這兩天，Sora橫空出世讓字節也跟著上了熱搜。有傳言稱，字節跳動在Sora引爆文生視頻賽道之前，已經研發“中文版Sora”：一款名爲Boximator的創新性視頻模型。緊接著，字節快速辟謠，積極否認。
從陰謀論角度來看，有沒有一種可能是字節在蹭Sora的熱度。說句紮心的話，這個謠言不辟也罷。畢竟字節的“套殼”尴尬還歷歷在目：2023年12月，外媒The Verge曝出字節正在秘密研發一個被稱爲“種子計劃”（Project Seed）的AI大模型項目。據稱該項目在訓練和評估模型等多個研發階段調用了OpenAI的應用程序接口（API），並使用ChatGPT輸出的數據進行模型訓練。
雖然數據“套殼”並不少見，但也傳遞出了一個信息：獨角獸排名壓過OpenAI的字節在大模型上尚有如此表現，國內初創企業可以暫別大模型了。
算力、數據、錢，哪個都缺。這不是死磕不死磕的態度問題，是磕死也磕不動的現實問題。但AI創業又是大勢所趨，如果不想“套殼”，可以看看垂直模型。
在OpenAI暢通無阻的大洋彼岸，垂直模型也一直備受關注。PitchBook 最新數據，2023年691筆AIGC交易投資額達到創紀錄的291億美元，比2022年增長了268.4%。報告顯示：雖然投資者大部分注意力集中在以OpenAI和Anthropic爲代表的大模型提供者。但隨著市場成熟，注意力正轉向特定行業垂直領域的應用——垂直模型。
矽谷的頂級風投Greylock也注意到一些以垂直服務爲重點的初創公司，正在跳出傳統的 SaaS 思維。這些公司采用了嵌入支付（例如 Toast 和 Shopify）、廣告（例如Pepper 和 Provi ）以及 B2B 市場（例如 Faire 和 Novi）等戰略。人工智能將加速這種轉變。
對此，Greylock指出：“現在是 AI 垂直軟件最好的時代”。
範式轉變：AI繞過“前SaaS”階段
長期以來，國內SaaS的疲軟不能全怪環境，因爲其本身就是投入長，見效慢，增長速度受限。
專注SaaS投資的Point Nine Capital 創始人Christoph Janz表示：“我和許多其他創始人、投資者在大約 15 年的 SaaS 投資經曆中學到了一條教訓——大多數企業采用新技術的速度極其緩慢。目前，大約 58% 企業軟件支出仍然流向本地解決方案。”
在美國，即便過去十年跑出了 Toast、Shopify、Procore 和 ServiceTitan 等數十個贏家。但從數據來看，截至2021年，Toast僅在6%美國餐廳中使用；ServiceTitan在核心TAM滲透率爲1%；就連CRM也是花了15 年才達到其臨界點。
“用不了”是主要原因。在早期技術時代，垂直軟件只能用于已經具有清晰結構化數據的公司。但世界上約 80%數據非結構化——各種合同、記錄以及跨文本、音頻和圖像的多媒體文件。
現在，大模型已經能處理非結構化數據。Christoph Janz認爲：“這意味範式將會發生轉變——此前數字化發展緩慢的行業很可能繞過“前SaaS”階段，直接步入“AI解決方案”階段。”
切勿盲目：一頭紮進垂直模型不可行
不過，必須是大模型嗎？
一方面，大模型進步神速，隨時會斷掉初創公司的糧草。例如，在OpenAI開放Whisper的API後，ASR公司Deepgram突然黑暗降臨，兩度裁員。而該公司開發的專有模型能夠在不到1/3秒內識別和轉錄語音，最佳條件下的准確率高達98%。
另一方面，國內真正的大模型目前還沒卷起來，留給初創公司一部分空間和時間；此外，大模型不是産品，能落地到具體應用場景才算數。有媒體報道：一位AI大模型創業者說，他近期詢問了不少企業客戶，得到的回應是：“大模型能做什麽？能幫我裁員還是能幫我賺錢？”（財經十一人）
更精准的解決方案等于更快的投資回報，而垂直模型的優勢正在于此。
首先，與大模型相比，垂直模型通常涉及較小數據集，較少的計算，節約成本和時間；其次，基于垂直模型的産品針對特定細分市場，可以爲企業量身定制解決方案。
Pender Ventures合夥人 Isaac Souweine 表示：“垂直模型具有更高的盈利潛力，這對投資者更具吸引力”
然而，一頭紮進垂直模型很不明智。
第一個“老大難”問題：TMT（Total Available Market，潛在市場規模）太小。
“更專業”代表“更狹窄”。Lux Capital合夥人 Grace Isford表示：即便是一個成熟的垂直領域，新技術采納也需要時間。而一些小衆垂直軟件産品銷售周期則會挑戰風投的投資期限。
因此，相關創業公司應該對資本效率非常敏感，謹慎考慮融資機會和燒錢速度，以免成爲“風投孤兒”。
第二個“必解決”問題：創業者不能只理解基礎模型工作原理，應該投入大量時間深入行業，了解客戶需求。
對投資人的要求同樣如此，Northzone負責人Molly Alter表示：對風投而言，在垂直人工智能領域，行業專業知識比生成式人工智能知識更爲重要。如果不理解特定市場的運作方式，投資人無法找到真正解決實際問題的初創公司。
投資框架：六個維度圈出最佳創業公司
Greylock指出：只要深入專業領域，就可以建立起壁壘。但任何垂直領域要想取得大規模成功，關鍵在于選擇一個適合該技術的行業，准確評估 TAM，構建深入的産品工作流程和數據，設計適當的 GTM 策略，並擁有領域專業知識和技術實力。
