速演变的经验，我相信今年将带来许多根本性的变化：从大型概念模型（LCMs）被认为是大型语言模型（LLMs）的严重竞争对手，到专用人工智能硬件的崛起，以及大型科技公司开始进行人工智能基础设施建设，最终使他们能够超越像OpenAI和Anthropic这样的初创公司——谁知道，也许他们甚至会获得人工智能垄断地位。

人工智能公司的独特挑战：既不是软件也不是硬件

根本问题在于人工智能公司如何在传统软件和硬件业务之间的中间地带运营。与纯软件公司不同，纯软件公司主要投资于人力资本，运营费用相对较低，或者硬件公司进行长期资本投资，回报路径清晰，人工智能公司面临着独特的挑战组合，使他们的当前资金模型岌岌可危。

这些公司需要为GPU集群和基础设施进行大量的前期资本支出，每年仅计算资源就要花费1亿至2亿美元。然而，与硬件公司不同，他们无法将这些投资在长期内摊销。相反，他们在两年之间的资金轮次中运营，每次都需要展示指数级增长和尖端性能，以证明他们的下一个估值倍数是合理的。

LLMs的区别化问题

添加到这个结构性挑战中的是一个令人担忧的趋势：大型语言模型（LLM）能力的快速收敛。像Mistral AI这样的初创公司已经证明，开源模型可以实现与其闭源对应物相当的性能，但技术区别化，这曾经是天空般的估值的理由，越来越难以维持。

换句话说，虽然每个新LLM都以标准基准的出色性能为傲，但底层模型架构的根本性转变并没有发生。

当前的限制来自三个关键领域：数据可用性，因为我们正在用完高质量的训练材料（正如Elon Musk最近确认的那样）；策划方法，因为它们都采用了OpenAI开创的类似人工反馈方法；以及计算架构，因为它们依赖于相同的有限专用GPU硬件池。

出现的模式是，收益越来越多地来自效率而不是规模。公司专注于将更多的知识压缩到更少的令牌中，并开发更好的工程制品，例如检索系统，如图RAGs（检索增强生成）。基本上，我们正在接近一个自然的高原，投入更多的资源到问题中会带来递减的回报。

由于过去两年创新步伐的前所未有，LLM能力的收敛速度比任何人预期的都快，这为那些筹集资金的公司创造了一个与时间赛跑的局面。

根据最新的研究趋势，解决这个问题的下一个前沿领域是大型概念模型（LCMs）的出现，它们将成为一种新型的、开创性的架构，能够在自然语言理解（NLP）领域与LLMs竞争。

从技术上讲，LCMs将具备几个优势，包括潜在的更好的性能和更少的迭代次数，以及能够用较小的团队实现类似的结果。我相信这些下一代LCMs将由分拆团队开发和商业化，这些团队由著名的“大型科技公司”的叛逆者创立，他们将开启这场革命。

货币化时间线不匹配

创新周期的压缩已经造成了另一个关键问题：时间到市场和可持续货币化之间的不匹配。虽然我们正在看到人工智能应用的垂直化速度前所未有——例如，语音AI代理从概念到产生收入的产品仅需几个月——但这种快速商业化掩盖了一个更深层次的问题。

考虑一下：如果一家人工智能初创公司今天被估值为200亿美元，它可能需要在4-5年内产生约10亿美元的年度收入，以证明上市时的合理倍数。这不仅需要技术卓越，还需要整个商业模式的戏剧性转变，从研发为中心到销售驱动，同时保持创新步伐和管理巨大的基础设施成本。

在这种意义上，2025年将出现的新LCM专注的初创公司将处于更好的位置来筹集资金，因为它们的初始估值较低，这使得它们对投资者更具吸引力。

硬件短缺和新兴替代品

让我们更仔细地看一下基础设施。今天，每个新的GPU集群在建造之前就被大玩家预购，这迫使较小的玩家要么与云提供商签订长期合同，要么完全被排除在市场之外。

但是真正有趣的是：在每个人都在争夺GPU的同时，硬件格局发生了一个令人着迷的转变，这种转变仍然在很大程度上被忽视。当前的GPU架构，被称为GPGPU（通用GPU），对于大多数公司在生产中实际需要的来说是非常低效的。这就像使用超级计算机来运行计算器应用程序。

这就是为什么我相信专用人工智能硬件将成为我们行业的下一个重大转变。像Groq和Cerebras (CBRS ) 这样的公司正在构建专门用于推理的硬件，这比传统GPU便宜4-5倍。是的，优化模型以适应这些平台需要更高的前期工程成本，但对于运行大规模推理工作负载的公司来说，效率收益是明显的。

数据密度和较小、更智能的模型的崛起

人工智能领域的下一个创新前沿可能需要不仅计算能力的增加，尤其是对于像LCMs这样的大型模型，还需要更丰富、更全面的数据集。

有趣的是，较小、更高效的模型开始通过利用可用数据的密度来挑战较大的模型。例如，像Microsoft (MSFT ) 的FeeFree或Google的Gema2B这样的模型，参数数量要少得多——通常只有20亿到30亿——却能达到与更大模型（拥有80亿参数）相当的性能水平。

这些较小的模型之所以具有竞争力，是因为它们的高数据密度，使得它们尽管体型较小却很强健。这一向紧凑、强大的模型转变与像Microsoft和Google这样的公司所拥有的战略优势相吻合：通过Bing和Google Search等平台访问大量、多样化的数据集。

这种动态揭示了人工智能开发中正在展开的两个关键“战争”：一个是计算能力之战，另一个是数据之战。虽然计算资源对于推动边界至关重要，但数据密度变得同样——如果不是更为——关键。拥有大量数据集的公司独特地位于训练较小的模型，以前所未有的效率和强健性，使他们在不断演变的人工智能格局中巩固了主导地位。

谁将赢得人工智能战争？

在这种背景下，大家都想知道谁在当前的人工智能格局中最有可能获胜。以下是一些值得思考的观点。

大型科技公司已经预购了整个GPU集群，制造了一个供给不足的环境，使较小的玩家难以获得。Oracle的10万多个GPU订单以及Meta和Microsoft的类似举动都体现了这一趋势。

这些公司已经在人工智能计划上投资了数百亿美元，需要成千上万的专门的人工智能工程师和研究人员。这将创造出对人才的前所未有的需求，这只能通过战略性收购来满足——可能会导致许多初创公司在未来几个月内被吸收。

2025年将专注于大规模研发和基础设施建设，对于这些参与者来说，到2026年，他们将拥有前所未有的资源来采取行动。

这并不是说较小的人工智能公司注定会失败——绝对不是。该行业将继续创新和创造价值。像LCMs这样的某些领域的关键创新可能将由较小的新兴参与者在今年带领，另外还有Meta、Google /Alphabet (GOOG ) 和OpenAI与Anthropic，它们目前都在进行一些令人兴奋的项目。

然而，我们可能会看到人工智能公司的资金和估值方式发生根本性的重组。随着风险投资变得更加有辨别力，公司需要展示清晰的可持续单位经济学路径——这对与拥有充足资源的专有替代品竞争的开源企业来说是一个特别的挑战。

对于开源人工智能公司来说，前进的道路可能需要专注于特定的垂直应用，在这些应用中，他们的透明度和可定制性提供了明显的优势，超越了专有解决方案。