Rumah Peranti teknologi AI Pelaburan kecerdasan buatan terus perlahan. Apakah jenis projek AI dan strategi pelaburan yang boleh bertahan dalam kitaran ini?

Pelaburan kecerdasan buatan terus perlahan. Apakah jenis projek AI dan strategi pelaburan yang boleh bertahan dalam kitaran ini?

Apr 11, 2023 pm 05:01 PM
AI

Menurut laporan suku tahunan "State of AI" yang dikeluarkan baru-baru ini oleh organisasi penyelidikan CB Insights, selaras dengan situasi semasa dalam pasaran modal, pelaburan dalam AI terus perlahan.

Jumlah pelaburan dalam syarikat permulaan AI turun 31% sejak suku lepas ke paras terendah sejak suku ketiga 2020. Pembiayaan berskala besar (lebih daripada AS$100 juta) jatuh 39% berbanding suku sebelumnya, mencecah paras terendah sembilan suku.

Walaupun genangan dalam pembiayaan AI akan melambatkan pembangunan bidang tersebut, ia juga mendorong pelabur untuk memberi lebih tumpuan kepada projek AI yang mungkin mencapai pembangunan yang mampan. Pelabur perlu memahami syarikat permulaan AI yang telah menerima pembiayaan untuk mendapatkan gambaran umum tentang bagaimana industri AI akan berkembang pada bulan-bulan akan datang.

Pelaburan kecerdasan buatan terus perlahan. Apakah jenis projek AI dan strategi pelaburan yang boleh bertahan dalam kitaran ini?

Model Perniagaan AI

Permulaan AI ialah istilah kabur yang biasanya digunakan untuk semua jenis syarikat, skopnya Daripada syarikat menumpukan pada menyediakan alatan AI (cth. MLOps, alat analitik ramalan, pembangunan model tanpa kod/kod rendah) kepada syarikat yang menggunakan AI dalam produk mereka (cth. syarikat insurtech menggunakan pembelajaran mesin untuk meramal risiko).

Walau bagaimanapun, terdapat faktor yang menentukan kejayaan model perniagaan yang dibentuk di sekitar AI dan pembelajaran mesin. Berikut adalah beberapa prinsip umum produknya:

1 Produk/kesesuaian pasaran: Produk AI mesti menyelesaikan masalah yang tidak dapat diselesaikan, atau memberikan penambahbaikan yang mencukupi pada penyelesaian sedia ada.

2. Strategi pertumbuhan: Mesti ada saluran berskala untuk produk menyampaikan nilainya kepada pengguna sasaran (seperti pengiklanan berbayar dan penyepaduan dengan aplikasi sedia ada). Saluran ini mesti bersifat defensif dan menyukarkan pesaing untuk menguasai bahagian pasaran.

3. Sasaran pasaran: Pelabur berharap mendapat pulangan pelaburan. Mesti ada pasaran yang besar untuk produknya berkembang dan mencapai penilaian sasarannya. Jika produk itu terlalu khusus dan sedikit orang mengambil berat tentangnya, pelabur tidak akan berminat untuk membiayainya.

Selain prinsip di atas, produk yang menggunakan AI dan pembelajaran mesin juga mesti menyelesaikan beberapa masalah lain:

1 Data latihan: Pasukan produk perlu mempunyai cukup data berkualiti tinggi untuk melatih dan menguji modelnya. Dalam sesetengah kes, data ini mudah diperolehi (seperti set data awam dan data sedia ada dalam pangkalan data perusahaan yang lain lebih sukar diperoleh (seperti data kesihatan). Untuk sesetengah apl, data mungkin berbeza sedikit merentas geografi dan khalayak, memerlukan usaha pengumpulan data mereka sendiri.

2. Peningkatan berterusan: Model AI dan pembelajaran mesin perlu sentiasa dikemas kini apabila dunia berubah. Selepas menggunakan model pembelajaran mesin, pasukan produk mesti mempunyai strategi untuk terus mengumpul data untuk mengemas kini dan menambah baik model. Penambahbaikan berterusan ini juga mengukuhkan pertahanan produk terhadap pesaing.

