AI起業家の苦い教訓（Bitter Lesson）

• AI Safetyスタートアップ Andon Labs（YC W24）の創業者 Lukas Petersson による4部作の文章を1つに整理
  • 歴史的に、AI分野では一般的なアプローチが常に勝利してきた
  • 現在のAIアプリケーション分野の創業者たちは、過去のAI研究者が犯した過ちを繰り返している
  • より優れたAIモデルは汎用的なAIアプリケーションを可能にする一方で、AIモデルに関連するソフトウェアの付加価値は低下していく
• チャプター1: 歴史は繰り返す
• チャプター2: 競争優位はない
• チャプター3: 歴史の足跡
• チャプター4: あなたは魔法使いです

---

チャプター1: 歴史は繰り返す（History Repeats Itself）

tl;dr:

• 最近のAIの進歩は、さまざまな問題を解決する新しい製品を可能にした
• しかし、ほとんどの製品は現在のモデルの限られた能力の範囲内で動作しており、AI本来の力である柔軟性を活用できていない
• AIの歴史は、一般的なアプローチが常に勝利することを繰り返し示している。Richard Sutton は "The Bitter Lesson" でこれを強調した
• 今日のAI創業者たちは、過去のAI研究者が経験した過ちを繰り返す傾向がある

Richard Sutton のエッセイ: The Bitter Lesson 要約。(韓国語訳)

• 次のような教訓を提示している:
  • AI研究者は知識をエージェントに統合しようとする
  • これは短期的には効果的で、満足感も得られる
  • 長期的には進歩が停滞し、さらに発展の妨げにもなる
  • 最終的には、その正反対のアプローチに基づく計算量の拡大によって突破口が開かれる
• AI研究でもこのパターンは繰り返し観察されており、現在も終わっていないと警告している

AI製品と The Bitter Lesson

• AI製品は通常、AIモデルとそれを取り巻くソフトウェアで構成される
• 性能を向上させる2つの方法:
  1. ソフトウェアに制約を加えてエラーを減らすエンジニアリング作業
  2. より優れたモデルがリリースされるまで待つこと
• モデルが進化するほど、エンジニアリング作業の価値は低下する
• OpenAI の新モデルのリリースによってプロンプトエンジニアリングの価値が低下した事例は、これを示している

制約の種類とAI製品

• AI製品における制約要素は、次の2つに分類できる:
  • 特定性: 特定の問題に焦点を当てたソフトウェア（垂直型ソリューション）
  • 自律性: AIが自ら作業を実行できる能力
• これに基づいてAI製品を分類できる: 特定性（Vertical vs. Horizontal）と自律性（Workflow vs. Agent）
  • Vertical Workflow
    • 特定の問題を解決するために、固定された順序で動作するシステム
    • Harvey が代表例で、特定の法務作業のような狭い領域の問題を処理するよう設計されたワークフローシステム
  • Vertical Agent
    • 特定の作業領域で自律的に動作し、作業過程で自ら意思決定を行うシステム
    • Devin が代表例で、限られたツールとデータを使って反復的な作業を行い、必要に応じて作業ステップを調整する
  • Horizontal Workflow
    • さまざまな問題を解決できる一般的なワークフローシステム
    • ChatGPT が代表例で、多様な種類の入力に対して事前定義された手順に従って応答するが、完全な自律性は持たない
  • Horizontal Agent
    • さまざまな問題を扱える完全に自律的なシステム
    • Claude computer-use が代表例で、企業の標準ソフトウェアを使ってユーザーの指示に従い作業し、人間に似た方法で問題を解決する

Vertical Workflow と The Bitter Lesson のつながり

• Demo Day で発表された製品の多くは Vertical Workflow の形態に該当する
  • 現在のモデルの信頼性が十分でないため、他のアプローチが難しい状況にある
  • 複雑な問題も Vertical Workflow に制限することで、受け入れ可能な性能を実現しようとする傾向がある
• エンジニアリング作業によってこうしたソリューションを改善することはできるが、限界がある
  • 現在のモデルで解決できない問題については、より進化したモデルを待つほうが良い戦略である
  • Leopold Aschenbrenner の観察: より良いモデルを待つ時間のほうが、エンジニアリング作業より短い可能性がある

