NGC Ventures: 9월, 지금 AI가 창업할 가치가 있나요?

저자: 체리, NGC 벤처스

머리말

이 글의 초안은 8월 말 쉬는 날 낚시를 하다가 완성되었는데, 급하게 출간한 후 많은 조언을 받아 작성자는 웃기지 않기 위해 일부 내용을 추가, 변경, 삭제했습니다.

본 글의 내용은 주로 투자 관점에서 AI 산업의 현 상황을 평가하고, 다양한 기업의 기술/제품 경로를 성찰하고 추측하며, 해당 분야의 기업 전략을 추상적으로 요약하는 것입니다. AI 산업. 따라서 특정 기술에 관해서는 불가피하게 누락된 부분이 있으니 양해 부탁드립니다.

하지만 최종적으로 분석해 보면 논문을 게재할 수 있는 대기업들은 여전히 ​​서로 의견이 맞지 않아 이 기사 내용의 정확성을 누구도 평가할 수 없을 것 같습니다. GPT-4로 GPT-3.5를 채점하는 것과 마찬가지로, 합리적으로 보이지만 생각해보면 다소 추상적입니다.

따라서 저자는 이 글을 불확실한 산업에 대한 정보를 수집한 후 형성된 판단으로 받아들일 것을 권고한다. 판단이기 때문에 입장이 명확해야 하고, 진술이 의미가 있어야 합니다. 그것이 맞는지 아닌지에 대해서는 시간을 두고 테스트해 보자.

저자는 항상 다음과 같이 믿습니다. 새로운 산업은 시끄럽기 때문에 두뇌를 사용하고 감히 판단을 내리는 것이 항상 옳습니다. 판단 질문의 경우 맹목적인 추측의 정답률은 50%, 3회 연속 틀린 추측 확률은 12.5%로 동전던지기 판단도 의미가 있다. 판단을 내리는 것은 끔찍한 일이 아니지만 가장 무서운 것은 동전을 던지는 것보다 판단의 정확도가 낮다는 것입니다.

이 글을 공식적으로 시작하기 전에, 이 글에 귀중한 영감과 데이터 소스를 제공해 주신 다음 분들께 감사의 말씀을 전하고 싶습니다. 물론, 이 글에 실린 추론의 대부분은 이들 작품을 바탕으로 한 것이기 때문에 만약 그 내용에 오류가 있거나 저자의 잘못된 이해가 있을 경우 이 글의 추론은 더 이상 견고하지 못하므로 판단은 독자 여러분께서 하시기를 바랍니다. 본 글은 투자조언이 아니며, 투자조언으로 간주되기 어렵습니다.

• Chain-of-Thought Hub: A Continuous Effort to Measure Large Language Models' Reasoning Performance（https://arxiv.org/abs/2305.17306）

• LIMA: Less Is More for Alignment（https://arxiv.org/abs/2305.11206）

• June 2023, A Stage Review of Instruction Tuning（https://yaofu.notion.site/June-2023-A-Stage-Review-of-Instruction-Tuning-f59dbfc36e2d4e12a33443bd6b2012c2）

• GPT-4 Architecture, Infrastructure, Training Dataset, Costs, Vision, MoE（https://www.semianalysis.com/p/gpt-4-architecture-infrastructure）

자, 본격적으로 이 글을 시작하겠습니다.

대형 모델: 사이버 로켓 발사

2023년 AI 논의의 첫 번째 단계는 여전히 대규모 모델 창업이 가능한지 논의하는 것이다.

대형 모델(사전 훈련)은 이제 로켓 발사 문제로 바뀌었고, 불이 시작되고 방향만 맞으면 누구나 할 수 있습니다. 대형 모델을 훈련시키는 것은 사이버 로켓을 발사하는 것과 같다고 할 수 있습니다.

직관에 반하는 점은 투자자들이 대형 모델 훈련의 어려움을 과소평가하고 실제 로켓 발사의 어려움을 과대평가한다는 것입니다. 6천만 달러의 동일한 비용으로 투자자들은 로켓 발사에 실패하면 두 번째 기회가 있다고 느낄 것이며, 대형 모델을 훈련하지 못하는 것은 돈 낭비로 간주됩니다.

