צומת דרכים של בינה מלאכותית: סין והנמרים הקטנים

האבולוציה המהירה של טכנולוגיית AI בסין הביאה הן התרגשות והן אי וודאות לסטארטאפים רבים. חברות שבעבר היו גדושות במטרות שאפתניות, מכוונות כעת מחדש את האסטרטגיות שלהן, מול המציאות הקשה של שוק תחרותי ועתיר משאבים.

מחזונות גרנדיוזיים לנקודות מפנה אסטרטגיות

מכתב פנימי שנשלח לאחרונה ממנכ’ל אחת מ’הנמרים הקטנים’ של AI בסין, Baichuan Intelligent, ציין את יום השנה השני של החברה והדגיש שינוי אסטרטגי. הפוקוס יצטמצם, ויתעדף יישומים רפואיים. זה עמד בניגוד חד למשימתה הראשונית ליצור מודל בסיסי פורץ דרך הדומה ל-OpenAI, יחד עם יישומים חדשניים.

באופן דומה, לי קאיפו, מייסד ‘נמר קטן’ נוסף, 01.AI, הכריז בינואר כי חברתו תאמץ גישה ‘קטנה אך יפה’. זה היה סטייה בולטת מהחזון הגדול של בניית פלטפורמת AI 2.0 כדי להאיץ את הגעתה של AGI.

הנסיגות האסטרטגיות הללו הזינו ספקולציות, כאשר חלק מהמשקיפים טוענים כי ‘הנמרים הקטנים’ הללו הופכים יותר ל’חתולים חולים’. בסביבה המאופיינת בשינוי מתמיד, כיצד חברות אלו יכולות להבטיח את עתידן?

כדי לענות על שאלה זו, צוות המערכת של Zhiwei ביקש תובנות ממומחים שונים, כולל מומחי טכנולוגיית מודלים גדולים, מומחי AI בתחום הפיננסים והבריאות ומומחי טכנולוגיית AI מחברות מובילות.

אפקט DeepSeek ואסטרטגיות משתנות

נוף ה-AI השתנה באופן דרמטי בעקבות הפופולריות הנפיצה של DeepSeek, מודל שזעזע את השוק. כמו לוחם אימתני, DeepSeek שיבש את הנוף, ואילץ חברות AI רבות להעריך מחדש את עמדותיהן וללכת בדרכים שונות.

עם זאת, הטרנספורמציה הזו החלה אפילו מוקדם יותר ממה שאנשים רבים הבינו. לדברי וואנג ונגואנג, מומחה לטכנולוגיית מודלים גדולים, כמה חברות AI סיניות החלו לנטוש את המרדף אחר אימון מודלים גדולים עוד לפני שחרורם של DeepSeek V3 ו-R1. העלויות היו פשוט גבוהות מדי, וחברות אלו הרגישו שאינן מסוגלות להתחרות בחלופות זמינות בחינם ובקוד פתוח כמו DeepSeek V2.5 ו-Qwen 70B של עליבאבא.

ליאנג הוא, מומחה ממפעל שירותי טכנולוגיית AI, הוסיף כי בעוד שרוב ה’נמרים הקטנים’ עדיין אימנו מודלים גדולים באמצע 2024, ההשקעה שלהם כבר ירדה משמעותית. עד ינואר 2025, עם שחרורו של DeepSeek R1, חברות קטנות רבות הבינו שהן לא יכולות לעמוד בקצב.

השינוי החד הזה גרם לשינוי כיוון גדול עבור ‘הנמרים הקטנים’, והתרחק מפיתוח AGI לעבר גישות מיוחדות יותר.

