До всіх шукачів і практиків, які наполегливо досліджують у хвилі AI-підприємництва:
Якщо вас колись привабила проста сила «перших принципів» і ви намагалися за їх допомогою перебудувати якусь галузь, то за останні два роки ви, напевно, бачили або самі пережили те відчуття удару, коли від високих ідеалів опускаєшся на реальну землю.
Проблема, можливо, не в самому прагненні до сутності, а в тому, чи не неправильно ми тлумачимо сутність «складних систем».
Коли незвідна мережа взаємодій у бізнес-світі зустрічається з розумовою моделлю, яка намагається звести все до базових одиниць; коли залежність і блокування технологічного шляху зустрічаються з ідеальним планом «почати з нуля» — прірва між ними і є тією безоднею, у якій зазнали поразки численні ідеалісти.
Що таке «перші принципи»?
Коли марсіанське мислення Маска зустрічається зі складним китайським бізнес-ґрунтом, чому та сама методологія гуркоче в апаратній сфері, але дає осічку в програмній екосистемі? Чи не неправильно ми тлумачимо справжній дух «перших принципів»?
Так звані «перші принципи» спочатку були піднесені Маском на п'єдестал і стали крилатим висловом незліченних підприємців та новаторів. Їхня основна привабливість полягає в майже фізичній чистоті: відкинути всі наявні, звичні підходи, повернутися до найбазовіших умов речі, розкласти її на найпростіші елементи, а потім реконструювати та інновувати з джерела.
У сфері ракет і електромобілів перемога такого інженерного мислення була приголомшливою — воно безпосередньо зіткнулося з фізичними законами та витратами виробництва і справді досягло прориву. Однак коли цю систему мислення без змін підносять до золотого правила бізнес-світу, особливо застосовуючи її до підприємництва в таких складних системах, як AI, починається небезпечне спрощення.
Проблема насамперед у фундаментальній різниці вимірів.
Фізичний світ значною мірою є звідносним, його змінні відносно обмежені, а причинно-наслідкові зв'язки більш прямі.
Можна розрахувати тягу ракети та міцність матеріалів, можна розкласти хімічний склад і вартість батареї.
Але бізнес-екосистема, особливо сучасна бізнес-екосистема, керована цифровими технологіями, є типовою складною системою.
Вона сповнена незвідносних «емерджентних» властивостей: взаємодія незліченних індивідів (користувачів, розробників, конкурентів, регуляторів) породжує макропатерни, які неможливо передбачити з поведінки окремого індивіда.
Тут немає єдиної «елементарної частинки», є динамічна, взаємопереплетена мережа. Застосовувати мислення, призначене для звідносних фізичних систем, безпосередньо до незвідносної бізнес-соціальної системи — це все одно що пояснювати паніку на фінансовому ринку за допомогою ньютонівської механіки; його однобічність і ризик є внутрішніми.
Тож ми бачимо поширене неправильне тлумачення: багато підприємців перетворюють методологію «перших принципів» на метод і гасло, вважаючи її «індульгенцією», що дозволяє уникнути всієї складності. Вони вірять, що можуть ігнорувати наявну галузеву структуру, звички користувачів і мережі співпраці та, спираючись на краще технічне рішення або більш «сутнісну» концепцію, з нуля перевернути все.
За цим стоїть надмірна впевненість у «раціональному дизайні», яка ігнорує потужні властивості самоорганізації та залежності від шляху, притаманні самій системі.
Це мислення особливо яскраво проявляється в хвилі AI-підприємництва і особливо легко дає збої.
AI не працює у вакуумі лабораторії; він має бути вбудований у наявну соціально-економіко-технологічну систему, щоб створювати цінність. Типова дилема — «залежність від технологічного шляху та блокування екосистемою».
Наприклад, навіть якщо ваш алгоритм з погляду «перших принципів» є елегантнішим і ефективнішим, але він несумісний із поточними провідними фреймворками розробки, не може використовувати наявну величезну інфраструктуру обчислень або його важко підключити до екосистеми даних, монополізованої гігантами, то його комерційні перспективи одразу стають похмурими.
Шлях розвитку OpenAI сам по собі є чудовим контрприкладом: він не з самого початку завдяки бездоганному плану «перших принципів» перевернув Google, а пройшов складний процес від неприбуткової до обмежено прибуткової організації, від відкритості до часткової закритості, постійних спроб і помилок та еволюції на технологічному шляху (наприклад, від навчання з підкріпленням до великих моделей за принципом «грубою силою»). Це історія постійної взаємодії, адаптації та гри зі складною екосистемою, а не креслення, розроблене чисто з нуля.