GPT-4는 OpenAI의 GPU 활용 효율에서 여전히 6천만 달러를 소비합니다(약 30%로 보고됨). 이는 {성능 = 효율성 × 비용}의 문제이며 성능이 장벽이 됩니다. 다른 스타트업이 30% × 6천만 = $1,800만 이상의 성능 효과를 달성할 수 없다면 사용자는 GPT-4를 직접 사용하는 것이 좋습니다.

현재 대형 모델을 훈련한다고 주장하는 많은 회사는 100만 달러에서 500만 달러 범위의 자금 조달 라운드를 진행하고 있습니다. 즉, 가장 많은 자금을 조달한 회사라도 한 번의 발사를 지원할 만큼의 탄약만 가지고 있다는 것입니다. 이번 출시의 GPU 활용도가 100%에 도달하더라도 GPT-4를 넘기는 어려울 전망이다.

이러한 관점에서 볼 때 로켓을 발사하는 것이 더 좋습니다. 현재 로켓의 대부분은 위성을 하늘로 운반하는 발사체이며 단일 적재 용량이 제한되어 있으므로 소규모 로켓 회사는 다른 회사가 시간을 갖지 못한 위성 주문을받을 수 있기 때문입니다. 개시하다.

대형 모델은 다릅니다.대형 모델의 수평적 확장의 한계 비용은 컴퓨팅 파워의 비용일 뿐이며 컴퓨팅 파워의 비용은 탄력적으로 확장될 수 있습니다. 즉, 대형 모델 회사의 경우 각 주문의 이익이 는 무료 이익이며, 추가 비용이 거의 없으며 사업 규모가 매우 큽니다. 신규, 품질이 떨어지는 대형 모델업체는 과잉수요를 수용하기 어렵다.

훈련 비용이 크게 떨어지지 않는 한, GPT-4의 전체 아키텍처를 알더라도 많은 기업이 단기간에 시장에 출시할 수 있는 대형 모델을 만들기 어려울 것이다.

맞춤화: 승자 독식 문제에 직면

하드웨어 산업에서는 맞춤형 요구를 통해 조기 이익을 달성하고, 이후 조기 이익을 통해 기술 혁신(또는 균등화)을 달성하는 것이 일반적인 현상입니다. 그러나 대형 모델 업계에서 맞춤화는 신규 진입자들에게 출구가 아닙니다.

이 판단에 대한 설명은 매우 간단합니다. 대다수의 미세 조정 모델은 GPT-4를 따라잡을 수 없습니다. 따라잡더라도 일반화를 위해 GPT-4를 직접 사용하는 것이 더 저렴하고 인력이 덜 필요하며 운도 덜 필요합니다. . 데이터 요구 사항이 적습니다. GPT-4와 다른 모델 간의 성능 격차가 여전히 존재하는 한, 대형 모델사에게는 커스터마이징이 탈출구가 될 수 없습니다.

아주 전형적인 예가 Jasper인데, 기업 고객에게 정밀하게 조정된 GPT-3을 사용했지만 OpenAI가 ChatGPT(GPT-3.5)를 공개한 후 사용자는 빠르게 사라졌습니다. Jasper의 출력은 일반화 기능이 좋지 않고 기업 내 내부 사용으로 제한되는 역방향 버전을 사용하는 대신 GPT-3.5에 대한 간단한 프롬프트를 입력하여 얻을 수 있기 때문입니다.

새로운 회사와 비교할 때 Jasper는 여전히 개발을 위한 최소한 GPT-3에서 GPT-3.5 창 기간을 가지고 있습니다. 그러나 이제 신생기업들은 저비용 고속 GPT-3.5와 고성능 GPT-4의 압출을 동시에 직면해야 한다.

따라서 기술 혁신을 달성하기 위해 맞춤화를 통해 이익을 축적하는 경로의 생존 확률은 매우 낮습니다.

미세 조정: 필요합니다. 미신을 믿지 마세요.

현재 AI 산업은 미세 조정에 대한 비현실적인 기대를 가지고 있으며, 이는 특정 기술 구현 및 거시적 수준의 기술적 리듬 측면에서 과대평가되어 있습니다.

현재 업계에서 논의되고 있는 미세 조정(fine-tuning)이란 사전 훈련된 모델을 기반으로 인간의 의도에 맞는 답변을 생성하는 것을 주로 지칭한다. 이런 미세 조정을 정렬이라고 부를 수 있는데, 즉 큰 모델에 지혜를 더하는 것이 아니라 인간의 의도에 맞춰 답을 맞추는 것이다.

