InfoQ Geekathon 大模型技术应用创新大赛 了解详情
写点什么

Matt Turck:人工智能初创企业如何不靠融资活下去?

  • 2019-03-06
  • 本文字数:5834 字

    阅读完需:约 19 分钟

Matt Turck:人工智能初创企业如何不靠融资活下去?

导读: 现如今,人工智能行业开始面临商业化落地的现实问题。作为继移动互联网之后的下一个时代,人工智能创业公司呈现了爆发式的增长。但是,人工智能行业的马太效应也愈发明显,当小公司们面临普遍的融资困局时,那些明星公司却在纷纷刷新这个行业的融资记录。当投资的热潮过去,面临资金短缺和应用场景局限的小型人工智能初创公司,要如何扩张并成为独角兽企业呢?今天,InfoQ 编译了 Matt Truck 的言论,希望对中国创业者们有所启迪。




最近这段时间以来,对每个人来说,人工智能初创公司是个令人兴奋的新事物。这是一个看似充满无限希望的时代,人工智能不仅要重新定义商业中的一切,还要为企业家提供这样的机会:建立界定行业的公司。


几年后(以及数十亿美元的风险投资),人工智能初创公司重新进入现实。现在,是时候兑现最初的承诺了,证明 AI-first 的初创公司也可以成为强大的公司,且具有长期的差异性和防御性。


换言之,是时候从“开始”模式转向“扩张”模式了。


需要明确的是:我一如既往看好人工智能领域。我相信人工智能是一种不同的、足够强大的技术,只要应用到正确的业务问题上,就可以利用它来打造全新的行业领导者。


与此同时,在过去的三四年里,我加入了人工智能初创公司的董事会,并在 Data Driven NYC 与许多人工智能创业者交谈,学到了很多经验和教训。在本文中我将分享一些笔记。


近三年前,我在 O’Reilly 人工智能会议上发表过题为《建立人工智能初创公司:现实与战术》的演讲,这场演讲涵盖了许多关于创建人工智能公司的核心理念:建设团队,获取数据,寻找正确的市场定位。许多这些概念放在今天仍然有效。本文就是那场演讲的续篇,将更侧重于有关扩张的具体经验。


注:作者那场演讲可见于:http://mattturck.com/building-an-ai-startup/

一些定义

为了把语义搞清楚:由于过去几年的市场炒作,公众已经搞不明白“人工智能初创公司”到底是什么。


人工智能初创公司基本上可以分为三类:


  • AI-first(人工智能先行)初创公司是指那些产品无论服务于消费者还是企业,其核心都离不开人工智能的初创公司。对这样的公司而言,人工智能是核心,无处不在。

  • 为其他初创公司和财富 1000 强客户提供人工智能工具和基础设施(软件和硬件)的初创公司。

  • 将人工智能作为更广泛的产品或技术堆栈的一部分的初创公司。这样的公司有很多家,这些公司是在当前人工智能热潮到来之前就成立的,并且已经将人工智能添加到了他们已有的软件产品中。


尽管本文主要是关于“AI-first”的初创公司,但其中一些经验教训可能适用于其他类别的公司,也可能适用于“deep tech”(或“前沿技术”)的初创公司。

哪些 AI-first 初创公司实际上正在扩张?

简单回答:不是很多。这是一项正在进行的工作。


如果你看一下 CB Insights 最近列出的前 100 家人工智能公司的名单,你将会发现其中大部分都在 B 系列或 C 系列的某个阶段。目前还很少有公司达到了真正的大规模,尤其是在 AI-first 的类别中。


为什么会这样呢?


