本文轉載自公眾號“讀芯術”(ID：AI_Discovery)。

我是一家人工智能初創公司的技術聯合創始人，然而我們并未取得成功。Pharma Foresight著眼于醫藥商業智能領域，下面是我們的電梯廣告：

我們有一個很強大的團隊，并采用精益創業策略進行快速迭代;我們與各種不同的利益相關者進行了接近100次的訪談，以確定早期的產品購買者并驗證了他們對我們產品的需求;僅僅4個月后，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建模型的費用，我們也保留了所有的知識產權。

[[340845]]

然而，盡管遵循了很多初創公司的成功經驗，PharmaForesight還是失敗了。由于時運不濟和判斷失誤，我們最終并沒有成功。

這次失敗讓我更清晰地明確了一個道理：人工智能初創公司與SaaS初創公司采用的策略和方法是有微妙的區別的——但這并沒有得到廣泛認可。這篇文章的目的就是講述我們曾犯的錯誤，避免更多的AI初創公司重蹈覆轍。

首先，什么是人工智能初創公司?

有很多初創公司聲稱他們使用人工智能，但實際上，他們使用的只是外包的人工勞動力或是基本的統計技術。倫敦MMC Ventures的一項研究發現，40%的所謂人工智能初創公司實際上并沒有使用人工智能。

而本文的觀點是，如果沒有相對現代的機器學習技術，人工智能初創公司是不可能存在的。比如，Poly.ai如果沒有深度的學習算法就不可能存在。

這與那些只有部分產品使用了AI的公司形成了鮮明對比。例如，Spotify就在機器學習上投入了大量資金，而且機器學習如今已成為其戰略的核心。但是，Spotify在以一種協調的方式使用機器學習之前就已經存在了。對我來說，它更像是一個SaaS公司。

從這個角度出發，我將向你介紹我在創辦人工智能初創公司中學到的一些經驗。

1. 專有數據是關鍵

[[340846]]

圖源：unsplash

在商業情景中，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，就像20世紀80年代出現的SQL數據庫一樣。SQL創造了價值數十億美元的行業，比如客戶關系管理。同樣，人工智能將創造新的行業，并在大量商業用例中實現改進。

與SQL數據庫一樣，人工智能也依賴于數據。數據遠比算法重要，這一點是公認的。高質量的專有數據對人工智能初創公司來說至關重要。

事后看來，我們的數據策略是錯誤的。最初，我們選擇了更快更容易的方法——在公開的數據上構建工具的第一個版本。清洗和轉換數據為機器學習做好準備，這花費了大量的時間，而當時的我們認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，那么訪問更有趣、更可靠的專有數據集就要容易得多了。

事實證明，這些假設中有許多都是錯誤的。當開始構建模型時，我們找不到任何人來處理這個問題，但當我們完成模型構建時，又出現了許多競爭對手。即使我們的算法更精確，也難以與更成熟的競爭對手區分開來，尤其是似乎大家都使用了相似的數據。

構建模型似乎并沒有讓訪問專有行業的數據集變得更容易(盡管我們當時資金用盡，否則我們無疑可以對此進行更徹底的測試)。對人工智能公司來說，訪問專有數據集絕對是關鍵。

一般來說，有三種獲取專有數據集的方法，而且它們不會相互排斥：

• 通過創建初始產品或服務的方式來收集數據，當用戶與之交互時，該產品或服務會生成數據，這些數據隨后可以用于改進產品或服務。例如Facebook、谷歌、Spotify和其他很多類似的網站都是這樣。
• 通過手動收集一個小型專有數據集的方式來收集數據。這種方式可以用來訓練初始的機器學習模型，此時模型需要表現得足夠好，才能至少滿足一些早期購買者的需求。隨后的合作關系將使數據收集的規模得以擴大，從而可以改進模型等。Hoxton Analytics就是采用這種方法的公司之一。
• 與數據持有者(通常是大公司或公共機構)進行交易。例如，Sensyne Health已經與英國的幾個國民醫療服務聯合體(NHS Trusts)達成了一項交易。

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，說明你并不是一家人工智能初創公司。因為你可以在沒有人工智能的情況下提供服務，所人工智能對于你所能做的事情顯然不是必要的。當然，人工智能可能會極大地改善你的產品或服務，但它必須足夠優秀才能夠收集到大量的用戶數據。
• 如果選擇第二種，還是很有可能創建一個人工智能初創公司的，但是為了能讓成功幾率最大化，初始數據集需要充足的利基市場，或者與現有的解決方案相比，你的方法需要足夠創新。遵循這種方法的風險在于，在發展合作伙伴以收集大量數據之前，你的想法和數據集很容易被競爭對手復制，特別是當你處理一個廣為人知的用例時。

這么看來，創建人工智能初創公司的關鍵途徑就剩下第三種了——與大的數據持有者進行交易，以獲取他們的數據。這就是絕大多數人工智能初創公司都是B2B的原因。

大型機構和公司通常行動遲緩，與他們交易通常需要一定的時間。是否允許另一家公司訪問數據可能存在倫理或商業上的顧慮，這個問題也有待解決。但總的來說，公司會越來越意識到他們所持有數據的價值。

