转自：AI世代（微信：tencentai）
　　编译：长歌
　　红点创投合伙人梅达·阿加瓦尔（Medha Agarwal）近日撰文，从投资者的角度分析了当今人工智能领域的几大创业机遇。以下是编译整理的原文内容：　　机器学习是如今当之无愧的流行话题。它很有潜力改变各种市场和各个行业。但围绕这种技术也出现了许多炒作。作为投资者，我找出了能够成功发展机器学习技术的领域所共有的几大关键特征。　　1 　　大市场的里的具体用例　　成功的机器学习创业公司应该瞄准有明确技术需求的垂直应用。预包装消费品行业就是个好例子。机器学习可以更加准确地预测库存水平，从而更好地管理供应链，降低库存成本，尽可能降低产能过剩，消除缺货状态。根据埃森哲的最新报告，机器学习可以将配送时效提升4.25倍，将供应链效率改进2.6倍。　　2　　关注涉及重复性人力劳动的领域　　大量的人力干涉表明复杂的预测算法有很大的优化机会。同样以供应链为例，当今的分析师预测库存需求时不仅使用历史数据，还在很大程度上依赖直觉。借助生产时间、售罄率等数据，及其学习模型便可更加精准地预测未来的需求。　　3　　有大量数据可供预测分析之用　　创业公司需要借助大量数据才能有效训练机器学习模型。企业既可以与老牌大型公司合作，利用他们的数据来学习，也可以自己开发产品，然后吸引用户贡献数据。这两种模式都可以成功。　　4　　网络效应和防御性　　算法的开源趋势将会延续，因此专有数据变成了关键。为系统提供数据和反馈可以提升精确度，并形成自己的护城河。因此，一款产品应该吸引用户针对系统的预测和推荐提供反馈。例如，Facebook的照片标记算法可以通过用户的纠错达到这一目的。　　可投资的领域　　我认为机器学习在以下垂直领域最有潜力：　　医疗诊断和生物信息学　　机器学习将在整个医疗价值链上提高产出、降低成本。机器学习有望提升诊断效果、降低出错率，还能简化药物发现流程，这都令人颇感振奋。病人的数据可以用于早期的疾病诊断，并借此提供个性化治疗方案。医药和生物科技公司也可以使用计算方法快速而有效地发现效果更好的新药。　　供应链　　机器学习可以改进供应链的多个方面，包括需求预测、市场趋势、交易促进和新品设计。当今的企业很难评估市场模式和市场波动，因此难以帮助企业制定决策，并精确做出预测。　　制造　　工业物联网的市场规模约为120亿美元，但目前仍处于普及初期。根据简柏特对173位企业高管进行的调查，只有25%制定了物联网战略，而其中对执行效果真正满意的只有24%。这些高管都希望借助机器学习解决方案来提高收益率，同时降低库存和成品率，以此降低成本，寻找新的获利机会。　　合规　　金融机构的合规是个巨大的市场。自2008年以来，仅摩根大通一家公司就花费360亿美元支付和解和罚款，并且聘请了8000名员工从事合规性评估。机器学习可以帮助银行和其他面临严格监管的企业改进这一流程。　　企业语音　　由于语音分析非常复杂，因此虽然这是企业工作流程中的重要元素，但从企业人工智能角度来讲，目前只处在在边缘地带。NewVoiceMedia 2013年的一份报告显示，呼叫中心的低下效率每年造成约410亿美元的损失。每年约有240万内部销售代表与客户展开数百万小时的对话。所以这其中明显蕴含巨大的机会，可以通过自动化流程改进呼叫中心、会议、销售和营销活动的效率。　　保险　　保险是个规模巨大、范围广泛的领域，机器学习可以帮助保险公司以更低的费用推出更精准的产品。例如，汽车保险公司可以使用驾驶和其他行为数据进行单独定价，或者使用更好的欺诈探测系统来降低整体的成本结构。咨询公司毕马威认为，机器学习将“彻底改变”保险行业。　　个人金融　　新的数据和分割模式令“千禧一代”享受到很多之前难以享受的金融产品（例如信用产品）。另外，自动化智能系统也在降低个性化建议的成本，因为它可以追踪用户的行为，并根据其偏好和目标提供建议。TechCrunch曾经写过一篇不错的文章，分析了人工智能将如何通过个性化推荐对金融行业产生影响。　　