Come questo VC valuta le startup di intelligenza artificiale generativa

Adam B.
Struck Collaboratore Condividi su Twitter Adam B.
Struck è un partner fondatore di Struck Capital, Struck Crypto e Struck Studio.
Il lancio di ChatGPT nel novembre del 2022 ha proiettato il nostro mondo nell'era dell'intelligenza artificiale e l'industria tecnologica non sarà più la stessa.
Quasi tutti i pitch deck che ho visto da dicembre avevano l'intelligenza artificiale nelle prime due pagine.
Come con qualsiasi tecnologia emergente, tuttavia, i venture capitalist come me hanno dovuto sviluppare rapidamente una strategia per separare le startup ad alto potenziale da quelle che sono per lo più pubblicizzate o che probabilmente dovranno affrontare sfide insormontabili che impediranno loro di raggiungere la scala del venture capital.
Comprendere questa distinzione richiede padronanza dei vari livelli dello stack di valore dell’intelligenza artificiale generativa, determinando quali sono maturi per gli investimenti e creando una strategia di due diligence per valutare i rischi e le opportunità di una determinata startup.
Nello specifico, l’IA generativa è composta da: Dati.
Middleware.
Modelli specializzati perfezionati.
Il livello cloud e infrastruttura.
Modelli fondamentali.
Il livello di applicazione.
All'interno di questo stack tecnologico, ci sono alcune aree che riteniamo siano particolarmente investibili e altre in cui è più difficile competere per un'azienda in fase iniziale.
Ecco come analizziamo il tutto.
Aree di nostro interesse Dati Una delle maggiori sfide dell'intelligenza artificiale generativa, e quindi una delle sue maggiori aree di opportunità, è l'accuratezza e l'affidabilità delle informazioni che fornisce.
Oggi, i modelli di intelligenza artificiale generativa sono costruiti su enormi set di dati, alcuni ampi e vasti quanto Internet stesso, contenenti informazioni rilevanti e utili e un sacco di tutto il resto.
Riteniamo che la galassia di applicazioni di intelligenza artificiale generativa che emergeranno nei prossimi anni sarà composta da dati più precisi, o da frammenti di modelli diversi e più specializzati.
Invece di creare una rete ampia, questi modelli specializzati utilizzeranno dati proprietari specifici di un dominio, che aiuteranno a personalizzare l’output dell’applicazione e a garantirne l’accuratezza.
Ci sono alcune aree che riteniamo particolarmente investibili e altre in cui è più difficile competere per un'azienda in fase iniziale.
Avere dati proprietari da integrare con modelli fondamentali, combinati con la giusta architettura middleware, si tradurrà in questi modelli specializzati, che crediamo alimenterà il livello applicativo con cui interagiscono consumatori e aziende.
Middleware Ad accompagnare il livello dati dello stack di intelligenza artificiale generativa c'è il middleware, che definiamo come strumenti e infrastrutture che supportano lo sviluppo di nuove applicazioni di intelligenza artificiale generativa e costituisce la seconda parte della nostra tesi di investimento nel settore.
Nello specifico, siamo ottimisti sulle società di infrastrutture e strumenti che valutano e garantiscono sicurezza, accuratezza e privacy attraverso gli output dei modelli; orchestrare l'inferenza su più modelli; e ottimizzare l'integrazione dei dati proprietari in modelli linguistici di grandi dimensioni (LLM).