The Bitter Lesson と現在のAI製品の関係

• AI研究者たちは「許容可能な性能」を得るために知識ベースのソリューションをエンジニアリングしてきたが、最終的には、より多くの計算資源を活用する一般的なソリューションがそれを上回った
• 現在のAI製品開発のやり方は、このパターンに似ている

Bitter Lesson の4つの観察と制約タイプへの適用

Bitter Lesson で言及された4つの主要な観察は、AI製品の自律性と特定性の制約にも明確に反映されている。
それぞれの制約に沿って説明すると次のようになる:

1. 第1の観察: AI研究者は知識をエージェントに統合しようとする

• 自律性の制約:
  • 開発者は自律エージェントを試すが、信頼性が低い
  • その代わり、作業ステップをワークフローとしてハードコードし、自分が問題を解決するのと同じ手順に従わせる
• 特定性の制約:
  • 開発者は汎用的な文書分析システムを作ろうとするが、信頼性の問題で苦労する
  • その代わり、財務諸表のような特定タイプの文書に焦点を当て、具体的なメトリクスや検証ルールをハードコードする

2. 第2の観察: 短期的には効果的で、研究者に満足感を与える

• 自律性の制約:
  • ワークフローをハードコードすると安定性が高まる
• 特定性の制約:
  • 狭い範囲の文書とメトリクスだけを処理するよう特化すると、精度が向上する

3. 第3の観察: 長期的には進歩が停滞し、さらに妨げになる

• 自律性の制約:
  • ハードコードされたワークフローは新しい状況に対応できず、不正確な結果を招く
• 特定性の制約:
  • 特定の問題しか扱えないシステムは、統合文書や決算説明会分析のような関連タスクを処理できない
  • タスクごとに別個の特化システムが必要になる

4. 第4の観察: 計算資源の拡大に基づいて突破口が開かれる

• 自律性の制約:

  • 新しいモデルは動的に適切なアプローチを見つけ出し、必要ならエラーを修正し、信頼できる自律エージェントを可能にする

• 特定性の制約:

  • 新しいモデルはあらゆるビジネス文書を包括的に理解し、関連情報を抽出できるため、特化システムはもはや不要になる

• 自律性が必要な問題では、より自律的な製品のほうが高い性能を発揮する

• 複雑で広い入力空間を扱う場合は、あまり特化していない製品のほうがより良い結果をもたらす

まとめ: AIスタートアップと The Bitter Lesson

• この記事は、AIにおけるスタートアップの役割を探る4部作シリーズの第1弾であり、ドメイン知識を活用したAIモデルが計算資源を活用するモデルに着実に置き換えられてきた歴史的パターンを強調している
• 今日のAI製品は、このパターンと驚くほどよく似ている
• 現在のモデルの限界を補うためにソフトウェアを開発することは、特にモデルが急速に進歩している状況では、失敗する可能性の高い戦略である
• YC パートナー Jarred の指摘: 初期世代の垂直型ワークフローLLMアプリは次世代の GPT モデルに置き換えられる
• Sam Altman の助言: より良いモデルのリリースを恐れるのではなく、それを期待できるスタートアップを構築することが重要
• 多くのAIアプリケーションレイヤーの創業者たちは、新モデルのリリースを期待して浮き立っているが、これは危険なシグナルかもしれない
  • より良いモデルがリリースされた場合、現在の競争優位を弱める可能性が高い
  • とりわけ、より難しい問題をより効果的に解決できるという製品性能の観点では、このリスクはいっそう明確になる
• 次の記事では、市場導入という別の次元を探り、より優れた性能が必ずしも市場での成功を保証しないことを論じる予定

---

チャプター2: 競争優位はない（No Powers）

tl;dr:

• AIの歴史では、モデルの限界をドメイン知識で補おうとするアプローチは、最終的に計算資源を活用した汎用的なアプローチに押し負けた事例が多い
• 垂直AI（vertical AI）は、現在のモデルの限界を補うために特定のタスクフロー（ワークフロー）を事前定義して精度を高める方式で、先に市場へ参入している
• 水平AI（horizontal AI）は、ChatGPTのような汎用モデルを活用し、継続的に進化していく形であり、モデルが改善されるたびに多くの分野でより優れた性能を示す可能性がある
• 長期的には、水平AIは多くの制約を設ける垂直AIよりも高い性能と柔軟性を持ち、優位に立つ可能性がある

