人工智能，还是“人工”去实现智能？从ScaleFactor的倒掉谈起

阿尔法公社说：在打造人工智能产品的初期，“人工”的辅助可能必不可少，例如标注数据，辅助训练等。但是但随着产品逐渐成熟，你能否 "炒掉 "这些人类，决定了产品是否真的有竞争力，业务是否有持续性。对人工智能有深刻认知的知名投资人Matt Turck分享了自己的如上观点。

近日，《福布斯》发表了一篇关于ScaleFactor的文章，这是一家利用人工智能技术实现会计自动化的创业公司，它在融资1亿美元后倒闭。

以下是报道中涉及的问题核心："根据前员工的说法，“人工智能”并没有制作财务报表，而是由数十名会计在ScaleFactor的奥斯汀总部或菲律宾的外包办公室手动完成大部分工作。一些客户说，他们收到了充满错误的账本，被迫重新聘请会计师，自己清理这些烂摊子。"

我从来没有直接接触过ScaleFactor，所以我对那里有可能真实也可能不真实的内幕一无所知，这并不是一篇专门讨论ScaleFactor事件的文章。

但是，我确实对"人工智能与人类 "的话题很感兴趣，因为在过去的几年里，我花了大量的时间研究和投资人工智能公司，对它们进行了深入的了解。

所以我想分享一些在这个过程中学到的东西，想提出两个主要的观点：

• 在打磨人工智能产品的早期，有人类参与是正常的，并不是一个错误或bug。但随着产品逐渐成熟，你能否 "炒掉 "这些人类，决定了产品是否真的有竞争力，业务是否有持续性。

• 还有一些重要的经验教训，即哪些具体的领域适合建立一个可持续发展的人工智能业务，哪些不合适。

AI幕后的人类

关于AI创业公司，需要了解的一个关键问题是，它们和普通的SaaS创业公司有何不同。(在本篇文章中，"AI创业公司 "是指利用AI为商业应用提供动力的创业公司，而不是AI工具和技术的提供商)

对于所有关于人工智能商品化的故事，它们的深层次仍然是技术性工作，需要大量的研发。

这种研发工作，尤其是早期，有相当一部分涉及到人工工作。我所熟悉的每一家AI公司都有一个 "AI训练师 "的概念，至少在早期是这样的。AI训练师是协助建立数据集、给数据贴标签或在AI无法自行解决问题时，帮助解决的人。有时，所有这些都是通过让人类模仿AI应该做的事情来实现的。有时他们在沙盒中做，有时在生产流程中做。我在三年多前就写过这方面的文章。揭穿人工智能产业中 "没有人类 "的神话。

所以在一个人工智能创业公司的早期，你往往会发现产品的动力很大程度上是由人类提供的，只是在人类的工作基础上再加上一点人工智能的自动化。我不知道具体的比例是多少，但也许70%的人类和30%的AI在初期也不是完全不可能。

现在，每个人工智能创业公司的明确目标是，随着人工智能的训练越来越成熟，将这个比例急剧减少。一点一点，一个模块一个模块的将越来越多的流程自动化，最终尽可能地接近100%的AI自动化。

没有一个AI创业者创办公司是只为了训练AI模型，训练模型是用AI改造业务的一种手段。

问题是，AI的进化是非常不可控的，你可以相当快地达到早期的成功（例如60%或70%的自动化），但在后来你经常会被卡住。有时这是暂时的：你在几个月内没有进展，但最终下一个突破出现了。有时，你会永远被卡住。

当然，从商业的角度来看，能否达到高度自动化会有天壤之别。在早期，大家扎堆参与，你拥有一个技术和增速非常厉害的业务，但这个业务可能是负毛利的。你当然希望随着时间的推移，公司成熟后在整体经济效益上更像一个SaaS业务（还有一个额外的好处，就是你的核心人工智能技术很难复制，所以有一定的护城河）。但是，如果你不随着时间的推移，大幅提高产品的自动化程度，减少人类的工作在产品中占的比例，你就不可能建立起可持续的业务。

虽然除了媒体报道，我对真实的情况并不了解，但我怀疑这就是ScaleFactor的情况：早期投资人资助了愿景，并打赌该公司将能够随着时间的推移从人类参与过渡到完全自动化的人工智能。然而，由于公司无法实现足够高的自动化，后几轮的投资人在观察这个业务时，发现了毛利率是负的，于是都决定不投钱，最后公司之前的融资烧光了。

选择正确的方向和用例

对于AI创业者来说，在这篇文章中可能得到的最有用的启示可能是：当谈到建立一个以利用AI自动化为核心的初创公司时，并不是所有的领域和商业方向都是平等的，所以创业者应该谨慎和明智的选择适合现阶段的方向。

AI是可以进行预测和决策，它很强大，但即使经过了非常完备的训练，也不是100%的正确。

所以，如果你的产品对准确度的要求是在100%的时间里都必须100%成功，那完全用AI来解决就会变得很困难，尤其当人们期望这个100%的成功是实时发生的时候，那就更难了。

这里有一些简单的（可能也是不完美的）启发式框架来思考这个问题。

完全自动驾驶是一个很好的例子，需要100%的实时成功。一辆由人工智能驱动的汽车需要实时做出无数个决策（停车、转弯、避让行人等），并且100%正确，否则人就真的会死掉。在目前的AI技术状态下，完全自动驾驶还无法实现，而每一个人的生命都只有一次，出了事故，对于当事人来说就是100%。

在另一个极端，有的应用方向上，80-90%的准确率是完全可接受的。比如Google Photos对于人脸的自动识别归类，把A的人脸识别成B的人脸，这虽然让人不快，但它造成的后果没那么严重。并且用户对这方面的容忍度较高，也不期望这种处理是实时发生。这可能是新晋人工智能创业者最容易攻克的方向，你可以用人工智能完全自动化解决，不需要人类干预和辅助。

中间的用例和方向才是棘手的。

例如聊天机器人，它需要实时操作，但是对于准确度的要求可能80%-90%的成功率就可以接受。当然，当聊天机器人出错的时候还是很烦人，但是它只要在大部分时间内正常工作就能满足需求，对于用户，总比在电话里等30分钟客户代表才接电话更好。(在不需要预测的情况下，开发人员也可以在其中加入一些简单的业务规则来提升体验，补足人工智能的缺点)。

最困难的恰恰是ScaleFactor切入的会计这样的方向。在这里，你需要在100%的时间里获得100%的成功率——会计要求非常的精确。但是在现在的阶段，AI的技术还没法满足这种需求。所以，需要人类来完成最后一公里的工作——检查出AI系统中出现的任何问题，然后在把结果呈现给客户之前纠正它。对于会计业务，这是可能的，因为最终客户通常并不需要他们的财务报表是实时的。

最后的这个例子，就是因为AI技术的不够成熟，导致自动化程度不够，进而使业务没有持续性；对于创业者来说，这是一个棘手的类别。在AI技术还未成熟的时候，选择需要在100%的时间里获得100%的成功率的方向显然风险更高；在其他一切条件相同的情况下，选择一个需求更强，更容易实现的方向，在商业上是更理智的。

本文编译自知名投资人Matt Turck的个人博客。