많은 논문의 연구 결과에 따르면 대형 모델에 대한 지식은 주로 사전 훈련에서 나와야 하며 정렬에는 미세 조정이 더 많이 사용됩니다.

간단히 설명하면 사전 훈련이 뇌 용량을 결정하고 미세 조정이 모국어를 결정한다는 것입니다. 사전 훈련된 모델을 미세 조정하는 것은 문맹 퇴치 과정입니다.

그러나 현재 업계에서는 미세 조정을 모델의 지능 강화 방법으로 간주하는 경우가 많습니다. 즉, 미세 조정을 통해 모델 성능을 향상하고 모델 지식을 늘리면 인공지능의 성배. 이런 사고방식은 다소 편향되어 있습니다.

우선, 모델 자체의 성능이 향상되지는 않았지만 인간의 의도를 더 잘 정렬할 수 있으며, 작업의 복잡성이 모델의 성능을 초과하면 미세 조정을 해도 기대한 결과를 얻을 수 없습니다. 인간의 뇌로 하여금 양자 계산을 하게 하는 것과 같으니, 그렇게 할 수 없다면 교육의 문제가 아닙니다.

둘째, 의도정렬 부분에서 지식보충이 이루어지며, 그 효과는 앵무새와 더 유사하다. 즉, 모델은 의미를 이해하지 못한 채 전문가의 말을 모방할 뿐입니다. 많은 산업이 앵무새를 통해 좋은 솔루션을 얻을 수 있었지만(결국 대부분의 산업은 복잡하지 않습니다...), 이는 분명히 우리가 장기적으로 추구해야 할 결과는 아닙니다.

마지막으로 추가 데이터 세트 보완, 모델 성능 향상, 모델 지식 증대 훈련을 위해서는 모델이 증분 학습/지속 학습, 즉 모델의 전체 매개변수를 갖는 능력을 가지고 있는지 고려해야 합니다. 증분 데이터 세트를 통해 개선될 수 있습니다. 이는 소위 명령 미세 조정과 동일한 범주에 속하는 개념이 아닙니다.

일반적으로 미세 조정은 매우 중요하지만 현재의 미세 조정에 대해 미신적인 태도를 취하는 것은 잘못된 것입니다. 특히 현재의 미세 조정을 성배라고 부르기를 열망하는 사람들은 더욱 그렇습니다. 현재 물리학은 건물에 있습니다. 떠다니는 검은 구름은 두 개뿐입니다.

한발 물러서서, 명령 미세 조정을 통해 지능 향상에 대한 요구가 실제로 해결될 수 있다면 간단한 벡터 검색을 수행하고 지식을 직접 컨텍스트에 넣은 다음 몇 가지 프롬프트 템플릿을 작성하면 높은 가능성이 있습니다. 동일하거나 더 나은 효과가 나타날 가능성이 있습니다.

누구나 미세 조정을 좋아하는데, 어쩌면 이것은 현대에 연금술 기술이 부활한 것이 아닐까…

대형 모델에 대한 전망: 4가지 산술 연산

(해당 내용은 전적으로 Dylan Patel이 공개한 데이터를 바탕으로 작성되었으며, 당분간 신뢰성을 검증할 수 없습니다.)

GPT-4의 훈련은 N카드 A시리즈를 기반으로 하며, 훈련효율은 30%, 훈련시간은 약 2개월, 비용은 약 6천만, 총 매개변수는 {1.7조 = 1,100억 × 16명의 전문가 모델}. 매개변수는 약 2,800억 개입니다.

즉, 대규모 모델 학습 패턴의 변화로 이어질 수 있는 몇 가지 핵심 매개변수가 있습니다.

• 훈련 효율성: 30%에서 60%로 증가하면 시간이 직접적으로 두 배로 늘어납니다.

• 컴퓨팅 성능 집약도 향상: A 시리즈에서 H 시리즈로 전환한 후 AI 전용 카드로 전환한 후 컴퓨팅 성능 밀도가 향상되고 아키텍처 효율성에 영향을 미치는 많은 문제를 해결할 수 있습니다.

• 컴퓨팅 성능 비용이 감소했습니다. Lao Huang(Nvidia 창립자)은 그래픽 카드를 할인하여 상당한 비용 절감을 가져왔습니다.