對此，Greylock 爲提出了一個投資框架，並對以上六個要素進行了深入探討，適道在保留原意情況下，進行簡譯。
1. 數據：好數據勝過好模型
隨著基于LLMs 構建AI應用難度降低，數據將成爲建立垂直服務差異化的最關鍵因素。
第一步：初創公司要確定垂直行業或工作流程是否需要非常大的數據集/是否有能力構建專有的數據資産。
對一些公司而言，使用自有數據訓練或微調可商用的基礎模型具有戰略意義。Greylock認爲，企業在形成最初的壁壘過程中，獲取數據至關重要。但最終，只有客戶使用産品時所産生的數據才能形成長期壁壘。
因此，請關注使用産品過程中自然産生行爲數據（例如，客戶標記自己的行爲數據或與産品交互産生的數據集）。
目前，對于許多垂直行業而言，數據還留在雜亂的傳統系統中，而這正是Greylock 對處理和提取數據公司格外感興趣的原因。一些大型科技公司已經開始提供爲客戶合成所需數據的服務，將合成數據用于模型訓練，以實現快速交付的目標。
2. TAM: 快速找到垂直行業入口
垂直市場的TAM顯然不大，但有失必有得：較小的市場競爭對手也更少，越專注可以獲得優勢布局、更縱深的市場集中度。
鑒于醫療保健、金融服務等多個基礎行業高度碎片化，一個行業可能藏著許多機會。同時，這些行業規模龐大，意味著即便再狹窄，也會形成一個可觀市場。
如何找到垂直行業的入口？看看哪些子分支——未被競爭對手觸及、對 AI 有明確需求、最適合基于 LLM 的工具，以及考慮你自己最適合提供的技術。
Greylock 認爲：雖然我們難以對新興或正在轉型（能源電氣化）市場的支出進行量化，但這些市場往往又是投資者喜歡爭論的領域。因此，早期參與垂直軟件服務的創始人有潛力定義並領導市場。
3. ACV:開發多種産品和收入來源
單一SaaS 産品不太能實現六位數的ACV（Annual Contract Value單年合同額）。
初創企業可以同時開發多種産品，並在核心産品之外創造額外收入來源進行擴張。在核心産品的基礎上增加新的産品線，在未來某個時間點捆綁、增加銷售，最終形成粘性。
例如，餐飲支付平台Toast 通過增加工資和勞動力管理功能，實施了多産品戰略。Provi 和 Pepper 等 B2B 市場通過廣告創造了額外的收入來源，而太陽能安裝平台 Aurora Solar 則通過提供融資方案獲得了額外收入。建築服務平台 Procore 最近也開始提供保險等服務。
4. 創始人：具有領域經驗的産品構建者
與構建 AI 堆棧其他部分的創始人不同，試圖構建垂直AI的純技術人員在具有領域經驗和技術背景的創始團隊面前處于劣勢，特別是在受監管行業中的團隊。
如果你的目標客戶是垂直行業中的傳統組織，這一差距尤爲顯著。畢竟這些組織通常與數十甚至數百個實體綁定了長期合同。
因此，只有深入了解複雜性，才能制定正確的營銷推廣策略、預測銷售時間表和招聘計劃表。
Greylock非常歡迎具備深厚領域專業知識，但不太了解垂直入口的創始人。
5. GTM：盡量制造緊迫感
垂直銷售周期可能很長，尤其是在緩慢增長且技術購買者較爲保守的大型成熟行業。因此，GTM（Go-to-Marke）戰略必須創造緊迫感，即FOMO ( Fear of Missing Out )來主導主要的分銷渠道。
Greylock認爲，在過去，那些沒有采取 FOMO策略的垂直企業需要花費很長時間才能看到業績起飛。
目前，人們對AI的 FOMO 讓用戶更願意馬上嘗試新産品。一方面，AI吸引力讓初創公司很容易與潛在客戶通搭上話，並進行試用。另一方面，潛在客戶試了不止你們一家，他們可能已經累了。但不管怎樣，讓潛在客戶産生 FOMO 就是關鍵。
6.産品：AI代理超越 Copilot
如今，占主導地位的範式是人類與 AI Copilot 配對：人類做大部分工作， AI Copilot打輔助。
在接下來的幾年中，預計會看到更多反例——AI 代理執行大部分工作，人類只需要檢查、編輯、輸出。
Greylock對這個新興領域作爲初創企業的切入點非常興奮：因爲Copilot可能會被已經擁有分銷權的現有競爭者主導，而 AI 代理則是一個更開放的機會。能夠思考、推理並代表人類行動的 AI 代理也是邁向完全自動化未來激動人心的一步。
這種範式轉變將對未來企業産生巨大影響。隨著 AI 代理替代更多熟練勞動力，軟件支出將取代人力成本。反過來，預計會有更新的基于使用或結果的定價模型，這是另一個需要探索的原型。
結論 : 無論是從落地可能性，還是從國內大模型現狀來看，都留給垂直模型一定空間。
一方面，細分行業的選擇至關重要。例如Deepgram的隕落主要是語音識別賽道擠滿了競爭者，即便沒有OpenAI的Whisper，還有Google、Microsoft和Amazon。畢竟，現在的邏輯不是“首發者必勝”，碰上這些大佬，初創公司只有躲著的份兒。
另一方面，熱錢湧入時，估值本身虛高。與其說Jasper之流“隕落”，不如說其回歸了正確位置。當一個本應基于細分市場，做差異化的公司錯把自己定位成“通用型”，而且套的還是ChatGPT的“殼”，怎麽看都是錯位。
不過，對投資人而言，由于較小的增長前景和較高的專業要求，也意味著未來垂直模型領域的“泡沫”吹不起來。---來源: 钛媒體-