Selaras dengan prinsip ini, menurut laporan tinjauan oleh CB Insights, adalah perlu untuk memahami sama ada terdapat corak untuk pemula AI untuk menarik dana untuk rancangan AI mereka semasa kemelesetan ekonomi.

Projek AI yang menentang trend dan mencapai pembiayaan peringkat awal

Saiz purata pembiayaan peringkat awal dalam industri AI telah stabil di sekitar AS $3 juta. Sebagai perbandingan, saiz perjanjian pertengahan dan akhir masing-masing turun 15% dan 53% suku ke suku. Tetapi bilangan tawaran peringkat awal telah mengecil, bermakna pemula AI akan mempunyai masa yang lebih sukar untuk mencari pelaburan untuk idea produk mereka.

Antara pembiayaan benih dan tawaran malaikat yang disebut dalam laporan CB Insights, syarikat permulaan AI Israel Voyantis menerima pembiayaan $19 juta pada bulan Julai untuk membangunkan platform pertumbuhan ramalannya.

Persekitaran pengiklanan hari ini telah berubah dengan peraturan yang lebih ketat mengenai data pengguna dan privasi, dan Voyantis komited untuk menyelesaikan masalah ini yang dihadapi oleh pemasar. Sebagai contoh, Apple baru-baru ini menambah ciri pada iOS yang membolehkan pengguna menghalang pengiklan daripada mengumpul ID peranti mereka. Tanpa data terperinci tentang pengguna, kempen berasaskan peraturan sebelumnya hanya boleh menyampaikan hasil yang buruk, yang akan meningkatkan kos setiap pemerolehan pengguna (CAC). Voyantis menggunakan pembelajaran mesin untuk meramalkan tingkah laku pengguna dan nilai seumur hidup, membantu membuat keputusan termaklum dan meningkatkan ROI kempen pemasaran.

Eleven Therapeutics, sebuah lagi syarikat permulaan bioteknologi yang berpangkalan di Israel, menerima pembiayaan benih AS$22 juta pada Ogos tahun ini. Ia memberi tumpuan kepada terapeutik RNA, kawasan yang telah menarik banyak perhatian sejak beberapa tahun kebelakangan ini, terutamanya semasa penularan wabak coronavirus baharu.

Syarikat sedang membangunkan rangka kerja pembelajaran mendalam untuk "menjana data berfungsi pada pengedaran aktiviti molekul siRNA." Tidak banyak maklumat tentang teknologi AI syarikat, tetapi ia adalah ruang pasaran yang mempunyai banyak potensi, dan penyokong kewangannya termasuk Yayasan Bill & Melinda Gates.

Pemula Spice AI yang berpangkalan di AS menerima $14 juta dalam pembiayaan benih pada September tahun ini dan sedang membina infrastruktur digital untuk mencipta aplikasi Web3 dipacu AI. Menariknya, syarikat itu berjaya menarik pelaburan pada ketika industri permulaan crypto berada dalam keadaan yang lebih teruk daripada industri lain.

Terdapat tiga perkara yang perlu diberi perhatian tentang syarikat ini: Pertama, ia mewujudkan infrastruktur kejuruteraan data untuk mengindeks data sedia ada pada rantaian blok utama, yang bermaksud ia tidak mempunyai sebarang halangan utama untuk mendapatkan data. Kedua, pengasasnya ialah veteran Microsoft Azure, termasuk Ketua Pegawai Teknologi Mark Russinovich dan bekas dan Ketua Pegawai Eksekutif GitHub semasa (diperolehi oleh Microsoft pada 2018). Mempunyai tokoh industri berprofil tinggi sedemikian memudahkan syarikat untuk menarik pelaburan, walaupun dalam masa yang paling sukar. Ketiga, kejuruteraan data blockchain sebahagian besarnya merupakan masalah yang tidak dapat diselesaikan yang pasti akan dihadapi oleh syarikat Web3 apabila industri semakin matang, jadi ini boleh dianggap sebagai salah satu projek berisiko rendah Web3.