• 매개변수 효율성 향상: 모델의 매개변수 효율성에 개선의 여지가 있음 이전 모델을 참고하면 일반적으로 이전 모델의 매개변수 효율성은 여러 배로 증가할 수 있음 GPT 매개변수의 30% 사용 가능 -4 비슷한 효과를 얻으려면

정리하자면, GPT-4 수준의 성능을 0에서 모델을 학습시키는 데 드는 비용은 최적화 공간의 10~20배, 즉 300만~600만 달러로 압축될 수 있습니다. 이 비용은 매우 비용이 많이 듭니다. 스타트업과 대기업에 효과적입니다.

이 변경을 완료하는 데 약 2년이 걸릴 수 있습니다.

현재 주류 대형 모델 기술은 여전히 ​​트랜스포머를 기반으로 하고 있으며, 인프라도 변하지 않았으며, 연금술을 다듬고 매개변수를 추가하여 기적을 창조하려는 아이디어도 고갈되지 않았습니다. GPT-4의 훈련은 매우 제한된 컴퓨팅 성능을 기반으로 수행되며 훈련 시간도 그리 길지 않습니다.

훈련 시간에 따라 매개변수가 선형적으로 증가한다면 GPT-4 아키텍처와 유사한 모델의 매개변수 상한은 약 10조, 즉 훈련 시간이 두 배(×2)가 될 수 있으며 병렬 그래픽 카드는 는 두 배(× 2)이고, 훈련 효율은 절반으로 빠르며(× 1.5), 매개변수 효율성은 절반으로 높으며(× 1.5), 최종 결과는 10배 더 좋습니다. 실리콘 밸리의 위험 선호도 스타일에 따르면 이 매개변수는 성과 개선 여부에 관계없이 1년 이내에 도달할 가능성이 높습니다.

그러나 매개변수가 10조 개에 도달한 후에도 LLM이 기적을 달성하기 위해 매개변수를 늘리는 아이디어를 여전히 사용할 수 있는지 여부는 완전히 알 수 없습니다.

매개변수의 수가 감소하는 마진으로 모델의 성능을 향상시키는 경우 10조가 임계값이 될 가능성이 높습니다. 그러나 사람이 똑똑하면 모든 것을 빨리 배울 수 있다는 것과 마찬가지로 매개변수의 양에 따른 모델 성능 향상이 소폭 증가하고 있다는 추측도 있다. 전자는 괜찮지만, 후자가 사실이라면 모델의 성능은 기하급수적으로 높아질 수 있고, 그때 무슨 일이 일어날지는 전혀 예측할 수 없을 것이다.

비약을 예측하는 것은 어렵지만 기업의 전략적 리듬을 예측하는 것은 쉽습니다. 총 매개변수가 10조인 모델은 Google/MS/APPL과 같은 거대 기업이든 소규모 OpenAI이든 관계없이 대부분의 기업에 있어 마일스톤 수준의 엔드포인트이며, 일부 기술 탐색 위치를 중지하고 수행하는 것이 가능합니다.

기업/자본의 위험선호는 견디는 시간으로 환산될 수 있는데, 그 견디는 시간 전체가 심하게 비용을 소모한다면 6개월을 넘기는 어렵다. 인간의 기술은 일반적으로 5년 이상의 주기로 충분히 빠르게 성장하지 않습니다. 따라서 5년 이내에 모델의 한계모수량은 20조~50조로 추정될 수 있다. 프로세스/아키텍처에서 큰 혁신이 다시 발생하지 않는 한 이 정도 크기를 초과할 가능성은 매우 낮습니다.

다중양식: 방 안의 코끼리

다중 양식은 방 안의 코끼리이며 경마장의 풍경에 큰 영향을 미칠 수 있습니다.

다중 모드의 간단한 정의는 다중 모드 정보의 입력 및 출력을 지원하는 것입니다. 이 정의는 매우 느슨합니다. 예를 들어, 다중 모드 입력을 수행할 수 있다고 주장하는 일부 시장 제품은 실제로 ChatBot 외부의 OCR 계층입니다. 다중 양식의 정의를 완벽하게 충족하는 모델도 있지만 성능은 실망스럽습니다. GPT-4의 다중 모드 이미지 입력 ​​기능도 아직 널리 공개되지 않았으며 이 기능이 그다지 안정적이지 않음을 알 수 있습니다.

