关注共识粉碎机,获取历史文章纪要
关注研究计划的第一次直播
文:波太金
共识粉碎机公众号从开始写AI内容到现在,差不多正好满一年。
自从春节后,我们还没举办第16次讨论会,也有读者和社群群友问最近我都干啥去了,为什么社群也没有话题讨论。
最近确实都特别特别忙,趁着时机在这里想和大家讲讲未来一年的规划。
在2024年我会尝试做一些商业化,但不面向C端,只面向B端。在4月开始B端商业化后,会恢复原来的AI系列讨论会。
为了能够腾出更多的精力面向未来5-10年的长期AI主题,我也已经从我供职6年的基金离职。
研究计划会依靠大家熟知的国内顶尖咨询公司久谦咨询推出,计划在未来一年内出20-30个AI相关的专题。
我们的目标是这20-30个专题主要解决的是在AI投资(无论是财务上的投资,还是业务上的投资)中最难或者最前沿的问题:
多数都是单一研究员很难花很多时间精力研究的。
中间又牵扯到非常多的行业资源,可能需要花很多的时间与工程师、科学家、一线创业公司沟通,光通过二级市场的资料很难进行研究的。
但同时可能又是投资决策中,最为关键,脱离短期数据,从3-5年角度最影响决策的问题。
这也是因为在过去的半年,有非常多的朋友一直在问一个问题,“能不能选出10个Best AI Idea Proxy,可以保持3-5年的”。但脱离短期的数据后,长期的标的都很朦胧,还停留在故事阶段,特别是很多场景都是硬件、软件、互联网不断交叉,对擅长单一行业的分析师或者投资经理,难度变得更大了。
头2个话题内容在忙碌工作近一个月后已经完成了,工作量非常繁杂,除了我个人以外,久谦的研究同事也是来自美元PE、对冲基金、VC、CVC、二级私募、软件研究咨询领域等专业背景。
我们第一个话题是讨论《算力空间》。
这个话题投资人们已经来回博弈了一年时间,特别在去年底今年初,让非常多的投资者们感到困惑,“为什么英伟达的增长预期,从25年的不增长,就迅速变为继续增长,并且反身影响到估值了”。
这也是一个非常困难的话题,需要分很多场景,与业内人士一起坐下来讨论,补全各类细节,甚至到前沿的理论研究。
我们在《算力空间》的话题里尝试去拆解:
大模型训练场景未来需要多少算力,从理论和案例上为什么需要这么多算力,为什么还能继续迭代。
企业软件行业的推理场景未来需要多少算力,怎么解释道每一个具体的场景。
推荐系统场景未来需要多少算力,作为最早大规模应用GPU的推理场景,先进的海外公司怎么做的,收获了什么样的ROI,别的场景能不能复用。
SORA需要多少算力,目前的训练成本和推理成本到什么水平了,如果投射到未来短视频行业的素材制作这是多大程度的需求量。
企业自身业务场景需要多少算力,特别会拿制药和客服两个大场景,通过一线调研给大家演算下脱离于大软件和互联网公司以外,企业端自行买卡做场景能有多大场景,怎么达到他们预期的ROI水平。
还有更多行业细节,例如搜索和其他互联网场景。
我还会尝试在不同的场景讨论算力在这个场景里是通胀、通缩还是更可能不变。
可以看到上面的话题非常宏大并且繁琐,我们通过接近20次调研才得出结论。
相信在听完这个话题后,各位会对未来的算力需求有更明确的空间感,在未来获得一个自己更加舒服的数字的时候也会有合适的调研方向,知道该怎么调研,怎么推算,怎么更新。
我们第二个话题是《AI与GPU在META中的应用》。
关于META的争议非常多:
到底有没有用GPU,用了多少GPU。
到底AI有没有效果,在哪里有效果,有多大效果,是不是管理层的面子工程。
甚至到了国内的一线同行们,都辩论不明白,中美在此处对于卡和AI应用的理解差异非常大,这可能又来源于截然不同的供应链情景和地区带来的ROI不同。