Siapa yang telah menerima pelaburan besar dalam bidang AI

Antara syarikat pemula yang telah menerima pembiayaan besar pada suku ketiga 2022, syarikat permulaan Amerika Afresh? pelaburan besar pada Ogos tahun ini mengumpul AS$115 juta dalam pembiayaan Siri B. Syarikat itu menggunakan pembelajaran mesin untuk membantu pengusaha kedai runcit mengurangkan sisa makanan sehingga 25%, kerana platform menjejaki jualan makanan segar dan membantu meramalkan permintaan pelanggan masa hadapan. Pasukan rantaian bekalan boleh menggunakan platform untuk mengoptimumkan perolehan, dan pengguna boleh membuat pesanan terus dengan pembekal menggunakan platform untuk mengurangkan sisa makanan.

Syarikat itu sudah mempunyai beribu-ribu pelanggan di 40 negeri di Amerika Syarikat Ia akan menggunakan pembiayaan baharu untuk mengembangkan perniagaannya, mengembangkan pasaran ke negara dan wilayah lain serta menambah ciri baharu untuk meningkatkan nilai. produknya dan liputan Pasaran.

Satu lagi syarikat yang menerima pelaburan besar ialah Bending Spoons, pembangun aplikasi mudah alih yang berpangkalan di Itali, yang mengumpul $340 juta pada September tahun ini. Bending Spoons membangunkan aplikasi pengeditan video dan foto mudah alih yang menggunakan pembelajaran mesin untuk melaksanakan tugas yang rumit seperti pengalihan keluar latar belakang, kapsyen automatik dan peningkatan foto.

Apl syarikat menggunakan model freemium, di mana pengguna boleh menggunakan ciri asas secara percuma, tetapi mesti membayar untuk menggunakan ciri lanjutan. Ditubuhkan pada 2013, Bending Spoons telah dimuat turun lebih daripada 500 juta kali dan mempunyai hasil tahunan melebihi $100 juta untuk beberapa tahun Langkah seterusnya ialah menggunakan pembiayaan baharu untuk membangunkan produk baharu dan membuat pemerolehan, memasarkan produk baharunya kepada pelanggan sedia ada. , dan Kumpul lebih banyak data untuk mengembangkan lagi petunjuk anda ke atas pesaing anda.

Peraturan pelaburan AI melalui kitaran

Jika anda menyelidiki syarikat AI yang telah menerima pembiayaan, anda akan mendapat lebih banyak maklumat, tetapi beri perhatian kepada perkara berikut:

1. Mematuhi prinsip produk yang baik: Tidak kira betapa bagusnya AI, ia memerlukan produk yang boleh menyelesaikan masalah sebenar dan mempunyai kurang daya tahan terhadap pengangkatan. Pada masa yang sama, produk AI juga perlu mempunyai pasaran yang besar, ruang untuk pengembangan dan visi yang jelas untuk pertumbuhan yang mampan.

2. B2B AI adalah yang paling penting: Walaupun aplikasi yang dipacu AI memberikan kemudahan kepada pengguna, nilainya kepada perniagaan jauh lebih besar, terutamanya apabila ekonomi memasuki kes kemelesetan. AI yang dilaksanakan dengan baik boleh mengurangkan wang yang terbuang, mengoptimumkan pengesyoran dan mengautomasikan fungsi manual, yang semuanya memberi kesan kepada perbelanjaan dan hasil syarikat AI.

3. Cari pasaran AI baharu antara masalah yang belum diselesaikan: Dalam bidang AI, pasaran yang mantap sukar untuk ditakluki kerana syarikat AI sedia ada sudah mempunyai set data yang lebih baik untuk melatih model mereka. Dan lebih mudah dan murah untuk memasuki pasaran baharu, terutamanya jika anda boleh mengumpul data dengan cepat untuk melatih model pembelajaran mesin sebelum pesaing anda melakukannya.