这些公司大多还很年轻,成立可能只有 4 到 6 年。目前人工智能初创公司的浪潮实际上是 2012 年后某个时候开始的(深度学习在当年年度 ImageNET 竞赛中展现了它的威力)。


当然,其中有些创业公司非常成功地筹集到了大量资金,并因此雇佣了很多人,这无疑是衡量规模的一个指标。


然而,从收入的角度来看,我的感觉是,大多数 AI-first 公司仍然相当早,也就是说,在一般的 7 位或低 8 位的 ARR 区域。(在上面提到的其他类别中,有几个类别要深入得多,比如我非常熟悉的 Dataiku,或 UI Path。)

风投融资:deep tech 挑战

很少有人工智能初创公司达到如此大的规模的另一个原因是,它们的核心是“deep tech”公司。


这是一个现实,但如今却往往容易被人们忘记。风投界的许多人都得出这样的结论:既然人工智能终将成为每家公司的一部分,那么,AI-first 公司就没有啥特别或不同之处了。从长远来看,这个结论或许是正确的,但至少就目前而言,这个结论还为时尚早。


当然,现在已经有了大量的进展,使事情变得更容易了:像 TensorFlow 这样的开源框架可用了,云提供商也提供了快速改进的人工智能基础设施等等。


我也可能会争辩,几年前每个人都担心的一个大问题是,很难获取训练超级数据匮乏(data-hungry)人工智能算法所需的所有数据。事实证明,比人们预期的更容易处理。是的,Google 和 Facebook 有着巨大的优势,但作为一家初创公司,你并不需要世界上所有的数据,只需要解决你要解决的特定问题所需的数据就可以了(只要你对它的定义足够严密或垂直)。


看到 AI-first 的初创公司争先恐后地解决数据采集问题,这证明了企业家的足智多谋。这里有很多不同的策略,从数据丰富的机构合作(例如医院的放射科的图像)到创建他们自己的数据集(通过合成的方法,或者通过调动整个团队来有效地手动创建,通常是在海外)。


无论如何,与常规的 SaaS(或消费者)初创公司相比,创建 AI-first 的初创公司仍然更加困难、更为耗时。你就是无法求精益并快速迭代。要知道,优秀的机器学习工程师仍然极为短缺。数据采集虽然易于处理,但仍然需要花费大量的时间和精力。将模型训练到可接受的性能水平也需要时间。虽然 TensorFlow 是开源的,但按规模部署仍然需要罕见的专业知识。


因此,从融资的角度来看,AI-first 的类型往往更接近于它们的 deep tech 同族(如工业初创公司、物联网、空间技术、生物学等)的投资情况。也就是说,在它们甚至能够发布真正的人工智能产品之前,需要进行大量的研发工作,因此,在每一轮的商业指标方面,它们都将落后于更敏捷的同行。它们将于几个测试员一同出现在 A 系列中。在 B 系列中,它们通常有适合市场的产品,但上市的机器并不成熟。如此这般。


早期投资者有时间来适应这一现实,并逐渐形成了他们自己的投资标准(见 Louis Coppey 在 Point Nine Capital 提到的“纸巾”:https://machinelearnings.co/the-ai-first-saas-funding-napkin-2cb138070ffc)。 后期投资者通常更注重指标,他们现在开始了解这一代人工智能初创公司,并试图弄清楚他们该做什么。具有讽刺意味的是,“moonshot”人工智能公司(例如自动驾驶)可能更容易在后期阶段成功融资,因为目前尚不清楚对它们应用哪些指标,因此 deep tech 的叙述可能会让它们走得更远。对于其他人工智能初创公司来说,要避免与普通消费者或企业软件公司进行比较将更为困难,因此重要的是不要落后太多。

研发:要知道何时停止

为避免落后太多,重要的是不要陷入研发模式太久。


就像任何一家 deep tech 公司一样,人工智能初创公司也面临着“科学项目”的风险。


其中一部分来自创始团队的 DNA。要建立一家有趣的 AI-first 公司,你需要很多非常聪明的工程师,他们喜欢最终解决真正困难的技术问题。“工程师狂热”的乐趣也接踵而至。


此外,人工智能的进展往往是反复无常的,不遵循明确的时间表。你经常会听到人们谈到他们如何在几周或几个月内取得大部分的成功(比如正确率达到 80%),但后来却陷入困境,为了试图达到 90% 或 95%,这一过程有时长达几年。有时候,公司会因为长期停滞不前而感到灰心丧气,它们花上几个月的时间尝试一种完全不同的方法,结果却只有微小的改进。或者更槽糕的是,有时候你会看到人工智能的性能实际上下降了,例如因为添加新的数据集所致。


