随着越来越多 LLM 模型开源，传统商业护城河是否将被重塑？同时，什么会是未来人工智能企业的护城河呢？在本篇文章里，作者便对当前颠覆浪潮下的新护城河做出了分析和解读，一起来看。

在商业中，我寻找那些由坚固护城河保护的商业城堡。

——沃伦·巴菲特

六年前，Jerry Chen 在 Greylock 上发布了文章《新的护城河：为什么智能系统是下一个可防御的商业模式》，推测初创公司将应该利用人工智能构建防御性护城河。如今随着越来越多 LLM 模型开源，构建企业自己的大语言模型似乎不再成为壁垒，而什么会是未来人工智能企业的护城河？几天前，Jerry Chen 重新回顾智能系统与科技公司的传统护城河，并对 LLM 大规模开源背景下的新一代护城河提出展望。

思考：

1）传统商业护城河：规模效应、网络效应、深科技/IP/产业积累、高转换成本和品牌/客户忠诚度是技术公司的传统商业护城河。

2）Gen-AI 浪潮下的新护城河：

① 基础模型壁垒：

1. 解决困难问题的方式从精巧的产品和交互设计，转向模型本身，基础模型是当今的深度技术/知识产权护城河之一，而处于模型应用层的初创公司目前并没有建立足够的护城河。
2. 深度技术的护城河还在，围绕知识产权建立可靠的商业模式，但必须是替代品少、需要艰难工程和需要运营知识来扩展规模的技术问题。

② 智能系统壁垒：

1. 企业系统可分为“记录系统”和“用户参与系统”，参与系统的所有权价值最大，多模态交互会颠覆用户参与系统，影响记录系统。
2. “智能系统”会连接和管理多个数据集和记录系统，三大主领域：以客户旅程为中心的面向客户的应用程序、面向员工的应用程序（如人力资源管理、IT服务管理、财务等）和基础设施系统（如安全、计算/存储/网络以及监控/管理）

3）不变的：应用的价值在于如何传递价值。工作流程、与数据和其他应用的集成、品牌/信任、网络效应、规模和成本效率依旧是经济价值和壁垒的创造者。人工智能并不改变初创公司的营销、销售或合作方式，仍然需要精通市场推广。

导语

要建立一个可持续盈利的企业，你需要在公司周围建立坚固的防御性护城河。在我们经历一代人中最大的平台转型之际，这一点尤其重要，因为应用程序正在移向云端，被消费在 iPhone、Echo 和 Tesla 上，基于开源构建，并且由 AI 和数据驱动。这些剧变使一些现有的护城河变得无用，让 CEO 们感觉几乎不可能建立一个具有防御性的业务。

LLaMA、Alpaca、Vicuna、RedPajama 等越来越多的模型开源使得 Google 表示”我们没有护城河，OpenAI 也没有。“Google 和 OpenAI 所持有的专有优势正在被开源打乱，特别是 Meta 发布的 LLaMA 模型的发布，这一模式孕育出了一个以 LLaMA 为基础模型，进行发展（并改进）的生态系统。谷歌表示“矛盾的是，所有这些中唯一明确的赢家是 Meta。因为泄露的模型是他们的，他们实际上获得了相当于整个地球的免费劳动力。”

然而，Meta并不是这一发展的唯一受益者。整个市场的初创公司，无论大小，也有优势。在六年前发布的原创文章《新护城河》中，笔者正确地指出了开源的力量，但错误地假设它只有利于能够大规模提供开源服务的大云提供商。相反，这一新一代的AI模型可能会将权力重新转移到初创公司，因为它们可以在产品中利用基础模型——无论是开源的还是非开源的。

实际上，这一新波AI的一些早期受益者是已经能够将生成性AI加入其应用的现有公司和初创公司，如 Adobe、Abnormal、Coda、Notion、Cresta、Instabase、Harvey、EvenUp、CaseText 和 Fermat。

借用达尔文的话来解释即“能够生存下来的公司不是最强大的（最大的、资本最充裕的或最知名的），而是最能适应整合 AI 的。”本文的重点不在于探讨是否存在护城河，而在于 AI 的价值在何处得以积累而爆发。

