就技術層面而言，人工智能似乎是軟件的未來。人工智能在一系列棘手的計算機科學問題上都展現(xiàn)出驚人的進步，而且軟件開發(fā)人員的工作正在發(fā)生根本上的變化，他們對數(shù)據(jù)上的投入正在變得跟對源代碼的投入一樣多。

許多AI公司（和投資者）都在押注，他們賭的是這種關系將不僅局限在技術上——AI業(yè)務也會類似于傳統(tǒng)軟件公司。根據(jù)我們跟AI公司合作的經(jīng)驗來看，我們還不太確定。

我們堅信AI的力量能夠推動業(yè)務轉(zhuǎn)型：我們用資金投入來支撐這一觀點，而且我們會繼續(xù)對應用型AI公司和AI基礎設施進行大量投資。但是，我們注意到，在很多情況下，人工智能公司的經(jīng)濟結構與軟件業(yè)務相比有著根本的不一樣。有時，它們甚至看起來更像傳統(tǒng)的服務型公司。尤其是，許多AI公司具有以下特征：

1. 由于大量使用云基礎架構和不間斷的人工支持，導致公司毛利率下降；

2. 由于棘手的邊緣案例問題給擴展性帶來挑戰(zhàn)；

3. 由于AI模型的商品化以及數(shù)據(jù)網(wǎng)絡效應帶來的挑戰(zhàn)，護城河的可防御性變?nèi)酢?/p>

有趣的是，在AI公司的財務數(shù)據(jù)里面我們看到了一個出乎意料的一致模式，即這類公司的毛利率通常在50-60％的范圍之內(nèi)——遠低于同比SaaS型業(yè)務60-80％以上的基準。早期階段的私人資本可以在短期內(nèi)掩蓋這些效率低下的情況，特別是在一些投資者更重視推動增長而不是盈利的情況下。但是，尚不清楚任何數(shù)量的長期產(chǎn)品或投放市場（GTM）優(yōu)化能不能徹底解決這個問題。

就像SaaS 跟本地軟件相比是引入了一種新穎的經(jīng)濟模式一樣，我們相信AI正在創(chuàng)造一種在性質(zhì)上全新的業(yè)務。因此，本文將探討AI公司與傳統(tǒng)軟件公司的不同之處，并就如何解決這些差異分享了一些建議。我們的目標不是給出規(guī)范，而是為了幫助運營商和其他人了解AI的經(jīng)濟和戰(zhàn)略前景，從而可以建立更具持續(xù)性的公司。

但是，我們注意到，在很多情況下，人工智能公司的經(jīng)濟結構與軟件業(yè)務相比有著根本的不一樣。有時，它們甚至看起來更像傳統(tǒng)的服務型公司。

軟件（包括SaaS）的魅力在于它制作一次就可以賣很多次。這種性質(zhì)創(chuàng)造出大量引人注目的業(yè)務收益，包括經(jīng)常性收入來源，極高的毛利率（60-80 ％+），以及（相對罕見的情況下，如果出現(xiàn)網(wǎng)絡效應或規(guī)模效應的話）超線性的增長。軟件公司還具有樹立強大的防御性護城河的潛力，因為它們擁有自身所產(chǎn)生的知識產(chǎn)權（通常是代碼）。

另一個極端則是服務業(yè)。每上一個新項目都需要專門的人，而且只能賣一次。其結果是，收入往往是非經(jīng)常性的，毛利率較低（30％至50％），而且規(guī)模增長就是最好結果了。其防御性更具挑戰(zhàn)性——往往要靠品牌或者既有的會計控制——因為客戶不擁有的任何IP都不太可能具有廣泛的適用性。

人工智能公司似乎正在把越來越多的軟件和服務要素結合在一起。

大多數(shù)AI應用看起來感覺都跟普通軟件很像。他們依靠常規(guī)代碼去執(zhí)行諸如跟用戶交互、管理數(shù)據(jù)或與其他系統(tǒng)集成之類的任務。但是，這種應用的核心是一組經(jīng)過訓練的數(shù)據(jù)模型。這些模型解釋圖像、轉(zhuǎn)錄語音、生成自然語言并執(zhí)行其他的復雜任務。維護這些應用有時候感覺更像是服務業(yè)務——需要大量的，針對特定客戶的工作以及輸入成本，其程度已經(jīng)超過了典型的支持和成功函數(shù)。

