身处全球科技创新中心的硅谷，AI产业生态已经进化到什么程度？投资者们的钱，又砸向何处？

硅谷知名投资人、技术VC Fusion Fund创始人张璐，在中国AIGC产业峰会上给出了这些关键判断：

现阶段，初创企业基本上都可以做“鸡尾酒”模式，即调动最前沿大模型的API，在上面配套使用开源模型，再自己做些修改进行模型调优。在硅谷，模型的市场已经比较相对明确，主要有三类，我个人非常看好开源平台。人工智能是超级工具，我们的机遇可能比互联网时代大10倍，但只有1/3的机会留给初创企业。

张璐毕业于斯坦福大学，现管理近4亿美元资本，专注医疗，AI和深科技领域投资。

为了完整体现张璐的思考，在不改变原意的基础上，新火种联合大模型对演讲内容进行了编辑整理，希望能给你带来更多启发。

中国AIGC产业峰会是由新火种主办的行业峰会，20位产业代表与会讨论。线下参会观众近千人，线上直播观众300万，获得了主流媒体的广泛关注与报道。

大家好，我是张璐。提到今天的主题——人工智能，虽然在硅谷已非新话题，自2016、2017年以来，它已成为base work。但是后面逐渐有新的主题被提出，到了2022、2023年，生成式AI不仅在科技圈，更在全产业掀起了对人工智能的广泛关注。

我一直强调，人工智能是工具，代表着全产业数字化转型的趋势，即Digital Transformation。我也早在几年前就提出，这次人工智能是高效的超级工具，能够推动全产业的数字化转型。不仅科技行业广泛应用人工智能，其他产业也涌现出大量高质量数据，为人工智能提供了展示其能力的舞台。

我经常强调，除了技术，我们还应关注数据。

因为许多产业在十年前虽有人工智能，却缺乏高质量数据来训练模型。而近两年产业自动化推动下，各产业都产生了大量高质量数据，成为人工智能应用和发展的基石。

大家可以看到，人工智能是超级工具，我们的机遇可能比互联网时代大10倍，但只有1/3的机会留给初创企业。

特别是在硅谷，人工智能的主题是赋能而非破坏或变革。

赋能就意味着不仅是初创企业，大科技公司也能被赋能。

在硅谷，To C端应用场景的特点是，大量高质量用户数据掌握在大科技公司手中。因此，初创企业和公司在应用层面上，需要清楚地认识到创新机会在哪里，哪些应用场景和产业能获得大量高质量数据。同时，大科技公司，尤其是硅谷的公司，都在构建自己的生态平台，如英伟达、Meta、微软等，他们多年前就开始搭建生态，希望助力初创企业发展。

因此，作为创业者和创新者，找到合适的切入点至关重要。

在未来模型投资和模型的种类，在硅谷，模型的市场已经比较相对明确，分为三类：

硅谷的开源生态正在蓬勃发展，Meta作为领军企业，其LLama 2模型已助力许多企业快速发展。

未来几个月，我们可能会看到LLama 3的发布，以及Mistral在开源方面的贡献。

还有一些小型开源模型，如我们最近投资的一家公司——NEXA AI发布的一个在边缘端运行的小模型，最小的可能是10亿到20亿个token。这些开源模型的快速发展，为初创企业和大企业提供了另一种选择，也能更高效地优化能耗和基础设施成本。