Baichuan ו-01.AI נטשו את אימון מודלים גדולים מראש, תוך התמקדות ב-AI רפואי וביישום תעשייתי, בהתאמה. MiniMax מצמצמת את פעילות ה-B2B שלה ומתמקדת בשווקים מעבר לים עם יצירת וידאו C-end ויישומים אחרים. Zhipu, Moonshot AI ו-StepUp עדיין פעילים בקהילת הקוד הפתוח, אך לא הפיקו מודלים חדשים שמצליחים יותר מ-DeepSeek R1. Zhipu הבטיחה מימון ניכר ושותפויות ממשלתיות-מפעליות, המבטיחות את הישרדותה. המוצר העיקרי של Moonshot AI, Kimi, ראה את מעמדו מאוים על ידי Yuanbao, מה שהופך את מיקומו למגושם יותר ויותר.

בסך הכל, ‘הנמרים הקטנים’ מתכנסים יותר ויותר לשוק ה-B2B SaaS, שחלקם רואים בו ‘לא דמיוני’.

הפיתוי והמגבלות של שוק ה-B2B

01.AI הכריזה לאחרונה על כוונתה לשלב באופן מלא את DeepSeek כדי ליצור פלטפורמת מודלים גדולה ארגונית נקודתית לתעשיות שונות. עם זאת, צעד זה התקבל בספקנות.

ג’יאנג שאו, מומחה ל-AI פיננסי, מאמין שעתידה של 01.AI אינו בטוח בשל המיקוד הרחב שלה, חוסר התחרותיות הטכנולוגית שלה בעקבות הופעתו של DeepSeek ויכולות מסחור מוגבלות.

וואנג ונגואנג חזר על סנטימנט זה, וציין שהמחסום הטכני לכניסה לפלטפורמת מודלים גדולה נקודתית נמוך יחסית.

וואנג שיתף את ניסיונו בפיתוח פלטפורמה כזו באופן עצמאי בכשישה חודשים, ומכר אותה באמצעות ערוצים אישיים. הוא טען כי בעוד שקשה להרוויח ממוצר זה כחברה, ניתן להרוויח ממנו כמיזם סולו.

וואנג משתף פעולה עם מספר חברות B2B המציעות שירותי מודלים גדולים אך חסרות פלטפורמה טכנית. הוא מספק את הפלטפורמה שלו בעלות נמוכה, בסביבות 40,000 עד 50,000 יואן לרישיון, ובכך מערער משמעותית חברות גדולות יותר.

הפלטפורמה שלו, KAF (מפעל סוכנים מבוסס ידע), משתמשת בתרשימי ידע, מסדי נתונים וקטוריים ומנועי חיפוש כדי לספק יישומי מודלים גדולים וסוכנים. היא מאפשרת למשתמשים ליצור עוזרי ידע או סוכנים מותאמים אישית ללא קידוד באמצעות ניהול הנחיות ומודלים. וואנג ציין את השכיחות של פלטפורמות דומות בשוק, מה שמקל על שכפול.

לדברי וואנג, חברה המבקשת לפתח יישום מודלים גדולים B2B יכולה ליצור במהירות מוצר על ידי העסקת צוות קטן של אנשים מיומנים או שותפות עם חברת AI חיצונית. גישה זו זולה משמעותית מאימון מודל גדול.

בנוסף למודל הפלטפורמה, פתרונות משולבים מספקים חומרה, תוכנה וסביבות ביצוע, ומציעים פונקציונליות מוכנה לשימוש. ג’אנג סנסן, ראש קבוצת פלטפורמות הטכנולוגיה ב-Ping An Insurance, מאמין שלפתרונות משולבים יש שוק בר קיימא, במיוחד בקרב מוסדות ממשלתיים וחינוכיים עם יכולות פריסה טכניות מוגבלות. פתרונות אלו נותנים עדיפות לקלות שימוש ועצמאות טכנית, ומציעים יתרונות כמו אבטחת נתונים, תאימות לפרטיות ואופטימיזציה של חומרה-תוכנה. הם יכולים גם להשתמש בשבבים המיוצרים באופן מקומי, לעקוף הגבלות ולשפר את היעילות. חברות הרגישות לעלויות ומתמקדות בהחזר ROI עשויות למצוא פתרונות משולבים אטרקטיביים בשל מחזורי החיים הארוכים יותר שלהם.