4. Kurangkan kos memperoleh data: Cari idea AI yang datanya sudah wujud dan dianotasi (mis., urus niaga kewangan, sejarah jualan, rekod pesakit). Atau cari penyelesaian yang menjana data yang diperlukan untuk model untuk mengurangkan keperluan pengumpulan data. Jika aplikasi perusahaan memerlukan saluran paip baharu untuk mengumpul, membersihkan dan menganotasi data, ia akan memerlukan lebih banyak masa, bakat dan wang, yang sukar dicapai dalam situasi semasa.

5 Mempunyai pengasas terkenal akan menarik lebih banyak pelaburan: Pengasas yang pernah bekerja di syarikat teknologi besar lebih berkemungkinan menarik syarikat AI (seperti infrastruktur data Web3AI) Lebih banyak dan pelaburan.

Atas ialah kandungan terperinci Pelaburan kecerdasan buatan terus perlahan. Apakah jenis projek AI dan strategi pelaburan yang boleh bertahan dalam kitaran ini?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Kenyataan Laman Web ini
Kandungan artikel ini disumbangkan secara sukarela oleh netizen, dan hak cipta adalah milik pengarang asal. Laman web ini tidak memikul tanggungjawab undang-undang yang sepadan. Jika anda menemui sebarang kandungan yang disyaki plagiarisme atau pelanggaran, sila hubungi admin@php.cn

Alat AI Hot

Undresser.AI Undress

Undresser.AI Undress

Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover

AI Clothes Remover

Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool

Undress AI Tool

Gambar buka pakaian secara percuma

Clothoff.io

Clothoff.io

Penyingkiran pakaian AI

Video Face Swap

Video Face Swap

Tukar muka dalam mana-mana video dengan mudah menggunakan alat tukar muka AI percuma kami!

Alat panas

Notepad++7.3.1

Notepad++7.3.1

Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina

SublimeText3 versi Cina

Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1

Hantar Studio 13.0.1

Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6

Dreamweaver CS6

Alat pembangunan web visual

SublimeText3 versi Mac

SublimeText3 versi Mac

Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Bytedance Cutting melancarkan keahlian super SVIP: 499 yuan untuk langganan tahunan berterusan, menyediakan pelbagai fungsi AI Bytedance Cutting melancarkan keahlian super SVIP: 499 yuan untuk langganan tahunan berterusan, menyediakan pelbagai fungsi AI Jun 28, 2024 am 03:51 AM

Laman web ini melaporkan pada 27 Jun bahawa Jianying ialah perisian penyuntingan video yang dibangunkan oleh FaceMeng Technology, anak syarikat ByteDance Ia bergantung pada platform Douyin dan pada asasnya menghasilkan kandungan video pendek untuk pengguna platform tersebut Windows , MacOS dan sistem pengendalian lain. Jianying secara rasmi mengumumkan peningkatan sistem keahliannya dan melancarkan SVIP baharu, yang merangkumi pelbagai teknologi hitam AI, seperti terjemahan pintar, penonjolan pintar, pembungkusan pintar, sintesis manusia digital, dsb. Dari segi harga, yuran bulanan untuk keratan SVIP ialah 79 yuan, yuran tahunan ialah 599 yuan (nota di laman web ini: bersamaan dengan 49.9 yuan sebulan), langganan bulanan berterusan ialah 59 yuan sebulan, dan langganan tahunan berterusan ialah 499 yuan setahun (bersamaan dengan 41.6 yuan sebulan) . Di samping itu, pegawai yang dipotong juga menyatakan bahawa untuk meningkatkan pengalaman pengguna, mereka yang telah melanggan VIP asal

Pembantu pengekodan AI yang ditambah konteks menggunakan Rag dan Sem-Rag Pembantu pengekodan AI yang ditambah konteks menggunakan Rag dan Sem-Rag Jun 10, 2024 am 11:08 AM

