图片来源：Unsplash

Z Highlights：

• 如果一家企业必须要用性能最好的产品来参与市场竞争，那么它就不能只是组装标准化的组件，因为从工程师的角度来看，标准化的接口（意味着较少的设计自由度）限制了设计的自由以及对前沿技术的应用。
• 在某种程度上，要让谷歌市场竞争中脱颖而出的关键是通过收购新一代的AI Native公司实现的，新公司没有大量的数据积累，可以在选择基础设施和进行技术整合时更加灵活。
• 尽管模型之间有区别，但这些区别并不会显著到需要对每个模型进行区别对待，而是可以像商品一样普遍对待；最大的价值是构建那些将AI模型视为处理器的平台。

利用集成的方法创新会带来财务成本以外的价值

在上周的Stratechery采访中，Satya Nadella在回答关于谷歌和人工智能的问题时说：

“我认为市场上总是有空间让某些人进行纵向整合。我总是回到盖茨/格罗夫模型 (ZP注：盖茨/格罗夫模型指的是由比尔·盖茨和安迪·格罗夫所倡导的一种技术和商业战略，强调在快速变化的技术市场中，通过控制关键技术和建立开放合作的生态系统，来实现持续的竞争优势)，然后让我们称之为苹果或新谷歌模型，即纵向集成模型。我认为他们俩都有戏。”

最早研究集成与模块化问题的经济学家是Ronald Coase，在他的经典论文《The Nature of the Firm》中，Coase总结道：

“当我们考虑：到底一家公司的规模有多大，边际效用才能有效时。这个问题的本质是：将额外的交易纳入组织机构中是否值得？在边际上，将交易纳入组织的成本等于企业外部另一家公司的组织成本，或者是由市场价格机制‘组织’这个交易所需的成本。”

Clayton Christensen教授将集成与模块化的分析进一步拓展，到经济学家可衡量成本之外的、更难以捉摸的领域——创新。他在《The Innovator’s Solution》中提到：

图片来源：Stratechery

“在图5-1的左侧，我们可以看到，当产品出现性能缺口（performance gap）时，也就是当产品的功能和可靠性达不到特定市场的用户需求时，企业必须通过制造尽可能好的产品来竞争。相对于其产品架构是模块化的竞争对手，在这场竞争中，利用交互式产品架构（ZP注：交互式产品架构：产品中的某一环节的设计和制造方法要依赖于其他环节的设计和制造方法，这个产品的架构就必须依赖“接口”来进行联系。）构建其产品的公司，更具有优势。因为模块化产品架构的固有标准极大地剥夺了工程师的设计自由，降低了产品性能的可优化性。”

为了在每一代新产品中缩小性能差距，竞争压力迫使工程师以更高效的方式将系统的各部分组合在一起，以从现有技术中榨取最多的性能。如果一家企业必须要制造性能最好的产品来参与市场竞争，那么它就不能只是组装标准化的组件，因为从工程学的角度来看，标准化的接口（意味着较少的设计自由度）限制了设计的自由以及对前沿技术的应用。当市面上的产品并没有达到完全成熟完善的水平时，采用保守的技术，就意味着你将输给别人。

以自主开发交互式产品架构为竞争力的企业，必须将整个生产过程全部整合起来，必须掌控产品系统当中每一个关键组件的设计和制造。例如，在大型计算机产业发展的早期，当产品的功能和可靠性尚未满足主流客户的需求时，它的独立代工厂是没有生存空间的。因为计算机的设计方式依赖于制造中使用的工艺，反之亦然。同样的，你也无法作为独立供应商来为大型计算机生产操作系统、核心内存或逻辑电路，因为这些关键子系统也必须相互依存和迭代设计。”

我在2013年的《What Clayton Christensen Got Wrong》中也对这一文发表了一些自己的观点。我并不反对上述摘录，而是对后续论点提出了异议，即集成式的解决方案最终会超出客户需求，并被模块化方案所取代。正是在这个基础上，Christensen经常预测苹果会在智能手机市场失去领先地位，但我认为在消费者市场中这不会发生，因为在消费者市场中，模块化会产生超出经济学家所能衡量的成本：

“我们在纵向集成分析中遇到的问题是：我们只考虑了财务成本，这也是我在商学院学到的内容。但还有其他更难以量化的成本。模块化在产品设计和使用体验中产生的成本是无法被克服的，也是无法衡量的。B端客户以及研究他们的分析师会忽略这些成本，但消费者不会。有些消费者天生就了解并重视质量、外观、手感和细节。他们愿意为此支付的溢价，远远超过纵向集成的财务成本。”

