編者按：2022 年，由于 DALL-E,、MidJourney 等文本生成圖像模型以及文本生成模型 ChatGPT 在消費者當中出現(xiàn)現(xiàn)象級流行,，很多人都開始預測 2023 將是 AI 之年，也許我們將真正進入 AI 的新紀元,。但是誰最有可能在這個新紀元執(zhí)牛角呢,？從五大巨頭分析開始也許是個很好的起點。文章來自編譯,。

2022 年的故事是人工智能的涌現(xiàn)，首先是圖像生成模型,，包括 DALL-E,、 MidJourney 以及開源的 Stable Diffusion，然后是 ChatGPT ,，第一個取得重大突破的文本生成模型,。在我看來，這是技術進入了新紀元,。

不過,，要確定那個新紀元可能會如何演進，做一件事情會很有用,，那就是回顧一下 26 年前有史以來最著名的戰(zhàn)略書籍之一：克萊頓·克里斯滕森（Clayton Christensen）的《創(chuàng)新者的困境》（The Innovator’s Dilemma），尤其是關于不同類型創(chuàng)新的這段話：

大多數(shù)新技術都會推動產(chǎn)品性能的改善,，我將這些技術稱為“延續(xù)性技術”。一些延續(xù)性技術可能不具有連續(xù)性，或者在本質(zhì)上具有突破性,，而其他一些則在本質(zhì)上屬于漸進性技術,。所有的延續(xù)性技術所具有的共同點就是,，它們都是根據(jù)主要市場的主流消費者一直以來所看重的性能層面來提高成熟產(chǎn)品的性能,。特定行業(yè)的大多數(shù)技術進步從本質(zhì)上說都具有延續(xù)性……

顛覆性技術給市場帶來了與以往截然不同的價值主張,。一般來說，顛覆性技術產(chǎn)品的性能要低于主流市場的成熟產(chǎn)品，但它們擁有一些邊緣消費者(通常也是新消費者)所看重的其他特性,?；陬嵏残约夹g的產(chǎn)品通常價格更低,、性能更簡單、體積更小,，而且通常更方便消費者使用,。

回過頭看，通過觀察既有公司在創(chuàng)新進入市場后的表現(xiàn),，似乎很容易就能確定創(chuàng)新是屬于延續(xù)性的還是顛覆性的：如果創(chuàng)新是延續(xù)性的的話，那么既有公司會變得更強大,；如果屬于顛覆性,，那大概是初創(chuàng)公司收割掉大部分價值,。

不妨思考一下之前的技術紀元：

• PC 對幾乎所有的既有者都具有顛覆性,；這些相對便宜和低功耗的設備在能力或利潤幾乎沒法跟小型機相比，跟大型機比就更不用說了,。這就是為什么 IBM 樂于把自己的 PC 分別外包給英特爾（芯片）和微軟（操作系統(tǒng)）,，這樣他們就可以推出產(chǎn)品并滿足他們的企業(yè)客戶,；PC 變得更快了,，不過，統(tǒng)治市場的變成了英特爾和微軟，因為這個市場令之前的一切都相形見絀。

• 互聯(lián)網(wǎng)幾乎是全新的市場創(chuàng)新,，也因此是由全新的公司定義的,，以至于這些公司連既有企業(yè)都顛覆了,，連跟技術關系不大的行業(yè)也受牽連，尤其是那些與信息相關的行業(yè)（也就是媒體）,。這是谷歌,、Facebook、在線交易市場與電子商務等的時代,。所有這些應用都跑在由 Windows 和英特爾驅(qū)動的 PC 上,。

• 云計算可以說是互聯(lián)網(wǎng)的一部分，但我認為它應該自成一派,。它也極具顛覆性：商品化的 x86 架構淘汰了專用的服務器硬件,，大量 SaaS 初創(chuàng)企業(yè)開始剝離既有企業(yè)的功能，把它做成了企業(yè),。值得注意的是,，云計算的核心基礎設施主要還是由前幾個時代的贏家建造的：其中包括亞馬遜,、微軟以及谷歌,。微軟尤其引人注目，因為該公司還把自身傳統(tǒng)的軟件業(yè)務變成了 SaaS 服務,，部分是因為這家公司已經(jīng)將上述軟件業(yè)務變成了訂閱模式,。

