大模型上下文協議與Spring開發集成篇——mcp-spring-webmvc原理
1960s 后的歷次技術變遷以及代表公司
至于為什么認為當下是參與 AI 的重要時點，Pat Grady 提到，紅杉從創立以來見證了歷史上的數次技術變遷、也受益于此，在這個過程中，團隊也對于不同技術浪潮之間如何互相影響、推動世界向前發展有著清晰的認知：
? 1960s：紅杉創始人 Don Valentine 在仙童半導體負責市場營銷，“硅谷”這一名字的由來也和仙童半導體的硅基晶體管直接相關；
? 1970s：在芯片基礎上，人們構建出了計算機系統；
? 1980s：網絡技術把 PC 連接到一起，與此同時軟件產業誕生；
? 1990s：互聯網誕生，人們的通信和消費方式因此被改變；
? 2000s：互聯網已經逐步成熟，開始能夠支持復雜的應用程序，云計算出現；
? 2010s：因為移動設備的普及，移動互聯網時代到來，再次改變了我們的工作方式。
每一次技術浪潮都是在前一次的基礎上疊加和演進的。AI 的概念雖然早在 20 世紀 40 年代就已出現，但直到最近幾年 AI 才從想法和夢想變為現實，開始商業化，并在人們日常生活中解決實際問題，實現這個突破的前提包括：
? 低價且充足的算力；
? 快速且高效可靠的網絡；
? 智能手機在全球的普及；
? 由 Covid 加速的在線化趨勢；
? 上述這些過程中都為 AI 帶來了大量數據。
Pat Grady 認為，AI 將會成為未來 10-20 年的主題，紅杉對此有強烈的信念，盡管這個假設還有待證實。
從 Cloud 和 Mobile 到 AI 時代的代表性公司
關于 AI 未來的行業格局，Pat Grady 先總結了 Cloud 和 Mobile 時代出現的收入超過 10 億美元的公司（如上圖左側），雖然 AI 代表的最右側現在幾乎還是空白，但也象征在當前市場中巨大的的潛在價值和機會。Pat Grady 預測，在未來的 10-15 年，右邊的空白就會被 40-50 個新的公司 logo 填滿，正是讓他們感到興奮的機會所在。
紅杉合伙人 Sonya Huang 首先從客戶服務、法律、編程和視頻生成等領域回顧了過去一年 AI 的發展。
AI 應用的各個領域
2023 年是 AI 歷史上相當重要的一年。ChatGPT 問世的一年半后，整個行業一直發生著劇烈的變化。去年大家討論的還是 AI 將如何徹底改變不同領域并提供驚人的生產力提升，而現在 AI 已經成為人們關注的焦點。
Klarna CEO Sebastian Siemiatkowski X 推文
在客服領域，Klarna?的 CEO Sebastain 曾經公開表示，現在 Klarna 已經在用 OpenAI 來處理 2/3 的客服查詢，AI 替代了相當于 700 名全職客服的工作。目前全球有數千萬的 call center agent，結合這一背景下，Sonya 認為 AI 已經在客服市場找到了 PMF。
法律服務在一年前被認為是最不愿擁抱科技、最不愿意承擔風險的行業，現在已經出現了像?Harvey?這樣的公司，可以把律師從日常 paperword 到高級分析的很多工作自動化。
再比如在編程領域，經過一年時間，我們已經從一年前用 AI 寫代碼發展快速發展到擁有獨立的 AI 軟件工程師。還有像 HeyGen 這樣的 AI 視頻生成公司，能幫人生成 Avatar 參與 Zoom 會議。
Sequoia 的 Pat Grady 用 HeyGen 生成的 Avatar?
