企业在过去几年中一直在试点和测试各种AI工具,以确定其采用策略。投资者认为这种实验期即将结束。
TechCrunch最近调查了24位专注于企业领域的风险投资人,绝大多数人预测企业将在2026年增加AI预算,但不会涵盖所有领域。大多数投资者表示,这种预算增长将会集中化,许多企业将在更少的合同上投入更多资金。
Databricks Ventures副总裁Andrew Ferguson预测,2026年将是企业开始整合投资并挑选赢家的一年。
"目前,企业正在为单一用例测试多种工具,专注于某些采购中心(如市场营销)的初创公司大量涌现,即使在概念验证阶段也很难辨别差异化,"Ferguson说。"随着企业看到AI的真正价值点,他们将削减一些实验预算,整合重叠工具,并将节省的资金投入到已证明有效的AI技术中。"
Asymmetric Capital Partners管理合伙人Rob Biederman表示同意。他预测,企业公司不仅会集中各自的支出,整个企业市场还会将整体AI支出缩减到全行业仅有的几家供应商。
"预算将增加给少数能明确带来成果的AI产品,而其他产品的预算将大幅下降,"Biederman说。"我们预期会出现分化,少数供应商将获得企业AI预算的不成比例份额,而许多其他供应商的收入将趋于平缓或收缩。"
聚焦投资
Norwest Venture Partners合伙人Scott Beechuk认为,企业将增加在使AI对企业使用安全的工具上的支出。
"企业现在认识到,真正的投资在于使AI可靠的安全保障和监督层面,"Beechuk说。"随着这些能力的成熟和风险降低,组织将有信心从试点转向规模化部署,预算也会增加。"
Snowflake Ventures总监Harsha Kapre预测,企业将在2026年在三个不同领域投资AI:加强数据基础、模型后训练优化和工具整合。
"首席投资官们正在积极减少软件即服务的扩散,转向统一的智能系统,以降低集成成本并提供可衡量的投资回报,"Kapre说。"支持AI的解决方案可能会从这一转变中获得最大收益。"
从实验向集中的转变将影响初创公司。但如何影响尚不明确。
AI初创公司可能会遭遇与几年前SaaS初创公司相同的清算时刻。
运营难以复制产品(如垂直解决方案或基于专有数据构建的产品)的公司可能仍能增长。而产品与AWS或Salesforce等大型企业供应商类似的初创公司,可能会开始看到试点项目和资金枯竭。
投资者也看到了这种可能性。当被问及如何知道一家AI初创公司具有护城河时,多位风险投资人表示,拥有专有数据和无法被科技巨头或大语言模型公司轻易复制的产品的公司最具防御性。
如果投资者的预测是正确的,企业确实在明年开始集中AI支出,那么2026年可能是企业预算增加但许多AI初创公司却无法获得更大份额的一年。
Q&A
Q1:为什么投资者认为企业会在2026年减少AI供应商数量?
A:投资者认为企业目前正在实验阶段,为单一用例测试多种工具,但随着企业看到AI的真正价值点,他们将削减实验预算,整合重叠工具,并将资金投入到已证明有效的AI技术中,选择少数能明确带来成果的供应商。
Q2:企业在AI投资方面会重点关注哪些领域?
A:根据专家预测,企业将重点投资三个领域:使AI安全可靠的保障和监督工具、加强数据基础设施、模型后训练优化以及工具整合。企业希望通过统一的智能系统降低集成成本并获得可衡量的投资回报。
Q3:这种趋势对AI初创公司会产生什么影响?
A:这种集中化趋势将对AI初创公司产生分化影响。拥有专有数据和难以复制产品的公司(如垂直解决方案)仍能增长,但产品与大型企业供应商类似的初创公司可能会面临试点项目和资金枯竭的风险。
好文章,需要你的鼓励
总部位于休斯顿的GridFree AI公司宣布推出首个独立电网站点South Dallas One,专为高密度AI工作负载设计。该站点位于希尔县,是计划中South Dallas集群的一部分,三个站点总发电容量近5GW。公司采用天然气驱动基础设施,独立于本地电网运营,可在24个月内完成部署,为超大规模云服务商提供快速、可靠的AI就绪基础设施解决方案。
MBZUAI和法国综合理工学院联合开发的SchED算法能让AI写作速度提升3-4倍。该算法通过监测AI生成文本的置信度,采用进度感知的动态阈值策略,在保持99.8%-100%原始质量的同时显著减少计算时间。实验覆盖多种任务类型,证明了算法的有效性和鲁棒性。
国际数据公司IDC发布报告警告,由于AI基础设施建设对内存需求激增,2026年PC出货量可能下降8.9%。主要内存制造商已将生产重心从传统DRAM和NAND转向AI数据中心所需的高带宽内存,导致PC用内存价格上涨。这种内存紧缺对"AI PC"市场形成讽刺,原本用于提振PC行业的AI电脑反而受到AI产业自身影响。
西安交通大学研究团队发现,AI视觉语言模型容易受到功能词(如"是"、"的"等)的干扰而遭受攻击。他们开发了功能词去注意力(FDA)机制,让AI减少对这些词汇的关注。测试显示,该方法可将攻击成功率降低18%-90%,而正常性能仅下降0.2%-0.6%。FDA无需额外训练即可集成到现有模型中,为AI安全防护提供了简单有效的解决方案。