Transcription
为什么代理商在实现潜力方面遇到了困难？虽然我们看到了单人模式的改进，但您真正想要的是一个具有跨时间状态和记忆的多人模式。我们看到答案有一个共同点。而这个共同点就是上下文图。最成功的 AI 初创公司将是那些能够通过构建独特的上下文图来构建模式的公司。这是一个非常强有力的声明。因此，企业现在已经意识到了上下文类的存在。他们从哪里开始？>> 嗯，您好，我是 Sadhhatalwalia，Neon show 的主持人，也是 Neon Fund 的管理合伙人。今天我很高兴能邀请到 Foundation Capital 的普通合伙人 Ash。这是他第三次做客 Neon show。Ash，很高兴您再次回来。>> 谢谢您再次邀请我。嗯，这确实已经成为一种习惯了。您和 J 写的关于上下文图的文章，我认为在过去一个季度里，它已经占据了所有 VC 的交易，而且还在不断增长，对吧？所以今天我们想讨论的是大家普遍认同的三件事：哪些问题仍然没有答案，以及接下来会发生什么，对吧？首先，您知道，对于我们那些不知道或没读过这篇文章的听众，您能解释一下上下文图和通俗易懂的说法吗？>> 当然，您可以将上下文图视为一个组织的机构记忆。最简单地说，它是关于为什么做出决定、如何做出决定、谁做出决定的知识的集合。而“为什么”通常需要从“如何”和“谁”中推断出来。因此，但这种存在于组织内的所有信息的机构记忆，部分存在于人们的头脑中，部分存在于各种数字痕迹中，这就是通俗易懂的上下文图，如果您愿意，我稍后可以给您一个更技术性的定义。>> 当然，我很想了解。>> 所以，上下文图的根源在于“决策追踪”的概念。因此，当人类和代理商协作执行业务流程时，当您经历 10 到 15 个步骤时，通常会跨越多个记录系统，跨越多个通信系统，您知道，如果您正在做决定，您可能会有一个 Zoom 通话，您可能会有一个电子邮件线索，您可能会有一个 Slack 消息，您可能会有一个电话，您可能会调用大量系统来处理大量记录系统。当您将所有这些与时间和状态组件结合起来时，您就会得到一个决策追踪。而且，历史上，组织没有能够处理的决策追踪形式。他们有结果。因此，记录系统捕获了这些决策追踪的输出。那么最后发生了什么？如果您与 XYZ 公司以 ABC 价格签订了一份交易，并给予了某某折扣，这些信息都会被捕获。但这只是您做出的一系列决策的结果，而您做出的一系列决策就是决策追踪。当您将组织的决策追踪聚合在一起，在特定业务流程或领域（取决于抽象级别）的上下文中，就形成了上下文图。>> 当您写这篇文章时，为什么它会引起如此大的反响？为什么它会病毒式传播？所以，我和 Jay，以及您知道的 Jay，在过去一年里一直是我的“共谋者”。在过去一年里，我们一直在问自己这个问题：为什么代理商在实现代理商的潜力方面遇到了困难？我们在一到一年前都曾做出过承诺，但它却遇到了困难，虽然我们看到了改进，我们在单人模式中看到了改进，我们在单次聊天模式中看到了改进，但您真正想要的是一个具有跨时间状态和记忆的多人模式，以及更多的自动化。我们已经看到我们的投资组合公司解决了这些问题，当我和 Jay 与像金融自动化领域的 Maximore、生产工程自动化领域的 Player Zero 以及许多其他公司一起解决这些问题时，我们看到答案有一个共同点，而这个共同点就是上下文图。因此，我们相信，未来最成功的 AI 初创公司将是那些能够通过构建独特的上下文图来构建模式的公司。>> 如今，是否有技术可以构建这个上下文图？>> 当然，技术不是这里的障碍。有很多公司，我提到了 Maximore，我提到了 Player Zero，还有 Tera，他们正在为 ERP 迁移和自动化做这件事，还有 Olive，他们正在为销售做这件事，Reggie 正在为需求生成做这件事。所以，我们的投资组合中有许多这样的例子，而且公平地说，我们的投资组合之外也有许多例子。我认为，在技术上非常困难。我不想轻描淡写技术挑战。它需要结合构建一个组织。所以，您知道，传统的知识管理和知识图谱世界。它通常需要使用某种基于图的方法。因此，上下文图。您可能有一个图数据库形式的图。您可能有一个带有图层的关系数据库。有许多实现方法，它实际上需要捕获状态。所以，我有一个投资组合公司，他们正在研究数据基础设施，其中状态成为一等公民，因为事件的顺序很重要，事件的时间戳也很重要，而历史上并非如此。大多数数据库都没有真正考虑过这一点。所以，事件流很重要。所以，这一切都很困难，但如今最顶尖的公司已经构建了上下文图，它们将是未来的赢家。那么，这些公司和上下文图增加了多少价值呢？因为您谈论的是机构记忆，它会传递或跨越整个机构，就像亚马逊的领导者一样，对吧？例如，在亚马逊，上下文是您应该遵循领导力原则，对吧？如果您偏离了它，您就会被领导者批评，让他们回到正轨。>> 所以，您知道，对于人类来说，您可以将原则阐述到决策层面，您知道，亚马逊的领导力，这是一个很好的例子，然后期望人类在各种情况下解释亚马逊的八到十个领导力原则。>> 他们如何解释它们，他们在现实世界情况中做出什么决定，这就是决策追踪。>> 代理商需要这种上下文。这就是上下文图。人类在现实世界情况中解释这些决策原则所做决策的总和。这是一组决策追踪，因此是一个上下文图。