中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

隨著人工智能技術的迅猛發展，"AI-native"應用正在重新定義軟件產業的價值鏈條。這些應用不僅僅是技術架構上的創新，更是產品范式和商業模式的全新突破。本文將深入探討AI-native應用的特征、評估框架及其未來發展。

“AI-native 應用”進展不斷打破市場預期：ChatGPT 的周活躍用戶到了 3 億，Perplexity 今天也同時宣布產品單日 queries 從年初 250 萬快速增長到了 2000 萬，據統計，擁有超過 2500 萬美元 ARR 的 AI-native 應用已從年初的 34 個增加到目前的 47 個。按照這一發展趨勢，預計到明年同期，將有相當數量的應用能夠達到 5000 萬美元 ARR 的規模。

到底什么是“AI-native 應用”？

在這篇文章中， Sapphire Ventures 圍繞“什么是 AI-native 應用”定義了一個關于五維框架，包含了設計、數據、把 domain knowledge  AI workflow 化、產品動態性以及商業模型等。

在  Sapphire Ventures 的定義中，AI-native 軟件可以是 ChatGPT、Perplexity 、Cursor 等原生于這次 LLM 浪潮中誕生的軟件，也可以是通過疊加 AI/LLM 能力享受到了收入和用戶的增長的存量公司，例如 Abridge，Salesforce，Zendesk 等，這些產品的共同點都是將 AI 真正用戶改進用戶使用體驗、創造了真實價值。對于企業軟件來說，“是否 Day 1 就圍繞 AI 構建產品這件事”不如企業在產品開發和組織建設過程中對 AI 的深度融合來得重要。

此外，AI-native 也一定是一個過渡性標簽，AI 一定像曾經的  Internet、Cloud、Mobile 一樣，作為新一波科技浪潮的底層主導力量，如何用好 AI 一定是每個企業的必備能力。當下這個概念和框架的目的，對于投資者而言可以更好識別到早期的創新者，對于企業則可以更好地思考如何用 AI 真正創造價值。

?? 目錄 ??

01  什么是 AI-native 應用？

02  評估 AI-native 應用的框架

03  AI-native 應用的未來

一、什么是 AI-native 應用？

在傳統企業軟件領域，AI 往往作為一種補充性能力被整合到現有系統中。但隨著 ChatGPT 在 2022 年底的驚艷亮相，一種全新的軟件形態開始嶄露頭角，即AI 原生應用（AI-native Applications）正在從基礎設施到應用層全方位重構軟件產業的價值鏈條。

這種創新不僅體現在技術架構上，更重要的是開創了全新的產品范式和商業模式。

數據顯示，AI-native 賽道正在實現從概念到規?；虡I化的跨越：截至 2024 年 10 月，該領域已吸引 85 億美元投資，其中不乏大額融資案例，例如 Perplexity（5億美元）、Poolside（5億美元）、Magic（3.2億美元）、Sierra（1.75億美元）、Abridge（2.5億美元）、Glean（2.6億美元）、Writer（2億美元）和 EvenUp（1.35億美元）。

雖然大規模融資反映了市場的樂觀預期，但商業成功的真正檢驗在于企業的實際發展。從這一點來看，AI-native 應用的表現還是很積極的：過去幾個月里，具有顯著收入增長的應用數量不斷增加。據統計，產生超過 2500 萬美元 ARR 的 AI-native 應用已從年初的 34 個增加到目前的 47 個。按照這一發展趨勢，預計到明年同期，將有相當數量的應用能夠達到 5000 萬美元 ARR 的規模。

從 Perplexity 到 Writer，從代碼開發到營銷創意，AI-native 應用正在重新定義各個垂直領域的解決方案。

然而，在這輪變革浪潮中，兩個根本性問題值得深入探討：什么是真正 AI-native 企業的本質特征？這類新型企業將如何重塑傳統軟件格局？基于這兩個核心問題，Sapphire Ventures 通過廣泛的實地研究，從 5 個維度構建了評估 AI-native 應用分析框架。本文將深入剖析 AI-native 應用的發展邏輯，探討其在重構企業軟件版圖中的關鍵作用。

AI-native 應用指 AI 是應用體驗的核心，而不僅僅是一個輔助功能。雖然這個術語被廣泛使用，但其定義——如同 AI 領域的許多概念一樣——仍在不斷演變。通過與 Canva、Glean、Meta、Runway、Figma、Abridge 等公司的開發者進行深入交流和研究，我們提出了一個更具描述性和細致的定義框架：