שוק ה-SaaS המקומי התמודד היסטורית עם אתגרים כמו דרישות התאמה אישית גבוהות, מוצרים גנריים והומוגניים, תחרות עזה, אסטרטגיות תמחור נמוכות והתמקדות בהכנסות לטווח קצר. ללקוחות בשוק זה יש לרוב רמות דיגיטציה נמוכות ומוכנות מוגבלת לשלם.

לעומת זאת, שוק ה-SaaS הבינלאומי מדגיש התמחות, כאשר חברות מתרכזות בתחומים ספציפיים ומספקות שירותים מעמיקים ללקוחות גדולים ובינוניים עם נכונות גדולה יותר לשלם.

תחום המודלים הגדולים משקף מגמות אלו. אירועים אחרונים בשוק ה-SaaS הבינלאומי מדגימים זאת:

• בפברואר 2025, MongoDB רכשה את Voyage AI, סטארטאפ AI בן 17 חודשים המתמקד בהטמעה ובדירוג מחדש של מודלים, תמורת 220 מיליון דולר.
• בשנת 2024, אמזון הכריזה על הסכם רישוי טכנולוגיה עם Adept, סטארטאפ סוכני AI בן שנתיים, כאשר חלק מחברי Adept הצטרפו לצוות ה-AGI של אמזון.

הסטארטאפים הללו השיגו הצלחה על ידי התמקדות בנישה ספציפית בתוך טכנולוגיית מודלים גדולים. דוגמאות כאלה נדירות בסין. ארגונים קטנים ובינוניים רבים צריכים כל הזמן להישמר מפני כניסת חברות גדולות יותר לתחום שלהם.

וואנג ונגואנג, בהתבסס על ניסיונו הרב בשוק ה-B2B, תיאר את המציאות הקשה שלו. הוא ציין כי בעוד שיש שוק גדול לפלטפורמות נקודתיות, הוא מפוצל. חברות קטנות יותר עם עלויות תפעול נמוכות יותר יכולות להציע תמחור תחרותי, ובכך לערער חברות גדולות יותר. זה מוריד את המחיר של שירותי יישומים. אפילו חברות גדולות מתמודדות עם תחרות מסטארטאפים אחרים ומאינטגרטורים מסורתיים. לחברות גדולות עשויים להיות מודלים גדולים ויתרונות מותג משלהן, אך הן מתמודדות עם אסטרטגיות עסקיות דומות של B2B.

כפי שוואנג הצהיר, ‘אני גם משתמש ב-DeepSeek, והרבה חברות אחרות משתמשות ב-DeepSeek, אז אין בידול. יש כל כך הרבה ספקי ענן בסין, אז יהיו לפחות כל כך הרבה מתחרים. שוק ה-B2B המקומי תמיד היה כזה; כדי לשרוד, אתה חייב להיות בעל קשרים חזקים, שירות טוב או מחירים נמוכים.’

ליאנג הוא הציע הערכה תמציתית של הבחירות הנוכחיות והסיכויים העתידיים של 01.AI:

• ההחלטה של לי קאיפו להעביר באופן מלא את העסק של 01.AI ליישומי B2B ולקדם פלטפורמת מודלים גדולה ארגונית נקודתית נכונה מבחינה מסחרית, אך תוביל לתחרות עזה.
• הצורך של 01.AI להציע מוצרי מודלים גדולים במחירים נמוכים יותר מחברות גדולות יותר הוא תוצאה של חוסר יתרונות ייחודיים בשכבת היישומים.
• המעבר של 01.AI ל-B2B מסמן אובדן דמיון ופחות פרויקטים ‘סקסיים’. זה דומה לגורלן של חברות ראייה ממוחשבת רבות מהגל הקודם של AI בשנת 2017.
• ל-01.AI עשויות להיות הזדמנויות אם היא תחקור שווקים מעבר לים.

