THE:盤點獲投資者和創業者青睞的10個AI創業項目

執行概要

如果只有幾分鐘的時間，下面的摘要列出了投資者、經營者和創業者需了解的最令人興奮的AI創業項目：

預測未來。我們都喜歡偶爾扮演Nostradamus。但是，要是你能預測未來，并有很大可能是正確的呢？有人認為，多虧了像Kumo這樣的公司，AI使得這越來越有可能。這款預測智能平臺讓用戶能夠“查詢未來”，預測客戶對新產品或業務變化的反應。增強型專家。營銷人員已利用大型語言模型來創建廣告文案、博客文章等。但是，我們如何讓AI的威力觸達法律和醫學領域呢？兩個項目突顯了正在取得的突破，它們幫助醫生和律師更高效、更有效地工作。云工作室。曾幾何時，如果想拍攝3D影像，你需要定制的昂貴硬件。最近的創新意味著這已經不再是問題。現在用戶只需一部智能手機，就可以捕捉到逼真的3D圖像，用于游戲素材、電商產品拍攝或創意項目。原本大型工作室才有的能力，越來越多地可在任何地方輕松獲取。產品智慧的力量。僅僅利用AI是不夠的；你還必須將技術包裝成一個引人注目的產品。此間因為此能力而受到關注的項目是Sana，一家企業知識管理平臺。據一位推薦者稱，Sana巧妙而有效地利用AI，將其融入到一個有凝聚力的產品中。科學的語言。世界上充滿了人類無法解讀的語言。這包括生命科學的“語言”。諸如Enveda之類的項目翻譯科學領域的詞匯、語法和語義，使人類能夠“應答”，并研發新穎的化學物質。人工智能的興盛正式進入超高速發展階段。距離我們本系列的上一期文章還不到五個月，整個領域已發生了翻天覆地的變化。回到那個古雅的11月中旬，ChatGPT尚未發布，更不用說GPT-4了。必應仍然是一個毫無頭腦的落后搜索引擎，而在龐大的谷歌大廈里，“Bard”這個詞并未引發熱夢或惡夢。

逐漸地，我們的世界似乎是這樣運作的：斷斷續續，然后出現令人瞠目結舌的加速和精美的發明，最后在一個長午休后就突然過時了。

我們的“觀察焦點”系列文章試圖緊跟科技快速發展的領域。雖然沒有人能夠了解AI領域的每一項創新，但我們希望在更廣泛地被市場注意到之前，能夠發現引人注目的項目和趨勢。為此，我們請教了一些AI領域最出色的投資者和創業者，讓他們挑選他們密切關注的項目和趨勢。

以下是他們的推薦。

Harvy：您的法律助手

https://www.harvey.ai/

人工智能各層面都發生著巨大的創新。例如，有人在為編程、圖像生成和核心多模態語言構建有趣的新定制模型。同樣，工具類項目數量也在激增，從Langchain到Llama-index再到Chroma。一些項目跨越了這些界限，而另一些則專注于構建獨立應用程序。

獲得快速采用的應用程序具有的共同特點包括：

1.?專注于新穎的功能。利用LLM或其他模型的獨特優勢的應用程序，通常會受到熱烈歡迎。構建者們會問自己：這項技術有何獨特之處，是它能做到而以前的技術無法實現的？

2.?減少繁瑣勞動。用輕量級機器智能替換重復性的人工勞動或核心工作流程，這類應用程序令人愛不釋手。減少或消除痛苦的手工操作顯而易見具有吸引力。

3.?提升人類能力。在許多情況下，完全自動化可能無法實現。因此，一些應用程序采用了“人機結合”的方法，專注于提高用戶能力，而不是完全接管用戶任務。人力可以用來糾正錯覺或對準確性和措辭提供定性。

鯨魚再次購買了446枚MKR，目前持有3450萬美元的MKR:金色財經報道，Lookonchain監測顯示，鯨魚（也許MakerDAO) 可能已經看到這條推文并在北京時間5月23日20點左右用153枚ETH (價值約28.3萬美元)購買了446枚MKR。自2021年9月6日以來，該鯨魚以933美元的平均價格一直在買入MKR，并且從未賣出過MKR。總共購買了36989枚MKR （價值3450萬美元）。