• 移動最終被兩家老牌公司把持了：也就是蘋果和谷歌。不過,，這并不意味著它沒有顛覆性：蘋果的新 UI 范式要求不要把手機看作是小型 PC（微軟的看法）,；谷歌新的商業(yè)模式要求不要將手機看作是賣操作系統(tǒng)的直接利潤中心,，而是把它看作是自身廣告業(yè)務的護城河。

關于這段歷史,，值得注意的是,，我上面所說的假設并不完全正確；顛覆性創(chuàng)新確實一直都出自市場的新進入者,，但這些新進入者未必就是初創(chuàng)公司：在以前的技術紀元,，某些最大的贏家是利用現(xiàn)有業(yè)務進入新領域的現(xiàn)有公司。與此同時,，克里斯滕森理論的其他原則也成立：微軟之所以在移動領域陷入困境,，是因為移動具有顛覆性，但 SaaS 最終是延續(xù)性的,，因為它的商業(yè)模式已經(jīng)與之一致,。

鑒于現(xiàn)有公司在新紀元取得的成功，在思考人工智能的影響時，最明顯的一個起點就是這五巨頭：蘋果,、亞馬遜,、Facebook、谷歌和微軟,。

蘋果

關于技術戰(zhàn)略,，我已經(jīng)引用過最著名的一本書；而這方面最著名的文章之一是 Joel Spolsky 的《Strategy Letter V》,，里面的這句話更是鼎鼎大名：

聰明的公司會設法將其產(chǎn)品的互補品商品化,。

這句話的上下文是 Spolsky 在解釋為什么大公司會投資開源軟件：

調(diào)試好的代碼不是免費的，不管它是專有的還是開源的都一樣。 即便你不為它付錢,，它也有機會成本,，而且還有時間成本。 開源有數(shù)量有限的志愿編程人才幫干活,，而每個開源項目都要跟其他開源項目競爭同樣一批有限的編程資源,，只有最性感的項目才真正擁有比自己所需更多的志愿開發(fā)人員。 總而言之,，我對那些試圖證明免費軟件的經(jīng)濟性的人印象不深,，因為在我看來，他們犯了零除錯誤,。

開源也逃不脫經(jīng)濟的引力法則,。 我們從 Eazel、ArsDigita,，以及之前被稱為 VA Linux 等許多其他嘗試身上就能看出這一點,。 但還有些事情是開源界很少有人能真正理解的：許多非常大的上市公司，盡管其責任是股東價值最大化,，但仍然投入大量資金來支持開源軟件,，通常的形式是給大型程序員團隊付費讓后者做開源軟件。而互補品原則可以解釋這一現(xiàn)象,。

再次地：當某產(chǎn)品的互補品價格下降時,，對該產(chǎn)品的需求就會增加。一般而言,，公司的戰(zhàn)略利益是讓自己的互補品價格盡可能的低,。而理論上可維系下去的最低價格頂多是“商品化價格”——也就是當你有一堆的競爭對手可提供無明顯區(qū)別的商品時出現(xiàn)的價格。 所以：聰明的公司會設法將其產(chǎn)品的互補品商品化,。如果你能做到這一點,，對你的產(chǎn)品的需求就會增加，然后你可以多收錢多掙錢,。

蘋果投資開源技術,，最著名的是用于蘋果操作系統(tǒng)的 Darwin 內(nèi)核以及 WebKit 瀏覽器引擎；后者符合 Spolsky 的處方,，因為要確保 web 與蘋果的設備配合良好,，這樣就能讓蘋果的設備更有價值。