這種動態(tài)會以多種重要的方式影響AI業(yè)務。在以下各節(jié)里面，我們會探討其中的幾種——毛利率、可擴性以及可防御性。

人工智能公司似乎逐漸把軟件和服務的要素結合到一起，無論是從毛利率、可擴性以及可防御性來看，都可能代表著一種全新的商業(yè)類型。

在本地預置型軟件的舊時代，交付產(chǎn)品意味著刻錄和運輸物理介質(zhì)——無論是在服務器端還是在桌面運行，軟件的成本均由買方承擔。如今，在SaaS 占主導的情況下，這一成本已被推回給供應商。大多數(shù)軟件公司每個月都要支付大筆的AWS或Azure賬單——軟件的要求越高，賬單的數(shù)額就越大。

而事實證明，人工智能的要求相當高：

• 訓練一個AI模型可能要花費數(shù)十萬美元（或更多）的計算資源。盡管將其視為一次性成本很誘人，但重新訓練已被視為一項不斷持續(xù)的成本，因為提供給AI模型的數(shù)據(jù)會隨著時間而變化（這種現(xiàn)象稱為“數(shù)據(jù)漂移”，data drift）。

• 與運行傳統(tǒng)軟件相比，模型推斷（在建模過程中生成預測的過程）在計算上也更加復雜。同時，跟從數(shù)據(jù)庫中讀取數(shù)據(jù)相比，執(zhí)行一連串的矩陣乘法也需要更多的數(shù)學運算。

• 與傳統(tǒng)軟件相比，人工智能應用更有可能對圖像、音頻或視頻等富媒體進行處理。這些類型的數(shù)據(jù)消耗的資源比一般的數(shù)據(jù)更耗存儲資源，處理成本高，并且經(jīng)常會遇到感興趣區(qū)域的問題——可能需要應用來處理大文件才能找到相關的小片段。

• 有AI公司告訴我們，跟傳統(tǒng)方法相比，云計算操作可能更復雜，成本更高，尤其是因為沒有好的工具可以在全球范圍內(nèi)擴充AI模型。其結果是，一些AI公司必須定期跨云去轉(zhuǎn)移訓練好的模型——這一出一入要消耗大量成本才能改善可靠性、延遲和滿足合規(guī)性。

這些東西加到一起往往要占到AI公司在云資源上面的花銷的25％或更多。在極端情況下，處理特別復雜任務的初創(chuàng)企業(yè)會發(fā)現(xiàn)人工處理數(shù)據(jù)反而要比跑訓練過的模型便宜。

采用專用AI處理器可以提供部分幫助，這些AI處理器可以更有效地執(zhí)行計算，而優(yōu)化技術（例如模型壓縮和交叉編譯）可以減少所需的計算量。

但是我們還不清楚這條效率曲線的形狀。在許多問題領域上，處理和數(shù)據(jù)需要指數(shù)性增長才能取得精度的漸進性改善。就像我們之前指出過那樣，這意味著模型復雜性的增長速度驚人，而處理器想要跟上已經(jīng)不大可能。光有摩爾定律已經(jīng)不夠。（舉個例子，自2012年以來，訓練最先進的AI模型所需的計算資源增長了300000倍，而NVIDIA GPU的晶體管數(shù)量僅增長了約4倍?。┓植际接嬎闶墙鉀Q此問題的一個比較吸引人的辦法，但這主要是解決處理速度的問題，解決不了成本問題。

人在回路系統(tǒng)有兩種形式，均會導致許多AI初創(chuàng)企業(yè)的毛利率下降。

首先：訓練當今大多數(shù)最先進的AI模型都涉及到人工清理和標記大型數(shù)據(jù)集。這個過程耗力又耗錢，術語AI得到更廣泛采用的最大障礙之一。另外，如上所述，一旦部署了模型，訓練就不會結束。為了保持準確性，需要不斷去捕捉和標記新的訓練數(shù)據(jù)，并將其反饋到系統(tǒng)里面。盡管諸如漂移檢測和主動學習之類的技術可以減輕負擔，但經(jīng)驗數(shù)據(jù)顯示，許多公司在此過程中的支出（通常還沒把核心工程資源計入）最高可占到收入的10-15％，同時持續(xù)的開發(fā)工作并不僅僅只是典型的錯誤修復和特征添加。

其次：對于許多任務而言，尤其是那些需要更多認知推理的任務而言，往往要把人實時嵌入到AI系統(tǒng)里面。比方說，社交媒體公司雇用了成千上萬的人工審核員來增強其基于AI的審核系統(tǒng)。許多自動駕駛汽車系統(tǒng)都有遠程操作員，大多數(shù)基于AI的醫(yī)療設備都要跟作為聯(lián)合決策者的醫(yī)生進行交互。隨著越來越多的現(xiàn)代AI系統(tǒng)的能力得到理解，越來越多的初創(chuàng)企業(yè)正在采取這種做法。計劃出售純軟件產(chǎn)品的許多AI公司正在慢慢把服務能力引入內(nèi)部，并預定相關成本。

