自紅杉資本兩年前發(fā)布《生成式AI：一個創(chuàng)新的新世界》（Generative AI: A Creative New World）一文以來，AI生態(tài)系統(tǒng)發(fā)生了天翻地覆的變化，我們對未來提出了一些新的預(yù)測。

生成式AI市場的基礎(chǔ)層已經(jīng)趨于穩(wěn)定，形成了一種平衡態(tài)，包括一些重要的玩家及同盟者，如Microsoft/OpenAI、AWS/Anthropic、Meta 和 Google/DeepMind。現(xiàn)在，只有那些擁有經(jīng)濟(jì)引擎和巨額資本的大玩家才能繼續(xù)參與其中。雖然競爭還遠(yuǎn)未結(jié)束（并以博弈論的方式不斷升級），但市場結(jié)構(gòu)本身正在鞏固，很明顯，未來生成token的成本會越來越低、數(shù)量會越來越多。

隨著大規(guī)模語言模型（LLM）市場趨于穩(wěn)定，下一個競爭前沿正在顯現(xiàn)。大家的注意力正逐漸轉(zhuǎn)向推理層的開發(fā)和規(guī)模化，這一層的主導(dǎo)是“系統(tǒng)2”思維。受AlphaGo等模型的啟發(fā)，這一層旨在讓AI系統(tǒng)在推理中進(jìn)行深刻的推理、問題解決和認(rèn)知操作，而不僅僅是快速的模式匹配。同時，新的認(rèn)知架構(gòu)和用戶界面正在塑造這些推理能力傳遞給用戶、以及與用戶互動的方式。

這一切對AI領(lǐng)域的創(chuàng)業(yè)者意味著什么？對現(xiàn)有的軟件公司意味著什么？作為投資人，我們認(rèn)為生成式AI領(lǐng)域最有希望獲得回報的層面在哪里？

1. 草莓模型

2024年最重要的模型更新，非OpenAI的o1莫屬，以前被稱為Q*，也稱為為草莓（Strawberry）。此更新不僅重申了OpenAI在模型質(zhì)量排行榜上應(yīng)有的地位，而且對現(xiàn)狀架構(gòu)進(jìn)行了顯著改進(jìn)。更具體地說，這款模型首次展現(xiàn)了真正的通用推理能力，這一成就是通過“推理時間計算”實現(xiàn)的。

這是什么意思呢？預(yù)訓(xùn)練模型主要依靠“訓(xùn)練時間計算”，通過海量數(shù)據(jù)進(jìn)行下一個token的預(yù)測。規(guī)模的增加確實帶來了基本的推理能力，但這種推理非常有限。設(shè)想一下，如果你可以教模型更直接地進(jìn)行推理會怎么樣？這正是Strawberry所做的。當(dāng)我們說“推理時間計算”時，指的是要求模型在給你答復(fù)之前“停下來思考”，這需要在推理時進(jìn)行更多的計算（因此被稱為“推理時間計算”）。“停下來思考”就是推理。

2. AlphaGo與大規(guī)模語言模型‍‍‍

那么，模型在停下來思考時，到底在做什么呢？

我們可以快速回顧2016年3月在韓國首爾舉行的那場圍棋比賽。這是深度學(xué)習(xí)歷史上具有劃時代意義的時刻之一：AlphaGo與圍棋傳奇大師李世石對弈。這不僅僅是一場AI與人類的比賽，也讓世界看到AI不僅僅是簡單模式模仿。它在思考。

AlphaGo與之前的游戲AI系統(tǒng)（如深藍(lán)Deep Blue）有何不同？跟大語言模型（LLM）一樣，AlphaGo首先經(jīng)過預(yù)訓(xùn)練，以模仿人類專家，該數(shù)據(jù)庫包括大約3000萬盤來自之前比賽的棋局和更多來自自我對弈的棋局。但AlphaGo不會提供來自預(yù)先訓(xùn)練模型的下意識反應(yīng)，而是花時間“停下來思考”。在推理時，AlphaGo會在更多的可能棋局中進(jìn)行搜索或模擬，并評估它們的得分，然后選擇預(yù)期值最好的下法（或響應(yīng)）。給AlphaGo的時間越多，它的表現(xiàn)越好。由于推理時間計算為零，AlphaGo無法擊敗成熟的人類棋手，但隨著推理時間的增加，AlphaGo的表現(xiàn)越來越好，直到超越極強(qiáng)的人類。

