靠 AI 自动化项目众筹到千万美元,如今停更一年,创始人回应云服务太贵

阅读数:1 2020 年 3 月 3 日 14:05

靠AI自动化项目众筹到千万美元,如今停更一年,创始人回应云服务太贵

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自动化项目众筹到千万美元,如今停更一年,创始人回应云服务太贵

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)”。

靠AI自动化项目众筹到千万美元,如今停更一年,创始人回应云服务太贵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

发布