这很重要，因为在没有上下文图的情况下，我们很难进入自动化的良性循环。您知道，您可以使用 RGB 和 Gemini 进行零样本问答。那是模型，模型已经变得好 100 倍。>> 是的。>> 随着模型的改进，这些响应的质量也在提高。但人类并非如此运作。如果您正在经历销售过程，比如说您正在向迪士尼销售某种产品。>> 是的。>> 您正在尝试向迪士尼销售。比如说，您正在尝试将您的播客版权出售给迪士尼。想想这个过程中的步骤。您将与迪士尼的几十个不同的人交谈。这个过程通常需要 12 到 18 个月。>> 您最终可能会决定您想要获得 40% 的收入分成。他们坚持 20%。想想发生的来回以及所有发生这些互动的不同情况。如果您现在希望代理商自动化这个决策过程，那么从您的角度来看，您会想，“哦，我只会和迪士尼打交道一次。我为什么要自动化它？”但从迪士尼的角度来看。他们正在与像您这样的播客所有者打交道，非常成功的播客，但他们正在与数千个这样的播客打交道。>> 是的。>> 所以，他们正在寻找一个能够自动化一系列这些决策的代理商。这种自动化需要一些关于其他人类做了什么的记忆。这是一个阶梯式的方法。今天，界面可能是人类询问代理商，好的，告诉我过去做了什么。>> 而人类做出所有行动。第二步可能是代理商开始提出建议。所以，您不是主要的数据。人类，您知道，代理商是经理，人类是员工。从概念上讲，我们可以想象一个动态正在改变的世界，但对话是人类的，因为您不想与代理商交谈。您想与人交谈，但决定是由代理商做出的。代理商是经理。这就是连续体。我们也可以想象一个没有人类参与的世界。迪士尼的代理商与您的代理商交谈，他们达成了一笔交易。要实现这一点，这可能不适用于所有情况，但在许多情况下是适用的。要实现这种“理想状态”，我们需要上下文图。>> 这些代理商将如何存储上下文图？因为比如说，如果我现在正在和 Ashu 交谈，对吧？所以我的代理商只通过我的 WhatsApp、电子邮件或 Slack 与您的代理商交谈，对吧？但是我们现在拥有的上下文，或者我们没有代理商时的关系，对吧？代理商无法捕获。这就是让这个问题变得困难的原因，问题是您以什么抽象级别存储这些信息？>> 我们相信，在上下文图时代获胜的公司将找到一种方法来提供足够的价值，从而赢得构建上下文图的权利。如果您去，如果 Maximore 去一个财务团队说我要卖给您一个上下文图。>> 为什么？就像我今天醒来不是为了买一个上下文图。没有客户，您知道，我爱我的想法，但那不是客户想买的东西。所以 Maximore 必须去财务团队，说服他们，我将帮助您解决您关心的业务问题。这可能是现金对账。这可能是我想拥有审计就绪的自动化。我想拥有一定程度的可验证性。所以，作为创始人，业务价值主张没有改变。您必须通过提供一定程度的自动化来识别这一点。您可能会说，“看，我不会为您完成账目。我将识别，也许只是像分析一样简单。我将帮助您自动化完成账目的分析。”如果这个价值主张对客户来说足够了，他们就会给您数据访问权限。然后，作为提供者，例如 Maximore，您必须将这些数据缝合在一起。现在，我完全有可能被授予访问电子邮件线索的权限。我被授予访问 ERP 系统 Netsuite 的权限，很可能是这样。我被授予访问计费系统 Stripe 的权限。我被授予访问 Zora 的权限，因为我正在那里进行订阅计费等等。我可能无法访问您的 WhatsApp。>> 是的。>> 所以，我将拥有不完整的决策基础。>> 但如果我进行一定程度的自动化，下一步就是您说，“好吧，您知道吗？我从中获得了价值。让我也将我的 WhatsApp 集成到其中。”所以，这就是阶梯。而且存在一个良性循环，随着代理商提供更多价值，组织和人类将更愿意分享更多数据。所以，让我们以 Maximo 为例，因为您多次提到他们。与任何 XYZ 工具相比，他们在对账方面能够为客户提供什么价值，因为他们正在使用上下文图？>> 所以，显然这因客户而异，但我们看到的普遍模式是，异常情况减少了 30% 到 80%。所以，您会看到非常戏剧性的变化，因为最终财务对账就是处理异常。>> 是的。>> 账目应该自动关闭。这张发票应该与这张采购订单相关联，应该与这个付款相关联，当它不相关时，那就是一个异常。>> 理想状态是零异常，一切都自动化了。我们还没有达到那里，但我们正在看到戏剧性的变化。但我要给您另一个上下文的例子，在这个阶梯上。我有一个叫 vivven 的公司，由另一位名叫 Ash Guard 的人创立，还有 Varun Kolia。所以，Varun 和 Ashu，他们也是 eightfold 的创始人，他们有一个想法，我们需要将一个人的机构记忆捕获为数字孪生。所以，您知道，同样的事情，人类有状态，让我们想象一下您的数字孪生和您妻子的数字孪生。所以，当您在美国这里坐着时，您的妻子可以查询您的数字孪生说，“嘿，我们付了这张账单吗？我们做过这件事吗？我们做过那件事吗？或者我需要做 XYZ。”所以，一个人的数字孪生在商业环境中，我举了一个个人例子，这就是 vivven 正在构建的。那么，上下文图从何而来呢？嗯，它开始于您授予它对某些数据集的访问权限。您可能会说，大多数人授予它访问 Google Docs、SharePoint 或 Box Dropbox 文件夹的权限。