如何让你的 AI 创业公司有竞争力？这有一个“成功方程式”（第二部分）

编者按：几周前，Learning VC的Louis Coppey发表了一篇文章，概述了人工智能创业公司如何创建护城河的思考框架。最近，通过与几个读者的交流，Louis Coppey又发表了一篇文章，对之前的框架进行了补充。文章由36氪编译。

几周前，我发表了一篇文章，概述了人工智能创业公司如何创建护城河的思考框架，提出了一个公式，即在人工智能领域的成功=数据*数据+ML人才+算法。反馈循环下图所示：

数据是核心，有了数据能够吸引人才。人才与数据结合，能够训练出精确度比较高的算法模型，从而能够形成数据网络效应，并获得大量的客户。客户的增加，又能进一步丰富数据......

文章发布后，获得了广泛的关注，并引发了几位人工智能从业者（创始人、产品经理、风险投资人）的讨论。我认为这些讨论给我之前提出的框架提供了有趣的补充，在这篇文章中，我将会把其中的3点分享给大家。希望这些能够给大家带来一些的启发，尤其是看过我之前文章的。如果你之前没有看过，传送门在此（文章由36氪编译）。

一、销售作为一种初始的竞争优势

罗布•梅（Rob May）是总部位于波士顿的人工智能创业公司Talla的首席执行官。他还是一份名为InsideAI的时事通讯编辑。以下是他的观点：

文章谈到了相关产品在人工智能领域的竞争优势，而这正是大多数分析所关注的。能够访问专有数据的产品表现更好，从而能够获得更多的客户和更多的数据。这个结论是准确的，但基于我在人工智能市场迄今所看到的情况，我想在此基础上增加一层，并提出一种更复杂的关系。

我认为，搞清楚如何销售人工智能服务可能会形成一种早期的、暂时的优势，这可以让一家公司长时间内处于非常有利的地位。

据我所知，大多数销售人工智能服务的公司实际上都在努力做到这一点，原因有以下几点。首先，要开发一个只做一件小事的人工智能系统，可能需要做很多工作。大多数人工智能产品的训练都是在一个数据集和一个模型上进行的。如果你考虑一下它们该如何应用到商业世界就能知道，它们往往是小众产品，而不是一个功能齐全的产品。因此，你必须找到一些有针对性的用例，让后利用相应类型的数据把人工智能训练得有用。因为在许多用例中，你需要利用多个数据集以及工作函数对人工智能进行训练，才能使其变得有用，并达到能够销售的标准。

第二个问题是，部署，尤其是获取客户数据来培训模型（如果你需要的话）可能会减缓销售周期。我看到大多数人工智能公司都在做有偿的试验，这在软件即服务（SaaS）的早期阶段并不多见。但是，客户担心的是如何实现人工智能，以及它的工作效果如何。

第三个问题是，客户不理解许多人工智能系统中的概率特性，以及如何将它们整合到自己的工作流程中。如果使用SaaS系统，当你点击按钮“X”时，100%会执行动作X。对于人工智能，你可能会得到一个估算的结果——比如96%。这是什么意思？有4%的概率会出错吗？如果是这样，你怎么知道什么时候该忽略这台机器呢？更重要的是，因为人工智能承担的通常不是某个人的工作。那么，在你的公司里，谁应该为这个问题负责？

在我看来，考虑到目前的创业生态系统状况，如何大规模销售人工智能仍然是一项挑战。作为一个创业公司来解决这个问题，可能会让你在数据获取和市场感知方面占据优势，即使你刚开始的时候没有大量的数据，也没有有最好的算法。这是一个很好的起点。

我认为这是一个很好的观点。我同意这样一个事实：如果能够想客户销售一款简单的产品，来获得一个初始数据集，对于人工智能创业公司进一步扩大规模来说，绝对是一个关键。我认为，一个较好的方式是在市场中建立一个与数据网络效应并行的平台。从理论上讲，在市场形成的早期拥有一支非常优秀的运营团队，并不能说是一个长期的竞争优势。但它有助于发挥市场的网络效应。相比之下，数据网络效应更是一个人工智能创业公司进入市场的壁垒。但在早期，它的确提供了关键的竞争优势。基于此，我对最初的图表进行了补充：

