我是一家人工智能初創(chuàng)公司的技術(shù)聯(lián)合創(chuàng)始人，然而我們并未取得成功。Pharma Foresight著眼于醫(yī)藥商業(yè)智能領(lǐng)域，下面是我們的電梯廣告：

“目前制藥公司的研發(fā)回報(bào)率低于資本成本，因此制藥公司投資創(chuàng)新藥物的利潤(rùn)越來(lái)越低。決定要進(jìn)行哪些臨床試驗(yàn)，獲得批準(zhǔn)的可能性是一個(gè)至關(guān)重要的指標(biāo)，而這種指標(biāo)目前正以一種非常主觀且有偏見(jiàn)的方式來(lái)計(jì)算。我們的AI算法可以更準(zhǔn)確地估計(jì)這個(gè)數(shù)字，它節(jié)省了時(shí)間和金錢，最終造福患者。”

我們有一個(gè)很強(qiáng)大的團(tuán)隊(duì)，并采用精益創(chuàng)業(yè)策略進(jìn)行快速迭代;我們與各種不同的利益相關(guān)者進(jìn)行了接近100次的訪談，以確定早期的產(chǎn)品購(gòu)買者并驗(yàn)證了他們對(duì)我們產(chǎn)品的需求;僅僅4個(gè)月后，我們就與一家大型制藥公司的全球投資組合管理辦公室合作，該公司支付了我們構(gòu)建模型的費(fèi)用，我們也保留了所有的知識(shí)產(chǎn)權(quán)。

然而，盡管遵循了很多初創(chuàng)公司的成功經(jīng)驗(yàn)，PharmaForesight還是失敗了。由于時(shí)運(yùn)不濟(jì)和判斷失誤，我們最終并沒(méi)有成功。

這次失敗讓我更清晰地明確了一個(gè)道理：人工智能初創(chuàng)公司與SaaS初創(chuàng)公司采用的策略和方法是有微妙的區(qū)別的——但這并沒(méi)有得到廣泛認(rèn)可。這篇文章的目的就是講述我們?cè)傅腻e(cuò)誤，避免更多的AI初創(chuàng)公司重蹈覆轍。

首先，什么是人工智能初創(chuàng)公司？

有很多初創(chuàng)公司聲稱他們使用人工智能，但實(shí)際上，他們使用的只是外包的人工勞動(dòng)力或是基本的統(tǒng)計(jì)技術(shù)。倫敦MMC Ventures的一項(xiàng)研究發(fā)現(xiàn)，40%的所謂人工智能初創(chuàng)公司實(shí)際上并沒(méi)有使用人工智能。

而本文的觀點(diǎn)是，如果沒(méi)有相對(duì)現(xiàn)代的機(jī)器學(xué)習(xí)技術(shù)，人工智能初創(chuàng)公司是不可能存在的。比如，Poly.ai如果沒(méi)有深度的學(xué)習(xí)算法就不可能存在。

這與那些只有部分產(chǎn)品使用了AI的公司形成了鮮明對(duì)比。例如，Spotify就在機(jī)器學(xué)習(xí)上投入了大量資金，而且機(jī)器學(xué)習(xí)如今已成為其戰(zhàn)略的核心。但是，Spotify在以一種協(xié)調(diào)的方式使用機(jī)器學(xué)習(xí)之前就已經(jīng)存在了。對(duì)我來(lái)說(shuō)，它更像是一個(gè)SaaS公司。

從這個(gè)角度出發(fā)，我將向你介紹我在創(chuàng)辦人工智能初創(chuàng)公司中學(xué)到的一些經(jīng)驗(yàn)。

1. 專有數(shù)據(jù)是關(guān)鍵

在商業(yè)情景中，思考人工智能的最佳方式是將其視為一種底層的支持技術(shù)，就像20世紀(jì)80年代出現(xiàn)的SQL數(shù)據(jù)庫(kù)一樣。SQL創(chuàng)造了價(jià)值數(shù)十億美元的行業(yè)，比如客戶關(guān)系管理。同樣，人工智能將創(chuàng)造新的行業(yè)，并在大量商業(yè)用例中實(shí)現(xiàn)改進(jìn)。

與SQL數(shù)據(jù)庫(kù)一樣，人工智能也依賴于數(shù)據(jù)。數(shù)據(jù)遠(yuǎn)比算法重要，這一點(diǎn)是公認(rèn)的。高質(zhì)量的專有數(shù)據(jù)對(duì)人工智能初創(chuàng)公司來(lái)說(shuō)至關(guān)重要。