就智能手机甚至计算机而言，这一点是对的：基于Windows的模块化计算机在计算机发展的前30年中占据主导地位，但今天Mac在消费者中占主导地位，微软在其Copilot+PC的框架中也默认了这一点。不过，智能手机和PC都是你手中的物理设备。但是在AI中，集成式的战略是否能笑到最后？

集成与模块化AI：科技巨头的战略概况介绍

在PC中，集成与模块化的对比如下：

图片来源：Stratechery

苹果在90年代曾短暂尝试模块化，但几乎使其破产；最终，公司走向了完全相反的方向——遵循生产iPhone时设定的路，完全集成到处理器层：

图片来源：Stratechery

这两张图片的相似之处应该是显而易见的；马克·扎克伯格指望这种模式在头戴式计算机中重复出现，而Meta作为开放的替代方案。如Nadella所指出的，在AI方面，谷歌才是集成型的企业：

图片来源：Stratechery

谷歌在其TPU处理器上训练和运行其Gemini模型家族，这些处理器仅在谷歌的云基础设施上可用。开发人员可以通过Vertex AI访问Gemini（Vertex AI是谷歌的全托管AI开发平台）；而且在某种程度上，Vertex AI 与谷歌的内部开发环境类似，谷歌可以在这个平台上构建自己的面向消费者的AI应用。“一切都是谷歌的，从上到下”——有证据表明这种集成正在取得成效：行业领先的Gemini1.5有200万个token的上下文窗口，这肯定是谷歌的基础设施团队与其模型构建团队之间的联合创新的结果。

另一个极端是AWS，尽管它有自己的Titan模型家族，但它并不是重点。AWS主要专注于其Bedrock托管开发平台，该平台允许用户使用任何模型。亚马逊的另一个重点是开发自己的芯片，尽管其AI业务的绝大部分运行在Nvidia的GPU上。

图片来源：Stratechery

微软处于中间位置，得益于其与OpenAI及其模型的密切联系。该公司去年推出了Azure Models-as-a-Service，但其对外部客户和内部应用的主要关注点一直是基于OpenAI的GPT模型；微软还推出了自己的推理芯片，但大多数工作还是运行在Nvidia芯片上。

图片来源：Stratechery

最后是Meta，它只为自己开发；这意味着最重要的集成点在于应用程序和模型之间。换句话说，这也是为什么Llama 3要进行优化以降低推理成本，即使要承担更高的训练成本。这也意味着Meta可以完全跳过托管服务层。

图片来源：Stratechery

另一个需要强调的公司是Databricks（本月早些时候，我与其CEO进行了交谈）。得益于其收购的MosaicML，Databricks可以帮助客户在自己的数据上训练自己的LLMs，这些数据当然储存在Databricks上，而Databricks本身则位于超大规模云计算平台上：

图片来源：Stratechery

Databricks值得强调是因为其方法强调了数据的重要性：数据和模型是集成的关键点。

科技巨头们的战略分析

谷歌

从这一分析中得出的第一个结论是，谷歌的策略确实是独特的：正如Nadella所指出的，他们是AI界的苹果。更大的问题是这种策略是否重要：正如我上面提到的，（1）在消费者市场中，买家是用户，因此他们重视集成化在用户体验上带来的产品优势，（2）当这些用户体验优势体现在设备中时，集成的方法会带来可持续的护城河。

谷歌当然在为消费者市场构建产品，但这些产品不是设备，它们是互联网服务。而且，正如你可能注意到的那样，前文的讨论中并没有提到互联网。谷歌和Meta，这两个互联网时代最大的赢家，都是在标准化、通用的硬件上构建其服务的。虽然这些服务得以扩展要归功于两家公司进行的深度基础设施工作，但Google采用的定制化的方法，足以与Meta更开放的方法一战。值得注意的是，这两家公司都在整合他们的模型和应用程序，OpenAI的ChatGPT也是如此。

谷歌的第二个问题是：他们是否真的擅长制造产品：苹果公司之所以如此的卓越，不仅在于公司是集成式的，还在于它在不断地推出iPhone之外的开创性新产品（如Apple Watch和AirPods）的同时，还保持了它长期以来的卓越的标准。销售的硬件每年都必须做到尽善尽美，消费者才有理由持续花大价钱购买硬件，这种消费者对持续的、高标准产品的需求给企业提供了一个更好的激励结构，确保公司在产品质量和执行力上保持卓越。这与那些整合和提供搜索引擎服务的公司形成鲜明对比，因为后者的用户往往不直接付费使用服务。