問題難易度と性能曲線

• Figure 1は、垂直AIが先に市場参入するものの、モデルが改善された水平AIが最終的に性能で追い抜くという単純な例である
• 問題の難易度が高い場合（Figure 2）、垂直AIはそもそも十分な性能に到達できず、水平AIが改善されて初めて解決可能になる
• 現時点で垂直AIが適用可能な問題は比較的「難易度の低い問題」であり、このカテゴリでは垂直AIが先行者利益を享受できる一方、長期的な競争力は不確実である

水平AIが提供する「リモート協業者」という概念

• 今後の水平AIは、リモートワーカーのようにコンピュータとアカウントを与えられ、必要なデータを自ら探して利用できる形へ発展する可能性がある
• ChatGPTなど、すでに多くのユーザーが使い慣れているUIが段階的に強化されることで、企業が迅速に導入できる条件が整う可能性がある
• 水平AIは、モデルが改善されるたびに多様な機能を即座に取り込むため、垂直AIより競争優位を維持しやすい

先行事例: AcademicGPTでの経験

• GPT-3.5の時点では長い入力の制限を克服するためにAcademicGPTをリリースしたが、GPT-4が長文入力を標準で提供すると、既存ソリューションは急速に淘汰された
• YCパートナーのJaredが語ったように、「第1世代のLLMアプリは、ほとんどが次世代モデルに押し流された」
• 複数の機能を同時に提供する垂直AIも、最終的にはモデル性能が向上すれば同じ過程をたどるリスクがある

Helmerの7 Powers分析

• この章では、Hamilton Helmerの7つの競争優位（Switching Costs, Counter-Positioning, Scale Economies, Network Economies, Brand Power, Process Power, Cornered Resource）を通じて、垂直AIが水平AIと競争できるかを検討する

• Switching Cost（転換コスト）

  • ユーザーが特定の垂直AIソリューションのUIやワークフローに慣れていたとしても、水平AIは「新しい社員を採用するように」簡単にオンボーディングできる形で適用可能である
  • すでにChatGPTなどの水平AIソリューションを導入した企業も増えており、移行プロセスはそれほど難しくない可能性がある
  • 価格面でも、水平AIは複数の垂直ソリューションを統合できるため、コスト削減効果が見込まれる

• Counter Positioning（逆ポジショニング）

  • 垂直AIは特定市場に特化したソリューションとしてカスタマイズされた価値を提供できるが、モデルが徐々に改善されれば、水平AIが全体としてより優れた性能を示す可能性がある
  • 垂直AIは新しいモデルを導入するたびに、既存の「制約」によって差別化を失うか、制約を外せば結局は水平モデルに近づいてしまうというジレンマに直面する

• Scale Economy（規模の経済）

  • 垂直AIもSaaSと同様に、規模に応じてコストを下げられるが、水平AIにも複数分野を統合してコストを分散できる利点がある
  • 大規模なR&D投資によって開発された水平モデルを多用途に適用することで、コスト削減をさらに加速できる

• Network Economy（ネットワーク効果）

  • 垂直AIと水平AIはいずれもユーザーデータをもとに改善の可能性があるが、水平AIはより広範なユーザー集団からフィードバックを得て、モデル全体の性能を向上できるという大きな利点がある
  • 多様な分野で蓄積されたデータを活用してモデル全体が改善されるため、垂直AIには対応が難しい速度で進化できる

• Brand Power（ブランド力）

  • ブランド力は、小規模なスタートアップ段階で獲得しにくい優位性である
  • OpenAIやGoogleのように、すでに大きなブランド影響力を持つ企業は例外だが、ほとんどの垂直AIスタートアップはブランド力を武器にしにくい

• Process Power（プロセス力）

  • プロセス力もまた、大企業が長い時間をかけて磨き上げた運営体制を通じて得る優位性である
  • 初期スタートアップの段階では、これはほぼ当てはまらないカテゴリである