בהשוואה ל-01.AI, דעות על עתידה של Baichuan פחות פסימיות.

עם זאת, לכניסה של Baichuan לתחום הרפואי חסרים יתרונות ייחודיים, במיוחד בנתונים.

ג’יאנג שאו אמר שהמעבר של Baichuan לרפואה הוא פשוט דרך לשרוד. עם זאת, בהשוואה ל-01.AI, Baichuan לפחות מנסה להיכנס לשוק נישה.

ג’אנג סנסן הצהירה שהיא אופטימית יותר לגבי חברות עם נתונים רפואיים המפתחות מודלים גדולים רפואיים מאשר חברות טכנולוגיה. זה חל על כל חברה המבקשת ליצור מודל גדול ספציפי לתעשייה. האתגר המרכזי ביצירת מודלים גדולים רפואיים טמון בנתונים, לא במודל עצמו. ישנם בתי חולים מצוינים רבים בסין שיכולים לכוונן מודל גדול באמצעות DeepSeek לשימושם שלהם.

כיצד ניתן להשיג נתונים רפואיים בצורה יעילה? ג’יאנג שאו אמר שלסטארטאפים של טכנולוגיית AI חסרים יתרונות בנתונים. כדי ליצור מודלים גדולים רפואיים, הם עשויים להזדקק לשתף פעולה עם חברות שכבר מספקות שירותי IT לבתי חולים.

מדווחים כי אחד מ’הנמרים הקטנים’ שותף באופן בלעדי לפורום חילופי רופאים מקומי גדול כדי לאמן מודלים באמצעות המספר העצום של מקרים שנוצרו מחילופי רופאים.

בנוסף לתחזית אופטימית יותר לגבי שווקי נישה, למומחי תעשייה יש תקוות למייסד Baichuan, וואנג שיאוכואן.

ליאנג הוא מאמין שהאם וואנג שיאוכואן יצליח להתמחות ברפואה תלוי בשאלה האם הוא רוצה להגשים אידיאל או להרוויח כסף. הוא מאמין וואנג נוטה יותר להגשים אידיאל, וליצור תוצאות מחקר AI רפואי פורצות דרך.

וואנג ונגואנג הדגיש את אופיו המיושן של שוק זה. הוא הצהיר שאם המטרה היא מסחור לטווח קצר, התחום הרפואי תחרותי מאוד, בדומה לשוק ה-B2B הכולל. חברות רבות יכולות להשתמש בתרשימי ידע, חיפושים וקטוריים ומודלים גדולים ליישומים רפואיים.

לפי הדיונים של Zhiwei עם מומחי AI רפואי, למחקר רפואי עצמו יש פערי ידע משמעותיים, וידע חדש גדל במהירות. לכן, יש פוטנציאל משמעותי לשימוש במודלים גדולים לביצוע מחקר בסיסי רפואי. לדוגמה, מודל AlphaFold לחיזוי מבנה חלבון שימש יותר מ-1.8 מיליון מדענים ברחבי העולם כדי להאיץ את המחקר, כולל פיתוח חומרים מתחדשים ביולוגית וקידום מחקר גנטי, לפי Meis Medical.

בנוסף להגשמת אידיאל או להרוויח כסף, סטארטאפ ה-AI הרפואי מתמודד גם עם השאלה האם ליצור מודל גדול רפואי כללי או לא.

ג’אנג סנסן הצהירה שלא הייתה פריצת דרך במודלים גדולים רפואיים כלליים בשוק המקומי, בעיקר בגלל ההסתמכות על ציוד רפואי חזק לאיסוף ויישום נתונים בקנה מידה גדול. מתקנים רפואיים רבים בסין לא הפכו נפוצים, מה שמקשה על AI לבצע אבחנות מדויקות. עם זאת, כמה בתי חולים חזקים, כמו Mayo Clinic, החלו לחקור את השקת המודלים הגדולים שלהם. למרות שקשה לראות הזדמנויות רווח בטווח הקצר, סוגים אלה של מודלים גדולים עשויים להיות בעלי השפעה עמוקה על התעשייה הרפואית בטווח הארוך.

