文|适道

引言

这两天，Sora横空出世让字节也跟着上了热搜。有传言称，字节跳动在Sora引爆文生视频赛道之前，已经研发“中文版Sora”：一款名为Boximator的创新性视频模型。紧接着，字节快速辟谣，积极否认。

从阴谋论角度来看，有没有一种可能是字节在蹭Sora的热度。说句扎心的话，这个谣言不辟也罢。毕竟字节的“套壳”尴尬还历历在目：2023年12月，外媒The Verge曝出字节正在秘密研发一个被称为“种子计划”（Project Seed）的AI大模型项目。据称该项目在训练和评估模型等多个研发阶段调用了OpenAI的应用程序接口（API），并使用ChatGPT输出的数据进行模型训练。

虽然数据“套壳”并不少见，但也传递出了一个信息：独角兽排名压过OpenAI的字节在大模型上尚有如此表现，国内初创企业可以暂别大模型了。

算力、数据、钱，哪个都缺。这不是死磕不死磕的态度问题，是磕死也磕不动的现实问题。但AI创业又是大势所趋，如果不想“套壳”，可以看看垂直模型。

在OpenAI畅通无阻的大洋彼岸，垂直模型也一直备受关注。PitchBook 最新数据，2023年691笔AIGC交易投资额达到创纪录的291亿美元，比2022年增长了268.4%。报告显示：虽然投资者大部分注意力集中在以OpenAI和Anthropic为代表的大模型提供者。但随着市场成熟，注意力正转向特定行业垂直领域的应用——垂直模型。

硅谷的顶级风投Greylock也注意到一些以垂直服务为重点的初创公司，正在跳出传统的 SaaS 思维。这些公司采用了嵌入支付（例如 Toast 和 Shopify）、广告（例如Pepper 和 Provi ）以及 B2B 市场（例如 Faire 和 Novi）等战略。人工智能将加速这种转变。

对此，Greylock指出：“现在是 AI 垂直软件最好的时代”。

一、范式转变：AI绕过“前SaaS”阶段

长期以来，国内SaaS的疲软不能全怪环境，因为其本身就是投入长，见效慢，增长速度受限。

专注SaaS投资的Point Nine Capital 创始人Christoph Janz表示：“我和许多其他创始人、投资者在大约 15 年的 SaaS 投资经历中学到了一条教训——大多数企业采用新技术的速度极其缓慢。目前，大约 58% 企业软件支出仍然流向本地解决方案。”

在美国，即便过去十年跑出了 Toast、Shopify、Procore 和 ServiceTitan 等数十个赢家。但从数据来看，截至2021年，Toast仅在6%美国餐厅中使用；ServiceTitan在核心TAM渗透率为1%；就连CRM也是花了15 年才达到其临界点。

“用不了”是主要原因。在早期技术时代，垂直软件只能用于已经具有清晰结构化数据的公司。但世界上约 80%数据非结构化——各种合同、记录以及跨文本、音频和图像的多媒体文件。

现在，大模型已经能处理非结构化数据。Christoph Janz认为：“这意味范式将会发生转变——此前数字化发展缓慢的行业很可能绕过“前SaaS”阶段，直接步入“AI解决方案”阶段。”

二、切勿盲目：一头扎进垂直模型不可行

不过，必须是大模型吗？

一方面，大模型进步神速，随时会断掉初创公司的粮草。例如，在OpenAI开放Whisper的API后，ASR公司Deepgram突然黑暗降临，两度裁员。而该公司开发的专有模型能够在不到1/3秒内识别和转录语音，最佳条件下的准确率高达98%。

另一方面，国内真正的大模型目前还没卷起来，留给初创公司一部分空间和时间；此外，大模型不是产品，能落地到具体应用场景才算数。有媒体报道：一位AI大模型创业者说，他近期询问了不少企业客户，得到的回应是：“大模型能做什么？能帮我裁员还是能帮我赚钱？”（财经十一人）

更精准的解决方案等于更快的投资回报，而垂直模型的优势正在于此。

首先，与大模型相比，垂直模型通常涉及较小数据集，较少的计算，节约成本和时间；其次，基于垂直模型的产品针对特定细分市场，可以为企业量身定制解决方案。

Pender Ventures合伙人 Isaac Souweine 表示：“垂直模型具有更高的盈利潜力，这对投资者更具吸引力”

然而，一头扎进垂直模型很不明智。

第一个“老大难”问题：TMT（Total Available Market，潜在市场规模）太小。

“更专业”代表“更狭窄”。Lux Capital合伙人 Grace Isford表示：即便是一个成熟的垂直领域，新技术采纳也需要时间。而一些小众垂直软件产品销售周期则会挑战风投的投资期限。

因此，相关创业公司应该对资本效率非常敏感，谨慎考虑融资机会和烧钱速度，以免成为“风投孤儿”。

第二个“必解决”问题：创业者不能只理解基础模型工作原理，应该投入大量时间深入行业，了解客户需求。

对投资人的要求同样如此，Northzone负责人Molly Alter表示：对风投而言，在垂直人工智能领域，行业专业知识比生成式人工智能知识更为重要。如果不理解特定市场的运作方式，投资人无法找到真正解决实际问题的初创公司。

三、投资框架：六个维度圈出最佳创业公司

Greylock指出：只要深入专业领域，就可以建立起壁垒。但任何垂直领域要想取得大规模成功，关键在于选择一个适合该技术的行业，准确评估 TAM，构建深入的产品工作流程和数据，设计适当的 GTM 策略，并拥有领域专业知识和技术实力。