隨著AI模型性能的提高，對人工干預的需求可能會下降。但是，把人從這個回路里面完全剔除不太可能。無人駕駛汽車等許多問題太過復雜，復雜到無法通過當前的AI技術實現(xiàn)完全的自動化。安全、公平以及信任等問題也需要人的監(jiān)督——美國、歐盟和其他地區(qū)當前正在制定的AI法規(guī)里面可能會體現(xiàn)這一事實。

隨著AI模型性能的提高，對人工干預的需求可能會下降。但是，把人從這個回路里面完全剔除不太可能。

即便我們最終實現(xiàn)了某些任務的完全自動化，也還不清楚這樣就可以提高多少的利潤。AI應用的基本功能是處理輸入數(shù)據(jù)流并生成相關的預測。因此，操作這樣的系統(tǒng)的成本是所處理的數(shù)據(jù)量的函數(shù)。一些數(shù)據(jù)點要由人工處理（相對昂貴），而其他的數(shù)據(jù)點則可由AI模型自動處理（希望能更便宜）。但是每以個輸入都需要進行處理，只是處理的方式不同。

那么，到目前為止，我們已經(jīng)討論了兩類成本，也就是云計算和人工支持。減少一類成本往往會導致另一類成本的增加。公式的這兩個要素都可以優(yōu)化，但沒有一個有可能達到SaaS 業(yè)務那種接近零成本的水平。

對于AI公司而言，知道什么時候找到了產(chǎn)品市場匹配要比傳統(tǒng)軟件困難得多。很容易會認為你已經(jīng)找到了——尤其是在拿下了5到10個大客戶之后——但接著你會看到自己的ML團隊開始膨脹，而客戶部署計劃開始惡心地一拖再拖，擠占了發(fā)展新客戶的資源。

在許多情況下，罪魁禍首都是邊界情況（edge case）。許多AI應用都有著開放式的界面，并且可以處理有噪聲的非結構化數(shù)據(jù)（比方說圖像或自然語言）。用戶往往對產(chǎn)品缺乏直覺，或更糟糕的是，假定產(chǎn)品具有人類或超人的能力。這意味著邊界情況無處不在：我們研究過的AI產(chǎn)品預期功能多達40-50％都處在用戶意圖的長尾之中。

換句話說，用戶可以，并且也會輸入幾乎所有的給AI應用。

換句話說，用戶可以，并且也會輸入幾乎所有的給AI應用。

處理這個巨大的狀態(tài)空間往往是一件繁瑣的事情。由于可能的輸入值范圍太大了，以至于每次新的客戶部署都可能生成從未見過的數(shù)據(jù)。哪怕是看似類似的客戶（比方說，兩家汽車制造商都要進行缺陷檢測），就因為簡單如在裝配線上安裝視頻攝像頭這樣的事情，也可能需要大不相同的訓練數(shù)據(jù)。

一位創(chuàng)始人把這種現(xiàn)象稱為AI產(chǎn)品的“時間成本”。她的公司每拿到一個新客戶的時候都要專門用一段時間來進行數(shù)據(jù)收集和模型微調(diào)。這讓他們能夠去看看客戶數(shù)據(jù)的分布情況，同時在部署前排除掉一些極端情況。但這也會帶來成本：公司的團隊和財務資源都被捆綁到一起，除非模型的準確率達到了可接受的水平才能脫手。訓練期的持續(xù)時間一般都是很難確定的，因為更快地產(chǎn)生訓練數(shù)據(jù)的可選手段基本上沒有……不管團隊再怎么努力都不行。

到頭來人工智能初創(chuàng)企業(yè)一般都要花費比預期更多的時間和資源來部署自家的產(chǎn)品。要想提前識別這些需求是很困難的，因為傳統(tǒng)的原型設計工具（比方說模型、原型或Beta測試）往往只能照顧到最常見的路徑，不能涵蓋邊緣情況。跟傳統(tǒng)軟件一樣，部署到最早的客戶群的時候，這個過程特別耗時間，但是跟傳統(tǒng)軟件不同的是，這一過程未必會隨著時間的流逝而消失。