그러나 다중 양식의 출시는 그리 멀지 않습니다. GPT-5가 기본적으로 다중 양식을 지원할 확률이 높으며, 이는 구조를 재설계하고 재교육해야 함을 의미합니다. 이전 추론에 따르면, 대형 모델의 매개변수에는 여전히 10~50배의 성장 여지가 있으며, 다중 모드 기능을 적용하기에 충분해야 합니다. 따라서 고가용성, 고성능 멀티모달 모델이 2년 내로 등장할 것으로 예상할 수 있으며, 낙관적으로 보면 거의 1년이 될 것으로 예상된다.

다중 양식은 방 안의 코끼리입니다. 결국 이와 같은 일이 있을 것이라는 것은 모두가 알고 있지만 많은 제품/연구/전략에서는 그 존재를 무시하므로 핵심 부분에 대한 잘못된 판단이 있습니다.

예를 들어, 단일 이미지 모델은 이론적으로 다중 모드 모델에 의해 심각하게 억압될 수 있지만 현재 대부분의 연구/투자에서는 이 문제를 무시하여 일부 이미지 중심 기업을 과대평가하고 있습니다. 이들 기업은 향후 기술적 장벽을 허물고 서비스 제공자로 전환할 가능성이 높으며, 이들 기업의 가치 평가 체계는 기술 기업이 아닌 서비스 제공자를 기준으로 삼아야 합니다.

투자는 사람에 달려 있다. 같은 팀이 사업을 변화시킬 수 있다는 이야기를 하고 싶으면 내가 말하지 않은 척 하면 된다. 전설은 항상 존재하지만 연구를 할 때는 믿을 수 없습니다.

GPT-4를 훈련할 수 있는 사람: 누구나 훈련할 수 있지만 필수는 아닙니다.

연금술을 만드는 데는 그리 오랜 시간이 걸리지 않으며, 대기업들이 그래픽 카드를 구입하고 있습니다. 한 가지 분명한 사실은 1년 뒤에는 대기업에서도 GPT-4 수준의 모델을 훈련할 수 있다는 점입니다. 그러나 훈련할지 여부는 또 다른 문제입니다.

게임 분야에는 Yuanshin play Yuanshen이라는 고전적인 제안이 있습니다. 즉, 플레이어가 Yuanshen 또는 Yuanshen의 경쟁 제품을 선택할 수 있고, 경쟁 제품이 Yuanshen만큼 좋지 않으면 Original God을 플레이한다는 것입니다. .

이러한 승자 독식 접근 방식은 대규모 모델 산업에도 적용됩니다. 기업이 OpenAI를 따른다면 반년 간의 연구개발 끝에 GPT-4와 맞먹는 90% 성능을 갖춘 자체 대형 모델을 출시해 시장에 선보일 수 있기를 바라고 있다. 이때 회사는 다음과 같은 문제에 직면하게 됩니다.

• OpenAI는 클라우드 리소스의 규모 이점과 저렴한 비용을 제공합니다.

• OpenAI의 API는 제품 코드에 널리 사용되어 대체가 어렵습니다.

• 회사의 제품 성능은 여전히 ​​GPT-4를 초과하지 않습니다

• OpenAI의 차세대 제품(아마도 GPT-5)이 곧 출시될 예정입니다.

회사에 대한 압박이 상당하다는 것을 알 수 있다. GPT-4를 훈련시키기보다는 차세대 모델(GPT-5 대비)에 직접 베팅하는 것이 좋습니다. 그러면 문제는 유사 경쟁제품 문제에서 기술혁신 문제로 바뀔 것이다. 이는 중소기업이 감당할 수 없는 부담이다.

따라서 GPT-4를 누가 훈련시킬 수 있는가를 논하는 것은 전략적으로 죽은 질문이며, 이 문제를 고민하기보다는 좀 더 확실하고 기회가 더 많은 방향을 찾는 것이 낫다.

AI 스타트업을 위한 조언: 성능을 최우선으로 생각하고 정체를 피하세요

저자는 랭체인에 대해 불평하는 글을 많이 썼는데, 근본적인 이유는 랭체인이 개발자에게 성능 향상의 여지를 남겨두지 않기 때문입니다. 이를 유니버설 프레임워크라고 하며, 일반성을 보장하기 위해 여러 차례의 대화와 미세 조정을 통해 달성한 형식 제어 등 대형 모델의 많은 성능 개선이 포기되었습니다. 마찬가지로 지침/Auto-GPT/BabyAGI 등도 있는데, 모두 평생 사용할 수 있는 프레임워크가 되기를 원합니다.

