編輯｜Emily

AI前線出品｜ID：ai-front

本文作者在研究驅(qū)動(dòng)型團(tuán)隊(duì)生態(tài)系統(tǒng)的過程當(dāng)中，總結(jié)出以下經(jīng)驗(yàn)：

1. 研究驅(qū)動(dòng)型團(tuán)隊(duì)在初創(chuàng)領(lǐng)域開始越來越多地扮演生力軍角色。ArXiv 則是新型實(shí)現(xiàn)方法模型推廣領(lǐng)域的一大卓有成效的實(shí)例。

2. 盡管如此诗轻，大多數(shù)研究型初創(chuàng)企業(yè)仍然作為大型企業(yè)的外包研究團(tuán)隊(duì)存在。

為了實(shí)現(xiàn)產(chǎn)品與市場間的契合揭北，這些初創(chuàng)企業(yè)首先需要專注于數(shù)據(jù)時(shí)間扳炬，并在開始測試數(shù)據(jù)獲取戰(zhàn)略之前保證實(shí)現(xiàn)快速迭代。

更多精彩文章請?zhí)砑游⑿拧癆I 前線”（ID：ai-front）

關(guān)注人工智能的落地實(shí)踐搔体，與企業(yè)一起探尋 AI 的邊界鞠柄，AICon 全球人工智能技術(shù)大會火熱售票中，6 折倒計(jì)時(shí)一周搶票嫉柴，詳情點(diǎn)擊：

https://aicon.geekbang.org/apply?utm_source=wechat&utm_medium=ai-front

幫助研究驅(qū)動(dòng)型原型設(shè)計(jì)團(tuán)隊(duì)成為初創(chuàng)企業(yè)帶來的意外收益

兩年之前厌杜，一位朋友鼓勵(lì)我以導(dǎo)師身份參加柏林 Techstars 首屆選擇日活動(dòng)。自那時(shí)開始计螺，我就一直作為 Techstars 導(dǎo)師不斷幫助“深度技術(shù)”（對我個(gè)人而言夯尽，這一表述專指大規(guī)模并行處理（簡稱 MPP）數(shù)據(jù)庫、人工智能（簡稱 AI）/ 機(jī)器學(xué)習(xí)（簡稱 ML）以及開源企業(yè)）初創(chuàng)企業(yè)由原型設(shè)計(jì)階段順利過渡至產(chǎn)品與市場相契合的層面登馒。在參加柏林 Techstars 首日活動(dòng)時(shí)匙握，我結(jié)識了 Rasa 團(tuán)隊(duì)——時(shí)至今日，我已經(jīng)成為 Rasa 團(tuán)隊(duì)的投資人兼運(yùn)營顧問陈轿。Rasa 如今則成長為市場上開源對話 AI 軟件領(lǐng)域的領(lǐng)導(dǎo)者圈纺，其去年 12 月推出的首款 NLU 工具已經(jīng)得到數(shù)千家企業(yè)的使用。

然而麦射，Rasa 其實(shí)屬于一種例外蛾娶，事實(shí)上我所見到的大多數(shù)的初創(chuàng)企業(yè)仍處于原型設(shè)計(jì)階段。從定義角度來講潜秋，他們的原型設(shè)計(jì)尚未完成蛔琅。

原型設(shè)計(jì)顯然不足以令風(fēng)險(xiǎn)投資商滿意。不過峻呛，打造新事物對于初創(chuàng)企業(yè)而言罗售，在價(jià)值上要高于提供演示或者發(fā)布市場研究結(jié)論辜窑。全程追蹤數(shù)十套原型設(shè)計(jì)方案在特定領(lǐng)域遭遇的難題以及茁壯成長的經(jīng)歷，正是我不斷完善自己投資水平的主要學(xué)習(xí)資源寨躁。