與此同時,，蘋果在 AI 方面的努力基本上都是做專有：傳統(tǒng)的機器學習模型用于推薦,、照片識別和語音識別等方面，但這些對蘋果的業(yè)務并未產(chǎn)生重大影響,。不過,，蘋果確實從開源世界收到了一份不可思議的禮物：Stable Diffusion,。

Stable Diffusion 之所以引人注目,，不僅因為它是開源的,，還因為它的模型出奇的小：發(fā)布的時候,，它已經(jīng)可以在一些消費級的顯卡上運行,；幾周之內(nèi)，它就已優(yōu)化到可以在 iPhone 上運行的程度,。

值得稱贊的是,，蘋果抓住了這個機會，其機器學習團隊上個月發(fā)布了以下這則公告：

今天,，我們很高興在 macOS 13.1 和 iOS 16.2 發(fā)布針對 Stable Diffusion 的 Core ML 優(yōu)化,，我們還提供了部署到帶蘋果芯片設備的示例代碼……

不管是什么 app，其中一個關鍵問題是 Stable Diffusion 模型在什么地方跑,。有很多原因可以解釋為什么在設備側部署 Stable Diffusion 比部署到服務器的做法更可取,。首先，終端用戶的隱私可以受到保護,，因為用戶作為模型輸入提供的任何數(shù)據(jù)都保留在用戶自己的設備上,。其次，在第一次下載之后,，用戶不需要連接互聯(lián)網(wǎng)就可以使用這個模型,。最后，在本地部署模型能讓開發(fā)人員減少或消除服務器方面的成本,。

針對 Stable Diffusion 優(yōu)化 Core ML ,，簡化模型的轉(zhuǎn)換，可以讓開發(fā)者更容易以保護隱私和經(jīng)濟可行的方式,，在自己的 app 整合這項技術,，并使其在蘋果的芯片上獲得最佳性能。此次發(fā)布的版本包含了一個 Python 包,，使用 diffusers 和 coremltools ,，可將 Stable Diffusion 模型從 PyTorch 轉(zhuǎn)換到 Core ML，我們還提供了一個 Swift 包來部署該模型,。

值得注意的是,，這個公告有兩部分：首先，蘋果優(yōu)化了 Stable Diffusion 模型本身（這是可以的,，因為它是開源的）,；其次，蘋果更新了自己的操作系統(tǒng),，這主要得益于蘋果的一體化模式,，所以可以針對蘋果自己的芯片做出調(diào)整,。

此外，可以肯定的是,，這只是一個開始：盡管蘋果多年來一直在自己的芯片上推出所謂的“Neural Engine”,，但那種人工智能專用硬件是根據(jù)蘋果自身的需求做出優(yōu)化的；看來將來蘋果的芯片也會針對 Stable Diffusion 做出調(diào)整,，這個時間即便不是今年也可能是明年,。與此同時，Stable Diffusion 本身可以內(nèi)置到蘋果的操作系統(tǒng)之中,，并為任何 app 開發(fā)者提供易于訪問的 API,。

所以蘋果將來有可能將“足夠好”的圖像生成功能內(nèi)置到蘋果的設備里面，使得任何開發(fā)者都可以使用上,，避免了現(xiàn)在大火的 Lensa 所需的那種后端基礎設施,。而且，推而廣之的話,，這個世界的贏家最終看起來會很像應用商店時代的贏家：蘋果獲勝是因為它具備集成和芯片優(yōu)勢,，擁有可以用來提供差異化的 app，而小型獨立 app 開發(fā)商則可擁有 API ,，以及建立新業(yè)務的分銷渠道,。

另一方面，輸家將是那些集中式的圖像生成服務,，如 Dall -E 或 MidJourney,，以及提供支撐的云提供商（還有迄今為止強化上述 Stable Diffusion 的 app，如 Lensa ）,。 蘋果設備上的 Stable Diffusion 不會占領整個市場,，這是肯定的——Dall-E 與 MidJourney 都要“好”于 Stable Diffusion，至少在我看來是這樣的,，而且除蘋果設備以外的世界當然還非常廣闊,，但內(nèi)置的本地化功能會影響到集中式服務與集中式計算最終的可達市場。

