AI 创业者需要学习《苦涩的教训》：第二章 - 无护城河 [译]
摘要（tl;dr）
在大多数垂直领域中，横向 AI 产品最终会胜过垂直 AI 产品。垂直 AI 虽先入市场，但谁能在长期中取胜？
切换成本将会很低。横向 AI 将类似一位远程同事，其入职流程就像给新员工配备预装软件和权限。
垂直 AI 在其他方面也难以建立护城河。在赫默（Helmer）的七大“力量”中毫无优势。
……除非真有可能出现“独占资源”（cornered resource）——同时满足“绝对独家”且“为该垂直领域所必需”这两个条件的资源。这种情况非常罕见。多数人以为自己拥有通过专有数据形成的护城河，但往往误解了要求：要么并非真正独家，要么并非真正必需。
AI 历史给我们的启示非常明确：那些试图用领域知识来弥补模型局限性的解决方案，最终都会输给利用更多算力、更加通用的方案。在第一章中，我们已经看到这一模式再度浮现：许多公司在构建的垂直 AI 产品实际上在限制模型的灵活度，而非拥抱能随着每次模型迭代而改进的更通用解决方案。不过，光有更好的性能并不足以赢得市场。本章将从 Hamilton Helmer 的“7 Powers”理论框架出发，探讨垂直产品与横向产品的市场采用情况。我们将看到，那些构建成“垂直化工作流程”的产品，一旦横向替代方案变得可行，便难以维持市场地位。然而，也有一个至关重要的例外，暗示了在 AI 应用层领域创业时，一条清晰的产品策略。
正如第一章所示，使用更强大、更少限制的模型的产品，最终会在性能上胜出。然而，基于现有模型（通过工程手段引入人为偏见来减少错误）的解决方案，却往往能率先上市。需要澄清的是，这篇文章讨论的是图 1 中标注的“绿色区域”——假设我们已经进入这个阶段，横向 AI 代理的性能在未来将优于当前的垂直 AI，那么垂直 AI 能否维持其市场份额？
图 1：随时间推移，垂直 AI 产品与横向 AI 产品的性能对比曲线，展示了三个阶段：传统软件主导阶段、垂直 AI 进入市场阶段，以及随着模型改进，横向 AI 取得进展的阶段。
当然，图 1 只是简化了的模型。具体的曲线会因问题难度而异。许多 AI 潜在能解决的问题本身就非常困难，以至于垂直 AI 永远无法达到可接受的性能水平（如图 2 所示）。对绝大多数这种问题而言，目前没有任何创业公司会去尝试，所以尽管它们占据了潜在 AI 应用的大部分，但在当下的 AI 赛道中只占少数。
图 2：与图 1 相对比，这里展示的是更难的问题场景，垂直 AI 产品从未能达到足够的性能水平，而随着模型改进，横向 AI 在这一场景中则能获得远优于垂直 AI 的效果。
针对那些足够“简单”，能够被当前相对受限的方案解决的问题（如图 1），关键的问题就变成了：当更优的解决方案到来时，垂直 AI 是否还能保持领先？
要想描绘这片战场：垂直 AI 很容易识别，因为这是当下大部分 AI 应用层创业公司所构建的产品。第一章已详细讨论了定义，简而言之：它们通过在预先定义的工作流程中对 AI 进行各种限制，从而获得更高的可靠性。与之相对，横向 AI 会像一位远程同事。想象一下 ChatGPT，但它可以在后台对电脑执行操作，使用传统（非 AI）的软件来完成任务。它的“入职”流程就跟招聘一位新员工一样：给它一台装有标准软件和账户权限的电脑，然后用自然语言与之沟通指令。你无需提前把所有可能的数据源都提供给它，因为它可以自行导航并找到所需数据。另外，我们假设这种横向 AI 会由某家 AI 实验室（如 OpenAI、Anthropic 等）来构建，至于为何，这将在第四章中进一步讨论。
值得注意的是，这里我用了带有人格化的语言来描述“横向代理”，但它不需要像人类一样聪明才能完成绝大多数任务。这并不是所谓的“ASI（人工超级智能）”。不过，它足够聪明到可以在找不到可用工具时，自己编写软件以实现特定交互。我认为在相对短的时间尺度上，这样的场景值得期待，因为代码编写恰恰是目前 AI 模型进步最迅速的领域之一。