객관적인 사실은 OpenAI가 5월에 Function Calling을 출시했는데, 코드의 여러 번거로운 부분에 더 나은 구현 솔루션이 있으며, 더 나은 솔루션을 구현하는 데 드는 비용은 제품 코드의 핵심 부분을 리팩터링하는 데 드는 비용입니다. 지난 8월 OpenAI는 GPT-3.5를 미세 조정할 수 있는 권한을 발표했으며 출력의 정확한 제어가 필요한 많은 링크에는 새로운 잠재적 솔루션이 있습니다.

따라서 스타트업 기업은 ①성능을 개선하고 지속적으로 제품을 리팩토링할 것인지, 아니면 ②새로운 기능의 사용을 줄이고 항상 기존 기능을 개발에 사용할 것인지 중요한 선택에 직면해야 합니다.

신기술 응용 기업가 정신에 있어 개발은 코드 작성 과정을 나타낼 뿐만 아니라 제품 기능/전략의 상한을 나타냅니다. 제어할 수 있는 성능이 높을수록 제품의 이론적인 기능이 많아지고 전략적 유연성이 높아집니다.

기술의 발전은 예측할 수 없으며, 작은 기술 혁신이 경쟁 구도에 매우 민감한 변화를 가져올 수 있습니다. 스타트업 기업은 기술 개발에 대한 안티프래질(Anti-Fragile) 능력을 갖추어야 합니다.

——인간적으로 말하면 성과가 우선이고 머무르지 않는 것입니다. 개발 수준에서는 새로운 기능을 사용하고, 제품 측면에서는 새로운 기능이 어떤 기능을 수행할 수 있는지 생각하고, 전략 측면에서는 새로운 기능이 전략에 미치는 영향을 고려하세요.

《국진륜》에는 진나라가 건국된 후, 시민 봉기의 가능성을 없애기 위해 세계의 금속 무기를 압수하고 12개의 청동상으로 주조했다고 언급되어 있습니다. 그러나 진나라는 수명이 짧기로 악명 높았습니다. 변화를 무시하는 것보다 변화에 주의를 기울이는 것이 더 유익합니다.

AI 스타트업을 위한 조언: 자신 있게 애플리케이션을 만들어 보세요

스타트업 기업의 지원에는 매우 흔한 숨겨진 위험이 있습니다. 바로 대기업의 진입입니다. 여기의 대기업에는 Meta/Byte/Tencent와 같은 거대 애플리케이션 기업뿐만 아니라 OpenAI와 같은 AI 산업의 업스트림도 포함됩니다.

일반적으로 대기업이 시장에 진입하는 이유는 두 가지입니다. 제품 기회를 배포하고 업스트림 및 다운스트림을 축소하기 위한 것입니다.

제품의 기회를 개발한다는 말 그대로의 의미인데, 대기업들은 이 방향이 해볼 만하다고 느껴서 그렇게 합니다.

업스트림 절단 다운스트림은 대부분 무력한 움직임입니다. OpenAI를 벤치마킹하는 대규모 모델을 개발했기 때문일 수도 있지만, 대규모 모델의 승자독식 문제 때문에 사용자가 없어 비용 소모, 수익 없음, 데이터 없음으로 인해 성능이 점차 뒤쳐집니다. 현재로서는 다운스트림으로 진출하여 특정 애플리케이션을 개발하고 자체 기술을 사용하는 것이 유일한 옵션입니다.

역사적 경험에 따르면, 조직구조의 문제로 인해 기업이 하류에 가까울수록 기술이 뒤처지기 쉽고, 기술이 후진할수록 하류에 가까울 수밖에 없다. 이러한 소위 기술 회사는 결국 애플리케이션 계층 회사와 동일한 생태학적 틈새 시장을 놓고 경쟁하게 될 것입니다.

그러나 응용계층의 전장에서는 AI 기술의 짧은 시간으로 인해 효과적이고 재사용 가능한 규모의 이점이 없으며, 대기업과 스타트업의 출발점은 비슷합니다. 대기업에 비해 스타트업 기업은 효율성과 통찰력이 뛰어나고 활용하기가 더 쉽습니다.