我们在《AI与GPU在META中的应用》的话题里尝试去拆解:
META怎么应用GPU去改造推荐系统,改造了哪些部分,带来了什么级别的算力需求变化。
传统的推荐系统因为GPU改了什么,生成式推荐系统因为GPU改了什么,有什么意义。
怎么计算推荐算法场景应用GPU的ROI,在不同的场景能不能算得过来。
推荐算法场景里是不是也有Scaling Law。
META怎么应用AI绕过IDFA限制,并建立起自己的身份体系,以后还有多少空间。
META怎么应用AI帮助客户自动化投放,与同行的差异是什么,以后还有多少空间。
META的生成式素材产品进展怎么样了,北美Agency与客户怎么看待工时和成本的变化,这里广告平台、Agency、客户会怎么博弈,最后又怎么会大家降本。
META的C2M产品会怎么被AI改变,又会使客户的ROI出现多大的提升,以后还有多少空间。
为了完成上面的话题我们同样做了接近20次一线调研,也寻求了很多技术专家朋友的帮助,帮助我们理解理论和趋势的发展。相信与我们讨论完这一期的话题,各位可能会第一次感受到AI对广告行业已经有了很大的变化,这可能不光发生在META中,也会在其他很多广告公司中发生。
我自己曾经也是早期的推荐算法从业者,在2017年腾讯反击抖音的短视频产品微视立项并推出的阶段中,我是微视产品的第一位推荐算法产品经理,时至今日行业已经有了非常大的变化。
目前的研究形式都做得比较重,需要做大量的调研。而且随着AI的深入影响,特别是牵涉到技术成熟度的话题,都有很多技术和工程原理。
对于我原来作为买方投资人来说,已经不容易独立再继续深入研究了,这也是研究从轻走向重的原因。目前的项目成本也很贵,我们搭建了数百个AI领域的专家Pannel,覆盖华语和英语专家。所以也必须要走向商业化,才有机会打平成本。
投资人与科技公司的读者,可能大部分已经是久谦咨询的现有客户,可以仅通过1-2个专家电话的费用参与到我们的话题讨论,如果您有更大的兴趣也可以联系久谦的销售与我和团队进行一对一沟通(会附带更多资料)。
如果您还不是久谦的客户,也可以通过下方的联系方式与久谦的销售沟通,成为久谦客户与我们一起讨论。
本周二晚上我也会通过直播解释后续的研究计划以及部分研究发现。(您可以通过开头视频号预约)
在此也恳请参与讨论的各位读者,研究内容往下做非常非常困难,相比单项目数十万的研究成本,每次讨论仅收费1-2个专家电话已经非常划算了。
请不要将我们的内容进行公开和转发。中国的2B市场非常非常难做,相信读者也不希望研究项目刚刚开始就很快结束了。这也是我作为内容生产者和创业者跪求大家的。
这是我第一次以真实身份撰写文章,过去都以“波太金”的身份面向读者,我也做一个简单的自我介绍。
我叫周默,在过去的六年时间里我一直是美元对冲基金投资人,服务于老牌基金Prime Capital Management(涌金)。
最早从中概互联网开始,疫情期间开始转向美股,大多数精力都在研究美国科技公司。如果您往前翻公众号的内容,也会看到在去年开始系统性撰写AI文章前,已经有不少美国科技股文章了。
在从事对冲基金前,我服务过两家科技公司,腾讯以及LinkedIn(微软收购)。在期间我做过企业投资、企业战略,做过数据分析师、项目经理、游戏商务,甚至也做过推荐算法产品经理,搭建过产品的广告投放体系。在服务腾讯的很长时间里,我都在支持腾讯的几个AI实验室,当时还是第一代CV时代,现在兜兜转转又回来了。
从我个人的角度,当然很希望这次研究计划能够很受欢迎,但中间可能也非常困难,在中国做2B研究太难一帆风顺了。
大模型未来三年的十个假设