AI-native 應用的特征

1. 建立在基礎 AI 能力之上，包括從大規模數據集中學習、理解上下文或生成新穎輸出的能力。

2. 能夠突破傳統速度、規模和成本的限制，開創全新的可能性。

3. 具備持續改進的能力，既可以利用底層模型的進步，也可以通過真實世界數據的反饋循環來提升性能。

4. 擁有一定程度的專有 AI 技術，而不是完全依賴現成的解決方案（例如，針對特定功能微調開源模型、模型編排等）。

需要特別指出的是，AI-native 并不意味著應用必須從一開始就具備GenAI 功能。

如同一些傳統軟件巨頭成功從單機版本過渡到 Cloud-native 產品那樣，例如 Adobe Photoshop、Microsoft Office 等，許多公司同樣可以隨時間推移，逐步從 Cloud-native 演進為 AI-native 。

AI-native 是一個過渡性標簽

“AI-native”這個術語雖然在當下具有一定的區分意義，但終將只是一個階段性的概念。就像我們現在很少再提” Internet-native “、” Cloud-native “或” Mobile-native “一樣，隨著 AI 成為幾乎所有產品和服務的標配，這個標簽也將逐漸淡化。

我們在當前這個早期階段使用這個概念，主要是為了區分兩類企業：

? 一類是迅速強化和擴展現有產品的企業，

? 另一類是基于全新能力和理念從 0 開始構建的企業。

隨著時間推移，這種界限將變得模糊，“是否 Day 1 就圍繞 AI 構建產品這件事”將不如企業在產品開發和組織建設過程中對 AI 的深度融合來得重要。

即便在一個更加 AI-native 的世界里，價值創造的基本驅動力并未改變。企業仍然需要深入理解客戶痛點，打造滿足并超越客戶需求的產品和服務。優秀的創業者依然要組建出色的團隊并持續不懈地執行。無論 AI 技術多么先進，它始終只是服務于這些目標的工具，而不是一味尋找應用場景的“錘子”。

二、評估 AI-native 應用的五維框架

Sapphire Venture 從今年開始一直使用一個框架來評估構建 AI 應用的公司，這個框架包含了 5 個維度：設計（Design）、數據（Data）、專有領域知識（Domain Experience）、分發（Distribution）以及動態性（Dynamism）。

1. 設計（Design） AI 推動更深層的系統思維，開啟了眾多新的設計可能性。

2. 數據（Data） 利用AI 釋放專有數據的價值，使數據獲取和管理成為關鍵的競爭優勢。

3. 專業化（Domain Expertise） 深厚的行業和團隊專業知識體現在多個能力層面，其積累的經驗形成護城河。

4. 動態性（Dynamism） AI 實現多層次的適應、創造和個性化能力。

5. 分發（Distribution） AI 為定價和部署創造了更大的靈活性，使其能夠更緊密地與價值創造保持一致。

考慮到企業軟件領域日益激烈的競爭，以及在 AI 輔助開發下，產品依靠功能拉開差異化的周期快速縮短，我們認為企業需要在這些維度上實現差異化，才能建立持久的品類領導地位。

設計：核心競爭力

在企業軟件這個萬億級市場中，長期以來功能主導著產品開發，而用戶體驗設計往往被忽視。傳統企業應用充斥著復雜的配置選項、繁瑣的菜單結構和過度的通知提醒，雖然功能完備但難以帶來愉悅的使用體驗。隨著 AI 技術的發展，這一狀況正在發生根本性改變，設計正成為新一代企業軟件的核心競爭力。

創建新的交互范式

過去兩年，聊天和搜索界面已成為生成式 AI UI 的主導形式，為用戶提供了與數據交互的新途徑——提問、綜合分析、總結和頭腦風暴等多樣化應用場景，都可以通過基于文本的 AI 助手完成。

? 功能解鎖：傳統企業工具中的強大功能往往因用戶不了解或使用門檻高而被閑置。通過自然語言（文本或語音）表達需求，用戶現在可以更好地使用這些既有功能。

? 多模態突破：多模態生成式 AI 模型正在快速追趕文本模型的水平，為軟件交互方式的創新提供更多可能。更高性能的語音和視頻模型提供了新的創建、捕捉和轉換方式，補充了傳統的點擊和輸入操作。

