In der Post-Software-Ära gibt es nur zwei Wege, um zu gewinnen.

Das Divine Translation Bureau ist ein Übersetzungsteam unter 36 Krypton, das sich auf Technologie, Geschäft, Arbeitsplatz und Lebensbereiche konzentriert und vor allem auf neue Technologien, neue Ansichten und neue Trends aus dem Ausland hinweist.

Herausgeberhinweis: Lehne die Mittelmäßigkeit der "AI-Hüllen" ab: Entweder werde ein "Lieferant" für große Modelle, oder erfinde neue Geschäfte, die nur mit KI möglich sind. Der Artikel stammt aus einer Übersetzung.

In den letzten acht Jahren war ich als Investor bei Andreessen Horowitz und jetzt bei meiner gegründeten Firma Worldbuild tätig und habe das wiederholte Auftreten desselben Musters miterlebt. Die Softwarebranche war in eine Epoche der Homogenität verfallen, in der der Entwicklungspfad oft eher von vertrauten Finanzierungsstrategien als von echter Innovation bestimmt wurde. Gleiche Einheitseffizienz, gleiche Wachstumskurve, gleiche Entwicklungspfade ab der C-Runde. Gründer haben oft eher auf Finanzierungsmeilensteine als auf den Aufbau einer nachhaltigen Geschäftstätigkeit optimiert, was dazu führte, dass viele Unternehmen zu hohen Bewertungen zu viel Kapital beschafften.

Mit dem Aufstieg der generativen Künstlichen Intelligenz und dem Ende der lockeren Geldpolitik ist diese Ära zu Ende. Als Investor bin ich sehr aufgeregt; die KI hat endlich das seit der Mobilrevolution lange vermisste Potenzial für echte Innovationen freigesetzt. Doch sehe ich, dass einige Gründer immer noch spezielle KI-Produkte für den Marketing- oder Finanzsektor entwickeln, als würden sie noch die Abonnement-Softwaretools der letzten zehn Jahre bauen. Diejenigen, die noch alte Rahmenwerke anwenden, stehen kurz davor, einen großen Fehler zu machen.

In dieser Ära müssen heutige Gründer, um Ergebnisse zu erzielen, die für Risikokapitalgeber attraktiv sind (d. h. Ausstiege im Milliarden-Dollar-Bereich), die "bittere Lehre" von Richard Sutton, einem Turing-Preisträger und Pionier der Reinforcement Learning, berücksichtigen. Suttons Vorhersage wurde erstmals in den frühen 2010er Jahren im Bereich des maschinellen Sehens (einem frühen KI-Bereich, der darauf abzielt, Computern das Lesen von visuellen Bildinformationen beizubringen) bestätigt: Damals haben Systeme mit geringerer Algorithmuskomplexität, aber größerer Datenmenge die seit Jahren vorherrschende Methode des manuellen Programmierens völlig abgelöst. Spezialisierung wird schließlich von einfacheren Systemen mit mehr Rechenleistung und Trainingsdaten besiegt. Aber warum ist dies eine "bittere Lehre"? Weil wir damit eine unangenehme Tatsache akzeptieren müssen: Die von uns intuitiv angenommene Überlegenheit menschlicher Fachkenntnisse gegenüber Skaleneffekten ist falsch.

Dieser Prozess ist bereits im Gange. Im Nachhinein scheint es offensichtlich, dass Basis-Modelle frühe KI-Schreibtools sinnlos machen werden; aber dasselbe Schicksal erwartet jedes spezielle KI-Tool, das ein KI-Modell "erzwungen" in bestehende Arbeitsabläufe integriert – sei es im Finanz-, Rechts- oder sogar im Bereich der automatischen Codegenerierung. Diese speziellen Tools glauben, dass sie durch die Erstellung spezifischer Arbeitsabläufe mit Modellen die Basis-Modelle schlagen können, aber das Kernproblem besteht darin, dass die Fähigkeiten der Basis-Modelle stetig zunehmen. Wie in der folgenden Tabelle gezeigt, verdoppelt sich die Länge der Aufgaben, die ein allgemeines Modell bewältigen kann, alle sieben Monate. Ihre Entwicklungstrends drohen, alle "Hüllen"-Anwendungen, die darauf aufbauen, zu verschlingen.