金色財經此前報道，北京時間5月23日18點左右，JustinSun向Binance存入了6801枚MKR（430萬美元）。[2023/5/24 15:22:20]

Harvey具備這三個特點，但與GitHub的Copilot不同，Harvey專注于法律領域。Harvey幫助律師在盡職調查、訴訟、研究和合規方面開展工作。目前，它取得了良好的開端：該公司已經與像普華永道和安理律師事務所這樣的巨頭達成了協議。

在眾多人工智能創業項目中，Harvey因為以下幾個關鍵原因而脫穎而出：

1.合適的團隊。Harvey的創始人從應用場景和技術角度理解問題。聯合創始人溫斯頓·溫伯格曾在奧梅爾維尼從事反壟斷訴訟，而首席執行官加布里埃爾·佩雷拉曾在Deepmind擔任研究科學家。

2.深思熟慮的方法。Harvey采取了獨特的方法來評估法律團隊的需求。溫伯格和佩雷拉專注于盡職調查中的一些關鍵早期問題，客戶反饋強烈。通過不斷迭代，他們實現了深度用戶參與。

3.速度和專注。在選擇好問題集后，Harvey的創始人迅速為特定客戶需求和應用場景提供服務。Harvey的與安理等特定客戶緊密合作，以確保開發是針對真正的客戶痛點來進行的。這揭示了更多應用場景，深化了工作流程。

法律和合規領域是一個很好的例子，通過人工智能獲得重塑——從訴訟到起草保險索賠再到代表人類客戶向法院遞交文件等方面。

而且不會止于此。專業的AI助手以及可以綜合數據并提供答案的應用在醫學、金融、市場營銷、銷售、會計等領域具有巨大潛力。

－EladGil和VinceHankes，ThriveCapital合伙人

Kumo：了解未來

https://kumo.ai/

我在斯坦福大學的NVIDIA禮堂見過JureLeskovec。這位計算機科學教授在他的“大規模挖掘數據集”課程中為一些全球最聰明的年輕工程師做了一場講座。研究生們如饑似渴，我也是如此。Jure是技術嫻熟與表達清晰的罕見結合。Jure演講中引人入勝的一部分是他具有挑釁性的說法：在未來幾年中，AI驅動的系統將能夠預測未來。

如今，Jure所設想的AI革命正在變為現實。現代企業從龐大的數據蹤跡中提取強有力的洞見。從客戶交易到內部運營再到外部信號，都可以轉化為有用的知識。

Jure、VanjaJosifovski和HemaRaghavan共同創建了Kumo。

使用Kumo，公司可以像依賴數據庫查詢過去一樣查詢未來。Kumo讓客戶不僅可以分析去年發生了什么，還可以看到明年可能發生什么。這樣一款產品的影響可能是深遠的：企業不再僅限于分析過去的事件，而是能更好地預見新機遇。用戶仍會想要追蹤顯示錯誤的數據，但他們將使用Kumo來查看可能出現的正確結果。

西門子、英偉達和亞馬遜云服務創建工業元宇宙Freyr Gigafactory:金色財經報道，西門子、英偉達（NVDA.O）和亞馬遜云服務（AWS）通過結合現實和數字世界，創造了Freyr Gigafactory的沉浸式工業元宇宙體驗。[2023/4/18 14:09:36]

例如，傳統的客戶關系管理數據庫包含客戶姓名、帳號和交易歷史等信息。相比之下，Kumo提供了訪問一個可以預測特定客戶在未來一年內可能花費多少、哪些新產品最有可能幫助他們，以及可能導致客戶轉投競爭對手的關鍵因素的數據庫。

Kumo使用圖神經網絡來識別公司數據中的模式和關系。GNN具有強大的預測能力，非常適合分析無法使用傳統的統計或機器學習技術輕松表示的復雜、互相關聯的數據。

GNN的應用將在未來十年帶來巨大的變革。公司將改革其運營，以未來客戶行為為中心。準確預測這種行為使公司能夠提供定制的產品推薦、量身定制的促銷活動和有針對性的溝通。預測分析還將應用于更廣泛的應用場景，包括欺詐檢測、產品設計、規劃和預測。