这一分析还强调了Google’s True Moonshot计划的潜力：谷歌的Pixel手机是iPhone这一纵向集成者的竞争对手。正如那篇文章所述：

“谷歌的各种Google’s True Moonshot计划——从Waymo、Google Fiber、Nest、Project Wing、Verily到Project Loon（名单还在继续）——大多是科学项目，它们在很大程度上把谷歌的利润从股东手里转走了。其中Waymo可能是最有趣的，但即使它们成功了，它最终也是一种汽车服务，与谷歌的使命相去甚远——组织世界的信息并使其普遍可访问和有用。

但是，如果从一开始使命宣言就是执行这种大胆创新的计划呢？如果‘I’m Feeling Lucky’（ZP注：“I’m Feeling Lucky”按钮：这是谷歌主页上的一个按钮，用户点击后会直接带他们到与搜索词最相关的第一个结果页面，而不是显示一个搜索结果列表。）不仅是主页上一个异想天开的按钮，而是与世界上所有信息交互的默认方式呢？如果一个AI助手如此优秀，如此自然，以至于任何可以无缝访问它的人都会不假思索地一直使用它，那会怎么样？

毋庸置疑，这可能是唯一真正令苹果害怕的事情。Android确实对iOS有其优势，但对于大多数人来说，这些优势并不特别重要。即使是对那些优势在乎的人，比如我，它们也不足使我以放弃iOS的优越的整体用户体验。唯一能驱动平台市场份额发生重大变化的是范式转变（ZP注：范式转变：能够改变用户对平台的偏好和选择的重大技术进步或创新。例如，苹果在2007年推出的iPhone）。我怀疑Pixie的v1版本（谷歌传闻中的仅限Pixel的人工智能助手）是否足够吸引iPhone用户转换平台，但至少有一条路径可以实现这一点。

当然，Pixel首先需要在Android市场上获胜，这意味着谷歌需要在市场推广上进行大量投资，特别是从开设商店到补贴运营商，再到提升产能。这不是一笔小费用，这就是为什么谷歌尚未真正投资使Pixel，让他在智能手机市场中占有一席之地的原因。

然而，潜在的回报是天文数字：一个Pixie无处不在的世界是一个谷歌可以通过销售硬件来赚取真金白银的世界。它们还可以从提供给企业和学校的服务以及利用谷歌基础设施为企业提供相同功能的云服务中赚钱。此外，这是一个谷歌真正整合的世界：该公司已经在其手机和数据中心使用世界上最大的数据集来制造芯片，制造模型”

正如我上个月在更新中指出的，它最近的重组指向了纵向集成这一方向，不过Google I/O大会没有提供任何暗示这一战略转变的信号。大会的重点是新的AI搜索体验，不用说，结果好坏参半。事实上，谷歌因AI回答的错误而遭到无情嘲笑，这一事实解释了为什么面向消费者的人工智能可能会对公司造成颠覆性影响：现有公司难以应对颠覆性技术，因为它们至少在一开始对于现有公司的核心产品来说并不够好。时间会告诉我们这是否会为谷歌在智能手机战略转变上提供更多助益，还是让公司止步不前。

B端市场是另一个问题：虽然我对谷歌在Google Cloud Next 2024大会上宣布的一系列AI更新和企业解决方案印象深刻，并且受益于与谷歌基础设施的整合，它不会对现有产品或服务造成负面影响和并带来相关成本，但是要克服数据导向（data gravity）是一个艰巨的任务。即许多企业客户会发现：在已经存储数据的同一云上使用AI服务更容易（谷歌当然也支持B端客户使用除了Gemini以外模型和Nvidia GPU）。在某种程度上，要让谷歌市场竞争中脱颖而出的关键点是通过收购新一代的AI Naitive公司实现的，新公司没有大量的数据积累，可以在选择基础设施和进行技术整合时更加灵活。

AWS

AWS当然希望这一论点是正确的：该公司正在按照“价值链中的一切都是模块化并最终成为商品”这一假设运营，这意味着它认为数据导向最为重要。但是，我们难以区分这在多大程度上是对战略格局的正确解读，并且完美契合AWS的优势和劣势，包括其针对商品工作负载高度优化的基础设施。

微软

微软则处于中间位置，但并非完全自愿。去年十月，在公司财报电话会议上，Nadella详细谈到了公司如何围绕OpenAI优化其基础设施：

“我们采取的方式是一种全栈方式，从ChatGPT到Bing Chat或我们所有的Copilot，它们都共享同一个模型。因此，从某种意义上说，对我们训练的这个模型，我们对它的使用率极其高。也就是说我们投入了大量资源来训练一个模型，然后这个模型被用于大规模的推理。而这种优势逐步渗透到内部使用和第三方的利用中，而且随着时间的推移，我们可以看到从软件堆栈的顶层到底层（包括硬件，如硅芯片）的优化，因为开发者使用的抽象层级已经比底层内核要高很多了。（ZP注：这意味着开发者不必处理底层的复杂性，可以更专注于应用层面的开发，因为底层的优化和复杂性已经被抽象化和封装好了。）