顛覆性成果距離很遠(yuǎn)穆碎，但特定應(yīng)用卻距離很近

舉例來說，從研發(fā)角度來講职恳，顛覆性成果似乎已經(jīng)離我們不遠(yuǎn)——?dú)v史上對于 AI 的研發(fā)目標(biāo)一直在于超越人類的智慧水平所禀，并給整個(gè)人類社會帶來難以想象的深遠(yuǎn)革命。但從另一方面看话肖，第一代聊天機(jī)器人給我們帶來的用戶體驗(yàn)幾乎可以證明北秽，這樣的深遠(yuǎn)革命確實(shí)夠“遠(yuǎn)”葡幸。深入觀察最筒，我們只看到了數(shù)十款不再以規(guī)則為基礎(chǔ)的機(jī)器人方案。相比之下蔚叨，過去兩年當(dāng)中則出現(xiàn)了超過 170 多種更為出色的原型設(shè)計(jì)——其確實(shí)在一定程度上實(shí)現(xiàn)了 AI 超越人類的奇跡床蜘，只不過僅限于特定行業(yè)垂直領(lǐng)域內(nèi)的專業(yè)應(yīng)用，即在非常具體且狹義的任務(wù)上實(shí)現(xiàn)這樣的效果蔑水。

平臺并不足以消化這一切

另一項(xiàng)深受認(rèn)同的論據(jù)邢锯，認(rèn)為各大（美國與中國）互聯(lián)網(wǎng)平臺將在本質(zhì)上“擁有”多個(gè)行業(yè) AI 市場泻云。這是因?yàn)椤癆I 是一類強(qiáng)者愈強(qiáng)的行業(yè)：你擁有的數(shù)據(jù)越多腹躁，產(chǎn)品就越好 ; 你的產(chǎn)品越好，能夠收集到的數(shù)據(jù)越多镰踏⌒福”這樣的結(jié)論在一定程度上的確屬實(shí)蒂培，具體包括圖像識別、自動(dòng)駕駛車輛榜苫、語音到文本以及基本上任何人皆傾向得出“正確”答案的應(yīng)用場景护戳。然而，很多問題并不具備惟一的正確答案垂睬。因此如果大家嘗試?yán)脵C(jī)器學(xué)習(xí)構(gòu)建新型內(nèi)容媳荒，或者利用數(shù)據(jù)學(xué)習(xí)新的內(nèi)容，那么這將建立起完全不同的市場體系驹饺，且其中完全能夠容納眾多垂直贏家钳枕。

另外，數(shù)據(jù)本身的作用其實(shí)并不像以上論點(diǎn)當(dāng)中表達(dá)的那么顯著赏壹。

根據(jù)我所看到的諸多原型設(shè)計(jì)么伯，我發(fā)現(xiàn)利用以往數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練其實(shí)實(shí)踐價(jià)值相當(dāng)有限。

雖然這也許有助于加速初始原型設(shè)計(jì)卡儒，但也就僅限于此了田柔。大型企業(yè)可能確實(shí)掌握著多年以來的消費(fèi)者數(shù)據(jù)與交互記錄俐巴，但在對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)，其仍然需要從頭開始硬爆。初創(chuàng)企業(yè)的競爭環(huán)境則更令人驚訝欣舵。在我看來，財(cái)富五百強(qiáng)企業(yè)中的大部分都已經(jīng)意識到缀磕，AI 實(shí)現(xiàn)方案所需要的數(shù)據(jù)量要比他們想象的少得多缘圈。

除此之外，我還發(fā)現(xiàn)這些研究驅(qū)動(dòng)型團(tuán)隊(duì)存在兩大主要趨勢：其一是這些研究型團(tuán)隊(duì)經(jīng)常受到科學(xué)論文平臺 ArXiv 社區(qū)的啟發(fā)袜蚕，且目前開始邁入初創(chuàng)階段糟把。在大多數(shù)情況下，他們都作為大型集團(tuán)的小規(guī)模外包研究型團(tuán)隊(duì)存在牲剃。

ArXiv 啟發(fā)下的研究型團(tuán)隊(duì)逐步邁入初創(chuàng)舞臺

也許正是由于存在這樣一個(gè)公平的競爭環(huán)境遣疯，才促使眾多研究驅(qū)動(dòng)型團(tuán)隊(duì)參與到柏林的初創(chuàng)市場當(dāng)中。

