การแบ่งปันแบบปิดของ Sequoia Capital: จาก 'การส่งมอบซอฟต์แวร์' สู่ 'การส่งมอบผลลัพธ์' ตรรกะใหม่ของการค้า AI และการตั้งราคาทุน

หุ้นส่วนผู้จัดการระดับโลกของ Sequoia Capital ทบทวนเชิงลึกเกี่ยวกับการปฏิวัติสถาปัตยกรรมการคำนวณพื้นฐาน การนำ AI ไปใช้ในอุตสาหกรรมในปีแรกของ AGI และการแบ่งแยกตรรกะการตั้งราคาทุน เผยให้เห็นโอกาสทางธุรกิจระดับพันล้านดอลลาร์ในช่องว่างการแพร่กระจายทางเทคโนโลยี

ที่มา: Pat Grady วิดีโอแชร์ "AI for BC IC"

เรียบเรียง: AGI 2050

【หมายเหตุบรรณาธิการ】

ณ จุดเปลี่ยนของวัฏจักรเทคโนโลยี การวิจัยภายในของบริษัทร่วมลงทุนชั้นนำมักเป็นภาพตัดขวางสำคัญในการสังเกตทิศทางอุตสาหกรรม

เนื้อหานี้รวบรวมจากการแบ่งปันแบบปิดที่ Pat Grady หุ้นส่วนผู้จัดการระดับโลกของ Sequoia Capital นำเสนอต่อคณะกรรมการการลงทุนของ Boston College เมื่อเร็วๆ นี้ ในการนำเสนอเชิงคาดการณ์นี้ Grady ตั้งมุมมองไว้ที่ฤดูใบไม้ร่วงปี 2026 และทบทวนอย่างเป็นระบบถึงการเปลี่ยนแปลงเชิงโครงสร้างของวิวัฒนาการเทคโนโลยีพื้นฐานระดับโลก จังหวะการนำไปใช้ในอุตสาหกรรม และตรรกะการตั้งราคาทุน นับตั้งแต่การระเบิดของโมเดลขนาดใหญ่

แตกต่างจากการกล่าวถึงทั่วไปต่อสาธารณะ การรายงานต่อตัวแทนผู้ลงทุนหลัก (LP) นี้มุ่งเน้นไปที่คำถามเชิงพาณิชย์ที่เฉพาะเจาะจงและเฉียบคมหลายประการ:

•การเปลี่ยนแปลงตรรกะพื้นฐาน: แก่นแท้ของคลื่นนี้ไม่ใช่การปฏิวัติการเผยแพร่ข้อมูล แต่เป็นการปรับโฉมสถาปัตยกรรมการคำนวณพื้นฐาน โดยตลาดรวมที่สามารถระบุได้ (TAM) กำลังขยายจากตลาดซอฟต์แวร์ล้วนระดับล้านล้านดอลลาร์ ไปสู่ตลาดบริการทางวิชาชีพที่มีขนาดใหญ่กว่าหนึ่งถึงสองอันดับความสำคัญ

•การก้าวกระโดดของกระบวนทัศน์การวิจัยและพัฒนา: ด้วยความสมบูรณ์ทางเทคนิคของการให้เหตุผลและเอเจนต์ระยะยาว (Long-horizon Agents) จุดเน้นการวิจัยของห้องปฏิบัติการแนวหน้าจึงเปลี่ยนจากปัญญาประดิษฐ์ทั่วไป (AGI) ไปสู่ปัญญาประดิษฐ์เหนือมนุษย์ (ASI) และการปรับปรุงตนเองแบบเรียกซ้ำ (RSI)

•การแบ่งแยกเชิงพาณิชย์และช่องว่างการแพร่กระจาย: มี "ช่องว่างการแพร่กระจายทางเทคโนโลยี" ที่ชัดเจนระหว่างความสามารถดั้งเดิมของโมเดลกับการประยุกต์ใช้จริงในองค์กร งานความรู้ที่มีมูลค่าสูง (การเขียนโปรแกรม การแพทย์ การปฏิบัติตามภาษี ฯลฯ) กำลังก่อให้เกิดบริษัทระดับระบบรุ่นใหม่ แต่การสั่นสะเทือนความถี่สูงของรากฐานเทคโนโลยีก็บีบให้บริษัทชั้นแอปพลิเคชันต้องปรับโครงสร้างองค์กรใหม่