התעשייה הרפואית מתמודדת גם עם האתגר של אבחון אוטומטי לחלוטין, במיוחד בשוק המקומי, שבו הציוד אינו מספיק, ו-AI אינו יכול להחליף לחלוטין שיטות אבחון מסורתיות. היעדר ציוד רפואי נרחב, במיוחד באזורים מרוחקים, מקשה על כיסוי מלא של טכנולוגיה רפואית, ולכן אבחון אוטומטי לחלוטין נותר אתגר משמעותי.

בתעשייה הרפואית יש דרישות רישוי ותאימות מחמירות, ומודלים גדולים חייבים לטפל בנושאי תאימות בעת הכניסה לתחום הרפואי. שירותים רפואיים עתידיים של C-end עשויים לשלב את הטכניקות של הרופאים עם AI כדי לשפר את יעילות האבחון והטיפול, במיוחד עבור הדורות הצעירים.

לבסוף, אפילו תוך התעלמות ממאפייני שוק ה-B2B המקומי, התחרות ביישומי מודלים גדולים מקשה על הישרדות בשוק ה-To B. וואנג ונגואנג הצהיר כי בעוד שמודלי העיצוב עבור מוצרי מודלים גדולים של To B עדיין נחקרים, הם יתכנסו בסופו של דבר. זה נכון לא רק בסין אלא גם בחברות טכנולוגיה בעמק הסיליקון כמו OpenAI, Anthropic ו-Google. כל עוד אין הבדל משמעותי בביצועים של המודלים עצמם, אי אפשר להרוויח כסף בשוק הזה, ובסופו של דבר כולם יהיו באותה רמה.

זו הסיבה של-DeepSeek R1 הייתה ההשפעה הגדולה ביותר שלה לא בסין אלא בחו’ל, במיוחד על חברות טכנולוגיה בעמק הסיליקון. שוק המניות האמריקאי החל לחוות תנודתיות גבוהה ולאחר מכן ירידה לאחר שחרורו של R1. ההיגיון המרכזי פשוט: המודלים הגדולים של עמק הסיליקון נתפסו על ידי סין. בעוד שלא עולים עליהם, חוסר היכולת להרחיב את הפער הפך את זה לבלתי אפשרי לתמוך בהערכות שווי כה גבוהות, מה שהוביל לירידה במחירי המניות.

כמובן, ישנה דרך נוספת לשוק ה-To B למשוך לקוחות: קוד פתוח. מודלי הרווח העיקריים עבור קוד פתוח כוללים מתן פונקציות בתשלום, אירוח בענן ושירותים בעלי ערך מוסף כגון ייעוץ והדרכה ברמת הארגון המבוססים על טכנולוגיית קוד פתוח.

האפקט הישיר ביותר של מודלים גדולים בקוד פתוח הוא לקדם את הפופולריות של הטכנולוגיה. ג’אנג סנסן הצהירה שהקוד הפתוח של DeepSeek האיץ משמעותית את יישום המודלים הגדולים של החברות. הנהלת הבכירה תומכת מאוד ביישום המודלים הגדולים. ככל שהמודלים הגדולים מתפקדים היטב ביישומים מעשיים, במיוחד בהפחתת ההתערבות האנושית ובהגברת היעילות, התמיכה תמשיך לגדול.

לתעשייה הפיננסית, כתעשייה עם איכות הנתונים הטובה ביותר, תמיד הייתה הצטברות טכנית עשירה ב-AI ויכולה לעמוד בקצב במהירות. ללא קשר ל-DeepSeek, הפיננסים יטמיעו טכנולוגיית AI. עם זאת, עם DeepSeek, AI לא רק תאפשר את עסקי הליבה של התעשייה הפיננסית, אלא תשמש גם במשימות משרדיות ותפעוליות יומיומיות שקודם לכן היה קשה לעשות.