這一切對于柏林亦屬于新鮮事物凿傅。柏林的初創(chuàng)環(huán)境長久以來一直以學(xué)生創(chuàng)業(yè)為主要表現(xiàn)形式缠犀，并培養(yǎng)起大量來自本地的所謂“運(yùn)營型”初創(chuàng)企業(yè)。Rocket Internet 公司的成功憑借的是他們自身的才能以及硅谷對于市場上現(xiàn)有技術(shù)的漠視聪舒。然而辨液，如今此類機(jī)遇似乎已經(jīng)不復(fù)存在。但包括我自己建立的 Xyo 公司在內(nèi)的各類研究型初創(chuàng)企業(yè)則成為一種寶貴的例外箱残。很多人并不知道滔迈，柏林充斥著大量獨(dú)立的開發(fā)人員。他們既可以在公司內(nèi)工作被辑，也可以參與一些業(yè)余愛好性質(zhì)的項(xiàng)目燎悍，甚至成為柏林當(dāng)?shù)馗髌髽I(yè)的外包商。從 2011 年開始敷待，我記得 Android 團(tuán)隊(duì)的 Reto Meier 就開始邀請我參加柏林的 Android 大會间涵，這一活動(dòng)吸引到了超過 1500 名開發(fā)者。除我之外榜揖，沒有任何一家柏林當(dāng)?shù)爻鮿?chuàng)企業(yè)參與其中勾哩，在這里出現(xiàn)的只是一群充滿愛好與熱情的開發(fā)人員。

這樣的情況目前仍然存在举哟。走出校園的博士們?nèi)匀粚⒅饕聡髽I(yè)（包括工程思劳、銀行、金融以及各類中型企業(yè)）作為就業(yè)目標(biāo)妨猩。然而潜叛，我們現(xiàn)在已經(jīng)擁有了一波根基穩(wěn)固的研究型創(chuàng)始者群體。另外，他們中有很多人來自柏林以外的地區(qū)威兜。在我們遇到的 170 個(gè)團(tuán)隊(duì)當(dāng)中销斟，有超過六成來自柏林之外（我們分別與來自劍橋、倫敦椒舵、愛丁堡蚂踊、波茨坦、圖賓根笔宿、卡爾斯魯厄犁钟、蘇黎世以及華沙的博士團(tuán)隊(duì)見過面）。事實(shí)上泼橘，來自美國與亞洲的眾多研究團(tuán)隊(duì)同樣相當(dāng)活躍且令人矚目涝动。柏林能夠僅以 4000 歐元的成本養(yǎng)活一支包含三位成員的技術(shù)團(tuán)隊(duì)，這樣的物價(jià)水平在全球范圍內(nèi)都極具競爭力炬灭。

受 ArXiv 啟發(fā)的初創(chuàng)企業(yè)的興起

人們一再向我強(qiáng)調(diào)醋粟，研究型團(tuán)隊(duì)轉(zhuǎn)化為初創(chuàng)企業(yè)的另一大動(dòng)力在于，初創(chuàng)企業(yè)如今面對著應(yīng)用研究領(lǐng)域的巨大發(fā)展空間——事實(shí)上担败，初創(chuàng)企業(yè)的研究方向相較主流企業(yè)要更為自由且靈活昔穴。