Mit zunehmender Stärke der allgemeinen Modelle verdoppelt sich die Länge der Aufgaben, die die KI bewältigen kann, alle sieben Monate. (Quelle: Model Evaluation & Threat Research.)

Nach Gesprächen mit Hunderten von frühen Gründern, die mit KI-Geschäften anfangen, sehe ich zwei Wege langsam entstehen. Der eine führt zu der "bitteren Lehre" – und wird in 18 Monaten bedeutungslos; der andere führt zu den großen Unternehmen, die diese Ära definieren. Diese zeitrahmenden Geschäfte lassen sich in zwei Kategorien einteilen: Einerseits das Aufbauen der Ressourcen, die für die Weiterentwicklung von Modellen erforderlich sind – Rechenleistung, Trainingsdaten und Infrastruktur; andererseits das Entdecken von Aufgaben, die nur mit KI möglich sind.

Lasst uns näher untersuchen, wie diese beiden Geschäftskategorien aussehen und wie man feststellen kann, zu welcher Kategorie man gehört.

Es fehlt dir nicht an Ideen, es fehlt dir an Zeit.

Der erste Weg: Die Modellwirtschaft

Einer der Ansätze, der parallel zur "bitteren Lehre" verläuft, ist es, die KI sowohl als ein Werkzeug zum Aufbauen als auch als ein Ziel des Aufbaus zu betrachten. Mit letzterem meine ich diejenigen Geschäfte, die Daten oder Infrastruktur entwickeln, die die Fähigkeiten von Modellen ermöglichen und verstärken, anstatt einfach nur Anwendungen zu entwickeln, die derzeit die KI nutzen. Ich nenne dies die "Modellwirtschaft".

Viele skalierbare Unternehmen haben sich an diesen Wandel angepasst, indem sie direkt an Labore liefern. Dazu gehört Oracle, dessen Vertragsbestand für die Bereitstellung von Rechenleistung für Modellbauer auf fast 500 Milliarden Dollar gestiegen ist. Auch die KI-Cloud-Computing-Unternehmen CoreWeave und Crusoe profitieren von dieser Welle; sie haben sich vom Bitcoin-Mining auf die Bereitstellung von Rechenleistung und Rechenzentren für KI-Labore umgestellt. Ebenso Scale AI, das kürzlich eine Investition von 14 Milliarden Dollar von Meta erhielt, um hochwertige annotierte Daten für das Training von großen Sprachmodellen bereitzustellen.

Die vier großen Chancen der Modellwirtschaft

In den folgenden vier Bereichen werden sich große und nachhaltige Unternehmen der Modellwirtschaft etablieren:

Kommerzialisierung der Rechenleistung

Die Fähigkeiten der KI werden weiterhin exponentiell wachsen, was mehr Rechenleistung (Chips) und Energie erfordert. Kurzfristig sind jedoch Schwankungen unvermeidlich: Supergroße Cloud-Anbieter können innerhalb eines Quartals zwischen einem Überangebot und einem Mangel an GPUs (spezielle Prozessoren, die die KI antreiben) schwanken. Beispielsweise hat Microsoft Anfang dieses Jahres von einem GPU-Überangebot zu einem Mangel gewechselt. Die lebensfähigsten Start-ups werden beiden Realitäten gerecht werden: der Sicherheit der Nachfrage nach Rechenleistung durch die KI und der chaotischen Abfolge von Engpässen und Überangeboten. Wir investieren seit langem in das "Börsenmodell" – Unternehmen, die die Nachfrage und das Angebot an Rechenleistung oder Energie abgleichen, die Auslastung von Vermögenswerten erhöhen (z. B. indem sie sicherstellen, dass Chips voll ausgelastet und nicht nur halb ausgelastet sind) und Mechanismen für den Handel mit diesen Ressourcen aufbauen, wie die KI-Rechenleistungsmärkte San Francisco Compute Company und Fractal Power. Diese Unternehmen können Schwankungen standhalten und sogar davon profitieren. Metas Einstieg in den Großhandelsstrommarkt, um eine flexible Stromversorgung für schnell wachsende KI-Rechenzentren sicherzustellen, deutet auf die Zukunft hin. Zunächst werden wir den Strom, der die KI antreibt, handeln, dann werden wir die Rechenleistung selbst handeln.