当然，关于“这件事是否真的会发生，以及何时发生”（见第三章）的讨论仍然存在。但我见过不少创始人，他们一方面坚信这一切会发生，另一方面却依旧觉得他们的垂直 AI 能在这场竞争中生存下来。
我自己就曾亲身体验过被这种竞争打败的经历。2022 年 11 月，OpenAI 上线了 ChatGPT，我想用它来解读科学论文。然而，当时它无法处理长文本（因为长输入需要更多计算资源，OpenAI 出于成本考虑进行了限制）。GPT-3.5 API 上线后，我做了一个叫做 AcademicGPT 的垂直 AI 产品，借助多次 API 调用拆分输入来解决长文本限制。这个产品有付费用户，但当 GPT-4 上线后支持更长的输入，之前所有我通过工程手段加的人为限制就瞬间过时了。相比经过精心工程改造、有偏见的垂直解决方案，GPT-4 这个“更通用、更少偏见”的方案一下子提供了更好的结果。
我并不是唯一的例子。YC 合伙人 Jared 在 Lightcone 的播客里提到：“第一波基于 LLM 的应用大多数都被下一代 GPT 所‘冲垮’了。”当然，那些“第一波”产品比当今的垂直 AI 产品更为简单，只是为某个痛点做了一层非常薄的封装。AcademicGPT 只解决了一个问题——输入长度。但今天的垂直 AI 创业公司会为多个问题提供更复杂的工程手段。或许这能延长它们的生命周期，但当大模型一个接一个地在能力上迎头赶上，曾经辛苦构建的限制和修正逐渐会被大模型直接内置，正如 GPT-4 扩展上下文窗口后，我先前对输入长度的定制“补丁”就不再有意义。正如第一章所说，随着模型变得更强，最终它们将面临一种各方面都优胜的横向解决方案的竞争。
我们可以用 Hamilton Helmer 的“7 Powers”作为一个分析框架，看看垂直 AI 产品能否抵挡住这种竞争。“7 Powers”理论列举了七种可持续的竞争优势来源：规模经济（Scale Economies）、网络效应（Network Economies）、反向定位（Counter-Positioning）、切换成本（Switching Costs）、品牌（Branding）、独占资源（Cornered Resource）以及流程优势（Process Power）。
切换成本（Switching Cost）
指的是由于更换服务提供商时可能遭遇的损失或障碍，而使客户更倾向于留在现有平台。
整合/用户体验（Integration/UX）
用户可能已经习惯了垂直 AI 产品的界面，但当横向 AI 的“入职”流程非常简单时，这就难以构成真正障碍。毕竟企业给新员工配置系统和权限已经是常态。正如 Leopold Aschenbrenner所言，这种“远程同事”式的解决方案只需“丢进去”就能自动化那些能够远程完成的工作。
此外，这种横向 AI 很可能是从现有的 AI 产品进化而来（比如你已经使用或熟悉的 ChatGPT），用户体验也就相当自然。再加上横向 AI 产品能够在不同任务间无缝共享上下文，这更是垂直 AI 产品所不具备的优势。
人类自然语言对话似乎是最好的 UI，因为它几乎是我们大部分日常交互的首选形式。不过，有些场景下计算机 UI 会更便捷。例如我们仍能使用 Excel 等传统软件来与横向代理协作。当然，我也不排除可能存在某些场景，传统软件或自然语言都不够理想，这时若有新的 UI 形态能配合 AI，就可能产生切换成本的壁垒。然而，这种壁垒不在于 AI 本身，而在于 UI 及配套流程；非 AI 版本（供横向 AI 使用）同样能发挥作用。
销售（Sales）
如果横向产品是由你原本就已经拥有的产品进化而来，那么销售上的门槛也不复存在。许多企业已经完成了对 ChatGPT 的采购或审批流程，而这一趋势只会持续扩大。
定价（Price）
目前最接近我们设想的“横向 AI 远程同事”的产品也许是 Claude 类似的“计算机使用模式”，由于需要频繁调用大型语言模型并处理高分辨率图像等，成本居高不下。垂直 AI 公司通常会尽力缩小输入范围，从而降低费用。但模型推理的成本一直在快速下降，AI 实验室之间的竞争也会加速这一进程。再者，用一个横向 AI 覆盖多个垂直领域，也比同时授权多个垂直 AI 更经济。