? 發展趨勢：OpenAI 的 Canvas 功能和 Anthropic 的 Artifacts 展示了從聊天機器人向協作畫布（co-creation canvases）的演進潛力，以及從輔助工具（co-pilots）到自動化工具（auto-pilots）的轉變。

加速反饋循環

Gen AI 輸出的非確定性特征（non-deterministic nature）為生產環境部署帶來挑戰。在模型層面，RLHF 在提升 AI 與人類意圖一致性方面發揮重要作用。在與產品負責人的交流中，收集到多種反饋機制的案例，如

? 傳統方式：輸出內容的贊踩投票、星級評分系統。

? 人工審核機制：由專業審核人員對 AI 系統的輸出進行審查和評估，幫助確保內容質量并收集改進建議。

? 創新監測：通過分享行為、停留時長、內容時效性、互動頻率、復制粘貼等方式收集用戶意圖信號。

那些能夠智能且無干擾地將反饋整合到用戶體驗中的產品，將實現更快的迭代速度，并能更好地滿足用戶需求。

構建 AI-native 系統

從與 AI-native 公司的交流中，一個最重要的發現是他們在應用設計中展現出成熟的系統層面思維。這包括在現成的通用人工智能組件和為特定用例優化性能的專有能力建設之間取得平衡。同時，這還涉及在模型層面運用多種基礎技術（如微調、RAG、prompt engineering 等）和集成方法，從而在 query level 實現最佳的性價比。

許多 AI-native 應用在用戶界面層的優雅設計背后，實際上掩蓋了大量后端的復雜性。

此外，隨著 AI 從行動輔助（assistance）轉向決策（answers）和代理（agents），在流程各環節融入可解釋性變得尤為重要。因此，AI-native 應用必須：

? 清晰展示輸入與輸出的關聯；

? 引用具體內容來源；

? 適時提供置信區間；

? 為需深入了解系統性能的用戶提供更詳細的解釋機制。

應用案例

增強型搜索體驗：Perplexity.ai 和 OpenAI 的 ChatGPT Search 通過集成相關網頁鏈接和引用來增強 AI 生成的響應內容，提升可信度。

Perplexity.ai

ChatGPT Search

精細化交互設計：Hebbia 和 Reliant AI 采用表格式用戶界面，建立起強大的反饋循環機制，讓用戶能夠在更精確、細致的層面上與輸出內容進行交互和調優。

Hebbia

Reliant AI

專業開發工具：Cognition 提供原生代碼編輯器，用戶可以直接在生成內容旁邊進行開發工作，幫助模型根據偏好的編碼實踐進行優化。

Cognition

行業解決方案：

1）Rilla 運用多模態 AI 中的語音轉文本技術，分析客戶對話以改進銷售培訓，

2）Bland.ai 通過部署易于培訓的數字化客服代理（配備文本轉語音功能），重塑銷售和支持服務流程。

數據：關鍵資產

數據對于訓練 foundation models 的重要性已經成為共識，這些模型支撐著過去兩年涌現的所有 AI 產品和服務。在應用層面，數據的重要性可能更高，因為它能幫助將各種通用的基礎功能轉化為針對性的、具有競爭壁壘的產品，從而更好地滿足客戶需求。

強化端到端的數據管理

“沒有數據戰略就沒有 AI 戰略”這句話雖依然真實。盡管 AI-native 應用能夠受益于基礎模型公司集成的全球數據，以及客戶現代化的數據資產，但通過強有力的數據管理實踐，企業仍然可以實現差異化競爭，這個維度主要包括：

? 數據采購和策劃（data procurement and curation），

? 數據質量管理（data quality），

? 數據治理（data governance），

? 數據安全（data security）。

隨著多模態模型能力的提升，跨結構化和非結構化數據的處理能力將成為充分發揮生成式 AI 潛力的關鍵。那些能夠更智能、更快速地以安全方式收集、清理和整合數據的公司將在競爭中勝出。

