人工智能投資低迷的幸存者

根據CB Insights 發布的最新季度人工智能狀況報告，與資本市場的現狀相一致，人工智能的融資繼續放緩。

自上一季度以來，AI 初創公司的總融資額下降了 31%，創下 2020 年第三季度以來的最低水平。大型融資輪數（1 億美元以上）環比下降 39%，創九個季度新低。

雖然 AI 資金的停滯將減緩該領域的發展，但它也迫使投資者更多地關注更有可能實現可持續商業模式的 AI 計劃。更好地了解獲得資金的公司，可以了解未來幾個月該行業的發展方向。

人工智能商業模式

AI 初創公司是一個模糊的術語，通常適用于各種公司，從專注于提供 AI 工具（例如，MLOps、預測分析工具、無代碼/低代碼模型開發）的公司到在其業務中使用 AI 的公司產品（例如，一家使用機器學習來預測風險的保險科技公司）。

然而，有幾件事可以定義圍繞機器學習形成的商業模式的成功。其中一些是所有產品的共同原則：

1) 產品/市場契合度：產品必須解決未解決的問題或提供比現有解決方案足夠的附加值，使客戶值得進行轉換。

2) 增長戰略：必須有可擴展的渠道，使產品能夠將其價值傳遞給目標用戶（例如，付費廣告、與現有應用程序的集成）。這些渠道必須是可防御的，并使競爭對手難以切入產品的市場份額。

3) 目標市場：投資者希望獲得投資回報。產品必須有一個相當大的市場才能成長并達到其目標估值。如果產品太小眾，很少有客戶需要，投資者就不會有興趣投資它。

除了上述原則，使用機器學習的產品還必須解決一些額外的問題：

1）訓練數據：產品團隊需要有足夠的質量數據來訓練和測試其模型。在某些情況下，這些數據很容易獲得（例如，公共數據集、公司數據庫中的現有數據）。在其他情況下，更難獲得（例如，健康數據）。對于某些應用程序，數據可能在不同的地理區域和受眾之間存在細微差別，這將需要他們自己的數據收集工作。如果模型受到監督，團隊需要制定可擴展數據注釋策略。

2）持續改進：機器學習模型需要隨著世界的變化而不斷更新。部署 ML 模型后，產品團隊必須制定持續收集數據以更新和改進模型的策略。這種持續改進也加強了產品對競爭對手的防御能力。

考慮到這些原則，我查看了 CB Insights 的報告，并試圖了解初創公司中是否有任何模式可以在經濟低迷的情況下為其 AI 計劃吸引資金。

人工智能的早期資金

早期融資的交易規模中值一直穩定在 300 萬美元左右。相比之下，中期和后期交易的環比下降分別為 15% 和 53%。

但早期交易的數量已經減少，這意味著創始人將更難為他們的產品創意找到現金。

在 CB Insights 的報告中提到的頂級種子和天使交易中，有一家總部位于以色列的公司 Voyantis，它在 7 月份獲得了 1900 萬美元的資金，用于開發其“預測性增長平臺”。Voyantis 正在解決營銷人員面臨的問題，因為廣告環境隨著對用戶數據和隱私的更嚴格規定而發生變化。例如，Apple 最近在 iOS 中添加了一項功能，允許用戶阻止廣告商收集他們的設備 ID。如果沒有關于用戶的精細數據，以前基于規則的廣告活動會提供較差的結果，從而增加每次獲取成本 (CAC)。Voyantis 在客戶擁有的零方和第一方數據點上使用機器學習來預測用戶行為和生命周期價值。這些預測有助于做出明智的決策并提高營銷活動的投資回報率。

另一家總部位于以色列的公司 Eleven Therapeutics 于 8 月獲得了 2200 萬美元的種子資金，是一家專注于 RNA 療法的生物技術初創公司，該領域近年來備受關注，尤其是在 covid 大流行期間。該公司正在開發一個深度學習框架，用于“生成有關 siRNA 分子活性特征的功能數據”，這是一個具有大量可能組合的問題空間。關于該公司的人工智能技術的信息不多。但解決大問題空間是深度學習擅長的領域之一，尤其是當它受到人類直覺的指導時。而且由于該公司致力于數據生成，因此無需處理處理健康數據的許多復雜問題。它的財務支持者包括比爾和梅琳達蓋茨基金會。

