这一年,顶级VC们在AI领域把钱都投去了哪里?

受好奇心驱使,我很想知道最近几年头部VC们在AI领域都把钱投到了哪里。坦白地说,去年我们团队并没有看到很多很好的AI相关的项目。大部分我们见到的项目都是在既有的技术基础上做一些小的创新和改变。因此,我非常想了解头部VC们是如何看待AI在未来的更多应用。回答这个问题最好的方法就是看他们把钱投去了哪里。

研究方法

我从PitchBook拉出来了一个公司名单。选取这些公司的标准是:成立于2017年之后,并且在最近2年内有从顶级VC那里融到了早期资金(天使轮,种子前,种子轮,以及A轮)。顶级VC的定义来自于2017年Preqin的一份Top 100 VC名单。这份名单的制定标准是最近10年(2008-2017)的募资量。可以点击这里查看这份顶级VC名单。点击这里查看PitchBook上得到的这份符合要求的公司的名单及原始数据(共计有308家公司满足要求)。

得到了这份名单之后,我把所有的公司一家一家看了一遍,把那些在做比较众所周知的AI应用(如无人驾驶、无人售货等)的公司剔除,于是得到了一个只有86家公司的短名单。这86家公司都在做一些我们平时并不怎么经常听说的AI应用。

在仔细研究过这86家公司之后,我把它们按照“AI所应用的行业”,“AI所解决的问题”,“AI所带来的价值“三个维度进行了归类。

结果


归类方法一:按“AI所解决的问题”

基于“AI所解决的问题“,我把这些公司分成了四类。

第一类:用来解决AI的落地应用中衍生出的问题

随着越来越多的公司加入AI竞赛,围绕AI落地产生了许多新的问题。比如,人们发现训练模型的数据难以获取或者获取成本很高,人们发现许多原始数据是不规则的、不方便使用,人们发现并不是每个公司都有数据科学家和深度学习工程师来搭建模型,人们发现模型搭好了以后还需要不断地改善才能一直保持最佳表现,人们也希望这些AI/ML模型有更好的可解释性、从而能够有效地改善模型以及告诉相关利益群体这个结果是如何产生的(比如告诉网页浏览者为什么会推送这条广告给他/她,避免用户投诉是因为“歧视”而给他/她推送了这样的广告)。

总结下来,这些新的挑战包括“数据收集/数据生成/数据模拟”,“数据标注”,“模型搭建和训练”,“模型效果监测”,以及“模型可解释性”。因此,许多创业公司开发了一系列的产品来解决这些问题。

在这个短名单上,这些公司包括Determined AILabelboxFiddler LabsApplied IntuitionArthur AIBasis AIGravitiKaskadaOneclick.aiSuperb AI, 以及Voicery。需要注意的是,这并不是一份完整的名单,只覆盖了那些接受了顶级VC早期资金的公司。

在上述公司之外,我们去年也见到了许多生产仿真数据(synthetic data)的创业公司。通过生产仿真数据,这些公司可以帮助他们的客户大规模低成本生产模型训练所需数据(但是可能真实度有限),提供特殊情况的仿真数据训练模型在特殊情况下的反应,避免使用真实数据以保护用户隐私,以及大批量低成本生产可程式化定制的数据产品(如可定制的虚拟人物视频/图片)。这些公司包括HourOneMostly AIDatagenEdgecase AISynthesis AIDatagridStaticeHazy, 以及 Yokai.

针对“可解释的AI (Explainable AI, or XAI),我们也见到了许多公司正在这个方向上努力。许多公司并没有在上面的那个短名单上,但是依然值得留意。这些公司包括6EstatesBeyond LimitsManto AIStride AIcraft aiKyndiSenfinoDigiteDarwinAILogical Glue (已被Temenos 收购), Optimizing MindZ Advanced ComputingDarkLight AIImandraKenSciStratyfyTaziElemental CognitionsimMachinesVian AIElement AIFiddler LabsBasisAIH2O.aiDittoSisu AICalypso AIRulex AIDetermined AI, 以及Shapes AI


第二类:用来解决社会发展中产生的新问题

随着互联网和各种新技术的广泛应用,我们的社会也遇到了一些新的问题。比如,人们在越来越多的网站/app上注册后开始对隐私越来越关注,企业也因为开始使用越来越多第三方服务、暴露在更多危险之下,因此开始对信息安全更加关注。举另一个例子,随着越来越多的场景使用人脸识别技术,人们开始担心自己的生物识别数据泄露,因此开始思考如何才能保护自己的生物识别信息。

因此,许多创业公司应运而生。因为这些挑战是全新的、我们从来没有遇到过的,所以这些创业公司可能还需要一些时日才能找到合适的商业化落地途径。但是,我们依然无法回避这些挑战。在这个短名单中,一共有7家公司属于这个类别。它们分别是ArmorbloxBlue HexagonCanopyD-IDMineNIghtfall, 以及Preclusio。 

还有另外几家公司也值得关注。L1ght 使用AI和机器学习来检测网页内容中是否含有儿童暴力。Fabula AI (已被Twitter收购), Cheq, 以及AdVerifai则在尝试使用AI来监测网上的虚假新闻/消息。