从历史上看，开源技术已经降低了它所在层的价值，并将价值转移到相邻的层。例如，像 Linux 或 Android 这样的开源操作系统减少了应用对 Windows 和 iOS 的依赖，并将更多的价值转移到了应用层。这并不意味着开源层没有任何价值（ Windows 和 iOS 绝对有价值！）。同时，你仍然可以通过基于云的开源商业模型创造价值，比如 Databricks、MongoDB 和 Chronosphere。

在六年前发布的文章中，作者强调了邻近层如何更受益于大型云平台。然而，对于开源基础模型，我们可以看到原本可能被 OpenAI 或 Google 捕获的一部分价值现在可以转移到围绕 LLMs 的应用、初创公司和基础设施上。OpenAI 和 Google 仍然可以获取价值，而构建和运行这些巨型模型的能力仍然是一个护城河。建立开发者社区和网络效应仍然是一个护城河，但在存在开源替代品的世界里，这些护城河捕获的价值减少了。

在这篇文章中，我们将回顾一些技术公司通常利用的传统商业护城河，以及它们如何被打破。今天的初创公司需要构建智能系统 —— 由 AI 驱动的应用 —— “新的护城河”。企业可以构建几种不同的护城河，并在时间的变化中随之改变护城河。

一、传统商业护城河

要建立一个可持续盈利的企业，你需要在公司周围建立坚固的防御性护城河。在我们经历一代人中最大的平台转型之际，这一点尤其重要，因为应用程序正在移向云端，被消费在 iPhone、Echo 和 Tesla 上，基于开源构建，并且由 AI 和数据驱动。这些剧变使一些现有的护城河变得无用，让 CEO 们感觉几乎不可能建立一个具有防御性的业务。

1. 规模效应

一些最伟大且最老牌的技术公司都拥有强大的护城河。例如，微软、谷歌和 Facebook（现在的 Meta ）都有基于规模经济和网络效应的护城河。

在这个技术转型的时刻，构建有价值的AI产品的关键组成部分是基础模型 ， 这些模型在数十亿或万亿的参数上进行训练，它们需要数亿美元的训练费用，以及为它们提供动力的计算资源。如果没有 LLaMA 的发布，大部分的价值可能将归属于像谷歌这样的公司或像 OpenAI、Anthropic 和 Inflection 这样有资本（和 GPU ）训练这些模型的初创公司。我们面临的一个问题是万亿参数模型与小型模型之间的平衡。如果竞赛更偏向于越来越大的模型，那么可能规模就成为了最终的护城河。

一个产品的规模越大，产品拥有的运营杠杆就越多，这反过来会降低你的成本。SaaS和云服务可以具有强大的规模经济：你可以在保持产品核心工程相对稳定的情况下，扩大你的收入和客户基础。

作为初创公司开发基础模型的重要计算伙伴，全球三大云提供商 AWS、Microsoft 和 Google 正在利用规模经济和网络效应来在当前的AI热潮中保持竞争力。训练AI模型已经成为一个数据中心规模的问题，将计算和网络组合成一个巨大的建筑规模的超级计算机。

依赖大型云提供商来运行复杂的机器学习模型甚至导致 Oracle 作为首选合作伙伴的复兴。这家公司最初在云服务器业务上落后，后面主要通过与 NVIDIA 合作，在 AI 方面做出了一系列赶超。Oracle 目前正在与一些领先的初创公司合作，包括 Adept、Character 和 Cohere。

2. 网络效应

梅特卡夫法则提出，如果一个产品或服务的每一个额外用户都能为所有其他用户带来更多的价值，那么你的产品或服务就具有”网络效应”。像 Slack 和 WhatsApp 这样的消息应用，和 Facebook 这样的社交网络都是强大网络效应的好例子。像 iOS、Android 和 Windows 这样的操作系统具有强大的网络效应，因为越多的客户使用操作系统，就会有越多的应用在其之上构建。