大多数人一开始不想授予访问所有 Zoom 通话或电话的权限。但是，有了它拥有的数据，它就开始构建您的上下文图。因此，当您向模型提问关于您自己的问题时，“嘿，您知道，我付了账单吗？或者我两年前和 Ash 谈过话。您能提醒我我当时和他谈了什么吗？”它就开始为您提供价值。如果您的组织中的员工，比如说您为每个员工都有一个上下文，您有一个 vivven 双胞胎，您有一个财务部门，您有一个 CFO，您在美国，印度是深夜，您正在试图弄清楚，“好吧，我们正在试图完成这个条款清单。发生了什么？我的意思是，它在某人的电子邮件里，它在某个 SharePoint 或 Google Docs 里。如果它已签署，签署的版本就在那里。嗯，数字孪生可以回答这个问题。因此，根据角色，根据个人，也许是 20%，也许是 80%。但您的问题中有 20% 到 80% 可以由数字孪生回答，因为双胞胎已经建立了关于您个人、您的角色、您的组织以及这就是上下文的机构记忆。现在，随着时间的推移，您可以想象这个双胞胎愿意做更多的事情，而不仅仅是回答问题，因为这是一个更广泛的产品，就像数字孪生一样，具有广泛的含义。目前的方法不是自动化决策，而是提供信息，但正如我所说，这是一个阶梯。明天，您可以想象 CFO 开始说，“嘿，它已经配置好了，如果您要求某事，它不会给您一个回复，而是可以代表 CFO 做出决定。”比如说，一个员工会申请报销，系统会批准这笔报销，因为它有关于 CFO 过去会做什么的决策追踪，而且在这些参数范围内，它会批准。>> 所以，在很多情况下，这种上下文是组织的护城河，对吧？那么，为什么一个组织会试图与他们合作的初创公司分享它呢？因为这样，护城河就暴露了。>> 护城河是最有价值的资产。公司最有价值的资产是它的上下文图，而上下文图之所以没有被窃取，是因为它很难构建，正如您所说，在公司中，组织对“如果我让每个人都构建我的客户上下文图，我的组织价值是什么？”感到紧张。所以，首先，上下文在不断演变，上下文图也会演变。所以，我的第一个回应是放松。人类不容易被取代。话虽如此，更严肃地说，我认为数据安全、数据治理、访问控制，代理商可以访问图的哪些部分。看看将所有内容缝合在一起的缺点是现在所有内容都可用了。>> 是的。>> 在一个地方。所以，我的意思是，您知道，我们谈到的互动，在生活视野的情况下，他们花了很多时间思考这个问题，因为当他们将您的电子邮件和所有数据缝合到您的数字孪生和您的 CFO 的数字孪生中，而您可以在您的 CFO 睡觉时查询他们时。嗯，CFO 的电子邮件和数据可能包含他们所有的专业信息，但它也可能包含他们的个人社会安全号码。它可能包含他们的信用卡号。他们与配偶吵架了。它可能包含所有这些，您知道，在同一封电子邮件中，因为我们的个人生活和职业生活之间的界限是模糊的。所以，Vivven 的大部分访问控制技术都是剥离这些内容，而许多像 Vivven 这样的初创公司将在其基础设施内构建这些内容，并且它们是其自身知识产权的核心部分。但对于大多数公司来说，您将希望购买第三方堆栈。我有一家名为 Skyflow 的公司。>> 而 Skyflow，您绝对应该在您的播客中与他们谈谈。Skyflow 是那些数据安全技术之一。虽然它在上下文图的背景之前就存在了，但它是专门为此目的而构建的。所以，Skyflow 是专门为保护上下文图而构建的。它将允许您控制进入的数据。所以，当电子邮件实时流入上下文图时，它可以剥离 PI（个人身份信息），您可能不希望人们的社会安全号码出现在上下文图中，也许您希望保留最后四位数字。所以，它可以剥离。>> 嘿，这说得通。顺便说一句，它可以掩盖和匿名化数据。所以，它可以剥离，替换成别的东西，它是一个键值对，您可以，您知道，您可以以更安全的方式回去。>> 第二，您确实需要身份控制。您知道，您的代理商被允许，您可能与您的 CFO 之间有一个共享的上下文图。当您的 CFO 想要访问上下文图时，她的代理商或他的代理商访问个人信息是可以的。当您访问该上下文图时，您访问个人信息是不可以的。您能访问什么与组织中的员工能访问什么不同，因为上下文是成对关系的功能。当我问您事情进展如何时，您妻子问您事情进展如何，您的 CFO 问您事情进展如何，您对同一个问题的回答非常不同。那就是上下文。那里有成对的上下文，必须在上下文图中捕获。但当代理商代表您回答时，访问控制就变得非常重要了。>> 那么，您和 J 的工作是否通过创造了一个新的上下文图市场？>> 我们相信上下文图将成为下一个万亿美元 AI 机会的基础。就像所有市场一样，它是新旧事物的结合。您知道，在过去六周里，自从我们谈论上下文图以来，SaaS 股票已经下跌了 30% 到 40%。我不认为我会为此承担任何责任。我确实损失了一些钱，实际上是很多钱。>> 但我认为这是系统记录时代即将结束的标志。>> 是的。>> 这并不意味着它们会消失。您知道，数据库仍然存在，数据库将永远存在，新的数据库类型将被创建。我认为记录系统将继续存在，但它们捕获的价值相对于总 PI 将会下降。所以，从绝对值来看，它们可能仍然表现良好，所以这种修正可能已经结束，也可能反应过度，但它们的相对价值显然是市场正在发出的信号，我们同意现有的记录系统不是上下文图的自然所有者，因此它们将捕获技术创造价值的比例下降。而且我认为将创造全新的类别。