再次重申,这并不是一个完整的覆盖了所有做这个类别的公司的名单,而只是用来展示一部分创业公司是如何尝试解决这些新的挑战的。


第三类:用来解决之前没有触及过的深层次挑战

随着第一波的AI公司已经把最显而易见、最易解决的那些挑战解决掉了,新的创业公司开始尝试用AI解决那些非直接可见、较为深层次的挑战。比如,用AI来理解人类行为,以及如何给AI添加一层“人性”。

因此,这个领域的许多公司在开始做一些尝试,比如用AI来判定和预测行人的行为,进而提升无人驾驶车的安全性。再比如,用AI来理解员工的行为、降低人才流失,用AI来训练员工的领导力。

这个名单上有3家公司在做这样的尝试。它们分别是HumuCultivate Technology, 以及Nestor。另外有一些我们见过的公司并不在这个名单上,比如Humanizing Autonomy


第四类:用来解决市场较小的问题

这是最容易理解的一类公司。随着早期的AI公司已经把最简单、最大的蛋糕瓜分掉,新的公司只好尝试用AI来应用到一些比较小的行业和市场。

这份名单上的86家公司中有61家公司属于这个类别。我认为这也解释了为什么我们去年没有见到特别好的AI相关的公司——因为这些公司尝试解决的问题都太“小”了。

这些“小”场景的AI应用在每个行业都不尽相同。其中一些包括:

  • AI自动化UI测试
  • AI降噪和恢复听力
  • AI探矿(机器视觉)
  • AI捕鱼(机器视觉)
  • AI定位受病虫困扰的果树(机器视觉)
  • AI分析游戏玩家表现
  • … …

如果你有兴趣,也欢迎打开这份原始名单,看看这61家公司都在做一些什么“小而有趣”的AI应用。


归类方法二:按“AI所带来的价值”

另一种我觉得行之有效的分类方法是,按照AI所带来的价值进行分类。针对这份短名单上的86家公司,我发现它们整体可以分作两类。

第一类:让我们能够更好地理解事物——进而发现新机会和规避之前未发现的风险

AI给人类带来的最重要的核心能力就是让我们对复杂的事物的理解容易了很多。AI通过三种方式帮助我们“进化”了这样的理解能力。

(1) 更好地理解环境。这里的环境包括宏观市场环境,物理环境,以及公司内部环境。通过帮助我们更好地理解这些环境,AI让我们能够发现新的趋势、新的资源,也能发现“新”的风险/危机。比如,KoBold Metals用AI来帮助人们探寻矿藏。再比如,Gaiascope通过收集更多市场数据帮助我们来预测能源价格、更好地进行电力资源交易。

(2) 更好地理解客户/消费者。 从前,我们用个别的“用户画像”来理解一个群体。这样的方法可能会带有一些偏见,因为这样我们无法发现一些用户内心深处的一些非常微弱的想法。通过AI的帮助,我们现在可以针对用户在想什么、需要什么有了更多更深入的理解。比如,Woebot通过使用一个AI驱动的聊天机器人来评测用户的精神健康状态。再比如,Curai通过使用AI来帮助病人描述他们的症状、把答案推送给医生用以精准诊断,以及提供相应的信息给病人让他们能够了解自己的身体状况和治疗选项。

(3) 更好地理解员工。和上面的一点类似,AI也在帮助公司更好地理解我们的员工。新的创业公司们正在使用AI帮助公司理解员工们在想什么、员工们对于什么事情擅长、对于什么事情不擅长,如何才能在今后改进。比如,Nestor使用AI来培训员工的技能和领导力。再比如,Humu使用AI来让员工感觉更幸福,更高效,以及对公司更有长期认同感。


第二类:让我们行动更快——进而提升效率

这一类是最不出乎意料的一类。这些公司的AI技术并没有让我们可以做一些以前不能做的事情,而是帮助我们取代一些重复性的人工劳动并降低劳动成本和时间成本。

因此,我在这里不再对这类公司进行例举。有兴趣的可以参考这份原始名单,并查看这31家归于这一类的公司都是如何帮助客户提升效率的。


总结

1. 整体来看,以前的AI创业公司们已经把最大市场、最显而易见的AI应用做完了。现在AI竞赛已经进入了第二个阶段——靠效能(模型效率以及价格)和产品(用户体验)来竞争。

2. 然而,随着新的社会问题出现,我们仍然可以找到一些新的有潜在巨大市场的应用。比如用AI来保护我们的隐私和数码安全。

3. 随着AI的广泛应用,新的挑战依然会继续不断出现。从数据收集成本过高到模型表现不稳定,我们可以一直关注这些新产生的问题,并从中找到机会。

Feel free to read the English version here: https://wen.fan/where-do-top-vcs-invest-in-ai

4

Leave a Reply

This site uses Akismet to reduce spam. Learn how your comment data is processed.

Add Comment
Loading...
Cancel
Viewing Highlight
Loading...
Highlight
Close
Login

Login with your social media accounts
×