На китайському ринку ця складність ще накладається на унікальний шар «неявних обмежень».
Середовище сильного регулювання означає, що політика є ключовою змінною, яку необхідно інтерналізувати в бізнес-модель, а не зовнішнім збуренням. Унікальні звички користувачів (наприклад, залежність від супер-додатків, різниця в балансі між приватністю та зручністю) формують абсолютно іншу форму попиту на продукцію.
Глибоко вкорінені мережі ланцюгів постачання та промислові кластери означають, що апаратні інновації повинні враховувати зв'язок із наявною виробничою системою, а не бути простою заміною. Це не фон, який можна легко «розкласти» і «перебудувати»; це жорсткі структури, що формують простір можливостей для підприємництва. Тут мислення «почати з нуля», яке ігнорує екосистему, легше натрапляє на невидимі стіни.
Отже, помилка поклоніння «першим принципам» полягає не в самому прагненні до сутності, а в простому застосуванні без благоговіння перед «складними системами».
Воно намагається використовувати інструменти мислення, призначені для обмежених змінних і лінійної причинності, щоб мати справу з реальним світом нескінченних змінних і нелінійних взаємодій. Коли AI-підприємництво потрапляє в цю пастку поклоніння фізиці, його результат часто не є переконливою перемогою, а трагічною невдачею, що не вписується в реальну бізнес-екосистему.
Справжній виклик полягає в тому, як поєднати мислення, що шукає сутність, із мудрістю, що приймає складність.
Фундаментальна різниця між апаратним і програмним забезпеченням
Успіх Маска був надмірно спрощений.
Люди бачать, як він розкладає вартість батарей і перебудовує виробництво ракет, і думають, що «перші принципи» — це універсальний ключ, який відкриває всі бізнес-проблеми. Але це мислення має серйозно ігноровану межу застосування: апаратне та програмне забезпечення підкоряються двом абсолютно різним базовим логікам.
Сферу, де домінує апаратне забезпечення, можна розуміти як «збіжну систему».
Чи то електромобілі, чи то багаторазові ракети, їхні ключові виклики зрештою зводяться до низки чітко визначених фізичних законів та інженерних проблем: щільність енергії, міцність матеріалів, аеродинаміка, витрати виробництва. Хоча ці змінні є величезним викликом, їхня природа та взаємозв'язки значною мірою відомі й вимірювані.
Успіх Tesla по суті є граничною оптимізацією та системною інтеграцією відомих змінних за жорстких фізичних і витратних обмежень. Тут фізичні закони не підлягають запереченню і окреслюють відносно чітку, обчислювану траєкторію для інновацій. Ви граєте проти сталі, хімії та ньютонівської механіки, і правила суперника є незмінними.
Однак щойно ви входите в сферу, де ядром є програмне забезпечення та екосистема, особливо в комерційному застосуванні штучного інтелекту, правила гри докорінно змінюються. Це вже не «збіжна система», а «розбіжна система».
Ваш суперник — уже не мовчазні фізичні закони, а сповнені невизначеності «люди»: мінливі вподобання користувачів, схильності спільнот розробників, динамічні реакції конкурентів, зміни в усвідомленні регуляторів.
Основна характеристика цієї системи — уже не оптимізація відомого, а реагування на «емерджентність».
Мережеві ефекти створюють монопольні бар'єри з нічого, звички користувачів формують важкопереборну прив'язаність, перемога одного технологічного шляху часто походить від ранньої незначної випадкової переваги, яку система різко підсилює.
Тут оптимальне технічне рішення часто не може перемогти продукт, який випадково зайняв кращу екологічну нішу, але є технічно субоптимальним. Ви не можете, як у розрахунку щільності енергії батареї, точно обчислити остаточну форму моделі взаємодії з користувачем або маховика даних.
На унікальному китайському ринку AI складність цієї «розбіжної системи» ще проявляється як розкол «двоколійної системи».
Одна колія — це лабораторні перегони за проривними технологіями, орієнтовані на найновіші світові статті; інша — це важкий промисловий шлях пошуку комерційного впровадження, пошук сценаріїв застосування в цехах заводів, урядових залах і щілинах супер-додатків.
Між ними часто існує величезна прірва.
