又一AI公司被戳破谎言:"伪装到你做到为止"真的很难

又一AI公司被戳破谎言:"伪装到你做到为止"真的很难

域名多个 AI, 融资可能多 50%。为了「梦想」,先画个饼不失为上策。

整理&撰文 | 宇多田

「fake it till they make it」(假装做到,直到你做到为止)这句话,在创业圈一直非常流行。

鉴于许多创业公司以及成熟企业的产品都不会在 100% 成功后才发布,这似乎是一个圈内默认的操作。但有一个疑问:

在开发人工智能技术方面,当初创公司也在假装(fake it till they make it)的时候,多少才算太多?

弓满则断。

获得资本与缓冲时间的代价,是要冒着「善意谎言」还没有兑换成现实就在中途被戳穿的巨大风险。

上周,纽约时报刚刚曝光明星公司 One Concern 制作的 AI 灾难应对解决方案名不副实,灾难预测的部分结果被灾后专家与工程师认为可能会有致命缺陷;

今天,华尔街日报就做了另一个披露:

声称正在建立人工智能 app 开发平台的印度创业公司 Engineer.AI,其实并没有真正使用人工智能开发应用程序。

相反,真正的贡献者是使用手动方法的员工们。

根据 Engineer.ai 创始人 Sachin Dev Duggal 的公开演讲以及宣传资料显示,Engineer.ai 开发的一项名为 Natasha 的人工智能软件能够帮助任何人创建定制化 app。

换句话说,任何人都可以在这款 AI 辅助工具的帮助下通过点击网站上的菜单来迅速创建一个移动应用程序。大致流程如下:

用户可以选择任何自己喜欢的现有应用程序模板(如公司网站给出的例子是订披萨的 app)。然后 Natasha 在很大程度上会自动创建一个相似的应用程序。

又一AI公司被戳破谎言:"伪装到你做到为止"真的很难

公司表示,由于支撑流行应用程序的大部分代码都是类似的,因此该公司的「人工智能软件」已经掌握了这里面大部分结构,可以帮助用户自动组装新的应用程序。

这将使得整个过程比传统的应用程序开发更便宜、更快捷。

至于效果如何,华尔街日报援引 Engineer.ai 发言人称——「在公司最近开发的一个 app 过程中,大约有 82% 是由这款软件『在第一个小时内自动生成的』,这就是 AI 的魅力。」

然而,Engineer.ai 的内部工程师在接受华尔街日报采访时却透露,AI 并没有像这家公司声称的那样为应用程序自动汇编代码。

他们指出,该公司的大部分工作依赖于印度和其他地方的「人工工程师」。而且即使考虑到科技创业公司普遍存在的「伪装到你做到为止」的心态,公司关于人工智能的应用也被夸大了。

当被媒体问及该公司有哪些使用人工智能的案例时,公司曾表示,客户需要支付的价格和工程时间表都是完全自动计算出的。

「其中一部分过程使用了自然语言处理,这项人工智能技术主要是为了识别和理解文本或语音。

另外,还使用决策树(基于选择的图形或模型)将任务分配给开发人员。」

然而,一些现任和前任员工则向华尔街日报透露,实际上一些定价和时间表的计算是由传统软件产生的,而且大部分工作总体上是由员工手动完成的。

这些人甚至还表示,该公司并没有多少自然语言处理技术能力,而公司内部使用的决策树不应被视为人工智能

这个说法得到了瑞典深度学习软件公司 Peltarion 创始人 Luka Crnkovic-Friis 的认同。他认为,称决策树为人工智能通常「有些牵强」。

「如果你告诉客户你正在使用人工智能,他们可能不会期待使用一些上世纪 50 年代的技术。决策树其实是一项非常古老和简单的技术。」

有趣的是,就在本月,Engineer.ai 又悄悄在网站上对自己的技术与产品做了一些更加细致的解释与说明。

他们把介绍修改为「平均约 60% 的可复用软件是由机器生产的,其余部分是人工生成的,用于开发应用程序」。

又一AI公司被戳破谎言:"伪装到你做到为止"真的很难

我们并不是完全自动化的应用程序开发。相反,我们依赖于人工与人工智能的合作关系,其中可复用软件 (在传统软件开发中,重复代码约占产品的 60%) 是机器生产的,其余 40% 是机器生产的;大多数项目的独特之处在于「人工生产」。我们相信人类的创造力和才能将永远是创新和构建之旅的一部分。