以開放性的心態(tài)進(jìn)行方法共享镰官、討論與辯論提前，再加上開源成果的快速采用周期（幾乎能夠立即發(fā)布在 GitHub 之上）使得初創(chuàng)企業(yè)對研究人員而言極具吸引力。網(wǎng)絡(luò)論壇與各類平臺也一直在推動(dòng)這一觀念泳唠，即沒有任何其它企業(yè)能夠像 ArXiv 這樣充滿活力——在這一由康奈大學(xué)最初建立的在線科學(xué)論文庫平臺當(dāng)中狈网，各類團(tuán)隊(duì)能夠隨意參與各類討論。這里為研究人員提供的生活方式——即隨時(shí)發(fā)布他們的想法 / 研究成果并進(jìn)行公開參與——能夠帶來極強(qiáng)的鼓勵(lì)性作用笨腥。人們對此通常抱有一種（誤導(dǎo)性）假設(shè)拓哺，即初創(chuàng)企業(yè)能夠給研究人員提供遠(yuǎn)勝過高校或者大型企業(yè)的自由發(fā)揮空間脖母。一般來講士鸥，AI 團(tuán)隊(duì)只負(fù)責(zé)發(fā)布研究成果，而無需考慮構(gòu)建具體產(chǎn)品或者商業(yè)模式——他們只需要等待收購即可谆级。

要駁斥這樣的固有觀念烤礁，我們可以列舉一個(gè)實(shí)例——Prisma 應(yīng)用如今已經(jīng)擁有極高人氣，其允許用戶根據(jù)主題將一幅圖片的風(fēng)格轉(zhuǎn)換為另一種完全不同的形式肥照。

最初脚仔，一組來自圖賓根大學(xué) Bethgelab 的研究人員于 2015 年 9 月發(fā)表了一篇題為《藝術(shù)風(fēng)格中的神經(jīng)算法》的論文。

此項(xiàng)研究立即得到了關(guān)注舆绎，并在幾天之后開始在 GitHub 上進(jìn)行應(yīng)用程序開發(fā)鲤脏。相關(guān)的高人氣論文及應(yīng)用程序不久后開始陸續(xù)出現(xiàn)，且直到今天仍擁有相當(dāng)?shù)臒岫取５?16 年 6 月猎醇，Prisma 應(yīng)用由數(shù)位俄羅斯年輕人開發(fā)完成窥突，并在被引入 Facebook Feed 后得到了公眾的廣泛認(rèn)可。

目前人們普遍認(rèn)為硫嘶，Prisma 的廣泛普及使得公眾開始對神經(jīng)網(wǎng)絡(luò)的應(yīng)用方向抱有好奇心波岛。但在另一方面，這也為初創(chuàng)企業(yè)指出一條新的發(fā)展途徑——先面向公眾音半，而后面向研究社區(qū)则拷。

突然之間彻桃，很多人開始將初創(chuàng)企業(yè)視為一種理想的工作選擇坛善。最終，Bethelab 團(tuán)隊(duì)也建立起一個(gè) Prisma 風(fēng)格的網(wǎng)站。據(jù)我所知葫督，至少有 15 家初創(chuàng)企業(yè)的靈感源自 ArXiv 上發(fā)表的論文冯乘。更多初創(chuàng)企業(yè)則通過 ArXiv 建立起嘗試實(shí)業(yè)的信念。

正如 Roobie Allen 所言他膳，這是一場 ArXiv 啟發(fā)下初創(chuàng)企業(yè)的崛起浪潮：

“與大多數(shù)其它技術(shù)相比，AI 的關(guān)鍵在于其強(qiáng)大的學(xué)術(shù)研究背景。（……）不同于在獲得支持之前長期停滯的創(chuàng)新或者等待傾向矛洞，絕大多數(shù) AI 研究成果皆基于為期僅數(shù)個(gè)月的工作以及有限的代碼量锭沟。其中的關(guān)鍵在于盡快將思路提交至社區(qū)，以便其他人能夠?qū)ζ浼右愿纳疲ú⒃谒俗龅街按_立思路的歸屬權(quán)與地位）。”

ArXiv 啟發(fā)型初創(chuàng)企業(yè)的局限

與此同時(shí)滤馍，AI 研究與進(jìn)展不僅體現(xiàn)在風(fēng)格轉(zhuǎn)換層面槐瑞，同時(shí)亦在視覺與圖像建模領(lǐng)域擁有出色表現(xiàn)（具體包括圖像識別悼沿、視覺問題回答义郑、圖像語義標(biāo)簽、視頻識別以及圖像生成等）。書面與口頭語言的研究工作在活躍度與開放性方面相對較低栋盹，機(jī)器學(xué)習(xí)系統(tǒng)在這兩方面的水平則更為有限。