將這一概念移植到LLM領(lǐng)域，復(fù)制AlphaGo的難點(diǎn)在于如何構(gòu)建價值函數(shù)，也就是對響應(yīng)進(jìn)行評分的函數(shù)。如果是下圍棋，情況非常直接：可以通過模擬對局直到結(jié)束，看看誰贏，然后計算某一步下法的預(yù)期價值；如果是編程，也比較直接：可以測試代碼，看看是否能正確運(yùn)行。但如何給一篇文章的初稿評分？或者評價一份旅行計劃？或一份長文件的關(guān)鍵內(nèi)容總結(jié)？這就是推理在目前技術(shù)中的難點(diǎn)，也是Strawberry在偏邏輯領(lǐng)域（如編程、數(shù)學(xué)、科學(xué)）表現(xiàn)強(qiáng)大，但在較為開放和非結(jié)構(gòu)化領(lǐng)域（如寫作）表現(xiàn)相對不足的原因。

雖然Strawberry的具體實現(xiàn)細(xì)節(jié)仍是保密的，但核心思想是圍繞模型生成的“思維鏈”進(jìn)行強(qiáng)化學(xué)習(xí)（RL）。對這些思維鏈的審查表明，模型正在發(fā)生一些類似人類思維的突破性變化。例如，o1展示了遇到瓶頸時能夠“回溯”的能力，這是推理時間擴(kuò)展的一種自然結(jié)果。它還展示了以人類的方式思考問題的能力（例如，對球體上的點(diǎn)進(jìn)行可視化以解決幾何問題），以及以新的方式思考問題的能力（例如以人類不會采用的方式解決編程競賽中的難題）。

研究團(tuán)隊在嘗試改進(jìn)模型的推理能力時，并不缺乏推動推理時間計算的新想法（例如，計算獎勵函數(shù)的新方法、縮小生成器/驗證器之間差距的新途徑）。換句話說，深度強(qiáng)化學(xué)習(xí)（DRL）再次流行起來了，它正在啟用一個全新的推理層。

3. 系統(tǒng)1 vs. 系統(tǒng)2

從預(yù)訓(xùn)練的“本能反應(yīng)”（“系統(tǒng)1”）到更深層次、更深度的推理（“系統(tǒng)2”）的飛躍，是AI發(fā)展的下一個前沿。AI模型僅僅能了解事物是不夠的，它們需要能夠在作出決策之前實時暫停、評估和推理。

預(yù)訓(xùn)練可以被視為“系統(tǒng)1”。無論模型是像AlphaGo那樣，用數(shù)百萬盤圍棋對局?jǐn)?shù)據(jù)進(jìn)行預(yù)訓(xùn)練，還是像LLM那樣，用PB級的海量互聯(lián)網(wǎng)文本進(jìn)行預(yù)訓(xùn)練，其核心都是模仿模式——無論是模仿人類的棋局還是語言。模仿雖然強(qiáng)大，但并不是真正的推理，它無法正確應(yīng)對復(fù)雜且未知的情況，尤其是樣本之外的情況。

這就是“系統(tǒng)2”思維發(fā)揮作用的地方，也是目前AI研究的重點(diǎn)。當(dāng)模型“停下來思考”時，它不僅僅基于過去的數(shù)據(jù)生成學(xué)習(xí)過的模式或做出預(yù)測，而是生成一系列可能性，考慮不同結(jié)果，并基于推理作出決策。

對于許多簡單任務(wù)來說，“系統(tǒng)1”已經(jīng)足夠了。例如，正如Noam Brown在我們最新一期的《Training Data》中指出的那樣，花更多時間思考不丹的首都是哪里并沒有意義——你要么知道，要么不知道?？焖?、基于模式的回憶在這種情況下非常有效。

但是，當(dāng)面對更復(fù)雜的問題時，比如數(shù)學(xué)和生物學(xué)上的重大突破，簡單的本能反應(yīng)就行不通了。這些問題需要深度思考、創(chuàng)造性的解決方案，最重要的是需要時間。AI也是如此。要解決這些高難度的、最有意義的問題，AI需要超越快速的“樣本內(nèi)”響應(yīng)，花時間去進(jìn)行深度推理，這也是推動人類進(jìn)步的關(guān)鍵。