• Cornered Resource（独占的資源）

  • 独占的資源は、特定のデータや資源を1社だけが保有し、その資源が当該分野で不可欠な場合にのみ大きな競争優位となる
  • 多くのAIスタートアップは「独占データ」があると主張するが、実際にはそのデータが完全に独占的ではなかったり、そのデータがなくてもモデルが十分に学習可能である場合が多い
  • 例外的に真に独占的な資源を確保した企業は、水平AIの発展にもかかわらず競争力を維持できる可能性がある

まとめ

• 結局のところ、垂直AIが先行者利益を享受するシナリオであっても、水平AIがより高い性能を備えれば、ほとんどの垂直AIは維持が難しくなる
• Helmerの7 Powersのうち、真の「Cornered Resource」を確保した場合にのみ、垂直AIが長期的なモメンタムを確保できる可能性がある
• AcademicGPTがGPT-4のリリース後に急速に衰退した事例のように、複数機能を補強した垂直AIも、モデルが改善されれば最終的に同様の流れを迎えうる
• 次章（第3章）では、「リモート協業者」型の水平AIがいつ、どのように現実化するのかを予測し、それを阻む技術、規制、信頼、経済的障壁などを具体的に検討する予定である

---

第3章: 歴史の脚注（A Footnote in History）

• AnthropicのCEOが「仮想協業者（virtual collaborator）」の概念を説明したインタビューを公開した
• これは筆者がこのシリーズで「水平AIプロダクト（horizontal AI product）」と呼んでいる概念に近い
• OpenAIはまもなく「Operator」を発表すると見られており、リークされたベンチマークによればClaudeを大きく上回る性能を示している（OSWorldベンチマークでClaudeは22%、Operatorは38%）
• こうした性能向上は予想の範囲内であり、筆者は3か月前の予測をそのまま維持している
• 前章では、垂直AIアプリケーションが競争力を維持しにくい理由を説明した
  • 一般的なAIソリューションとの性能差が縮まっている
  • 水平AIプロダクトが競争力を持てば、垂直AIプロダクトには守る手段がほとんどない
• 重要な問い: 「垂直AIから水平AIへの移行はいつ起こるのか？」
  • 10年後なら、いま垂直AIを開発することにも意味があるかもしれない
  • しかし1〜2年以内に変化が来るなら、まったく異なる戦略が必要になる
• すべての産業で同時に、垂直AIから水平AIへの移行が起こるわけではない
• しかし、現在ほとんどのAIスタートアップが注力している市場は比較的単純な分野であるため、主要産業では似た時期に変化が起こると予想される
• 2027年までには、ほとんどの産業で垂直AIプロダクトが生き残るのは難しくなると見込まれる
• 「採用（adoption）」とは、ユーザーが新しい問題を解決したり既存の問題の解き方を変更したりするときに、どのプロダクトを選ぶかを意味する
• 次の要素は考慮しない
  • 市場シェア: 既存契約などが影響する可能性がある
  • 絶対的な規模: AIが新たなユースケースを開くことで市場は拡大するが、本分析では相対的な変化のみを考慮する
  • 潜在価値: 現時点で人々がどのソリューションを選ぶかを評価しており、将来の改善可能性は含まない
• たとえば、流れがAからBへ移るなら、過去にはAが好まれていたが、今ではBのほうがより良い選択肢と見なされているということである

垂直AI／水平AIおよびワークフロー／エージェントの概念

• 「垂直型（vertical）AI」と「水平型（horizontal）AI」は、異なるAI製品のタイプを意味する
• 「ワークフロー（workflow）」と「エージェント（agent）」も、AI製品を分類する概念である
• 本文書では、水平型AI製品におけるワークフローとエージェントの概念をひとまとめにして説明する
  • 同じ企業が両方の機能を含む製品を開発する可能性が高い
  • たとえば、ChatGPTがエージェント機能を追加しつつ、既存のワークフロー基盤を維持することもあり得る

過去

• (1) Pre-ChatGPTの時点では、従来型ソフトウェアが市場を支配していた
• (2) ChatGPTの登場により、初の意味のある水平型AI製品が現れた
• (3) GPT-3.5 APIの登場以降、初めてAI特化のさまざまな垂直型製品が発売され始めた