最成功的云厂商之一，亚马逊网络服务（AWS），既具有规模优势，也具有网络效应的力量。因为”那里有客户和数据”，更多的应用和服务得以在 AWS 上构建。反过来，提供解决方案的基础设施生态系统吸引了更多的客户和开发者，他们构建更多的应用，生成更多的数据，继续良性循环，同时通过规模优势降低亚马逊的成本。

首批获得用户支持的创新者可以建立网络效应。OpenAI 正在迅速地围绕他们的模型建立第一个网络效应壁垒。特别是他们的函数调用和插件架构可能会把OpenAI变成新的“ AI 云”。然而建立网络效应的竞赛还为时过早，无法宣布任何公司为赢家。事实上，有许多玩家扩展了这个概念，创建了像 LlamaIndex、Langchain、AutoGPT、BabyAGI 等代理，所有这些都旨在自动化你的应用、基础设施或生活的一部分。

3. 深科技/IP/产业积累

大多数科技公司都是从自有软件或方法开始的。这些商业秘密可以包括对硬技术问题的核心解决方案、新的发明、新的流程、新的技术，以及后来保护开发出的知识产权（IP）的专利。随着时间的推移，公司的 IP 可能从特定的工程解决方案演变为积累的操作知识或对问题或过程的洞察。

如今一些 AI 公司正在建立自己的模型，它们既被用于开发应用程序，又作为服务提供给其他人使用。这个领域的初创公司包括 Adept、Inflection、Anthropic、Poolside、Cohere 等。如之前所言，这些模型的关键在于权衡模型训练的成本。有趣的是，OpenAI、谷歌等早期基础模型的先驱者是否能够利用他们的深度技术构建起护城河，或者最终他们是否只是面对开源和 AI 领域中的所有学术研究和工作的又一个模型。

4. 高转换成本

一旦客户开始使用你的产品，你希望他们尽可能难以切换到竞争对手。你可以通过标准化、缺乏替代品、与其他应用和数据源的集成，或者因为你构建了一种根深蒂固且有价值的工作流程，使你的客户依赖于它，来建立这种粘性。其中任何一种都可以作为一种形式的锁定，使客户难以离开。

一个有趣的思考是模型层或应用层是否存在切换成本。例如，Midjourney 有数百万用户使用其扩散模型生成图像。如果出现了一个更好的模型，Midjourney 要替换自己的模型有多难？即使存在一个更好的模型，用户要切换到另一个应用有多难？在接下来的几年中，我们将看到公司试图在应用层和潜在的模型层建立切换成本。

5. 品牌/客户忠诚度

强大的品牌可以成为一种护城河。随着产品和客户之间每一次积极互动，品牌优势会随着时间的推移而变得更加强大，但如果客户对其产品失去信任，品牌的实力很快就会消失。

在 AI 领域，信任至关重要，但对于许多人来说，这种信任尚未赢得。这些早期的 AI 模型可能会出现“错觉”，给出错误的答案或产生奇怪的人设，比如 Bing 中的 Sydney。将会出现一场建立可信赖的 AI 和像 Trulens 这样的工具的竞赛，以获得客户的信任。

二、传统护城河将被重塑

强大的护城河可以帮助公司在主要平台转型中生存下来，但生存不能被误解为蓬勃发展。

例如，高切换成本在一定程度上可以解释为什么在这些年头之后，主机和“大型计算机”系统仍然存在。拥有深厚护城河的传统企业可能不再是它们黄金时期的高增长驱动力，但它们仍然在产生利润。公司需要在行业整体转型的过程中认识到并做出反应，以免成为自己成功的受害者。

“切换成本”作为护城河：x86服务器收入直到2009年才超过主机和其他“大型计算机”收入。

我们可以通过 NVIDIA 作为 GPU 主要提供商和 Intel 作为 CPU 主要提供商的财务表现来看到向 AI 平台的转变。在 2020 年，NVIDIA 超过 Intel 成为市值最高的芯片提供商。在 2023 年，该公司市值达到了万亿美元。