4. 新的擴(kuò)展法則：推理競賽已經(jīng)開始

o1論文中最重要的見解是，現(xiàn)在出現(xiàn)了一條新的擴(kuò)展法則（Scaling Law）。

預(yù)訓(xùn)練LLM遵循一條眾所周和的擴(kuò)展法則：在預(yù)訓(xùn)練模型上投入的計算資源和數(shù)據(jù)越多，模型的表現(xiàn)就越好。

而o1論文則揭示了另一個全新的擴(kuò)展計算：你給與模型的推理時間（或“測試時間”）越多，模型的推理效果就越好。

如果模型可以思考數(shù)小時、數(shù)天甚至數(shù)十年時，會發(fā)生什么？我們能解決黎曼假設(shè)嗎？我們能回答阿西莫夫的終極問題嗎？

這種轉(zhuǎn)變將使我們從一個依賴龐大的預(yù)訓(xùn)練集群的時代，進(jìn)入推理云的時代——能夠根據(jù)任務(wù)的復(fù)雜度動態(tài)擴(kuò)展計算能力。

5. 一個模型統(tǒng)治一切？

當(dāng)OpenAI、Anthropic、Google和Meta擴(kuò)展其推理層、并開發(fā)出越來越強(qiáng)大的推理機(jī)器時，會發(fā)生什么？我們會面臨“一個模型統(tǒng)治一切”的局面嗎？

生成式AI出現(xiàn)的早期，曾有一個假設(shè)：某個單一的模型公司將變得極其強(qiáng)大、包羅萬象，以至于將吞并所有其他應(yīng)用程序。但到目前為止，這一預(yù)測在兩個方面是錯誤的。

首先，模型層依然存在激烈的競爭，最前沿的技術(shù)不斷被超越。雖然可能有模型通過在廣泛領(lǐng)域的自我發(fā)展，實現(xiàn)模型的持續(xù)改進(jìn)，并取得了成功，但目前我們還沒有看到這方面的證據(jù)。相反，模型層是一場肉搏戰(zhàn)，自從上次開發(fā)者大會以來，GPT-4每個token的價格下降了98%。

其次，除了ChatGPT之外，這些模型尚未在應(yīng)用層掀起巨大的波瀾。現(xiàn)實世界充滿復(fù)雜性，優(yōu)秀的研究人員并沒有興趣去了解每個可能的垂直領(lǐng)域中、每個可能的端到端工作流程的繁瑣細(xì)節(jié)。對他們來說，停留在API這一層更有吸引力，也更加經(jīng)濟(jì)合理，而讓開發(fā)者取應(yīng)對現(xiàn)實世界的復(fù)雜性。對應(yīng)用層來說，這是個好消息。

6. 復(fù)雜的現(xiàn)實世界：定制化認(rèn)知架構(gòu) 

一名科學(xué)家計劃和執(zhí)行行動以實現(xiàn)目標(biāo)的工作方式，與一名軟件工程師的方式截然不同。即便是軟件工程師，不同公司的工作方式也會大不相同。

隨著研究實驗室不斷推動通用推理的邊界，我們依然需要特定領(lǐng)域和應(yīng)用場景下的推理來提供有用的AI智能體（AI Agents）。現(xiàn)實世界的復(fù)雜性需要大量針對特定領(lǐng)域和應(yīng)用場景的推理，而這些推理無法通過通用模型有效實現(xiàn)。

進(jìn)入認(rèn)知架構(gòu)，或者你的系統(tǒng)思考方式：代碼流和模型交互，接受用戶輸入并執(zhí)行動作或生成響應(yīng)。

例如，在Factory（AI軟件工程師應(yīng)用）的案例中，他們的每個“機(jī)器人”產(chǎn)品都有一個自定義的認(rèn)知架構(gòu)，可以模仿人類思考解決特定問題的方式，例如審查拉取請求或編寫和執(zhí)行遷移計劃以將服務(wù)從一個后端更新到另一個后端。Factory機(jī)器人將分解所有依賴關(guān)系，提出相關(guān)的代碼更改，添加單元測試并拉取人類進(jìn)行審查。然后在批準(zhǔn)后，在開發(fā)環(huán)境中對所有文件進(jìn)行更改，如果所有測試都通過，則合并代碼。處理方式就像人類那樣，應(yīng)對一組離散任務(wù)，而不是一個通用的黑盒子。