Технологія може бути в центрі уваги на світових академічних конференціях, але зовсім не вписуватися в наявні китайські промислові ланцюги, правила управління даними чи готовність споживачів платити. Цей розрив якраз і є тим, що найважче зрозуміти й подолати для «перших принципів» чистого апаратного мислення. Воно не може включити політичні вітри, місцевий протекціонізм, острови даних — ці «нетехнічні обмеження» — як базові змінні у свою початкову розрахункову модель.
Це породжує величезний ризик перенесення в інший контекст.
Наратив «підривних інновацій», що походить із Силіконової долини, на китайському ринку часто зазнає глибокої мутації.
Чистий технологічний ідеалізм тут часто повинен поєднуватися з глибоким «екологічним реалізмом». Спостерігаючи за зростанням ByteDance або Tencent, ви побачите мудрість, відмінну від маніфестів у стилі Маска, — еволюційну мудрість, засновану на спробах і помилках, зворотному зв'язку та швидких ітераціях.
Вони рідко заявляють, що перебудують галузь з фізичних основ, а натомість гостро відчувають щілини та зони потоку в наявній екосистемі, швидко адаптуються, вбудовуються, як живі організми, а потім змінюють середовище. Douyin не винайшов короткі відео з «перших принципів», а знайшов точку вибуху на перетині унікальної китайської інфраструктури мобільного інтернету, екосистеми творців контенту та потреб користувачів у розвагах і виростив її за допомогою точної алгоритмічної роботи.
WeChat від Tencent — це взагалі суперорганізм, який природно виріс у складних соціальних відносинах і потребах спілкування і постійно «породжує» нові функції.
Суть цієї мудрості — визнання того, що в «розбіжній системі» програмного забезпечення та екосистеми ви не можете спроєктувати остаточну форму в перший день. Успіх приходить від створення адаптивної організації, здатної постійно відчувати середовище, засвоювати зворотний зв'язок і коригувати власну структуру.
Тоді це вже не підкорення фізики, а біологічний симбіоз.
Коли технологічний ідеалізм зустрічається з екологічним реалізмом, переможцем часто стає не інженер із найдосконалішим кресленням, а вид із найбільшою здатністю до адаптації.
У цьому величезному й унікальному цифровому джунглі Китаю розуміння цього важливіше, ніж поклоніння будь-якій окремій моделі мислення.
Фреймворк AI-підприємництва крізь призму мислення складних систем
То чи варто нам повністю відмовитися від пошуку сутності? Аж ніяк.
Справжня проблема полягає в базовій моделі мислення, на яку ми спираємося.
Нам потрібна вже не «фізична першопричина», придатна для стабільного, редукціоністського світу, а «біологічна першопричина», здатна впоратися з динамічною складністю. Це не заперечення першопринципів, а глибоке оновлення парадигми: перехід від редукціонізму до мислення складних адаптивних систем.
Його суть полягає в трьох ключових когнітивних зсувах.
Перший — це перехід від прагнення створювати досконалі рішення в ідеальному вакуумі до пошуку «екологічної ніші», у якій можна вижити й розвиватися в реальності. Ви повинні спершу відповісти: у наявному технологічному ландшафті, галузевих альянсах і регуляторних рамках де існує щілина, яка дозволить вам прорости, отримати початкові ресурси та збудувати захист? Підприємництво — це не будівництво утопії з нуля, а пошук у наявному тропічному лісі своєї комбінації ґрунту, сонячного світла й вологи.
Другий — необхідно зрозуміти силу «коеволюції» й відмовитися від романтичної ілюзії «одностороннього підриву». Ваш продукт і технологія еволюціонуватимуть разом із звичками користувачів, конкурентами, постачальниками комплементарних продуктів і навіть регуляторними правилами. Ваш успіх залежить не від вашої односторонньої «підривної сили», а від того, чи зможете ви запустити й скерувати багатосторонній, взаємовигідний еволюційний процес, подібно до симбіозу коралів і водоростей.
Третій — слід прийняти логіку «емерджентної адаптації», а не чіплятися за відчуття контролю «тотального проєктування». Ви не можете з першого дня передбачити всі деталі та остаточну форму. Правильний підхід — побудувати початкову систему з core-здатністю до адаптації, задати чіткі правила еволюції та механізми зворотного зв'язку, а потім у безперервній взаємодії з реальним середовищем дозволити кращим стратегіям, формам і моделям «емерджувати» самостійно. Ви проєктуєте правила еволюції, а не її результат.