我有一家投资组合公司 Tacera。他们正在自动化 ERP 维护和迁移。他们想要一份非常大的合同。Tera 从一家财富 50 强公司赢得了一份价值 2500 万美元的合同，他们的预订量从 0 增长到 2500 万美元。>> 是的。>> 初创公司什么时候会发生这种情况？>> 但更有趣的问题是为什么？我希望我当时在那家财富 50 强公司的董事会里，当这个决定做出时。那个决定会很有趣。但我的理解是，他们愿意给 Senate 2500 万美元，因为他们削减了 7500 万美元的 SI 账单。在这种情况下，不是印度的 SI，而是 SI。所以，这笔钱原本要支付给像 Deoid、Eny 和 Accenture 这样的公司，取而代之的是，财富 50 强公司节省了 5000 万美元，Desa 节省了 2500 万美元。这是一个新市场吗？不完全是。在这种情况下，这是对现有市场的蚕食。另一件事会发生的是，在 maximore 的情况下，您实际上可能会选择，而不是将您的财务团队从五人扩大到八人，您可能会用五人完成同样的工作，或者用五人完成更多的工作。您正在捕获公司运营支出的更大份额，这是一个全新的市场。如果一个女性让人们的生产力提高一倍，那么也许他们工作的时间会减少一半，或者也许他们工作的时间会减少 80%，更多的休闲时间，公司会做得更多。所以，我认为这真的是在扩大每个人的蛋糕。首先，我很高兴它将使我们能够自动化生活中的平凡事物。它将同时促成和强制。所以，这是硬币的两面。人类要提升我们的水平。只要人类提升我们的水平，我们就会成为代理商的管理者。所以，我认为人类有一个选择。我们可以被代理商管理，或者我们可以成为代理商的管理者。我希望我们都能成为代理商的管理者。>> 我再举一个我们投资组合中的例子。您知道 Sam Kohli 来自 buddy。>> 是的。很棒的人。>> 是的。所以在 buddy，他们为老年生活之家创建了 AI 队友。所以，这些 AI 队友不是 EAS。所以，他们为销售团队创建任务，告诉他们，“嘿，您已经有一段时间没有和这位老人交谈了，或者现在是时候交谈了，或者现在是时候给他们一杯酒了，现在是时候拜访他们的房子了。”所以，AI 队友首先没有用户界面，它为整个销售团队创建任务。>> 管理那些销售人员是由代理商管理的。>> 当然，那是未来。>> 由代理商管理，代理商的管理者，我们都可以选择。>> 是的。>> 但您有没有想过。所需的完整基础设施是什么？这些上下文图驻留在 Data Bricks、Snowflake 还是全新的基础设施上？一个是存储它们，另一个是访问它们，以及它们正在创造什么机会？就新公司而言。>> 看看，Data Bricks 和 Snowflake 都是了不起的公司，我非常幸运地成为 Data Bricks 的早期投资者，两家公司都为代理商系统以及因此为上下文图的基础设施机会提供了支持。您知道，Data Bricks 拥有 Agent Bricks 和 Data Bricks Agent Infrastructure，包括所有后端数据处理和数据，他们收购了 Neon，一家数据库公司等等。所以，您可以在 Data Bricks 上构建上下文图，它们可以成为赋能基础设施。您也可以使用其他数据库。有人在使用 Neo4j。几天前我和 Neoforj 的 CEO 谈过，他们有客户在上面构建上下文应用程序。就 Vivven 而言，他们正在构建在老式的 posgress 之上，使用了大量复杂的代码和编程。就 Olive 而言，他们构建了 80 多个 SLM（小型语言模型），因为他们捕获上下文的方式是通过在特定业务流程的特定参数上微调 SLM。所以，我认为实现方式多种多样。共同的主题是，今天这很困难，我们的重点是寻找那些深刻理解构建上下文图所需的赋能基础设施的、非常强大的技术创始人。深刻理解中间件和应用层基础设施，以便在现有模型之上构建代理商。在许多情况下，并非所有情况，深刻理解模型训练和模型微调，因为他们正在对基础模型之上的模型进行微调和训练。我们认为这三件事是技术层面的最低要求。在此之上，您必须了解业务问题，因为最终您必须解决业务问题而不是技术问题，如果您正在构建一个应用程序。>> 所以，我们谈到了像 Maximar 在金融领域的一些垂直领域，对吧？那么，您认为第一个大型应用程序会是垂直的还是水平的，以及最终哪个会获胜？>> 最终，我认为这不是非此即彼。所以，我认为万亿美元的机会将被 100 多个上下文图的赢家所捕获。所以，我认为有很多获胜的方式，其中一些成功路径将是水平的，一些将是垂直的。而且我们正在投资两者。您知道，例如，我的合伙人 Joanne 拥有一家非常成功的上下文图公司 Tenor，该公司正在进军医疗保健领域。>> 是的。>> 所以，我从您那里学到的是，您已经在研究它了，只是在过去一年里没有人给它命名。>> 是的，您知道，我认为，看，新技术，它不是一项新技术。它不像 Spark，其核心是它不存在，然后有一天它就存在了。>> 嗯，而 Data Bricks 的基础是 Spark，但今天当您想到 Data Bricks 时，大多数人甚至不知道 Spark。>> 嗯，想法通常始于一个单一的技术突破，然后在此基础上不断发展。就上下文图而言，情况并非如此。