激活沉睡數據

許多企業早已意識到數據的價值，但如何有效利用這些數據一直是個挑戰。在與生成式 AI 公司領導者的交流中，我們發現其產品能夠激活兩類沉睡數據：

? 存儲在各類系統中未被充分利用的數據，例如 Box、Google Drive、SharePoint 中的數據，

? 完全未被系統捕獲的數據，例如客戶通話、患者討論、會議記錄等。

這種數據激活帶來顯著優勢，使用戶能夠：

? 更流暢地與現有數據交互；

? 更快地訪問適合其角色和特定需求的最優內容；

? 為數據資產帶來更多結構化和明確的分類體系。

這些優勢進一步促進對數據架構的優化，以支持更多 AI 投資，以及向那些已證明早期投資回報（ROI）的可信 AI-native 應用合作伙伴提供更多數據。

創造專有數據資產

除了激活現有數據，生成式 AI 還能捕獲全新的數據集，這些數據集可能成為相對于傳統應用的競爭優勢。新型數據包括：

?多模態交互數據（multi-modal engagement data），

? AI 生成內容的創建和使用元數據（metadata），

? 微觀和宏觀層面的數據模式識別（pattern recognition）。

這些數據在傳統系統中并不存在，它們為 AI-native 企業提供了捕獲數據、形成數據整合樞紐和構建差異化工作流程以擴展數據價值的機會。這些新數據和對用戶工作流程的理解可以轉化為訓練數據，從而不斷改進底層模型性能，擴大 AI-native 企業的競爭優勢。

應用案例

? Glean：通過訓練定制 LLM 和構建組織特定知識圖譜，利用實時反饋為每個用戶提供個性化、上下文相關的搜索結果。

? Writer：利用專業 LLM 深入理解企業數據中的語義關系，為任何搜索或應用查詢檢索相關、符合上下文的結果。

? Jeeva.ai：實時整合多源銷售潛客數據，使用戶能夠精確定義目標客戶畫像（ICP），快速構建準確的潛客列表，并生成高度個性化的信息以自動化互動。

專業化（Domain Expertise）：

AI-native 應用的加速器

過去一年，垂直領域的 AI 應用（Vertical AI）備受關注。這種關注是有充分理由的：面向特定行業的 AI-native 應用發展最快，在法律、醫療、房地產和金融服務等領域都有顯著案例。

Gen AI 展現出的深度領域理解能力，不僅體現在具體產品交互中，還體現在端到端工作流程中，這種能力對于 vertical 和 horizontal 軟件都會產生重要影響。

將 Domain Knowledge 轉化為 AI 工作流

Vertical AI 快速發展的一個重要原因是，GenAI 在將特定領域的終端用戶活動數字化方面表現出色。通過與創始人和產品負責人的交流，我們發現了許多實踐案例：

? 更準確的對話轉譯（如醫生-患者討論）；

? 更全面的研究輸入總結（如法律研究和金融分析）；

? 更精準的用戶關系理解（如企業搜索中的用戶間及用戶與實體間關系）。

在這些場景中，GenAI 模型被訓練來深入理解特定行業或功能的上下文，并自動執行相關操作，幫助用戶更快、更高效地達成目標。

專業化并不總是特定于行業。一些產品和工程負責人描述了他們如何研究客戶組織中的高級用戶和資深領導者的使用模式。通過將這些模式轉化為提示和結構化輸出，他們致力于讓這些見解在組織的各個層面都能獲取。

比如 Supio 產品負責人 Pamela Wickersham 就提到：“我們觀察平臺上經驗豐富的用戶的行為，并將其轉化為其他角色和不同層級人員可重復使用的模式?！蓖ㄟ^這種方式，基于經過企業特定數據微調的基礎模型的生成式 AI 應用，可以實現提升整個員工隊伍水平的知識轉移。

規模化實時洞察

AI-native 應用的另一個優勢是能夠近實時地從海量數據集中獲取洞見。新的 AI-native 應用正在多個領域涌現，它們結合了經過驗證的行業特定文檔和數據（如美國證券交易委員會的 EDGAR 數據庫）、微調模型和基于對話的界面，大大加快了客戶識別和處理特定目標相關信息的速度。

這一趨勢在法律領域表現得最為明顯，如 Harvey、EvenUp、Robin AI 和 Supio 等公司的實踐。同樣的模式也在醫療、公共部門、保險、金融服務和教育領域開始出現。

AI-native 應用在處理特定領域需求時賦予用戶超人的能力。毫不夸張地說，那些過去需要大量初級員工（或外部顧問）花費數天或數周才能回答的問題，現在通過這些新服務幾分鐘就能得到至少部分答案。

全球與本地知識的融合

AI-native 應用在融合知識方面具有獨特優勢，主要體現在三個層面：

? 已經 embedded 到基礎模型中的全球性知識（global knowledge）；

? 行業數據庫中的領域專業知識（domain-specific knowledge）；

? 組織自身積累的專有認知。

其中，組織層面的專業知識往往體現在高質量的演示文稿、備忘錄、會議記錄、專有研究、培訓資料和歷史文檔中。這些內容用于優化 AI-native 應用的輸出，確保其符合用戶對“高質量內容”的預期。