今年

• (4) 2025年には、モデル性能が実用的なエージェントとして活用できるほど安定化するとの予想
  • これまでは研究プロジェクトや限定的な試験用途にとどまっていたエージェントが、本格的に導入される見込み
  • 既存の垂直型ワークフロー製品も、AIエージェントの形へ移行する可能性がある
• (5) エージェントが登場しても、2025年までは垂直型ワークフローが支配的な地位を維持すると予想される
  • すでに導入したツールを切り替えたがらないユーザー習慣と、これまで構築してきたエンジニアリング資産を引き続き活用したい開発者の慣性が作用する
• (6) ChatGPT、Claude、Geminiのような主要な水平型AI製品は、機能を拡張しながら、より多くの垂直領域をカバーしていくと見込まれる
  • 垂直型AI製品の既存の特化機能が、水平型AI製品へ急速に吸収される可能性がある
  • すでにChatGPTはデスクトップアプリとの連携を開始している

近い将来

• (7) 水平型AIエージェントと人間労働者の能力格差は、次第に縮まっていくと予想される
  • 専門家レベルには届かないとしても、一般的な事務作業をかなり自動化できるだけの性能を確保するとみられる
  • これにより、垂直型AIソリューションの存在意義が薄れる可能性がある
  • 具体例:
    • 個人ユーザーは、税務申告や就職準備のような複雑な業務を水平型エージェントに任せる可能性がある
    • 企業は、ジュニア級の人材をかなりの割合で代替または削減する可能性がある
    • 1人だけでユニコーン級の価値を生み出す事例が現れる可能性がある
• (8) 従来型ソフトウェアは、エージェントが活用できるインターフェースとして引き続き価値を保つと見込まれる
  • エージェントがすべてのソフトウェアを直接新たに作るよりも、既存ソフトウェアを活用するほうが費用対効果に優れる可能性がある
  • 特に汎用的・水平型のソフトウェアが生き残る確率が高いとの分析
• (9) 生き残る垂直型AI製品は、第2章で言及された防御的資源（独占データ、特許など）を確保した少数に限られると予想される
  • それらは、その資源を高い価値で売却できる可能性もある

2024 - 成長は止まったのか?

• 2024年にAIモデルの停滞があったという主張は、説得力に乏しいとの評価
  • o3の登場以前から、GPT-4、Claude、Open Weightモデルなど、多様な分野でモデル性能は着実に改善してきた
  • ARC-AGI、GPQA Diamondなどにおけるベンチマークスコアも急進的に向上してきた流れがある
• AnthropicはClaude 2からClaude 3、さらにClaude 3.5 Sonnetへと急速に進化しており、未公開アップグレードを社内で活用していたのではないかという推測も出ている
• このため、2024年がAIモデル改善の止まった年だったという主張には根拠が乏しいという見方

潜在的な障害

• Model Stagnation: 2024年には停滞がなかったとしても、2025年以降にモデル進化が止まる可能性への懸念

  • Ilya SutskeverはNeurIPSで、従来の事前学習（Pre-training）方式の限界に言及した一方、テスト時演算（Test-time compute）など別の道があることも示唆した
  • 主要なAI研究機関と企業は、今なお巨大な計算資源へ積極的に投資している

• Regulation: 予想外の規制が登場すれば、AIの発展に制約が生じる可能性

• Trust Barriers: エージェントの安定性や信頼性に対するユーザーの懸念が存在する

  • 歴史的にエレベーター自動化への恐れが最終的に消えた前例を踏まえると、時間がたてば克服されるとの見方

• AI Labs Hesitate: AnthropicやOpenAIなどが、実際には技術的能力を持っていても、ユーザーとの相互作用をあえて一部制限するケースがあり得る

• Expensive Inference: o3の事例のように、高性能な推論には非常に高いコストが必要になる可能性

  • ただし、推論コストは時間とともに下がっており、エージェントがすべての作業に同じ高性能推論を適用するとは限らない

• こうした要素を総合すると、技術進化の予測には難しさが伴うものの、垂直型AIスタートアップに残された時間は多くないとみられる

• AIモデルが高度化するにつれて、既存のエンジニアリング基盤の価値が急速に失われ得るというU字型の価値グラフが示される

参考事項

• o3で示されたテスト時演算（Test-time compute）の拡張は、すでに既存研究によって予見されていた結果だという説明
• AlphaZeroの事例で実証されたように、検証可能な環境では性能が急速に超人的レベルへ到達し得るという洞察
• o3はコーディングや数学のような領域では優れている一方、創作的ライティングなど他の領域ではo1と大差ないという分析
• 今後は新たに垂直型AIを開発するよりも、より広範または独占的な資源を扱う別の方向性のほうが、創業者にとって有利になり得るという示唆