亞馬遜

亞馬遜跟蘋果一樣,，也在自己的各種應用里用上了機器學習,；不過，圖像和文本生成在直接面向消費者的用例似乎不太明顯,。重要性業(yè)已凸顯的是 AWS,，這個云服務已經(jīng)在售賣對云端 GPU 的訪問權。

其中部分是用于模型的訓練,，Stability AI的創(chuàng)始人兼首席執(zhí)行官 Emad Mostaque 表示,，Stable Diffusion 的訓練用了 256 塊 Nvidia A100 ，一共跑了 150000 小時,，市場價格是 600000 美元（低得驚人?。?。不過，更大的用例是推理,，即模型生成圖像（或文本,，在 ChatGPT 的情況下）的實際應用。但凡用戶用 MidJourney 生成圖像或用 Lensa 生成頭像,，推理都是在云端的 GPU 上運行的,。

亞馬遜在這一領域的前景如何,？要取決于多種因素,。首先，也是最明顯的一點是,，到頭來這些產(chǎn)品在現(xiàn)實世界的用處有多大,。不過，除此之外,，蘋果在開發(fā)本地生成技術方面取得的進展也可能會產(chǎn)生重大影響,。但是，亞馬遜本身就是一家芯片制造商：雖然迄今為止它的大部分努力都集中在自家的 Graviton CPU 上,，但這家公司也可以為 Stable Diffusion 等模型開發(fā)自己的專用硬件,，并在價格上展開競爭。盡管如此,，AWS 還是在兩面下注：對于 Nvidia 的產(chǎn)品來說,，亞馬遜的云服務也是主要合作伙伴之一。

短期內(nèi)亞馬遜的大問題在于衡量需求：沒有足夠的 GPU 就是浪費賺錢機會,；但是,，買太多閑置不用，對于試圖限制成本的公司來說將是一項重大成本,。與此同時,，這還不是最糟糕的錯誤：AI 面臨的挑戰(zhàn)之一是推理需要花錢；換句話說,，用 AI 做東西是有邊際成本的,。

我懷疑，就開發(fā)吸引人的人工智能產(chǎn)品而言,，邊際成本這個問題的挑戰(zhàn)尚未被充分認識,。雖然云服務總是會有成本的，但人工智能生成的離散性需要不斷迭代才能實現(xiàn)產(chǎn)品市場匹配,，而這會給資金支持帶來挑戰(zhàn)性,；ChatGPT 之所以成為迄今為止最成功的突破性產(chǎn)品并非偶然，一方面它對最終用戶是免費的,，同時 OpenAI 既開發(fā)了自己的模型,，又與微軟就計算能力達成了一項甜心協(xié)議,。如果 AWS 必須靠低價出售 GPU 的話，從長遠來看有可能會刺激更多的使用,。

值得注意的是,，這些成本應該會隨著時間的推移而下降：雖然芯片本身也會變得更快、更高效,，但模型也會變得更高效,，一旦市場上有足夠的產(chǎn)品可以最大限度地利用云服務，云服務的投資就應該能收到規(guī)?；貓?。盡管如此，除了上述在本地運行推理的可能性以外,，全棧集成會產(chǎn)生多大影響仍然是一個懸而未決的問題,。

Meta

我已經(jīng)在 《Meta Myths》一文中詳細說明了為什么我覺得 AI 對 Meta 來說是一個巨大機會，值得這家公司投入巨額資本支出：

Meta 本身擁有龐大的數(shù)據(jù)中心,，但這些數(shù)據(jù)中心主要用于 CPU 計算,，這是 Meta 的服務所需要的。CPU 計算也是驅(qū)動 Meta 的確定性廣告模式以及它用于推薦網(wǎng)絡內(nèi)容的算法所必需的,。

