电网是一个由电线和发电厂组成的庞大而复杂的系统，对我们的经济和工业实力至关重要。目前，我们面临着一个严峻的挑战：由于人工智能计算、重型化和 “电气化 “等因素，我们的电力需求预计到 2040 年将增加近一倍，但我们的电网基础设施和运营却难以跟上步伐。
要抓住能源丰富的未来，我们必须简化发电、输电和用电过程；这就需要分散电网。大型发电厂和漫长的输电线是建设的负担，但太阳能、电池和先进的核反应堆等技术带来了新的可能性。正是这些技术和其他更 “本地化 “的技术，可以避开昂贵的长途线路，直接在现场安装，这将有助于支持未来几十年负荷的大幅增长。
历史上的工业扩张依赖于大型集中式发电厂，而 21 世纪则标志着向分散式和间歇性能源的转变，从 “枢纽和辐条 “模式过渡到更多的分布式网络。当然，这种演变会带来新的挑战，我们需要创新来弥补差距。

成长的烦恼
美国电网由三大互联系统组成： 东部、西部和德克萨斯州由 17 个 NERC 协调员管理，ISO（独立系统运营商）和 RTO（区域输电运营商）负责监督区域经济和基础设施。然而，实际的发电和电力输送则由当地的公用事业公司或合作社负责。这种结构在负荷增长较低的时代发挥了作用，但扩大电网基础设施以满足当今的需求正变得越来越具有挑战性和昂贵。

连接问题
电网运营商使用并网队列来管理新资产的并网，评估电网是否能够在不失衡的情况下支持该地点新增的电力，并确定必要升级的成本。目前，有超过 2000 千兆瓦（GW）的电力等待并网，仅 2022 年就有超过 700 千兆瓦的项目进入并网队列。这是一个很大的数字：整个美国电网的发电装机容量只有 1200 千兆瓦。

然而，在现实中，许多项目在面临并网成本后就退出了。从历史上看，只有 10%-20%的排队项目实现了并网发电，通常需要在申请后 5 年以上的时间才能最终并网发电，而且时间只会越来越长。开发商经常提交多个投机性建议，以确定最便宜的并网点，然后在成本确定后撤回不利的建议，从而使可行性研究复杂化。由于申请数量激增，加州电网运营商 CAISO 被迫在 2022 年停止接受任何新的申请，并计划在 2024 年再次这样做。
在我们的能源转型过程中，这是一个关键的限制因素和成本驱动因素。能源部最近的一份报告指出，要满足 2035 年的高负荷增长，整合新资产的区域内输电必须增加 128%，区域间输电必须增加 412%。即使是更为乐观的预测，预计也将分别增长 64% 和 34%。

有人提议进行改革，以帮助缓解开发工作的积压。联邦能源管理委员会（FERC）正在推行 “先准备好，先服务 “的政策，增加费用以过滤提案并加快审查。德克萨斯州电力可靠性委员会（ERCOT）采用 “连接和管理 “方法，允许快速连接，但如果项目威胁到电网可靠性，则将其断开–这在快速增加新电网资产方面取得了显著成功。虽然这些政策标志着进步，但简化其他法规（如《国家环境影响评估法》）对于加快建设也至关重要。
但是，即使获得批准，电网建设仍面临供应链障碍，包括超过 12 个月的交付周期，以及大型电力变压器价格飙升 400%，再加上特种钢材短缺。要实现发展变压器制造业的联邦目标，还有赖于对电力钢铁行业的支持，尤其是即将出台的 2027 年能效标准。所有这一切都发生在电网停电（主要与天气有关）创 20 年新高、需要更换硬件之际。

没有人会把 “宝贝 “放在角落里，尤其是当 “宝贝 “是零散的金融服务数据时。从历史上看，建立一家成功的金融服务数据公司的关键在于提取和分析有价值但难以获取的资源，如公开文件、尽职调查材料、研究报告、电话会议记录和新闻。现在，随着大型语言模型的出现，这些以前被束缚的信息可能很快就会被每个人轻松、广泛地获取，从而开创一个由 LLM 驱动的新时代，改变金融服务的格局。

