Магазин DApp | Центр Web3 для подій та ігор

Актуальні теми

Freda Duan

Супер-вертикалі ШІ: спочатку програмування, далі Excel? Програмування здивувало всіх позитивних сторін, ставши одним із найсильніших напрямків застосування ШІ на сьогодні. Він поєднує три рідкісні характеристики: величезний TAM, природне вплетення у суміжні сценарії використання та продуктовий GTM, який значною мірою усуває потребу в традиційних продажах і маркетингу. Дуже мало вертикалей мають такий профіль. Excel — один із них. TAM ще більший. Більшу частину індустрії програмного забезпечення можна розглядати як багатошарові «обгортки Excel», а впровадження здебільшого здійснюється самообслуговуванням. Це, ймовірно, пояснює, чому і $OpenAI, і $Anthropic активно розширюються на електронні таблиці та робочі процеси продуктивності (згідно з публічними звітами). ++++ 🔵Кодування 1/ Чому кодування спрацювало: Розробники швидко визначають найкращі інструменти без надмірного маркетингу. Вони часто мають прямий вплив на закупівлю, і компанії відносно нечутливі до додаткових витрат на кожного розробника, якщо продуктивність зростає. Внаслідок цього сильні продукти розширюються знизу вгору з мінімальними зусиллями з продажу — на відміну від більшості вертикалей, які потребують явних продажів, маркетингу та корпоративних закупівель. Більшість інших напрямків (охорона здоров'я, нерухомість, фінанси тощо) вимагають явних продажів, маркетингу та корпоративних закупівель. 2/ TAM: Поширений TAM для кодування становить ~$2T. Ще важливіше, що програмування — це не просто кінцевий ринок, а клин. Володіння робочим процесом розробника створює переваги для кожного додатку, побудованого на його основі. 3/ Кодування — перевірка стану: 4 компанії з $1B+ ARR Щонайменше 7 компаній перевищили $100 млн ARR, часто з безпрецедентною швидкістю ++++ 🔵Excel відповідає тій же схемі. Він має величезний TAM, слугує порталом у багато суміжних випадків використання та підтримує самообслуговування з обмеженим GTM. Індустрія програмного забезпечення вартістю ~$500 млрд, без сумніву, є одним величезним шаром абстракції Excel, що охоплює CRM, Airtable, Smartsheet та значну частину фінансів, операцій, аналітики та внутрішнього обладнання. ▶️TAM: Навіть з урахуванням перекриття між Microsoft Office, Google Workspace і WPS, глобальна активна база користувачів електронних таблиць на місяць ~1,5–1,6 млрд є розумною оцінкою. ▶️Excel — це також більше, ніж Excel: Програмне забезпечення — це індустрія з ціною ~$1T, причому прикладне програмне забезпечення, ймовірно, становить ~50%. Якщо Excel, нативний на основі штучного інтелекту, стане програмованим, ця можливість виходить далеко за межі електронних таблиць і створює самі додатки. ▶️GTM: Фінанси — це природний початковий клин. Він має високий прибуток на душу населення, сильну готовність платити за інструменти продуктивності, прямий бюджетний авторитет на рівні аналітика та чіткий ROI, що робить продукти переважно самопроданими. Приблизно ~10% користувачів глобальних електронних таблиць працюють у фінансових ролях, що є дуже великою та високовигідною відправною точкою. Кодування показало, наскільки швидко може масштабуватися самообслуговування, нативний для робочого процесу інструмент із великою площею поверхні. Excel може стати наступною версією цієї стратегії — у ще більшому масштабі. --- Повний аналіз:

Чи будуть чат-боти більше схожі на стрімінг, чи більше на пошук? Стрімінг, пошук і чат-боти — це галузі без класичних мережевих ефектів (відносно низькі витрати на комутацію). Проте стрімінг фрагментований, а пошук став майже монополією. 🔵Стрімінг — фрагментований за дизайном Контент — це не товар. Вона диференційована, неексклюзивна і існує на різних платформах. Тож ринок залишається розпорошеним. YouTube, Netflix, Disney... Кожен має однозначну частку, бо кожен володіє різними шоу. 🔵Пошук — переможець отримує майже все $Google має ~90% частку, хоча $Bing не так вже й погано. Чому? 1/ Розподіл/стандарти надзвичайно потужні Більшість людей не обирають пошукову систему. Вони приймають те, що дає пристрій. $Google платить десятки мільярдів на рік, щоб бути дефолтом. 2/ Звичка та бренд $Google — це дієслово. $Bing — ні. Сила бренду Habit Plus дуже недооцінена (і чесно кажучи, я трохи здивована). 3/ Маховик даних (певною мірою) Кращий рушій → більше користувачів → більше даних → кращий рушій. Я сумніваюся, наскільки великий цей ефект, але він точно існує. 4/ Масштаб рекламної екосистеми Рекламодавці отримують більший обсяг і кращу віддачу від інвестицій у Google завдяки Пошуку + YouTube + Maps + Android + Gmail. Тож вони віддають пріоритет Google, що підсилює лідерство. 🔵Чат-боти/агенти — ближче до пошуку, ніж до стрімінгу? Чат-боти більше схожі на пошук: виводи відчуваються як товар, і вам потрібен один асистент, який запам'ятовує все (якщо чат-боти розбираються з пам'яттю, то фіксація має бути сильнішою, ніж пошук). Будуть регіональні/мовні осередки (наприклад, Китай). Порівняно з початковими часами пошуку $Google: - Регулювання стало жорсткішим (важче стати монополією); - Платформи сьогодні більш фрагментовані: $Google, $Meta (і, можливо, MSFT/AAPL/AMZN) кожна створює власний тісно інтегрований асистент; у нас є табір Apple проти Windows/Android; Усе це значно зменшує ймовірність однієї монополії. На рівні користувача: один основний агент виконує 70-90% роботи. На ринковому рівні: можливо, 2-3 мега-помічники, а не один $Google-стильний переможець на 90%.

Трохи глибоких роздумів про бізнес-модель на передовій моделі. Усе це ґрунтується на цифрах, які зливають The Information, NYT тощо. 🔵Ядро: це машина для обчислювального запису У своїй основі модель надзвичайно проста: майже всі витрати походять від обчислювальних висновків і особливо навчання. Тренування підпорядковується чомусь схожим на закон масштабування. Припустимо, витрати зростають ~5 разів щороку; а рентабельність витрат на навчання — у 2 рази. Це створює дивну динаміку: Вартість навчання першого року: 1 Дохід за другий рік від цієї моделі: 2 Але вартість навчання на другий рік для наступної моделі: 5 Нетто: +2 - 5 = -3 Якщо запустити вперед, стає ще гірше: Дохід за 3 рік: +10 Вартість навчання на 3 рік: -25 Нетто: -15 Моделі Frontier, у нинішньому вигляді, є сніжками з негативним грошовим потоком. Кожне покоління витрачає більше грошей, ніж попереднє. Щоб це коли-небудь змінилося на позитивний грошовий потік, логічно можуть змінитися лише дві речі: Відповідь. Дохід зростає значно швидше, ніж у 2x, або B. Зростання вартості навчання сповільнюється з 5 разів на рік до приблизно <2 разів Генеральний директор Anthropic Даріо Амодей розбив сценарій B («витрати на навчання припиняють експоненціальне зростання») на дві можливі реальності: 1/ Фізичні/економічні обмеження: Ви просто не можете навчити модель у 5 разів більшу — недостатньо чипів, недостатньо потужності, або вартість наближається до світового ВВП. 2/ Зменшувальна віддача: Можна навчити більшу модель, але крива масштабування вирівнюється. Витрачати ще 10 разів не варто того. Що показують цифри OpenAI та Anthropic: Витеклі фінансові прогнози обох компаній фактично підтверджують цю структуру. OpenAI: План OpenAI фактично передбачає, що загальна обчислювальна потужність припинить зростати після 2028 року. Переклад: маржа зростає, бо витрати на навчання стабілізують. Це сценарій Б. Антропічний: 1/ Вони припускають, що рентабельність інвестицій на модель зростає щороку. Витрачай 1, повертай, скажімо, 5 замість 2. 2/ Зростання їхніх витрат на обчислення також значно стриманіше. З 2025 по 2028 фінансовий рік: зростання обчислювальних витрат OpenAI >> Anthropic Використовуючи наведену вище структуру, вони розраховують як на зростання доходу А, так і на повільніше зростання витрат на Б. 🔵 $NFLX — найближча аналогія У сфері технологій капіталомісткі моделі трапляються рідко, хоча й не безпрецедентно. $NFLX — хороша аналогія: протягом багатьох років у компанії був глибоко негативний грошовий потік, який щороку погіршувався. Вони мали вкладати гроші у контент наперед, і ці активи знецінювалися протягом чотирьох років. У багатьох аспектах це нагадує економіку дата-центрів і навчання моделей. Піковий вибух готівки у 2019 році: -3B Грошовий потік 2020 року: +2B Чому раптовий позитивний поворот? COVID зупинив виробництво. Витрати на контент перестали зростати. Грошовий потік миттєво змінився. 🔵Кінцева мета: Маржа з'являється, коли зростання витрат сповільнюється $NFLX не припинили повністю інвестувати в контент — вони просто припинили *агресивно збільшувати* ці інвестиції, коли досягли ~300 мільйонів підписників по всьому світу. У такому масштабі «липкість» висока, і їм потрібно лише утримувати свою позицію, а не збільшувати контент і витрачати контент 10 разів на рік. Я не думаю, що OpenAI чи Anthropic коли-небудь повністю припинять тренування. Але їм не доведеться постійно збільшувати витрати на навчання. У якийсь момент: ROI на модель зростає, або з'являються обмеження масштабування, або і те, й інше. І щойно щорічні витрати на навчання перестають зростати у 5 разів на рік, маржа прибутку з'являється майже одразу. Ось у чому дивність економіки LLM: Це машина для спалювання... поки раптом це не перестає. Джерел: ++ Повна стаття:

