又一AI公司被戳破謊言："偽裝到你做到為止"真的很難

域名多個 AI, 融資可能多 50%。為了「夢想」，先畫個餅不失為上策。

整理&撰文 | 宇多田

「fake it till they make it」（假裝做到，直到你做到為止）這句話，在創業圈一直非常流行。

鑑於許多創業公司以及成熟企業的產品都不會在 100% 成功後才釋出，這似乎是一個圈內預設的操作。但有一個疑問：

在開發人工智慧技術方面，當初創公司也在假裝（fake it till they make it）的時候，多少才算太多？

弓滿則斷。

獲得資本與緩衝時間的代價，是要冒著「善意謊言」還沒有兌換成現實就在中途被戳穿的巨大風險。

上週，紐約時報剛剛曝光明星公司 One Concern 製作的 AI 災難應對解決方案名不副實，災難預測的部分結果被災後專家與工程師認為可能會有致命缺陷；

今天，華爾街日報就做了另一個披露：

聲稱正在建立人工智慧 app 開發平臺的印度創業公司 Engineer.AI，其實並沒有真正使用人工智慧開發應用程式。

相反，真正的貢獻者是使用手動方法的員工們。

根據 Engineer.ai 創始人 Sachin Dev Duggal 的公開演講以及宣傳資料顯示，Engineer.ai 開發的一項名為 Natasha 的人工智慧軟體能夠幫助任何人建立定製化 app。

換句話說，任何人都可以在這款 AI 輔助工具的幫助下透過點選網站上的選單來迅速建立一個移動應用程式。大致流程如下：

使用者可以選擇任何自己喜歡的現有應用程式模板（如公司網站給出的例子是訂披薩的 app）。然後 Natasha 在很大程度上會自動建立一個相似的應用程式。

公司表示，由於支撐流行應用程式的大部分程式碼都是類似的，因此該公司的「人工智慧軟體」已經掌握了這裡面大部分結構，可以幫助使用者自動組裝新的應用程式。

這將使得整個過程比傳統的應用程式開發更便宜、更快捷。

至於效果如何，華爾街日報援引 Engineer.ai 發言人稱——「在公司最近開發的一個 app 過程中，大約有 82% 是由這款軟體『在第一個小時內自動生成的』，這就是 AI 的魅力。」

然而，Engineer.ai 的內部工程師在接受華爾街日報採訪時卻透露，AI 並沒有像這家公司聲稱的那樣為應用程式自動彙編程式碼。

他們指出，該公司的大部分工作依賴於印度和其他地方的「人工工程師」。而且即使考慮到科技創業公司普遍存在的「偽裝到你做到為止」的心態，公司關於人工智慧的應用也被誇大了。

當被媒體問及該公司有哪些使用人工智慧的案例時，公司曾表示，客戶需要支付的價格和工程時間表都是完全自動計算出的。

「其中一部分過程使用了自然語言處理，這項人工智慧技術主要是為了識別和理解文字或語音。

另外，還使用決策樹（基於選擇的圖形或模型）將任務分配給開發人員。」

然而，一些現任和前任員工則向華爾街日報透露，實際上一些定價和時間表的計算是由傳統軟體產生的，而且大部分工作總體上是由員工手動完成的。

這些人甚至還表示，該公司並沒有多少自然語言處理技術能力，而公司內部使用的決策樹不應被視為人工智慧。

這個說法得到了瑞典深度學習軟體公司 Peltarion 創始人 Luka Crnkovic-Friis 的認同。他認為，稱決策樹為人工智慧通常「有些牽強」。

「如果你告訴客戶你正在使用人工智慧，他們可能不會期待使用一些上世紀 50 年代的技術。決策樹其實是一項非常古老和簡單的技術。」

有趣的是，就在本月，Engineer.ai 又悄悄在網站上對自己的技術與產品做了一些更加細緻的解釋與說明。

他們把介紹修改為「平均約 60% 的可複用軟體是由機器生產的，其餘部分是人工生成的，用於開發應用程式」。

我們並不是完全自動化的應用程式開發。相反，我們依賴於人工與人工智慧的合作關係，其中可複用軟體 (在傳統軟體開發中，重複程式碼約佔產品的 60%) 是機器生產的，其餘 40% 是機器生產的;大多數專案的獨特之處在於「人工生產」。我們相信人類的創造力和才能將永遠是創新和構建之旅的一部分。