尽管如此，金融服务数据市场目前仍被几家市值数十亿美元的公司所垄断，这些公司凭借其规模和其他优势护城河，地位极为稳固。但是，彭博、晨星和 Verisk 这三家著名公司并不是凭空成为市场领导者的。在数字时代来临之际，它们最初都遵循了特定的三步玩法：1）在有价值的市场中发现大量零散的数据；2）找到将这些数据导入关系数据库的方法；3）对这些信息的访问进行收费。在这样做的过程中，他们各自都建立了现在已成为定义类别业务的开端。

对于希望利用 LLM 的出现并通过进入这些现有企业的上游来破坏现状的新进入者，我们深入研究了彭博社、晨星和 Verisk 的故事。在这里，我们为初创公司提供了一些教学课程，并提出了一些关于您应该考虑的问题的问题。让我们开始吧：

迈克尔·布隆伯格（Michael Bloomberg）在1981年被所罗门兄弟（Salomon Brothers）解雇后创立了彭博社（Bloomberg L.P.），在那里他负责销售和交易的分析工具。在看到投资银行更新日常交易和价格的大量文件后，彭博社用他的 1000 万美元遣散费构建了一个独立的 IT 解决方案，最初称为创新市场系统，为需要它的公司提供相同类型的数据和简单的分析工具。

在彭博社（Bloomberg）及其汇总的财务数据进入现场之前，公司必须独立收集数据，通常依赖于计算器。通过成为第一个以数字格式准确快速地捕获这些数据的人，彭博社能够以一种允许他的企业添加其他产品和功能的方式收集用户，其中最重要的是通信。

尽管布隆伯格能够通过收购约翰·奥伯特（John Aubert）的Sinkers等线下业务来继续发展自己的业务，该公司在一本参考书中公布了公司债券价格，但当该公司将美林证券（Merrill Lynch）作为他们的第一个设计合作伙伴时，最大的解锁就来了。这种关联不仅对品牌信任和认可至关重要，而且通过为美林不断增长的债券交易业务提供动力，彭博社能够从市场领导者那里获得实时数据。由于这些数据最终比当时所有其他平台的数据都要好，彭博社最终为《华尔街日报》的每日债券价格提供了动力，尽管《华尔街日报》的母公司道琼斯提供了有竞争力的产品。

彭博社意识到，以及它与Datastream（现为Refinitiv）等竞争对手的不同之处在于，建立在无法走投无路的信息基础上的数据优势不会永远持续下去。因此，该公司迅速将其早期领先优势与新闻和通信工具等其他服务相结合。如果没有终端提供的数据和分布，彭博社将永远无法与当时最大的两家现有公司道琼斯和路透社竞争。

尽管有非常丰富的数据馈送、分析模型和实时新闻，但彭博社最有价值的方面是社交方面。数据和新闻将所有合适的用户带到终端上，并创造了与任何其他社交网络相媲美的网络效应锁定。

任何新技术的有效货币化都是一场抢占市场份额的竞赛，同时还要给自己留出业务增长的空间。但是，生成式人工智能的风险要高得多：虽然它有望为企业带来前所未有的价值，但为每一位增量客户提供服务的成本也可能非常高昂。尤其是在成长阶段，创始人需要注意单位经济效益和利润率。我们经常听到这些创始人问：我如何才能获得 genAI 创造的价值？我应该承担 genAI 功能的成本，还是将其转嫁给客户？我的客户是否真的愿意为 genAI 付费？

我们正处于 genAI 的早期阶段，在采用曲线和成本趋于稳定之前，不会有任何行之有效的定价或打包框架。尽管如此，我们还是概述了我们是如何考虑定价和包装的，这部分市场正在争论如何将其新的 genAI 功能货币化–B2B SaaS 和消费者公司–以及我们看到其他公司是如何处理同样的问题的，这样您就可以更好地了解您的战略在当今市场中的定位。

三角测量早期使用情况、客户角色和产品使命
与任何定价和包装工作一样，最好的起点是了解以下内容：

1 你的功能为谁带来了多少价值，以及
2 提供该功能的成本是多少
然后，将这些结果与您认为 genAI 对整个产品的核心作用相比较。

由于创始人仍在摸索 genAI 能为客户带来什么价值以及成本是多少，因此这其中的一些工作将是艺术而非科学。尽管如此，您的早期使用情况和客户角色可以让您深入了解这两个矢量。