个性化教育　　传统教育的一大局限在于，老师必须面向整个班级传授一套标准课程。但实际上，不同学生的理解水平和学习风格各有不同。企业能否利用数据帮助父母和学校为每个学生确定有问题的领域，并制定个性化课程，然后给出单独定价，同时根据每个学生的问题和风格定制计划？这不仅可以改变美国教育现状，还蕴含着巨大的经济机会。截至2013年，美国每年在公共教育上投入的开支达到6200亿美元，约有5000万学生入读公立学校。　　对哪些领域不感兴趣　　虽然我对上述领域很感兴趣，但还有很多公司所从事的业务是我并不认同的。　　单纯的人工智能公司　　人工智能和机器学习从来都不是终极目标，关键是将这些技术应用于实践。　　聊天机器人　　这种技术还不够先进，无法通过广义的聊天机器人为我们提供积极体验。阅读(0)举报欢迎举报抄袭、转载、暴力色情及含有欺诈和虚假信息的不良文章。");
}

6月下旬某个下午，阳光明媚，HiDream.ai的办公空间内，30余名对AIGC关注的创业者、科技极客、高校学者围成一圈，三三两两的交谈，他们是来参加Alpha Founders Club（AFC）的活动，本次活动主题为「由OpenAI看技术创新如何开启的最佳实践」。
Alpha Founders Club是阿尔法公社的传统节目，主要目的是无限拉近潜在创业者和天使投资人的距离，创造工业界和学术界一起深度交流的机会。有数位创业者通过此前的Alpha Founders Club获得阿尔法公社的投资。
此前参与到Alpha Founders Club活动的嘉宾包括：前微软人工智能首席科学家、IEEE Fellow邓力，中国科大党委常委、副校长吴枫博士，前微软亚研院副院长、国际欧亚科学院院士、IEEE Fellow李世鹏博士，以及神州数码信息服务集团总裁周一兵，哈佛商学院教授Scott Duke Kominers，哈佛商学院创新创业中心主任Jodi Gernon。
本次活动是Alpha Founders Club在疫情后重启的第一期，由加拿大工程院外籍院士，HiDream.ai创始人兼CEO梅涛与阿尔法公社创始合伙人许四清作为嘉宾与大家交流。
下午4点，许四清和梅涛院士与大家打招呼，活动正式开始。
一开场，许四清首先对中美AIGC早期阶段的投资动作进行对比：在种子轮和天使轮，中国最近2-3个月总共就投了20-30笔，而美国每个月都有30多笔，美国的投资人已经被唤醒，但一部分中国投资人仍然在犹豫。不过这也侧面说明在中国无论是创业还是投资，这一波AIGC的创投高潮还没有到来。
“它是现象级的！还没有融资，去年收入就上亿，今年的收入更可能翻一番。” 许四清高度评价Midjourney。他同时又表示：和Midjourney相比，就创始人段位来说梅涛院士是更高的，产品和模型能力上，HiDream.ai在未来也有望超越Midjourney。
很多投资人和创业者认为在AIGC领域创业就意味着必须烧巨量的钱，许四清从大模型训练的Pipeline切入，解释这是一种 “误区”的原因：在训练大模型时，99%的训练计算成本和时间都花在了预训练阶段，在此后的微调和对齐等阶段，所需要的计算资源是相对很少的。所以利用基础大模型进行微调，或借用大模型能力利用专有数据训练，其实成本很低。
他为在场的创业者总结道：“不要因为自己钱袋子不太鼓就止步了，你根本不需要那么多钱！”
大模型创业的三大系统性机会
许四清指出大模型创业有三大机会：大算力、大参数、提供通用能力的大模型；小算力、小参数提供垂类能力的专用模型；以及利用模型解决应用问题的浅表型应用。
他强调浅表型应用机会尤其多，中国产品经理应该投身其中：你不需要懂大模型，只要会用大模型就行，中国的产品经理和工程师要携起手来去卷全世界。这种机会对创始人特别大，但对我们投资人却很tough，因为特别难预见什么人能得手这批创业机会，就像在苹果的AppStore出现之后，你不知道谁会成为一个小红书和Shein。