•รูปแบบใหม่ของฟองสบู่ทุน: ท่ามกลางอารมณ์ตลาดที่ร้อนแรง ตลาดแรกเกิดได้พัฒนารูปแบบการระดมทุนสองขั้นตอนที่ "แยกพันธมิตรผู้ร่วมสร้างออกจากพันธมิตรทางการเงิน" และเลเวอเรจการประเมินมูลค่าและจังหวะพรีเมียมระหว่างตลาดแรกและตลาดรองกำลังเผชิญบททดสอบที่ไม่เคยมีมาก่อน

ต่อไปนี้คือเนื้อหาฉบับเต็มที่เราเรียบเรียง:

หนึ่ง นี่ไม่ใช่การปฏิวัติการเผยแพร่ข้อมูล แต่เป็นการปรับโครงสร้างการประมวลผล

ชุดเอกสารวันนี้มีวัตถุประสงค์หลักเพื่อตอบโจทย์ที่คณะกรรมการการลงทุนของ Boston College ตั้งขึ้น: "สถานะปัจจุบันของอุตสาหกรรม AI เป็นอย่างไร?"

ณ ที่นี้ ข้าพเจ้าบันทึกข้อสังเกตเหล่านี้ไว้เป็นภาพตัดขวาง ณ จุดเวลาเดือนกันยายน 2026

อุตสาหกรรมร่วมลงทุนมักใช้แผนภูมิเพื่อแสดงวิวัฒนาการซ้อนทับของคลื่นเทคโนโลยีหลายทศวรรษ: จากชิปที่อยู่ล่างสุด วิวัฒนาการสู่ระบบคำนวณ เชื่อมต่อผ่านเครือข่ายสู่สาธารณะกลายเป็นอินเทอร์เน็ต จากนั้นเข้าสู่อุปกรณ์พกพา ก่อให้เกิดระบบนิเวศแอปพลิเคชันที่ซับซ้อน จนถึงปัจจุบัน AI เริ่มมอบความสามารถในการประมวลผลที่ไม่เคยมีมาก่อนให้กับแอปพลิเคชันเหล่านี้

เส้นทางพื้นฐานของวิวัฒนาการเทคโนโลยีเป็นเช่นนี้เสมอมา แต่คลื่นที่ขับเคลื่อนด้วย AI นี้มีลักษณะสามประการที่แตกต่างจากวัฏจักรก่อนหน้าอย่างสิ้นเชิง:

ประการแรก ตลาดรวมที่สามารถระบุได้ (TAM) ใหญ่โตอย่างที่ไม่เคยมีมาก่อน

ในวัฏจักรหลายทศวรรษที่ผ่านมา อุตสาหกรรมแข่งขันกันเพื่อ "ขนาดตลาดซอฟต์แวร์" (Software TAM) เป็นหลัก แต่ AI กำลังเข้าสู่ "ขนาดตลาดบริการทางวิชาชีพ" (Services TAM) โดยตรง ซึ่งมีขนาดใหญ่กว่าซอฟต์แวร์ล้วนหนึ่งถึงสองอันดับความสำคัญ

ประการที่สอง ความเร็วของการแพร่กระจายทางเทคโนโลยีสูงกว่าที่เคย

อัตราการแทรกซึมสูงนี้ไม่ใช่ลักษณะเฉพาะของเทคโนโลยี AI แต่เป็นผลลัพธ์ที่หลีกเลี่ยงไม่ได้เมื่อโครงสร้างพื้นฐานพร้อมแล้ว ในช่วงเริ่มต้นของคลาวด์คอมพิวติ้ง ประชากรโลกที่เชื่อมต่ออินเทอร์เน็ตมีไม่ถึง 100 ล้านคน เมื่ออินเทอร์เน็ตบนมือถือเริ่มต้น ผู้ใช้ต้องซื้อฮาร์ดแวร์อัจฉริยะทีละเครื่อง แต่ปัจจุบัน โครงสร้างพื้นฐานเครือข่ายและฮาร์ดแวร์อัจฉริยะทั่วโลกแพร่หลายอย่างมาก เมื่อเทคโนโลยีผ่านจุดเปลี่ยนด้านความพร้อมใช้งาน แรงต้านทานต่อการขยายขนาดก็ลดลงสู่ระดับต่ำสุดในประวัติศาสตร์