测试版和早期使用
对于测试版和早期使用，您需要了解哪些客户正在使用您的产品，使用频率如何，为他们提供服务的成本是多少，以及他们愿意为 genAI 功能支付多少费用。例如，必须深入了解以下几点：

• 它是否会增加您的 TAM？(例如，您以前为 10 位客户提供服务，现在能为 100 位客户提供服务吗？）
• 您的 genAI 功能是否提高了从免费到付费层级或更高付费层级的转化率？
• 您的产品是否拥有占该功能大部分使用量的强大用户群？如果是，他们对您的 COGS 有何影响？

客户角色
对于 “客户角色”，你需要弄清楚哪些 “角色 “愿意付费，哪些不愿意付费。是所有客户都能从 genAI 功能中实现价值，还是只有部分客户能？

通过访谈、调查和销售团队数据，是进一步了解客户角色和细分市场的好方法。

• 访谈。如果你的客户数量不多，对他们进行访谈可以让你更好地了解谁有兴趣购买你的产品，以及他们将来可能对哪些产品感兴趣。
• 调查。如果你的客户数量较多，你可以调查哪些潜在的新功能对他们来说最重要，然后将这些信息与他们公司的行业或职能联系起来。
• 销售团队数据。您的销售团队日复一日地与客户交谈，这意味着他们通常能很好地了解不同类型的客户需要哪些功能才能成功使用您的产品。
• 这里有一点要注意：要警惕 “AI 游客”–或者说那些注册您产品的客户，他们要么是因为公司有任务要试用 genAI（B2B），要么是因为他们自己很想尝试新的 genAI 功能（prosumer）。这些用户很难留住，即使他们愿意付费试用您的产品。(尽管如此，我们看到越来越多的企业公司将 genAI 支出从创新项目重新分配到标准软件项目，这表明 genAI 正在发展成为许多企业的重要组成部分）。

产品愿景
这就是你作为创始人的愿景。也许现在只有一部分客户对人工智能生成技术感到兴奋，但你相信人工智能生成技术最终会重塑你产品的客户体验，并带来更丰富的价值主张。又或者，您仍在确定人工智能生成技术将如何造福于您的客户，而现在对某些用户来说，人工智能生成技术只是一个不错的选择。这部分工作以定性和愿景为导向，由您决定 genAI 在产品路线图和价值主张中的核心地位。

一旦您对 genAI 功能的价值和成本有了很好的认识，并对生成式人工智能在当前产品和未来路线图中的地位有了可行的假设，您就可以开始具体考虑包装和定价问题了。

最近，我们收到了一封关于医疗保健小组的电子邮件，题为“使用具有现代传真功能的人工智能来减轻管理负担”
我们立刻想，“等等，什么？”
但是的，我们读对了：有一个关于在医疗保健中将人工智能与传真机集成的小组！
我们被困在20世纪80年代了吗？医疗保健难道不应该与时俱进，停止使用传真机吗？
我们不得不笑。
但在表面之下，这封电子邮件告诉我们很多。
它揭示了为什么人工智能将在医疗保健领域产生比任何其他行业都更大的影响，以及为什么人工智能人才应该对这个机会感到难以置信的兴奋。
听我们说完。

传统企业软件难以渗透到医疗保健领域已经不是什么秘密了。关于“现代传真功能”的电子邮件非常清楚地证明了这一点。医疗保健占美国经济的20%，但在最大的100家公共软件公司中，只有一家是医疗保健公司。
成功的医疗保健软件公司是令人难以置信的业务，但它们很少。医疗保健作为一个行业，在采用技术方面进展缓慢，不愿给不堪重负的IT团队带来负担，也不愿为精疲力竭的员工培训新系统。
但这种情况即将改变。