我们的人工智能投资分为两个维度：应用端和AI基础设施端。

应用层面相对明确，每个行业都有不同应用场景，但在基础设施层面，我们需要解决人工智能面临的几大挑战：

基础设施层不是单层解决方案，而是一个生态投资，从硬件到软件，从云端到数据端，都需要布局，以更好地推动AI生态发展。

在硅谷，人工智能应用发展方向主要集中在To B领域，我们不投资To C公司。

我一直强调数据的重要性，如何利用海量高质量数据优化模型，使人工智能解决方案更实际、更商业化。

目前，初创企业可以采用鸡尾酒模式，调用大平台的API，结合自己的开源模型进行优化，构建行业专属模型。

在这个过程中，我们发现两个特点：

一是数据质量比数量更重要，高质量数据可以以更低的成本和更快的速度进行模型优化；

二是我们不需要一个模型解决所有问题，在特定应用场景和产业中，训练行业专属的小模型，在表现上可以与通用大模型相匹敌，甚至在成本、效率和反应速度上更快。

在应用机会方面，医疗、金融保险和机器人是迭代速度较快的领域——

医疗领域在美国市场规模巨大，占GDP的20%。金融保险行业数据质量高，规则化，应用场景多样。机器人不仅是人形机器人，还包括各种自动化和机械手臂，它们是新型的数据接口。

太空数据和太空科技也是一个重要领域，太空数据现在既有高质量又有高数量，价值可观。

我们经常讨论的潜在趋势就是整个科技行业的监管，而监管的核心就是监管数据，这几个行业有一个极大的特点：它们本身是高监管行业，对监管的适应更简单。

另外一个很大的机会在于AI Infrastructure，也是我们必须要解决的问题。

尽管人工智能发展前景巨大，但挑战也会阻止我们进行大规模布局。我们不仅要追求更好的算法和模型，还要关注成本，尤其是生成式AI的成本。GPU成本高，算力和能量成本也很高。我们可能没有足够的能量支持大规模生成式AI应用，这也是追求小模型的另一个原因。此外，还有延迟问题，如何通过边缘计算技术解决，以及数据隐私和安全问题。

在计算能力方面，GPU和各种芯片设计是讨论的热点。从软件到硬件，大家都在探索新的架构和设计。

我在斯坦福学习材料科学与工程，也进行了新型材料的研发。现在的机会分为两派：

边缘计算也是一个潜在技术，可以解决能耗和延迟问题。

我们从2018年开始投入边缘计算，发布了行业报告，从芯片到serverless edge，再到云端边缘解决方案，帮助在人工智能时代进行边缘端应用。

边缘解决方案有多种切入点，如NEXA AI的开源模型Octopus V3，是一个在边缘上运行的生成式AI语言模型，有助于拓宽AI快速发展的方向。此外，边缘计算在开源层面上的灵活度也是一个优势。

数据隐私问题包括模型安全、Cloud Network安全和数据隐私。从芯片层进行模型安全保护，网络安全解决方案，以及联邦学习和数据加密等都是创新机会。

总之，今年与去年相比，对人工智能的期待变得更加现实。去年关注的是模型和算法的表现，今年则关注大规模产业应用和成本控制。

所以这里面我列了几个分享的内容：

第一，作为初创企业，要清楚竞争和合作的市场前景，找到好的生态平台支持成长。

第二找到合适的应用场景非常关键。回顾之前提到的，硅谷的C端市场有80%到90%的机会被大公司所主导，整体而言，在人工智能的创新领域，大约70%的优势机会同样掌握在大公司手中。然而，即便如此，剩下的30%机会相比互联网时代仍有十倍到二十倍的增长，这依然代表着一个巨大的市场潜力。

第三个数据质量和多样性也很关键。尤其是现在模型可以越做越小，可以进行各种各样的针对特定任务去打造小模型，数据的质量比数据量更重要，定义数据质量的时候，还有数据多样性也很关键。

最后一点，基础设施是关键，因为它决定了人工智能应用的成本，而大规模的应用成本是商业考量的第一要义。

但好处是我们才刚刚开始。无论模型还是基础设施的挑战，都是机会。

现在身处硅谷，我经常跟我的合伙人开玩笑讲，就像每天有一个小的惊喜的糖果等待着我们，也很高兴能在硅谷这个创新前沿与优秀的企业家合作，希望通过分享促进更多交流，期待未来在硅谷见到更多国内外企业家。

— 完 —