事后看來(lái)，我們的數(shù)據(jù)策略是錯(cuò)誤的。最初，我們選擇了更快更容易的方法——在公開(kāi)的數(shù)據(jù)上構(gòu)建工具的第一個(gè)版本。清洗和轉(zhuǎn)換數(shù)據(jù)為機(jī)器學(xué)習(xí)做好準(zhǔn)備，這花費(fèi)了大量的時(shí)間，而當(dāng)時(shí)的我們認(rèn)為這其中有一定的可靠性。我們還以為，一旦我們獲得了一定的可信度，那么訪問(wèn)更有趣、更可靠的專有數(shù)據(jù)集就要容易得多了。

事實(shí)證明，這些假設(shè)中有許多都是錯(cuò)誤的。當(dāng)開(kāi)始構(gòu)建模型時(shí)，我們找不到任何人來(lái)處理這個(gè)問(wèn)題，但當(dāng)我們完成模型構(gòu)建時(shí)，又出現(xiàn)了許多競(jìng)爭(zhēng)對(duì)手。即使我們的算法更精確，也難以與更成熟的競(jìng)爭(zhēng)對(duì)手區(qū)分開(kāi)來(lái)，尤其是似乎大家都使用了相似的數(shù)據(jù)。

構(gòu)建模型似乎并沒(méi)有讓訪問(wèn)專有行業(yè)的數(shù)據(jù)集變得更容易（盡管我們當(dāng)時(shí)資金用盡，否則我們無(wú)疑可以對(duì)此進(jìn)行更徹底的測(cè)試）。對(duì)人工智能公司來(lái)說(shuō)，訪問(wèn)專有數(shù)據(jù)集絕對(duì)是關(guān)鍵。

一般來(lái)說(shuō)，有三種獲取專有數(shù)據(jù)集的方法，而且它們不會(huì)相互排斥：

通過(guò)創(chuàng)建初始產(chǎn)品或服務(wù)的方式來(lái)收集數(shù)據(jù)，當(dāng)用戶與之交互時(shí)，該產(chǎn)品或服務(wù)會(huì)生成數(shù)據(jù)，這些數(shù)據(jù)隨后可以用于改進(jìn)產(chǎn)品或服務(wù)。例如Facebook、谷歌、Spotify和其他很多類似的網(wǎng)站都是這樣。

通過(guò)手動(dòng)收集一個(gè)小型專有數(shù)據(jù)集的方式來(lái)收集數(shù)據(jù)。這種方式可以用來(lái)訓(xùn)練初始的機(jī)器學(xué)習(xí)模型，此時(shí)模型需要表現(xiàn)得足夠好，才能至少滿足一些早期購(gòu)買者的需求。隨后的合作關(guān)系將使數(shù)據(jù)收集的規(guī)模得以擴(kuò)大，從而可以改進(jìn)模型等。Hoxton Analytics就是采用這種方法的公司之一。

與數(shù)據(jù)持有者（通常是大公司或公共機(jī)構(gòu)）進(jìn)行交易。例如，Sensyne Health已經(jīng)與英國(guó)的幾個(gè)國(guó)民醫(yī)療服務(wù)聯(lián)合體（NHS Trusts）達(dá)成了一項(xiàng)交易。

在這三種選擇中，我推薦第三種，原因如下：

如果你選擇第一種，說(shuō)明你并不是一家人工智能初創(chuàng)公司。因?yàn)槟憧梢栽跊](méi)有人工智能的情況下提供服務(wù)，所人工智能對(duì)于你所能做的事情顯然不是必要的。當(dāng)然，人工智能可能會(huì)極大地改善你的產(chǎn)品或服務(wù)，但它必須足夠優(yōu)秀才能夠收集到大量的用戶數(shù)據(jù)。

如果選擇第二種，還是很有可能創(chuàng)建一個(gè)人工智能初創(chuàng)公司的，但是為了能讓成功幾率最大化，初始數(shù)據(jù)集需要充足的利基市場(chǎng)，或者與現(xiàn)有的解決方案相比，你的方法需要足夠創(chuàng)新。遵循這種方法的風(fēng)險(xiǎn)在于，在發(fā)展合作伙伴以收集大量數(shù)據(jù)之前，你的想法和數(shù)據(jù)集很容易被競(jìng)爭(zhēng)對(duì)手復(fù)制，特別是當(dāng)你處理一個(gè)廣為人知的用例時(shí)。