舉例來說榨汤，沒有人會在推文當(dāng)中像 Alex Champandard 或者 Nicholas Guttenberg 那樣討論自己的思路 / 研究成果蠕搜。語言本身也非常復(fù)雜妓灌，這是因?yàn)槠渑c族群狀態(tài)關(guān)系密切圃验。有人認(rèn)為深度學(xué)習(xí)將徹底解決自然語言處理（簡稱 NLP）問題，意味著大家不再需要學(xué)習(xí)語言知識。然而鹿寨，計(jì)算機(jī)語言學(xué)家們在面對計(jì)算機(jī)視覺 / 深度學(xué)習(xí)研究人員時(shí)卻顯得非常無力——他們對文本數(shù)據(jù)進(jìn)行了一些實(shí)驗(yàn)新博，并發(fā)現(xiàn)自己根本無法在自然語言處理層面拿出同樣份量的成果。

服務(wù)于大型企業(yè)的小規(guī)模外包研究團(tuán)隊(duì)仍面臨挑戰(zhàn)

對于大多數(shù)此類團(tuán)隊(duì)而言馏慨，通往初創(chuàng)企業(yè)的轉(zhuǎn)型之中和仍然挑戰(zhàn)重重埂淮。其中部分挑戰(zhàn)屬于創(chuàng)業(yè)工作當(dāng)中的“常態(tài)”，換言之大部分此類團(tuán)隊(duì)都會提出類似的問題写隶。

其中還存在一些具體的模式倔撞。就我所見到的情況，超過九成的 AI 原型設(shè)計(jì)方案以企業(yè)為中心慕趴，而非以消費(fèi)者為中心痪蝇。在這樣的引導(dǎo)之下，相關(guān)團(tuán)隊(duì)大多數(shù)會將少數(shù)大型企業(yè)（買家）作為目標(biāo)客戶冕房。

在這種意義上躏啰，此類團(tuán)隊(duì)更應(yīng)被視為“企業(yè)外包研究機(jī)構(gòu)”，而非真正具有爆炸式增長潛力的“風(fēng)投級初創(chuàng)企業(yè)”耙册。正視并深入探討這個(gè)問題顯然不是什么壞事给僵。就 2017 年來看，大量成規(guī)模的企業(yè)開始與初創(chuàng)公司合作详拙。在柏林帝际，目前存在著超過 160 個(gè)企業(yè)加速器與創(chuàng)新團(tuán)隊(duì)。而本地也存在著不少受眾饶辙，愿意為這些年輕團(tuán)隊(duì)的聰明才智買單蹲诀。

給大家舉個(gè)實(shí)例。最近畸悬，我發(fā)現(xiàn)一家初創(chuàng)企業(yè)正在與兩家物聯(lián)網(wǎng)冰箱制造商合作侧甫。就具體功能而言，這些冰箱產(chǎn)品在關(guān)門之后蹋宦，其中的內(nèi)部攝像機(jī)將能夠幫助用戶查看存放內(nèi)容。其中一部分產(chǎn)品可以實(shí)現(xiàn)條碼識別咒锻，但另一些則不能冷冗。接下來，這些日常數(shù)據(jù)將被發(fā)送至廠商處進(jìn)行分析惑艇。

毫不意外蒿辙，這家企業(yè)希望將 “大數(shù)據(jù)”作出的模糊承諾轉(zhuǎn)化為更具體的收益拇泛。

這家企業(yè)無法弄清如何追蹤 ETL 問題并在內(nèi)部將數(shù)據(jù)轉(zhuǎn)化為實(shí)際價(jià)值。這就給我們的研究人員帶來了創(chuàng)業(yè)機(jī)遇思灌。在實(shí)際接觸中俺叭，這家初創(chuàng)企業(yè)提出了很多關(guān)于解決各類挑戰(zhàn)的好辦法。其中之一在于建立一套出色的模型泰偿，而后設(shè)計(jì)訓(xùn)練神經(jīng)網(wǎng)絡(luò)以識別各類品牌標(biāo)志圖像熄守，最終以此為基礎(chǔ)構(gòu)建部分分析功能。