實際上，從實用的角度來看，花費巨資進行完全自動化開發對我們沒有任何好處，而我們可以透過專注於用自動化來解決那些重複性強和效率低下的工作（雖然 80-20 規則是經典，但我們是 60-40 規則!)，進而實現客戶的利益。

除了產品的技術應用受到質疑，其在推出產品的時間上，也被認為遵循了「fake it till they make it」的原則。

Engineer.ai 一位熟悉公司運營情況的人士透露，在剛剛過去的兩個月裡，公司才開始構建自動化應用程式構建所需的技術。

他補充說，公司距離將人工智慧技術應用於其核心服務其實還有至少一年時間。

當然，作為一項有門檻的技術，越來越多的創業公司已經發現構建人工智慧比預期要難很多。 但除了技術本身，收集資料來訓練支撐這種技術的機器學習演算法可能也需要花費很長時間。

為了訓練新演算法模型，像 Engineer.ai 這樣的應用程式開發商需要從客戶那裡收整合千上萬的請求，並將它們與工程師構建的程式碼相結合。

但華爾街援引幾位熟悉 engineer AI 的人的話稱，這家公司還沒有收集到足以支撐人工智慧技術得以應用的資料。

不過公司發言人反駁，他們已經收集了超過 6 億條記錄以構建更好的 AI模型。

另外，在今年 2 月被解僱又同時向公司提起訴訟（這些在此前都沒有被公開）的Engineer.ai 前首席業務官 Robert Holdheim 也同時披露了創始人 Duggal 曾經告訴自己的話：

「他說，每個科技創業公司為了獲得資金都會誇大其詞。我其實是認同的，這並不奇怪，只有這樣才能讓我們有錢得以開發這項技術。

但是 Duggal 曾告訴投資者，工程師已經完成了 80% 的開發工作，但事實上，我們還沒有開始開發這個產品。」

1

域名多個AI，融資可能多50%

「fake it till they make it」究竟是對是錯，我們無法給出一個確切得結論；而人工智慧技術在許多情況下，的確能夠幫助企業省錢或更精準地找到目標使用者。

但投資領域不得不面對的現實是，在科技領域，評估一家公司究竟有沒有有效利用人工智慧技術是一個日益嚴峻的挑戰。

由於人工智慧技術本身十分複雜且定義模糊而鬆散，非專業人士很難辨別它何時以及怎樣被部署及有效利用。

面對投資方，許多創業公司都說自己在使用人工智慧作為主要吸引公司客戶的方式，但這種說法往往很難經過嚴格審查。

因此通常情況下，拿出一份「由 AI 驅動」的解決方案，的確更容易得到資本的厚愛。

根據權威資料分析機構 CB insights 提供的資料顯示，人工智慧創業公司的平均交易規模從 2013 年到 2018 年幾乎翻了三倍。

而另一家資料分析機構 PitchBook 也表示，2018 年風險投資對人工智慧創業公司的投資幾乎比上一年翻了一番，達到 310 億美元。

特別是域名含有「ai」的公司的數量，在一年內增長了兩倍多。目前這種收費的域名擴充套件在全球科技創業公司中非常受歡迎。

此外，就在上個月，日本科技巨頭軟銀集團又公佈了一個以人工智慧技術為主的投資基金——願景基金 2 期，預計資本總額為 1080 億美元。

而作為一個已有兩年曆史的資金池，願景基金 1 期的資金總額也已經達到了約 1000 億美元，其中有大約 700 億美元已經被注入到若干家 AI 技術公司裡。

總部位於洛杉磯的 Engineer.ai，就在去年從包括 Deepcore inc. 在內的投資機構那裡籌集到 2950 萬美元，而 Deepcore inc. 正是軟銀的全資子公司。