这些大规模的平台转变，比如云计算和移动领域，都是技术潮流，为新进入者创造了机会，并使创始人能够在现有护城河上建立自己的道路。

成功的初创公司创始人往往采取双管齐下的策略：

1. 攻击传统企业的护城河；
2. 同时建立自己的可靠护城河，以顺应新潮流。

AI 正成为当今的平台技术，这种新的 LLM 潮流有可能打破现有企业之间的等级体系。一个例子是，通过与 OpenAI 的 ChatGPT 集成，长期备受诟病的微软必应（Bing）可能最终打破谷歌的搜索护城河。

再比如，Facebook 拥有最牢固的社交网络，但 Instagram 构建了一个以移动为主的照片应用，搭上智能手机的浪潮进行了 10 亿美元的收购。在企业服务领域，像 Salesforce 这样的 SaaS 公司正在打破像 Oracle 这样的本地软件公司的市场格局。现在，随着云计算的出现， AWS、Azure 和 Google Cloud 正在为客户创造直接的渠道。这些平台转变也可以改变买家和最终用户的角色。在企业中，买家已经从中央 IT 团队转变为办公室的知识工作者，再到使用 iPhone 的人，最后变成任何拥有 GitHub 账户的开发者。

如今，新的 LLM 模型已经创造了一个新的用户类别：提示工程师。随着生成式 AI 模型被训练用于各行各业，用户的角色变得更加广泛和多样化。随着 AI 成为每个产品的内在组成部分，提示工程师的角色的持久性还有待观察。

三、新护城河？

在当前的颠覆浪潮中，是否仍然有可能构建可持续的护城河？对于创始人来说，他们可能会觉得自己建立的每一个优势都可能被另一个团队复制，或者至少感觉只有在大规模的情况下才能建立护城河。开源工具和云计算已经将权力转移到了“新的现有企业”——那些处于大规模、拥有强大分销网络、高切换成本和强大品牌的公司。这些公司包括苹果、Facebook、谷歌、亚马逊和 Salesforce 等。

为什么感觉好像“没有了护城河”可以建立？在云计算和开源时代，攻击困难问题的深度技术正在成为一种较浅的护城河。开源的使用使技术进步变得更难以实现商业化，而使用云计算来交付技术则将防御性转移到产品的不同部分。那些过于关注技术而没有将其放入客户问题的背景中的公司将陷入进退两难的境地，“处于开源和云计算之间”。例如，像 Oracle 的专有数据库这样的现有技术正在受到 Hadoop 和 MongoDB 等开源替代品以及亚马逊 Aurora 和 Google Spanner 等创新技术在云端的攻击。另一方面，构建出色的客户体验的公司可能会通过软件的工作流程获得防御性。

我们相信，深度技术的护城河并没有完全消失，可以围绕知识产权建立可靠的商业模式。如果选择技术栈中的一个领域，并成为绝对最佳的解决方案，同样可以创建一个有价值的公司。然而，这意味着选择一个没有太多替代品、需要艰难工程和需要运营知识来扩展规模的技术问题。

基础模型是当今的深度技术/知识产权护城河之一。基础模型的所有者发布 API 和插件，同时还在公司内部不断努力开发更好的产品。开发人员可以相对轻松地在开源 LLM 之上构建应用，这导致了大量的初创公司提供各种专用产品。但目前已经清楚的是，大多数处于这一层的初创公司并没有建立足够的护城河。它们不仅可能被指责拥有“薄薄的知识产权”（本质上是 ChatGPT 周围的简单应用封装），而且面临着与基础模型提供商的直接竞争风险，正如我们在 OpenAI 和 Jasper之间所看到的。

一个潜在的可能是，大型模型可以解决大部分复杂问题，而较小的模型可以解决特定问题或为手机、汽车或智能家居等边缘设备提供动力。

如今，市场偏向于“全栈”公司，即提供应用逻辑、中间件和数据库的 SaaS 产品。技术正在成为完整解决方案的一个无形组成部分（例如，“只要你的食物能按时送达，谁关心你最喜欢的移动应用程序后台使用的是哪个数据库！”）。

在消费者领域，苹果通过无缝地将硬件与软件集成在一起，使集成或全栈体验成为流行。这种集成体验也逐渐主导企业软件。云计算和 SaaS 使得以成本效益的方式直接接触客户成为可能。因此，客户越来越倾向于购买以 SaaS 应用程序形式提供的全栈技术，而不是购买技术栈的各个组成部分并构建自己的应用。对整个应用体验或“技术栈顶部”的强调，也是作者通过额外的框架——企业系统的堆栈来评估公司的原因。

