引言
Martin Casado演讲视频
文章：生成式AI的经济效益
人工智能经济学
我认为我们都应该为新一轮标志性公司的出现做好准备。我不认为我们知道它们会是什么样子，但它们的经济效益实在是太引人注目了。过去 50 年来，人工智能的发展历程是怎样的？
我还记得自己在 2003 年攻读博士学位时的情景。在我的同班同学中，50%的人都在研究人工智能。那时候贝叶斯的东西超级流行。然后不到三年，所有人都说 "人工智能已死"。
我们对人工智能爱恨交加已经有很长一段时间了，但如果你看看所有的图表，我们在过去 70 年里取得了巨大的进步。一路走来，我们解决了很多非常现实的问题。早在上世纪 60 年代，我们就在做专家系统，现在仍用于诊断。我们很擅长在国际象棋上击败俄罗斯人。我们在做自动驾驶汽车，我们在做视觉。我们已经解决了很多问题，有些甚至已经成为老生常谈。每次我们解决了一个问题，我们就会说 "那不是真正的人工智能" ，我们只是在不断改变目标。
不仅如此，在一些非常重要的事情上，我们的人工智能技术已经比人类做得更好了。例如，感知或笔迹检测。大约有 10 年时间，AI在实体识别方面比人类做得更好。实际上人类已经非常擅长利用这些技术来赚钱，尤其对大公司而言。尤其是对大公司而言。众所周知，通过使用人工智能，Meta、谷歌和 Netflix 等公司的市值已大幅增加。
人工智能平庸螺旋
如果你退后一步，看看人工智能经济学的独立案例--不是大公司能从中获得什么，而是初创公司--它实际上并不出色。很多比较性感的用例都是非常小众的市场。能在国际象棋上打败俄罗斯人固然很好，但这并不是一个市场。也许这是一个有用的工具，你可以把它用于解决更大的问题，但这本身并不是一个市场。
实际上，我认为第二点才是最重要的，而且非常微妙。许多传统的人工智能用例都要求解决方案空间尾部的正确性，而这对于初创企业来很难做到。原因有以下两点。
第二个原因是，因为要解决的问题很复杂，有很多可能的情况要考虑。想想像自动驾驶这样的东西，可能会发生很多异常情况，当一个公司或者一个行业的规模变得太大时，它的单位成本反而会增加，而不是减少。这与经济规模的概念相反（ perverse economy of scale）。
实际上，我们已经对此进行了研究，结果表明，许多试图这样做的初创公司最终都获得了非软件利润。它们的利润率更低，也更难扩大规模。机器人技术带来了硬件诅咒，对于初创企业来说，这通常是一件非常困难的事情。
它是什么？很简单。比方说，一个创始人来了，他们想建立一家人工智能公司，自动处理一堆事情。当然，正确性是非常重要的，他们希望它首先看起来不错，所以他们雇人来做，而不是人工智能。然后他们找到我们，我们投资了他们，我加入了董事会。然后我说："听着，这很好，你们需要发展。" 他们就会说，"哦，伙计，我们需要发展，人工智能很难，要解决的问题很多。我要雇更多的人。"
现在，你又开始了继续投资和雇人的 "跑步机"。自动化并不经常发生，即使发生了，也只是解决方案的一部分。这也是为什么很多初创公司尝试这样做，却没有获得经济效益的原因之一。大公司才有价值，因为它们可以真正寻求这些反常的规模经济。
我认为，Robotaxi 就是一个很好的例子，因为它能说明很多问题。Robotaxi非常棒，但我们已经在这个领域努力了几十年。我们已经投资了 750 亿美元，但其单位经济效益仍无法与人类优步司机相提并论，因此仍然只有大公司才有足够的资金和技术来投入这个领域。
经济效益并不那么令人信服，当然也不是你在市场变革中看到的那种经济效益。市场转型并不是经济效益好 10 倍就能实现的，而是要好 10,000 倍才能实现的。
过去 70 年的经验教训是什么？不是技术不行。不是问题不能解决。这些情况一直都存在。甚至也不是我们不能赚钱。大公司很擅长赚钱。而是初创企业很难突围。如果初创企业无法脱颖而出，就无法实现转型。
生成式AI经济学
那么，为什么我们都在这里？这波浪潮非常非常不同。你有一个模型，这个模型会接收自然语言，比如英语，然后输出一些东西。它可以是一段对话，也可以是一幅图像--它可以使用任何东西。
还记得我之前向大家展示的人工智能难以建立初创公司的特性的幻灯片吗？这些特性其实都不适用于当前的模式。让我们一起来看看。
人工智能已经应用到了一些很大的市场，比如所有的白领工作。甚至电子游戏和电影也是一个价值 3000 亿美元的市场。这些都是巨大的市场。
我们谈到的主要用例显然大多基于软件，至少目前如此。这确实适用于机器人技术，但这并不是真正的起飞。
我想和你谈谈大脑部分。我不是神经科学家，但我认为这非常有趣。对于这类任务，硅堆栈比碳堆栈要好得多。如果你想想传统的人工智能，很多都是在做类似 1 亿岁大脑的事情--逃离捕食者或摘草莓的大脑。这是很难竞争的。