На цій основі виникає нова архітектура прийняття рішень, яка містить щонайменше чотири рівні, що потребують постійного моніторингу та взаємодії. Най
зовнішній — це «сприйняття рівня середовища»; у сфері AI це особливо означає, що ви повинні моделювати унікальний китайський цикл AI-політики як ключову змінну.
Коливання політики — це не шум, а зміна клімату, що визначає карту гри.
Водночас ритм руху капіталу й коливання структури талантів разом формують макрогідрологічні умови, до яких підприємництво має пристосовуватися. Наступний, внутрішній рівень — це «аналіз рівня екосистеми».
Вам потрібно, як еколог, сканувати наявні open-source-фреймворки, хмарні сервісні платформи, ланцюги постачання апаратного забезпечення, API-інтерфейси ключових гравців — який «технологічний тропічний ліс» вони утворюють? Чи є ваша інновація руйнівним видом, що силою вторгається, чи ви можете знайти точку входу для «паразитування» або «симбіозу», спершу здобути право на існування, а потім розвиватися? Це визначає, чи на ранньому етапі ви наживете ворогів зусібіч, чи зможете скористатися попутним вітром.
Лише на основі вищезазначеного розуміння можна перейти до «проєктування рівня шляху».
Тут ключовим є побудова «мінімально життєздатної екологічної одиниці» (MVE). Це не просто MVP для тестування функцій продукту, а тестування того, чи може ваше рішення завершити мінімальний цикл у реальній екосистемі — чи може воно залучити початкових користувачів, чи може встановити обмін даними або цінністю щонайменше з одним ключовим партнером, чи може сформувати стійкий потік цінності в невеликому сценарії. Це надійна відправна точка вашого еволюційного процесу.
І лише наприкінці вся організація переходить до побудови «механізму рівня адаптації».
Це означає, що архітектура прийняття рішень має бути гнучкою та керованою зворотним зв'язком, здатною швидко перетворювати масивні сигнали з середовища, екосистеми та практики шляху на коригування стратегії й тактики. Ваш план — це не креслення, яке потрібно неухильно виконувати, а набір гіпотез, які потрібно постійно коригувати.
Для практичного застосування цього фреймворку в Китаї також необхідно вправно користуватися набором специфічних «інструментів змінних».
Насамперед — розуміти й керувати логікою подвійного драйву «уряд — ринок». Можливості часто виникають на перетині галузевих треків, скерованих національною стратегією, і спонтанного ринкового попиту, наприклад, у специфічних сценаріях «розумного виробництва» чи «розумних міст».
По-друге, слід вміло використовувати ефект важеля потужних китайських «промислових кластерів».
Ваша перевага в AI-алгоритмах має бути глибоко інтегрована з ланцюгом постачання споживчої електроніки дельти Янцзи, здатністю швидкого прототипування апаратного забезпечення дельти Перлової річки або кластером послуг з обробки даних регіону Пекін — Тяньцзінь — Хебей, щоб різко посилитися й перетворитися на важкоповторювану перевагу у витратах і швидкості постачання.
Звісно, також потрібно глибоко розуміти «напіввідкритий характер китайської екосистеми даних».
У межах безпеки та приватності те, як знайти легальний канал потоку цінності між підприємствами, галузевими платформами та публічними даними, саме по собі є core-здатністю підприємця.
Практичний шлях китайського AI-підприємництва
Спираючись на еволюційне мислення, ми можемо приблизно окреслити деякі практичні шляхи китайського AI-підприємництва; першочергове завдання — тверезо розпізнати й уникнути локалізованого варіанта «дилеми інноватора».
Суть цієї дилеми полягає в тому, що, стикаючись з інтернет-гігантами, які володіють величезними даними, капіталом і точками входу трафіку, підприємець сліпо прагне до прямого технологічного протистояння на загальному рівні або на споживчому ринку.
Більш прагматичний шлях — це реалізація послідовної стратегії диференційованої екологічної ніші.
Це означає, що підприємцю слід відмовитися від грандіозного наративу «кого замінити» й натомість глибоко замислитися над тим, «яку незадоволену щілину, на яку гіганти не здатні швидко відреагувати, я можу заповнити».
Оглядаючи шлях ранніх AI-компаній, як-от SenseTime і Megvii, варто переосмислити їхній вибір шляху: вони не намагалися з самого початку збудувати цілком новий цифровий світ, а в таких вертикальних сферах, як безпека й фінанси, де існує жорсткий попит на технології й куди традиційні інтернет-гіганти проникли неглибоко, надаючи ключові можливості візуального розпізнавання, спершу стали незамінним «компонентом» наявної промислової екосистеми. Суть цієї стратегії — знайти в тіньовій зоні гігантів відносно незалежне мікросередовище зі світлом, вологою й поживними речовинами та пустити там коріння.
