红杉资本：2024年关于AI的4大预测

四大预测

预测一：Copilot 将逐渐向 AI Agent 转变。

2024 年，AI 将从辅助人类的 Copilot 转变为真正能替代一些人类工作的Agent。AI 将更像是一个同事，而不仅仅是一个工具，这点在软件工程、客服等行业已经初步显现。

预测二：模型将具备更强的规划和推理能力。

很多人批评 LLM 只是重复以往数据中的统计模式，而非真正地进行深入的思考和逻辑推理，这种状况将会通过新的研究方向得到改善。一些研究正在尝试让模型更好地进行推理环节计算和游戏式价值迭代（gameplay-style value iteration），这些方法可以让模型在做出决策前有一定的“思考时间”，这些尝试预计将在明年让 AI 更有能力执行更高级别的认知任务，例如规划和推理。

游戏式价值迭代（gameplay-style value iteration）是从强化学习领域借鉴来的一个概念，指模型能够评估不同行动的长期价值，并根据这些价值来计划未来的行动，类似于下棋或玩游戏时的策略思考。

预测三：LLM 准确度将更高，从主要用于从 To-C 娱乐应用逐渐扩展到企业级应用。

在 To-C 应用场景中，用户对于 AI 出现错误这件事并不会特别在意，因为人们主要用 AI 来进行娱乐，但当 AI 用于企业应用，尤其是在医疗、国防等高风险领域时，准确性和可靠性就变得至关重要。研究者正在开发 RLHF、Prompt Training 和向量数据库等各种工具和技术，来帮助 LLM 实现“五个九”（99.999% 的正常运行时间）的高准确度和可靠性。

预测四：大量 AI Prototype 和实验项目将投入使用。

2024 年预计将有许多 AI 原型和实验项目进入市场。和实验阶段不同，产品真正开始被用户使用时，就需要考虑延迟时间、成本、模型所有权以及数据所有权的管理等一系列因素，这也意味着计算的重心预计将从预训练转向推理过程。因此 2024 年是极为关键的一年，人们对这些产品有很高期待，必须确保这个转变过程正确无误。

AI 的长期影响

判断 1：AI 是一次规模宏大的成本驱动型生产力革命。

技术革命有很多种类型，包括电话带来的通信革命、火车带来的交通革命以及农业机械化带来的生产力革命。AI 带来的显然是一场生产力革命。

历史上的生产力革命都有相似的模式：起初是人使用工具，然后发展到人配合机器，最终转变为人类与协同化、网络化的工具协作。这表明 AI 的发展将经历从单点逐渐进化到高度集成网络的过程，这将极大改变我们的工作和生产方式。

历史上从镰刀到联合收割机的变化

在农耕领域，人类使用镰刀这一工具至今已经超过 1 万年，再到 1831 年发明的机械收割机，如今我们已经拥有由数以万计的机器系统组成的复杂网络联合收割机，系统中的单个机器就是 Agent。

在知识工作和写作领域也有类似的模式。知识工作最初的工具只有纸笔，发展到后来的编程，再到现在计算机和 IDE 已经可以大规模辅助软件开发。软件开发将不再是孤立的过程，而是一系列的机器网络协同构建复杂的工程系统，由多个 Agent 共同完成代码生成。

写作曾经也是纯人工的，后来人与机器助手协作，现在已经可以利用很多个工具协同。比如大家现在使用的 AI 助手不仅仅是 GPT-4，还有 Mistral-Large 和 Claude-3 等工具，并且借助他们互相验证，获得更好的答案。

AI 带来各行业成本普遍下降

生产力革命对社会的影响是普遍和深远的。从经济学角度来说，这意味着成本能显著降低。上图显示 S&P 500 公司每 100 万收入所需的员工数量正在迅速下降，这种变化意味着我们将能以更快的速度和更少的人力来完成工作。但这并不意味着我们要做的事情变少了，而是在同样的时间能做更多的事。

历史上各领域的技术进步都会带来通缩。以计算机软件为例，由于持续的技术创新，软件的价格在不断下降。但在对社会最重要的领域，比如教育、医疗保健、住房等，价格上涨速度却远远超过通胀，而 AI 恰好有助于降低这些领域的成本。

因此，关于 AI 长期影响的第一个关键判断是：AI 将是一次巨大的成本驱动型生产力革命，帮助我们在社会的关键领域以更少的资源做更多的事。

判断2：万物皆可生成

第二个判断主要是讨论 AI 到底能做什么。

一年前 Jensen Huang 提出了一个预言，未来图像将不再是渲染出来的，而是生成出来的。这意味着我们正在从将信息存储为像素矩阵，转变为将其表示为多维概念。以字母“a”为例，过去“a”都是以 ASCII 码 97 这个原始数据被存储，但现在计算机不再只关注像素表示，而是理解字母作为英文字母在特定语境下的概念内涵。

更强大的是，计算机不仅能够理解这种多维表示并渲染为图像，还能够把它情境化，理解“a”作为英文字母在特定语境下的含义，而不仅仅是孤立的符号。比如看到“multidimensional”这个词，计算机不会去关注“a”这个字母本身，而是去理解整个语境和词的含义。

这个过程正是人类思维的核心特征。就像我们学习字母“a”时并不是记忆像素矩阵，而是掌握了一个抽象概念。这种思维方式可以追溯到 2500 年前柏拉图的理念论，柏拉图认为，万物背后都有一个永恒不变的理念世界，现实世界中的事物都是理念世界完美形式的映射，这与当前 AI 的学习过程有相通之处。

而这件事对于企业的影响是很大的。目前企业已经开始将 AI 集成到特定的流程和 KPI 制定中，例如前面提到的 Klarna 借助 AI 提高了客户支持相关的绩效，通过建立 AI 检索信息体系打造优质的客户体验。这种变革也伴随着新用户界面的出现，这些用户界面可能与以往我们所用的支持沟通方式截然不同。

这个趋势相当重要，因为这意味着企业最终可能会像神经网络那样运作，各个部分之间相互连接和协同工作，以自我优化的方式互相学习和适应并不断提高效率。

以客户支持流程为例，上图是一个简易客服流程示意图。客服部门有一系列 KPI，这些指标受到文生语音、语言生成、客户个性化等因素的影响，这些因素形成了优化项树状图中的子模式或子树，最终形成一个层次明晰、互相连通的体系图，其中语言生成的反馈将直接影响服务客户的最终 KPI。借助这种抽象方式，整个客服流程将由神经网络管理、优化和改进。