주목할 만한 상황은 현재 MS Azure의 거의 모든 홍보 자료가 OpenAI를 중심으로 돌아가고 있지만, Microsoft만큼 큰 공장은 OpenAI를 자체 플랫폼으로 전적으로 의존해야 한다는 점입니다. 이는 스타트업이 해당 분야에서 자연스러운 이점을 가지고 있다는 측면에서 입증됩니다. AI의.

물론 일부 클라우드 공급업체는 스타트업의 주도를 받아들이지 못하고 스스로 시장을 모두 먹어치우고 싶어할 수도 있습니다. 비용이 많이 들고 느리며 즉각적인 위협은 아닙니다.

실제로 수명이 매우 짧은 일부 AI 적용 트랙이 있지만 발견되지 않은 장기간의 트랙이 여전히 많이 있으며 AI 적용은 승자독식이 아닙니다. 애플리케이션에서 플랫폼이나 기술로 확장하는 것도 더 실현 가능한 경로입니다.

그러므로 우리는 대기업이 애플리케이션 계층에 침투할 수 있는 능력에 대해 합리적인 시각을 가져야 합니다. 우리가 제안하는 것은 AI 스타트업이 자신있게 애플리케이션을 만들 수 있다는 것입니다.

AI 스타트업을 위한 조언: 제품 수명선에 주의하세요

앞서 언급했듯이 AI 스타트업은 자유롭게 애플리케이션을 만들 수 있지만, 지연을 피하기 위해서는 AI 모델의 성능 문제를 고려해야 합니다. 이러한 상황은 AI 제품이 수요 기반을 잃고 몇 달 내에 점차 위축될 수 있다는 점에서 직접적으로 반영되며, 이러한 상황이 자주 발생할 수 있습니다.

AI 애플리케이션은 대형 모델의 서비스를 사용해야 하며 대형 모델의 성능은 계속해서 향상됩니다. 이러한 개선은 속도와 같은 단일 차원의 개선이 아니라 출력 품질, 출력 길이, 출력 제어 가능성 등 모든 측면의 변화입니다. 기술이 크게 업그레이드될 때마다 기존 애플리케이션 계층 제품은 기술적으로 뒤쳐지고 새로운 기회와 경쟁자가 생길 것입니다.

우리는 AI 애플리케이션이 전략/제품/기술 측면에서 장점과 필요성을 유지하는 시기를 생명선이라고 부릅니다.

다음은 더 짧은 수명선의 몇 가지 예입니다.

• ChatGPT/Claude가 파일 업로드를 지원하면 ChatPDF의 필요성이 사라집니다.

• Office 365가 Copilot을 지원하면 AI를 사용하여 PPT를 그리는 제품은 이점을 잃습니다.

• GPT-3.5가 나오면 Jasper는 더 이상 필요하지 않습니다.

AI 산업의 급속한 발전을 고려하면 제한된 생명선이 표준이다. 그러므로 생명선이 제한되어 있다는 사실을 받아들이고 생명선이 더 긴 방향을 선택하려고 노력하는 것이 장기적인 장점과 제품 필요성을 유지하는 데 도움이 될 것입니다.

일반적으로 라이프라인은 간단히 3/6/12개월 수준으로 나눌 수 있습니다.

• 3개월: 대기업이 구현할 시간이 없었던 기능(아직 구현할 시간이 없었던 사무실/ChatGPT 기능 등)

• 6개월: 구현이 어렵고 기존 솔루션에 통합할 수 없지만 AI 성능이 향상됨에 따라 장점/필요성이 사라짐(예: 일반 AI 프레임워크)

• 12개월 : 장점/필요성이 오랫동안 존재할 수 있으며 대기업/기술 발전(예: Hugging Face)에 쉽게 영향을 받지 않습니다.

*플랫폼 상품의 수명주기가 반드시 길지는 않습니다.결국 프롬프트 스토어도 플랫폼입니다.

스타트업은 방향을 정할 때 6개월의 생명줄만 있으면 되는데, 12개월의 생명줄은 구하기 어렵습니다.

제품 수명선이 끝에 도달하면 일반적으로 두 가지 상황이 발생합니다. 첫 번째 상황은 장점이 사라지고 제품 업그레이드 기술이 재구성되어야 하는 경우입니다. 위의 성능 우선을 참조하시기 바랍니다. 두 번째 상황은 필요성이 사라지고 점차적으로 제품이 교체되는 경우입니다. 이때, 제품의 작동 수명은 아직 수개월이 남아 있어 스타트업이 다음 방향을 선택하기에 충분합니다.