對于研究驅(qū)動(dòng)型團(tuán)隊(duì)而言耗跛，達(dá)到上述目標(biāo)已經(jīng)相當(dāng)值得稱道裕照，更遑論其能夠通過自己的工作獲得報(bào)酬。然而调塌，他們只是重復(fù)了以往他人已經(jīng)實(shí)現(xiàn)過的成績晋南，因?yàn)檫@樣的結(jié)果并不足以使其成為風(fēng)投眼中的黃金“初創(chuàng)企業(yè)”。雖然他們?nèi)杂锌赡艹蔀槲磥淼某鮿?chuàng)明星羔砾，但就目前而言负间，其方案仍然只是一種早期原型，且其堆棧與初始代理客戶端當(dāng)中仍存在不少漏洞姜凄。與他人一樣唉擂，Eyeem 公司的 Ramzi Rizk 也認(rèn)為：成為一家符合風(fēng)險(xiǎn)投資要求的 AI 初創(chuàng)企業(yè)其實(shí)非常艱難。

未來展望：時(shí)間到數(shù)據(jù)與快速迭代

那么這些小型外包研究機(jī)構(gòu)要如何才能發(fā)展為真正的初創(chuàng)企業(yè)檀葛？以下兩項(xiàng)目標(biāo)值得大家加以借鑒玩祟。

時(shí)間到數(shù)據(jù)

正如 AI 風(fēng)投方 Merantix 公司的 Rasmus Rothe 所言：

“在機(jī)器學(xué)習(xí)學(xué)術(shù)界，人們幾乎不會關(guān)注數(shù)據(jù)集的獲取方法屿聋。相反：為了將深度學(xué)習(xí)技術(shù)與其它方法相比較空扎，同時(shí)確保其中一種方法優(yōu)于另一種方法，標(biāo)準(zhǔn)流程要求以相同的評估程序來衡量標(biāo)準(zhǔn)數(shù)據(jù)集的處理成效润讥。然而在現(xiàn)實(shí)世界當(dāng)中转锈，新型算法與其它方法相比在成效方面反而下降了 1%。這里的重點(diǎn)在于構(gòu)建起一套強(qiáng)大的系統(tǒng)楚殿，確保其能夠以足夠的準(zhǔn)確性解決所需任務(wù)撮慨。對于一切機(jī)器學(xué)習(xí)系統(tǒng)，這都需要進(jìn)行標(biāo)記訓(xùn)練脆粥，并幫助算法以此為基礎(chǔ)完成學(xué)習(xí)砌溺。”

實(shí)際上变隔，人們可能往往會假設(shè)能夠?qū)崿F(xiàn) AI 突破的關(guān)鍵性算法如寶藏般靜靜躺在某處规伐，等待著研究人員通過大量高質(zhì)量數(shù)據(jù)集將其從現(xiàn)有文獻(xiàn)當(dāng)中挖掘出來，而后立足當(dāng)前可用的硬件加以針對性優(yōu)化匣缘。

在演講當(dāng)中猖闪，我通常建議此類機(jī)構(gòu)依靠以下方式運(yùn)行測試鲜棠。

讓企業(yè)付費(fèi)以確保研究工作的正常運(yùn)行。

堅(jiān)持投入同樣的時(shí)間服務(wù)于其它客戶培慌。

在這些“其它”客戶當(dāng)中豁陆，需要優(yōu)化的重點(diǎn)在于獲取數(shù)據(jù)的時(shí)間。對于那些愿意測試自己粗糙的 beta 原型方案并提供反饋的朋友而言吵护，這無疑是一種福利盒音。通過這種方式，我們通常能夠與其它初創(chuàng)企業(yè)（以免費(fèi)方式）進(jìn)行初步對接何址，而后與這些小型且通常由初創(chuàng)者主導(dǎo)的年輕公司組隊(duì)里逆，從而在無需正式數(shù)據(jù)獲取流程的前提下作出明智決策。