偉大的軟件公司都會挖掘一條又寬又深的護城河。最好的護城河力量非常強大，比方說網(wǎng)絡效應、切換成本高以及規(guī)模經(jīng)濟等。

AI公司也可能具備所有這些因素。不過防御的基礎通常是靠技術優(yōu)越的產(chǎn)品造就的，尤其是企業(yè)型的。成為實現(xiàn)某種復雜軟件的第一人可以帶來重大的品牌優(yōu)勢和一段幾乎算是獨霸市場的時期。

在AI的世界里，技術的差異化是很難實現(xiàn)的。新的模型架構主要是在開放的、學術性的環(huán)境下開發(fā)出來的。任何人都可以從開源庫里面找到參考實現(xiàn)（預訓練的模型），并且模型參數(shù)還可以自動優(yōu)化。數(shù)據(jù)是AI系統(tǒng)的核心，但這通常歸客戶所有，或者放在公共領域，或者隨著時間的流逝而成為商品。隨著市場的成熟，其價值也會逐漸下降，并且網(wǎng)絡效應也相對較弱。在某些情況下，我們甚至發(fā)現(xiàn)跟數(shù)據(jù)饋送AI業(yè)務相關的規(guī)模不經(jīng)濟的情況。隨著模型變得越來越成熟（可參見《數(shù)據(jù)護城河的空洞承諾》一文https:///2019/05/09/data-network-effects-moats/），每一個新的邊緣案例的解決成本都會變得越來越高，同時能夠獲得其價值的客戶數(shù)量也會越來越少。

這并不一定就意味著AI產(chǎn)品的防御性就要比純軟件產(chǎn)品低。但是，對于人工智能公司而言，這條護城河似乎比許多人預期的都要淺。從防御性的角度來看，人工智能在很大程度上可能是通往底層產(chǎn)品和數(shù)據(jù)的通道。

這并不一定就意味著AI產(chǎn)品的防御性就要比純軟件產(chǎn)品低。但是，對于人工智能公司而言，這條護城河似乎比許多人預期的都要淺。

我們認為，人工智能公司要取得長期成功，關鍵是要應對挑戰(zhàn)，并充分利用服務和軟件的優(yōu)勢。秉承這種精神，創(chuàng)始人可以采取以下一些步驟來促進新的或現(xiàn)有的AI應用的蓬勃發(fā)展。

盡可能消除模型的復雜性。我們已經(jīng)看到，不同客戶要訓練不同的模型的初創(chuàng)企業(yè)跟所有客戶都能夠共享同一個模型初創(chuàng)企業(yè)之間在COGS（銷貨成本）方面存在著巨大的差異。“單一模型”策略更易于維護，可更快地推向新客戶，并支持更簡單、更高效的工程組織。這往往還能減少數(shù)據(jù)管道的蔓延以及重復的訓練，從而可以顯著改善云基礎設施的成本。雖然沒有達到理想狀態(tài)的靈丹妙藥，但關鍵之一是要在達成協(xié)議前盡可能多地了解你的客戶及其數(shù)據(jù)。有時候，很顯然，新客戶會給你的ML工程工作帶來巨大負擔。在大多數(shù)情況下，變更會比較微小，僅涉及少數(shù)幾個獨特的模型或只需進行一些微調(diào)。做出這些判斷（權衡長期經(jīng)濟健康與短期的業(yè)務增長）是AI創(chuàng)始人面臨的最重要的工作之一。

要仔細（通常是嚴格）地選擇問題域，以降低數(shù)據(jù)的復雜性。從根本上來說，想讓人工勞動自動化是很困難的一件事。許多公司發(fā)現(xiàn)AI模型的最小可行任務的范圍比他們預期的要狹窄。比方說，有些團隊在為電子郵件或者職位發(fā)布提供短建議中已經(jīng)取得了成功，但提供一般的文字建議就困難得多。僅僅是更新記錄這一條，專攻CRM領域的公司已經(jīng)為AI找到非常有價值的利基市場。類似這樣的一大類問題都屬于對人比較困難，而AI相對容易的類型。這些問題往往牽涉到大規(guī)模、低復雜度的任務，比方說審核、數(shù)據(jù)輸入/編碼、轉(zhuǎn)錄等。專注于這些領域可以最大程度地減少總會遇到邊緣情況的挑戰(zhàn)，換句話說，這可以簡化為AI開發(fā)饋送數(shù)據(jù)的過程。

