对话 FirstMark 合伙人：我为什么要投资 AI 创业公司？

编者按：Matt Turck是FirstMark的一名投资者，机器学习创业公司正在改变我们的工作方式，他从近距离见证了这一点。最近，Journal联合创始人Sam DeBrule与Matt Turck交流看法，二人讨论了一些与机器学习创业公司有关的话题。

背景

Sam：能介绍一下你自己吗？有些人可能不了解，麻烦你稍微介绍一下自己的工作？

Matt：好的。我是纽约FirstMark的合伙人。只用了短短几年时间，我们就成为纽约面向早期阶段的最大的VC公司，管理16亿美元资产，当中包括去年融入的5亿美元。

从投资角度看，我对许多东西感兴趣，不过大多时候我特别关注两个领域。

第一个是“数据世界”，从宽泛的层面定义正是这样的。当中包括大数据、机器学习、AI公司，还有一些创业公司，对于它们来说数据就是“秘密调料”，是核心竞争力，我们通过一些企业向该领域投资，比如ActionIQ、Dataiku、x.ai、Sense360、HyperScience。我还写了很多博文谈论这些主题，同时还运营Data Driven NYC，这是一个很大的社区，有14000名大数据、AI专家。

第二个重点关注的领域是前沿技术。所谓前沿技术包括新兴计算平台、AR/VR、物联网，以及其它你能想到的流行词。同样的，我也向这个领域投资，写博文介绍它，运营一个很大的社区，名叫Hardwired NYC，里面有5000多人，大家一起探索前沿技术。

人们炒作AI，但它是真实的机会

Sam：很酷。什么时候机器学习创业公司进入你的视线，成为投资机会呢？

Matt：当我进入科技行业工作时，基本上只关注数据和分析。不久之前，我还是搜索软件创业公司的联合创始人、企业家，我们关注贝叶斯算法的应用，贝叶斯是一种机器学习技术，我们用它查找、检索问题。

所以说，多年来我一直关注机器学习，直到最近一段时间兴趣才渐渐深厚起来。大数据流行，基础设施完善，我们可以捕捉并处理大量数据，成本更合理，速度更快。最终这些因素导致机器学习技术飞速进步，在一些领域尤其明显，比如需要大量数据才能执行的项目，类似于神经网络。

成为这个领域的企业家、投资者，现在恰逢其时，我们有一种感觉，似乎几十年的努力突然有了回报，孕育了许多的可能性。人们对AI不断吹捧，不断炒作，但它是真实的，并非虚无。

言论相比技术现实有所夸大

Sam：让们讨论一个有争议的问题。今天有许多大企业正在开发AI，看看这些企业，就兑现承诺而言，哪家的表现最糟糕？

Matt：就我从市场上听到的消息来看，可能是IBM。

为什么？主要是因为IBM极力宣传，野心很大，这样导致自己陷入一个尴尬的境地：承诺太多，同时进入的垂直领域太多。

没错，只要你愿意投入几个月时间并投入许多金钱，训练系统，你的确可以用IBM沃森做许多有趣的事，但是现实再清楚不过，IBM在宣传中所说的东西有点夸大，事实上沃森没有那么强大。

IBM是一家大公司，所有大公司似乎都背负一个诅咒：因为公司很庞大，如果想让业务的规模扩大哪怕一点点，新业务必须以非常快的速度壮大起来，这样一来就会给牵涉的每一个人施加很大压力。

IBM在每一个垂直领域争夺交易，据我所知，他们失去了许多交易，因为小企业更专注、更敏捷，IBM输给了他们。

不过它可是IBM，我们现在还不能将它排除出去。

获得机器学习人才有点难

Sam：Salesforce会不会走上同样的道路？

Matt：我可不这样认为。去年，Salesforce CEO Marc Benioff介绍了爱因斯坦AI系统，他的言论让企业内部的人吓了一跳，当然部分是因为他的个性。

对接创业公司生态系统、收购企业可以带来很大的变化，部分是因为你可以获得更棒的机器学习人才，就现阶段而言，获得人才是一个关键要素。

Salesforce与创业生态系统的联系更紧密，这点很重要。

它组建了Salesforce Ventures，通过这个分支机构不断投资，Marc Benioff还以个人名义向许多不同的创业公司投资，这些创业公司都在研究机器学习。

接入专有数据库是一个挑战

Sam：执行AI需要大量的数据，正因如此，创业公司相比大企业处在劣势位置。有没有数据工程师正在寻找办法用更少的数据优化模型？

Matt：就这点来说创业公司的确处在不利位置，但它们最终会获得相当多的资源，以前是这样，未来也是这样。

就技术角度来说，行业内许多顶尖人物（不只是创业公司）都在尝试用更少的数据开发更棒的神经网络。在可以预见的未来，这个目标就是“圣杯”。我认识几家公司，他们取得一些突破，在迁移学习方面研究出一些有趣的技术。不得不说，这是一个很难的问题，解决要花点时间。