对此，Greylock 为提出了一个投资框架，并对以上六个要素进行了深入探讨，适道在保留原意情况下，进行简译。

1. 数据：好数据胜过好模型

随着基于LLMs 构建AI应用难度降低，数据将成为建立垂直服务差异化的最关键因素。

第一步：初创公司要确定垂直行业或工作流程是否需要非常大的数据集/是否有能力构建专有的数据资产。

对一些公司而言，使用自有数据训练或微调可商用的基础模型具有战略意义。Greylock认为，企业在形成最初的壁垒过程中，获取数据至关重要。但最终，只有客户使用产品时所产生的数据才能形成长期壁垒。

因此，请关注使用产品过程中自然产生行为数据（例如，客户标记自己的行为数据或与产品交互产生的数据集）。

目前，对于许多垂直行业而言，数据还留在杂乱的传统系统中，而这正是Greylock 对处理和提取数据公司格外感兴趣的原因。一些大型科技公司已经开始提供为客户合成所需数据的服务，将合成数据用于模型训练，以实现快速交付的目标。

2. TAM: 快速找到垂直行业入口

垂直市场的TAM显然不大，但有失必有得：较小的市场竞争对手也更少，越专注可以获得优势布局、更纵深的市场集中度。

鉴于医疗保健、金融服务等多个基础行业高度碎片化，一个行业可能藏着许多机会。同时，这些行业规模庞大，意味着即便再狭窄，也会形成一个可观市场。

如何找到垂直行业的入口？看看哪些子分支——未被竞争对手触及、对 AI 有明确需求、最适合基于 LLM 的工具，以及考虑你自己最适合提供的技术。

Greylock 认为：虽然我们难以对新兴或正在转型（能源电气化）市场的支出进行量化，但这些市场往往又是投资者喜欢争论的领域。因此，早期参与垂直软件服务的创始人有潜力定义并领导市场。

3. ACV:开发多种产品和收入来源

单一SaaS 产品不太能实现六位数的ACV（Annual Contract Value单年合同额）。

初创企业可以同时开发多种产品，并在核心产品之外创造额外收入来源进行扩张。在核心产品的基础上增加新的产品线，在未来某个时间点捆绑、增加销售，最终形成粘性。

例如，餐饮支付平台Toast 通过增加工资和劳动力管理功能，实施了多产品战略。Provi 和 Pepper 等 B2B 市场通过广告创造了额外的收入来源，而太阳能安装平台 Aurora Solar 则通过提供融资方案获得了额外收入。建筑服务平台 Procore 最近也开始提供保险等服务。

4. 创始人：具有领域经验的产品构建者

与构建 AI 堆栈其他部分的创始人不同，试图构建垂直AI的纯技术人员在具有领域经验和技术背景的创始团队面前处于劣势，特别是在受监管行业中的团队。

如果你的目标客户是垂直行业中的传统组织，这一差距尤为显著。毕竟这些组织通常与数十甚至数百个实体绑定了长期合同。

因此，只有深入了解复杂性，才能制定正确的营销推广策略、预测销售时间表和招聘计划表。

Greylock非常欢迎具备深厚领域专业知识，但不太了解垂直入口的创始人。

5. GTM：尽量制造紧迫感

垂直销售周期可能很长，尤其是在缓慢增长且技术购买者较为保守的大型成熟行业。因此，GTM（Go-to-Marke）战略必须创造紧迫感，即FOMO ( Fear of Missing Out )来主导主要的分销渠道。

Greylock认为，在过去，那些没有采取 FOMO策略的垂直企业需要花费很长时间才能看到业绩起飞。

目前，人们对AI的 FOMO 让用户更愿意马上尝试新产品。一方面，AI吸引力让初创公司很容易与潜在客户通搭上话，并进行试用。另一方面，潜在客户试了不止你们一家，他们可能已经累了。但不管怎样，让潜在客户产生 FOMO 就是关键。

6.产品：AI代理超越 Copilot

如今，占主导地位的范式是人类与 AI Copilot 配对：人类做大部分工作， AI Copilot打辅助。

在接下来的几年中，预计会看到更多反例——AI 代理执行大部分工作，人类只需要检查、编辑、输出。

Greylock对这个新兴领域作为初创企业的切入点非常兴奋：因为Copilot可能会被已经拥有分销权的现有竞争者主导，而 AI 代理则是一个更开放的机会。能够思考、推理并代表人类行动的 AI 代理也是迈向完全自动化未来激动人心的一步。

这种范式转变将对未来企业产生巨大影响。随着 AI 代理替代更多熟练劳动力，软件支出将取代人力成本。反过来，预计会有更新的基于使用或结果的定价模型，这是另一个需要探索的原型。

结论

无论是从落地可能性，还是从国内大模型现状来看，都留给垂直模型一定空间。

一方面，细分行业的选择至关重要。例如Deepgram的陨落主要是语音识别赛道挤满了竞争者，即便没有OpenAI的Whisper，还有Google、Microsoft和Amazon。毕竟，现在的逻辑不是“首发者必胜”，碰上这些大佬，初创公司只有躲着的份儿。

另一方面，热钱涌入时，估值本身虚高。与其说Jasper之流“陨落”，不如说其回归了正确位置。当一个本应基于细分市场，做差异化的公司错把自己定位成“通用型”，而且套的还是ChatGPT的“壳”，怎么看都是错位。

不过，对投资人而言，由于较小的增长前景和较高的专业要求，也意味着未来垂直模型领域的“泡沫”吹不起来。