在浅表层应用的具体方向上，许四清认为最有“钱途”的是营销和动漫这类直接围绕客户的核心业务和“钱袋子”的方向，其次是“法律”等提升效率的服务 ，大模型已经把很多公司的边界打破了，不容小觑。
“在大模型创业上，OpenAI出现在美国一点都不奇怪，因为它的创新机制很到位，我们客观上还是有差距，但是我们的人工智能学者和工程师在通路被探索出来后，非常有机会在垂类领域快速赶超。”许四清指出适合中国客观实际的创业路径。
“梅涛院士就属于这一类，他对技术和创业很有热情，讲起来就眉飞色舞，一下就把我们打动了。阿尔法公社是HiDream.ai的种子轮投资人，我们还联合了15位科大校友一起投他，想法就是创业者和投资人携起手来，共同创造。
创业者在选择投资人时一定要思考他是不是与你同频，认知上是否一致，因为早期投资是和创业者共同探索，他要承担很多风险，要有很强的认知能力和很多的资源，我们阿尔法公社愿意和大家一起探索这个事。”许四清接着补充。
梅涛院士也Echo了许四清：“创业注定是一个少数人的事情，创业者就是要把看似不可能的想法变成可能，这非常不容易。阿尔法公社不仅会在财务上支持你，而且也会在精神上支持你。我非常同意创始人要找和自己同频的投资人这个观点，在投资人中，像许师兄这样认知持续和我在同一个频道的，非常少；创始人融资确实需要钱，但更多也是有情怀的，更需要同频共振的投资人。”
很多人认为大语言模型都有千亿参数，视觉大模型是不是应该万亿参数打底？梅涛院士对这种误区进行了修正：“我们搞技术的人有一个共识，在你的垂直领域里，模型参数比别人大10倍、能力超越一个level而且模型能力是通用的，那就是大模型。但我们HiDream.ai不仅想做基础模型，还要做垂直的应用，这是我们的全栈性。不过，这并不代表我们要布局所有行业，我们想先重点关注游戏和电商两个行业。”
梅涛院士在去年年底从京东离职，在今年三月份创立了HiDream.ai，本次活动上，他阐明了自己在这个时间点创业的初衷：为什么在AI 1.0时代我没有出来创业？因为当时应用人工智能的能力还不极致，像人脸识别，一般是一个算法对应一个应用，追求的是准确度（人脸识别的4个9），不能规模化，天花板较低，也不是创业的真正形态。
AIGC时代则是不断扩展人类的创造力的边界，让我感觉到很大的机会，它能助力创意的产生，也能在工作流中帮助我们提升效率，而且提升幅度不是几倍，是10倍甚至100倍。
大模型为什么必须多模态？梅涛院士表示：大语言模型里的误区是，大家认为这是一个文字建模的语言模型，其实人类从交换信息到语言沟通，天然就是多模态的形式。
我们在交流时，不仅要说话，脑子里还要把话语（语音）转换成文字，还要做手势，以及眼神的交互，所以人与人交流的本身就是多模态的，现在基于文字的大语言模型做得好，只是因为文字的tokenization（分词）做得好，其他模态其实也非常重要。
所以在AIGC领域，我们很快就会从单一模态跨越到多模态时代，多模态不仅包括文字、语音，图片、视频、3D、甚至Sensor（传感器）都是一个模态。
HiDream.ai 想要做的事情是提高视觉模型的多模态能力，把图片、视频、3D的内容放在同一个框架里面去训练。
梅涛院士阐明现有的视觉模型遇到几个关键挑战：第一是怎么让模型把Prompt和世界的各种关键信息关联起来，更好地理解人们的意图。第二是细节，怎么精准地生成人脸、手指以及其他具有高度真实感的细节。第三是关系，在任何一张AIGC的图片里，要实现多个人之间拥抱、握手这一类动作，目前的生成结果大概率都会有问题。
为什么会有这些问题，因为现有的视觉模型的天花板还比较低，没有超过百亿参数的，大部分是十几亿到二十几亿的参数量。我们之所以敢于出来创业，是因为我们和大洋彼岸的对手其实还在同一水平线，只要我们跑得快，就很可能超过竞争对手。
下一步，我们将训练一个百亿参数的模型，并且提高模型与真实世界的交互能力。模型的参数量大了以后可能会涌现出智能，但它涌现出什么智能，现在还无法预测。