实际上,从实用的角度来看,花费巨资进行完全自动化开发对我们没有任何好处,而我们可以通过专注于用自动化来解决那些重复性强和效率低下的工作(虽然 80-20 规则是经典,但我们是 60-40 规则!),进而实现客户的利益。

除了产品的技术应用受到质疑,其在推出产品的时间上,也被认为遵循了「fake it till they make it」的原则。

Engineer.ai 一位熟悉公司运营情况的人士透露,在刚刚过去的两个月里,公司才开始构建自动化应用程序构建所需的技术。

他补充说,公司距离将人工智能技术应用于其核心服务其实还有至少一年时间。

当然,作为一项有门槛的技术,越来越多的创业公司已经发现构建人工智能比预期要难很多。但除了技术本身,收集数据来训练支撑这种技术的机器学习算法可能也需要花费很长时间。

为了训练新算法模型,像 Engineer.ai 这样的应用程序开发商需要从客户那里收集成千上万的请求,并将它们与工程师构建的代码相结合。

但华尔街援引几位熟悉 engineer AI 的人的话称,这家公司还没有收集到足以支撑人工智能技术得以应用的数据。

不过公司发言人反驳,他们已经收集了超过 6 亿条记录以构建更好的 AI模型。

另外,在今年 2 月被解雇又同时向公司提起诉讼(这些在此前都没有被公开)的Engineer.ai 前首席业务官 Robert Holdheim 也同时披露了创始人 Duggal 曾经告诉自己的话:

「他说,每个科技创业公司为了获得资金都会夸大其词。我其实是认同的,这并不奇怪,只有这样才能让我们有钱得以开发这项技术。

但是 Duggal 曾告诉投资者,工程师已经完成了 80% 的开发工作,但事实上,我们还没有开始开发这个产品。」

域名多个AI,融资可能多50%

「fake it till they make it」究竟是对是错,我们无法给出一个确切得结论;而人工智能技术在许多情况下,的确能够帮助企业省钱或更精准地找到目标用户。

但投资领域不得不面对的现实是,在科技领域,评估一家公司究竟有没有有效利用人工智能技术是一个日益严峻的挑战。

由于人工智能技术本身十分复杂且定义模糊而松散,非专业人士很难辨别它何时以及怎样被部署及有效利用。

面对投资方,许多创业公司都说自己在使用人工智能作为主要吸引公司客户的方式,但这种说法往往很难经过严格审查。

因此通常情况下,拿出一份「由 AI 驱动」的解决方案,的确更容易得到资本的厚爱。

根据权威数据分析机构 CB insights 提供的数据显示,人工智能创业公司的平均交易规模从 2013 年到 2018 年几乎翻了三倍。

而另一家数据分析机构 PitchBook 也表示,2018 年风险投资对人工智能创业公司的投资几乎比上一年翻了一番,达到 310 亿美元。

特别是域名含有「ai」的公司的数量,在一年内增长了两倍多。目前这种收费的域名扩展在全球科技创业公司中非常受欢迎。

此外,就在上个月,日本科技巨头软银集团又公布了一个以人工智能技术为主的投资基金——愿景基金 2 期,预计资本总额为 1080 亿美元。

而作为一个已有两年历史的资金池,愿景基金 1 期的资金总额也已经达到了约 1000 亿美元,其中有大约 700 亿美元已经被注入到若干家 AI 技术公司里。

总部位于洛杉矶的 Engineer.ai,就在去年从包括 Deepcore inc. 在内的投资机构那里筹集到 2950 万美元,而 Deepcore inc. 正是软银的全资子公司。

软银等机构不断的资金投入,一方面可能会继续提高 AI 公司们的市场估值,而另一方面,也让许多技术专家和部分投资者的质疑声更为统一。

人工智能技术到目前为止最大的问题其实是——『承诺过多,但却实现不了』」,这是布鲁金斯学会智库技术创新中心主任 Darrell West 在上周发出的感叹。

「从几何时,这已经变成了一种营销手段。」

就像我们刚才在第一部分所提到的,这项技术的应用有着清晰的门槛。

一方面,它虽然可以很容易地在测试或初步形式中起步,但实际规模化部署要困难很多。

另一方面,获取和标注必要的训练数据来建立有能力的人工智能模型可能极为昂贵和费时,这也是为何周一我们报道过的一家硅谷人工数据标注公司能够在 3 年内成长为独角兽的根本原因。