Spice AI 是一家總部位于美國的初創公司，于 9 月獲得了 1400 萬美元的種子資金，正在構建數字基礎設施以創建 AI 驅動的 Web3 應用程序。有趣的是，在加密初創公司比其他行業情況更糟的時候，該公司設法吸引了資金。然而，這家公司有三點值得注意。首先，它正在創建數據工程基礎設施來索引主要區塊鏈上的現有數據，這意味著它在獲取數據方面沒有任何重大障礙。第二，它的創始人是微軟 Azure 的資深人士；其上限表還包括 Microsoft Azure 首席技術官 Mark Russinovich 以及 GitHub（于 2018 年被微軟收購）的前任和現任首席執行官。在董事會中擁有如此高調的人物可以更容易地吸引資金，即使是在最困難的時期。第三，區塊鏈數據工程在很大程度上是一個未解決的問題，隨著行業的成熟，這個問題肯定會等待 Web3 公司解決。因此，這可以被認為是 Web3 風險較小的冒險之一。

誰在 AI 領域獲得巨額資金？

在 2022 年第三季度獲得巨額融資的初創公司中，有一家總部位于美國的初創公司 Afresh，它在 8 月獲得了 1.15 億美元的 B 輪融資。Afresh 使用機器學習來幫助雜貨店經營者減少食物浪費。該公司的平臺跟蹤新鮮食品的銷售情況，并幫助預測未來的客戶需求。供應鏈團隊可以使用該平臺優化從供應商處的采購，以最大程度地減少食物浪費。用戶可以直接使用該平臺向供應商下訂單，這使得它更容易集成到現有的工作流程中。據 Afresh 稱，使用其平臺的商店最多可減少 25% 的食物浪費。該公司已經在美國 40 個州擁有數千名客戶，它將利用新資金實現增長，

另一家有趣的公司是總部位于意大利的移動應用程序開發商 Bending Spoons，該公司在 9 月份籌集了 3.4 億美元。Bending Spoons 因其移動視頻和照片編輯應用程序而廣受歡迎，這些應用程序使用機器學習來執行復雜的任務，例如背景移除、自動字幕和照片增強。該公司的應用程序采用免費增值模式，用戶可以免費使用基本功能，必須為高級功能付費。該公司成立于 2013 年，應用程序下載量超過 5 億次。它產生了超過 1 億美元的年收入，并且已經自力更生了好幾年。鑒于它已經存在了很長時間，它還擁有強大的數據骨干來訓練卓越的機器學習模型。公司將利用新資金開發新產品和進行收購。

人工智能資金的模式是什么？

如果您深入研究正在接受資金的公司，還有很多東西需要了解。但這里有一些我注意到的事情：

1) 堅持良好的產品原則：無論你的 AI 有多好，你都需要一個能夠解決實際問題的產品，它比替代品要好得多，采用時的阻力最小。它還需要有相當大的市場、擴張空間和可持續增長的清晰愿景。

2) B2B AI 處于領先地位：雖然 AI 驅動的應用程序為消費者提供了便利，但它們對企業具有更大的價值，尤其是在經濟陷入衰退的情況下。實施良好的人工智能可以減少浪費、優化建議并自動化手動功能，所有這些都會影響公司的開支和底線。

3) 在未解決的問題中尋找新的 AI 市場：在 AI 領域很難征服已建立的市場，因為現有企業已經擁有卓越的數據集來訓練他們的模型。進入新市場更容易且成本更低，尤其是如果您能夠足夠快地行動以收集數據以在競爭對手之前訓練您的 ML 模型。

4) 降低獲取數據的成本：尋找數據已經存在并帶有注釋的 AI 想法（例如，金融交易、銷售歷史、患者結果）?；蛘?，尋找解決方案來生成模型所需的數據，以減少數據收集的需要。如果您的應用程序需要一個新的管道來收集、清理和注釋數據，您將需要更多的時間、人才和資金，這在當前情況下很難獲得。

5) 高知名度的創始人比其他人幸運：曾在大型科技公司工作過的創始人更有可能為有風險的 AI 想法（例如，Web3 AI 的數據基礎設施）吸引資金。如果你有一個在船上你很幸運。