ประการที่สาม และเป็นแกนหลักที่สุด: รูปแบบของการเปลี่ยนแปลงเทคโนโลยีครั้งนี้แตกต่างจากอดีตอย่างสิ้นเชิงในเชิงตรรกะทางกายภาพ

การปฏิวัติเทคโนโลยีหลายทศวรรษที่ผ่านมา รวมถึงคอมพิวเตอร์ส่วนบุคคล เครือข่ายท้องถิ่น อินเทอร์เน็ต และคลาวด์คอมพิวติ้ง ล้วนเป็น "การปฏิวัติการเผยแพร่ข้อมูล" โดยแกนหลักคือการเพิ่มประสิทธิภาพการส่งข้อมูลในเชิงพื้นที่

แต่สิ่งที่เรากำลังประสบอยู่คือ "การปฏิวัติการประมวลผล" มันไม่ได้แก้ปัญหาว่าข้อมูลถูกส่งอย่างไรอีกต่อไป แต่แก้ปัญหาว่าข้อมูลถูกประมวลผลและจัดเรียงใหม่อย่างไร การปรับโครงสร้างพื้นฐานระดับนี้ไม่เคยปรากฏในอุตสาหกรรมนับตั้งแต่กำเนิดวงจรรวมเซมิคอนดักเตอร์ในทศวรรษ 1960-1970

ความแตกต่างนี้มีผลกระทบเชิงพาณิชย์อย่างเป็นรูปธรรม: หมายความว่ารากฐานทางเทคโนโลยีที่ผู้ประกอบการชั้นแอปพลิเคชันพึ่งพานั้น ยังคงอยู่ในวิวัฒนาการแบบไดนามิกที่มีการเคลื่อนตัวความถี่สูง

เมื่อทบทวนพัฒนาการในช่วงไม่กี่ปีที่ผ่านมา อุตสาหกรรมได้ผ่านจุดเปลี่ยนสำคัญสามจุด:

1. ช่วงเวลา ChatGPT ปลายปี 2022 ยืนยันความเป็นไปได้ทางเทคนิคและศักยภาพในการขยายของการฝึกก่อนแบบไม่มีผู้สอน (Pre-training)

2. การเปิดตัว OpenAI o1 ปลายปี 2024 ยืนยันเส้นทางของการให้เหตุผล (Reasoning) ซึ่งเป็นสัญญาณว่าโมเดลขนาดใหญ่มีความสามารถเบื้องต้นในการก้าวข้ามจากการคิดเร็วแบบสัญชาตญาณ (ระบบ 1) ไปสู่การคิดช้าแบบตรรกะ (ระบบ 2)

3. การเปิดตัว Claude Code และ Opus 4.5 ยืนยันความพร้อมใช้งานของ "เอเจนต์ระยะยาว (Long-horizon Agents)" ในสภาพแวดล้อมงานที่ซับซ้อน

สามขั้นตอนนี้ดูเหมือนอยู่บนความต่อเนื่องทางเทคนิคเดียวกัน แต่เมื่อขั้นตอนที่สามเสร็จสมบูรณ์ อุตสาหกรรมได้ข้ามจุดวิกฤตสำคัญไปแล้ว นั่นคือปัญญาประดิษฐ์ทั่วไป (AGI) ได้วิวัฒนาการจากสมมติฐานทางเทคนิคไปสู่ความเป็นจริงทางอุตสาหกรรม

ต้นปีนี้ Sequoia เคยคาดการณ์ในบทความคอลัมน์ว่า "ปี 2026 จะเป็นปีแรกของ AGI" ในเวลานั้น ข้อวินิจฉัยนี้ยังเป็นที่ถกเถียงในอุตสาหกรรม แต่เมื่อถึงปัจจุบัน มันค่อยๆ ตกผลึกเป็นฉันทามติทั่วไปในวงการเทคโนโลยีและการลงทุน

สอง จาก "รถม้า" สู่ "รถยนต์": ความเป็นจริงของการนำไปใช้เชิงพาณิชย์และผลข้างเคียง

หากยืมคำถามคลาสสิกของ Don Valentine ผู้ก่อตั้ง Sequoia ที่ว่า "แล้วไง? มันสร้างคุณค่าเชิงรูปธรรมอะไร?" วิวัฒนาการทางเทคโนโลยีในปัจจุบันหมายความว่ายานพาหนะได้ก้าวข้ามจาก "รถม้าที่ปรับปรุงแล้ว" ไปสู่ "รถยนต์" แล้ว

