在疫情的时候.许多SaaS如雨后春笋般冒出来.当时检视这些厂商赚不赚钱的时候,
市场会凭借货币化能力予以定价.货币化能力不足,但本梦比极强,市场也是买单.反之亦然.
所以这个问题的本质,我认为要回归到AI货币化的能力,也就是如何把AI变现.
这个问题分成四个层面来探讨.
第一层:造铲者
市场对高效能运算的需求日益增长,使得提供AI专用硬件芯片、GPU加速卡、高效能运算
服务器等产品的厂商备受青睐。像是Nvidia、AMD、Intel等,都凭借AI运算硬件获利丰厚.
他们的货币化之道在于持续开发更强大的AI运算硬件以获取收益.
这一层厂商的风险除了算力需求减少以外,在于顶级产品被其他厂商颠覆,像是假设某天
他厂推出了更快更省电的芯片,在疯抢算力的时代很容易被市场抛弃.进而需要减价促销.
第二层:转卖者
这层厂商并不自己造铲,而是购买铲子自己重新包装以后转卖给别人.
例如亚马逊AWS、微软Azure、谷歌云端平台等,组建了大量拥有高强算力的资料中心,并
将运算资源以IaaS(基础设施即服务)方式对外出租.他们的营收来自于出租运算资源的
费用收入.
然而,这一层也面临着算力供过于求导致亏损的风险。他们需要预先投入大笔资金兴建数据
中心,一旦AI热潮降温,导致算力需求下滑,就可能出现严重闲置的情况,从而使之前的投资
无法收回.
第三层:买铲者
这层厂商有着开发模型的能力,并将模型包装成为SaaS卖出去.
主要是利用上游算力资源,开发训练各类AI模型,再基于这些模型对外推出各种AI应用服务
实现货币化。
举例来说就是
-OpenAI的ChatGPT对话服务
-Anthropic的对话助理Claude
-GitHub的Copilot程式码自动补全工具
其他可能的例子
-各种客户服务聊天机器人
-电商网站个性化推荐系统
-医疗领域的AI辅助诊断工具...等等
这一层的主要收入来自于对外提供上述各类AI应用服务的收费.
然而,缺点是如果开发的AI模型不符合市场需求,或是很快就被更先进的技术所取代淘汰,
之前投入开发该模型的钜额成本可能将无法回收,从而亏损严重.
第四层:消费者
这一层是享受AI好处的人,作为最终使用AI技术的客户,他们透过购买现成的AI模型产品
或云端AI服务,并将其应用到企业内部的各种场景,借此提高效率、降低成本。
随着大型语言模型(LLM)的兴起,其应用范围遍及各个行业:
写作/内容创作领域
-作家/内容创作者使用LLM辅助撰稿、构思情节
-新闻媒体使用LLM自动化产生新闻稿件
-广告公司使用LLM生产广告文案
教育领域
-教师使用LLM产生课程教材、练习题目
-学生使用LLM作为学习助手解答问题
程式设计领域
-工程师使用LLM辅助开发、自动生成程式码、Code Review
-LLM提供即时的程式码解释和debug协助
客户服务领域
-企业使用LLM构建自动化客服对话系统
-LLM协助处理大量重复性的客户查询
法律领域
-律师使用LLM协助撰写法律文书
-LLM分析判决书、合约文件，提供见解
医疗领域
-LLM协助医生总结病史、分析症状
-提供患者咨询服务、解释医学术语
这些企业客户通过采用AI技术优化运营流程,从而获得竞争优势,进而提升盈利能力.
透过使用这些服务,企业无需自行投资开发AI模型,即可获取LLM带来的生产力红利.
这层用户的风险在于使用了一堆AI工具,花费不小,然后也要跟同样使用AI工具的对手竞争.
此时变成在竞争谁更会使用工具,而且也得防止AI幻觉混入产出的内容进而造成损失.
总的来说,AI赚钱模式从底层硬件算力供应到顶层模型应用形成完整产业链条,每个层
级的参与者都可以透过货币化途径获利.而最关键的是,谁能开发出真正有价值的AI模型
并实现良好货币化,将是赢得AI红利的决定因素.