只是,鉴于一些投资方并不十分出色的辨别力和技术应用的有限性,不知道从什么时候开始,创业者们对「只有用人工智能做挡箭牌,才能筹集到更多资本」的领悟愈加上瘾。

英国投资基金 MMC Ventures 的一项针对 2000 余家 AI 技术公司的调查显示,声称自己有某种人工智能技术的创业公司能够比其他软件公司多吸引15%~ 50% 的资本。

然而他们也表示,其中 40% 甚至更多的公司其实根本没有使用任何形式的人工智能技术。

波士顿咨询的人工智能专家 Philipp Gerbert 则认为,不能把责任都归于创业公司。

全球对人工智能融资的浓烈兴趣以及多国之间展开的「技术军备竞赛」,促使创业公司和上市企业开始将自己标榜为人工智能技术+服务机构——

「即使它们可能只有一个简单的聊天机器人。」

人才稀缺,但AI公司却越来越多

「AI 人才」是技术圈这几年少数讨论热度持续走高的话题之一。然而,这个话题也让我们延伸出一个抓破头皮也搞不明白的矛盾点:

一方面,AI 人才已经紧缺到了各大培训机构都开始出售「AI 速成班」的地步,而为何另一边,自称有 AI 技术的企业却如雨后春笋般出现?

Engineer.ai 另一个被质疑的问题,正是出在人才身上。

华尔街日报判断这家公司可能缺乏一批深度具备机器学习人工智能专业知识的高级工作人员。

因为当第一次被要求介绍一个具有人工智能技术背景的高级雇员时,他们只提供了一个名字。

而在 Engineer.ai 随后的一份声明中也承认,人工智能专家真的很难找到。但他们也表示最近招聘的一些员工正在研究机器学习人工智能

不过,该公司仅在声明中详细列举了有三名团队成员在数据科学和其他学科方面的经验,并没有具体说明他们的名字。

这很容易让人想到上周被纽约时报质疑的 One Concern,其也存在「缺乏有研究成果的在职 AI 技术开发者」等人才问题。

显然,这不是一家企业的窘境。

有行业人士透露,目前很多自称拥有 AI 技术能力的企业,将利用廉价人力作为暂时的权宜之计,以便于在不断招人以及收集到数据以后推出真正的机器学习算法。

「我认识的一家公司说正在使用人工智能软件读取和收集收据,而实际上他们是用人类在做这项工作。这在行业里也不是秘密。」

从 2015 年到现在,对相关人才的需求已经从 AI 技术领域扩展到了更宽泛的行业领域,这也让企业对具备人工智能数据科学和相关领域技能的员工需求呈现激增态势。

根据美国技术行业组织 CompTIA 在 6 月公布的一项数据显示,IT 行业的失业率在 5 月份降至 1.3%,呈现 20 年来的最低水平。

这更加剧了对稀缺人才的竞争。

因此,在这类技术人才更容易朝大企业、明星创业公司聚拢的过程中,或许对新公司以及行业性技术公司的考量,并没有如外媒讲的那样难以分辨。

产业
相关数据
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

数据分析技术

数据分析是一类统计方法,其主要特点是多维性和描述性。有些几何方法有助于揭示不同的数据之间存在的关系,并绘制出统计信息图,以更简洁的解释这些数据中包含的主要信息。其他一些用于收集数据,以便弄清哪些是同质的,从而更好地了解数据。 数据分析可以处理大量数据,并确定这些数据最有用的部分。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

数据科学技术

数据科学,又称资料科学,是一门利用数据学习知识的学科,其目标是通过从数据中提取出有价值的部分来生产数据产品。它结合了诸多领域中的理论和技术,包括应用数学、统计、模式识别、机器学习、数据可视化、数据仓库以及高性能计算。数据科学通过运用各种相关的数据来帮助非专业人士理解问题。

聊天机器人技术

聊天机器人是经由对话或文字进行交谈的计算机程序。能够模拟人类对话,通过图灵测试。 聊天机器人可用于实用的目的,如客户服务或资讯获取。有些聊天机器人会搭载自然语言处理系统,但大多简单的系统只会撷取输入的关键字,再从数据库中找寻最合适的应答句。

自然语言处理技术

自然语言处理(英语:natural language processing,缩写作 NLP)是人工智能和语言学领域的分支学科。此领域探讨如何处理及运用自然语言;自然语言认知则是指让电脑“懂”人类的语言。自然语言生成系统把计算机数据转化为自然语言。自然语言理解系统把自然语言转化为计算机程序更易于处理的形式。

推荐文章
暂无评论
暂无评论~