“這是風險投資，不是冒險資金。”這是一位親愛的朋友曾經在提出一個想法時從一位風投那里得到的充滿愛意的回應，但當我們處于一項新技術的炒作周期階段時，這種謹慎就不復存在了。畢竟，風投公司必須動用他們籌集的所有資金，錯過一家大公司的成本要高于搖擺和錯失的負面影響，特別是在其他所有人都在采取同樣的措施的情況下。

類似的動態也在大多數公司內部上演——目前的技術是人工智能及其任何與之遙相呼應的東西。大型語言模型：它是人工智能，機器學習：這是人工智能，你被告知每年都沒有資金的那個項目——叫它人工智能，然后再試一次。

未來十年，數十億美元將被浪費在人工智能上，如果這聽起來像是一種相反的看法，那么它不應該是這樣的。每一次重大的技術浪潮都伴隨著興奮——甚至在我們知道它是多么真實和具有變革性之前。搜索、社交和移動都產生了廣泛和持久的影響，但虛擬現實和加密技術受到的限制要有限得多。

然而，你不會從五年前的頭條新聞中看出這一點。現在，每個人都在奔跑，展示他們在人工智能上花了多少錢，以及它將如何改變一切，這種鳥槍式的投資方式不可避免地會導致一些巨大的成功和許多失敗。對于風投來說，同樣的動力也促使公司領導層以人工智能的名義批準投資，這些投資充其量是樂觀的，充其量是錯位的希望和冒險。

但這并不能否認大語言模型是一種改變游戲規則的技術，看看ChatGPT與其他變革性公司相比，用戶達到1億的速度有多快：

幾乎每一家企業都有一些工作要利用大語言模型和人工智能。

清醒地認識到這三件事，你就可以減少80%的浪費：

• 了解隨時間推移的總成本
• 問別人為什么做不到
• 下幾個你愿意堅持到底的賭注

1.了解隨時間推移的總成本

當你考慮同意下一個人工智能項目時，看看維持該項目所需資源的成本，無論是現在還是長期。數據科學團隊10個小時的工作時間通常是工程、DevOps、QA、產品和系統時間的5倍。公司里充斥著曾經是好主意但缺乏持續投資來維持的項目的碎片。今天，對一項人工智能計劃說不很難，但太頻繁地說不往往是以全額資助未來幾件值得支持的事情為代價的。

成本的另一個維度是人工智能推動的邊際成本不斷增加，這些大型語言模型的培訓、運行和維護成本都很高。在下游價值沒有相應增加的情況下過度使用人工智能會侵蝕你的利潤率。更糟糕的是，撤回已發布或承諾的功能可能會導致客戶不滿和負面市場看法，特別是在炒作周期中。看看幾個失誤很快就損害了谷歌作為人工智能領導者的聲譽，更不用說IBM沃森的早期了。

2.問為什么其他人不能這么做?

你從課本上學到的東西很容易忘記，我們都讀過關于商品化的文章。在現實生活中被打來打去，同樣的教訓也會在你身上揮之不去。當我在美光擔任芯片設計師時，我們的核心產品接近完美的商品——存儲芯片，沒有人關心他們的筆記本電腦里裝的是什么品牌的存儲芯片，而是它的價格。在這個世界里，隨著時間的推移，規模和成本是唯一可持續的優勢。

科技行業可能是雙峰型的，有壟斷和大宗商品。當你對下一個人工智能計劃說好的時候，問問你自己，“為什么是我們?”隨著時間的推移，致力于商品化的東西并不有趣，特別是當你沒有規模/成本優勢的時候，聽我的，唯一肯定會受益的是NVIDIA和AWS/Azure。解決這個問題的唯一方法是專注于你有防御性護城河的東西。優先訪問數據、有關用例的專有見解或具有強大網絡影響的應用程序，讓你擁有先機。

3.下幾個你愿意看穿的賭注

最簡單的押注是那些能讓你已有的業務變得更好的賭注。我腦海里浮現出巴斯夫的那句老話：“你買的東西不是我們造的，而是我們讓你買的東西更好。”如果人工智能的應用為你已經制造的產品提供了動力，那么這種押注最容易進行和擴大。第二個最簡單的押注是那些讓你在價值鏈上上下移動或橫向擴張到其他行業的賭注。

最具挑戰性但也是最重要的賭注需要你用新技術蠶食你目前的業務——如果你不這樣做，其他人就會這樣做。在通過這兩個測試的少數幾個賭注上加倍下注，并準備好看到這些賭注通過，剩下的就交給風投和初創企業吧。

因此，盡管圍繞人工智能的炒作是真實和合理的，但如果這些年來我們學到了什么教訓的話，那就是隨著這些周期的到來，不僅會帶來合理的投資，還會帶來大量的浪費。通過遵循上面概述的幾個提示，你可以確保你的投資有最好的機會結出一些算法上的成果。