人工智能投资低迷的幸存者

根据CB Insights 发布的最新季度人工智能状况报告，与资本市场的现状相一致，人工智能的融资继续放缓。

自上一季度以来，AI 初创公司的总融资额下降了 31%，创下 2020 年第三季度以来的最低水平。大型融资轮数（1 亿美元以上）环比下降 39%，创九个季度新低。

虽然 AI 资金的停滞将减缓该领域的发展，但它也迫使投资者更多地关注更有可能实现可持续商业模式的 AI 计划。更好地了解获得资金的公司，可以了解未来几个月该行业的发展方向。

人工智能商业模式

AI 初创公司是一个模糊的术语，通常适用于各种公司，从专注于提供 AI 工具（例如，MLOps、预测分析工具、无代码/低代码模型开发）的公司到在其业务中使用 AI 的公司产品（例如，一家使用机器学习来预测风险的保险科技公司）。

然而，有几件事可以定义围绕机器学习形成的商业模式的成功。其中一些是所有产品的共同原则：

1) 产品/市场契合度：产品必须解决未解决的问题或提供比现有解决方案足够的附加值，使客户值得进行转换。

2) 增长战略：必须有可扩展的渠道，使产品能够将其价值传递给目标用户（例如，付费广告、与现有应用程序的集成）。这些渠道必须是可防御的，并使竞争对手难以切入产品的市场份额。

3) 目标市场：投资者希望获得投资回报。产品必须有一个相当大的市场才能成长并达到其目标估值。如果产品太小众，很少有客户需要，投资者就不会有兴趣投资它。

除了上述原则，使用机器学习的产品还必须解决一些额外的问题：

1）训练数据：产品团队需要有足够的质量数据来训练和测试其模型。在某些情况下，这些数据很容易获得（例如，公共数据集、公司数据库中的现有数据）。在其他情况下，更难获得（例如，健康数据）。对于某些应用程序，数据可能在不同的地理区域和受众之间存在细微差别，这将需要他们自己的数据收集工作。如果模型受到监督，团队需要制定可扩展数据注释策略。

2）持续改进：机器学习模型需要随着世界的变化而不断更新。部署 ML 模型后，产品团队必须制定持续收集数据以更新和改进模型的策略。这种持续改进也加强了产品对竞争对手的防御能力。

考虑到这些原则，我查看了 CB Insights 的报告，并试图了解初创公司中是否有任何模式可以在经济低迷的情况下为其 AI 计划吸引资金。

人工智能的早期资金

早期融资的交易规模中值一直稳定在 300 万美元左右。相比之下，中期和后期交易的环比下降分别为 15% 和 53%。

但早期交易的数量已经减少，这意味着创始人将更难为他们的产品创意找到现金。

在 CB Insights 的报告中提到的顶级种子和天使交易中，有一家总部位于以色列的公司 Voyantis，它在 7 月份获得了 1900 万美元的资金，用于开发其“预测性增长平台”。Voyantis 正在解决营销人员面临的问题，因为广告环境随着对用户数据和隐私的更严格规定而发生变化。例如，Apple 最近在 iOS 中添加了一项功能，允许用户阻止广告商收集他们的设备 ID。如果没有关于用户的精细数据，以前基于规则的广告活动会提供较差的结果，从而增加每次获取成本 (CAC)。Voyantis 在客户拥有的零方和第一方数据点上使用机器学习来预测用户行为和生命周期价值。这些预测有助于做出明智的决策并提高营销活动的投资回报率。

另一家总部位于以色列的公司 Eleven Therapeutics 于 8 月获得了 2200 万美元的种子资金，是一家专注于 RNA 疗法的生物技术初创公司，该领域近年来备受关注，尤其是在 covid 大流行期间。该公司正在开发一个深度学习框架，用于“生成有关 siRNA 分子活性特征的功能数据”，这是一个具有大量可能组合的问题空间。关于该公司的人工智能技术的信息不多。但解决大问题空间是深度学习擅长的领域之一，尤其是当它受到人类直觉的指导时。而且由于该公司致力于数据生成，因此无需处理处理健康数据的许多复杂问题。它的财务支持者包括比尔和梅琳达盖茨基金会。

