投资公司a16z上个月发表了一篇分析AI创业公司困境的文章。如果你关注AI创业领域，这篇文章一定要看，也可以先看看我的评测。本文从商业模式的角度出发，将AI创业公司与传统软件公司进行比较。你会发现值得思考的问题太多了。我称之为“AI创业公司的死亡之地”。云服务的成本人工智能创业公司热衷于使用云服务。云服务确实可以帮助人工智能创业公司快速完成机器学习模型的构建和部署，并且借助其弹性，人工智能创业公司可以应对突如其来的流量压力。但这个看似甜蜜的解决方案背后，却隐藏着许多“套路”。一方面，整个机器学习模型训练需要的计算、存储、网络资源都非常高，这也是一笔巨大的成本。英国《金融时报》此前的一篇报道称，初创公司在云上的支出为AWS和微软贡献了巨额收入。另一方面，云服务的隐性成本还包括机器学习模型在云服务商不同地区的迁移，以及不同云服务商之间的迁移。更重要的是，困扰整个AI发展的算力问题，短期内只能靠钱来解决。摩尔定律已过期，OpenAI指出的巨大算力需求和Nvidia单个GPU的实际算力将得到提升。形成鲜明对比。有人可能会说分布式计算就是为了解决这个问题而出现的，但正如a16z分析师所说，这个解决方案解决的是速度，而不是成本。初创公司对分布式计算的痴迷无异于“财务自杀”。人类的地位和成本如果你听过“没有数据，就没有智能”，你需要记住另外一句话：“没有大量人工标注的数据，就没有足够的智能。”这涉及整个产业链的人力成本。前些年，媒体热衷于报道哪家公司年薪百万招机器学习博士，却很少听到哪家AI公司花钱获取人工标注数据。公司收入的10%-15%。另一个证据是，在号称“AI第一股”的旷视科技的招股书中，“数据标注”人员占公司总员工数的17%。这也可以解释为什么数据标注会成为一个巨大的产业。利用中国的天然劳动力优势，数据标注行业[4]的发展势头也十分猛烈。如果说数据标注只是外包的人工成本，那么AI创业公司还需要另一层人工成本。当AI产品渗透到各行各业时，创业公司面临的是一个需要定制化的巨大市场。也就是说，这需要大量的人力来维持和发展。这与传统的软件公司不同。在传统的软件公司，软件的一个功能可以适应足够多的企业和行业。但在AI领域，不同数据源带来的连锁反应有多大？a16z分析师举个例子，两家汽车厂商的车辆缺陷检测看似相同，但不同的数据源决定了整个模型的训练和部署会有巨大的差异。人工智能即服务是最后的手段。“AIasaservice”与其说是AI创业公司的营销词汇，不如说是一种无奈的选择。当云服务的成本无法通过规模化降低，当人工成本在数据标注和行业扩张中不断攀升，中间偏高，留给AI创业公司的选择真的不多了。a16z分析师最后的结论指出，目前很多AI创业公司更像是服务公司，而不是软件公司。“你可以取代一些服务公司，但你不能取代服务。”对于提倡“软件吞噬世界”的a16z来说，这一推论也向世人表明了他对AI创业的看法。当人工智能创业公司被视为服务时，人工智能创业公司的估值和成长空间已经有限，至少在硅谷，软件/科技公司的估值是其收入的10-20倍，而服务公司的估值是其收入的2倍。这也引出了另一个问题：是否即将迎来又一个“AI寒冬”？在我看来，这个时期更像是“秋天”。无论是资本市场还是国内外巨头企业，都越来越理性地从批判的角度看待人工智能技术和产品，同时也在评估其对未来行业发展的影响。所有这些都强调了一个事实，即AI初创公司的繁荣已经结束。原标题：三个死胡同，AI创业之门正在关闭