ในช่วงหลายปีก่อนหน้านี้ ผลิตภัณฑ์จำนวนมากที่ถูกเรียกว่า AI โดยเนื้อแท้ยังคงเป็นการปรับปรุงแบบค่อยเป็นค่อยไปของซอฟต์แวร์ดั้งเดิม เป็นเพียงเครื่องมือดิจิทัลที่มีประสบการณ์ดีขึ้น แต่ปัจจุบัน เทคโนโลยีกำลังเปลี่ยนแปลงกระบวนการและรูปแบบการส่งมอบผลิตภาพอย่างถึงราก

ในระดับธุรกิจจริง การย้ายนี้กำลังปรากฏในหลายสถานการณ์:

•รูปแบบซอฟต์แวร์วิวัฒนาการจาก "กล่องเครื่องมือ" สู่ "ผู้ร่วมงาน": ผลิตภัณฑ์อย่าง Instinct หรือ Muse ได้พัฒนาจากเครื่องมือประมวลผลงานล้วนๆ ไปเป็นผู้ร่วมงานทางธุรกิจที่ส่งมอบผลลัพธ์แบบครบวงจร ตรรกะการพัฒนาคล้ายกับอุตสาหกรรมวิดีโอคอนเฟอเรนซ์ในอดีต: ก่อนที่ Zoom จะก้าวข้ามจุดวิกฤตด้านความพร้อมใช้งานและความไว้วางใจ เทคโนโลยีวิดีโอคอนเฟอเรนซ์มีมานานหลายปีแต่ไม่ได้รับการยอมรับจากธุรกิจกระแสหลักอย่างจริงจัง แต่เมื่อเสถียรภาพทางเทคนิคผ่านเกณฑ์ที่กำหนด การประชุมออนไลน์ก็กลายเป็นเวิร์กโฟลว์เริ่มต้นอย่างรวดเร็ว ปัจจุบัน AI อยู่ในช่วงเปลี่ยนผ่านความไว้วางใจที่คล้ายคลึงกัน

•การทำให้ความรู้วิชาชีพขั้นสูงเข้าถึงได้ทั่วไป: ในด้านการแพทย์ ผู้ปฏิบัติงานในสถานพยาบาลปฐมภูมิและพื้นที่ห่างไกลสามารถเรียกใช้ความรู้ด้านการวินิจฉัยระดับอุตสาหกรรมผ่านอุปกรณ์พกพา ในด้านการศึกษา ระบบการเรียนการสอนนวัตกรรมอย่าง Alpha School กำลังแสดงเส้นทางที่เป็นไปได้ของโมเดลการศึกษาแบบ AI-native ในการปรับโฉมการสอนแบบเฉพาะบุคคล

•การล้นออกของโครงสร้างพื้นฐานสู่ภาคอุตสาหกรรมจริง: คลื่นการก่อสร้างศูนย์ข้อมูลขนาดใหญ่พิเศษกำลังสร้างอุปสงค์ระดับอุตสาหกรรมอย่างต่อเนื่องในด้านวิศวกรรมกายภาพ อุปกรณ์เครื่องกลไฟฟ้า และโครงสร้างพื้นฐานด้านพลังงาน

ในขณะเดียวกัน การก้าวกระโดดอย่างรวดเร็วของเทคโนโลยียังก่อให้เกิดปฏิกิริยาลูกโซ่ในระดับอุตสาหกรรมและสังคม:

•แรงกดดันด้านรายจ่ายลงทุนของผู้ให้บริการโครงสร้างพื้นฐานคลาวด์: ขนาดการลงทุนของผู้ให้บริการคลาวด์ขนาดใหญ่พิเศษ (Hyperscalers) ในโครงสร้างพื้นฐานด้านกำลังคำนวณเพิ่มขึ้นอย่างต่อเนื่อง กระแสเงินสดอิสระเพียงอย่างเดียวไม่เพียงพอที่จะครอบคลุม Capex ได้เต็มจำนวน อุตสาหกรรมจึงเริ่มระดมทุนผ่านการออกตราสารหนี้อย่างแพร่หลายเพื่อรักษาการแข่งขันด้านกำลังคำนวณ