軟銀等機構不斷的資金投入，一方面可能會繼續提高 AI 公司們的市場估值，而另一方面，也讓許多技術專家和部分投資者的質疑聲更為統一。

「人工智慧技術到目前為止最大的問題其實是——『承諾過多，但卻實現不了』」，這是布魯金斯學會智庫技術創新中心主任 Darrell West 在上週發出的感嘆。

「從幾何時，這已經變成了一種營銷手段。」

就像我們剛才在第一部分所提到的，這項技術的應用有著清晰的門檻。

一方面，它雖然可以很容易地在測試或初步形式中起步，但實際規模化部署要困難很多。

另一方面，獲取和標註必要的訓練資料來建立有能力的人工智慧模型可能極為昂貴和費時，這也是為何週一我們報導過的一家矽谷人工資料標註公司能夠在 3 年內成長為獨角獸的根本原因。

只是，鑑於一些投資方並不十分出色的辨別力和技術應用的有限性，不知道從什麼時候開始，創業者們對 「只有用人工智慧做擋箭牌，才能籌集到更多資本」 的領悟愈加上癮。

英國投資基金 MMC Ventures 的一項針對 2000 餘家 AI 技術公司的調查顯示，聲稱自己有某種人工智慧技術的創業公司能夠比其他軟體公司多吸引15%~ 50% 的資本。

然而他們也表示，其中 40% 甚至更多的公司其實根本沒有使用任何形式的人工智慧技術。

波士頓諮詢的人工智慧專家 Philipp Gerbert 則認為，不能把責任都歸於創業公司。

全球對人工智慧融資的濃烈興趣以及多國之間展開的「技術軍備競賽」，促使創業公司和上市企業開始將自己標榜為人工智慧技術+服務機構——

「即使它們可能只有一個簡單的聊天機器人。」

2

人才稀缺，但AI公司卻越來越多

「AI 人才」是技術圈這幾年少數討論熱度持續走高的話題之一。然而，這個話題也讓我們延伸出一個抓破頭皮也搞不明白的矛盾點：

一方面，AI 人才已經緊缺到了各大培訓機構都開始出售「AI 速成班」的地步，而為何另一邊，自稱有 AI 技術的企業卻如雨後春筍般出現？

Engineer.ai 另一個被質疑的問題，正是出在人才身上。

華爾街日報判斷這家公司可能缺乏一批深度具備機器學習或人工智慧專業知識的高階工作人員。

因為當第一次被要求介紹一個具有人工智慧技術背景的高階僱員時，他們只提供了一個名字。

而在 Engineer.ai 隨後的一份宣告中也承認，人工智慧專家真的很難找到。但他們也表示最近招聘的一些員工正在研究機器學習和人工智慧。

不過，該公司僅在宣告中詳細列舉了有三名團隊成員在資料科學和其他學科方面的經驗，並沒有具體說明他們的名字。

這很容易讓人想到上週被紐約時報質疑的 One Concern，其也存在「缺乏有研究成果的在職 AI 技術開發者」等人才問題。

顯然，這不是一家企業的窘境。

有行業人士透露，目前很多自稱擁有 AI 技術能力的企業，將利用廉價人力作為暫時的權宜之計，以便於在不斷招人以及收集到資料以後推出真正的機器學習演算法。

「我認識的一家公司說正在使用人工智慧軟體讀取和收集收據，而實際上他們是用人類在做這項工作。這在行業裡也不是秘密。」

從 2015 年到現在，對相關人才的需求已經從 AI 技術領域擴充套件到了更寬泛的行業領域，這也讓企業對具備人工智慧、資料科學和相關領域技能的員工需求呈現激增態勢。

根據美國技術行業組織 CompTIA 在 6 月公佈的一項資料顯示，IT 行業的失業率在 5 月份降至 1.3%，呈現 20 年來的最低水平。

這更加劇了對稀缺人才的競爭。

因此，在這類技術人才更容易朝大企業、明星創業公司聚攏的過程中，或許對新公司以及行業性技術公司的考量，並沒有如外媒講的那樣難以分辨。