這種融合不僅僅是更好地訪問專有數據，更重要的是理解這些數據如何在特定場景下反映員工、團隊或組織的知識積累。通過這種組合，用戶能夠突破單個任務優化的局限，實現整個工作流程的自動化，同時專注于更具體的成果。

應用案例

? Abridge：通過基于大規模醫療對話數據集訓練的多 LLM 架構，將實時的患者音頻轉換為精確的臨床記錄。

? EliseAI：利用 LLM 整合來自物業管理系統（PMS）、客戶關系管理系統（CRM）、知識庫以及租賃專業人員的相關信息，自動回應潛在和現有租戶的詢問。

? Supio：基于大量人身傷害案例數據訓練的專有模型，能夠高精度地分析和生成法律文件。

? Magic School：提供 80 多種專門的 AI 工具，幫助教育工作者改進和自動化課程規劃、考核編寫、學術內容生成與管理等工作。

動態性：AI-native 應用的自適應引擎

Ben Thompson 在其文章 Meta’s AI Abundance 中很看好 Meta 在GenAI 領域的機遇，尤其是公司利用 GenAI 加速多模態動態廣告創建和測試的能力，以及通過新的”Imagine Yourself”模型實現下一代個性化內容的潛力。這對數字營銷和電子商務行業的潛在影響顯而易見，且這種影響可能很快就會顯現。

這也反映了更深層的趨勢：GenAI 將推動應用體驗從靜態向更動態化轉變。雖然這一維度的普適性略低于我們之前討論的三個維度，例如，在處理總賬（General Ledger）時并不需要太多動態性，但這種轉變趨勢已經顯現。

產品體驗優化

大多數公司已經從單一模型的概念測試階段，進階到編排多個模型交互的序列來優化特定場景的輸出效果。從輸入到輸出的處理過程變得更加動態化。這些公司在開發基礎設施時特別注重靈活性，使他們能夠輕松地替換模塊化組件，以實現性能提升和成本優化。

這種動態需求催生了模型路由器（model routers）這一關鍵的新型 infra 組件，比如 Martian 等公司正專注于此類產品的開發。這些 routers 是支撐 AI-native 應用的 infra 技術棧中的重要組成。

未來，更多當前需要用戶手動選擇的高級 AI 功能，例如在 ChatGPT 或 Perplexity 中選擇底層模型、設定輸出語氣、對輸出進行評分等，將逐漸隱藏在系統后臺，由底層系統更加自適應地代替用戶做出決策。

GenAI 客戶旅程

我們在設計部分中提到，企業軟件在用戶體驗方面并不是很好，雖然這種情況難以在短期內徹底改變，但 GenAI 為改善現狀帶來了可能。我們設想通過創建更具動態性和適應性的內容體驗，體現對終端用戶和客戶的深入理解。例如：

? 定制化營銷：根據潛在客戶偏好定制的銷售和營銷材料——從外聯郵件到演示文稿，從落地頁到合同制作。

? 個性化購物：電商平臺讓購物者通過數字孿生技術在虛擬空間或數字化身上預覽商品。

多層次超個性化

企業軟件正迎來更廣闊的個性化體驗機會。隨著人工智能不斷學習相關偏好、互動模式和關系網絡，這種個性化將在企業內部的終端用戶、團隊、部門和整個組織層面逐步實現。

例如，Outreach 為組織內的每個團隊和銷售人員都構建了一個定制的贏單模型，并隨著交易進展進行實時更新。同時，銷售溝通和相關材料也在朝著更精準地匹配個別客戶的方向發展。

長遠來看，具備共享記憶功能的智能代理（agents）將成為這一主題最完整的體現形式。

應用案例

? HeyGen：提供 AI 視頻創作平臺，使市場營銷和學習發展團隊能夠快速生成超個性化視頻內容，在銷售、支持和培訓領域部署全自動的對話式視頻體驗。

? Mercor：開發了能實時評估候選人的 AI 面試官，在處理簡歷和檔案數據的同時，能夠適應實時對話。

? Evolv AI：通過 AI 驅動的實驗持續調整用戶體驗，基于實時用戶行為優化客戶旅程。

分發：AI-native 應用的定價策略

最后，我們需要探討如何包裝和定價這些新的 AI 價值。一個關鍵問題隨之而來：生成式 AI 是否會給云時代應用公司青睞的傳統按席位收費的 SaaS 模式帶來滅頂之災？正如我們在 2024 年 8 月的市場備忘錄中所寫，對軟件即將消亡的預言被嚴重夸大了。雖然現在判斷是否會出現一個顛覆現狀的主導模式為時尚早，但顯然企業正在積極嘗試，在平衡新價值和成本的同時降低新競爭威脅的風險。

