对AI公司的投资现已进入谨慎阶段。在资金大量流向AI初创企业、远超其他任何行业的一年之后，近期的投资变得更加稳健或有据可依。投资者对AI炒作更加警惕，正在寻找能够实现盈利的公司。
打造一家盈利的AI企业所面临的独特挑战，超出了创办典型科技初创公司时所遇到的困难。诸如GPU租赁成本高企、人才缺口扩大、薪资水平高昂以及API和托管费用昂贵等系统性问题，可能导致成本迅速失控。
在接下来的几个月里，AI公司创始人可能会感到压力重重，因为他们目睹同行领导者在新业务中挣扎甚至失败。然而，实现盈利有一条经过验证的路径。我在2022年初加入SymphonyAI时便应用了这些步骤，我们在过去一年实现了30%的增长，收入运行率接近5亿美元。同样的策略也在我之前的公司（包括Cerence、Harman、Symphony Teleca和Aricent等）取得了成功：专注于特定的客户需求，并在特定行业中捕捉价值。在此过程中，以下是构成我们成功基础的关键考量因素。
建立现实且准确的成本模型
初创企业面临诸多挑战，但AI业务存在一些独特因素，可能扭曲财务模型和收入预测，导致未来成本飙升。在这里很容易出现误判——重大决策可能带来意想不到的后果，同时还有许多非显而易见的支出需要考虑。
让我们从最重要的前期决策之一开始：使用基于云端的AI模型还是自建托管？这是一个团队必须尽早做出的决定，因为一旦选定路径，你将要么更深入地利用AI巨头提供的定制能力，要么开始构建自己的技术栈。这两种选择都伴随着显著的成本。
确定答案的起点是明确你的具体用例。但一般来说，如果你不会在数据存储库之间传输海量数据并产生巨额出站流量费用，那么云端对于训练和推理来说是更合理的选择。但要小心：如果你计划以每月每用户25美元的价格销售解决方案，并提供无限查询次数，而OpenAI却在后台按token收费，那么随着单位经济模型无法实现盈利，这种模式很快就会行不通。
有趣的是，过去一年最大的新闻之一——AI领域GPU的繁荣——在你的最终毛利率计算中并没有那么大的影响。大多数初创公司通常会采用预部署的模型并使用可用的API，而将GPU分配和生产容量的问题交给OpenAI来解决。获取高质量的训练数据比追逐最新的GPU硬件更为重要——这才是基于现有模型构建成功AI应用的基础。
除了这些因素外，还有许多其他成本可能会产生不成比例的影响。别忘了在资源预算分配中加入持续的数据清洗和PII（个人身份信息）移除工作，这对模型准确性和风险缓解至关重要。同时，要批判性地思考你的招聘计划——一个由数据科学家和行业专家组成的平衡团队（包括远程职位）对于实现最佳增长和情境化决策是必不可少的。
垂直深耕，而非横向扩展
构建广泛的AI平台或解决方案可能是许多有前景的AI企业面临的最大陷阱。一种更通用的横向方法旨在覆盖广泛的用户群体，但会让公司更容易受到那些专注于特定领域、具备专业领域知识和工作流程的竞争者的冲击，或者将定义和适配任务推给你的客户。其他初创公司可以使用相同的AI模型和API，并在几个月内快速构建类似的横向解决方案。此外，来自OpenAI和Google等AI巨头的最新功能更新也会让横向业务面临被颠覆的风险。
更明智的做法是走“窄而深”的路径——识别一个具有紧迫问题且AI能够很好解决并带来价值的特定行业应用场景（顺便说一句，这本身就不是一件容易的事），然后将所有精力投入到构建针对该行业的垂直专用模型上，使其量身定制并优化，以在该行业中为特定应用场景提供最大价值。这意味着要在技术方面大量投资，并聘请主题专家来指导软件架构和上市策略。在你明确解决了初始应用场景之前，不要急于横向扩展。
微调现有模型
作为这种垂直战略的一部分，没有必要花费宝贵的资本在大规模通用数据集上训练模型。一旦确定了需要解决的具体垂直领域问题，你就可以对GPT的开源变体进行微调，创建支撑你应用的领域专用模型。
数字助手在工业、金融服务和零售领域的应用很好地说明了这种方法。定制化的、垂直优化的预测性和生成式AI相结合，可以为具体问题提供情境化答案，或生成和组织数据以支持商业洞察。
知道何时停止
在通往盈利的道路上，最关键的产品决策之一是：你如何判断自己的 AI 解决方案是否已准备好投入生产？越早推向市场，就越能早日将辛勤工作转化为收益。模型的训练和微调可能永无止境，因此建立一个既能作为评估标准又能作为比较基准的标准化指标至关重要。
首先，将你的模型与现有的基于规则的引擎进行比较。它是否比当前市场上的产品表现更好？它是否能帮助经验较少的团队成员提升技能，使其表现更接近团队中最高效的成员？这才是对潜在客户具有吸引力的价值主张。你追求的是实际结果的衡量，而非仅仅考虑理论上的可能性。
提高数据的准确性和相关性往往需要以增加训练成本为代价，二者之间存在权衡。到了某个阶段，你需要确定合适的数据量并决定何时停止训练。数据训练成本与通过持续训练获得的增量质量改进之间需要取得平衡——也就是说，最终用户将从这些额外的少量推理质量提升中获益的程度。（一个例子是：我们有一个工业 AI 模型，拥有 10 万亿个可用于训练的数据点，但在首次发布时我们只使用了 3 万亿。）
通往盈利的道路
即将到来的一年将成为企业 AI 增长的分水岭。在 2023 年的炒作热潮之后，仅靠令人惊叹的产品演示已不足以吸引投资者或促成销售：AI 公司需要展示其业务方法的深思熟虑，并提供更成熟、准备就绪可供测试和部署的产品——如果能有真实客户参与反馈，协助完善需求并优化产品测试，则更是加分项。
AI 公司仍拥有巨大的潜力，但那些能够成功的企业必须在最后的关键塑造阶段保持灵活，控制成本，并抵制范围蔓延。盈利等待着那些坚定前行的人。