不過,，破解 ATT 的長期解決方案是建立起概率模型，這種模型不僅能確定誰應該成為目標（說句公道話,，其實 Meta 已經(jīng)在使用機器學習了）,，而且還可以了解哪些廣告成功轉(zhuǎn)化了,，哪些廣告沒有獲得轉(zhuǎn)化,。這些概率模型得用大量的 GPU 搭建,，如果是用 Nvidia 的 A100 卡的話,，這些 GPU 的成本將達五位數(shù),；在確定性廣告效果更好的世界里,，這樣的成本也許太過昂貴,，但 Meta 已經(jīng)不在那個世界里了，不投資于更好的定向廣告和衡量手段是很愚蠢的,。

此外，同樣的做法對 Reels 的持續(xù)增長至關重要：推薦來自整個網(wǎng)絡的內(nèi)容比僅推薦家人朋友的內(nèi)容要困難得多,，尤其是因為 Meta 的打算是不僅要推薦視頻,，還要推薦所有類型的媒體,，然后穿插一些你關心的內(nèi)容,。人工智能模型在其中也會發(fā)揮關鍵作用，而開發(fā)這些模型的設備需要花費很多錢,。

不過,，從長遠來看,，這項投資應該會收到回報。首先,，這對于我剛才講的更好的定向廣告以及更好的推薦是有好處的,，這應該會讓收入增長重啟。其次，一旦這些人工智能數(shù)據(jù)中心建成,，其維護和升級成本應該會大大低于原先建設時候的初始成本。第三,，除了谷歌之外，其他公司都沒法進行如此大規(guī)模的投資（而且,，谷歌的資本支出也要增加,，這一點并非巧合）。

最后一點也許是最重要的：ATT 給 Meta 造成的傷害比任何其他公司都要大,，因為它本來擁有迄今為止規(guī)模最大,、最精細的廣告業(yè)務，但從長遠來看,，這應該會加固 Meta 的護城河,。這種水平的投資對于像 Snap 或 Twitter 或任何其他在數(shù)字廣告領域處于劣勢的公司來說根本是做不來的（就算 Snap 依賴的是云提供商而不是自己的數(shù)據(jù)中心也不行）；再加上 Meta 的定向廣告可能開始遠離該領域（谷歌之外）,，而當 Reels （降低價格）的廣告位將大量增加時,，那些廣告商為什么還要跑到別的地方去呢？

Meta 在 AI 方面發(fā)力要想收到效果,，不僅僅要開發(fā)出基礎模型,，還有一個重要因素是要持續(xù)地針對個人用戶對模型做出調(diào)整；這會對容量提出很高的要求,，Meta 必須弄清楚如何經(jīng)濟高效地實現(xiàn)定制化,。不過，由于 Meta 產(chǎn)品的集成度越來越高,，這會起到一些幫助作用：雖說該公司也許已讓高通為自己的 VR 頭顯提供芯片,，但 Meta 仍在繼續(xù)開發(fā)自己的服務器芯片；該公司還發(fā)布了針對自身工作負載將 Nvidia 和 AMD 芯片抽象出來的工具,，但 Meta 似乎同時也在開發(fā)自己的 AI 芯片,。

觀察一下圖像和文本生成等事物會對 Meta 產(chǎn)生什么樣的長期影響會很有趣：Sam Lessin 提出了一個個假設，他認為算法性時間線的終極游戲是 AI 內(nèi)容,；在談到元宇宙時，我也提出了一樣的看法,。換句話說,，雖然 Meta 現(xiàn)在投資 AI 是為了提供個性化推薦，但這個想法與 2022 年的突破相結合,，則是通過 Meta 渠道提供的個性化內(nèi)容,。

目前而言，觀察一下 Meta 的廣告工具的演變會很有趣：生成文案與圖像并進行 A/B 測試這整個過程都可以用 AI 來完成,，在大規(guī)模提供這些能力方面,，沒有公司做得比 Meta 更好。請記住，Meta 的廣告主要是針對漏斗的頂部：目標是吸引消費者,，讓他們注意到以前不知道的產(chǎn)品或服務或 app,；這意味著會有很多未命中的情況——絕大多數(shù)的廣告都不能實現(xiàn)轉(zhuǎn)化——但這也意味著有很大的實驗和迭代空間。這似乎非常適合人工智能：是的,，生成也許有邊際成本,，但這些邊際成本遠低于人類來做的成本。