7. 應(yīng)用程序發(fā)生了什么？

想象一下，你想在AI領(lǐng)域創(chuàng)業(yè)。你瞄準(zhǔn)的是堆棧的哪一層？

• 你想在基礎(chǔ)設(shè)施領(lǐng)域上競爭嗎？祝你好運(yùn)能擊敗英偉達(dá)和其他超大規(guī)模企業(yè)；

• 你想在模型上競爭嗎？祝你好運(yùn)能擊敗OpenAI和馬克·扎克伯格；

• 你想在應(yīng)用程序上競爭嗎？祝你好運(yùn)能擊敗企業(yè)IT和全球系統(tǒng)集成商。等等。這聽起來確實很可行！

基礎(chǔ)模型很神奇，但也很復(fù)雜。主流B端企業(yè)客戶無法處理黑盒子、幻覺和笨拙的工作流程；C端消費(fèi)者盯著空白的提示，不知道該問些什么。這些都是應(yīng)用層的機(jī)會。

兩年前，許多應(yīng)用層公司被嘲笑為“只是GPT-3套殼”。如今，這些套殼被證明是構(gòu)建持久價值的僅存可靠方法之一。最初的“套殼”已經(jīng)演變成“認(rèn)知架構(gòu)”。

應(yīng)用層AI公司不僅僅是基礎(chǔ)模型之上的UI，而且遠(yuǎn)非如此。它們具有復(fù)雜的認(rèn)知架構(gòu)，通常包括多個基礎(chǔ)模型（上層有某種路由機(jī)制）、用于RAG的矢量或圖形數(shù)據(jù)庫、確保合規(guī)性的護(hù)欄，以及模仿人類思考通過工作流進(jìn)行推理的方式的應(yīng)用程序邏輯。

8. 服務(wù)即軟件

云服務(wù)轉(zhuǎn)型是“軟件即服務(wù)”（Software-as-a-service，SaaS），軟件公司成為云服務(wù)提供商，這是一個高達(dá)3500億美元的市場機(jī)會。

得益于智能體推理（Agentic Reasoning），AI轉(zhuǎn)型是服務(wù)即軟件（Service-as-a-software），軟件公司將勞動力轉(zhuǎn)化為軟件。這意味著潛在的市場不是軟件市場，而是價值數(shù)萬億美元的服務(wù)市場。

這對“出售工作”意味著什么？AI對話平臺Sierra就是一個很好的例子。B2C公司將Sierra植入他們的網(wǎng)站上，負(fù)責(zé)與客戶交流。Sierra的工作是解決客戶問題，它按解決問題的數(shù)量來獲得報酬，這里并不存在“按席位收費(fèi)”的概念。你有一項工作需要完成，Sierra完成了這項工作，并獲得相應(yīng)的報酬。

這是很多AI公司的真正目標(biāo)。Sierra的做法是，當(dāng)它無法解決問題時，能優(yōu)雅地將問題轉(zhuǎn)交給人工處理（即升級到人工客服），但并非所有公司都如此幸運(yùn)。一種新興的趨勢是先部署為協(xié)作模式（有人參與），然后利用這些使用機(jī)會逐步積累經(jīng)驗，最后實現(xiàn)全自動化部署（無人參與）。GitHub Copilot就是一個典型的案例。