企业系统的堆栈：

1. 记录系统（Systems of Record）

一个系统的底层通常是数据库，上面构建着应用程序。如果数据和应用程序支持关键的业务功能，它就成为一个“记录系统”。在企业中有三个主要的记录系统：客户、员工和资产。客户关系管理（CRM）管理客户，人力资源管理（HCM）管理员工，企业资源计划（ERP）/财务管理管理资产。

几代公司围绕着拥有一个记录系统建立起来，每一次技术浪潮都会产生一个新的胜者。在 CRM 领域，我们看到 Salesforce 取代 Siebel 成为客户数据的记录系统，Workday 取代了Oracle PeopleSoft 成为员工数据的记录系统。Workday 还扩展到了财务数据领域。其他应用程序可以围绕记录系统构建，但通常不如实际的记录系统有价值。例如，像 Marketo 和 Responsys 这样的市场自动化公司围绕 CRM 建立了大型业务，但从未像 Salesforce 那样具有战略意义或价值。

基础模型并不取代现有的记录系统，而是用于解锁所有记录系统中的价值和理解。如前所述，目前有几个基础模型。至于世界是否朝着几个大型模型的发展方向演变，这些模型经过提炼或修剪后可以用于各种情况，还是存在一个较小模型的市场，目前还存在争议。无论哪种情况，这些模型都是我们在六年前的《新的护城河》中称之为“智能系统”的关键要素。

2. 用户参与系统（Systems of Engagement）

用户参与系统（Systems of Engagement™）是用户和记录系统之间的接口，它们可以成为强大的业务，因为它们控制着最终用户的互动。

在大型机时代，记录系统和参与系统是绑定在一起的，当时大型机和终端实际上是同一个产品。客户/服务器浪潮带来了一批试图占据你的桌面的公司，但他们最终被基于浏览器的公司所颠覆，而后又被以移动为先的公司所取代。

当前一代争夺参与系统所有权的公司包括 Slack、亚马逊 Alexa 和其他语音/文本/对话界面的初创公司。在中国，微信已成为一个占主导地位的参与系统，现在已成为覆盖从电子商务到游戏等各个领域的一体化平台。

参与系统的更替速度可能比记录系统快。连续几代的参与系统并不一定消失，而是用户不断添加与其应用程序互动的新方式。在多渠道世界中，拥有参与系统的所有权最有价值，如果你控制了大部分终端用户的参与，或者是一个跨渠道系统，能够接触到用户所在的任何地方。

作为参与系统的最重要战略优势之一是，你可以与多个记录系统共存，并收集通过你的产品传递的所有数据。随着时间的推移，你可以利用累积的所有数据，将你的参与位置演变成一个实际的记录系统。

六年前，作者强调了聊天作为一种新的参与系统。Slack 和 Microsoft Teams 试图成为企业的主要参与系统，并为企业应用程序提供聊天前端，但未能达到目标。这种以聊天为先的愿景尚未实现，但基础模型可能会改变这一点。我们可以通过询问我们的 AI 助手来订购晚餐或计划度假，而不是打开 Uber 或 Instacart 这样的应用程序来叫车或送货。在每个人都拥有自己的AI助手的未来，所有的互动可能都会像是在使用消息应用程序。像 Siri 和 AAlexa这样的基于 AI 的语音聊天系统将被像 Pi （Inflection.ai开发的个人智能助手）一样的智能聊天系统取代。

OpenAI 的插件和接口调用的发布正在构建一种新的构建和分发应用程序的方式，有效地使 GPT 成为一个新的平台。在这个世界中，聊天可能成为几乎一切的前门，成为我们日常的参与系统。我们将会看到AI应用程序的用户体验在不久的将来如何演变，这将是非常有趣的。虽然聊天似乎在今天非常流行，但我们预计会看到多模态交互模型创造出超越聊天的新的参与系统。