谷歌

《創(chuàng)新者的窘境》的出版時間是 1997 年,；那一年,，伊士曼柯達的股票達到了 94.25 美元的最高價，而且理由似乎很充分：就技術而言,，柯達處在完美位置,。該公司不僅主導了當時的膠片技術，還發(fā)明出下一波的浪潮：數(shù)碼相機,。

問題可歸結為商業(yè)模式：柯達通過提供鹵化銀膠片賺了很多錢,，利潤率很高；另一方面,，數(shù)碼相機是數(shù)字化的,，這意味著這種相機根本不需要膠卷。因此,，柯達的管理層在說服自己方面非常有動力：數(shù)碼相機只會是給業(yè)余愛好者用的,，而且只有當價格變得非常便宜時他們才會用，這肯定要花很長的時間,。

事實上,，柯達的管理層是對的：從數(shù)碼相機發(fā)明到數(shù)碼相機銷量超過膠片相機的銷量，一共用了 25 年多的時間,；數(shù)碼相機用于專業(yè)應用還需要更長的時間,。柯達在此期間賺了很多錢,，并派發(fā)了數(shù)十億美元的股息,。而且，雖然該公司在 2012 年破產(chǎn),，但那是因為消費者已經(jīng)可以拿到更好的產(chǎn)品：先是數(shù)碼相機,，最終是內(nèi)置攝像頭的手機。

可以肯定的是,，認為這是一個圓滿結局的想法屬于理想思維：大多數(shù)人都覺得柯達是失敗的,，因為我們希望企業(yè)可以基業(yè)長青。從這個角度來看,，柯達是一個警示故事,，說明了一家創(chuàng)新公司是如何放任自己的商業(yè)模式將自己引向最終厄運的,，即便它的厄運換來的是消費者得到了更好的東西的結果。

前面說的這些都是引子,，我們接下來就來談談谷歌和人工智能,。谷歌發(fā)明了 transformer，這是最新人工智能模型關鍵的技術支柱,。據(jù)傳谷歌本身就有一款遠優(yōu)于 ChatGPT 的對話式聊天產(chǎn)品,。谷歌聲稱其圖像生成能力優(yōu)于 Dall-E 或市面上任何一家公司。不過,，谷歌也只是說說而已,，因為它沒有推出任何實際產(chǎn)品到市場上。

這并不奇怪：長期以來,，在用機器學習來改進搜索和其他面向消費者的產(chǎn)品（并通過 Google Cloud 以服務形式提供該技術）方面,，谷歌一直是領導者?？墒?，搜索一直依賴人類作為最終的仲裁者：谷歌會提供鏈接，但用戶通過點擊來決定哪個鏈接是正確的,。這一點也延伸到廣告領域：谷歌的產(chǎn)品是革命性的,，因為它不是按展示次數(shù)（價值很難確定，尤其是在 20 年前）向廣告商收費,，而是按點擊次數(shù)收費,；廣告商試圖接觸的人將決定他們的廣告是否足夠好。

七年前,，在《谷歌與戰(zhàn)略的局限性》一文中,，我談到了在人工智能的世界里谷歌的業(yè)務所面臨的難題：

在昨天的主旨演講中，在重述了我在 2014 年底所描述的 PC-Web-Mobile 時代技術史后,，谷歌 CEO Sundar Pichai 宣布,，我們正在從移動優(yōu)先的世界轉(zhuǎn)向人工智能優(yōu)先的世界；這就是他們引入 Google Assistant 的背景,。

