面臨最大的難題是，許多原定的服務還在開發中，但是 OpenAI 的革命性技術已經問世，問題廣度和回應深度都非常夠；已知繼續開發下去很難取得勝利，對於較小的 AI 公司來說，應該如何因應？
#1 承認自己的強項並非燒錢戰
天神之戰，OpenAI、Azure、Meta 之間的競爭主要集中在 Basemodel，小公司沒有足夠的資本參與。為什麼這樣說？
建立強大的 Basemodel，除了網路上公開的資料外，還需要各領域未公開的對話資料。只有像 Azure 這樣與多個領域合作多年的公司才可能擁有這樣的資料。首先，假設購買資料的成本每月為 1000 萬。
接下來，需要大量人力標註這些原始資料，據說 OpenAI 有 1000 人在做這件事，以每人每月 30K 新台幣計算，標註成本每月約為 3000 萬。
最後，至少 100 人的開發團隊和每月 9,000 萬新台幣的模型訓練費用，每月總支出約為 1.45 億。
燒了一堆錢做出一個 me-too product，不應該是台灣走的路。
#2 善用這些怪獸級 Basemodel
使用這些強大的 Basemodel 已經不是選擇而是必須，否則就會落後於競爭對手。
當這些產品初次推出時，與同業朋友聊天，大家都不知道該如何應對，因為太強了…此外，長期以來大家都是 100% 自家技術，從未想過使用別人的服務。
現在的我認為，這些堅持在產業革新下需要迅速改變心態，並認清楚自己的定位。早期的計算機是算盤，一家公司就能製造，但現在的電腦硬體供應鏈有多複雜？此外，AI 模型的開發從一開始就是基於前人的實驗來進行優化。所以不要因為使用別人的 APIs 而感到不安，這是產業演化和專業分工的必然結果。
就像 iOS/Android 工程師，心態應該轉變為「如何利用這個平台來強化自己？」
#3 投放資源大量嘗試這些模型
AI 的發展本來來自於學術界的不斷研究，並主要依靠論文來獲得最新技術。但在生成模型領域中，OpenAI 非常聰明地將模型釋放出來讓大家使用和體驗其強大之處，然後再研究細節並逐步公開，因為這些生成式模型很難評估，沒有標準答案，甚至開發人員也不太清楚模型的潛在能力。
現在，當 OpenAI 和 Google 的模型推出時，AI 小公司必須針對自己主打得的情境立刻使用和測試，並將其納入常規產品開發流程。
#4 將開發資源投入領域專業的領域
毫無疑問，為了生存，公司的目標可能會隨時間改變，但每個目標都需要更加專注。因為一旦什麼都做，就是直接與這些生成模型競爭。這些模型已經具有很強的通用性，因此通用型絕非小公司的發展方向。
領域專業意味著專注於特定領域，例如判斷對話中顧客是否想要購買蘋果並實時顯示在螢幕上。你需要一個實時的語音轉文字串流，再從對話中提取與購買水果相關的對話，然後將其交給 ChatGPT 來判斷顧客是否想要購買水果。
在此過程中，模型對水果買賣要有非常強的理解，而 ChatGPT 的輸入有技術上限。因此，需要找出如何從對話中提取正確的文本，並將其轉換成 ChatGPT 能夠好好回答的格式。最後，針對這個情境，設計並嘗試適合的 ChatGPT 提示問題，以便獲得相應的輸入/輸出。
在定位上，小公司的產品之所以強大，是因為在這個情境中，團隊對於在 ChatGPT 前後處理有很強的Know-How。
#5 看重有資安或速度考量的情境
超強的模型執行成本很高速度很慢，所以若是要 realtime response 或是資料不外露的情境下，AI 小公司就可以發揮所長，建構出在特定情境下，只要十分之一的成本於時間，就可以達到跟 chatGPT 幾乎一樣的效果。
說實話，我還在摸索中，但這真的是我人生中第一次親身經歷整個產業被顛覆的感覺，終於明白「破壞性創新」的意義，並在實際生活中感受到「若不改變將會死」的壓力。
不知道最好的解法在哪，只能一直改變嘗試生存。