---

チャプター4: あなたは魔法使いです（You’re a wizard Harry）

創業者は魔法使いに似ている

• 無から有を生み出す能力を持つ
• 新しい会社を始めるには斬新な思考が必要だ
• ポール・グレアム（PG）の言葉: 「アイデアは正しいだけでなく、斬新でなければならない。誰もが良い考えだと同意することを始めてはいけない。」
• 多くの創業者は、同業者の印象的な収益成長に目を奪われ、独立した思考を失っている
• 誰もが同じことをしていて、それがうまくいっているように見えるとき、独立して考えるのは難しい
• 筆者は独立して考えようとしており、こうしたアイデアが悪く聞こえることを望んでいる

水平型エージェントの未来と競争

• AIアプリケーション層を支配する水平型エージェントは、AIラボによって開発されると予想される
• モデル性能の差によって単独の勝者が出る可能性もあるが、Anthropic、OpenAI、GDM、xAIの間で激しい競争が起きる可能性のほうが高い
• これは短期的には、最終ユーザーに利益をもたらす価格競争を引き起こす
• AIラボが短期的に大きな金銭的価値を獲得できないとしても、依然として非常に強力な立場を占めると予想される
• したがって創業者は、自らのスタートアップを、こうした研究所との関係性という文脈で考えるのが合理的である

顧客としてのアプローチ

• 第2章で論じたように、LLM APIを使うAI垂直型製品を構築することは可能だが、それは重要な資源への独占的アクセスがある場合に限られる
• AI垂直型製品を構築するには、そのような資源を見つけるために莫大な努力を払わなければならない

競合相手としてのアプローチ

• 水平型エージェントが未来なら、なぜそれを構築しないのか？ 3つのアプローチを検討する
• 市場の先取り
  • AI研究所は、モデルの信頼性が十分に高まり、最小限のエンジニアリング努力で水平型エージェントを作れるようになったときにのみ、垂直型ワークフローと本格的に競合するだろう
  • 以前のモデルにエンジニアリング努力を投入することで、理論上は研究所より先に市場参入できる可能性はあるが、確実ではない
  • Leopold Aschenbrennerは、この取り組みは次のモデルを構築するよりも長くかかる可能性があると考えている: "リモートワーカーが多くの作業を自動化できるようになるまでには時間がかかるかもしれず、その間、中間的なモデルはまだ完全に活用・統合されていない可能性がある"
  • 誰が先に市場参入しても、この優位は長く続かないと予想される
• エージェントAPIラッパー
  • ルームメイトが「世の中にUIのスキルを持つ人はいないのか？」と尋ねた
  • これは2つの問題を示唆している: 1) APIコストのためにマージンが持続不可能であること、2) 研究所は最高のモデルを公開しないこと（ChatGPTは検索、Webブラウジングなどに独自モデルを使っている）
  • 現在、GPT APIを使ってChatGPTと直接競争している人はいないし、このパターンは水平型エージェントでも繰り返されると予想される
• オープンソースモデル
  • オープンソースモデルは別の経路を提供しうる
  • Perplexityは、研究所や水平型製品と競争できることを示している
  • しかしオープンソースモデルは、単純なベンチマークでは良い成績を出す一方で、複雑なエージェント作業では苦戦する
  • Llama-3.1-405bはMLE-benchで最先端モデルにかなり後れを取っている
  • Andon Labsはこの種のベンチマークを専門としており、これは私たちが見ているものとも一致する
  • Deepseek V3とR1は非常に印象的な結果でリリースされたが、o3も同様であり、Anthropicは社内でさらに優れたバージョンを持っていると知られている
  • オープンソースモデルが最先端に近づくことはありえても、それを上回るとは考えにくい
  • しかし、水平型ゲームで競争するには十分かもしれない
  • 推論コストは依然として非常に高いだろう