Для реалізації цього шляху необхідно міцно триматися трьох прагматичних еволюційних стратегічних пріоритетів.
По-перше, «глибина вбудовування в сценарій» має бути поставлена вище за «чистоту технологічної теорії». Скільки б параметрів не мала ваша модель і якими б блискучими не були статті, це не зрівняється з підвищенням точності виявлення на 0,5% на конкретній виробничій лінії, коли і робітники, і керівник заводу можуть користуватися нею безперешкодно. Глибоке вбудовування означає розуміння всіх нетехнічних обмежень сценарію: робочих процесів, системи закупівель, кваліфікації персоналу.
По-друге, прагнення до «швидкості сумісності з екосистемою» має бути пріоритетнішим за прагнення до «ступеня функціонального підриву».
Чи може ваше рішення швидко підключитися до провідних хмарних платформ? Чи сумісне воно з поширеними промисловими протоколами? Чи можна з мінімальним навчанням долучити наявних розробників? Реалізація «plug-and-play» в екосистемі часто має значно більшу комерційну цінність, ніж «підривна функція», яка вимагає все перевернути й навчати ринок.
По-третє, необхідно замінити захоплення «повнотою верхньорівневого проєктування» на «щільність ітеративного зворотного зв'язку».
Не витрачайте місяці на проєктування бездоганної остаточної архітектури продукту. Натомість якнайшвидше запустіть хай навіть грубий мінімально життєздатний продукт (MVP) у реальний сценарій і збудуйте високочастотний цикл зворотного зв'язку з коротким періодом. Реальні скарги й потреби від користувачів на передовій та партнерів значно краще вказують правильний еволюційний напрям, ніж бездоганний план у залі засідань.
Дивлячись на наступні два-три роки, ландшафт китайського AI-підприємництва продемонструє кілька чітких еволюційних тенденцій.
У комерційній віддачі «малі моделі для вертикальних сфер» значно швидше за «універсальні великі моделі» сформують замкнений цикл. У таких професійних сферах, як медицина, право, промисловий контроль якості, вимоги до приватності даних, предметних знань і надійності надзвичайно високі, і універсальні моделі часто не справляються. Малі моделі, оптимізовані під конкретні сценарії, з контрольованою вартістю й здатністю безпосередньо вбудовуватися в робочі процеси, першими досягнуть масштабного доходу.
А фокус конкуренції AI-нативних застосунків зміститься з порівняння того, наскільки ефектні функції, на вимірювання «екосистемної сумісності». Це означає, що здатність застосунку органічно вбудовуватися в суперточки входу, як-от WeChat і DingTalk, ефективно взаємодіяти з екосистемами локальних чипів і фреймворків, як-от Huawei і Baidu, буде важливішою за прорив в окремій функції.
З іншого боку, ми припускаємо, що регіональна диференціація посилиться. Дельта Янцзи й Велика затока, спираючись на свою глибоку базу виробництва та торговельно-сервісної індустрії, розвинуть два характерні шляхи: «AI + виробництво» та «AI + послуги». Перший заглиблюється у фабрики, фокусуючись на оптимізації процесів і інтелекті ланцюгів постачання; другий з'єднує торговців, перебудовуючи маркетинг, клієнтський сервіс і транскордонну торгівлю.
Тож чи не вимальовується потенційно величезна «друга крива зростання»?
Наприклад, всебічна цифровізація та інтелектуалізація державних підприємств.
Не звичайні IT-закупівлі, а глибинні потреби, що стосуються перебудови управлінських процесів, управління даними та промислової співпраці.
AI-рішення, здатні зрозуміти логіку роботи держпідприємств, задовольнити вимоги безпеки й довіри та перетворити технологічну цінність на підвищення управлінської ефективності, отримають стійкий і масштабний ринок.
Ці тенденції разом ведуть до висновку: у Китаї успіх AI дедалі більше залежатиме від точності вбудовування в складну бізнес-екосистему та здатності до коеволюції, а не від ізольованої технологічної вершини.
Золота доба китайського AI належить діячам, а ще більше — мислителям, які вміло користуються інструментами.
Тепер почніть із прояснення екосистеми, у якій ви перебуваєте.
Ця стаття походить із офіційного облікового запису WeChat «Дунчжень Шанлюе», автор: Дунчжень Шанлюе