因此，我认为我们采取了一种基本的方法，即我们会提供所有可用的Copilot和Copilot堆栈。但这并不意味着我们没有人训练开源模型或专有模型。我们还有许多开源模型。我们进行了一系列的微调，进行了一系列的RLHF。因此，人们可以用各种各样的方式使用它。但是一个不容忽视的事实是，我们拥有自有的、高利用率的大模型，她可在我们所有第一方SaaS应用程序中进行推理，也在我们的Azure AI服务API中进行大规模运用……

我们从云端业务学到的经验教训是——我们不是一个运营不同业务的企业，而是微软所有产品组合的技术堆栈，我认为这一原则将非常重要。在这次人工智能转型中，任何一个不根据原则控制它们业务的资本支出的企业都很可能会遇到麻烦。”

然而，一个月后，OpenAI几乎崩溃，微软不得不面对一个现实，即将战略寄托在与你无法控制的合作伙伴的合作上是极其危险的；自那以后，正如我在本文开头引用的Nadella的言论一样，该公司的大部分表态和行动都集中在将AI模型业务从特定合作伙伴的依赖中抽离出来，特别是通过公司自管的AI开发平台进行管理和优化。这种方式更类似于亚马逊。我认为公司实际上更希望倾向于集成，也许仍在这样做（包括收购来建立其自己的模型构建团队和大模型）但它必须对冲这一赌注带来的风险。

Nvidia

所有这一切对Nvidia来说都是好消息。我认为，LLM崛起带来的一个鲜为人知的影响是Nvidia在CUDA上的护城河被削弱了；大量的AI开发不再基于CUDA库，而是LLM。理论上来说，这确实使得GPU的替代供应商，如AMD或超大规模计算平台的内部研发，更有可能对Nvidia的主导地位和利润率产生影响。

不过，Nvidia并未对其护城河自满：随着时间推移，公司正在使GPU更加灵活，并承诺下一代芯片的配置是目前一代产品的两倍，还有对以太网的重视。这种方法将最大化Nvidia的可触达市场，进而带来更多收入，公司将这些重新投入到一年一度的迭代周期中，这有望使这家芯片制造商领先于其替代品。

我认为，至少在短期内，克服这种性能优势的唯一方法是真正的纵向集成，即谷歌的方式。换句话说，尽管谷歌的TPU将继续作为一个强大的替代方案存在，但我怀疑在超大规模数据中心内部芯片上的努力在可预见的未来不会成为Nvidia的主要威胁。除非有全栈集成，否则这些努力基本上就会沦为试图制造比 Nvidia 更好的芯片。祝你好运！就连AMD也发现，其GPU的大部分销量是由于Nvidia的稀缺性。

Meta

这也解释了Meta对Llama采用开源方法的原因：公司专注于从集成策略中获益的产品。但是开源也带来了很多好处，特别是在优化和软件互补方面。开源可以获得这些好处，而不会对Meta的产品研发产生任何不利影响（不要忘记Meta也从Llama模型提供的超大规模计算平台中获得一部分收入）。

AI 或 AGI 的市场影响和未来趋势

到目前为止，我在谈论AI时没有提到的一家公司是苹果。像亚马逊一样，这家iPhone制造商似乎在押注AI将成为一种功能或应用程序；我们同样不清楚这是战略性的前瞻还是动机驱动的推理。

然而，这确实触及了最大的问题：LLMs已经非常令人惊叹，不过要充分实现现有功能的产品化还需要多年；然而，更强大的LLM是否有足够的能力不仅颠覆搜索领域，还有整个计算领域呢？在某种程度上，我认为答案是肯定的，Google的集成方法将拥有更大的优势，正如Christensen所指出的：无论那意味着什么，实现接近AGI的目标都需要优化每一个环节、达到效率最大化，集成式的方法会带来更大的优势和回报。

我对此持怀疑态度：我认为尽管模型之间有区别，但这些区别并不会显著到需要对每个模型进行区别对待，而是可以像商品一样普遍对待；最大的价值是构建那些将AI模型视为处理器的平台，这意味着开发者可以在不需要深入了解底层细节的情况下，直接利用这些平台来改进性能。这意味着最大的好处是在API层、模型层和GPU层之间进行横向扩展而不是纵向集成；Google需要证明我错了。

原文：AI Integration and Modularization

https://stratechery.com/2024/ai-integration-and-modularization/

编译：Joy，金融系在读，对风投、AI、前沿硬科技感兴趣

———–END———–