•การแพร่กระจายของภัยคุกคามความปลอดภัยไซเบอร์รูปแบบใหม่: การเพิ่มขีดความสามารถของโมเดลพื้นฐานลดเกณฑ์การพัฒนาเครื่องมือโจมตีอัตโนมัติขั้นสูงอย่างเป็นรูปธรรม สมดุลการโจมตีและการป้องกันของโครงสร้างพื้นฐานดิจิทัลกำลังถูกกระทบอย่างต่อเนื่อง

•การปรับมูลค่าของงานประเภทความรู้: ตำแหน่งงานปกขาวที่เกี่ยวข้องกับการประมวลผลข้อความล้วนและข้อมูลพื้นฐานกำลังได้รับผลกระทบอย่างเป็นรูปธรรม ผู้ปฏิบัติงานที่สามารถใช้โมเดลเพื่อขยายกำลังการผลิตได้อย่างแข็งขันจะได้เปรียบด้านประสิทธิภาพการผลิตอย่างมีนัยสำคัญ ในขณะที่กลุ่มแรงงานที่ไม่สามารถสร้างกำแพงความร่วมมือกับเครื่องมือได้ต้องเผชิญแรงกดดันจากการถูกทดแทนส่วนเพิ่มอย่างต่อเนื่อง

•ความขัดแย้งด้านการกระจายผลประโยชน์และการกำกับดูแลทางสังคม: ปัญหาการใช้พลังงานของกำลังคำนวณค่อยๆ กลายเป็นประเด็นการต่อรองทางภูมิรัฐศาสตร์และการกำกับดูแลระดับภูมิภาค ความแตกต่างระหว่างผลตอบแทนจากทุนและผลตอบแทนจากแรงงานที่ AI นำมา ยังทำให้ความไม่เท่าเทียมในการกระจายความมั่งคั่งที่มีอยู่รุนแรงขึ้นในระดับหนึ่ง

สาม การเปลี่ยนจุดเน้นการวิจัยและพัฒนาของห้องปฏิบัติการแนวหน้า: การสำรวจล้ำหน้าและความเป็นจริงทางวิศวกรรม

เมื่อเจาะลึกแนวหน้าการวิจัยและพัฒนาของห้องปฏิบัติการแนวหน้าชั้นนำ จะพบว่าการตัดสินของนักวิจัยเกี่ยวกับเส้นทางวิวัฒนาการทางเทคนิคมักมีความมุ่งเน้นสูงและตรงไปตรงมา

ปัจจุบัน ห้องปฏิบัติการหลักได้เปลี่ยนจุดเน้นการวิจัยและพัฒนาภายในจากการทำให้ AGI เป็นจริงทางวิศวกรรม ไปสู่ปัญญาประดิษฐ์เหนือมนุษย์ (ASI) และการปรับปรุงตนเองแบบเรียกซ้ำ (RSI, Recursive Self-Improvement) อย่างเต็มรูปแบบ

โดย RSI หมายถึงความสามารถของโมเดลในการมีส่วนร่วมอย่างอัตโนมัติหรือแม้แต่เป็นผู้นำในการเขียนโค้ด ทดสอบ และปรับสถาปัตยกรรมของโมเดลรุ่นถัดไป ซึ่งเป็นวงจรการเสริมความแข็งแกร่งด้วยตนเอง การเกิดขึ้นของวงจรปิดทางเทคนิคนี้ทำให้ทีมวิจัยต้องประเมินอย่างรอบคอบเกี่ยวกับ "การทะยานขึ้นแบบเอกซ์โพเนนเชียล (Takeoff)" และความเสี่ยงการควบคุมไม่สอดคล้อง (p(doom)) นี่เป็นภูมิหลังทางเทคนิคหลักที่ผู้นำอย่าง Dario Amodei ผู้ร่วมก่อตั้ง Anthropic เรียกร้องต่อสาธารณะเมื่อเร็วๆ นี้ให้ทั้งอุตสาหกรรมปรับจังหวะการวิจัยและพัฒนาแนวหน้า

ในด้านวิศวกรรมและการค้าเชิงรูปธรรม ห้องปฏิบัติการแนวหน้าแสดงแนวโน้มที่แน่นอนดังต่อไปนี้:

1. การก้าวข้ามขอบเขตของภาษาธรรมชาติล้วน: สถานการณ์การฝึกและอนุมานของโมเดลกำลังเร่งย้ายไปสู่การสำรวจทางวิทยาศาสตร์ที่ซับซ้อน การพิสูจน์ข้อคาดเดาทางคณิตศาสตร์แนวหน้า และสาขาการอนุมานที่เข้มงวดอื่นๆ สถาปัตยกรรมการคำนวณพื้นฐานเผชิญความต้องการการเพิ่มประสิทธิภาพรอบใหม่

2. ความไม่สมดุลระหว่างอุปสงค์และอุปทานของกำลังคำนวณยังคงอยู่ระยะยาว: การขาดแคลนกำลังคำนวณยังคงเป็นคอขวดทางวิศวกรรมหลักที่贯穿ห้องปฏิบัติการชั้นนำและบริษัทชั้นแอปพลิเคชัน แนวโน้มที่ทั้งอุตสาหกรรมพัฒนาชิปเฉพาะทางอย่าง ASIC เองยังคงแข็งแกร่งขึ้น

3. การแข่งขัน API การให้เหตุผลทวีความรุนแรงถึงขีดสุด: การแข่งขันเชิงพาณิชย์เพื่อปริมาณการใช้ Token ของโมเดลพื้นฐานดุเดือดอย่างมาก ราคา API ปรับลดลงอย่างต่อเนื่อง เพื่อล็อกปริมาณการใช้ขององค์กรขนาดใหญ่ใน Fortune 500 อย่างมีประสิทธิภาพ ห้องปฏิบัติการชั้นนำเริ่มสร้างทีมบริการนำไปใช้ระดับองค์กรของตนเองอย่างแพร่หลาย โดยใช้การให้คำปรึกษาแบบปรับแต่งเข้มข้นเพื่อเจาะตลาด

4. การควบรวมกิจการแบบขยายขอบเขตกลายเป็นเรื่องปกติ: เมื่อภูมิทัศน์การแข่งขันข้ามสาขามีเสถียรภาพ ห้องปฏิบัติการแนวหน้าจึงค่อยๆ สร้างกลไกการควบรวมบุคลากร ทีม และสินทรัพย์อย่างเป็นระบบ แผนที่ธุรกิจแสดงลักษณะการขยายตัวขององค์กรขนาดใหญ่

สี่ ช่องว่างการแพร่กระจายทางเทคโนโลยี และพลังการระเบิดเชิงพาณิชย์ของชั้นแอปพลิเคชัน

ระหว่างการระเบิดของความสามารถของโมเดลพื้นฐานกับระดับการดูดซับจริงของภาคอุตสาหกรรม มีช่วงเวลาล่าช้าที่ชัดเจน ซึ่งเรียกว่า "ช่องว่างการแพร่กระจายทางเทคโนโลยี" สำหรับบริษัทสตาร์ทอัปชั้นแอปพลิเคชัน ช่องว่างนี้เป็นโอกาสทางการค้าหลัก

ในวัฏจักรนี้ จุดเข้าที่มีความแน่นอนเชิงพาณิชย์สูงสุดกระจุกตัวอยู่ในงานความรู้ที่มีมูลค่าสูง (High-value Knowledge Work): วิศวกรรมซอฟต์แวร์ ความปลอดภัยไซเบอร์ บริการวิชาชีพทางการแพทย์ ธุรกิจการเงินและวาณิชธนกิจ การตรวจสอบและการปฏิบัติตามกฎระเบียบ เป็นต้น ทุกกลุ่มย่อยที่มีกำแพงความรู้วิชาชีพสูง มีพื้นที่ที่จะบ่มเพาะบริษัทแพลตฟอร์มรุ่นใหม่ที่มีมูลค่าระดับหมื่นล้านดอลลาร์

เมื่อเทียบกับตำแหน่งระบบบันทึกข้อมูลหลัก (Systems of Record) ที่ ServiceNow, Workday และ Salesforce วางรากฐานไว้ในวัฏจักรคลาวด์คอมพิวติ้ง ปัจจุบันในแต่ละสถานการณ์วิชาชีพแนวตั้ง ระบบบันทึกรุ่นใหม่ที่มี AI เป็นศูนย์กลางการโต้ตอบและตรรกะกำลังก่อตัวขึ้น