價值最大化的靈活定價策略

我們已經進入了一個更加多元化的定價環境，現階段企業已經開始采用的策略有：

? 在現有服務中免費嵌入 GenAI 功能（如Workday）；

? 創建包含 AI 功能的現有產品高級版本；

? 推出全新的獨立 GenAI 應用；

? 在基礎平臺之上測試基于消費和結果（consumption and outcome-based ）的收費模式。

屬于 GenAI 時代的主流定價方式還沒有確立，可能因類別而異。但我們認為GenAI 是一項能夠擴展企業價值交付方式的技術。未來可能會包含 application 和agents 的混合，以及 co-pilots and auto-pilots 的結合。

在定價方面，我們相信會看到按席位（seat-based）、按消費（consumption-based）和更有選擇性的按結果（outcome-based）收費等多種模式的混合，而不是非此即彼的爭論。那些能夠平衡不同模式以確?？蛻舾采w面，同時更透明地將定價與價值交付對齊的應用開發者，將在未來占據優勢地位。

案例

關于軟件賦能服務的增長以及面向特定商業成果的代理系統的潛在興起，已有大量討論。在此我們只想強調一點：真正的顛覆性創新從來不僅僅是產品技術能力的函數，往往還包括商業模式的轉變（例如從許可制到訂閱制軟件的轉變）。

許多公司已經引入了包含基于消費和基于結果組件的新定價方式。以下是一些值得注意的例子：

? 傳統巨頭的創新：

1）Salesforce 對其 Agentforce 套件采用每次對話 2 美元的定價。

2）Zendesk 對自動解決的問題收取 1.5-2 美元不等。

? 客戶服務 AI 代理：

Sierra、MavenAGI、Decagon 和 Crescendo 基于結果（如已解決的工單）定價。

? 專業服務創新：

Reserv 提供基于 AI 的理賠處理服務，根據已開立和執行的理賠數量定價。

? 內容生成應用：

1）Synthesia 按生成視頻的分鐘數收費。

2）Imagen 和 Aftershoot 等編輯工具按編輯次數收費。

三、AI-native 應用的未來

前面 5 個維度為評估 AI 應用提供了一個清晰視角，但真正的突破將來自于如何創新性地融合這些維度。雖然為現有產品增加 AI 能力很必要，但要在未來勝出，企業需要更深層的變革：打造統一界面、始終在線的多模態應用，將分散的服務整合為一體化體驗，以及采用靈活的計量收費模式。

要實現這一愿景，需要技術棧各層面的顯著提升。這建立在規模效應延續的假設之上，同時還需要大量基礎工作：提升性能、減少幻覺、確保一致性、維持合規、加強安全和管理成本。令人欣慰的是，這些都是明確的挑戰，我們投資組合中的企業領導者認為，即便只基于當前模型的能力，只要成本持續下降，未來幾年仍有巨大的創新空間。

GPT-5 等新一代模型的出現一定會改變市場對 AI 發展的預期，無論其實際表現如何，突破性進展會帶來狂熱樂觀，但如果只是漸進式改進則可能在短期內影響市場預期和估值。無論如何，未來幾年我們將更清楚地看到什么可行、什么不可行，以及具體成本。

值得注意的是，推動行業發展未必是更新一代模型。對于未來幾年最令人期待的發展，很多產品負責人都提到了 reasoning 研究，以及它如何加速agent 系統從核心理解發展到深度思考的過程。

隨著模型能力的提升和多模態技術的進步，我們正進入應用層面的實驗創新新時代。對于 AI 應用開發者來說，他們可以利用的工具庫幾乎每周都在豐富，產品架構、模型選擇、界面設計、數據整合方式和交付機制的創新等等。

但也可能出現的情況是：很多領域 AI 的大規模部署可能比預期更慢，大部分重塑 workflow 的嘗試可能失敗，AI 或許會加強現有軟件巨頭的地位而非顛覆它們。然而，那些能夠展現組合創新能力，快速整合新技術的企業，必將成為定義 AI 時代的重要力量。