KI auf Geräten

Aufgrund von Latenz (oder der Anforderung an die Echtzeitreaktion), Datenschutz, Konnektivität oder Kosteneinschränkungen kann bestimmte KI nicht in der Cloud laufen. Beispielsweise möchte ein Hedgefonds-Analyst, dass ein Modell seine Handelsstrategien über mehrere Tage hinweg analysiert, ohne diese jemandem preiszugeben. In dieser Kategorie werden spezielle Hardware und Netzwerke leistungsstarke KI-Modelle lokal ausführen und verwalten, anstatt in fremden Clouds. Die Sieger werden Hardware und Software eng integrieren, um eine auf Geräten stattfindende KI-Erfahrung zu ermöglichen. Metas kontinuierliche Investitionen in tragbare Geräte sind ein Beispiel, ebenso das Start-up Truffle, das spezielle Computer und Betriebssysteme für KI-Modelle entwickelt. Diese Kategorie könnte auch Start-ups umfassen, die lokale KI-Netzwerke erstellen, die Rechenleistung aus verschiedenen Quellen zusammenfassen können, einschließlich Computern, Grafikkarten, Spielkonsolen und sogar Roboterflotten.

Datenhandelsplattformen

Um genauere Ergebnisse zu erzielen, benötigen KI-Modelle zunehmend spezialisierte Daten (z. B. anonymisierte medizinische Bilddaten, um bessere Gesundheitsberatungen anzubieten). Heute befinden sich die meisten dieser Daten in verschiedenen Unternehmen, von kleinen bis zu großen Konzernen. Neue Datenhandelsunternehmen können entstehen, um diesen Unternehmen zu helfen, zu verstehen, welche ihrer Daten für Modelllieferanten nützlich sein könnten, und Lizenzgeschäfte zu vermitteln, wie etwa Reddit, das Google Daten lizenziert. Oder die Modelllieferanten können angeben, welche Daten sie benötigen (z. B. die neuesten medizinischen Forschungsdaten), und die Handelsunternehmen suchen dann die Quellen.

Sicherheit

Heutige Sicherheitssysteme konzentrieren sich auf die Abwehr: Firewalls, Verschlüsselung und das Abwehren von Hackerangriffen. Die Sicherheit in der Modellwirtschaft konzentriert sich dagegen auf den Angriff. Diese Unternehmen werden Teams zusammenstellen, um gezielt KI-Systeme zu hacken und aufzudecken, wie sie manipuliert werden können, um schädlichen Inhalt zu generieren oder Unternehmensspionage zu betreiben. Anschließend können sie diese Dienste an große Unternehmen anbieten, damit diese die Sicherheitslücken reparieren können, bevor sie ausgenutzt werden.

Der zweite Weg: Post-skeumorphe Anwendungen

Trotz alledem sind nicht alle KI-Anwendungen (d. h. Produkte, die auf Basis-Modellen aufbauen) zum Scheitern verurteilt.

Diejenigen Anwendungen, die in die Falle der "bitteren Lehre" geraten, sind diejenigen, die von bestehenden Arbeitsabläufen (z. B. der Aktualisierung von Lagerdaten) ausgehen und diese "KI-fizieren". Die Anwendungen, die überleben können, werden die einzigartigen und feinen Eigenschaften von Modellen nutzen, um neue Arbeitsabläufe zu erfinden, die zuvor technisch nicht möglich waren. Ich nenne diese Anwendungen "post-skeumorphe Anwendungen".

"Skeumorphismus" ist eine Falle, die davon ausgeht, dass neue Technologien, wenn sie auftauchen, wie alte Dinge aussehen sollten. Frühe Mobile-Anwendungen sind oft in dieses Muster geraten. Sie haben die physische Welt kopiert: Der Papierkorb-Icon sah wie ein echter Papierkorb aus, und die beliebte "Bier-trinken"-App auf dem ersten iPhone. Aber sie haben nicht die speziellen Potenziale des Handys erkundet.

Die letztendlich erfolgreichen Anwendungen haben diese Falle völlig gebrochen. Uber hat nicht die Taxifunkzentrale digitalisiert. Es hat sich gefragt: Was wird möglich, wenn jeder in der Tasche ein Handy hat, das weiß, wo es sich befindet? Wie der Investor Matt Cohler sagte, ist das Handy zum Fernseher der Lebenswelt geworden – Essen bestellen (DoorDash), Taxi rufen (Uber), Lebensmittel einkaufen (Instacart). Sie haben nicht versucht, sich an bestehende Arbeitsabläufe anzupassen, sondern haben völlig neue Arbeitsabläufe erfunden.