正如新兴市场直接从使用现金转向移动支付（完全“跨越”信用卡）一样，医疗保健也将直接从传真机转向人工智能（“跨越”传统垂直软件）。
有了人工智能，健康科技公司不再需要在软件方面进行艰苦的培训。相反，他们可以销售像人一样的人工智能，并从医疗专业人员的盘子里拿走越来越多的工作，使他们能够解决更有趣的问题，并在许可证的最高水平上进行实践。
宣传很简单：“不想要更多的软件吗？很酷，我们可以给你提供廉价、快速、快乐、富有同情心的人工智能‘人’。

早期关于游戏中的世代人工智能革命的讨论主要集中在人工智能工具如何提高游戏创作者的效率——使游戏比以前更快、更大规模地构建。虽然这是真的，但我们相信，从长远来看，最大的机会是利用人工智能不仅改变我们创建游戏的方式，还改变游戏本身的性质。
我们对生成型人工智能有机会帮助创建新的人工智能第一类游戏并大幅扩展现有类型感到兴奋。人工智能长期以来一直在创造新的游戏形式方面发挥着作用——从Rogue的程序生成的地下城（1980年）到Half-Life的有限状态机（1998年），再到Left 4 Dead的人工智能游戏总监（2008年）。深度学习的最新进展使计算机能够根据用户提示和大数据集生成新内容，这进一步改变了游戏。

早期，我们看到的一些有趣的人工智能游戏领域包括生成代理、个性化、人工智能讲故事、动态世界和人工智能副驾驶。如果成功，这些系统可以结合起来创建新的人工智能游戏类别，这些游戏可以娱乐、吸引玩家并在很长一段时间内留住玩家。
生成代理
模拟类型于1989年由Maxis的《模拟城市》拉开帷幕，玩家在其中构建和管理一个虚拟城市。如今，最受欢迎的模拟游戏是模拟人生，全世界有7000多万玩家在日常生活中管理被称为“模拟人生”的虚拟人。设计师威尔·赖特曾将《模拟人生》描述为“互动娃娃屋”

生成型人工智能可以通过大型语言模型（LLM）提供的新兴社会行为使代理更加逼真，从而极大地推动模拟类型。
今年早些时候，斯坦福大学和谷歌的一个研究小组发表了一篇关于LLM如何应用于游戏中的代理的论文。在博士生朴俊星（Joon Sung Park）的领导下，研究团队用25个类似模拟人生的代理填充了一个像素艺术沙盒世界，这些代理的行为由ChatGPT和“一种扩展LLM的架构，可以使用自然语言存储代理体验的完整记录，将这些记忆…合成更高层次的反射，并动态检索它们以计划行为。”

世界正处于人工智能驱动的工业革命之中。正如a16z联合创始人Marc Andreessen最近所写，人工智能将拯救世界。英国刚刚将自己的主张押在了人工智能前沿，要求美国政策制定者重申美国作为技术创新强国的作用。我们是否让它改善美国人的健康取决于我们如何监管它。

没有哪个领域的人工智能能比生物技术和医疗保健更直接、更拯救生命。在生物学方面，人工智能将使我们的科学家能够比以往任何时候都更快、更有效地进行实验，从而为患有衰弱性疾病的患者提供更好的治疗。在健康领域，人工智能将使我们的护理人员能够更准确、更少地照顾更多患者，从而带来更好的消费者体验和健康结果。在我们的社区中，人工智能将使人们与家人和亲人一起过上更健康、更幸福的生活。患者准备从人工智能融入生物技术和医疗保健行业中获得巨大利益。广泛实施将使获得高质量护理的机会民主化。

在政策制定者努力将人工智能融入生命科学和护理提供的过程中，他们必须与行业密切合作，考虑潜在的监管将如何实现一个充满活力和竞争力的市场，并最大限度地提高患者福利。在a16z，我们很幸运能与许多最具创新性、前瞻性的公司合作，塑造人工智能的未来，为我们提供了一个独特的有利位置来预测明天的前景。

与许多使用人工智能技术的领域一样，监管框架已经存在，医疗保健也不例外。自20世纪70年代以来，联邦政府一直在监管基于软件的医疗产品。随着政策制定者面临着监管生物技术和医疗保健领域人工智能的呼声，他们必须考虑这些重要主题，以防止扼杀创新并激励国内投资。

