DApp Store | Centrum Web3 pro události a hry

Populární témata

Freda Duan

AI supervertikály: Nejdřív programování, pak Excel? Programování překvapilo všechny pozitivně tím, že se stalo jedním z nejsilnějších AI aplikačních odvětví vůbec. Kombinuje tři vzácné vlastnosti: masivní TAM, přirozený klín do sousedních případů použití a produktově orientovaný GTM, který do značné míry eliminuje potřebu tradičního prodeje a marketingu. Velmi málo vertikál sdílí tento profil. Excel je jedním z nich. TAM je ještě větší. Velká část softwarového průmyslu lze vnímat jako vrstvené "Excel obaly" a adopce je převážně samoobslužná. To pravděpodobně vysvětluje, proč jak $OpenAI, tak $Anthropic agresivně rozšiřují své portfolio na tabulky a produktivní pracovní postupy (podle veřejných zpráv). ++++ 🔵Kódování 1/ Proč programování fungovalo: Vývojáři rychle identifikují nejlepší nástroje bez náročného marketingu. Často mají přímý vliv na nákup a firmy jsou relativně necitlivé na zvýšené náklady na jednoho vývojáře, pokud se produktivita zlepší. Díky tomu se silné produkty šíří zdola nahoru s minimálním prodejním úsilím – na rozdíl od většiny vertikál, které vyžadují explicitní prodej, marketing a podnikové nákupy. Většina ostatních odvětví (zdravotnictví, nemovitosti, finance atd.) vyžaduje explicitní prodej, marketing a podnikové nákupy. 2/ TAM: Běžně uváděný TAM pro kódování je ~$2T. Důležitější je, že programování není jen koncový trh – je to klín. Vlastnictví vývojářského workflow vytváří páku napříč každou aplikací, která je na něm postavena. 3/ Kódování - Kontrola stavu: 4 společnosti za $1B+ ARR Nejméně 7 společností překročilo ARR 100 milionů dolarů, často nebývalou rychlostí ++++ 🔵Excel odpovídá stejnému vzoru. Má obrovský TAM, slouží jako brána do mnoha sousedních případů použití a podporuje samoobslužné přijetí s omezeným GTM. Průmysl aplikačního softwaru s hodnotou ~$500 miliard je pravděpodobně jedna obrovská abstrakční vrstva Excelu – zahrnující CRM, Airtable, Smartsheet a velké části financí, operací, analytiky a interních nástrojů. ▶️TAM: I když vezmeme v úvahu překryv mezi Microsoft Office, Google Workspace a WPS, globální měsíční aktivní uživatelská základna tabulek je rozumný odhad. ▶️Excel je také víc než Excel: Software je odvětví s rozpočtem ~$1T, přičemž aplikační software pravděpodobně představuje ~50 %. Pokud se AI nativní Excel stane programovatelným, příležitost se rozšiřuje daleko za tabulky a zaměřuje se na samotné vytváření aplikací. ▶️GTM: Finance jsou přirozeným počátečním klínem. Má vysoký zisk na obyvatele, silnou ochotu platit za nástroje pro produktivitu, přímou rozpočtovou pravomoc na úrovni analytiků a jasnou návratnost investice, která činí produkty z velké části samoprodejnými. Přibližně ~10 % globálních uživatelů tabulek pracuje v rolích souvisejících s financemi, což představuje velmi velký a vysoce zpeněžnitelný výchozí bod. Programování ukázalo, jak rychle může škálovat samoobslužný, workflow-nativní nástroj s obrovskou povrchovou plochou. Excel může být další verzí tohoto playbooku – a to ještě ve větším měřítku. --- Úplná analýza:

Budou chatboti vypadat spíš jako streamování, nebo spíše jako vyhledávání? Streamování, vyhledávání a chatboti jsou odvětví bez klasických síťových efektů (relativně nízké náklady na přepínání). Přesto je streamování roztříštěné, zatímco vyhledávání se stalo téměř monopolem. 🔵Streamování – rozdrobené záměrně Obsah není komodita. Je to odlišené, nevylučující se a existuje na různých platformách. Takže trh zůstává rozptýlený. YouTube, Netflix, Disney... Každý z nich má jednociferný podíl, protože vlastní jiné pořady. 🔵Vyhledávání – vítěz bere téměř vše $Google má ~90 % podílu, i když $Bing není tak špatné. Proč? 1/ Distribuce/defaulty jsou neuvěřitelně silné Většina lidí si nevyhledávač vybere. Přijímají to, co jim zařízení dává. $Google platí desítky miliard ročně, aby byl výchozím stavem. 2/ Zvyk a značka $Google je sloveso. $Bing není. Síla zvyku plus značka je velmi podceňovaná (a upřímně mě to trochu překvapuje). 3/ Datový setrvačník (do určité míry) Lepší engine → více uživatelů → více dat → lepší engine. Ptám se, jak velký tento efekt vlastně je, ale rozhodně existuje. 4/ Měřítko ekosystému reklamy Inzerenti dosahují většího objemu a lepší návratnost investic na Google díky Vyhledávání + YouTube + Maps + Androidu + Gmailu. Proto upřednostňují Google, což tuto výhodu jen posiluje. 🔵Chatboti/agenti – blíže vyhledávání než streamování? Chatboti jsou spíš jako vyhledávání: výstupy působí jako komodity a potřebujete jednoho asistenta, který si všechno pamatuje (pokud chatboti zjistí paměť, mělo by být uzamčení silnější než vyhledávání). Budou tam regionální/jazykové kapsy (např. Čína). Ve srovnání s ranými dny vyhledávání $Google: - Regulace je nyní přísnější (těžší se stát monopolem); - Platformy jsou dnes více roztříštěné: $Google, $Meta (a možná MSFT/AAPL/AMZN) každý bude mít svého úzce integrovaného asistenta; máme tábor Apple vs. Windows/Android; To vše činí jeden monopol mnohem méně pravděpodobným. Na úrovni uživatele: jeden hlavní agent dělá 70-90 % práce. Na úrovni trhu: možná 2-3 mega-asistenti, žádný $Google styl s 90% vítězem.

Trochu hlubokého zamyšlení nad modelem podnikání na hranici. To vše je podloženo čísly uniklými z The Information, NYT a dalších. 🔵Jádro: Je to stroj na výpočetní spalování V jádru je model brutálně jednoduchý: téměř všechny náklady vznikají z výpočtů – inference, a zejména z tréninku. Výcvik se řídí něčím jako zákonem škálování. Předpokládejme, že náklady rostou ~5x ročně; a návratnost investice do školení je dvojnásobná. To vytváří zvláštní dynamiku: Cena výcviku v 1. ročníku: 1 Příjmy za druhý rok z tohoto modelu: 2 Ale náklady na školení ve druhém roce pro další model: 5 Čistý zisk: +2 - 5 = -3 Pokračujte dál a je to horší: Tržby 3. roku: +10 Náklady na výcvik ve 3. roce: -25 Čistý zisk: -15 Modely Frontier, jak jsou v současnosti provozovány, jsou sněhové koule s negativním peněžním tokem. Každá generace spálí více peněz než ta předchozí. Aby se to někdy obrátilo na kladný peněžní tok, logicky se mohou změnit jen dvě věci: Odpověď. Příjmy rostou mnohem rychleji než 2x, nebo B. Růst nákladů na školení zpomaluje z 5x ročně na něco jako <2x Generální ředitel Anthropicu Dario Amodei rozdělil scénář B ("náklady na školení přestanou růst exponenciálně") do dvou možných realit: 1/ Fyzické/ekonomické limity: Model prostě nelze vycvičit 5x větší — nedostatek čipů, málo energie, nebo náklady se blíží světovému HDP. 2/ Klesající výnosy: Můžete trénovat větší model, ale škálovací křivka se zplošťuje. Utratit dalších 10x přestává být cenné. Co ukazují čísla OpenAI a Anthropic: Uniklé finanční projekce obou společností v podstatě tento rámec potvrzují. OpenAI: Plán OpenAI v podstatě předpokládá, že celková výpočetní kapacita přestane růst po roce 2028. Překlad: marže se zlepšují, protože náklady na školení se zplošťují. Toto je scénář B. Antropopické: 1/ Předpokládají, že návratnost investice na model roste každý rok. Utratím 1, dostaneme zpět třeba 5 místo 2. 2/ Růst jejich výpočetních výdajů je také mnohem tlumenější. Od fiskálního roku 2025 do roku 2028: Růst výpočetních nákladů OpenAI >> Anthropic Podle výše uvedeného rámce počítají jak s A růstem příjmů, tak s B pomalejším růstem nákladů. 🔵 $NFLX je nejbližší analogie V technologiích jsou kapitálově náročné modely vzácné, i když ne bezprecedentní. $NFLX je dobré přirovnání: po léta měla hluboce negativní peněžní tok, který se každoročně zhoršoval. Museli do obsahu investovat peníze předem a tato aktiva během čtyř let ztratila hodnotu. V mnoha ohledech připomíná ekonomiku datových center a trénování modelů. Vrchol hoření hotovosti v roce 2019: -3 miliardy Peněžní tok 2020: +2 miliardy Proč náhlý pozitivní výkyv? COVID zastavil výrobu. Výdaje na obsah přestaly růst. Peněžní tok se okamžitě obrátil. 🔵Konečný cíl: Marže přicházejí, když růst nákladů zpomalí $NFLX nepřestal investovat do obsahu úplně – jen přestal *agresivně růst* tuto investici, jakmile dosáhl ~300 milionů globálních odběratelů. V takovém měřítku je přilnavost vysoká a musí si jen udržet pozici, ne rozšiřovat výdaje na obsah 10x ročně. Nemyslím si, že OpenAI nebo Anthropic někdy úplně přestanou trénovat. Ale nebudou muset navždy zvyšovat výdavky na výcvik. V určitém bodě: ROI na model roste, nebo se aktivují limity škálování, nebo obojí. A ve chvíli, kdy roční výdaje na školení přestanou růst pětkrát ročně, ziskové marže se objeví téměř okamžitě. To je na ekonomii LLM zvláštní věc: Je to spalovací stroj... Až najednou to tak není. Zdroje: ++ Celý článek:

Trochu hlubokého zamyšlení nad modelem podnikání na hranici. To vše je podloženo čísly uniklými z The Information, NYT a dalších. 🔵Jádro: Je to stroj na výpočetní spalování V jádru je model brutálně jednoduchý: téměř všechny náklady vznikají z výpočtů – inference, a zejména z tréninku. Výcvik se řídí něčím jako zákonem škálování. Předpokládejme, že náklady rostou ~5x ročně; a návratnost investice do školení je dvojnásobná. To vytváří zvláštní dynamiku: Cena výcviku v 1. ročníku: 1 Příjmy za druhý rok z tohoto modelu: 2 Ale náklady na školení ve druhém roce pro další model: 5 Čistý zisk: +2 - 5 = -3 Pokračujte dál a je to horší: Tržby 3. roku: +10 Náklady na výcvik ve 3. roce: -25 Čistý zisk: -15 Modely Frontier, jak jsou v současnosti provozovány, jsou sněhové koule s negativním peněžním tokem. Každá generace spálí více peněz než ta předchozí. Aby se to někdy obrátilo na kladný peněžní tok, logicky se mohou změnit jen dvě věci: Odpověď. Příjmy rostou mnohem rychleji než 2x, nebo B. Růst nákladů na školení zpomaluje z 5x ročně na něco jako <2x Generální ředitel Anthropicu Dario Amodei rozdělil scénář B ("náklady na školení přestanou růst exponenciálně") do dvou možných realit: 1/ Fyzické/ekonomické limity: Model prostě nelze vycvičit 5x větší — nedostatek čipů, málo energie, nebo náklady se blíží světovému HDP. 2/ Klesající výnosy: Můžete trénovat větší model, ale škálovací křivka se zplošťuje. Utratit dalších 10x přestává být cenné. Co ukazují čísla OpenAI a Anthropic: Uniklé finanční projekce obou společností v podstatě tento rámec potvrzují. OpenAI: Plán OpenAI v podstatě předpokládá, že celková výpočetní kapacita přestane růst po roce 2028. Překlad: marže se zlepšují, protože náklady na školení se zplošťují. Toto je scénář B. Antropopické: 1/ Předpokládají, že návratnost investice na model roste každý rok. Utratím 1, dostaneme zpět třeba 5 místo 2. 2/ Růst jejich výpočetních výdajů je také mnohem tlumenější. Od fiskálního roku 2025 do roku 2028: Růst výpočetních nákladů OpenAI >> Anthropic Podle výše uvedeného rámce počítají jak s A růstem příjmů, tak s B pomalejším růstem nákladů. 🔵 $NFLX je nejbližší analogie V technologiích jsou kapitálově náročné modely vzácné, i když ne bezprecedentní. $NFLX je dobré přirovnání: po léta měla hluboce negativní peněžní tok, který se každoročně zhoršoval. Museli do obsahu investovat peníze předem a tato aktiva během čtyř let ztratila hodnotu. V mnoha ohledech připomíná ekonomiku datových center a trénování modelů. Vrchol hoření hotovosti v roce 2019: -3 miliardy Peněžní tok 2020: +2 miliardy Proč náhlý pozitivní výkyv? COVID zastavil výrobu. Výdaje na obsah přestaly růst. Peněžní tok se okamžitě obrátil. 🔵Konečný cíl: Marže přicházejí, když růst nákladů zpomalí $NFLX nepřestal investovat do obsahu úplně – jen přestal *agresivně růst* tuto investici, jakmile dosáhl ~300 milionů globálních odběratelů. V takovém měřítku je přilnavost vysoká a musí si jen udržet pozici, ne rozšiřovat výdaje na obsah 10x ročně. Nemyslím si, že OpenAI nebo Anthropic někdy úplně přestanou trénovat. Ale nebudou muset navždy zvyšovat výdavky na výcvik. V určitém bodě: ROI na model roste, nebo se aktivují limity škálování, nebo obojí. A ve chvíli, kdy roční výdaje na školení přestanou růst pětkrát ročně, ziskové marže se objeví téměř okamžitě. To je na ekonomii LLM zvláštní věc: Je to spalovací stroj... Až najednou to tak není. Zdroje: ++ Celý článek:

Top

Hodnocení

Oblíbené