Трохи глибоких роздумів про бізнес-модель на передовій моделі. Усе це ґрунтується на цифрах, які зливають The Information, NYT тощо. 🔵Ядро: це машина для обчислювального запису У своїй основі модель надзвичайно проста: майже всі витрати походять від обчислювальних висновків і особливо навчання. Тренування підпорядковується чомусь схожим на закон масштабування. Припустимо, витрати зростають ~5 разів щороку; а рентабельність витрат на навчання — у 2 рази. Це створює дивну динаміку: Вартість навчання першого року: 1 Дохід за другий рік від цієї моделі: 2 Але вартість навчання на другий рік для наступної моделі: 5 Нетто: +2 - 5 = -3 Якщо запустити вперед, стає ще гірше: Дохід за 3 рік: +10 Вартість навчання на 3 рік: -25 Нетто: -15 Моделі Frontier, у нинішньому вигляді, є сніжками з негативним грошовим потоком. Кожне покоління витрачає більше грошей, ніж попереднє. Щоб це коли-небудь змінилося на позитивний грошовий потік, логічно можуть змінитися лише дві речі: Відповідь. Дохід зростає значно швидше, ніж у 2x, або B. Зростання вартості навчання сповільнюється з 5 разів на рік до приблизно <2 разів Генеральний директор Anthropic Даріо Амодей розбив сценарій B («витрати на навчання припиняють експоненціальне зростання») на дві можливі реальності: 1/ Фізичні/економічні обмеження: Ви просто не можете навчити модель у 5 разів більшу — недостатньо чипів, недостатньо потужності, або вартість наближається до світового ВВП. 2/ Зменшувальна віддача: Можна навчити більшу модель, але крива масштабування вирівнюється. Витрачати ще 10 разів не варто того. Що показують цифри OpenAI та Anthropic: Витеклі фінансові прогнози обох компаній фактично підтверджують цю структуру. OpenAI: План OpenAI фактично передбачає, що загальна обчислювальна потужність припинить зростати після 2028 року. Переклад: маржа зростає, бо витрати на навчання стабілізують. Це сценарій Б. Антропічний: 1/ Вони припускають, що рентабельність інвестицій на модель зростає щороку. Витрачай 1, повертай, скажімо, 5 замість 2. 2/ Зростання їхніх витрат на обчислення також значно стриманіше. З 2025 по 2028 фінансовий рік: зростання обчислювальних витрат OpenAI >> Anthropic Використовуючи наведену вище структуру, вони розраховують як на зростання доходу А, так і на повільніше зростання витрат на Б. 🔵 $NFLX — найближча аналогія У сфері технологій капіталомісткі моделі трапляються рідко, хоча й не безпрецедентно. $NFLX — хороша аналогія: протягом багатьох років у компанії був глибоко негативний грошовий потік, який щороку погіршувався. Вони мали вкладати гроші у контент наперед, і ці активи знецінювалися протягом чотирьох років. У багатьох аспектах це нагадує економіку дата-центрів і навчання моделей. Піковий вибух готівки у 2019 році: -3B Грошовий потік 2020 року: +2B Чому раптовий позитивний поворот? COVID зупинив виробництво. Витрати на контент перестали зростати. Грошовий потік миттєво змінився. 🔵Кінцева мета: Маржа з'являється, коли зростання витрат сповільнюється $NFLX не припинили повністю інвестувати в контент — вони просто припинили *агресивно збільшувати* ці інвестиції, коли досягли ~300 мільйонів підписників по всьому світу. У такому масштабі «липкість» висока, і їм потрібно лише утримувати свою позицію, а не збільшувати контент і витрачати контент 10 разів на рік. Я не думаю, що OpenAI чи Anthropic коли-небудь повністю припинять тренування. Але їм не доведеться постійно збільшувати витрати на навчання. У якийсь момент: ROI на модель зростає, або з'являються обмеження масштабування, або і те, й інше. І щойно щорічні витрати на навчання перестають зростати у 5 разів на рік, маржа прибутку з'являється майже одразу. Ось у чому дивність економіки LLM: Це машина для спалювання... поки раптом це не перестає. Джерел: ++ Повна стаття:

Найкращі

Рейтинг

Вибране