在 Zoom 會議中的影像呈現
AI 和 SaaS 收入增速對比
根據估算，GenAI 在出現后一年間創造的總收入約為 30 億美元，這還不包括科技巨頭和云服務廠商通過 AI 產生的收入。作為對比，SaaS 花了近 10 年才達到這個水平。也正是因為這樣的速度和規模讓大家更確信 GenAI 會持續存在。
主要 GenAI 產品的實際用戶規模
從上圖也可以看出，客戶對 AI 需求不僅限于一兩個應用，而是方方面面的。很多人都知道 ChatGPT 有多少用戶，但當在觀察許多 AI 應用的收入和使用數據時，會發現現在不管是 to B 還是 to C，初創公司還是已有的科技公司，很多 AI 產品都在各個行業找到了合適的 PMF，應用場景已經非常多樣化。
foundation model 和應用層的融資占比
從投資分布上來看，資金分配不均衡是一個顯著問題。如果把 GenAI 比作一個蛋糕，蛋糕底層是 foundation model ，中間是開發者工具和?infra，頂層是應用。一年前，人們的預期是：因為 foundation model 層的進步，所以應用層會涌現出大量新公司。但實際情況卻相反。越來越多的 foundation model 公司出現并融到了大量資金，而應用層似乎才剛剛起步。
紅杉美國合伙人 David 在去年發表了一篇?AI’s $200 Billion Question?的討論。如果我們看目前投入到 GPU 上的投資，去年只是在?Nvidia 的芯片上就花了大概 500 億美元，但目前可以確認的 AI 行業收入只有 30 億美元。這些數據表明， AI 產業目前還處于很早期的階段，投入產出比很低，還有很多現實問題需要解決。
AI 產品和移動應用的 MAU、DAU 和次月留存率
盡管 AI 產品的用戶數量和收入看起來很可觀，但它在 DAU、MAU 和次月留存率方面還遠低于移動應用。很多用戶都在用戶調研中提到 AI 應用的預期與體驗之間存在差距。還有一些產品 demo 看起來很炫酷，實際用起來卻不怎么樣，這也導致用戶沒有能更長期使用下去。
基礎模型能力提升
這些雖然是客觀存在的問題，但更是機遇。去年企業對 GPU 的大量投資帶來了更加智能的 foundation model，最近出現的?Sora、Claude-3 和 Grok 等都顯示出 AI 的基準智能水平正在提高，因此未來 AI 產品的 PMF 將加速提升。
iPhone 和 App Store 的發展演變
新技術從出現到成熟需要一個過程，開創性應用的出現同樣需要時間。以 iPhone 為例，App Store 初期的許多應用都很原始，只是展示新技術，并沒有真正解決問題或創造價值。像手電筒或者類似 beer drinking 這種小游戲，后來都變成了系統內置應用或者可有可無的小工具。而 Instagram 和 Doordash 這樣真正具有影響力的應用都是在 iPhone 和 App Store 推出幾年后才出現的。
AI 技術正在經歷類似的發展過程。現在市場上的許多 AI 應用都還處于 demo 或早期探索階段，就像 App Store 的早期應用一樣，但也許下一代的傳奇公司已經出現。
AI 的應用場景已經非常廣泛，其中 AI 客戶支持、AI Friendship（AI 虛擬陪伴）?和企業知識是非常典型的三個領域。客服是第一批在企業中真正實現產品 PMF 的 AI 應用場景之一。Klarna 不是一個例外，而是一個普遍趨勢。AI friendship 是 AI 最令人驚喜的應用場景之一，它的用戶數量和使用指標表明，用戶對此有著強烈的喜愛。此外，跨部門、跨職能的企業內部知識共享（Horizontal enterprise knowledge）應用也有很大的潛力。
基于以上的分析，紅杉的幾位合伙人也對 2024 年的 AI 發展做出了預測。
? 預測一：Copilot 將逐漸向 AI Agent 轉變。
2024 年，AI 將從輔助人類的 Copilot 轉變為真正能替代一些人類工作的?Agent。AI 將更像是一個同事，而不僅僅是一個工具，這點在軟件工程、客服等行業已經初步顯現。
? 預測二：模型將具備更強的規劃和推理能力。
很多人批評 LLM 只是重復以往數據中的統計模式，而非真正地進行深入的思考和邏輯推理，這種狀況將會通過新的研究方向得到改善。一些研究正在嘗試讓模型更好地進行推理環節計算和游戲式價值迭代（gameplay-style value iteration），這些方法可以讓模型在做出決策前有一定的“思考時間”，這些嘗試預計將在明年讓 AI 更有能力執行更高級別的認知任務，例如規劃和推理。
游戲式價值迭代（gameplay-style value iteration）是從強化學習領域借鑒來的一個概念，指模型能夠評估不同行動的長期價值，并根據這些價值來計劃未來的行動，類似于下棋或玩游戲時的策略思考。
? 預測三：LLM 準確度將更高，從主要用于從 To-C 娛樂應用逐漸擴展到企業級應用。
