硅谷顶级VC发声：AI技术公司毛利实在太低，人工和算力成本太高

赖可 编译
量子位 报道 | 公众号 QbitAI

AI技术落地会遇到什么困难？毛利率低，难有通用解决方案，又难以形成技术壁垒。

硅谷顶级VC公司的文章中，把这些挑战挨个分析了一遍。并根据现有经验，提供了一些建议。

这篇文章出自A16Z，曾凭借对Instagram、Twitter和Skype等公司的投资，跻身硅谷顶级VC公司。2019年，它宣布转型为投资顾问公司，并将人工智能领域作为其持续关注的五个方向之一。

这篇文章看来，AI本质上是一种新的业务类型。下面是量子位为你编译的主要内容：

新的业务类型：软件+服务=AI ?

因为坚信AI能够推动业务转型，A16Z将持续对AI应用公司和AI基础设施进行大量投资。但是，在很多情况下，AI公司的经济结构与软件业务根本不一样。甚至看起来更像传统服务公司。

AI行业有点像传统软件行业和服务行业的结合。AI应用既像普通软件，可以多次出售，但是每次都需要大量的专业人员提供服务。因此，AI本质上创造了一种新的业务类型。

挑战一：算力和人工成本难降低

在AI公司的财务数据中，A16Z注意到一个出乎意料的一致模式： 毛利率通常在50-60％的。远远低于SaaS业务60-80％以上的毛利率。

早期的私人资本可以在短期内掩盖这些效率低下的情况。但是，长期产品或投放市场优化是否能够完全解决问题？这一点尚不清楚。

总体而言，AI公司毛利率低有两个方面的原因：

1、基础设施带来巨大成本

AI公司经常在云资源上花费的收入的25％或更多。

训练一个AI模型就可能需要数十万美元甚至更多的计算资源。而且由于馈送AI模型的数据会随着时间变化（即数据漂移），重新训练还会带来持续成本。

模型推断在计算上也更加复杂。AI经常涉及图像、音频或视频等数据，需要更高的存储资源和处理成本。

对一些公司来说，AI模型必须在区域云之间进行转移，云计算操作就更复杂，成本更高。

在许多领域中，需要成倍增长的处理和数据，来保证准确性提高。因此，模型的复杂性快速增长，处理器不太可能跟上。分布式计算能解决速度问题，但无法解决成本问题。

2、为了实现高精确度，循环流程中离不开人工

训练大多数先进的AI模型需要手动清理和标记大型数据集。这个过程耗费人力，而且昂贵，也成为了广泛采用AI的最大障碍之一。

模型部署之后，为了保持准确性，需要不断捕获、标记新的训练数据，并将其反馈到系统中。许多公司在此过程中的支出高达收入的10-15％。

对于需要更多认知推理的任务，人工需要实时嵌入AI系统。

例如，社交媒体公司雇用上千名人工审核员来增强基于AI的审核系统。许多自动驾驶汽车系统都有远程操作员，大多数AI医疗设备都与作为联合决策者的医生进行交互。

随着AI模型性能的提高，对人工干预的需求可能会下降，但不可能完全消除。

因为人工的不可缺乏，计划出售纯软件产品的许多AI公司，开始将内部服务功能引入并成本预算。

挑战二：难有通用的解决方案

对于AI公司而言，知道何时找到适合市场的产品比传统软件行业更困难。初创公司也通常会花费比预期更多的时间和资源来部署产品。

客户可能把任何内容输入AI模型，因此，在部署每个新客户的时候，都可能需要全新的数据。

即使是外观相似的客户——例如，两家汽车制造商都在进行缺陷检测——也可能需要实质上不同的培训数据。

一位创始人将这称为AI产品的 “时间成本”。她的公司在每个新的客户参与开始时都会进行专门的数据收集和模型微调。公司查看客户数据的分布，消除部署前的一些极端情况。

这同时就带来了新的人力和财务成本：公司的团队和财务资源被捆绑在一起，直到模型准确性可接受。

培训期的时间通常也是未知的。因为，无论如何努力，经常没有什么选择能更快地生成培训数据。

不仅部署产品的过程耗时，它不一定会随时间推移而消失。

提前识别需求很困难，这是由于AI模型需要考虑边缘情况，而传统的原型设计工具（例如模型，原型或Beta测试）往往只覆盖最常见的路径。

挑战三：技术差异化难实现

优越的技术能够给公司带来差异化竞争优势。但这对AI公司更难实现。

新模型架构主要在开放的学术环境中开发，可以从开源库中获得预训练模型，自动优化模型参数。数据是AI系统的核心，却在客户手里，或者在公共领域，或随着时间推移而成为商品。