自從與Kumo合作以來，我親眼目睹了一個雄心勃勃、才華橫溢、意志堅定的團隊在AI前沿領域所取得的成果。

－KonstantineBuhler，紅杉資本合伙人

ReflexAI：培訓一線支持人員

https://www.reflexai.com

許多創業者正在構建基于LLM的應用程序，因為在過去的一年里，LLM已成為非常強大的平臺。但我從未對那些只是為了創業而創業，或者僅僅因為發現了一項令人興奮的趨勢的旅行者和企業家感興趣。我熱愛那些已經積累了一段時間的建設者，那些擁有獨特見解，并意識到他們非做不可，一定要創辦那個項目的人。

這正是ReflexAI的聯合創始人SamDorison和JohnCallery所具備的建設者特質。作為TheTrevorProject的領導者，這個組織在LGBTQ青少年自殺預防方面開展了重要工作。他們從2019年開始嘗試使用OpenAI的早期模型，例如GPT-2。他們意識到這些模型有潛力幫助培訓全職代理和兼職志愿者應對危機對話，并花了幾年時間來構建相應軟件。他們的CrisisContactSimulator被評為2021年TIME最佳發明之一，培訓了數千名心理輔導員，更好地支持孩子們的心理健康，特別是在需要時挽救了許多生命。到了2022年，當全球都意識到GPT-3的強大時，Sam和John發現了一個更大的機會：將他們在TheTrevorProject中的經驗應用到構建AI驅動的支持工具，以培訓、發展和賦能各組織和企業的一線團隊。

ReflexAI發展迅速，早期合作伙伴包括Google.org和美國退伍軍人事務部。通過模擬，他們的軟件幫助培訓代理商進行具有挑戰性的對話，并提供可行的反饋，幫助他們隨著時間推移改進互動方式。這是由一個有使命感的團隊打造的產品，他們自己也曾是客戶，并且在多年時間里與這些模型一起工作。他們具備獨特的地位來解決一個棘手的問題。我迫不及待地想看到他們對危機呼叫中心運營和其他領域產生的影響。

－NikhilBasuTrivedi，Footwork聯合創始人和普通合伙人

Together：分布式AI云計算

CME：美聯儲11月加息75個基點的概率為97.2%:10月25日消息，據CME“美聯儲觀察”：美聯儲11月加息50個基點至3.50%-3.75%區間的概率為2.8%，加息75個基點的概率為97.2%，加息100個基點的概率為0%。

到12月累計加息100個基點的概率為1.3%，累計加息125個基點的概率為47.4%，累計加息150個基點的概率為51.3%。[2022/10/25 16:38:00]

https://www.together.xyz

AI可以說正在經歷它的“Linux時刻”。如今，關于開放式還是封閉式AI模型應在市場中占主導地位的爭論尚無定論，這與20世紀90年代末開始的微軟Windows與Linux之間的爭論類似。最終的答案是“和平共處”，但Linux的開放模型在高端計算領域占據主導地位。這與移動操作系統競爭的結果有所不同，在那里，蘋果iOS相對封閉的生態系統在與谷歌更具擴展性的Android競爭中占據了優勢。

過去幾年，包括HuggingFace、Meta、Runway和Stability在內的許多組織都專注于開發AI的開放模型和數據生態系統，此外還有EleutherAI、CarperAI、LAION等研究機構以及許多學術機構。這些項目得到了同時投資于開放和封閉AI生態系統的企業的幫助。谷歌、微軟、英偉達等公司通過TensorFlow、Jax、DeepSpeed、Megatron等模型和框架為開源生態系統做出了重大貢獻，即使他們也在開發專有產品。

隨著AI領域的模型和數據向開放化發展，大規模計算仍依賴于少數幾家大型云提供商。計算一定要是專有的嗎？比特幣、以太坊和其他加密網絡證明了分布式大型共享計算資源池是可行的。如果我們可以重新創建這些擴展網絡，但用于更高價值的工作負載，例如LLM訓練和推理，那會怎樣呢？

Together正試圖做到這一點。這家創業公司正在構建一個分布式云計算平臺，整合數據、模型和計算，使研究人員、開發者和企業能夠利用人工智能的最新進展。

開放計算的一個挑戰是訓練基礎模型的成本不斷上升。我們看到這個數字從數千萬美元上升到數億美元，如果要相信傳言的話。成本可能很快達到10億美元。關鍵是，這些成本可能成為進入壁壘，使行業向中心化的方向發展，因為只有少數大型模型和計算提供商才能承受這樣的運營成本。這與高端半導體市場的發展如出一轍。

