Grid 公司承诺可以用人工智能技术实现网页设计自动化，通过众筹和卖会员前后拿到了 1200 多万美元（约合人民币 8367.36 万），但是代码和产品更新均停留在了一年前，公司员工几乎全部离职，创始人回应称现金所剩无几，基本都花在营销和云服务上面了。
靠 AI 自动化网页设计，众筹千万美元
2014 年，一家总部位于加利福尼亚州的初创公司 Grid 发起了一项针对网站设计的众筹活动。在这项活动中，Grid 承诺已经可以用人工智能技术让整个网站设计自动化，这在当时彻底颠覆了网站设计理念，这项计划预计筹措数百万美元的资金。
当时的新闻对这家公司技术能力的描述如下：
Grid 由前 Google AdSense 产品总监 Brian Axe 和首席媒介设计师 Leigh Taylor 开发。二人花费了数年时间开发出一种人工智能技术，能够扮演图形设计师的角色，甚至能根据用户的品牌需要，以内容为中心，给出最佳设计方案。
用户只需要上传建站图片和内容，Grid 将分析这些内容，并通过 Grid Style Sheets 在数分钟之内创建一个自适应网站，Grid 还能根据图片对比度高低来排布文本，通过人脸识别等技术来自动裁切图片，并自动给出配色方案。
很快，这家公司就筹集到了大量现金，具体金额未明确公布，但有新闻报道指出，该公司通过众筹和会员销售从风险投资家那里筹集了 至少 700 万美元， 并从用户那里筹集了另外 520 万美元。
钱拿到了，但产品交付出现问题。Grid 的 Twitter 帐户于 2018 年 1 月发布了最后一条推文，此后一直保持沉默。2019 年 3 月，Grid 将客户从“ Version 2”产品（第二个版本）构建的网站上拒之门外，并发布声明希望用户可以等待下一个版本的到来。
一年过去了，下一个版本还是没有出现。Grid 的 GitHub 账户代码更新停留在 2019 年 6 月份，链接到这个 AI 自动化设计网页项目的 GSS 引擎存储库的更新时间是五年前。
在此之前，Grid 每年以 144 美元的价格出售“ Pro Membership”（专业会员），目前这些会员资格的购买页面仍然在线，但公司网站称已暂停注册。
过去一年，Grid 的客户不满情绪加剧。在 Twitter 上，有一个名为 GridVictims 的列表，聚集了一群 Grid 终身会员，一名用户在 2019 年 7 月的一条推文中写道：
一开始这绝对不是骗局，或许他们的初心或愿景是好的，他们想把这个想法卖给我们，为我们提供一个低级的 MVP，然后画了更大的饼，把我们一步步套牢，我们每个人则为此支付了 90 美元保证金
创始人回应：现金所剩无几，AI 云服务太贵
面对用户质疑，Grid 首席执行官兼联合创始人 Dan Toucchi IV 表示：这件事情比我们想象得更加困难。至于筹集到的资金，他表示所剩无几，原因很简单，Grid 公司不好赚钱但善于花钱。
Grid 前期的一次众筹活动赚到了 600 万美元，但很多都是营销广告驱动的，只赚了不到 20% 的利润。
言外之意，Grid 的现金流并不充裕。值得注意的是，Grid 前期对自己进行了大肆宣传，并且还曾表示要带着整个团队去夏威夷旅行，在那里开发产品。现任 Grid 董事会成员和前 Google AdSense 联合创始人 Brian Ax 曾经撰写了一篇文章，在其中称赞了公司“多元化的技术创始人（像谷歌一样）”。
各种各样的技术创始人
Toucchi 对公司不是骗局的事情解释道：我们的 GitHub 代码可供所有人查看，在开发人员社区中，我们非常受尊重，产品被搁置的原因是 AI 的云服务非常昂贵：
我们不得不关闭产品，并努力推出 V3 版本。使用 AI 的云基础架构暴露出的隐藏成本比我们意识到的要昂贵得多。
云服务对 AI 厂商来说是一笔巨大的成本
在以内部软件为主导的旧时代，产品交付的核心在于摆脱并淘汰物理运输载体。
无论是在服务器上还是台式机内，软件的运行成本都将由买方承担。如今，SaaS 成为新的销售形势，运行成本则重新回到供应商手中。大多数软件厂商每月都需要支付大量 AWS 或者 Azure 账单：软件要求越高，账单金额就越高。
事实证明，AI 技术的要求确实不低：
- 训练一套 AI 模型可能需要耗费数十万美元（或者更高）的计算资源。尽管可以将其理解为一次性成本，但由于 AI 模型接纳的数据始终随时间推移而变化（这种现象被称为“数据漂移”），因此模型的重复训练应该被视为一种持续性成本。
- 模型推理（在生产环境中生成预测结果的过程）在复杂度方面，同样远远高于传统软件。与直接从数据库内读取数据相比，执行一连串矩阵乘法显然需要更高的数学运算。
- AI 与传统软件相比，AI 应用程序需要处理的更多是图像、音频或者视频等富媒体类别。这类数据消耗的资源明显高于常规存储资源，处理成本更高，而且往往因领域不同而有所差别，应用程序可能需要处理大量文件，才能从中找到相关片段。
- 根据 AI 厂商们的实际反馈，与传统基础设施相比，云计算的运营复杂度更高、成本更可观，而且往往缺少在全球范围内轻松扩展 AI 模型的理想工具。结果就是，相当一部分 AI 厂商不得不定期在不同云服务区域间迁移训练完成的模型，用高昂的运营成本换取模型的可靠性、性能表现以及合规性。
总而言之，这部分因素导致 AI 厂商往往需要将全部成本中的 25% 甚至更高花在云资源身上。在极端情况下，面对极复杂任务的初创企业甚至发现，在某些模型数据中采取手动处理反而成本更低。
当然，大家可以选择专用 AI 处理器压低成本。这类 AI 处理器能够高效执行计算任务，从而通过优化技术（例如模型压缩及交叉编译）降低所需算力水平。
然而，这种优化思路的效率曲线并不明确。在相当一部分应用领域中，我们需要成倍增长的处理强度与数据量来换取更高的准确性。正如前文提到，这意味着模型的复杂度也会以惊人的速度增长，而处理器显然跟不上这种需求提升。
自 2012 年以来，训练前沿 AI 模型所需要的计算资源增长了 30 万倍，而英伟达 GPU 的晶体管数量仅增长了 4 倍左右。分布式计算无疑是解决此类难题的有效方式，但这解决的主要是速度问题，而非成本问题。
总之，“云服务成本太高”确实是很多 AI 厂商的一笔巨大成本，但是这恐怕不足以说服用户接受“千万美元全部花完”的结果，希望 Grid 公司后续可以拿出更加有说服力的说法或者产品。
参考链接：
《How a Web Design Company Crowdfunded Millions and Completely Disappeared》
评论