התפעול היה יקר מאוד. לדוגמה, ניתוח שורש בעיות דרש קודם לכן ניטור תפעולי מסורתי ו-AIOps, כמו גם אימון מודלים קטנים. כעת, ניתן להשתמש ב-DeepSeek בשילוב עם בסיסי ידע כדי ליצור תוכניות יישומים לטיפול בניטור, אזעקות, ניתוח בשירות עצמי ויכולת מעקב, עיבוד אוטומטי ושיפור יציבות, וזה גמיש יותר מ-AIOps.

בנוסף, הכיסוי של AI לתפעול הפך רחב יותר, עם התחשבות רבה יותר באינטראקטיביות ויוזמה. יוזמה פירושה לאפשר ל-AI לבצע תפעול באופן יזום. מעבר מהסתמכות על כללים, בני אדם או אפילו ניסיון אישי, שבו רמת הניסיון האנושי קבעה את רמת יכולות התפעול, ניתן כעת להשתמש במודלים AI קלים יותר כדי להשיג זאת ישירות.

למרות ששיעור ההזיות של DeepSeek עדיין גבוה, אפילו לא שונה משמעותית ממודלים דומים אחרים, יכולות הנימוק והיישום המעשי שלו יכולות לקזז את ההשפעות השליליות של הזיות. בעיה זו תשתפר בהדרגה באמצעות כוונון עדין ואופטימיזציה באמצעות RAG וטכנולוגיות קשורות אחרות.

מומחה טכנולוגיית מודלים גדולים של עליבאבא, גאו פנג, מאמין שההשפעה של DeepSeek משתנה עבור חברות גדולות וקטנות:

המודלים הגדולים המשמשים באופן פנימי על ידי עליבאבא תמיד היו המתקדמים ביותר בתעשייה, כך שההופעה של DeepSeek לא השפיעה משמעותית. עליבאבא משתמשת ב-DeepSeek להערכת ביצועים והשוואה, ומספקת יותר השראה טכנית. היישום של DeepSeek בנימוקים מהיר יחסית, והפרטים הטכניים נפוצים יותר. DeepSeek הושפע גם מ-Qianwen.

לעומת זאת, ל-DeepSeek יש השפעה גדולה יותר על חברות קטנות ובינוניות, מכיוון שקודם לכן לא היה מודל שיכול להשיג את האפקט של DeepSeek תוך מתן פריסה פרטית וזולה. לאחר שחרורו של DeepSeek, חברות רבות המוכרות מכונות משולבות של DeepSeek צצו. עם זאת, DeepSeek אינו הזול ביותר בהשוואה למכונות משולבות של מודלים בקוד פתוח רבות, תלוי בתקנים הספציפיים.

בכל מקרה, המודל הגדול של קוד פתוח המקומי פורח כעת ויכול להתחרות ברמה העולמית. עם זאת, בהתבסס על הטמעת הביטוח של Ping An של מודלים גדולים, ג’אנג סנסן מאמינה שלמודלים גדולים בקוד פתוח עדיין יש מגבלות בלתי עבירות:

עבורנו, ל-DeepSeek יש בעיקר יתרון עצום בעלויות. מבחינת יכולות, זה עשוי להיות טוב יותר ממודלים אחרים בתרחישי תפעול מבחינת נימוקים, יכולת הכללה והבנה הקשרית. עם זאת, DeepSeek לא מתפקד היטב בתרחישים מורכבים יותר כגון בקרת סיכונים פיננסיים. הסיבה לכך היא שיש צורך בכוונון עדין מפורט יותר או אפילו אופטימיזציה בשילוב עם מודלים אחרים. לכן, יש צורך בכוונון עדין ממוקד המבוסס על תרחישי יישומים ספציפיים כדי לשפר עוד יותר את ביצועי המודל.