通過降低訪問和成本壁壘，Together可能確保一個充滿活力的開源生態系統，使更多的企業、研究機構和個人能夠參與其中。從GPT-JT和OpenChatKit開始，TogetherCloud已證明用戶可以在具有100倍于傳統數據中心的網絡帶寬的商品化異構硬件上訓練基礎模型。過去十年的技術依賴于云服務；AI革命可能建立在像Together這樣的提供商之上。

以下摘自ImportAI的一段對Together及其開源生態系統重要性的類比：

Together、LAION和Eleuther都代表了一個大趨勢：期待一個分布式AI生態系統，其中開源模型由不同的團隊在越來越分散的計算資源上進行訓練。這里有“大教堂與市集”的影子，其中大教堂的建設者可以使用大量計算資源和中心化的團隊，而市集的人們可獲得資源雖然較少，但通過自下而上的實驗實現更大的集體智慧。這類方法中的其中一個，將首先構建出我們都稱之為超級智能的東西，哪種方法更成功，其后果將是巨大的。–BrandonReeves，LuxCapital的普通合伙人

土耳其將推出基于區塊鏈的數據服務項目e-Human:10月19日消息，土耳其總統 Recep Tayyip Erdo?an 宣布將推出基于區塊鏈的數據服務項目 e-Human。該項目旨在收集與職業、遠程教育、人才相關的數據提供教育內容以提高公民就業能力。e-Human 項目將使用區塊鏈技術保護系統的所有服務、數據和功能。（Cointelegraph）[2022/10/19 17:32:26]

PostEra：快速藥物發現

https://postera.a

AI在藥物發現領域蓬勃發展。各企業正競相生產專為特定用途設計的AI藥物，以優化結合或功能。這些組織依賴于搜索可能分子結構的整個近乎無限空間的模型。這個過程提供了令人興奮的可能性，并帶來了新的挑戰。例如，隨著AI在預測具有理想藥物屬性的結構方面變得越來越好，問題越來越是：我們如何制造它們

在將小分子藥物推向臨床試驗的過程中，大部分時間、精力和金錢并不是花在發現藥物上。相反，它們花在了引物優化上，這是一種藥物化學家采用初始命中結構并迭代設計、合成和測試變體的過程。化學家這樣做是為了找到具有更高效力和特異性、性更低的版本。這個“設計-制造-測試”優化周期可能需要數年時間，并且每個藥物項目的成本可能達到數百萬。

在設計-制造-測試周期中，大部分時間和金錢都花在了“制造”階段。數百種不同的分子變體中的每一種都必須由經過高度培訓的合成化學家單獨合成，每種變體需要一周甚至更長時間。這阻礙了快速迭代，成為全球瓶頸，減緩了有前景的藥物進入診所的速度。

PostEra是一家應對這些挑戰的公司。由AaronMorris和劍橋大學教授AlphaLee共同創立的PostEra在2020年初脫穎而出。這要歸功于他們的項目“COVIDMoonshot”。該項目利用PostEra的機器學習平臺為來自全球400多名科學家的抗病創意排序優先級。這是AI與眾包協同合作的一個強大例子，并成功識別了可供進一步開發的有前景的候選者。

PostEra的藥物發現平臺被稱為“Proton”，它通過更明確地將合成路徑預測納入生成式機器學習來全面優化引物。它專注于消除化學合成在設計周期中的瓶頸，以實現更快的迭代和測試更多分子。Proton利用公司的“Manifold”軟件系統，為任意化學結構提供實用的合成途徑。Manifold基于他們團隊早期使用語言模型預測化學反應結果的工作。PostEra將該平臺用于其內部管道和與輝瑞的戰略合作伙伴關系。

隨著AI在藥物發現方面變得越來越重要，像PostEra這樣的企業在幫助藥物進入市場方面可能發揮至關重要的作用。

–ViswaColluru，EnvedaBiosciences首席執行官；DavidHealey，EnvedaBiosciences數據科學副總裁

PathwayMedical：增強型醫生

https://www.pathway.md/

隨著GPT-4的發布，2023年對于應用AI領域來說將是激動人心的一年，許多創業者都在爭相打造下一個“針對‘X’的LLM”。然而，“快速行動，打破常規”在某些行業可能行得通，但在醫療健康領域卻不適用。