AI 스타트업을 위한 조언: Web3+AI는 할 수 있다

현재 Web3+AI를 주제로 한 창업 프로젝트가 많이 있지만, 기술 발전의 불확실성과 시장 초기 단계를 고려할 때 Web3+AI 주제는 앞으로도 여전히 변수가 많을 것입니다.

이 글의 목적은 불확실성 속에서 확률이 높은 올바른 확실성을 찾는 것이므로 저자는 여전히 몇 가지 아이디어를 던져보고 스타트업 기업과 관심 있는 사람들에게 참고할 수 있는 기회가 될 수 있는 몇 가지 주제와 방향을 제안하고자 합니다. 연구원.

• 탈주권/분권화

현재 AI 업계의 선두주자들은 비공개 소스 모델만 제공하고 있으며, 지속적인 서비스 제공의 안정성, 투명성, 중립성은 통제할 수 없습니다. 탈주권/분권화는 AI 산업에서 중요한 주제가 될 수 있습니다. 즉, 탈주권/분권화의 기본 구조를 기반으로 안정적이고 투명하며 중립적인 AI 서비스를 제공하는 것입니다.

탈중앙화/분권화는 대안 솔루션이자 억제로서 중앙집권적/주권화된 AI 기업의 비윤리적 비용을 크게 증가시키고 AI 모델을 군사, 컬트, 정치 등에서 사용하는 것을 방지할 수 있습니다.

극단적인 경우, 어떤 이유로든 중앙집중형/주권형 AI 서비스가 더 이상 이용 가능하지 않거나 신뢰할 수 없게 되면, 분산형/탈중앙화 AI는 개별 국가/지역 및 심지어 인간이 AI 서비스를 상실하는 것을 방지하기 위해 가용성이 높은 서비스를 계속 제공할 수 있습니다.

• 컴퓨팅 파워의 실제 활용

ETH가 PoW에서 PoS로 전환한 이면에는 채굴은 가치를 창출하지 않는다는 비판적 딜레마가 있다. Web3와 AI의 결합은 컴퓨팅 파워에 대한 실용적인 시나리오를 제공할 수 있어 재고 컴퓨팅 파워의 소화를 실현하고 토탈 컴퓨팅의 성장을 촉진할 수 있다. 전력 등 효과.

• 가상자산화

AI는 컴퓨팅 파워와 스토리지에 기본이 되는 자산이며, Web3와 AI의 결합은 AI를 가상 자산으로 변환하는 채널을 제공하고, AI 산업의 가치 인스턴스화를 실현하는 동시에 Web3를 위한 실제 네이티브 가상 자산을 생성할 수 있습니다.

• Web3 애플리케이션용 변수

Web3와 AI의 결합은 Web3 애플리케이션에 새로운 기능 포인트와 성장 기회를 가져올 수 있으며 기존 Web3 애플리케이션을 완전히 다시 작성할 수 있습니다.

마지막 글: 9월인데, 지금 AI가 창업할 가치가 있을까요?

결론부터 시작하겠습니다. 그만한 가치가 있으며 이 결론은 구정까지 사용될 가능성이 높습니다.

상황에 대한 사람들의 인식은 종종 편향되어 있으며, 나도 예외는 아닙니다. 어떤 사람은 너무 낙관적이며 어떤 사람은 너무 비관적입니다. 저자는 두 팀과 소통한 적이 있는데, 한 팀은 내년 1분기에 AI Agent를 제작할 수 있을 것이라고 생각하고, 다른 팀은 AI는 지식베이스 관리에만 적합하다고 생각한다. 후자는 너무 비관적이다.

장기적인 계획을 세울 때 너무 낙관적인 것도 너무 비관적인 것도 모두 함정에 빠지게 되며, 널리 퍼진 발언은 편차가 큰 경우가 많기 때문에 독립적인 사고가 매우 소중합니다. 따라서 독자들이 이 글의 관점을 받아들일 수 있는지 여부와 상관없이 독자들이 읽는 과정에서 독자적인 사고와 판단을 갖는다면 저자는 매우 기뻐할 것입니다.

마지막으로 광고를 게재합니다. 좋은 AI 스타트업 아이디어가 있거나 이미 진행 중인 프로젝트가 있다면 (나 같은) NGC 친구들과 자유롭게 소통해 보세요.