המודלים הגדולים שפותחו בעצמנו של Ping An מחולקים לשתי שכבות: מודל גדול בסיסי בסיסי ומודלי תחום האחראים על בנקאות, ביטוח ועסקים אחרים. המודלים הגדולים המשמשים באופן פנימי מתפקדים טוב יותר מ-DeepSeek בתחום הידע המקצועי, במיוחד בתחומים ספציפיים כגון פיננסים ורפואה, שבהם המודלים מדויקים יותר. עם זאת, ל-DeepSeek עדיין יש יתרון חזק ביכולת נימוק. בתרחישים מסוימים, אנו רוצים להשתמש ב-DeepSeek לניסיון בקנה מידה קטן כדי לראות אם ניתן להריץ אותו.

אין הבדל משמעותי בין Alibaba Qianwen, Baidu Wenxin ו-Zhipu ChatGLM לבין DeepSeek בהקשר זה. השיפוט מבוסס על העובדה שלמודלים אלה אין הבדל משמעותי מ-DeepSeek ביכולת נימוק ומבנה בסיס הידע.

בסך הכל, ההשפעה של מודלים גדולים בקוד פתוח מוגבלת כיום, וקצב התחרות ביניהם עז.

הסכנות של שוק ה-To C

בעוד שהתחרות עזה בשוק ה-To B, זה לא אומר שלנתיב ה-To C יש יותר תקווה.

התחרות בשוק ה-To C למודלים גדולים גם היא עזה מאוד, אך היא שונה מאוד משוק ה-To B.

נוף השוק משתנה כל הזמן.

קשה להרוויח מ-To C.

היישומים הפופולריים ביותר לא בהכרח מייצרים את ההכנסות הגבוהות ביותר. לדוגמה, ל-ChatGPT יש את ההכנסות הגבוהות ביותר, אך OpenAI עדיין מפסידה 5 מיליארד דולר בשנה, בעוד שיישומים רבים ‘חיקויים’ של ChatGPT צפויים להשיג רווחיות מהירה; לאחר ש-DeepSeek הפך לפופולרי, מחקים וזייפנים הגיעו בהמוניהם.

התבוננות במצבם של ‘הנמרים הקטנים’ משוק ה-C-end גם היא לא אופטימית. התקשורת של Zhiwei עם מומחי תעשייה מאמינה בדרך כלל שיצרנים גדולים יביאו לחץ הישרדות גדול.

ג’יאנג שאו הצהיר כי הביצועים הטובים ביותר של ‘הנמרים הקטנים’ בשוק הצרכנים הם Kimi של Moonshot AI. אבל עכשיו, Yuanbao של Tencent מדורג במקום הראשון, DeepSeek מדורג במקום השני ו-Doubao מדורג במקום השלישי. שלוש החברות המובילות כמעט תופסות את רוב נתח השוק. Yuanbao של Tencent צברה מספר גדול של תנועת לקוחות בעזרת מערכת האקולוגית של WeChat, בעוד ש-DeepSeek בלטה בזכות החדשנות הטכנולוגית והביצועים המצוינים שלה בתרחישים מרובים.

ליאנג הוא הצהיר שטכנולוגיית המודלים הגדולים של Kimi אינה שונה מאוד מהמתחרות שלה, כך שהיא יכולה להיות רק בחינם, מה שמקשה מאוד על Moonshot למסחר. כיישום To C, לא ברור היכן הוא שונה מ-Yuanbao ו-Doubao. יתר על כן, ניתן לתמוך ב-Doubao על ידי העסקים האחרים של Byte, וניתן לתמוך ב-Yuanbao על ידי העסקים האחרים של Tencent. הם יכולים להשקיע 100 מיליארד כדי לתמוך ביישומים אלה.