摩根士丹利：清晰的加密貨幣監管對行業發展很重要:金色財經報道，摩根士丹利（MS）周三在一份報告中表示，監管清晰是加密行業發展的必要條件，美國政府可能更容易就新的加密法達成一致，并“遵循拜登行政命令的精神”，使美國保持在創新的前沿。據該銀行的公共政策分析師稱，到 2023 年底，有關技術監管、加密貨幣、處方藥定價、增稅和中國競爭的立法將有不同的通過機會，具體取決于 11 月選舉的結果。

分析師還表示，定義數字資產監管對于行業的發展非常重要，特別是在穩定幣、加密產品、加密的機構所有權以及中央銀行數字貨幣 (CBDC) 的可能性方面，目前民主黨和共和黨陣營的政策制定者都對當前的加密監管感到失望，他們認為需要更嚴格的政府監督來解決一些問題，尤其是在消費者保護方面。報告稱，隨著美國證券交易委員會 (SEC)、商品期貨交易委員會 (CFTC) 等政府機構爭奪監管地盤，新立法的不確定性延長將對加密行業產生負面影響。[2022/5/26 3:42:26]

醫療健康產業是新技術最緩慢的采納者之一，可能也是有充分理由的。一個在預測電子郵件文本方面準確率為70%的AI模型可能會令人煩惱。但在做出影響患者結局的決策時，這是無法接受的。

如果我們想要更早地在醫療健康領域實現現代AI技術的全部影響，我們需要解決任何AI模型的基礎：數據。不幸的是，在許多醫療健康應用中，獲取高質量、結構化的數據仍然具有挑戰性。這不再僅僅是關于大數據，即更多的數據普遍更好，而是關于智能數據以及獲取與行業特定場景相關的高質量信息格式的能力。

這正是像PathwayMedical這樣的企業比新入行者具有優勢的地方。它已經整合并構建了大量的智能數據池，以支持醫療健康領域特定的LLM。

Pathway是一個以AI為先導的臨床決策支持工具，已經花費數年時間構建一個龐大的、結構化的醫學知識圖譜，由專家審核以確保可靠性。通過利用先進的語言模型和這些頂級數據，Pathway旨在生成可信的輸出，避免幻覺，以及基于經過充分參考和驗證的信息。

其結果類似于醫生的智能助手。使用Pathway，醫療專業人士可以輕松閱讀相關的醫學指南，獲得針對患者的建議，并探討鑒別診斷。Pathway將自己稱為醫生的“即時第二意見”。

隨著像Pathway這樣的企業的發展，我們希望看到AI在醫療健康領域的巨大潛力得以實現，改變臨床醫生獲取和互動關鍵信息的方式。這應有助于簡化教育和決策過程，最終提高患者結局并提高護理水平。

–TherenceBois，ValenceDiscovery聯合創始人兼首席運營官

Luma：讓每個人都能擁有3D

https://lumalabs.ai/

當我著手撰寫本文時，Luma還是一家在2021年完成了一輪小額種子輪融資的小型創業公司。此后，我不得不對其進行改寫。3月20日，Luma宣布由AmplifyPartners領投的A輪融資。這一點也不讓我感到意外。

神經輻射場是一項技術，簡單來說，它允許您將任何設備拍攝的照片轉換為完整的3D模型。與之前的3D掃描技術不同，它不需要專用的硬件。輸出的質量比我們以前看到的任何東西都要強得多，具有更高的視覺保真度和真實感。NeRFs可以處理光、陰影和反射。

Luma正處于部署這項技術的前沿。這家創業公司的應用程序讓客戶可以用智能手機捕捉逼真的3D圖像。這些圖像可以用作游戲素材、電子商務產品拍攝或藝術創作。

為什么這事很大？

隨著VR已來到我們家門口，AR可能在不到十年的時間里出現，對逼真的3D素材的需求可能會迅速增加。此外，有理由認為，這些革命可能需要改進3D捕捉技術才能完全實現。在過去，這個過程一直很困難，昂貴，有時甚至不可能。現在它不再是了。

即使在VR和AR騰飛之前，像Luma這樣的產品也可以開啟令人興奮的新應用場景。Etsy商家可以輕松捕捉正出售的桌子的3D模型。獨立開發者可以用智能手機創建逼真的游戲世界。只要會拍照，它就可以變成3D。Luma的標語說得最好：“3D，終于屬于每個人！”