那是在 iOS 6 推出的前一年,，在那一版的 iOS上，蘋果首次以 Siri 的名義引入了 AI 助手的想法,；用戶第一次（理論上）可以通過語音來進行計算,。一開始它的效果不是很好（可以說現(xiàn)在也還不怎樣），但是它對一般而言的計算以及確切而言的谷歌的影響都很深遠：從你可以專門騰出眼睛和手到設備上的情況,，到幾乎所有地方，只要可以計算就可以用語音交互,，即便這種交互形式限制了你可以做的事情,。助手的主動性必須比搜索結果頁面強很多,；光是提供可能的答案是不夠的：相反，助手需要給出正確的答案,。

這對谷歌技術來說是一個可喜的轉(zhuǎn)變,；從一開始，谷歌的搜索引擎就包含了一個“手氣不錯”（I’m Feeling Lucky）的按鈕,，谷歌創(chuàng)始人拉里·佩奇非常有信心他們的搜索引擎可以提供你想要的準確結果,，雖然昨天的 Google Assistant 的演示是錄制的，但它的結果,，尤其是在上下文感知方面,，要比市場上的其他助手令人印象深刻得多。更廣泛而言,，在作為谷歌助手技術基礎的人工智能和機器學習方面,，很少有人質(zhì)疑谷歌是明顯的領導者。

不過,，一項業(yè)務關系到的不僅僅是技術,，谷歌在助手方面尤其存在著兩個重大缺陷。首先,，正如我在 2022 年的 Google I/O 之后所解釋的那樣,，該公司在進入市場方面存在差距：助手只有在可用時才有用，對于數(shù)億 iOS 用戶而言,，這意味著需要下載和使用獨立的 app（或開發(fā)用戶愿意投入大量時間的體驗,，比如 Facebook 這種）。

其次,，谷歌還存在一個商業(yè)模式問題：“手氣不錯”按鈕導致相關搜索沒法讓谷歌賺到錢,。畢竟，如果用戶不必從搜索結果里面去選擇的話,，用戶就沒有機會去點擊廣告,，從而也沒機會去選擇（谷歌為了吸引用戶注意力而在廣告商之間制造的）競爭的贏家。Google Assistant 也有同樣的問題：廣告往哪里放,？

那篇文章假設 Google Assistant 會作為獨家提供產(chǎn)品,，用來給谷歌手機提供差異化優(yōu)勢；結果表明這個假設是錯誤的,，但分析的基礎仍然有效,。在過去七年的時間里，谷歌的主要商業(yè)模式創(chuàng)新一直是將更多的廣告塞到搜索里,，這種策略在移動設備上特別有效,。而且，說句公道話,，谷歌最賺錢的搜索類型,，比如旅游,、保險等，無論如何也許都不太適合聊天界面,。

不過,，這只會讓谷歌管理層更加擔心，即在特定的搜索環(huán)境下,，生成式人工智能可能代表一種顛覆性創(chuàng)新,，而不是延續(xù)性創(chuàng)新。顛覆性創(chuàng)新比不上現(xiàn)有的,，至少在開始時是這樣的,；這就是為什么它很容易被管理者忽視的原因，只要告訴自己,，他們當前的產(chǎn)品更好（這個倒沒錯）,，就可以避免思考商業(yè)模式的挑戰(zhàn)。當然,，問題是顛覆性產(chǎn)品會變得更好,，而另一邊現(xiàn)有產(chǎn)品卻變得越來越臃腫，越來越難用——這聽起來很像谷歌搜索當前的發(fā)展軌跡,。

我不是說谷歌巔峰已過,。我之前曾經(jīng)下過這樣的結論，但錯得離譜,。不過,，犯錯的往往是時間問題：是，谷歌是擁有自己的云服務,，而 YouTube（谷歌旗下的） 的主導地位似乎有增無減,，但即便多年來搜索一直在制造現(xiàn)金和利潤，它的巔峰軌跡似乎已經(jīng)很清晰了,。