与此同时，创业公司还在寻找办法进入更大的数据库。例如，医疗成像领域的AI公司需要庞大的数据。据我所知，有几家企业与一家大医院合作，拿到一些专有数据，与放射图像有关。我还看到一些企业也在做同样的事，只是它们所处的领域不同，比如碰撞保险、工业机械、农业等领域。

德国有一家创业公司名叫TwentyBn，它建了一个众包数据库，里面有几百甚至几千段视频，人在摄像头前演示特定手势和动作，计算机系统处理之后就可以学习并识别动作。从本质上讲，TwentyBn搭建了自己的数据库。

曾几何时，获得大量数据似乎是一个不可逾越的障碍，不过创业公司正在寻找各种办法克服困难。

顺便说一句，挑战很多，获得数据只是其中的一个，有了数据你还要贴上标签，让深度学习可以处理。给数据贴标签时，创业公司也有许多的资源可以用。

我接触过几家创业公司，它组建“小团队”，里面的人来自世界各地，他们给数据贴标签，工作方式与亚马逊“Mechanical Turk”差不多。还有一些企业招募深度学习专家，让他们给特定数据类型贴标签，比如让外科医生团队给复杂的医疗图像数据贴标签。

网络数据效应浮现

Sam：通过Netflix、Spotify、Facebook这样的产品，许多人感受到“数据网络效应”带来的好处。创业公司如何才能打造强大的下一代“数据网络”呢？

Matt：不久之前，我曾在博文中讨论过“数据网络效应”，这个主题很有趣。

从理论上讲，任何机器学习公司都可以从多个用户手中提取足够多的数据，让算法在数据集中运行，然后将数据发回去，向每一个独立客户学习，这样就可以形成“数据网络效应”。

以FirstMark投资公司x.ai为例，这家公司开发AI助手，安排会议，助手安排的会议越多，算法就会变得越聪明。算法越聪明，体验就会越好。体验越好，就会有更多的人用x.ai安排会议，公司也就可以拿到更多数据，还有其它东西。这样“数据网络效应”就浮现出来了。

数据网络效应会出现在行多地方，这才是最棒的。x.ai帮助人们安排会议，加快速度；Phosphorous 与医院合作，帮助它们运营基因检测实验室，这些场所都会出现。

在B2B领域，要想获得“数据网络效应”会困难一些，因为企业喜欢保护自己的数据，不愿意行业内的其它企业使用自己的数据。

尽管如此，我们可以用创造性的解决方法化解这一问题。几个月前，Google Research在Federated Learning发表论文，意思就是说要在数据独立的前提下促进机器学习行业合作。这样就可以解决数据隐私问题，让各种“数据网络效应”显现出来。

不论怎样，有一点需要注意：数据网络效应需要很多年才能出现，因为创业公司要积累客户，收集足够多的数据让自己的模型学习。一旦这种效应在你的身上形成，那就很有竞争力了。

AI会让产品的性能大幅提升

Sam：投资者之所以关注AI创业公司，是不是因为它们很快会成为收购目标？或者说它们有可能成为庞大的独立企业？

Matt：从VC经济学的角度看，你必须信奉后一种理念。

没错，我们看到大企业收购各类小型AI企业。与此同时，人们或多或少会认同另一个观点：AI是下一个大事件，机器学习人才很稀缺。

正因如此，有许多企业更像研究实验室而不是创业公司，它们很快被收购，有时金额还很高。对于创始人来说，这样的结果很好，有时拿到的钱可以改变整个生活。站在投资者的角度看，这样的结果不错，但算不上很好，风险回报率并不高。现在这种交易形式快走到尽头了，要改变了。

正是因为这个原因，像我这样的投资者才会关注垂直AI创业公司。因为瞄准垂直领域，AI创业公司非常专注，它的定位离大型科技公司很遥远，在大企业收购之前也许有足够的时间壮大起来。

只要定位正确，我相信这些AI企业有时间抢占领先位置，在这段时间里，AI会让企业分化，大量使用机器学习的企业会领先。当然，你必须挑选一个“使用案例”（use case），让AI大幅提升产品性能，不是修修补补，而是突破性的提升。如果使用案例正确，AI创业公司的产品性能可以比现有替代产品好10倍。

如果使用机器学习技术，许多企业的产品性能可以提升10倍。它可以创造机会，让企业成为真正的市场领导者。

不论是你是创始人还是投资人，抓住下一个重大市场拐点就是你的使命。几年前是SaaS，现在机器学习代表下一轮革命。最终，机会之窗会关闭，但就目前来说，许多AI优先的企业有机会在自己所处的领域领先，或者开辟新市场。

原文链接：https://machinelearnings.co/why-ai-companies-cant-be-lean-startups-734a289792f5

编译组出品。编辑：郝鹏程