這么看來(lái)，創(chuàng)建人工智能初創(chuàng)公司的關(guān)鍵途徑就剩下第三種了——與大的數(shù)據(jù)持有者進(jìn)行交易，以獲取他們的數(shù)據(jù)。這就是絕大多數(shù)人工智能初創(chuàng)公司都是B2B的原因。

大型機(jī)構(gòu)和公司通常行動(dòng)遲緩，與他們交易通常需要一定的時(shí)間。是否允許另一家公司訪問(wèn)數(shù)據(jù)可能存在倫理或商業(yè)上的顧慮，這個(gè)問(wèn)題也有待解決。但總的來(lái)說(shuō)，公司會(huì)越來(lái)越意識(shí)到他們所持有數(shù)據(jù)的價(jià)值。

當(dāng)然，還有一些人工智能初創(chuàng)公司并沒(méi)有遵循上述任何一項(xiàng)選擇，而是憑借自身算法的優(yōu)勢(shì)取得了不錯(cuò)的業(yè)績(jī)，例如DeepMind（2014年被谷歌以5億美元收購(gòu)）和MagicPony（2016年被Twitter以1.5億美元收購(gòu)）。但這條路是很艱難的，在沒(méi)有專有數(shù)據(jù)集的情況下，要保持競(jìng)爭(zhēng)優(yōu)勢(shì)要困難得多。

2. 為人工智能初創(chuàng)公司籌集資金非常困難

籌集資金是創(chuàng)業(yè)過(guò)程中最困難的部分之一。這一過(guò)程中其實(shí)包含很多技巧：講好故事、推銷、商業(yè)頭腦、法律等等。為一家人工智能初創(chuàng)公司籌集資金則格外有挑戰(zhàn)性。

我們?cè)疽詾?，如果?chuàng)業(yè)的想法和團(tuán)隊(duì)足夠強(qiáng)大，并且有足夠的吸引力，那么我們就能夠籌集到資金。然而，我們大錯(cuò)特錯(cuò)了。

創(chuàng)業(yè)之初時(shí)就考慮可能的資金投入至關(guān)重要。不同的資助者有不同的目標(biāo)和限制，從一開(kāi)始就認(rèn)識(shí)到這些是很重要的。早期創(chuàng)業(yè)的兩大出資人是：

技術(shù)風(fēng)險(xiǎn)投資（VC）——對(duì)早期公司的機(jī)構(gòu)投資者。在創(chuàng)業(yè)初期，他們主要關(guān)注三個(gè)方面——強(qiáng)大的團(tuán)隊(duì)、龐大的市場(chǎng)規(guī)模和良好的初始吸引力。

巨大的市場(chǎng)規(guī)模至關(guān)重要。由于風(fēng)投通常會(huì)將大量資金投入風(fēng)險(xiǎn)極高的企業(yè)，他們會(huì)預(yù)計(jì)自己的大部分投資都會(huì)破產(chǎn)。所以為了投資成功，他們不僅需要看到超過(guò)10倍的回報(bào)，還需要看到時(shí)間周期在5年之內(nèi)的回報(bào)。這意味著如今風(fēng)投支持的公司通常是專注于顛覆大型行業(yè)的SaaS初創(chuàng)公司。

如果你接受了風(fēng)投，那么創(chuàng)始團(tuán)隊(duì)通常對(duì)公司的控制權(quán)較小。大多數(shù)風(fēng)投者堅(jiān)持持有優(yōu)先股（如果公司以低于他們投資價(jià)值的價(jià)格出售，那么你可以收回股權(quán)）和擺脫創(chuàng)始團(tuán)隊(duì)的能力（盡管這一點(diǎn)很少踐行）。

天使投資者——天使投資者的形式和規(guī)模各不相同。有的希望與風(fēng)投一起投資，有的則希望能提供更穩(wěn)定的資金。天使投資通常意味著你保留對(duì)自己的企業(yè)擁有更多控制權(quán)。在英國(guó)，除非你有良好的人脈，或者之前有過(guò)成功的創(chuàng)業(yè)經(jīng)歷，否則很難籌集到超過(guò)50萬(wàn)英鎊的天使投資。大多數(shù)天使投資者會(huì)在10年左右之內(nèi)退出。

