本文最初发表于 Forbes 网站,经原作者 Gaurav Aggarwal 授权,InfoQ 中文站翻译并分享。
近十年来,出现了一些令人惊叹的技术。随着 2000 年代后期 iOS 和 Android 应用程序商店的推出,移动应用生态系统已经成熟。任何一个有好点子的人,都能开发出一个应用并进行发布。比如像 Uber、Snapchat、Instagram 这样的科技巨头都是这样诞生的。同时,我们也看到,云计算逐渐成为大家获取计算资源的主流,而人们也不需要再购买昂贵的服务器。
这十年,人工智能也成为人们关注的焦点。如果说,移动应用和云计算是对弱势者的颠覆性技术(它们提供了平等的竞争环境),那么人工智能就是对大公司更有利的技术,与大公司相比,创业公司可能不太适合采用这项技术。原因主要有以下三点。
1.数据挑战
人工智能是由数据驱动的,这意味着你拥有的数据越多,结果就越好。如果人工智能不能获得正确数量的数据,它的结果将会差强人意。
一般情况下,初创企业收集的数据量远不及大公司已经拥有的数据量,因为初创企业没有足够的客户基础和流量来产生大量的数据。比如,Facebook 就曾用来自 Instagram 公共账户中的 10 亿张图片来训练一个计算机视觉模型,而一般的初创企业则很难做到这一点。
虽然有一部分初创公司依靠诸如 ImageNet 这样的公共数据集来进行人工智能训练,但即便是经过世界顶尖大学教授们长达 9 年的数据收集工作,ImageNet 的图片数量仍仅为 1400 万张。
此外,初创公司还面临来自数据质量的挑战。人工智能所需的数据要被准备分类、标注,并且数据得是正确的。大公司有足够的资源和客户来收集大量的数据,然后再进行标注,从而保证数据的质量。
2.缺乏人工智能人才
虽然人工智能是最常被滥用的技术流行词,但它仍是一个日益增长的领域,并且人才短缺。
一位人工智能专家需要精通统计学和线性代数,理解如何建立模型,以及如何定义问题、问题的参数和结构。目前来看,拥有人工智能经验的人才是很有限的。并且对于初创公司来说,情况则更是雪上加霜,因为初创公司很难支付起巨额薪水。
而对大公司来说,则可以凭借雄厚的财力以及良好的发展前景雇佣到成熟的人工智能研究人员。目前,一些大型技术公司甚至在挖人工智能领域的教授,这也使得人工智能领域的研究生人才数量进一步下降。对人工智能专家来说,也更愿意与拥有资源的大公司合作。
3.计算成本
人工智能带来的成本问题是初创公司的另一个担忧。像深度学习这样的人工智能训练模型需要大量的时间和计算来训练。要建立一个“足够好”的模型,至少需要几个迭代的训练,以便对超参数进行调整和优化。因为模型需要多次训练,计算能力和开发时间都会付出很大代价。
仅仅对一个已有的模型 (比如 BERT)进行再训练,就会花费掉一个工程师的月薪。除计算成本外,初创公司还必须处理 MLOps 的基础设施。对大型企业而言,这没有什么挑战,因为它们拥有大量资金、专业的 IT 人员和管理计算和人工智能相关培训成本的资源。
与大公司相比,初创公司采用人工智能可能会面临以上三个方面的挑战。因为资源有限,客户群不大,所以对于初创公司来说,部署人工智能模型,并在此基础上作出业务决定是一件非常麻烦的事。人工智能是未来,但它需要用资源、专门的技术和时间来研究以及部署最新的人工智能模型。初创公司想采用人工智能技术的话,还需仔细考量。
作者介绍:
Gaurav Aggarwal,Sleek 和 Forbes U30 的联合创始人,工程师出身的企业家,帮助小企业通过人工智能生存和发展。
原文链接:
评论