ในการสำรวจแอปพลิเคชันพื้นฐาน สถาปัตยกรรมแนวตั้งบางส่วนแสดงอัตราส่วนประสิทธิภาพที่เหนือกว่าโมเดลขนาดใหญ่ทั่วไปอย่างมาก:

•การออกแบบโมเลกุลตัวเลือกในสาขาชีวการแพทย์: โมเดลที่ปรับแต่งสำหรับการคำนวณทางวิทยาศาสตร์เฉพาะสามารถสร้างโมเลกุลยาตัวเลือกได้ในเวลาอันสั้นมาก ลดเวลาการออกแบบโมเลกุลในระยะแรกของการพัฒนายาแบบดั้งเดิมลงอย่างมาก

•การระเบิดจุดเดียวของสถาปัตยกรรมมินิมอล: อุตสาหกรรมมีความต้องการฐานรากทั่วไปที่เป็นเนื้อเดียวกันจำกัด แต่โมเดลแนวตั้งที่สามารถปรับโครงสร้างงานจุดเดียวด้วยสถาปัตยกรรมใหม่เติบโตอย่างรวดเร็ว ตัวอย่างล่าสุดคือ Jev ซึ่งโดยเนื้อแท้เป็น "ตัวจำแนกการตัดสินใจ" ที่มีปริมาณงานสูง ในการผลิตจริง ความต้องการเรียกใช้ LLM ที่ซับซ้อนจำนวนมากโดยเนื้อแท้เป็นงานจำแนกตัวเลือกแบบไม่ต่อเนื่อง ผลิตภัณฑ์นี้ลดต้นทุนการอนุมานต่อครั้งของงานประเภทนั้นลงประมาณ 100 เท่าผ่านการตัดทอนการคำนวณอย่างสุดขั้ว และบรรลุการก้าวกระโดดที่ผิดปกติของรายได้ประจำรายปี (ARR) ในเวลาอันสั้นมาก

พลังการระเบิดเชิงพาณิชย์นี้แสดงให้เห็นว่า ในสถานการณ์ย่อยที่มีอัตรากำไรสูงและกำแพงความรู้ความเข้าใจสูง ผลิตภัณฑ์ซอฟต์แวร์ที่ขับเคลื่อนด้วย AI แสดงความชันของการเติบโตที่ผิดปกติ

บริษัทที่สามารถสร้างกำแพงในชั้นแอปพลิเคชันได้อย่างยั่งยืน มักมีลักษณะองค์กรและธุรกิจดังต่อไปนี้:

ประการแรก ควบคุมฐานอัจฉริยะด้วยตนเอง

องค์กรเริ่มย้ายภาระงานหลักออกจาก API ของโมเดลขนาดใหญ่แบบปิด ไปสู่การฝึกหลัง (Post-training) เชิงลึกบนฐานโอเพนซอร์ส แรงขับเคลื่อนหลักคือต้นทุนและประสิทธิภาพ: โมเดลพื้นฐานทั่วไปให้บริการจุดสมดุลจำกัดบนพรมแดนพาเรโตทั่วไป เพื่อให้ได้อัตราส่วนต้นทุนต่อประสิทธิภาพสูงสุดในงานธุรกิจเฉพาะ การถือครองโมเดลโอเพนซอร์สที่ปรับแต่งทางวิศวกรรมเฉพาะขององค์กรเองเป็นทางออกเชิงพาณิชย์ที่ดีที่สุด

ประการที่สอง โครงสร้างองค์กรเปลี่ยนสู่ "การทะลุทะลวงด้วยจุดแข็ง"

เนื่องจากสแต็กเทคโนโลยีและความสามารถของโมเดลพื้นฐานมีการทำซ้ำทุกไม่กี่เดือน บริษัทชั้นแอปพลิเคชันที่อยู่รอดต้องรักษาวงจรการปรับโครงสร้างผลิตภัณฑ์ตนเองให้สั้นมาก องค์กรประเภทนี้ค่อยๆ ละทิ้งรูปแบบการทำงานร่วมกันแบบดั้งเดิมที่ถูกจำกัดด้วยจุดอ่อนของทีม และหันไปพึ่งพาบุคลากรระดับสูงจำนวนน้อยมากในการบุกเบิกทางเทคนิค เพื่อผลักดันธุรกิจโดยรวมให้ก้าวหน้าด้วยความเร็วสูง