归根结底,是因为人们通常不知道他们的人工智能产品的下一个突破会在何时发生(这就是为什么没有人知道第 5 级自动驾驶什么时候到来的原因)。


因此,即使是商业头脑的团队,也很容易陷入长期的研发循环。


有一些技巧可以解决这个问题,但是没有什么灵丹妙药。比如,你将看到初创公司构建其产品的第一版,其中并没有任何实际的人工智能,以及软件和人类的功能。就从顾客那里得到的真正反馈而言,非常出色。但这一做法基本上就是缓兵之计。一旦到某一点时,你将不得不把假的第一版换成真的人工智能第二版,然后事情可能就会变得非常槽糕。你基本上就像在飞机飞行时尝试更换引擎。


要避免这种恶性循环并不容易,但归根结底还是一个领导力(从 CEO 开始)的问题,即管理装运时间表和银行现金。


我还了解到,在人工智能初创公司的早期就开始构建产品功能真的很有帮助,它们将为研发团队提供良好的平衡。

产品:创造人工智能之外的价值

在产品方面有很多有趣的经验教训。

坏消息是:客户希望人工智能是“超人”

尽管在过去几年里,人工智能取得了惊人的进步,但仍然是一项非常不完美的技术,而且经常会失败。这点在需要以 100% 正确率(如自动驾驶汽车、医疗诊断等)的情况下尤为明显(而且也存在问题)。


不幸的是,客户并不在意这点。也许是因为所有炒作的结果,他们期望你的人工智能就是“超人”。


人类的行政助理经常把会议搞砸,会计经常将费用分错类,医生经常误诊……当人类参与时,我们不知怎么地就接受了这一点;但一旦机器参与进来,我们基本上就不能容忍错误了。


更槽糕的是,我们大多数人都有一个很大的盲点:我们经常给人工智能错误的指令,导致它失败,但我们仍然会责怪机器!

圈内的人不要做扩张的事

鉴于上述情况,很明显,人类通常需要参与其中,才能让人工智能在现实世界里发挥作用。


许多人工智能企业家早就得出了这个结论,并在幕后组建了一群人与人工智能一起工作。这对最终客户(产品)很有效。然而,从商业模式的角度来看,这对初创公司来说不啻为一场灾难。当然,我们的想法是人工智能将会变得更好,并最终取代大多数相关人员,但现实情况是,这个时间线是高度不可预测的。与此同时,你仍然处于负毛利率领域,这使得公司难以融资和发展。这是一个典型的无法扩张的策略的主要例子。

要学会优雅地失败

诀窍是让你的客户(而不是你的员工)也成为“圈子里的人”。


当然,Google 几十年来一直这么做。这些天,我们都在花时间告诉 Google Photo,是的,这两张照片中的孩子是同一个人。你的计算机视觉系统无法弄清楚,但我很乐意告诉你,并尽我所能,使你的算法变得更好。不客气,Google!


Google 让它看起来很简单,但从产品的角度来看,很难确定这种“人工智能 - 人类”切换固定下来。


其中很大部分原因是人工智能“优雅地失败”。也就是说,它需要在用户感到沮丧之前,或者更槽的是,在真正的损失发生之前,尽早明确地告知用户它已经失败了。


然后需要一个非常清晰的工作流让人类来接管。简单的图形用户界面,如提供人们多种选择的按钮,从这个角度来看,已经被证明是非常有效的。

掌握人工智能的社会动态

确保人工智能的广泛应用,特别是在企业中,有一个非常有趣的社会方面。人们经常对人工智能(以及一般的自动化)持某种程度的怀疑态度,而诀窍是,让人工智能赋予员工权利,而不是威胁员工。


迄今为止的经验表明,当人类和人工智能“并排”放置时,他们并不能实现真正的协同工作。例如,在客户服务场景中,人工智能会实时向销售代表提供建议,告诉他们应该如何回复客户的咨询。这就有效地使人工智能和人类处于竞争之中。我听说过员工因此破坏人工智能的案例。