反向定位（Counter-Positioning）
一种新的商业模式，令已有玩家难以复制或适应，从而形成独特的竞争地位。
乍一看，垂直产品似乎能通过对客户的贴合定制形成某种“反向定位”的优势。但这只有在确实能比对手做得更好时才成立，而在我们设想的场景中（见第一章），垂直 AI 并没有性能优势。
反过来看，横向方案的优势更像是“反向定位”：每次模型改进，横向方案都可轻松利用，而垂直产品则会陷入两难：要么坚持原有限制，性能被甩开，要么跟进新模型，放弃原先差异化。
规模经济（Scale Economy）
随着业务规模的增长，单位生产成本逐渐下降，让企业更具成本效益。
规模经济对于垂直和横向产品都是可用的。垂直 AI 可以像传统 SaaS 一样依靠规模摊薄成本，而横向 AI 同样可以，而且还能通过在多领域共用的模型研发成本，更快地压低价格。
网络效应（Network Economy）
随着用户数量增加，每个用户都能从更大的用户群中受益，从而形成自强化增长循环。
对于网络效应，结论也类似于规模经济：垂直和横向产品都能通过用户数据进行改进。然而，横向方案天然具备更大的数据优势——它能收集到来自更多领域的多样化数据，进而提升通用模型的性能。这种更广泛的反馈回路会进一步增强横向产品在所有用例上的表现。
品牌力（Brand Power）
基于公司历史业绩和声誉形成的、难以替代的价值感。这会带来用户忠诚度并允许溢价。
对于大多数还在初创阶段的 AI 公司而言，品牌力很难形成（见图 3）。也许 OpenAI 或谷歌能够做到，但针对垂直领域的初创公司很难通过品牌建立护城河。
流程优势（Process Power）
需要长期打磨才能建立，且竞争对手需要付出极大努力才能追赶的组织能力。通常是复杂的内部系统或流程，能带来卓越的运营效率。
同样地，对于仍处于早期阶段的公司来说，流程优势还很遥远（见图 3）。
图 3：业务成长的三个阶段，以及最常在各阶段出现的“力量”类型。
独占资源（Cornered Resource）
指的是在有利条件下对稀缺或价值资产的独家占有或独家使用权，例如专利、独家数据等。
到目前为止，我们还没发现任何力量能帮助垂直 AI 在与横向 AI 的竞争中取得优势。真正能打破这个规律的，就只剩“独占资源”了。但这种资源极为罕见。它必须同时满足“确实独家”（在任何价位都无法购买得到）和“确实必需”（没有它，任何其他要素都不足以弥补）这两个条件。很少有垂直领域能具备这样的资源。我相信不少做垂直 AI 的团队觉得自己拥有一些专有数据，进而形成了护城河，但他们往往误解了要求：要么数据不是真正独家，要么数据不是那种“没有就万万不行”的必需品。不过，确实会有少数垂直领域能够获得这样的资源。举个例子，如果他们在一次极为罕见的事件中采集到并掌握了关键数据，那么只要他们保持对这些数据的控制权，再强大的横向模型也无计可施。
综上所述，当一个率先上市的垂直 AI 产品面对性能更优的“横向 AI 远程同事”时，几乎所有垂直解决方案都无法找到有效的防御壁垒。通过分析 Helmer 的 7 Powers，我们看到“独占资源”或许是垂直 AI 唯一可能的护城河。这意味着，在 AI 应用层创业时，与其花大力气在模型工程上，不如考虑如何获取并掌握这样的独家资源（第四章会对此展开讨论）。否则，一旦横向产品变得有竞争力，无法建立壁垒的垂直 AI 终将被取代。AcademicGPT 是一个典型的例子：它当时只解决了横向方案无法处理的“长文本”问题，但当 GPT-4 增加了上下文长度，这个小众优势也就瞬间消失。对于那些同时解决多个痛点的更复杂垂直 AI 公司，结局可能只会来得稍晚一些而已。
然而，这里有一个“房间里的大象”：上述分析的前提是我们认为“远程同事”式的横向 AI 会很快到来。第三章将围绕这一前提展开探讨，我们会做出一些具体预测，并深入探究从现在到那个未来可能遇到的障碍，包括模型发展停滞、监管壁垒、信任问题以及经济压力等。