ג’יאנג שאו הוסיף שלמשתמשי C-end אכפת יותר מקלות השימוש במוצר, שבה Tencent ו-Byte טובות יותר. כמובן, לעליבאבא יש גם הזדמנויות. עליבאבא מטפחת יישום בשם ‘AI Listening’, שמשתמש ב-AI לצ’אט ואינטראקציה, במטרה להחליף את Douyin בפלטפורמת הסרטונים הקצרים. למרות ש-Douyin מושכת מספר גדול של יוצרים ליצור תוכן איכותי, ליישומי צ’אט AI יש פוטנציאל למשוך קבוצות משתמשים על ידי מתן חוויות מותאמות אישית ואינטראקטיביות יותר. ההבדל בין השניים טמון ביצירת תוכן ואינטראקציה. אם עליבאבא יכולה לפרוץ את זה, יש לה גם סיכוי להפוך את היוצרות, אבל קשה לומר אם Tencent תלך בעקבותיה.

לגבי MiniMax, דעות התעשייה שונות מעט.

ליאנג הוא מאמין ש-Conch AI של MiniMax מרוויחה כעת טוב. היא מצאה את הדרך שלה, אבל עדיין לא ידוע אם נתיב זה יאפשר ל-MiniMax להגדיל את שווי שלה מספיק. בגלל האוריינטציה של היישום שלה, MiniMax רגועה יותר לאחר ש-DeepSeek יצא. אם הם ישתמשו במודלים של DeepSeek, זה יחסוך את עלויות המחקר והפיתוח של המודל, והיישומים שלה יכולים להמשיך להרוויח כסף, אפילו יותר.

ג’יאנג שאו מאמין של-MiniMax יש סיכוי אם היא תוכל ליצור APP פופולרי יותר מאוחר יותר, אבל עליבאבא עשויה לעלות עליה וליצור APP פופולרי קודם, אז גם אם ל-MiniMax יש סיכוי, ההסתברות אינה גבוהה.

בסופו של דבר, בידול מוצרים הוא עדיין נקודת הפריצה ליישומי C-end.

לפי הדו’ח האחרון של a16z ‘100 אפליקציות Gen AI Consumer המובילות’, יישומים רבים בעלי שימוש נמוך למעשה משיגים הכנסות טובות יותר. חלק מהמוצרים עם רב-גוניות ירודה, כגון זיהוי צמחים ותזונה, מושכים משתמשים משלמים יותר ממוצרים כלליים.

קשה לבדל מוצרי AI כלליים. למשתמשים יש נכונות נמוכה לשלם, מחזור הרווח ארוך, כך שהם לא יכולים לשרוד חברות גדולות.

ואם הבידול אינו עמוק מספיק אנכית, קל גם להפנים אותו על ידי המודל הגדול הבסיסי באמצעות שדרוגי קיבולת. לדוגמה, יכולות יצירת התמונות האחרונות של GPT-4o הביאו מכה להפחתת ממדים לסטארטאפים של טקסט לתמונה כגון Midjourney. יכולת כיסוי זו לרוב אקראית ובלתי צפויה, כפי שאומר הפתגם, ‘להרוס אותך אין קשר אליך.’

חיקוי ברמת הפיקסלים של מתחרים ושדרוג מהיר של מודלים גדולים בסיסיים גורמים לנוף של סטארטאפים C-end AI כמעט תמיד לשמור רק לזמן קצר.

באשר לאופן לתפוס את ההסתברות הנמוכה ביותר להפוך ללהיט, מומחי תעשייה מאמינים פה אחד כי ‘בעיקרון אין ניסיון לעקוב אחריו.’

‘הנמרים הקטנים’ נכנסו למצב הקשה של היום, במידה רבה מכיוון שהם השקיעו יותר מדי במודל הגדול הבסיסי והעריכו בחסר את כוח האדם, המשאבים הפיננסיים והמשאבים החומריים הדרושים כדי לשרוד ולהצטיין במסלול זה, וכתוצאה מכך קשה לבדל במס