Tingkatkan produktiviti, kecekapan dan ketepatan pembangun dengan menggabungkan penjanaan dipertingkatkan semula dan memori semantik ke dalam pembantu pengekodan AI. Diterjemah daripada EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, pengarang JanakiramMSV. Walaupun pembantu pengaturcaraan AI asas secara semulajadi membantu, mereka sering gagal memberikan cadangan kod yang paling relevan dan betul kerana mereka bergantung pada pemahaman umum bahasa perisian dan corak penulisan perisian yang paling biasa. Kod yang dijana oleh pembantu pengekodan ini sesuai untuk menyelesaikan masalah yang mereka bertanggungjawab untuk menyelesaikannya, tetapi selalunya tidak mematuhi piawaian pengekodan, konvensyen dan gaya pasukan individu. Ini selalunya menghasilkan cadangan yang perlu diubah suai atau diperhalusi agar kod itu diterima ke dalam aplikasi

Bolehkah penalaan halus benar-benar membolehkan LLM mempelajari perkara baharu: memperkenalkan pengetahuan baharu boleh menjadikan model menghasilkan lebih banyak halusinasi Bolehkah penalaan halus benar-benar membolehkan LLM mempelajari perkara baharu: memperkenalkan pengetahuan baharu boleh menjadikan model menghasilkan lebih banyak halusinasi Jun 11, 2024 pm 03:57 PM

Model Bahasa Besar (LLM) dilatih pada pangkalan data teks yang besar, di mana mereka memperoleh sejumlah besar pengetahuan dunia sebenar. Pengetahuan ini dibenamkan ke dalam parameter mereka dan kemudiannya boleh digunakan apabila diperlukan. Pengetahuan tentang model ini "diperbaharui" pada akhir latihan. Pada akhir pra-latihan, model sebenarnya berhenti belajar. Selaraskan atau perhalusi model untuk mempelajari cara memanfaatkan pengetahuan ini dan bertindak balas dengan lebih semula jadi kepada soalan pengguna. Tetapi kadangkala pengetahuan model tidak mencukupi, dan walaupun model boleh mengakses kandungan luaran melalui RAG, ia dianggap berfaedah untuk menyesuaikan model kepada domain baharu melalui penalaan halus. Penalaan halus ini dilakukan menggunakan input daripada anotasi manusia atau ciptaan LLM lain, di mana model menemui pengetahuan dunia sebenar tambahan dan menyepadukannya

Tujuh Soalan Temuduga Teknikal GenAI & LLM yang Cool Tujuh Soalan Temuduga Teknikal GenAI & LLM yang Cool Jun 07, 2024 am 10:06 AM

Untuk mengetahui lebih lanjut tentang AIGC, sila layari: 51CTOAI.x Komuniti https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou berbeza daripada bank soalan tradisional yang boleh dilihat di mana-mana sahaja di Internet memerlukan pemikiran di luar kotak. Model Bahasa Besar (LLM) semakin penting dalam bidang sains data, kecerdasan buatan generatif (GenAI) dan kecerdasan buatan. Algoritma kompleks ini meningkatkan kemahiran manusia dan memacu kecekapan dan inovasi dalam banyak industri, menjadi kunci kepada syarikat untuk kekal berdaya saing. LLM mempunyai pelbagai aplikasi Ia boleh digunakan dalam bidang seperti pemprosesan bahasa semula jadi, penjanaan teks, pengecaman pertuturan dan sistem pengesyoran. Dengan belajar daripada sejumlah besar data, LLM dapat menjana teks

Lima sekolah pembelajaran mesin yang anda tidak tahu Lima sekolah pembelajaran mesin yang anda tidak tahu Jun 05, 2024 pm 08:51 PM

