生成式人工智能中的商机和竞争分析

价值获取的竞争将在多个层面展开，每个 层面的竞争动态将受到规模、数据获取、 品牌和固定客户群等因素的影响。

然而，我们发现有两种主要的竞争者 类型：一种是只在某一层面（如基础 设施、模型或应用程序）提供服务的 纯粹提供者，另一种则是在多个层面 提供服务的综合型提供者。就定价而 言，针对消费者的定价通常比较简单 明了（比如按用户数、按月收费）， 而针对企业的定价则较为复杂（比如 按呼叫次数、按小时计费、按收入份 额分成等）。然而，尽管存在不同的 竞争者类型，但是在企业规模扩大、 超越早期采用者或边缘应用场景时， 定价的简单性、可预测性和价值会变 得非常重要。

首先，基础设施层是生成式人工智能技术 堆栈中最成熟的领域，超大规模计算服务 提供商在这个领域占据了市场的主导地位。 这里的商业模式已经被证明是行之有效的， 就是提供可扩展的计算资源，并采用透明、 按消费计费的定价策略。为了让生成式人 工智能工作负载更加稳定，超大规模计算 服务提供商已经与模型提供商签署了承诺， 以保证未来的工作负载，其中包括Azure 与OpenAI、Google 与Anthropic 以及AWS 与Stability.ai，还包括它们自己的专有模型。

虽然云服务提供商（CSP）提供抽象化的服务， 但在基础设施中还有另一个快速发展的关键 层次：芯片。 在这方面，NVIDIA 是领导者之一。他 们的 Ampere 和 Hopper 系列 GPU 分别 为训练和推理工作负载专门设计，再 加上他们的 Selene 超级计算集群，可 以加速训练时间。同时，AMD 的 CDNA2 架构也是专门为机器学习应用 的超级计算而设计的，这推动了高性 能计算市场的竞争。

另一种不太被考虑的盈利路径可能是开发 和许可模型架构或开发平台。接下来是模型层，市场正在快速发展。 在这个领域，需要投入大量资源，模型 构建者必须不断审查体系结构（例如参 数、嵌入）以维持性能。他们必须吸引 和留住人工智能人才（如架构师、工程 师和数据科学家），设计框架、防护措 施和学习机制，以确保模型的稳健性和 可靠性。最后，由于生成式人工智能工 作负载需要大量计算，并需要专用芯片 的支持，因此可能会产生高昂的费用。 因此，我们看到一些公司开始通过收取 费用或将其整合到盈利产品中（例如 GPT-3.5整合到Edge，LaMDA整合到 Google Search）来收回投资。 在其他行业，例如半导体领域，ARM （CPU）和高通（无线网络）基于许可 费用建立了庞大稳定的商业模式。

最后，应用程序层是模型和最终用户之间 的桥梁。 现今的应用程序通常通过订阅和经常性 交易来盈利，这种模式可能会继续存在， 但可能会对适用于生成式人工智能的模 式进行修改。

应用程序层内的竞争可能会涉及多个市场。但是， 考虑到可能涌现的广泛应用和用例，我们应该关注 “微市场”。总的来说，现在和预测的企业用例可 以分为五个类别，竞争线可能会在这些类别中展开：

加速： 通过加快生产结果来提高生产力。这些并不会消除人的干预，而是提供高质量 的输入。

个性化： 创造亲密感和个性化，在过去需要付出巨大的努力才能实现。在这里，模型可 以利用个人数据来定制内容。

自动化： 提供商业和技术工作流程，并在某些情况下替代人类。由于具有立即的成本节 约潜力，供应商经常展示这些功能。

创造： 推动知识产权开发的边界，利用提示（这本身就是一种新的艺术形式）生成新 颖的内容，如图像、视频、文本和媒体。

模拟 ：创建模拟环境，可以在将工作流程、实验和体验推向生产之前进行模拟，从而 节省时间、成本和物质资源。

这可能对模型和基础设施层产生影 响。低层次的供应商可以通过创建 定制基础设施、模型和服务来推动 微市场创新，从而保持其相关性。

集成玩家，与通过第一和第三方渠道 获利的直接供应商不同，是垂直一体 化或多层次的玩家。这些玩家通过捆 绑定价、专有数据、特定目的的云服 务或跨领域专业领先知识以获得竞争 优势。 我们看到集成玩家进入的两种方式。首 先，像Anthropic和Midjourney这样的公 司发布了针对特定用例的应用程序。在 技术层面，像NVIDIA这样的公司发布了 专门的模型，包括BioNeMo，这是一种 药物流水线开发加速器，经过优化以在 NVIDIA GPU上运行。

竞争动态在技术和商业两个维度上展开。 在技术方面，新的、更复杂的芯片、数 据集和模型正在出现，一些模型现在可 能会超过1万亿个参数。在商业方面，随 着消费者解决方案获得推广（例如 ChatGPT的专业版），情况正在发生变化。 在企业中，解决方案尚未被大规模商业 化，并且可能继续受到计算成本和风险 规避采用的限制。因此，我们提供了一 些组织在考虑从产品转向业务时应该评 估的因素。

随着架构方面的创新带来的收益递 减，可能将取决于训练数据量和质 量、人机协作训练以及防护措施情 况。因此，企业的竞争优势将取决 于能否获得专有数据集和稀缺人才。

 虽然通用模型对该领域的发展至关重 要，但它们可能无法捕捉到最大的价 值。相反，构建垂直应用案例和行业 专注解决方案的公司可能对企业产生 最强大的影响。

超大规模云服务提供商将面临来自 Coreweave 等新一代云服务提供商 的竞争，这些新提供商会利用定制 硬件和更低价格来针对可互换的AI 工作负载。因此，现有企业需要进 行创新，并依靠独立软件供应商 (ISV) 和系统集成商(SI) 的生态系统来帮助 保持竞争优势。

在企业准备数据、确定使用案例、遵 守当地法规、整合各种模型和应用程 序以及降低采用风险方面，生态系统 协调者和系统集成商将继续发挥重要 作用，帮助企业应对各种挑战。

 综合型解决方案可能更容易实现投资 回报，主要是因为高昂的计算成本可 以通过将基础设施、模型和应用程序 结合在一起的解决方案进行抽象。但 是，随着供应链瓶颈的缓解和新型 GPU 的出现，独立软件供应商(ISV) 可能会重新获得价值。