二、AlphaGo Zero

瓦伦（Varun）是第一批在我之前文章下面写评论的读者之一。以下是他的评论：

你好，路易斯（ Louis），这是一篇精彩的文章，但是你如何看待AlphaGo Zero与强化学习（Reinforcement Learning）之间的关系呢？它从头开始学习，并击败了之前版本的Alpha Go（基于监督学习/从数据中学习）。不好意思，我在这里刺激你，但希望在后续的文章中，强化学习会是一个能够改变游戏规则影响因素，而“数据护城河”和数据网络的影响，也将在不久的将来无法与强化学习驱动系统相匹配。

这是一个很好的点！以下是我的看法：

对于那些不太清楚这个话题的读者来说，可以看一下Deepmind在自然杂志上发表的论文（传送门），介绍了AlphaGo的新版本以及它的算法学习如何玩围棋的。AlphaGo Zero算法的新颖之处在于它使用了强化学习（RL）。这种算法的一个特点是，它可以独立学习，不需要任何初始数据集。在（非常）短的时间内，该算法试图根据计算概率在任意给定的时间内，来找到最佳的移动操作。在经过更少的迭代和使用更少的计算能力之后，AlphaGo Zero的表现胜过了它之前的使用监督学习的版本。随后，一些行业观察人士开始将AlphaGo与“人工智能领域最重要的研究进展”等联系在一起。为什么？

因为这个新版本不需要初始数据集，就能超越那些经过多年数据训练的系统。

Deepmind的论文中，AlphaGo与之前版本的 AlphGo的性能对比

从这个角度来说，我之前提出的方程式：

在人工智能领域成功=数据（*数据）+ML人才+算法

从根本上来说，是错误的。

不过，在我看来，这个说法是不对的。只有当我们处在一种情况下，即所有的可能性都可以被问题的定义所限制，我们才能计算出在任意给定的时间内获胜的概率与可能性。

围棋是这样的一种情况，但在现实世界中，绝大部分情况都并非如此。

以预测销售数据为例。不管销售人员采取什么行动，世界就会发生变化。我们无法在现有的模型中增加给定行为的所有可能结果。或者说给出的可能性是非常片面的，因为还有很多隐藏的变量。

在人工智能领域，AlphaGo Zero是一个惊人的突破，但我仍在想，它该如何应用到工业设备中去。

我所知的强化学习是在奖励机制的基础上，利用历史数据来训练一个ML模型，来了解每个变量对预测影响。但这仍然需要历史数据。

第三、企业是否应该开发非核心业务的人工智能产品？

阿比谢克（Abishek）是一名产品经理，目前就职于专注计算机视觉的创业公司Clarifai，该公司已从USV等领先的风投公司融资4000万美元。

下面是他的一个问题：

ML可以用于许多不同的应用程序，比如推荐引擎、计算机视觉、自然语言处理等等。如果一家公司（非技术/大数据）发现了以上的应用程序，但这并不在它的业务范围内，这家公司是否应该去进一步投入资源，完善这个应用程序，使其算法的准确率达到80%以上，并能够交付到市场上吗？

这是一个非常有趣的问题，但我没有答案。我的想法如下：

如果这是核心业务，那么公司进一步开发并且完善的可能性就很高。我在之前文章中提到的高速公路公司就是一个很好的例子，它试图利用计算机视觉技术来检测卡车的尺寸，然后进行收费。很显然，收款是该公司的核心业务。与一个刚刚进入该领域的创业公司相比，它有很多的初始数据，而且有更多的通用ML API（比如Clarifai）能够使用。对该公司来说，建立一个准确率达到80%以上的算法可能不会太困难。

如果不是核心业务，我认为创业公司更有可能胜出，因为启动这样一个项目的投资回报率可能不会很好。比如，房地产门户网站或社交媒体的照片审核就是一个很好的例子。

此外，我还看到了一个有趣的问题：“公司是该购买一个95%准确率的解决方案，还是自己建立一个准确率达到80%的解决方案？”

对此，我同样给不出具体的结论，我想这很大程度上取决于企业的内部问题的规模。

相关文章：如何让你的 AI 创业公司有竞争力？这有一个“成功方程式”

原文链接：https://machinelearnings.co/part-ii-routes-to-defensibility-for-your-ai-startups-acdb141e38ce

编译组出品。编辑：郝鹏程