微軟

與此同時,，微軟似乎處在最佳位置。像 AWS 一樣,，它也有一個賣 GPU 的云服務,；它還是 OpenAI 的獨家云提供商。是的,，提供云服務支持是非常昂貴,，但考慮到 OpenAI 似乎具備進入這個被頂級科技巨頭占據(jù)的榜單的內(nèi)道優(yōu)勢，這也意味著微軟正在投資那個新時代的基礎設施,。

與此同時,，Bing 就像 iPhone 發(fā)布前夕的 Mac：是，它是貢獻了相當多的收入,，但與占統(tǒng)治地位的玩家相比,，Bing 只有它的零頭,，而且放在微軟的整體背景下也相對微不足道。如果把類似于 ChatGPT 的結果整合到 Bing 里面,，Bing 原有商業(yè)模式可能就會冒風險，但同時也可以給 Bing 爭取到巨大市場份額的機會,，這么看的話,，賭一下還是非常值得的。

與此同時,，The Information 的最新報道稱,，GPT 最終會出現(xiàn)在微軟的生產(chǎn)力應用里面。AI 編碼工具 GitHub Copilot（也是基于 GPT 的）想出了如何讓自己成為幫手而不制造麻煩（也就是不要成為大眼夾?。┑姆椒?，從而取得了成功。微軟打算要將此復制到自己的其他工具上,。

重要的是添加新功能（也許要收費）與微軟的訂閱商業(yè)模式完美契合,。值得注意的是，該公司曾經(jīng)被認為是顛覆受害者的典型代表,，但從全面的角度來看,，微軟不僅誕生于顛覆，而且還處在有利位置,，有可能達到新的高度,。

關于 AI 的潛在影響還有很多可以講的，但這篇文章已經(jīng)很長了,。從新公司的角度來看,，OpenAI 顯然是最有趣的：OpenAI 有可能成為所有其他 AI 公司的基礎平臺，這最終意味著除了 OpenAI 以外,，AI 的經(jīng)濟價值可能會相當?shù)?；這也是可以看好谷歌的理由，因為就 OpenAI 的“AWS”來說,，他們最有可能成為“微軟”,。

除了圖像生成之外，還有另一種可能性,，那就是文本生成領域會冒出大量開源模型,。在這個世界里，人工智能已經(jīng)變成了一種商品：這可能是對世界影響最大的結果,，但矛盾的是,，就對個體公司的經(jīng)濟影響而言，這是最微弱的影響（我懷疑最大的機會會出現(xiàn)在準確性至關重要的行業(yè)：既有者將因此對人工智能的投入程度不夠,，就像柯達對數(shù)字相機的投資不足,、忘記了這門技術會變得越來越好一樣）,。

確實，最大的贏家有可能是英偉達和臺積電,。Nvidia 對 CUDA 生態(tài)體系的投資意味著該公司不僅擁有最好的 AI 芯片,，還擁有最好的 AI 生態(tài)體系，并且該公司正在對擴大該生態(tài)體系進行投資,。不過,，這已經(jīng)并將繼續(xù)刺激競爭，尤其是像谷歌的 TPU 等內(nèi)部芯片的競爭,；不過,，至少在可預見的未來，每個人都要找臺積電生產(chǎn)芯片,。

然而,，最大的影響可能完全不在我們的視野范圍之內(nèi)。之前 Nat Friedman 在訪談中告訴我 Riffusion 的事情,。這個東西利用了 Stable Diffusion ,，可以通過可視化的聲波圖將文本生成音樂，這讓我想知道當圖像真正變成商品時還有哪些其他可能?，F(xiàn)在文本是通用界面,，因為自文字發(fā)明以來，文本一直是信息傳遞的基礎,；可是,，人類是視覺動物，人工智能在圖像創(chuàng)建和解釋方面的可用性,，可能會以我們無法預測的方式從根本上改變傳達信息意味著什么,。

目前，我們的預測必須要施加更多的時間限制,，要適度一點,。這可能是人工智能時代的開始，但哪怕是在科技領域,，新時代也需要十年或更長時間才能改變周圍的一切,。

譯者：boxi。