在 To-C 應用場景中，用戶對于 AI 出現錯誤這件事并不會特別在意，因為人們主要用 AI 來進行娛樂，但當 AI 用于企業應用，尤其是在醫療、國防等高風險領域時，準確性和可靠性就變得至關重要。研究者正在開發 RLHF、Prompt Training 和向量數據庫等各種工具和技術，來幫助 LLM 實現“五個九”（99.999% 的正常運行時間）的高準確度和可靠性。
? 預測四：大量 AI Prototype 和實驗項目將投入使用。
2024 年預計將有許多 AI 原型和實驗項目進入市場。和實驗階段不同，產品真正開始被用戶使用時，就需要考慮延遲時間、成本、模型所有權以及數據所有權的管理等一系列因素，這也意味著計算的重心預計將從預訓練轉向推理過程。因此 2024 年是極為關鍵的一年，人們對這些產品有很高期待，必須確保這個轉變過程正確無誤。
? 判斷 1：AI 是一次規模宏大的成本驅動型生產力革命。
技術革命有很多種類型，包括電話帶來的通信革命、火車帶來的交通革命以及農業機械化帶來的生產力革命。AI 帶來的顯然是一場生產力革命。
歷史上的生產力革命都有相似的模式：起初是人使用工具，然后發展到人配合機器，最終轉變為人類與協同化、網絡化的工具協作。這表明 AI 的發展將經歷從單點逐漸進化到高度集成網絡的過程，這將極大改變我們的工作和生產方式。
歷史上從鐮刀到聯合收割機的變化
在農耕領域，人類使用鐮刀這一工具至今已經超過 1 萬年，再到 1831 年發明的機械收割機，如今我們已經擁有由數以萬計的機器系統組成的復雜網絡聯合收割機，系統中的單個機器就是 Agent。
在知識工作和寫作領域也有類似的模式。知識工作最初的工具只有紙筆，發展到后來的編程，再到現在計算機和 IDE 已經可以大規模輔助軟件開發。軟件開發將不再是孤立的過程，而是一系列的機器網絡協同構建復雜的工程系統，由多個 Agent 共同完成代碼生成。
寫作曾經也是純人工的，后來人與機器助手協作，現在已經可以利用很多個工具協同。比如大家現在使用的 AI 助手不僅僅是 GPT-4，還有 Mistral-Large 和 Claude-3 等工具，并且借助他們互相驗證，獲得更好的答案。
AI 帶來各行業成本普遍下降
生產力革命對社會的影響是普遍和深遠的。從經濟學角度來說，這意味著成本能顯著降低。上圖顯示 S&P 500 公司每 100 萬收入所需的員工數量正在迅速下降，這種變化意味著我們將能以更快的速度和更少的人力來完成工作。但這并不意味著我們要做的事情變少了，而是在同樣的時間能做更多的事。
歷史上各領域的技術進步都會帶來通縮。以計算機軟件為例，由于持續的技術創新，軟件的價格在不斷下降。但在對社會最重要的領域，比如教育、醫療保健、住房等，價格上漲速度卻遠遠超過通脹，而 AI 恰好有助于降低這些領域的成本。
因此，關于 AI 長期影響的第一個關鍵判斷是：AI 將是一次巨大的成本驅動型生產力革命，幫助我們在社會的關鍵領域以更少的資源做更多的事。
? 判斷2：萬物皆可生成
第二個判斷主要是討論 AI 到底能做什么。
一年前 Jensen Huang 提出了一個預言，未來圖像將不再是渲染出來的，而是生成出來的。這意味著我們正在從將信息存儲為像素矩陣，轉變為將其表示為多維概念。以字母“a”為例，過去“a”都是以 ASCII 碼 97 這個原始數據被存儲，但現在計算機不再只關注像素表示，而是理解字母作為英文字母在特定語境下的概念內涵。
更強大的是，計算機不僅能夠理解這種多維表示并渲染為圖像，還能夠把它情境化，理解“a”作為英文字母在特定語境下的含義，而不僅僅是孤立的符號。比如看到“multidimensional”這個詞，計算機不會去關注“a”這個字母本身，而是去理解整個語境和詞的含義。
這個過程正是人類思維的核心特征。就像我們學習字母“a”時并不是記憶像素矩陣，而是掌握了一個抽象概念。這種思維方式可以追溯到 2500 年前柏拉圖的理念論，柏拉圖認為，萬物背后都有一個永恒不變的理念世界，現實世界中的事物都是理念世界完美形式的映射，這與當前 AI 的學習過程有相通之處。
而這件事對于企業的影響是很大的。目前企業已經開始將 AI 集成到特定的流程和 KPI 制定中，例如前面提到的 Klarna 借助 AI 提高了客戶支持相關的績效，通過建立 AI 檢索信息體系打造優質的客戶體驗。這種變革也伴隨著新用戶界面的出現，這些用戶界面可能與以往我們所用的支持溝通方式截然不同。
這個趨勢相當重要，因為這意味著企業最終可能會像神經網絡那樣運作，各個部分之間相互連接和協同工作，以自我優化的方式互相學習和適應并不斷提高效率。
以客戶支持流程為例，上圖是一個簡易客服流程示意圖。客服部門有一系列 KPI，這些指標受到文生語音、語言生成、客戶個性化等因素的影響，這些因素形成了優化項樹狀圖中的子模式或子樹，最終形成一個層次明晰、互相連通的體系圖，其中語言生成的反饋將直接影響服務客戶的最終 KPI。借助這種抽象方式，整個客服流程將由神經網絡管理、優化和改進。
再考慮企業獲客的情況。通過語言生成、增長引擎以及廣告定制和優化等 AI 技術，可以幫助企業更好地滿足每位客戶的需求。這些技術之間的相互作用，可以推動企業像神經網絡一樣自我學習和適應。個體將能夠完成更多工作，這也會催生更多一人公司出現。
文章轉自微信公眾號@海外獨角獸