随着市场的成熟，数据的价值逐渐下降，网络效应也相对较弱。随着模型变得成熟 ，每个新边缘案例的解决成本都越来越高，提供的价值反而越来越少。

这并不一定意味着AI产品的防御性要比纯软件产品低。但是，对AI公司而言，竞争优势似乎比许多人预期的要少。

给AI公司创始人的建议

AI人工智能公司要取得长期成功，需要充分利用服务和软件的优势。A16Z给出了以下建议：

消除模型复杂性

A16Z注意到，每位客户训练一个唯一模型的初创公司，和在所有客户之间共享统一模型的初创公司之间，销货成本存在巨大差异。

“单一模型”策略更易于维护，更快地推向新客户；并且能支持更简单，更高效的工程组织。

一个关键是，在达成交易前，尽可能多地了解客户和客户的数据。有时候，新客户会为ML工程带来巨大负担，在大多数情况下，仅涉及少数几个独特的模型或微调。

权衡长期经济健康与近期增长是AI创始人面临的最重要工作之一。

挑选狭窄领域的问题，降低数据复杂性

人工劳动自动化很困难。CRM领域的AI公司已经发现，基于更新记录，可以为AI找到有价值的领域。

涉及大规模，低复杂度的任务。例如审核，数据输入/编码，转录等问题，人类很难执行，而AI则相对容易。

专注于这些领域，可以简化开发过程的数据馈送。

计划高可变成本

作为创始人，应该为业务模型提供可靠、直观的思维框架。A16Z建议，在考虑较低毛利率的情况下，建立业务模型和GTM战略。

有一些来自创始人的建议：深刻理解模型数据的分布；将模型维护和人员故障转移视为首要问题；跟踪并衡量实际可变成本，不要让它们隐藏在研发中；在财务模型中做保守的单位经济假设，尤其是在筹款期间；不要等待规模扩大或外部技术进步来解决问题。

计划技术堆栈中的改变

将应用程序紧密耦合到当前的工作方式，可能会在将来导致体系结构上的劣势。

现代AI仍处于起步阶段。在接下来的几年中，可能会有工具的广泛使用，以使模型训练自动化，提高推理效率，标准化开发人员工作流，以及监视和保护生产的AI模型。云计算作为成本问题，也越来越受到关注。

拥抱服务

这可能意味着要提供全栈翻译服务而不是翻译软件，提供出租车服务而不是出售自动驾驶汽车。

建立混合业务比纯软件更难，但是这种方法可以提供对客户需求的深刻洞察，并产生定义市场的公司。服务也可以成为启动公司进入市场的引擎，特别是在销售复杂和/或全新技术时。

关键是要以一种坚定的方式追求一种策略，而不是同时支持软件和服务客户。

用老的方式建立防御力，巩固市场地位

虽然尚不清楚AI模型本身或基础数据是否能提供防御力，但 好的产品和 专有数据几乎总能建立良好的业务。

AI为创始人提供了解决旧问题的新视角。例如，AI技术通过更好的性能，在相对倦怠的恶意软件检测市场中产生了新的价值。

在最初的独特产品功能上，构建粘性产品和持久业务的机会是永恒的。

A16Z还发现有几家AI公司通过有效的云战略来巩固其市场地位，这与最新一代的开源公司类似。

总结：AI不同于传统软件服务

当今AI业务并不完全像软件业务。它们涉及持续的人力支持和重大可变成本。它通常没有人们想象那么容易扩展。

强大的优势并非随着掌握技术就能自然实现，这对于“一次制造/多次出售”软件模型至关重要。

在某种程度上，这些特征使AI像服务业。换句话说，可以更换服务公司，但不能完全更换服务。

而 可变成本， 规模动态和 防御能力，最终将由市场，而非单个公司决定。现在看到的公司数据呈现出不熟悉的模式，这一事实表明，AI公司是真正的新事物。

原文链接：

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

— 完 —

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