ประการที่สาม การกำกับดูแลองค์กรวิวัฒนาการเป็นเครือข่ายความร่วมมือแบบกระจาย

ระบบการบังคับบัญชาและควบคุมแบบลำดับชั้นแบบดั้งเดิมเริ่มหลีกทางให้กับสถาปัตยกรรมแบบกระจายศูนย์ที่มีเอเจนต์ AI เป็นศูนย์กลางข้อมูล โดยอาศัยกระบวนการอัตโนมัติความหนาแน่นสูงและความร่วมมืออัตโนมัติ เพื่อรักษาประสิทธิภาพการดำเนินงานขององค์กรด้วยขนาดบุคลากรที่เล็กมาก

ห้า การแบ่งแยกของระบบการตั้งราคาทุนและผลกระทบจากเลเวอเรจ

ในด้านตลาดทุน ในปีที่ผ่านมา การตั้งราคาสินทรัพย์ในสาขา AI แสดงลักษณะสองขั้วที่ชัดเจนและมีโครงสร้างสูง

เพื่อสร้างสมดุลระหว่างความเสี่ยงและผลตอบแทนในสภาพแวดล้อมที่สินทรัพย์ร้อนแรงเกินไป โครงการระยะแรกบางโครงการเริ่มใช้กลไกการระดมทุน "สองขั้นตอน": คือการแยกโครงสร้างระหว่างทุนอุตสาหกรรมที่รับผิดชอบการร่วมสร้างเชิงกลยุทธ์กับทุนการเงินล้วนที่ให้กระสุนขยายตัวในภายหลัง

ในตัวอย่างธุรกรรมทั่วไปหลายรายการที่ Sequoia มีส่วนร่วมอย่างลึกซึ้งในปีที่ผ่านมา แนวโน้มต่อไปนี้ปรากฏ:

•ในระยะแรก สถาบันที่เป็นพันธมิตรร่วมสร้างธุรกิจนำการลงทุนรอบแรกด้วยเกณฑ์การประเมินมูลค่าที่ค่อนข้างสมเหตุสมผล (เช่น ช่วงหลังการลงทุน 110 ล้านดอลลาร์)

•หลังจากช่วงการตรวจสอบธุรกิจที่สั้นมาก ทุนการเงินล้วนภายนอกติดตามอย่างรวดเร็ว และผลักดันการประเมินมูลค่าของเป้าหมายให้สูงขึ้นหลายเท่าหรือมากกว่านั้นผ่านรอบถัดไป (ค่าเฉลี่ยของบางตัวอย่างสูงถึง 3 พันล้านดอลลาร์ขึ้นไป)

การสลับตัวคูณการประเมินมูลค่าที่สูงอย่างรวดเร็วนี้ สะท้อนให้เห็นถึงความกระหายอย่างยิ่งของเงินทุนตลาดแรกต่อเป้าหมายที่มีกำแพงทางเทคนิคและธุรกิจที่แท้จริง แต่ก็แสดงให้เห็นถึงพรีเมียมสภาพคล่องสูงที่สะสมอยู่ในตลาดปัจจุบันอย่างเข้มข้น

เมื่อเผชิญกับเส้นทางวิวัฒนาการของอุตสาหกรรมในอนาคต ไม่มีสถาบันใดสามารถมีแผนที่ที่แน่นอนสมบูรณ์ได้ แต่กฎพื้นฐานที่贯穿วัฏจักรการลงทุนด้านเทคโนโลยียังคงเป็นจริง:

เมื่อต้นทุนส่วนเพิ่มของปัจจัยการผลิตสำคัญลดลงเป็นลำดับความสำคัญ และประสิทธิภาพการประมวลผลโดยรวมเพิ่มขึ้นแบบเอกซ์โพเนนเชียลอย่างต่อเนื่อง การปรับโครงสร้างเชิงโครงสร้างในระดับอุตสาหกรรมจะกลายเป็นความจริงเชิงวัตถุวิสัยที่ไม่อาจย้อนกลับได้ การปรับโครงสร้างทางเทคนิคของระบบธุรกิจโลกปัจจุบันยังอยู่ในช่วงครึ่งแรกของการคลี่คลายเท่านั้น