サプライヤーとしてのアプローチ

• AI研究所が本当にこれほど強力になるなら、彼らのサプライヤーになるのは素晴らしい立ち位置だ
• 彼らは明らかに大量のコンピューティングパワーと電力を必要とするだろう
• Leoの分析が正しければ、予想以上に多く必要になるかもしれない
• この機会には業界の専門知識が必要であり、これは現在AIアプリケーション層にいる創業者にとって自然なものではないかもしれない
• しかし、あなたが魔法使いであることを忘れないでほしい
• 研究所はまた、第三者からデータを購入している
• Scale AIは、これが優れたビジネスであることを証明している
• しかし、AI研究所が「自己学習」を機能させられるかは疑わしい
• AlphaZeroは外部データなしで訓練されており、これは未来のAIモデルの聖杯と見なされている
• 彼らが自己学習を機能させられないなら、代替案は複数の事後学習データセットを組み合わせることになるだろう
• この世界では、データを売ることはおそらく良い選択肢だろう

エコシステム貢献者としてのアプローチ

• AI研究所との関係で最後に検討する価値があるのは、エコシステム貢献者になることだ
• これは水平型エージェントを助けるツールを構築することを意味するが、重要なのはエージェントそのものから分離されていなければならないという点だ
• 第3章で示したように、エージェントには効率的なインターフェースが必要なため、従来型ソフトウェアは存続するだろう
• エージェントが自らソフトウェアを書くことはできても、推論コストによってそれが非現実的になる可能性がある
• しかし、エコシステムプレイヤーにはコモディティ化のリスクがあり、価値の大半は別の場所で獲得されるかもしれない
• これは、水平型エージェントを動かすための 推論コスト(inference cost) がどれほど高いかに左右されるだろう
  • 推論コストが低ければ、エージェントが自分に必要なソフトウェアを自ら生成することがより一般的になるだろう

もしAI水平型エージェントの到来が遅れるなら？

• タイムライン(timeline) は非常に重要だ
  • もし水平型エージェントが 10年後になってようやく競争力を持つ のなら、今、垂直型AIワークフローを構築するのは素晴らしいアイデアだろう
  • これだけの時間があれば、十分に 大きく堅牢な会社を作ることができる
• しかし、AI研究所の進歩の速度を考えると、10年は非現実的
  • では 4年後はどうだろうか？
  • 4年では大企業を作るには足りないかもしれないが、十分な反復(iteration)の機会はある
  • AIアプリケーション層から始めることが、その後ベンダーやエコシステムプレイヤーへ転換するうえで有利かもしれない

エピローグ: YC(Y Combinator)の失敗なのか？

• 表面的には、YCが間違った選択をしているように見えるかもしれない
  • 現在YCは、AI垂直型製品 に投資の大半を集中させている
  • しかし、この市場は近いうちに消える可能性が高い
• しかし筆者は VC(ベンチャーキャピタル)についての専門性が不足している ため、確かな結論は出せない
  • ただ 混乱しつつ考えを共有しているだけ だ
• YCは 比較的中立的な投資戦略 を取っていると主張している
  • 賢い人に投資し、彼らが最善のアイデアを見つけることを望む
  • これは優れた戦略であり、数百人の創業者が14人のYCパートナーより未来をうまく予測できるかもしれない
• しかし筆者は、YCのバッチ(batch)システムが短期的思考を促す可能性がある と懸念している
  • YCでは 週次目標を設定すること が非常に重要であり、大きなグループの中で進めることがモチベーションに良い
  • しかし、アイデアの多様性が十分でなければ、短期的思考を促す可能性がある
  • AI垂直型製品を作れば、素早く5,000ドルのMRRを達成できる
  • しかし、それが持続可能なビジネスを構築する方法なのだろうか？
  • 筆者が今YCのバッチにいたなら、おそらく AI垂直型製品を作りたいという誘惑を感じていただろう
  • さらに、YCのポッドキャスト "The Light Cone" ではAI垂直型製品を擁護する内容が多い

[zkdlfrlwl2]

Vertical AI と Horizontal AI の区別と説明が興味深いですね