艾莉森内森：与以往的人工智能发展相比，如今备受关注的生成式人工智能技术有何不同？莎拉郭：人工智能的最新进展并不仅仅是千篇一律。这些新的更通用、更强大的能力扩大了机器学习的相关范围，实现了截然不同的产品用户体验。在机器学习出现之前，我们有“软件1.0”–由人类逐个功能编写的确定性代码，一次执行一项任务。2017年，时任特斯拉自动驾驶团队的技术专家安德里卡帕西(Andrej Karpathy )创造了“软件2.0(Software 2.0)一词来描述机器学习驱动的软件开发，即主要工作不再是实际编写软件，而是收集训练数据，针对特定任务训练神经网络。然而，传统的机器学习开发周期包括标注数据收集和以可接受的质量水平实现单个任务的工程设计，劳动密集型程度高且成本高昂，这一直阻碍着机器学习的广泛应用。
今天，我们正在进入我所认为的“软件3.0”时代。在这个时代中，许多功能都是“开箱即用”的，其基础模型要么是开源的，要么是通过AP提供的。这些“基础模型”具有自然语言能力、推理能力和世界常识。在这种模式下，企业不需要收集大量的训练数据，这使得该技术突然变得更加有用、易用且成本更低。任何选择投资人工智能的公司现在都可以投资调整这些模型，以增强或改造其业务。
艾利森内森：即使生成式人工智能前景广阔，目前的炒作是否夸大了该技术的能力？
莎拉郭：误判大型技术转变的时间表是投资中的一个常见陷阱。我完全相信这一转变将推动实质性的价值创造，但这是一个十年以上的转变。与此同时，错误定价的领域无疑已经浮出水面。在私人市场上，一大批投资者正试图了解如何接触这项技术，或者至少如何考虑其风险状况。在他们深入了解这一领域的同时，也倾向于采用更明显的启发式投资。例如，许多投资者在评估初创企业时，似乎都会看其领军人物是否曾是OpenAl 或DeepMind 的研究人员，因为这个问题比特定产品或研究论文是否会成功要容易回答得多。
同样，由于数据库是众所周知的软件类别，矢量数据库也受到了投资者的广泛关注。尽管如此，我已经看到一些投资者变得更加怀疑，因为大多数企业尚未采用生成式人工智能，但这似乎是短视的。请记住，ChatGPT 在去年11月才推出；企业规划和执行的平均周期往往超过6个月。因此，投资者需要耐心等待。与互联网、移动和云计算一样，一些赢家立即崛起但另一些则在十年后才出现。发现使用案例和构建优秀软件需要时间和企业家的智慧。没有
人会因为Napster 的失败而停止对互联网企业的投资。艾莉森内森：那么，目前该领域最引人注目的投资机会在哪里？莎拉郭：我们正在进行全栈投资。首先，我们有镐和铲的投资；基础设施、数据基础设施和
艾利森内森：目前该领域的高估值是否会让你担忧或感到不安？莎拉郭：投资者不应忽视近期技术市场各个阶段的经验教训。所有公司最终都会按照现金流
的倍数进行估值。但作为早期投资者，在一定范围内，我们可以不那么关注估值，而更多地
关注选择市场和企业家，以发现突围的赢家。
工程工作流程正在被重新构想。对英伟达图形芯片容量的需求难以满足，但图形芯片集群的云管理和交付仍不成熟，远远落后于CPU。我们正在投资，使人工智能基础设施对企业更友好，应用开发更容易。还有模型本身。其中一些业务仍将以大型实验室为中心：OpenAl 、谷歌、DeepMind 、Anthropic 等。但大的模型机会依然存在，例如在动作/代理、图像、语音、视频和机器人领域。我们尤其期待通过更好的代码模型实现软件开发的民主化。一般来说，开源语言模型的能力越来越强，而且这种情况可能会继续下去，部分原因是Meta等大公司的贡献。因此，将存在一系列模型提供商。针对公司或消费者特定数据利用这些模型并非易事，因此在智能标注数据、人工智能应用的数据管理以及更好地理解和协调这些模型方面存在大量机会。
实际上，我最感兴趣的机会是应用层。许多投资者对这一层并不确定，他们认为所有的价值都在于模型训练本身，但让非确定性模型在生产用例中发挥作用需要大量的创造力和工作。