3. 新护城河：智能系统（Systems of Intelligence）

超级智能系统依旧是新的护城河。

“什么是智能系统，为什么它如此有防御性？”

智能系统之所以有价值，通常是因为它跨越多个数据集和多个记录系统。一个例子是将网站分析、客户数据和社交数据结合起来，以预测终端用户的行为、流失、生命周期价值（LTV）或提供更及时的内容。你可以在单个数据源或单个记录系统上构建智能，但这个位置将更难抵御拥有数据的供应商的竞争。

对于初创公司而言，要在Oracle和SAP等老牌企业周围蓬勃发展，需要将它们的数据与其他数据源（公共或私人）结合起来，为你的客户创造价值。老牌企业在自己的数据上具有优势。例如，Salesforce 正在构建一个名为 Einstein 的智能系统，从他们自己的记录系统 CRM 开始。

在六年前提出建立“智能系统”的概念之后，我们见证了一些令人难以置信的人工智能应用程序的出现，例如 Tome、Notable Health、RunwayML、Glean、Synthesia、Fermat 等，还有成百上千的其他初创公司。虽然目前尚不清楚在这个新兴堆栈中价值将累积在哪里，但这个转变为初创公司提供了充足的机会。

但正如之前提到的，我们最初没有预见到大型语言模型的威力，这些模型真正增加了我们在六年前所称的智能系统的价值。

而在LLM 应用程序中出现了一批“新堆栈”，包括一批新的中间件工具，用于链接提示或组合模型。就像我们看到创立了大量公司来使云计算和存储更易管理一样，我们正在看到一批旨在使基础模型更易于使用的初创公司。

这个新的中间件堆栈将包括数据框架，如 LlamaIndex，用于连接企业数据与 LLM；代理框架，如Langchain，用于构建应用程序和连接模型。此外，还需要一代新的安全性和可观察性工具，以确保这些新应用程序的运行时间和安全性。

未来一代企业产品将使用不同的人工智能（AI）技术来构建智能系统。不仅应用程序将受到 AI 的改变，数据中心和基础设施产品也将发生变革。我们可以将构建智能系统的主要领域归类为以下三个方面：以客户旅程为中心的面向客户的应用程序、面向员工的应用程序（如人力资源管理、IT服务管理、财务等）或基础设施系统（如安全、计算/存储/网络以及监控/管理）。除了这些广泛的横向用例之外，初创公司还可以专注于特定行业或市场，在垂直领域（如生命科学中的 Veeva或建筑行业中的 Rhumbix ）构建基于独特数据的智能系统。

以前的应用程序代替了数字化流程，但这些新的 AI 应用程序将冒着取代人类的风险，或者从积极的角度来看，它们将增强和提升人类能力，使个人更加高效。

AI 工具已经存在，可以使设计工作、编码、数据处理、法律工作和其他工作更加准确和快速。

例如，在法律领域，像 Harvey.AI 和 Even Up Law 这样的公司正在执行法律助理和律师的任务。Github Co-pilot 使每个开发者的生产力提升数倍，新开发者现在可以像经验丰富的专业人士一样编写代码。使用 Adobe 的的新产品Firefly 进行设计的设计师可以创作以前需要整个团队完成的数字图像。Tome、Coda 和Notion 等生产力应用程序现在使每个办公桌上的工作者拥有了新的超能力，提高了速度和生产力。这些确实是技术承诺的由 AI 驱动的“钢铁侠装备”。随着我们越来越依赖于基于 AI 的应用程序，管理和监控可信赖的 AI 变得更加重要，以确保我们不会基于幻觉做出决策。

在所有这些市场中，竞争的焦点正在从旧的壁垒（数据的来源）转向新的壁垒（如何利用数据）。利用公司的数据可以向客户推销增值产品，自动回复支持票，预防员工流失，并识别安全异常。使用特定于某个行业（如医疗保健、金融服务）或特定于某个公司（客户数据、机器日志等）的数据来解决战略问题的产品，看起来就像是一个非常深厚的壕沟，特别是如果 AI 能够替代或自动化整个企业工作流程，或者创建一个由这种智能技术实现的新的增值工作流程。

