硅谷頂級VC發聲：AI技術公司毛利實在太低，人工和算力成本太高

賴可 編譯
量子位 報道 | 公眾號 QbitAI

AI技術落地會遇到什么困難？毛利率低，難有通用解決方案，又難以形成技術壁壘。

硅谷頂級VC公司的文章中，把這些挑戰挨個分析了一遍。并根據現有經驗，提供了一些建議。

這篇文章出自A16Z，曾憑借對Instagram、Twitter和Skype等公司的投資，躋身硅谷頂級VC公司。2019年，它宣布轉型為投資顧問公司，并將人工智能領域作為其持續關注的五個方向之一。

這篇文章看來，AI本質上是一種新的業務類型。下面是量子位為你編譯的主要內容：

新的業務類型：軟件+服務=AI ?

因為堅信AI能夠推動業務轉型，A16Z將持續對AI應用公司和AI基礎設施進行大量投資。但是，在很多情況下，AI公司的經濟結構與軟件業務根本不一樣。甚至看起來更像傳統服務公司。

AI行業有點像傳統軟件行業和服務行業的結合。AI應用既像普通軟件，可以多次出售，但是每次都需要大量的專業人員提供服務。因此，AI本質上創造了一種新的業務類型。

挑戰一：算力和人工成本難降低

在AI公司的財務數據中，A16Z注意到一個出乎意料的一致模式： 毛利率通常在50-60％的。遠遠低于SaaS業務60-80％以上的毛利率。

早期的私人資本可以在短期內掩蓋這些效率低下的情況。但是，長期產品或投放市場優化是否能夠完全解決問題？這一點尚不清楚。

總體而言，AI公司毛利率低有兩個方面的原因：

1、基礎設施帶來巨大成本

AI公司經常在云資源上花費的收入的25％或更多。

訓練一個AI模型就可能需要數十萬美元甚至更多的計算資源。而且由于饋送AI模型的數據會隨著時間變化（即數據漂移），重新訓練還會帶來持續成本。

模型推斷在計算上也更加復雜。AI經常涉及圖像、音頻或視頻等數據，需要更高的存儲資源和處理成本。

對一些公司來說，AI模型必須在區域云之間進行轉移，云計算操作就更復雜，成本更高。

在許多領域中，需要成倍增長的處理和數據，來保證準確性提高。因此，模型的復雜性快速增長，處理器不太可能跟上。分布式計算能解決速度問題，但無法解決成本問題。

2、為了實現高精確度，循環流程中離不開人工

訓練大多數先進的AI模型需要手動清理和標記大型數據集。這個過程耗費人力，而且昂貴，也成為了廣泛采用AI的最大障礙之一。

模型部署之后，為了保持準確性，需要不斷捕獲、標記新的訓練數據，并將其反饋到系統中。許多公司在此過程中的支出高達收入的10-15％。

對于需要更多認知推理的任務，人工需要實時嵌入AI系統。

例如，社交媒體公司雇用上千名人工審核員來增強基于AI的審核系統。許多自動駕駛汽車系統都有遠程操作員，大多數AI醫療設備都與作為聯合決策者的醫生進行交互。

隨著AI模型性能的提高，對人工干預的需求可能會下降，但不可能完全消除。

因為人工的不可缺乏，計劃出售純軟件產品的許多AI公司，開始將內部服務功能引入并成本預算。

挑戰二：難有通用的解決方案

對于AI公司而言，知道何時找到適合市場的產品比傳統軟件行業更困難。初創公司也通常會花費比預期更多的時間和資源來部署產品。

客戶可能把任何內容輸入AI模型，因此，在部署每個新客戶的時候，都可能需要全新的數據。

即使是外觀相似的客戶——例如，兩家汽車制造商都在進行缺陷檢測——也可能需要實質上不同的培訓數據。

一位創始人將這稱為AI產品的 “時間成本”。她的公司在每個新的客戶參與開始時都會進行專門的數據收集和模型微調。公司查看客戶數據的分布，消除部署前的一些極端情況。

這同時就帶來了新的人力和財務成本：公司的團隊和財務資源被捆綁在一起，直到模型準確性可接受。

培訓期的時間通常也是未知的。因為，無論如何努力，經常沒有什么選擇能更快地生成培訓數據。

不僅部署產品的過程耗時，它不一定會隨時間推移而消失。

提前識別需求很困難，這是由于AI模型需要考慮邊緣情況，而傳統的原型設計工具（例如模型，原型或Beta測試）往往只覆蓋最常見的路徑。

挑戰三：技術差異化難實現

優越的技術能夠給公司帶來差異化競爭優勢。但這對AI公司更難實現。

新模型架構主要在開放的學術環境中開發，可以從開源庫中獲得預訓練模型，自動優化模型參數。數據是AI系統的核心，卻在客戶手里，或者在公共領域，或隨著時間推移而成為商品。