NeRFs如何與其他技術相結合，改造未來的媒體，這是一個很有意義的話題。在短短幾年內，您就可觀賞到以Luma生成的3D模型作背景的故事片，它由Midjourney生成的演員出演，由ChatGPT編寫劇本，由ElevenLabs進行配音。

–EisoKant，Athenian創始人兼首席執行官

Coactive：解碼視覺數據

https://coactive.ai/

從社交媒體視頻到智能手機照片，視覺內容主導了人們的日常生活，并以前所未有的速度增長。盡管視覺內容無處不在，但它通常是非結構化的，因此是最難分析的信息形式。對于數據驅動的組織來說，錯過視覺格式中的洞察是一種損失。非結構化也是一個更廣泛的問題：據麻省理工學院稱，80%的企業數據是非結構化的，被困在音頻、視頻和Web服務器日志中。

Coactive通過機器學習為非結構化數據帶來結構，幫助數據驅動的團隊從圖像和視頻等視覺內容中獲取洞察。Coactive之所以引人關注，是因為企業有巨大的機會組織和分析多媒體內容，特別是對于擁有大量視覺內容的行業。例如，零售、社交媒體、醫學影像、游戲和自動駕駛汽車等。

從技術層面來看，Coactive將非結構化數據引入SQL世界，以便分析師可以對其進行注釋、搜索、查詢和建模。如今，最受歡迎的應用包括搜索、推薦、信任與安全以及數據分析。

借助該產品，客戶可以通過API或安全的數據湖連接將原始圖像或視頻直接上傳到Coactive的平臺。然后，視覺數據在Coactive平臺上進行嵌入和索引，幾乎不需要人工監督或標記。接下來，用戶可以通過Coactive的全托管圖像搜索API和SQL接口收集洞察力并運行查詢和搜索。Coactive精心設計了其UI/UX，使普通用戶和數據科學家都能輕松利用并從中獲得價值。

例如，一個時尚品牌可以上傳大量的視覺圖像和視頻，并在幾秒鐘內定義概念和類別，而不是幾天。這使品牌能夠更好地了解客戶如何在近乎實時的情況下與他們的產品互動。

過去幾年，貝塞默一直在跟蹤機器學習基礎設施的突破和商業智能的演變。鑒于這些趨勢，企業不僅會產生大量視覺內容，而且還需要對其進行解讀。

–?EthanKurzweil，BessemerVenturePartners合伙人

Sana：企業知識捕捉

https://www.sanalabs.com/

生成式AI的風靡是真實的。Twitter上充滿了各種模態的令人興奮的技術演示，從文本到圖像，再到視頻等等。LLM在某些任務上的表現令人難以置信，確實讓人覺得這是自手機以來的最令人激動的平臺。

然而，在所有的忼奮之中，我們需要牢記，與其他偉大的技術一樣，AI在觸達現實時的用戶體驗至關重要。現在，我們看到許多基于特定點的酷炫解決方案，展示了如轉錄、摘要、創意寫作、圖像/視頻生成和編碼等神奇功能。

其中大部分功能可能會成為現有大廠的一部分，而不是獨立產品，因為它們沒有回答那些看似無聊的問題：誰會每天使用這個功能？在什么背景下使用？他們愿意為此付費嗎？這是一個功能還是一個產品？它是否具有競爭力，你是否可以圍繞它快速建立一個大型企業和生意品類？

我認為，幾年前就由一些創業者創建的許多企業，在未來幾年將贏得勝利，他們在生成式AI和LLM的巨大潛力變得顯而易見之前就意識到了這一點。他們在構建平臺方面領先，通過與現實世界的接觸，磨練了他們的產品感知和客戶直覺。他們明白，實用性會吞噬新奇性，即使這是一個較慢的過程。

我對Sana這家公司感到興奮，它是一家為企業提供的AI驅動的學習平臺。該產品既是一個傳統的學習管理系統，可以創建課程和運行實時課程，也是一個知識管理平臺，可以創建一個可以通過集成到GoogleWorkspaces、Notion、GitHub等平臺的“公司大腦”。