它是一种我可以说在过去几年中不断出现的方法，因为，您知道，如果回顾过去，人们开始谈论代理商才两年时间，而我们创造了“代理商系统”这个词，而且，您知道，有关于代理商集群的讨论等等，所有这些都是试图弄清楚我们如何，您知道，我们如何拥有大型代理商集群，我的意思是，这样人类就可以被代理商管理并成为管理者。>> 是的。>> 嗯，当我们都这样做之后，我认为我们开始意识到存在一个差距，而这个差距和这个问题的解决方案，这个问题的解决方案就是上下文图。>> 因此，它随着时间的推移而出现。对于我和 Jan 来说，我们在 Foundation 真正致力于此，它首先来自于与我们投资组合公司的互动。他们首先试图阐述他们在做什么？他们的防御性来源是什么？他们如何推动任务的自动化程度不断提高？他们如何捕获机构记忆？我们与十几个不同的公司进行了十几次对话。我只给了您三四个例子。>> 是的。>> 然后不知怎么的，在某个时刻，我们意识到存在一个共同的模式。他们都在构建一个上下文图，而且还有更多的人在我们的投资组合之外。>> 不，我绝对想拥有 Ashu 的数字孪生，而不是将电子邮件转发给您，这个公司会感兴趣吗？我会直接转发给数字孪生，不。>> 我有一个。我有一个。它仍在测试阶段。但 Viven 帮助我构建了一个 Ash 的数字孪生。>> 好的。>> 我可以查询它。我的助手可以查询它，我的助手很高兴，因为，您知道，我有时很难找到。>> 因为，因为有时当电子邮件没有得到答复时，我认为，“哦，Ashu 很忙，还是这家公司不够有趣？”>> 我我我我为此道歉，但双胞胎会解决这个问题。>> 所以，是的，我们必须问另一位 Ash 先生，他是 CEO。>> 是的，但我很想在生产中看到它。>> 当然。>> 您提到了代理商系统，以解决这些问题。您能更深入地谈谈吗？>> 所以，我认为我们都在意识到，未来是代理商集群。>> 这是什么意思？>> 所以，您将拥有多个代理商。>> 是的。>> 嗯，复杂的业务流程将如何自动化，代理商将是任务特定的，其中一些任务可以以各种方式进行切分。所以，为什么您需要多个代理商，为什么您想要有任务特定的代理商？因为您需要保障。您需要能够界定。代理商确实会产生幻觉，因为模型会产生幻觉。>> 现在，人类也会犯错误。我们都会忘记，您知道，如果我们不忘记，我们就不会发生交通事故。而且我们知道，驾驶 Whimos 的代理商实际上比人类更安全。所以，我认为您可以为特定类别的任务实现超人的表现。但这需要我们将聚合任务分解成更小的任务，让代理商执行更小的任务。而构建代理商的系统，您知道，就是我们所说的代理商系统。而那就是，您知道，我认为这项技术，正如我所说，分为三个类别。我认为它是上下文图，这是赋能基础设施。我认为它是模型层。我认为它是代理商框架。>> 而当您将这些组合在一起时，您就会得到一个代理商集合，一个代理商系统，一个代理商集群。选择您喜欢的词。>> 所以，我假设您提到的 11 家公司都构建了代理商系统。>> 是的，我们正在投资两件事。我们要么投资于代理商系统，要么投资于赋能基础设施。这些公司之间的共同主题是上下文图。所以，像 Skyflow 或 Foranix 这样的公司是我们为上下文图提供的赋能技术，而像 Maximore、Vivven、Desera、Layer Zero 这样的公司实际上是在特定业务流程或特定垂直领域或功能的上下文中构建这些上下文图的。我发现您的一家公司 Arise 非常有趣，因为它位于这个上下文的基础设施层。>> 当然。是的。所以，Arise 是另一个很好的例子，您知道，对于您的听众来说，Arise 实际上是监控层。您知道，如果您有 AI 代理商和做出决策的模型，您需要某种方式来监控它们在做什么。它们是警察部队。所以，以及中情局，所有这些都为代理商工作组合在一起。它们监控评估，它们看到代理商做了什么，它们看到您作为人类提供了什么提示，响应是什么。而且，它非常元，它们使用模型来监控模型，因为模型输出量很大，人类无法监控模型。所以，它是一个非常技术性的团队，正在构建上下文图的赋能基础设施的核心组件之一。在之前的时代或 SaaS 时代，团队是，您现在提到了技术团队几次，对吧？我将继续这个话题。它需要一个非常强大的 GTMC 或 GTM 联合创始人。在最近的代理时代，当您提到非常强大的技术团队时，这种情况是否发生了变化？>> 事实仍然是，技术总是难以找到产品市场契合度，最终取得成功的公司找到了产品市场契合度。我的意思是，Data Bricks 成立于 2013 年，但花了 3 到 4 年的时间，并经历了大量的兜兜转转，才达到产品市场契合的程度。所以，公司需要找到产品市场契合度，最终，找到产品市场契合度是 CEO 的工作。您可以聘请销售人员，您可以聘请营销人员，您可以聘请产品人员，但伟大和普通 CEO 之间的区别在于他们从 0 到 1 找到产品市场契合度的能力。现在，CEO 的工作每年都在变化。所以，一旦您有了产品市场契合度，就会有其他挑战，但这是第一步。有时，深厚的技术创始人对产品有天然的热情，对市场有天然的热情，并且具有成为市场先行创始人的学习能力。