當然，還有一些人工智能初創公司并沒有遵循上述任何一項選擇，而是憑借自身算法的優勢取得了不錯的業績，例如DeepMind(2014年被谷歌以5億美元收購)和MagicPony(2016年被Twitter以1.5億美元收購)。但這條路是很艱難的，在沒有專有數據集的情況下，要保持競爭優勢要困難得多。

2. 為人工智能初創公司籌集資金非常困難

籌集資金是創業過程中最困難的部分之一。這一過程中其實包含很多技巧：講好故事、推銷、商業頭腦、法律等等。為一家人工智能初創公司籌集資金則格外有挑戰性。

[[340847]]

圖源：unsplash

我們原本以為，如果創業的想法和團隊足夠強大，并且有足夠的吸引力，那么我們就能夠籌集到資金。然而，我們大錯特錯了。

創業之初時就考慮可能的資金投入至關重要。不同的資助者有不同的目標和限制，從一開始就認識到這些是很重要的。早期創業的兩大出資人是：

• 技術風險投資(VC)——對早期公司的機構投資者。在創業初期，他們主要關注三個方面——強大的團隊、龐大的市場規模和良好的初始吸引力。

巨大的市場規模至關重要。由于風投通常會將大量資金投入風險極高的企業，他們會預計自己的大部分投資都會破產。所以為了投資成功，他們不僅需要看到超過10倍的回報，還需要看到時間周期在5年之內的回報。這意味著如今風投支持的公司通常是專注于顛覆大型行業的SaaS初創公司。

如果你接受了風投，那么創始團隊通常對公司的控制權較小。大多數風投者堅持持有優先股(如果公司以低于他們投資價值的價格出售，那么你可以收回股權)和擺脫創始團隊的能力(盡管這一點很少踐行)。

• 天使投資者——天使投資者的形式和規模各不相同。有的希望與風投一起投資，有的則希望能提供更穩定的資金。天使投資通常意味著你保留對自己的企業擁有更多控制權。在英國，除非你有良好的人脈，或者之前有過成功的創業經歷，否則很難籌集到超過50萬英鎊的天使投資。大多數天使投資者會在10年左右之內退出。

基于上述的限制，為人工智能初創公司尋找投資格外有挑戰性。

首先，人工智能初創公司比起SaaS初創公司通常需要更長的起步時間。人工智能算法依賴于數據，而大的數據持有者通常是大公司，而通過任何方式獲取獲取大公司持有的數據都是很耗時。即使你可以訪問數據，你不僅需要關注業務開發和軟件平臺(和在SaaS初創公司一樣)，還需要關注人工智能算法。

考慮到你需要更專業的技能，加之更長的起步時間，這意味著通常需要更多的資金來啟動一家人工智能初創公司，這些資金需要是“穩定資本”。對大多數創始人來說，這就排除了長期天使投資的可能性(除非你人脈非常廣)——因為所需的資金數額實在是太大了。

但當你向風投推銷時，就是在與傳統的SaaS公司競爭。如果一切順利的話，這些SaaS公司可能會獲得更快的回報。SaaS是一種很有吸引力的商業模式，它有定期的經常性收入，而且即使用戶不經常使用該服務，他們也會忘記取消訂閱。

在過去的十年里，SaaS商業模式對風投來說是非常成功，很多風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公司。很多人說對我們說：“有了訂閱收入后再來找我們。”

大多數人工智能初創公司會發現，至少在最初幾年，你很難產生訂閱收入，你需要采用一種完全不同的商業模式。你的提議需要更有說服力，才能籌集更多的資金。

3. 根據用例，可解釋性是關鍵

即使你有專有的數據集和出色的產品，也并不一定意味著你的產品會取得成功。如果你正在創辦一家人工智能初創公司，一定要對人工智能和機器學習有一定的了解。然而，一般人并不熟悉這些話題，他們還可能會懷疑自己的潛力。

簡單來說，你需要令人信服的證據來證明你的模型能順利運行。現場演示可能有效。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字。這聽起來可能有悖常理，如果你有數學背景的話會更有體會。

能夠解釋模型的預測將增加人們對模型的信任。根據你的用例，能清楚地解釋你模型的每一種預測通常與精確度同樣重要。可解釋性是一個很寬泛的話題，但總的來說，你的解釋要盡可能得讓人容易理解。

經驗法則是，每個個體的預測越重要，其可解釋性就越重要。

[[340848]]

圖源：unsplash

人工智能是一項令人驚嘆的賦能技術，毫無疑問，它將在未來幾年對我們的生活產生難以置信的影響。但這并不意味著創立一家人工智能初創公司很容易——其實困難遠非如此。

我逐漸了解到創立人工智能初創公司有許多獨有的困難，有許多方面沒有得到充分的重視。在創立了PharmForesight之后，我堅信亨利·福特(Henry Ford)的名言：“真正的錯誤是我們沒能從錯誤中學到經驗。”

前車之鑒后事之師，我們犯過的上述錯誤，希望各位可以引以為戒。