大语言模型可以全球各个地域做，因为有阿拉伯语等各种小语种，但是视觉模型必须做全球化的，因为一图胜千言。
“相比之前在大公司里每一个 milestone（里程碑）按季度计算，从3月成立公司，到4月初资源和团队完备，到现在6个星期，我们已经做了一个60亿参数规模的视觉模型，并且已经达到Midjourney V4版本的能力。
所以有想法和抱负的人一定要自己出来干，这样一切都是加速的，现在我演讲的速度只是我平时说话速度的1/2。”梅涛院士对模型训练进度的介绍透出HiDream.ai团队的极速战斗力。
谈及创业的初衷，梅涛院士表示：我们不仅要做基础的多模态模型，也要做很多应用上的创新。我认为AIGC的服务模式，无论是语言模型还是视觉模型，一种是API，一种是按照Token来收费，这都是比较标准化的。
现在很多设计师都用Midjourney来生成素材，但是因为可控性的问题，Midjourney并没有进入到真正的工作流程。而我们想做的是从这种浅层次的生成素材做到更深一点，做一个很长的工具链，满足他们真正的需求。
另外，我们想做的是切入整个价值链的环节，做产品设计和营销，这两个环节和创意生成是非常相关的，我们也想把产品做成现象级的。什么是现象级，就是你输入一个很长的文本（作为Prompt），就能生成一个长视频。
两位嘉宾的分享结束后，意犹未尽的创业者们立刻就提出了多个问题。
一位AI领域的创业者向梅涛院士提问：我们的创业方向是瞄准了企业服务的一个垂类 ，并跟AI结合，我们的思路是先有了应用场景，找准客户，再去想怎么利用AI去提效，您作为一个大模型领域的创业者，怎么去找商业应用的场景？
梅涛院士表示：在AI 1.0时代，首先找到业务，再去反推需要什么技术，我觉得这个思路是完全正确的。但在AIGC的新时代，我认为它是一场新的技术革命，它会颠覆所有行业，带来很多倍的效率提升。在这个时代里，就会有技术驱动创新的创业空间。
对我来说，我们会两条腿走路，一方面我们会把很大精力放在大模型的训练和微调上；但另一方面也会做应用，因为大模型要产生价值，还是要落地到应用层面。
一位创业者以Jasper举例，在ChatGPT出现之前，它的产品能力受到认可，增长也挺好，但是ChatGPT一出来就把它卷了，那么面临大模型公司的竞争，做应用的公司应该怎么建立竞争壁垒？
许四清首先回答了这个问题：这一轮大模型大力出奇迹，确实把很多创业公司给卷到了，但是在垂类还有机会，假如你在某一垂类有足够深的积累，就可以借着大模型去卷别人，你可以利用你的数据进行微调和RLHF（对齐），这样你下的功夫越多，微调后的模型在这个垂类里的表现就越好。
这样做的杠杆极高，创业者要敢于去到离AIGC最近的地方，那些看起来越“安全”、越不会被“替代”的领域，往往也是不需要创新的，也就更不安全。
梅涛院士对许四清的观点进行了补充：AI创业公司两个核心的壁垒，一个是算法，也就是有没有基础大模型，这个模型够不够强，有没有做这个基础模型的高密度人才梯队；另一个是能不能构建数据飞轮。要有壁垒，一定要构建算法和数据的双轮驱动，因为它们是相辅相成的，好的数据能让模型越来越好。
数据壁垒至关重要：如果一个行业的数据很容易拿到，那么创业公司进入就必死无疑，分分钟就被技术强的公司颠覆了。如果这个行业的数据外界很难拿到，例如法律的文书或游戏的设计草图，那么创业公司具有闭环数据优势，即使模型能力一开始比不过别人，后续在数据的驱动下，也会越来越好。
创业者和技术极客们的问题一个接一个，许四清和梅涛院士也一一详细回答，直到天色向晚，活动才结束，而还有创业者找到许四清继续深聊。
限于篇幅，我们只展示了本次活动分享和问答环节的部分较为精彩的内容，还有不少硬核技术内容和只适合线下交流的深度话题，我们没有完整披露。AFC系列活动，我们将持续举办，下一期的活动已在筹备中。
本文由阿尔法公社原创。
关于阿尔法公社
返回搜狐，查看更多
责任编辑：