我們認為，人工智能公司要取得長期成功，關鍵是要應對挑戰(zhàn)，并充分利用服務和軟件的優(yōu)勢。

為高度可變成本做好計劃。作為創(chuàng)始人，你應該為自己的商業(yè)模型提供可靠、直觀的思維框架。本文所討論的成本是有可能改善的——可減少一定幅度——但假設這種成本會完全消失（或強迫其消失）是錯誤的。相反，我們建議在考慮毛利率較低的情況下去建立商業(yè)模式和GTM（市場推廣）戰(zhàn)略。來自創(chuàng)始人的一些好的建議：要深刻理解提供給模型的數(shù)據(jù)的分布情況。要把模型維護和人的失效當作首要問題。要跟蹤和衡量自己的實際可變成本——不要把它們藏在研發(fā)費用里面。財務模型要做出保守的單元經(jīng)濟假設，尤其是在融資期間。不要等到規(guī)模擴大或外部技術進步了才去解決問題。

擁抱服務。AI有巨大的機會來滿足它所在的市場。這可能意味著要提供全棧翻譯服務而不是翻譯軟件，或者提供出租車服務而不是賣自動駕駛汽車。建立混合型業(yè)務比開發(fā)純粹軟件更難，但是這種做法可以提供對客戶需求的深刻洞察，并且產(chǎn)生出發(fā)展迅速，引領市場的公司。做服務也可以成為企業(yè)啟動進入市場引擎的絕佳工具，尤其是在銷售復雜和/或全新的技術時。關鍵是要堅定地追求一種策略，不要想同時支持軟件客戶和服務客戶。

對技術棧的變更要未雨綢繆。現(xiàn)代的AI仍處在起步階段?？蓭椭鷱臉I(yè)人員用高效和標準化的方式完成工作的工具還正在搭建中。在接下來的幾年當中，我們希望看到可以讓模型訓練自動化、可以提高推理效率可以對開發(fā)人員的工作流標準化以及監(jiān)視和保護生產(chǎn)環(huán)境的AI模型的工具得到廣泛使用。一般來說，云計算作為軟件公司要解決的成本問題也越來越受到關注。如果應用跟當前的工作方式是緊耦合的話，可能會在將來導致自己做體系結構方面處于劣勢。

用老派的辦法來強化防御力。雖然還不清楚AI模型本身或基礎數(shù)據(jù)是否能提供長期的保護，但好的產(chǎn)品和專有數(shù)據(jù)幾乎總能做出好的生意。人工智能為創(chuàng)始人提供了解決舊問題的新視角。比方說，就憑借著表現(xiàn)出更好的性能，人工智能技術在相對冷清的惡意軟件檢測市場里面已經(jīng)產(chǎn)生出新的價值。在最初的獨特產(chǎn)品功能之上構建出帶粘性的產(chǎn)品和可持久業(yè)務的機會永遠都存在。有趣的是，我們還發(fā)現(xiàn)有幾家AI公司通過有效的云戰(zhàn)略鞏固了自己的市場地位，這有點類似于最新一代的開源公司。

總結一下：從傳統(tǒng)意義上講，當今大部分的AI系統(tǒng)都完全屬于軟件。其結果是，人工智能業(yè)務看起來并不完全像軟件業(yè)務。這門生意牽涉到不斷的人力支持以及顯著的可變成本。其可擴性一般沒有我們希望的那么簡單可以實現(xiàn)。而（對于“開發(fā)一次賣多次”的軟件模式至關重要的）強大的防御能力似乎不是免費就能取得的。

這些特征令AI在某種程度上感覺像服務業(yè)。換句話說，服務公司你可以換，但不能（完全）取代服務。

信不信由你，但這可能也是個好消息。類似可變成本、擴充性以及防御性的護城河之類的東西最終都是要靠市場而不是單個公司決定的。我們在數(shù)據(jù)里面看到不熟悉的模式這一事實表明，AI公司確實是新事物——這意味著進入新市場并創(chuàng)造大量機會。已經(jīng)有許多偉大的AI公司成功地在迷宮般的想法里面穿行，并開發(fā)出出性能始終如一的產(chǎn)品。

信不信由你，但這可能也是個好消息。類似可變成本、擴充性以及防御性的護城河之類的東西最終都是要靠市場而不是單個公司決定的。我們在數(shù)據(jù)里面看到不熟悉的模式這一事實表明，AI公司確實是新事物

人工智能仍處在從研究主題到生產(chǎn)技術過渡的早期階段。大家很容易就會忘記，無疑是推動一波AI軟件開發(fā)浪潮的先驅(qū)的AlexNet，誕生僅有8年。智能應用正在推動軟件行業(yè)向前發(fā)展，它的下一步會如何發(fā)展呢？我們對此感到興奮。

譯者：boxi。