Spice AI 是一家总部位于美国的初创公司，于 9 月获得了 1400 万美元的种子资金，正在构建数字基础设施以创建 AI 驱动的 Web3 应用程序。有趣的是，在加密初创公司比其他行业情况更糟的时候，该公司设法吸引了资金。然而，这家公司有三点值得注意。首先，它正在创建数据工程基础设施来索引主要区块链上的现有数据，这意味着它在获取数据方面没有任何重大障碍。第二，它的创始人是微软 Azure 的资深人士；其上限表还包括 Microsoft Azure 首席技术官 Mark Russinovich 以及 GitHub（于 2018 年被微软收购）的前任和现任首席执行官。在董事会中拥有如此高调的人物可以更容易地吸引资金，即使是在最困难的时期。第三，区块链数据工程在很大程度上是一个未解决的问题，随着行业的成熟，这个问题肯定会等待 Web3 公司解决。因此，这可以被认为是 Web3 风险较小的冒险之一。

谁在 AI 领域获得巨额资金？

在 2022 年第三季度获得巨额融资的初创公司中，有一家总部位于美国的初创公司 Afresh，它在 8 月获得了 1.15 亿美元的 B 轮融资。Afresh 使用机器学习来帮助杂货店经营者减少食物浪费。该公司的平台跟踪新鲜食品的销售情况，并帮助预测未来的客户需求。供应链团队可以使用该平台优化从供应商处的采购，以最大程度地减少食物浪费。用户可以直接使用该平台向供应商下订单，这使得它更容易集成到现有的工作流程中。据 Afresh 称，使用其平台的商店最多可减少 25% 的食物浪费。该公司已经在美国 40 个州拥有数千名客户，它将利用新资金实现增长，

另一家有趣的公司是总部位于意大利的移动应用程序开发商 Bending Spoons，该公司在 9 月份筹集了 3.4 亿美元。Bending Spoons 因其移动视频和照片编辑应用程序而广受欢迎，这些应用程序使用机器学习来执行复杂的任务，例如背景移除、自动字幕和照片增强。该公司的应用程序采用免费增值模式，用户可以免费使用基本功能，必须为高级功能付费。该公司成立于 2013 年，应用程序下载量超过 5 亿次。它产生了超过 1 亿美元的年收入，并且已经自力更生了好几年。鉴于它已经存在了很长时间，它还拥有强大的数据骨干来训练卓越的机器学习模型。公司将利用新资金开发新产品和进行收购。

人工智能资金的模式是什么？

如果您深入研究正在接受资金的公司，还有很多东西需要了解。但这里有一些我注意到的事情：

1) 坚持良好的产品原则：无论你的 AI 有多好，你都需要一个能够解决实际问题的产品，它比替代品要好得多，采用时的阻力最小。它还需要有相当大的市场、扩张空间和可持续增长的清晰愿景。

2) B2B AI 处于领先地位：虽然 AI 驱动的应用程序为消费者提供了便利，但它们对企业具有更大的价值，尤其是在经济陷入衰退的情况下。实施良好的人工智能可以减少浪费、优化建议并自动化手动功能，所有这些都会影响公司的开支和底线。

3) 在未解决的问题中寻找新的 AI 市场：在 AI 领域很难征服已建立的市场，因为现有企业已经拥有卓越的数据集来训练他们的模型。进入新市场更容易且成本更低，尤其是如果您能够足够快地行动以收集数据以在竞争对手之前训练您的 ML 模型。

4) 降低获取数据的成本：寻找数据已经存在并带有注释的 AI 想法（例如，金融交易、销售历史、患者结果）。或者，寻找解决方案来生成模型所需的数据，以减少数据收集的需要。如果您的应用程序需要一个新的管道来收集、清理和注释数据，您将需要更多的时间、人才和资金，这在当前情况下很难获得。

5) 高知名度的创始人比其他人幸运：曾在大型科技公司工作过的创始人更有可能为有风险的 AI 想法（例如，Web3 AI 的数据基础设施）吸引资金。如果你有一个在船上你很幸运。