建立记录系统的企业应用程序一直是强大的商业模式。一些持久存在的应用程序公司，如 Salesforce 和 SAP，都建立在深厚的知识产权基础上，从规模经济中获益，并随着时间的推移，在公司的工作流程和业务流程中积累了更多的数据和运营知识。然而，即使是这些现有巨头也无法免受平台转变的影响，因为新一代的公司正在攻击他们的领域。

事实上，我们可能面临着对 AI 营销产生疲劳的风险，但所有的舆论反映了 AI 在改变许多行业的潜力。机器学习（ML）是一种受欢迎的 AI 方法，它可以与数据、业务流程和企业工作流程相结合，为构建智能系统提供上下文。谷歌是早期将机器学习应用于流程和工作流程的先驱：他们收集了每个用户的更多数据，并应用机器学习在网页搜索的工作流程中提供更及时的广告。还有其他正在发展的AI技术，如神经网络，将继续改变我们对这些未来应用程序的期望。

然而对于这个预测，作者认为在两个方面的判断有些错误：首先，AI 在当前不会让人们产生疲劳的感觉。我们正在目睹下一个伟大技术浪潮的开始，兴奋情绪理所自然较高。其次，基础模型已经成为人工智能中最具变革性的进展。以此为例，许多先前的机器学习/人工智能公司正面临被最新的 LLM（大型语言模型）所超越的风险。

这些以人工智能驱动的智能系统为新创企业提供了巨大的机遇。在这个领域取得成功的公司可以构建数据的良性循环，因为你生成和训练产品所用的数据越多，你的模型就会变得越好，产品也会越来越出色。最终，产品会因每个客户而定制，从而形成另一个护城河 – 高昂的切换成本。建立一个同时结合了系统的参与和智能甚至是企业整个技术层面的公司是有可能的，但是智能或参与系统可以成为新创企业针对现有企业的最佳切入点。构建一个系统的参与或智能并不是一项微不足道的任务，它需要深厚的技术背景，特别是在速度和规模方面。特别是那些能够促进多个数据源之间智能层的技术将是必不可少的。

我们已经看到数据的良性循环正在发挥作用。不仅仅是数据在训练原始模型方面的价值，还有用户数据、模型和应用程序的反馈循环，甚至是在极端情况下的强化学习等，随着时间的推移，所有这些都会坚固数据的护城河。

ChatGPT 或像 Inflection AI 的 Pi 这样的个人 AI 工具有明显的潜力成为每个任务的主要渠道，无论是访问应用程序、开发软件还是在各种场景下进行沟通。同时，像 LlamaIndex 这样的数据框架将是将个人数据与 LLM 相连接的关键。模型、使用数据和个人数据的结合将为每个用户或公司创造个性化的应用体验。

最后，有些企业可以通过使用客户和市场数据来训练和改进模型，从而为所有客户提供更好的产品，进而加快智能的发展。

初创公司可以构建一个有防御性的商业模型，作为参与、智能或记录的系统。随着人工智能的出现，智能应用将成为下一代伟大软件公司的源泉，因为它们将成为新的护城河。

四、旧护城河即新护城河

人工智能的兴起令人兴奋，当前初创公司在建立新护城河的探索中也基本已经走了一整圈。事实证明，旧的护城河比以往任何时候都更重要。如果谷歌的“我们没有壁垒”的预测成为现实，并且 AI 模型使任何可以访问 GPT 或 LLaMA 的开发人员都能够构建智能系统，那么我们如何建立一个可持续的业务呢？应用的价值在于如何传递价值。工作流程、与数据和其他应用的集成、品牌/信任、网络效应、规模和成本效率都成为经济价值和壁垒的创造者。能够构建智能系统的公司仍然需要精通市场推广。他们不仅要完美地找到产品与市场的契合点，还要找到产品与市场推广的契合点。

人工智能并不改变初创公司的营销、销售或合作方式。人工智能提醒我们，尽管每一代技术都有其技术基础，但企业建设的基本原理始终保持不变。

旧的壁垒其实也是新的壁垒。

参考材料：

[1] https://greylock.com/greymatter/the-new-new-moats/

[2] https://greylock.com/greymatter/the-new-moats/