那是我最喜欢的创始人类型，就像我看着 Ashu Ashoto 在 8fold 和 Vivven 的 Kabir 在 Desera 以及我多年来合作过的许多其他 CEO 一样，他们是杰出的技术人员，就像您不希望与 Cohesidity 的 Mo 针锋相对，并构建更好的存储层一样，他是世界上顶尖的两个人之一，可以做到这一点，同时，当摩根大通或摩根士丹利打电话说，我想和某人谈谈，他们想和他谈谈。所以，这是罕见的，但这就是我们寻找的技术创始人，他们有热情并获得了市场技能。>> 那么，讲故事是否必然退居其次了呢？因为自然而然地，CEO 们都有讲故事的天赋。>> 完全不是。我不同意。我认为讲故事是人类的核心，是讲故事。宗教是一个故事。>> 是的。>> 金钱是一个故事。最终，人类存在的根本，除了人类和动物的区别之外，就是故事。所以，人类的核心是讲故事。对我们来说的问题是，作为投资者，我们如何找到那些具有足够技术深度，并且真正，您知道，我们正在挑战技术的极限，而且这些极限每月每周都在变化。所以，如果您五年前是技术人员，现在不是了，那将是一个挑战。那么，如何找到深厚的技术创始人与杰出的讲故事者之间的平衡呢？与投资者讲故事，与员工讲故事，最重要的是与客户讲故事。>> 那么，企业现在已经意识到了上下文图，他们从哪里开始？>> 您知道，最终，到 2030 年最成功的企业。所以，让我们放大来看。>> 是的。>> 我们正处于这个趋势的早期。我相信，四年后，标普或印度 Nifty 的赢家和输家将取决于他们拥抱上下文图的能力。>> 这是一个非常强有力的声明。>> 我认为这会是真的，因为拥抱这些上下文图的公司将拥有非常不同的生产力曲线。上下文图将驱动组织生产力，当您将它们加起来时，它将驱动社会生产力。那么，从哪里开始呢？嗯，这取决于组织。如果您是财富 100 强公司的 CIO 组织，并且您正在考虑 SAP 或 Oracle 的迁移，那么，请拨打 1800 TERA，因为如果您正在寻找主要的记录系统迁移，而不探索“上下文优先”公司能提供什么，我认为您是在玩忽职守。知道它是否适合您，就像每个公司都必须自己做决定一样，但我认为每个 CIO 都有义务探索这一点。如果您是一个组织的 CFO，并且您有 3、4、500 人，无论他们是在印度、菲律宾还是美国做账目对账，您都有义务探索上下文，对吧？您必须问自己，为什么我有 500 人在做这件事？我能有 100 人在做账目对账，400 人为组织增加其他价值吗？如果您是一家大型公司的销售副总裁，您必须问自己，我通常在一个大型组织中，一半的公司都在市场营销中，即使在最复杂的技术动态中，我们也有数千人在市场营销。我认为我们必须问自己这个问题，这些个人中哪些将由代理商管理，哪些将站出来管理代理商，两者都会发生，但如果我们没有代理商，我们就将在生产力竞赛中落后，我认为这就是未来。>> 所以，基本上，您所说的，也许，您可以纠正我，您是在押注公司在上下文图上？>> 我们正在押注 Foundation 的两个主要趋势：AI 和区块链。>> 好的。>> 我们相信 AI 将重塑人类的生活、工作和娱乐方式，我们已经对此进行了很多讨论，上下文图是实现这一目标的赋能者。我们也相信区块链将重塑我们所知的金钱，金钱的本质将发生改变，因为区块链，我们正在押注这两件事。而且，您知道，我们在区块链方面取得了巨大的成功。我们是 Solana 的第一批投资者，我们在许多其他区块链技术方面都非常成功。区块链是一个更年轻的领域，因此我们在这个技术中看到了更多的起伏，但它与 AI 一样强大。在 AI 中，您可以做出许多选择，而且这不是非此即彼。我的意思是，我们相信将会有一个后 LM 的世界，在后 LM 的世界里，您将看到新的模型架构。所以，我们已经在投资新的模型架构。我们相信，在后 LM 的世界里，我们将看到全新的代理商框架和代理商框架的方法。所以，我们正在认真研究。同时，我们相信 AI 堆栈的关键部分是上下文图。所以，我们正在对上下文图进行大量投资，无论是应用公司、代理商系统还是像 Skyflow、Foranix、Arise 等赋能技术，以及许多其他技术。>> 我观察到 AI 中的叙事正在转向“赢家通吃”，这是真的吗？>> 我完全不相信这一点。我完全不相信。我没有看到证据。如果说有什么证据的话，我认为证据恰恰相反。如果我们一年前进行这次对话，人们会，而且许多人，包括我自己，在不同程度上，都会说，“嘿，我们认为 OpenAI 会赢。”>> 是的。>> 一年前，许多人会说，“嘿，我们看到 Llama 真的，您知道，Meta 又回来了。”>> 是的。>> 而我们都低估了 Gemini。而 Anthropic 似乎是一个小众市场。>> 快进一年，我的意思是，Gemini 又回来了，宝贝。您知道，所以他们开始流行起来，所以 Gemini 是一个合法的替代品。>> Gemini 模型堆栈是 OpenAI 堆栈的合法替代品。>> Anthropic 确实在企业领域取得了巨大成功，并为自己开辟了一个合法且可防御的市场领域。而且我们今天不怎么谈论 Llama，但我不会排除 Facebook。我的意思是，他们还在路上，我不会排除他们。我认为一年后，我们可能会进行一次非常不同的对话。所以，这绝不是，即使是模型层也不是一个赢家通吃市场。事实上，我们必须问自己的问题是，鉴于模型层的竞争强度不断增加，模型提供商能否捕获与其投资成比例的回报？我认为答案是未知的。