Pembelajaran mesin ialah cabang penting kecerdasan buatan yang memberikan komputer keupayaan untuk belajar daripada data dan meningkatkan keupayaan mereka tanpa diprogramkan secara eksplisit. Pembelajaran mesin mempunyai pelbagai aplikasi dalam pelbagai bidang, daripada pengecaman imej dan pemprosesan bahasa semula jadi kepada sistem pengesyoran dan pengesanan penipuan, dan ia mengubah cara hidup kita. Terdapat banyak kaedah dan teori yang berbeza dalam bidang pembelajaran mesin, antaranya lima kaedah yang paling berpengaruh dipanggil "Lima Sekolah Pembelajaran Mesin". Lima sekolah utama ialah sekolah simbolik, sekolah sambungan, sekolah evolusi, sekolah Bayesian dan sekolah analogi. 1. Simbolisme, juga dikenali sebagai simbolisme, menekankan penggunaan simbol untuk penaakulan logik dan ekspresi pengetahuan. Aliran pemikiran ini percaya bahawa pembelajaran adalah proses penolakan terbalik, melalui sedia ada

Untuk menyediakan tanda aras dan sistem penilaian menjawab soalan saintifik dan kompleks baharu untuk model besar, UNSW, Argonne, University of Chicago dan institusi lain bersama-sama melancarkan rangka kerja SciQAG Untuk menyediakan tanda aras dan sistem penilaian menjawab soalan saintifik dan kompleks baharu untuk model besar, UNSW, Argonne, University of Chicago dan institusi lain bersama-sama melancarkan rangka kerja SciQAG Jul 25, 2024 am 06:42 AM

Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka

SK Hynix akan memaparkan produk berkaitan AI baharu pada 6 Ogos: HBM3E 12 lapisan, NAND 321 tinggi, dsb. SK Hynix akan memaparkan produk berkaitan AI baharu pada 6 Ogos: HBM3E 12 lapisan, NAND 321 tinggi, dsb. Aug 01, 2024 pm 09:40 PM

Menurut berita dari laman web ini pada 1 Ogos, SK Hynix mengeluarkan catatan blog hari ini (1 Ogos), mengumumkan bahawa ia akan menghadiri Global Semiconductor Memory Summit FMS2024 yang akan diadakan di Santa Clara, California, Amerika Syarikat dari 6 hingga 8 Ogos, mempamerkan banyak produk penjanaan teknologi baru. Pengenalan kepada Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage), dahulunya Sidang Kemuncak Memori Flash (FlashMemorySummit) terutamanya untuk pembekal NAND, dalam konteks peningkatan perhatian kepada teknologi kecerdasan buatan, tahun ini dinamakan semula sebagai Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage) kepada jemput vendor DRAM dan storan serta ramai lagi pemain. Produk baharu SK hynix dilancarkan tahun lepas

Prestasi SOTA, kaedah AI ramalan pertalian protein-ligan pelbagai mod Xiamen, menggabungkan maklumat permukaan molekul buat kali pertama Prestasi SOTA, kaedah AI ramalan pertalian protein-ligan pelbagai mod Xiamen, menggabungkan maklumat permukaan molekul buat kali pertama Jul 17, 2024 pm 06:37 PM

Editor |. KX Dalam bidang penyelidikan dan pembangunan ubat, meramalkan pertalian pengikatan protein dan ligan dengan tepat dan berkesan adalah penting untuk pemeriksaan dan pengoptimuman ubat. Walau bagaimanapun, kajian semasa tidak mengambil kira peranan penting maklumat permukaan molekul dalam interaksi protein-ligan. Berdasarkan ini, penyelidik dari Universiti Xiamen mencadangkan rangka kerja pengekstrakan ciri berbilang mod (MFE) novel, yang buat pertama kalinya menggabungkan maklumat mengenai permukaan protein, struktur dan jujukan 3D, dan menggunakan mekanisme perhatian silang untuk membandingkan ciri modaliti yang berbeza penjajaran. Keputusan eksperimen menunjukkan bahawa kaedah ini mencapai prestasi terkini dalam meramalkan pertalian mengikat protein-ligan. Tambahan pula, kajian ablasi menunjukkan keberkesanan dan keperluan maklumat permukaan protein dan penjajaran ciri multimodal dalam rangka kerja ini. Penyelidikan berkaitan bermula dengan "S

See all articles