更快迭代周期

另一條建議則與數(shù)據(jù)分析相關(guān)用爪。在這方面原押，大家需要找到哪些模型能夠確切實(shí)現(xiàn)效果，而哪些模式適用于特定數(shù)據(jù)集偎血。

這意味著研究團(tuán)隊(duì)不可能以上百萬個(gè)數(shù)據(jù)點(diǎn)為規(guī)模進(jìn)行運(yùn)營诸衔，因?yàn)檫@將帶來 3000 甚至是 10000 套數(shù)據(jù)集。相反颇玷，著眼于數(shù)據(jù)并發(fā)現(xiàn)模式才是最好的選擇笨农。

其中最簡單且成本低廉的處理方法就是在 AWS S3 存儲桶上執(zhí)行無服務(wù)器 MySQL 查詢，或者立足 Redshift 構(gòu)建起一些簡單項(xiàng)目帖渠。如此一來谒亦，各研究團(tuán)隊(duì)即可將大量數(shù)據(jù)導(dǎo)入 AWS 并運(yùn)行 SQL 查詢，最終查看這些重要模式——而無需自行構(gòu)建基礎(chǔ)設(shè)施空郊。

到這里份招，研究團(tuán)隊(duì)需要投入更多時(shí)間對數(shù)據(jù)進(jìn)行整理（占總體工作時(shí)間的七成到九成），而后發(fā)現(xiàn)模式并在短時(shí)間內(nèi)構(gòu)建起算法狞甚。對于大多數(shù)研究型初創(chuàng)企業(yè)而言锁摔，這種作法與直覺存在沖突。然而哼审，通過這樣的方式谐腰，研究團(tuán)隊(duì)將能夠在兩到三周之內(nèi)順利前往下一次組隊(duì)迭代——而非像以往那樣耗費(fèi)更長時(shí)間。

一旦找到志趣相投的組隊(duì)伙伴涩盾，接下來就可以審視初創(chuàng)企業(yè)的數(shù)據(jù)收集策略并調(diào)查其可行性十气。事實(shí)上，通過計(jì)算得出這些數(shù)據(jù)策略很可能是研究型團(tuán)隊(duì)所面臨的旁赊、最為艱巨的反直覺挑戰(zhàn)桦踊。

事實(shí)上，其中一些策略甚至可能引起爭議终畅，并讓整個(gè)團(tuán)隊(duì)重新思考是否還應(yīng)繼續(xù)朝著初創(chuàng)企業(yè)努力籍胯。以 Babylon Health 為例，這款聊天機(jī)器人應(yīng)用允許用戶在無需親臨診所的前提下就自身癥狀提出問題离福，且最近籌集到 6000 萬美元杖狼。該團(tuán)隊(duì)認(rèn)為，“Babylon 的科學(xué)家們預(yù)測稱妖爷，我們將能夠很快實(shí)現(xiàn)比醫(yī)生更出色的個(gè)人健康問題診斷與預(yù)測能力蝶涩。”在西方世界當(dāng)中絮识，從診斷到健康狀況預(yù)測涉及大量數(shù)據(jù)绿聘、科學(xué)、法律以及商業(yè)化問題次舌。

不過單純從技術(shù)角度來講熄攘，醫(yī)療團(tuán)隊(duì)確實(shí)能夠打造出一套比人類更強(qiáng)大的特定健康問題檢測或預(yù)測方案。如果能夠在理論層面將診斷準(zhǔn)確率由 30% 提升到 60%彼念，即可拯救許多鮮活的生命挪圾。然而，40% 的準(zhǔn)確率時(shí)可能出現(xiàn)的訴訟足以毀滅初創(chuàng)企業(yè)的發(fā)展道路逐沙。也正因?yàn)槿绱苏芩迹姸噌t(yī)療衛(wèi)生團(tuán)隊(duì)選擇在數(shù)據(jù)保護(hù)措施較弱或者被起訴可能性較低的國家進(jìn)行早期實(shí)驗(yàn)。舉例來說吩案，Babylon Health 在盧旺達(dá)擁有 45 萬名用戶棚赔。而西方各國的健康預(yù)防相關(guān)組織則通過各大型企業(yè)處理醫(yī)療系統(tǒng)及健康預(yù)測的監(jiān)管工作。