模型提供商在长期内将捕获多少价值尚不清楚。我的意思是，即使 OpenAI 也从纯粹发布最佳模型转向尝试在应用层获胜，而 JP。>> 所以，我完全不相信“赢家通吃”。我确实认为，持久的公司必须建立护城河，因为最终，如果您变得商品化，您就会成为任何一个类别中的一千人之一。我那句老话，在任何类别中都有三个赢家，然后是大量的“可能”或“没有”，而且几乎有一个 60-30-10 的比例分配给 1、2 和 3。我认为这仍然适用。所以，我们，您知道，我们作为投资者的目标是找到每个类别中的 1、2 或 3。我认为上下文将创造 100 多个赢家，我的目标是尽可能多地参与其中。>> 是的。所以，您是说，因为您在说这是上下文图的一个万亿美元类别。所以，将出现 100 多个赢家。>> 顺便说一句，是万亿美元的收入，希望是更多的万亿美元的市场市值。>> 但回到基础设施，就像 LLM 有短期记忆一样，上下文图需要长期持久记忆。那么，我们是否需要在谈论上下文图之前先解决记忆问题？>> 看看，记忆是上下文图固有的，而且记忆是技术固有的。所以，当您说我们必须解决记忆问题时，我认为我们有解决方案。数据库就是记忆。您有关系数据库，它们捕获一个时间点。您有事件流数据库。有数据库捕获记忆的时间维度。您有结构化和非结构化数据库。所以，我认为许多组件都存在。在模型记忆方面，以及您知道的短期状态与长期状态之间的记忆方面，也有大量的创新。所以，关于记忆，确实有许多基本问题尚未解决。所以，是什么让这个机会既令人兴奋又充满挑战？今天的上下文图可能不是明天的上下文图，因为堆栈正在变化，而记忆方面的创新，无论是模型记忆、代理记忆还是系统记忆，无论是短期还是长期记忆，记忆方面的创新都将改变上下文图的性质。>> 您有没有想过，随着技术的出现，上下文图将被什么取代？您知道，它已经六周了，所以希望，希望上下文是 2026 年的想法，我们将看看 2027 年会发生什么。>> 而且，您知道，我们讨论过，但为了我们的听众，我想再次强调，对于任何组织，对于 Foundation Capital，对于 Neon，或者对于 Disney，上下文图将驻留在哪里？>> 您知道，上下文图驻留在哪里将取决于业务功能和组织。但首先，让我退一步，每个组织都将拥有多个上下文图。在任何组织中，都没有一个万能的模型或一个万能的上下文图。这并不坏。像 Disney 这样的组织可能有 30、40、50、100 个上下文图。您知道，就像任何组织中都没有一个万能的数据湖一样。现在，您可能选择为所有客户数据拥有一个上下文图。您可能选择为所有法律数据拥有一个上下文图。顺便说一句，两个上下文图，您的客户上下文图和您的法律上下文图可能具有交叉数据，可能会相互查询，代理商可能会查询这两个上下文图以得出答案。其中一些上下文图，我想说其中许多上下文图将嵌入到初创公司中，希望那时不是初创公司，而是上市公司，但今天有像 Maximore、Cassera、Olive 和 Vivven 这样的公司，它们是由这些技术提供商构建的，但数据权利归它们所有。
那些图表将由他们的客户拥有。因此，许多此类上下文图将以这种方式构建，并且全球 2000 强中的每家公司都将在内部构建许多上下文图，当他们在内部构建时，他们就需要来自 SkyFlow 的数据控制层或数据访问数据安全层，那时他们就需要来自 Arise 的决策追踪评估层等等。而且，许多公司将在 Databricks 或 Snowflake 之上构建它们，所以两者都会成立。
>> 所以，你所相信的以及我们正走向的世界是，初创公司相对于现有公司具有优势，因为上下文云对现有公司来说并非自然而然，例如对于 Salesforce，他们必须重写自己；对于 ServiceNow，他们必须重写自己。
>> 所以，在很长一段时间内，例如 10 年，记录系统应该被取代，当前的记录系统。
>> 你知道，记录系统公司有一个选择，它们要么选择拥抱上下文图，要么许多公司会，你知道，像鸵鸟一样把头埋在沙子里，然后对它们来说，其余的都将是历史。对于选择拥抱上下文图的公司，我认为，你知道，无论是 ServiceNow 还是 Salesforce，至少那些公司我认为在拥抱方面非常非常积极，值得称赞的是，它们仍然有一系列非常艰难的决定要做：是自己构建还是购买？我应该构建还是购买？在多大程度上我希望向后兼容？
>> 与现有的 Salesforce 架构，这是它们的优势，这是它们的护城河，但这也是它们的限制。
>> 是的。
>> 嗯，在多大程度上它们希望与其他系统互操作？上下文图不受系统限制的约束。你不会在你的 Salesforce 数据之上构建一个上下文图。你将在你的销售流程之上构建一个上下文图。而在一家大公司中，每个业务流程都会触及数十个系统。因此，现有公司必须弄清楚如何与其他记录系统、其他技术提供商互操作。有些会自己构建，有些会购买，有些会消亡，有些会自己构建并购买，然后消亡。所以我认为这对初创公司来说是一个巨大的机会，但我也认为现有公司你知道有战略优势，所以我很乐观，它们也将占据一部分价值份额，所以我购买 Salesforce，而且，我购买 Salesforce 股票。我购买 Snowflake 股票，我购买 ServiceNow 股票。