相反,从社会适应的角度来看,将人类置于能够纠正和改进人工智能的位置,效果会好得多。当人工智能在构建时就考虑到透明性和可解释性(人工智能中的一大趋势)时,这种方法效果特别好。


最好的公司则更进一步,帮助他们的企业客户围绕管理和改进人工智能建立整个团队,确保通过授权实现一致性(请参阅我们的投资组合公司 Ada Support 及其自动化客户体验团队)。

将机器人流程自动化加进来

最后,我见过最成功的人工智能初创公司很早就明白,人工智能本身就不应该是产品价值的唯一驱动因素。


通常有许多层次比较低的(或者至少更低)唾手可得的“水果”,比人工智能本身更容易构建。


这些可以包括任何东西,从简单的功能(如将 Zoom 集成到日历)到其他系统的连接器(从企业中最常用的数据源摄取数据),再到与支付系统的集成(让客户在人工智能提供建议后就下单购买)或者针对简单、重复的任务实现“RPA”式的自动化。


具有讽刺意味的是,这些集成或机器人流程自动化(Robotic Process Automation,RPA) 功能对最终用户来说,与所有人工智能支持的部件一样重要。有时,对最终客户的价值和工程复杂性还可能会令人恼火地脱节。

销售与营销:无需重新发明轮子

正如在 deep tech 公司经常出现的情况一样,人工智能初创公司对销售和营销表现出不情愿的态度并不少见。一些公司很难接受雇佣销售人员的想法,因为他们通常认为销售人员的智商比工程师低。有些公司还决定不再雇佣任何销售人员,而是使用“前沿部署工程师模式”,即 la Palantir。许多人工智能公司的创始人的终极幻想基本就是一种能够自我销售的产品,因为这种技术是在太棒了。


当然,任何初创公司要想在规模化上取得成功,分销与产品一样重要。最成功的人工智能公司的 CEO 很早就接受了这一现实,当他们的背景完全是技术背景时,就把掌握创建创业公司的所有业务方面作为一项使命。他们明白,这不是他们需要从基本原则开始的领域,而是依赖于他们积极招聘和授权的高级销售和营销人员的经验。


工程密集型团队的另一个常见问题是,用“技术至上”的理念来指导销售和营销的工作。就人工智能而言,这很有趣,因为在过去几年里,向潜在客户谈论人工智能实际上是非常有效的。每个人都对人工智能感到好奇,很多人会参加第一次会议(或者尝试一种新的消费产品),部分原因就在于此。我所熟悉的许多初创公司后来都正确认识到,当涉及到实际的购买决策时,客户并不真正在乎它是否人工智能。有些公司已经有效地从营销和销售信息中移除了人工智能。实际上,我认为人工智能信息仍然有很多分支。虽然以人工智能为主导可能没有什么意义,但在产品和公司的整体展示中仍然有价值。

结论

如果本文听起来像是对 AI-first 的公司的一个建议,即为了实现扩张规模,而不要去“做人工智能公司”,那可能就是因为它确实如此。


AI-first 初创公司面临的风险是,在”deep tech“模式下滞留太久,尽管拥有工程师众多的团队,但错过了所有让公司可以得到风投融资的里程碑。对于大多数人来说,通常有机会构建“足够好的”人工智能,可以通过更简单的软件和机器人流程自动化类型的功能进行补充和增强,并通过已经实践检验的营销和销售方法进行有效地分发,只要相关团队能够尽早加入即可。


如果他们能做到以上几点,我坚信,AI-first 初创公司将会真正实现规模化扩张,并引领行业,有时甚至是界定行业的公司。现在,我们还处于人工智能初创公司的创业浪潮的早期阶段,还有更多的机会,我很高兴能够目睹这一切将如何发展。


原文链接:


http://mattturck.com/scaling-ai-startups/


活动推荐:

2023年9月3-5日,「QCon全球软件开发大会·北京站」 将在北京•富力万丽酒店举办。此次大会以「启航·AIGC软件工程变革」为主题,策划了大前端融合提效、大模型应用落地、面向 AI 的存储、AIGC 浪潮下的研发效能提升、LLMOps、异构算力、微服务架构治理、业务安全技术、构建未来软件的编程语言、FinOps 等近30个精彩专题。咨询购票可联系票务经理 18514549229(微信同手机号)。

2019-03-06 08:003782
用户头像

发布了 363 篇内容, 共 159.4 次阅读, 收获喜欢 927 次。

关注

评论

发布
暂无评论
发现更多内容

面部表情识别的未来发展趋势

来自四九城儿

MRS大企业ERP流程实时数据湖加工最佳实践

华为云开发者联盟

大数据 后端 华为云 华为云开发者联盟 企业号 8 月 PK 榜

IOS上架流程

浪潮海岳云原生平台技术分享丨轻松解决数据库备份痛点

inBuilder低代码平台

云原生 低代码平台

一键登录和短信验证登录,到底有什么区别?

MobTech袤博科技

前端 App 前端开发 APP开发

基于Pair-wise和CrossEncoder训练单塔模型

华为云开发者联盟

人工智能 华为云 华为云开发者联盟 企业号 8 月 PK 榜

面部表情识别技术的挑战与前景

来自四九城儿

Observable设计模式简介

树上有只程序猿

Java java-API Observable

关于低代码解放程序员这件事儿

互联网工科生

低代码 可视化开发 企业级应用程序开发 JNPF

面部表情识别在社交媒体中的应用

来自四九城儿

时序数据库 TDengine SQL 查询语法规则汇总,官方教程奉上!

爱倒腾的程序员

数据库

低代码平台“高”效率开发的5个能力

高端章鱼哥

软件开发 低代码 提高效率 JNPF

瓴羊Quick BI跻身Gartner魔力象限挑战者行列

夜雨微澜

智慧生活的下半场,从全屋智能4.0接入未来

这不科技

华为 鸿蒙系统

数字时代的生产力工具:低代码开发平台

力软低代码开发平台

火爆全球的AI艺术二维码到底是怎么做的?

Ricky

二维码 个性化推荐 二维码生成

基于Java开发的企业级数字化采购系统(SRM)

金陵老街

srm 采购系统 招投标系统

AI技术赋能,引领行业变革 | 百度营销创新打造“信息流AI投放”

科技热闻

Photoshop 2023 (ps 2023) for Mac v24.6/25.0beta激活版

mac

Photoshop 2023 PS2023 修图软件 苹果mac Windows软件下载

HarmonyOS NEXT新能力,一站式高效开发HarmonyOS应用

Geek_2d6073

洛基:北欧怪奇之旅 Röki for Mac(冒险解谜游戏)

mac

mac游戏 苹果mac游戏 洛基北欧怪奇之旅 冒险解谜游戏 Röki

隆重介绍!为啥它让智能制造有了“芯”能力?

用友BIP

制造

超好用的数据可视化工具——Grafana

云原生应用市场

监控 数据 Grafana 告警

软件测试/测试开发丨Python 内置库 多线程threading

测试人

Python 程序员 软件测试 自动化测试 测试开发

RR有幻读问题吗?MVCC能否解决幻读?

王磊

Java Java 面试题

HarmonyOS系统级推送服务,打造消息通知新体验

Geek_2d6073

全球优秀的架构师都在关注什么?

用友BIP

架构师 数智底座

何时使用MongoDB而不是MySql

越长大越悲伤

MySQL 数据库 mongodb

软件测试/测试开发丨Python 内置库 正则表达式re

测试人

Python 正则表达式 程序员 软件测试 测试开发

低代码如何实现高效率开发?

这我可不懂

低代码 数字化转型 可视化开发 JNPF

软件测试/测试开发丨Python 内置库 pythonlogging

测试人

Python 程序员 软件测试 自动化测试 测试开发

  • 扫码添加小助手
    领取最新资料包
Matt Turck:人工智能初创企业如何不靠融资活下去?_文化 & 方法_Matt Turck_InfoQ精选文章