隨著市場的成熟，數據的價值逐漸下降，網絡效應也相對較弱。隨著模型變得成熟 ，每個新邊緣案例的解決成本都越來越高，提供的價值反而越來越少。

這并不一定意味著AI產品的防御性要比純軟件產品低。但是，對AI公司而言，競爭優勢似乎比許多人預期的要少。

給AI公司創始人的建議

AI人工智能公司要取得長期成功，需要充分利用服務和軟件的優勢。A16Z給出了以下建議：

消除模型復雜性

A16Z注意到，每位客戶訓練一個唯一模型的初創公司，和在所有客戶之間共享統一模型的初創公司之間，銷貨成本存在巨大差異。

“單一模型”策略更易于維護，更快地推向新客戶；并且能支持更簡單，更高效的工程組織。

一個關鍵是，在達成交易前，盡可能多地了解客戶和客戶的數據。有時候，新客戶會為ML工程帶來巨大負擔，在大多數情況下，僅涉及少數幾個獨特的模型或微調。

權衡長期經濟健康與近期增長是AI創始人面臨的最重要工作之一。

挑選狹窄領域的問題，降低數據復雜性

人工勞動自動化很困難。CRM領域的AI公司已經發現，基于更新記錄，可以為AI找到有價值的領域。

涉及大規模，低復雜度的任務。例如審核，數據輸入/編碼，轉錄等問題，人類很難執行，而AI則相對容易。

專注于這些領域，可以簡化開發過程的數據饋送。

計劃高可變成本

作為創始人，應該為業務模型提供可靠、直觀的思維框架。A16Z建議，在考慮較低毛利率的情況下，建立業務模型和GTM戰略。

有一些來自創始人的建議：深刻理解模型數據的分布；將模型維護和人員故障轉移視為首要問題；跟蹤并衡量實際可變成本，不要讓它們隱藏在研發中；在財務模型中做保守的單位經濟假設，尤其是在籌款期間；不要等待規模擴大或外部技術進步來解決問題。

計劃技術堆棧中的改變

將應用程序緊密耦合到當前的工作方式，可能會在將來導致體系結構上的劣勢。

現代AI仍處于起步階段。在接下來的幾年中，可能會有工具的廣泛使用，以使模型訓練自動化，提高推理效率，標準化開發人員工作流，以及監視和保護生產的AI模型。云計算作為成本問題，也越來越受到關注。

擁抱服務

這可能意味著要提供全棧翻譯服務而不是翻譯軟件，提供出租車服務而不是出售自動駕駛汽車。

建立混合業務比純軟件更難，但是這種方法可以提供對客戶需求的深刻洞察，并產生定義市場的公司。服務也可以成為啟動公司進入市場的引擎，特別是在銷售復雜和/或全新技術時。

關鍵是要以一種堅定的方式追求一種策略，而不是同時支持軟件和服務客戶。

用老的方式建立防御力，鞏固市場地位

雖然尚不清楚AI模型本身或基礎數據是否能提供防御力，但 好的產品和 專有數據幾乎總能建立良好的業務。

AI為創始人提供了解決舊問題的新視角。例如，AI技術通過更好的性能，在相對倦怠的惡意軟件檢測市場中產生了新的價值。

在最初的獨特產品功能上，構建粘性產品和持久業務的機會是永恒的。

A16Z還發現有幾家AI公司通過有效的云戰略來鞏固其市場地位，這與最新一代的開源公司類似。

總結：AI不同于傳統軟件服務

當今AI業務并不完全像軟件業務。它們涉及持續的人力支持和重大可變成本。它通常沒有人們想象那么容易擴展。

強大的優勢并非隨著掌握技術就能自然實現，這對于“一次制造/多次出售”軟件模型至關重要。

在某種程度上，這些特征使AI像服務業。換句話說，可以更換服務公司，但不能完全更換服務。

而 可變成本， 規模動態和 防御能力，最終將由市場，而非單個公司決定。現在看到的公司數據呈現出不熟悉的模式，這一事實表明，AI公司是真正的新事物。

原文鏈接：

https://a16z.com/2020/02/16/the-new-business-of-ai-and-how-its-different-from-traditional-software/

— 完 —

https://www.toutiao.com/i6802425187846324748/