9. 新一代的智能體應(yīng)用程序

隨著生成式AI的推理能力不斷增強(qiáng)，新一代的智能體應(yīng)用程序（Agentic Applications）開始涌現(xiàn)。

這些應(yīng)用層公司的形態(tài)是怎樣的呢？有趣的是，它們與傳統(tǒng)的云服務(wù)公司看起來有所不同：

• 云服務(wù)公司瞄準(zhǔn)的事軟件利潤池，而AI公司瞄準(zhǔn)的是服務(wù)利潤池；

• 云服務(wù)公司出售軟件（按席位收費(fèi)），而AI公司出售“工作”（按成果收費(fèi)）；

• 云服務(wù)公司喜歡自下而上、無摩擦分銷，而AI公司則越來越多地采用自上而下、高接觸、高信任的交付模式。

  ‍

我們看到，在知識經(jīng)濟(jì)的各個領(lǐng)域，一批新興的智能體應(yīng)用程序正快速涌現(xiàn)。以下是一些例子：

• Harvey：AI律師

• Glean：AI辦公助手

• Factory：AI軟件工程師

• Abridge：AI醫(yī)療記錄助手

• XBOW：AI滲透測試員

• Sierra：AI客戶支持智能體

  ‍

通過降低這些服務(wù)的邊際成本（與推理成本的下降保持同步），這些智能體應(yīng)用程序正在不斷擴(kuò)展，并創(chuàng)造出全新的市場。

以XBOW為例。XBOW正在開發(fā)一款“AI滲透測試員”。“滲透測試”（pentest）是對計算機(jī)系統(tǒng)進(jìn)行模擬網(wǎng)絡(luò)攻擊，旨在幫助企業(yè)評估其安全系統(tǒng)。在生成式AI出現(xiàn)之前，企業(yè)只會在有限的情況下（例如為滿足合規(guī)要求）雇傭滲透測試員，因為人工滲透測試十分昂貴，這是一項由高技能人員執(zhí)行的手動工作。然而，XBOW正在展示基于最新推理LLM的自動化滲透測試，其性能可與最熟練的人工滲透測試員媲美。這不僅擴(kuò)大了滲透測試的市場規(guī)模，還為各種規(guī)模的公司提供了持續(xù)滲透測試的可能性。

10. 這對SaaS領(lǐng)域意味著什么？

今年早些時候，我們與我們基金的LP（有限合伙人）討論過，他們最關(guān)心的問題是：“AI轉(zhuǎn)型是否會摧毀我們投資的云服務(wù)公司？”

我們一開始的默認(rèn)回答是“不會”。初創(chuàng)公司與大企業(yè)之間的經(jīng)典競爭中，通常是初創(chuàng)公司要構(gòu)建分銷渠道，而現(xiàn)有大企業(yè)要打造產(chǎn)品。這場競爭的關(guān)鍵在于，擁有酷炫產(chǎn)品的初創(chuàng)公司能夠在擁有客戶的現(xiàn)有公司推出酷產(chǎn)品之前，獲得足夠多的客戶？鑒于AI的很多魔力來源于基礎(chǔ)模型，我們的默認(rèn)假設(shè)是“不能”——現(xiàn)有企業(yè)會做得很好，因為它們跟初創(chuàng)公司一樣容易獲得這些基礎(chǔ)模型，而且它們擁有數(shù)據(jù)和分銷方面的天然優(yōu)勢。初創(chuàng)公司的主要機(jī)會不是要取代現(xiàn)有的軟件大企業(yè)，而是瞄準(zhǔn)那些可以自動化的工作領(lǐng)域。

話雖如此，但我們現(xiàn)在不再那么確定了。參加前文關(guān)于認(rèn)知架構(gòu)的內(nèi)容。需要大量的工程設(shè)計，才能將模型的原始能力轉(zhuǎn)化為吸引人的、可靠的端到端業(yè)務(wù)解決方案。如果我們大大低估了“AI原生”的含義，那會如何？

二十年前，本地化軟件公司曾對SaaS想法不屑一顧。“這有什么大不了的？我們也可以運(yùn)行自己的服務(wù)器，也可以通過互聯(lián)網(wǎng)提供這些服務(wù)！”當(dāng)然，從概念上講SaaS確實簡單，但隨之而來的是一場業(yè)務(wù)的全面重塑。工程、產(chǎn)品和設(shè)計（EPD）部門的瀑布式開發(fā)轉(zhuǎn)變?yōu)槊艚蓍_發(fā)和A/B測試，進(jìn)入市場策略（GTM）從自上而下的企業(yè)銷售轉(zhuǎn)向自下而上的產(chǎn)品驅(qū)動增長（PLG）和產(chǎn)品分析，商業(yè)模式從高平均銷售價格（ASP）和客戶維護(hù)轉(zhuǎn)向收入留存（NDR）和基于使用的定價模式，這場變革徹底顛覆了傳統(tǒng)軟件公司的運(yùn)營方式。最終，只有極少數(shù)的傳統(tǒng)軟件公司成功實現(xiàn)了這一轉(zhuǎn)型。

如果AI帶來的是一個與SaaS類似轉(zhuǎn)變呢？AI的機(jī)會是否不僅僅是出售“工作”，還可以取代軟件？

通過Day.ai，我們可以看到未來的雛形。Day是一個AI原生的客戶關(guān)系管理（CRM）系統(tǒng)。現(xiàn)在的系統(tǒng)集成商通過配置Salesforce來滿足客戶需求，獲取了數(shù)十億美元計的利潤。但通過Day你只需接入你的電子郵件和日歷，并回答一頁簡單的問卷，即可自動生成一個完全適合你業(yè)務(wù)的CRM系統(tǒng)。雖然它目前還沒有所有的花哨功能，但完全自動化、無需人工干預(yù)的特性，已經(jīng)讓許多用戶開始轉(zhuǎn)換使用。