Die KI befindet sich derzeit an genau demselben Wendepunkt. Die meisten KI-Anwendungen nehmen bestehende Prozesse (z. B. Schreiben oder Kundenservice) und verpacken sie in ein Modell. Das Endergebnis könnte ähnlich wie bei guten Schreibassistenten aussehen – ihre Vorteile werden allmählich von GPT und anderen Basis-Modellen gefressen.

Die erfolgreichen Gründer stellen sich eine andere Frage: Was wird jetzt möglich? Welche Aufgaben können wir erfinden, die nur mit KI möglich sind? Modelle haben einzigartige Eigenschaften – sie können mit anderen Modellen zusammenarbeiten, aus jeder Interaktion lernen und neue Lösungen für Fragen ohne vordefinierte Antworten generieren. Die erfolgreichen Anwendungen werden Arbeitsabläufe entdecken, die diese Eigenschaften nutzen. Wir wissen vielleicht noch nicht einmal, wie diese Arbeitsabläufe aussehen werden.

Figma bietet außerhalb des KI-Bereichs einen nützlichen Anhaltspunkt. Das Gründerteam von Figma hat nicht einfach versucht, die Adobe-Design-Suite im Browser neu zu gestalten. Stattdessen haben sie die Möglichkeiten erforscht, die WebGL (eine 2011 entwickelte Technologie, die es Browsern ermöglicht, die Grafikkarte des Computers aufzurufen) bietet. Die ersten Experimente von Figma-Mitbegründer Evan Wallace mit WebGL haben gezeigt, dass komplexe und interaktive Grafiken direkt im Browser reibungslos laufen können, was den Weg für Figmas Browser-Rendering-Engine ebnete – eine echte "post-skeumorphe" Anwendung.

Die drei großen Chancen der post-skeumorphen Anwendungen

Post-skeumorphe Anwendungen werden in den folgenden drei Bereichen Milliarden-Dollar-Ergebnisse erzielen:

Simultane Koordination mehrerer Agenten

Im Bereich der Zusammenarbeit mehrerer Agenten habe ich das Potenzial von post-skeumorphen Anwendungen erlebt. Als Investor verwende ich mehrere Modelle, die verschiedene Rollen spielen und miteinander interagieren, um so etwas wie einen virtuellen Investmentausschuss zu schaffen. Ich lasse ein Modell Prompts generieren und gebe diese dann an ein anderes Modell weiter. Wenn ich nur Modelle von einem einzigen Anbieter verwende, stelle ich fest, dass es in eine Sackgasse gerät oder sich in einer Schleife dreht. Aber wenn ich mehrere Modelle einbeziehe, können die Ergebnisse oft aus der "schmeichelhaften Spirale" ausbrechen. (Du kannst es selbst mit Andrej Karpathys LLM Council ausprobieren.)

Tools, die mehrere Agenten gleichzeitig nutzen, können der "bitteren Lehre" widerstehen, denn ihr Wert liegt nicht in der Fähigkeit eines einzelnen Modells, sondern in den Interaktionen zwischen ihnen, die Halluzinationen reduzieren und eine bessere Bewertung ermöglichen. Anstatt sich nur anzupassen, bewerten Modelle oft die Ausgabe anderer Modelle höher als ihre eigene, wodurch ein "ehrlicherer" und weniger voreingenommener Bewertungssystem entsteht.

Post-skeumorphe Anwendungen werden nicht auf einem einzigen Modell aufbauen und möglicherweise nicht einfach nur als "Copiloten" fungieren, die den Benutzern in linearen Arbeitsabläufen helfen. Stattdessen werden sie eine Gruppe von Agenten organisieren, von denen jeder eine einzigartige Rolle und Fachkenntnis hat, die aus jeder Interaktion lernt, die Arbeit zum richtigen Zeitpunkt an den richtigen Agenten weiterleitet und mit jeder Nutzung besser wird. Ihre Leistung wird nicht mehr wie bei herkömmlicher Software aussehen, sondern eher wie ein sich ständig entwickelndes Schwarmgehirn.

Großmaßstäbliche Simulationen

Insbesondere in der Wissenschaft ermöglicht die KI großmaßstäblic