如果你把CPU-GPU设置成自动驾驶汽车，其中一些套件的功率是1.3千瓦，而人脑的功率是15瓦，从经济上讲，这很难与之竞争。新一代人工智能浪潮正在与大脑的创造性语言中心竞争。它已有 5 万年历史，进化程度要低得多。事实证明，它的竞争力令人难以置信，以至于出现了我们所期待的市场转型经济拐点。
让我们把数字分解一下。假设我，马丁，想创建一个自己是皮克斯角色的图像。如果我使用这些图像模型中的一种，推理成本为 1/10 美分，耗时 1 秒钟。如果你把这和花 100 美元雇一个图形艺术家做一小时的工作相比--实际上，我也雇过图形艺术家做这样的工作，而且往往比这贵得多，但保守地说--你在成本和时间上就相差了 4 到 5 个数量级。这些是作为一个经济学家在市场会发生巨大变动时要寻找的那种转折点。
我再举一个 Instabase 的例子。假设你有一份 PDF 格式的法律简报。你把它放到一个非结构化文档 LLM 中，然后针对该法律摘要提出问题。同样，推理成本为 1/10 美分，或多或少，完成时间可能为一秒钟。但是，相对于律师费用来说，这还是很便宜的。
作为一个真正在律师身上花过大钱的人，我想指出几件事。第一，反复推敲需要一个多小时。第二，他们并不总是正确的。事实上，我与律师的任何互动都是在交叉检查和重复检查工作。同样，我们在成本和时间上有 4 到 5 个数量级的差异。
如果你想举例说明这可以变得多么疯狂，我认为没有理由不能生成整个游戏。现在有很多公司都在做这项工作，包括 3D 模型、角色、配音、音乐和故事。如果你将数亿美元和数年的成本与几美元的推论进行比较，那么我们现在的互联网和微芯片水平在经济学上是不对称的。
现在，我并不是说这会发生。我也没说这会很快发生--我们还没到那一步。我想说的是，这就是我们正在走的路，而这种类型的路正是你要寻找的大变革之路。
难怪我们看到了这么多的飞速发展。这些是最快增长的开源项目和产品，也是我们在行业历史上看到的一些最快增长的公司。再次强调，这是因为它不仅仅是一种能力，我们总是关注能力，而更重要的是经济性。当某件事的边际成本下降非常多时，行业就会发生变化。边际成本是指你生产的任何产品，要生产更多的产品，那个价格趋近于0。
计算的第三个时代
这听起来可能有些夸张，但我真的认为，我们可能正在进入计算机的第三个时代。我认为第一个时代是微芯片。在计算机出现之前，人们实际上是在用手计算对数表。这就是这个词的由来。他们是计算机，他们会计算。后来，我们创造了ENIAC和其他机器。
让我们来看看ENIAC。ENIAC的运算速度是人类的5000倍。这相当于3到4个数量级，从而引发了计算革命。这让我们看到了许多公司，它们要么像 IBM 一样彻底转型，要么完全焕然一新。
微芯片将计算的边际成本降到了 0 美元，而互联网则将分销的边际成本降到了 0 美元。90 年代，当我想买一款新的视频游戏时，我会去商店买一盒。如果你看一下从那盒游戏到卖出游戏的整个周期，这需要几周的时间。我这里没有计算结果，但如果你实际计算一下 90 年代末相对于 DSL 的每比特价格，相对于实际运输而言，大约又是 4 或 5 个数量级。
我认为有一个很好的类比，就是这些大型模型实际上将创造的边际成本降低到了0。这对创造意味着什么的一种非常模糊的、不明确的概念。就像之前的时代一样，你不知道会有什么新的公司诞生。你只知道会发生一些事情。没有人预测到亚马逊，没有人预测到雅虎。我记得当时的情况。我认为我们都应该为一波新的标志性公司做好准备。我不认为我们知道它们会是什么样子，但是经济性太有吸引力了。
杰文悖论与扩大生产力
我还有最后一点要说：当市场出现混乱时，总会有问题。问题就在眼前。工作怎么办？人们会怎样？因为这是一场经济演讲，我将给出一个经济答案。
有一个叫做杰文斯悖论的东西。简单来说，杰文斯悖论是指如果需求是弹性的，即使你降低价格，需求也会超过原来的水平。互联网就是这样一种资源，它的效率提高导致了价格下降，从而刺激了更多的需求。互联网也提供了更多的价值和服务，从而增加了人们的生产力和收入。（说明：这个悖论最早由英国经济学家威廉·斯坦利·杰文斯在1865年提出，他发现当煤炭的效率提高时，煤炭的使用量并没有减少，而是增加了。他认为这是因为效率提高导致了价格下降，从而刺激了更多的需求。）
我个人认为，说到创造，任何创意资产或任何一种自动化工作，需求都是有弹性的。我认为，我们创造的越多，人们消费的就越多。我们非常期待生产力的大规模扩张，大量的新工作，大量的新事物。我认为，就像微芯片和互联网一样，这一切都将随之而来。