11. 投資領(lǐng)域

作為投資人，我們投資的周期在哪里？資金部署在哪里？以下是我們的一些簡要介紹。

1）基礎(chǔ)設(shè)施

這是超大規(guī)模企業(yè)的領(lǐng)域，其驅(qū)動力主要是博弈論行為，而非微觀經(jīng)濟(jì)因素。對風(fēng)險投資人（VC）來說，這是糟糕的投資領(lǐng)域。

2）模型

這是超大規(guī)模企業(yè)和金融投資者的領(lǐng)域。超大規(guī)模企業(yè)通過投資模型，將資產(chǎn)負(fù)債表（的資金）轉(zhuǎn)化為損益表（的收益），投資的資金將通過計算收入的形式回流到他們的云業(yè)務(wù)中。金融投資者受到“科學(xué)震撼”偏見的影響。這些模型很酷，團(tuán)隊也非常令人敬佩，但從微觀經(jīng)濟(jì)學(xué)層面來看卻糟糕透了。

3）開發(fā)者工具和基礎(chǔ)設(shè)施軟件

這一領(lǐng)域?qū)?zhàn)略投資者的吸引力較小，但對VC來說更加有趣。在云服務(wù)轉(zhuǎn)型時期，大約有15家年收入超過10億美元的公司誕生在這一層，我們預(yù)計AI轉(zhuǎn)型期間也會出現(xiàn)類似的情況。

4）應(yīng)用程序

這是最令VC感興趣的一層。在云服務(wù)轉(zhuǎn)型期間，大約有20家應(yīng)用層公司達(dá)到了10億美元以上的年收入；在移動互聯(lián)網(wǎng)轉(zhuǎn)型期間，也有約20家類似的公司誕生；我們認(rèn)為在AI轉(zhuǎn)型中也會出現(xiàn)同樣的情況。

12. 結(jié)束語

在生成式AI的下一個階段，我們期望看到推理研發(fā)的影響快速且深入地波及應(yīng)用層。迄今為止，大多數(shù)認(rèn)知架構(gòu)都采用了巧妙的“去除限制”（unhobbling）技術(shù)；現(xiàn)在這些功能已經(jīng)深入到模型本身，我們預(yù)計智能體應(yīng)用程序?qū)⒑芸熳兊酶訌?fù)雜和強(qiáng)大。

在研究實驗室中，推理和推理時計算將在可預(yù)見的未來繼續(xù)成為一個重要的議題。隨著新的擴(kuò)展法則的出現(xiàn)，下一場競賽已經(jīng)開始了。對于任何特定的領(lǐng)域中，獲取真實世界的數(shù)據(jù)很困難，構(gòu)建針對特定領(lǐng)域和應(yīng)用的認(rèn)知架構(gòu)仍然是一個巨大的挑戰(zhàn)。這意味著，在解決復(fù)雜現(xiàn)實世界中的各種問題方面，“最后一公里”的應(yīng)用程序提供商可能更具優(yōu)勢。

展望未來，多智能體系統(tǒng)（如Factory的“機(jī)器人”）可能會開始大量涌現(xiàn)，成為推理和社會學(xué)習(xí)過程的建模方式。一旦AI能夠執(zhí)行工作，我們將能組建團(tuán)隊，讓“工人”完成更多工作。

我們都熱切期待的，是生成式AI下出“第37步”棋，那一刻——就像AlphaGo在與李世石的第二局比賽一樣——通用AI系統(tǒng)用超越人類的東西給我們帶來驚喜，感覺就像獨(dú)立思考一樣。這并不意味著AI的“覺醒”（AlphaGo并沒有），而是我們已經(jīng)模擬了感知、推理和行動的過程，讓AI能夠以真正全新和有用的方式進(jìn)行探索。這實際可能是通用人工智能（AGI），如果是這樣，它不會是單一的事件，而只是技術(shù)發(fā)展的下一階段。

（本文原文發(fā)布在紅杉資本的網(wǎng)站，網(wǎng)址：www.sequoiacap.com/article/generative-ais-act-o1/）