該平臺美觀，支持實時協作，在核心SaaS功能方面遙遙領先于市場。但它也明顯以一種微妙而有效的方式設計成了AI優先。你可以使用AI從零開始制作整個課程，或者像一名副駕一樣，通過自動檢索信息和生成內容來幫助你更快地完成工作。

從長遠來看，你可以想象一個生成式學習系統，它具有公司內所有事和人的完整背景，并可以通過課程以結構化的方式按需培訓員工。它可以監控員工，識別知識差，制作簡短且個性化的課程，并實時直接發送給個人。提高生產率的潛力是巨大的。

Sana面臨的挑戰是發明一個可輕松適應企業工作流程的AI優先產品。人們不喜歡一次性發生太多變化。真正的藝術在于隨著時間的推移進行排序；用今天熟悉但更好10倍的體驗吸引他們，然后慢慢但穩步地將他們引向全新的解決方案，使其變得更好100倍。

傳統上，學習與發展領域往往被風險投資者忽視——它是一個成本中心，預算有限，很少成為C位的討論話題。我們還沒有看到一家市值過100億美元的公司將自己定位為L&D平臺。

但我認為有一個明顯的長期趨勢可能改變這一點：學習不再僅僅關注合規和人力資源。它是確保銷售團隊成為產品專家，開發人員能夠快速上手，以及每個人都了解公司戰略的關鍵

知識管理、生產力和L&D之間的界限越來越模糊，為企業創造了更多機會。世界發展的速度越快，企業提高員工技能和迅速傳播內部信息就變得越重要。

從目前為止，我看到Sana的執行和發展勢頭，他們很有機會不僅建立一個偉大的公司，而且將整個L&D類別演變成與今天截然不同的東西。

–VictorRiparbelli，Synthesia的聯合創始人兼首席執行官

Enveda：用化學的語言交流

AI領域現在要關注些什么？靠。全都要看。

我們正處于人類歷史上一個奇點時刻。我們發明了一種外星智能，并在應對近期技術和生意的影響方面進行摸索。但是，如果我必須用并不那么顯而易見的方式來回答您的問題，我會指出大型語言模型能夠學習所有語言，而不僅僅是那些我們特定類型進化人類大腦能夠破譯的語言。

ChatGPT和GPT廣泛地捕捉到了時代精神，因為它們向我們反映了已知的未知。在我們可以立即理解的語言中，呈現出全新的想法、前所未見的打油詩和詳盡的列表。到目前為止，以已知的人類語言呈現出全新的、未知的概念。但到這兒就完了嗎？將LLM與互聯網結合，可以開啟我們集體的數字知識寶庫，但仍然處于我們本可以用足夠時間和資源就可做到、寫出或說出的范疇。

為什么不學習全新的語言，這些語言潛藏在我們的宇宙中，但從未被人類說過？

生命科學的許多領域可以被看作是具有獨特語法和字母表、語法規則以及最終的語義或含義的語言。以生物學和化學為例。在語法方面，生物學使用DNA的G-A-T-C字母或氨基酸序列，而化學依賴于諸如SMILES字符串或質譜法等各種表示方式。在語義方面，可以將生物學的蛋白質結構和功能，以及化學的代謝物結構和鏈式反應作為例子。簡而言之，每門生命科學都有自己獨特的術語。

為了區分科學和科學語言，找到合適的術語會讓人更容易理解：我們可以將生物學和化學視為各自領域的語言。我們始終被這些語言所包圍，它們被我們周圍的物理世界流暢地表達和傳遞。隨著LLM的到來，我們邁向了一個不僅能觀察，還能理解和回應的重要時刻。

我的基金Dimension領投的Enveda，在這個領域做了很多引人入勝的工作。它教計算機學習化學，也就是化學的語言。Enveda結合下一代質譜法和LLM，從一般難以辨識的語法胡言亂語中，形成明確的語法規則，最終揭示出化學結構和性質的語義。

這為什么重要？

1.我們可以突然閱讀數十億年進化所帶來的功能性樂高積木。

2.通過分析我們細胞內的代謝物，即DNA、RNA和蛋白質的基本組成部分，我們可以更好地理解人類疾病。

3.我們可以借助這個新工具——語言——來應答，并設計全新的化學物質作為治療方法。

Tags：THEACTHERUMAEthereum Name ServiceTesseractethereumuniswapUMAMI幣

狗狗幣