>> 所以，关于上下文图的最大价值捕获存在争议。是人机协作还是任务交接执行。你的看法是什么？你知道，在构建这些上下文图的过程中？
>> 看，最终两者都会成立。人类必须参与其中。所以我认为人机协作非常重要，在某些情况下，人类将参与其中做出最终决定。在其他情况下，人类将参与其中作为一种信息通知。而在更多情况下，人类将，你知道，只是进行评估，评估决策追踪，因为有太多的决策是由代理做出的，即使是信息通知也是一种过度的，你知道，是一种信息过载。所以所有这些都会成立，而且，你知道，我认为这是，这是，我个人不花太多时间去思考五年后这种组合的细节。我认为它会改变。它会改变，到 2030 年的样子将不同于 2026 年的样子。我只知道三件事是确定的。我确定在过去 10 到 20,000 年里，人类尽管面临挑战，但一直蓬勃发展，或者人类一直蓬勃发展并建立在技术创新之上，所以这在未来几十年里也会如此。所以我对人类非常有信心。第二，我相信人工智能导致的自动化变革速度将继续加速，标普和纳斯比指数的赢家和输家将取决于他们拥抱自动化的意愿以及他们在其中投资的意愿。我认为第三件最重要的事情是上下文图。你构建组织上下文图。无论你是自己构建还是与初创公司合作构建，无论你部分自己构建，部分合作构建。但每个组织都需要拥抱上下文图。每个组织都需要拥抱自动化。而且每个组织你知道都需要有信心，就像它之前的每一代人一样。你知道，我们将受益于这项创新，而不是屈服于它。
>> 那么到目前为止，有任何企业给你打电话说我们在招聘首席上下文图官吗？
>> 我希望没有。我希望没有。嗯，我仍然在 Foundation 工作，收入丰厚。不找那份工作。
>> 不，不，但是，但是，他们是否在创建这类职位？
>> 看，我认为我们肯定看到了来自首席数据官、首席，许多公司已经聘请了首席人工智能官的很多兴趣，谁知道明天会是首席内容官。
>> 而且，你知道，就像 Dh、Arvind、Glean 之间有过各种争论，你知道，人们认为这只是我们离得很远的事情，因为到目前为止，即使是半自主代理也没有交付。看，我认为如果你回顾关于上下文图的争论，我认为 Hermes 和 Armen 一直是这个讨论中的伟大合作者，Erin Levy 在 Box 或 Jam 的 Jam，或者 Ultimeter 的 Jam，或者 Player Zero 的 Animation 等等。我认为应用程序或人工智能技术的绝大多数先驱者都认同上下文图的概念。同样非常清楚的是，这是一个对不同人来说意味着不同事物的词，而且非常清楚的是，上下文图的本质将不断发展，所以时间线你知道有点像海市蜃楼，就在拐角处，所以我们可以今天构建上下文图，我提到的公司今天已经构建了上下文图，我认为三年后我们会回顾说，哦我的天，那些东西太原始了，三年后的上下文图，你知道，比今天的上下文图要好 10 到 100 倍，因为赋能技术将使它们更好，你捕获的决策追踪将使它们更好。你看，上下文图理念的关键在于决策追踪的概念，你知道，当你捕获决策追踪时，它们会累积，你就有权捕获更多决策追踪，而这种决策追踪捕获的累积就是使上下文图更丰富的原因，随着上下文图变得更丰富，你需要更多的赋能技术。你还谈到了编排层，对吧？你能深入探讨一下吗？比如初创公司将在编排层获胜，对吧？你是否相信这是价值将被捕获的正确层？
>> 所以最终，你知道，正如我们所谈论的，如果我回到开头，
>> 是的，
>> 上下文图是决策追踪的聚合。只有当你处于编排中，或者你处于这些决策的流程中时，才能捕获决策追踪。如果你让一个人坐下来写下决策追踪，你知道，他们会，你会得到，你知道，一堆，你知道，脏话。是的。
>> 嗯，即使他们愿意这样做，他们也做不到，因为大多数人不是模板。当我们做同样的事情 20 次、30 次时，我们会以略微不同的方式去做。我们可能最终会得到相同的结果，或者我们得到不同的结果。所以捕获决策追踪需要捕获人类随着时间的推移与代理互动时所做的决策，跨越成百上千的决策。唯一能够捕获这些的系统是那些正在编排这些决策的系统，无论是像 Maximo、Tessera 或 Vivven 这样的初创公司，还是现有公司构建的应用程序。但如果你不在决策流程中，也就是说，如果你没有编排这些决策，你就无法捕获它们。数据库供应商无法捕获它们，因为，它们不在任何一个数据库中。分析供应商无法捕获它们，因为它们捕获的是结果，而不是“为什么”和“如何”。嗯，唯一能够捕获决策是如何做出的人是这些决策的编排者。你可以从“如何”推断出“为什么”。
>> 所以我们的一家公司叫 Pit Crew，由 Rishi 和 Samir 这两位三次创业的创始人创立。他们将第一家公司卖给了 Freshworks，第二家卖给了 Legal Zoom。他们正在构建的第三家公司是美国财富顾问的编排层。
>> 看，你以财富顾问为例，这是一个，
>> 这是一个高度可自动化的机会。大多数财富顾问都有大量的后台合规流程，大量的流程来自动化执行他们的高净值客户的要求，无论是资金管理，还是帮助他们购买飞机，还是帮助他们管理房地产。嗯，所以我认为这是一个巨大的机会。所以祝贺他们。非常感谢 Ashu。喜欢这次讨论。
>> 非常感谢您邀请我参加节目，也感谢您将上下文图打造成 2026 年的理念。
>> 是的。非常感谢您构建这个理念。
>> 感谢您的邀请。