基于上述的限制，為人工智能初創(chuàng)公司尋找投資格外有挑戰(zhàn)性。

首先，人工智能初創(chuàng)公司比起SaaS初創(chuàng)公司通常需要更長(zhǎng)的起步時(shí)間。人工智能算法依賴于數(shù)據(jù)，而大的數(shù)據(jù)持有者通常是大公司，而通過(guò)任何方式獲取獲取大公司持有的數(shù)據(jù)都是很耗時(shí)。即使你可以訪問(wèn)數(shù)據(jù)，你不僅需要關(guān)注業(yè)務(wù)開(kāi)發(fā)和軟件平臺(tái)（和在SaaS初創(chuàng)公司一樣），還需要關(guān)注人工智能算法。

考慮到你需要更專業(yè)的技能，加之更長(zhǎng)的起步時(shí)間，這意味著通常需要更多的資金來(lái)啟動(dòng)一家人工智能初創(chuàng)公司，這些資金需要是“穩(wěn)定資本”。對(duì)大多數(shù)創(chuàng)始人來(lái)說(shuō)，這就排除了長(zhǎng)期天使投資的可能性（除非你人脈非常廣）——因?yàn)樗璧馁Y金數(shù)額實(shí)在是太大了。

但當(dāng)你向風(fēng)投推銷時(shí)，就是在與傳統(tǒng)的SaaS公司競(jìng)爭(zhēng)。如果一切順利的話，這些SaaS公司可能會(huì)獲得更快的回報(bào)。SaaS是一種很有吸引力的商業(yè)模式，它有定期的經(jīng)常性收入，而且即使用戶不經(jīng)常使用該服務(wù)，他們也會(huì)忘記取消訂閱。

在過(guò)去的十年里，SaaS商業(yè)模式對(duì)風(fēng)投來(lái)說(shuō)是非常成功，很多風(fēng)投都陷入了這種思維模式中，但這種思維模式并不適用于很多人工智能初創(chuàng)公司。很多人說(shuō)對(duì)我們說(shuō)：“有了訂閱收入后再來(lái)找我們?！?/p>

大多數(shù)人工智能初創(chuàng)公司會(huì)發(fā)現(xiàn)，至少在最初幾年，你很難產(chǎn)生訂閱收入，你需要采用一種完全不同的商業(yè)模式。你的提議需要更有說(shuō)服力，才能籌集更多的資金。

3. 根據(jù)用例，可解釋性是關(guān)鍵

即使你有專有的數(shù)據(jù)集和出色的產(chǎn)品，也并不一定意味著你的產(chǎn)品會(huì)取得成功。如果你正在創(chuàng)辦一家人工智能初創(chuàng)公司，一定要對(duì)人工智能和機(jī)器學(xué)習(xí)有一定的了解。然而，一般人并不熟悉這些話題，他們還可能會(huì)懷疑自己的潛力。

簡(jiǎn)單來(lái)說(shuō)，你需要令人信服的證據(jù)來(lái)證明你的模型能順利運(yùn)行?，F(xiàn)場(chǎng)演示可能有效。如果還不足以為信的話，那就嘗試使用具體的、精心挑選的例子，而不是高精確度的數(shù)字。這聽(tīng)起來(lái)可能有悖常理，如果你有數(shù)學(xué)背景的話會(huì)更有體會(huì)。

能夠解釋模型的預(yù)測(cè)將增加人們對(duì)模型的信任。根據(jù)你的用例，能清楚地解釋你模型的每一種預(yù)測(cè)通常與精確度同樣重要?？山忉屝允且粋€(gè)很寬泛的話題，但總的來(lái)說(shuō)，你的解釋要盡可能得讓人容易理解。

經(jīng)驗(yàn)法則是，每個(gè)個(gè)體的預(yù)測(cè)越重要，其可解釋性就越重要。

人工智能是一項(xiàng)令人驚嘆的賦能技術(shù)，毫無(wú)疑問(wèn)，它將在未來(lái)幾年對(duì)我們的生活產(chǎn)生難以置信的影響。但這并不意味著創(chuàng)立一家人工智能初創(chuàng)公司很容易——其實(shí)困難遠(yuǎn)非如此。

我逐漸了解到創(chuàng)立人工智能初創(chuàng)公司有許多獨(dú)有的困難，有許多方面沒(méi)有得到充分的重視。在創(chuàng)立了PharmForesight之后，我堅(jiān)信亨利·福特（Henry Ford）的名言：“真正的錯(cuò)誤是我們沒(méi)能從錯(cuò)誤中學(xué)到經(jīng)驗(yàn)?！?/p>

前車之鑒后事之師，我們犯過(guò)的上述錯(cuò)誤，希望各位可以引以為戒。
責(zé)編AJX