编者按：ZettaVentureFund合伙人IvyNguyen近日在外媒TechCrunch发表文章，阐述如何用正确的尺度衡量AI初创公司。根据原文翻译整理如下：人工智能公司往往更像是服务或咨询公司，两者都需要根据客户的具体需求量身定制解决方案，但从投资的角度来看，其实是有很大区别的.服务收入一直是风险投资增长的对立面，因为它产生的利润率较低，并且缺乏可重复性和可扩展性。随着公司的服务业务吸引更多客户，公司需要相应地扩大员工人数以支持它，导致利润率持续走低。大数据分析独角兽Palantir是一家陷入服务需求的公司。与服务提供商不同，人工智能企业有潜力实现大规模目标和更高的投资回报率。如何判断一家人工智能公司是否值得投资，以下是一些参考指标：人为干预比例随着人工智能在商业中的应用，应该取代大量的人工工作，只有当人工智能是低于预定的准确率或置信度阈值，需要人工干预。这使企业能够以有限的员工数量为越来越多的客户提供服务。Lilt为企业提供机器翻译，这是一种翻译AI，可以自动将文本从一种语言翻译成另一种语言，并由翻译专家纠正错误。随着翻译AI的改进，人工翻译的更正百分比必须继续降低。更一般地说，人工干预与自动化任务的比例应该会下降。ROI曲线选择合适的AI应用以获得长期收益是关键。通常，提高客户能力的应用程序面临有限的改进机会，而提高客户收入的应用程序对增长机会没有限制。例如，一旦人工智能将生产线的运行效率提高到受原材料化学反应所需时间限制的程度，人工智能就无法再为该特定应用提供更大的价值。但帮助客户寻找新的收入机会是不同的。比如Constructor.io，它提供基于人工智能的网站搜索服务，帮助Jet.com等客户增加购物车购买转化，不会有天花板。人工智能公司应该密切跟踪每个客户的累积投资回报率，以确保曲线随着时间的推移而增加，而不是变平或逐渐变小。升级成本部署AI产品是一个复杂的过程，AI需要数据进行训练，因此AI产品提供价值的时间可能比SaaS产品要长。许多行业最近才开始数字化，有价值的数据可能采用难以提取的格式，例如手写笔记、非结构化观察日志或PDF。为了捕获这些数据，公司在部署人工智能系统之前可能不得不在低利润的数据准备服务上花费大量人力。数据的结构方式也因客户而异，需要AI工程师花费额外的时间对数据进行规范化或将其转换为标准化模式，以便可以应用AI模型。与典型的SaaS产品发布相比，AI产品升级成本更高，并且对客户获取成本(CAC)产生的利润率产生同样大的影响。公司应仔细跟踪这些升级的时间以及每个新客户的成本。如果存在真正的数据网络效应，这些数字会随着时间的推移而减少。数据护城河与争夺新功能的SaaS企业不同，人工智能初创公司有机会建立长期壁垒。可扩展的AI初创公司将开始一个良性循环，产品性能越好，客户贡献和生成的数据就会越多，从而提高产品性能。这种强化循环构建了以前在SaaS业务中不可用的复合障碍。仅仅拥有大量数据过于简单化，您需要问自己这些关于数据的问题，以根据以下方面判断数据障碍：可访问性：获取起来有多容易？时间：数据在模型中积累和使用的速度有多快Fast？成本：获取和标记这些数据的成本是多少？唯一性：类似的数据是否可以为其他人建模并得到相同的结果？维度：数据集中描述了多少不同的属性？它们有多大，以便它们可以解释边缘情况和罕见的例外情况？时效性：从长远来看，数据是否有用？人工智能模型在使用更多数据时表现更好，但性能可能会随着时间的推移而趋于平稳。公司应注意跟踪需要何时以及需要多少数据才能为客户提供增量价值，以确保数据护城河继续增长。简而言之，模仿者需要多少时间和多少数据才能达到你的表现水平？