到這一階段徘郭，研究型團(tuán)隊(duì)亦開始需要轉(zhuǎn)化為數(shù)據(jù)驅(qū)動(dòng)型團(tuán)隊(duì)靠益。

數(shù)據(jù)是否（仍）未實(shí)現(xiàn)民主化？

可以理解的是崎岂，Zeroth.ai 公司（AI 創(chuàng)新初創(chuàng)企業(yè)之一）的 Tak Lo 認(rèn)為“數(shù)據(jù)鴻溝是 AI 創(chuàng)新所面臨的最大威脅”捆毫，并極力呼吁數(shù)據(jù)民主化。

Tak 呼吁建立一套類似于維基百科的 AI 數(shù)據(jù)庫冲甘，這也從一個(gè)側(cè)面證明如今 AI 研究團(tuán)隊(duì)的主要挑戰(zhàn)也許正在于數(shù)據(jù)訪問能力绩卤。各團(tuán)隊(duì)創(chuàng)始人在努力為合法技術(shù)或金融技術(shù)等平臺當(dāng)中的垂直領(lǐng)域構(gòu)建特定用途的產(chǎn)品，并希望借此回避與谷歌或者微軟等技術(shù)巨頭的直接競爭江醇。

然而總體而言濒憋，如今的數(shù)據(jù)還遠(yuǎn)沒有實(shí)現(xiàn)民主化。盡管近來人們正在為建立數(shù)據(jù)民主化平臺而紛紛發(fā)聲陶夜，Helix 等垂直應(yīng)用商店也得到陸續(xù)啟動(dòng)凛驮，但 AI 當(dāng)前仍沒有達(dá)到“蘋果 App Store”這一徹底實(shí)現(xiàn)移動(dòng)開發(fā)與發(fā)布民主化的重量級成果的級別。

我們才剛剛踏上征途

目前對于研究驅(qū)動(dòng)型團(tuán)隊(duì)而言堪稱理想的歷史時(shí)機(jī)条辟，大家可以將自己的想法塑造出來黔夭，并在創(chuàng)業(yè)領(lǐng)域當(dāng)中進(jìn)行測試宏胯。而我們也將越來越多地看到 ArXiv 在其中發(fā)揮的重要促進(jìn)作用。相當(dāng)一部分研究團(tuán)隊(duì)未來將繼續(xù)作為大型企業(yè)的外包機(jī)構(gòu)進(jìn)行工作本姥，單就這一點(diǎn)而言已經(jīng)是一項(xiàng)了不起的成就肩袍。而其中一部分團(tuán)隊(duì)還將進(jìn)一步發(fā)展：找到自身產(chǎn)品的市場適應(yīng)度，同時(shí)發(fā)現(xiàn)最佳數(shù)據(jù)收集策略婚惫，最終徹底改變世界氛赐。

作者簡介

Matth?us Krzykowski，作為專司初創(chuàng)企業(yè)業(yè)務(wù)的運(yùn)營顧問先舷，過去兩年以來艰管，我在柏林關(guān)注過圍繞 AI/ML 與 MPP 數(shù)據(jù)庫建立起 170 多個(gè)原型設(shè)計(jì)研究團(tuán)隊(duì)。

原文鏈接：https://medium.com/techstars/the-ai-race-to-the-top-observations-on-research-driven-teams-berlin-arxiv-4e14fee9d28e

－全文完－

《深入淺出TensorFlow》迷你書現(xiàn)已發(fā)布蒋川，關(guān)注公眾號“AI前線”牲芋，ID：ai-front，回復(fù)關(guān)鍵字：TF尔破，獲取下載鏈接街图！