监管机构应该做以下三件事来为生物和健康领域的人工智能革命做好准备：
1.将人工智能作为一种工具，赋予美国食品药品监督管理局权力
美国食品药品监督管理局正在掀起一股新药申请潮。人工智能在药物发现和开发方面的进步正在减少研究时间和研发成本，同时简化临床试验设计、招募和注册。如果没有更精简的IND、BLA和NDA审查程序或大幅增加人员，美国食品药品监督管理局可能会很快落后，这可能会大大推迟审查时间表和患者获得新的救命疗法。

大型语言模型（LLM）在科技行业掀起了一场风暴，为只能被描述为神奇的体验提供了动力——从在几秒钟内编写一周的代码，到生成比我们与人类的对话更具同理心的对话。LLM通过数千个GPU的集群，在数万亿的数据标记上进行训练，表现出非凡的自然语言理解能力，并改变了复制和代码等领域，将我们推向了一个新的、令人兴奋的人工智能生成时代。与任何新兴技术一样，生成人工智能也受到了一些批评。尽管这些批评确实反映了LLM当前能力的局限性，但我们认为这些障碍并不是技术中的根本缺陷，而是进一步创新的机会。

为了更好地了解LLM的近期技术突破，并为创始人和运营商做好准备，我们采访了一些领先的生成人工智能研究人员，他们正在积极构建和培训一些最大、最前沿的模型：Anthropic首席执行官Dario Amodei；Cohere首席执行官Aidan Gomez；Character.AI首席执行官诺姆·沙泽尔；以及AI21实验室的Yoav Shoham。这些对话确定了即将出现的4项关键创新：转向、记忆、“胳膊和腿”以及多模态。在这篇文章中，我们讨论了这些关键创新将在未来6到12个月内如何发展，以及对将人工智能融入自己的业务充满好奇的创始人如何利用这些新进展。

转向
许多创始人对在其产品和工作流程中实施LLM持谨慎态度，这是可以理解的，因为这些模型可能会产生幻觉并重现偏见。为了解决这些问题，几家领先的模型公司正在致力于改进指导——一种对LLM输出进行更好控制的方法——以关注模型输出，并帮助模型更好地理解和执行复杂的用户需求。Noam Shazeer在这方面将LLM和儿童进行了比较：“这是一个如何更好地指导（模型）的问题……LLM有一个问题，我们只需要正确的方法来告诉他们做我们想做的事。小孩子也是这样——他们有时会编造事情，对幻想与现实没有把握。”

尽管模型提供商在可操纵性方面取得了显著进展，Guardrails和LMQL等工具也出现了，但研究人员仍在继续取得进展，我们认为这是最终用户更好地生产LLM的关键。

在企业公司中，改进指导变得尤为重要，因为不可预测的行为可能会带来高昂的代价。Amodei指出，LLM的不可预测性“让人们大吃一惊”，作为API提供商，他希望能够“直视客户的眼睛说‘不，模型不会这样做’，或者至少很少这样做。改进的指导也将为在其他精度和可靠性要求更高的行业中更广泛地采用铺平道路，比如广告投放的风险很高的广告。Amodei还看到了各种用例，从“法律用例、医疗用例、存储财务信息和管理财务赌注，到你需要维护公司品牌的地方。你不希望你所采用的技术是不可预测的或难以预测或描述的。”

有了更好的指导，LLM也将能够以不那么迅速的工程来完成更复杂的任务，因为他们将能够更好地理解整体意图。

LLM指导的进步也有可能在敏感的消费者应用中释放新的可能性，在这些应用中，用户期望得到量身定制的准确响应。虽然用户在出于对话或创造性目的与LLM接触时可能愿意容忍LLM的不太准确的输出，但在使用LLM协助他们完成日常任务、就重大决策向他们提供建议或增强生活教练、治疗师和医生等专业人员时，用户希望获得更准确的输出。一些人指出，LLM准备取代搜索等根深蒂固的消费者应用程序，但在这成为真正的可能性之前，我们可能需要更好的指导来改善模型输出并建立用户信任。
密钥解锁：用户可以更好地定制LLM的输出。