变革往往缓慢发生，然后突然加速——在医疗等复杂行业中尤为如此。
五年前，风险投资对医疗AI的投资尚处萌芽阶段。历经半个世纪发展与全球大流行病洗礼，我们正步入一个更具雄心壮志的新世界，其特征是对人工智能等革命性技术抱有无限热情。
将AI应用于医疗、生命科学等关键行业此前难以解决的难题，是本世纪最大的机遇之一。
2022年，公众见证了AI研究从实验室走向现实的重大进展。仅用两个月，ChatGPT便向全球超1亿用户普及了Transformer（变换器）模型知识。
曾经处于萌芽期的研究领域，如今已成为风险投资的下一个平台级转折点。投资者们纷纷发问：“如何在医疗、生命科学及更多领域中构建具有代际影响力的AI公司？”
AI-first（以AI为核心驱动）公司致力于推动AI作为一门科学的发展，而AI-enabled（赋能型AI）公司则是实施与分发机器。两者在不同层级建立护城河：前者在硅片之上创新，后者在应用层面创造企业价值。
对于创始人而言，明确公司类型至关重要，这有助于招募人才、对接理念契合的投资者、获取充足资金并部署可行商业模式。相比AI-enabled同行，AI-first公司需要深厚的AI研究专长、长期视角的投资人、更多资本以及可能更为非传统的商业模式。
实际上，这种区别是一个光谱而非二元对立。有影响力的公司将结合这两种方法构建。然而我们认为，对于AI-first公司而言，其成果将值得付出艰辛努力。
从底层对技术栈施加影响，使公司能够严格控制成本结构，获得不可估量的产品可选性，并相对于那些将科学探究工作推迟给AI-first公司的AI-enabled公司，具备更强的防御能力。
我们已不能再混淆AI-first和AI-enabled公司。迄今为止，最大的AI-first公司主要面向横向应用（如OpenAI、Cohere、Anthropic）；然而，垂直行业特定平台（如医疗和生命科学领域）将展示大规模模型的广泛能力，以实现真正的现实世界影响力。
对于创始人，我们相信在医疗、生命科学及更多领域中，持久的AI-first公司将遵循以下六项核心原则。
创建并维持无可争议的数据优势
AI-first公司对数据有着如饥似渴的需求，并采用创造性手段可持续地获取数据。除了积累庞大稳健的数据集外，还开发定制数据集，这些数据集特别适合在特定任务上实现高性能。
设计数据集的独特之处在于：不易在公开渠道找到；机器可读，即可以被AI模型摄入处理；且可扩展，即在一段时间内生成大量数据切实可行。
重要的是，定制数据集不仅仅是给定系统内流程的副产品，也不仅由客户生成。例如，医疗保健和生命科学行业产生了全球30%的数据，然而仅使用现有电子健康记录或PubMed等资源进行训练的公司会错失重要的性能提升和能力优势。
设计数据集可能需要为那些自然情况下不会发生、但能为特定任务带来强大模型性能的情境制定实验协议。
例如，Subtle Medical是一家专注于影像加速的AI-first公司，它生成了数百万张在15分钟内捕获的不完美MRI图像，用于训练深度学习模型，从而重建和去噪更短时间内拍摄的医学影像。在实践中，不完美的MRI图像几乎没有临床价值；但作为AI-first公司，这些图像训练了深度神经网络，创造了数据护城河。
带（专家）人类反馈的强化学习——RL(E)HF——是AI-first公司的另一个关键工具。借助RL(E)HF，由神经病学或结构生物学等特定领域受过培训的个人提供的专家反馈，可以针对该领域的高性能调整模型输出。
Abridge是一家为临床医生提供环境文档工具的AI-first公司，它利用临床医生对AI撰写笔记的反馈来提高跨专科笔记的准确性和质量。
来自客户的数据还能创造飞轮效应，为生成新颖且具备防御性的数据资产带来机遇。确立产品市场契合度后，AI优先型企业可利用这一优势服务相邻客户群体。通过捕获并整合特定行业内各利益相关方的数据集，强化数据优势、释放总可寻址市场（TAM）潜力，并开创全新品类。
招募并赋能AI科学家
AI-first公司需要“多语言”团队——既雇佣AI研究技能深厚的科学家，也拥有行业和商业专业知识人员。在医疗或生命科学领域，表现为临床医生、科学家与AI研究人员合作，为给定领域设计具有上下文感知表示的模型。AI-first公司也更可能从学术或行业实验室的隶属关系中受益。例如，Atropos Health最初是从斯坦福AI实验室衍生出来的，该实验室由Nigam Shah博士领导。
组织架构也必须体现AI优先型企业从最高管理层对AI的优先重视。其研发组织很可能采用与AI增强型企业不同的汇报结构和领导团队特征，更可能设立首席科学官（CSO），由拥有深厚AI研究经验的CSO领导，下属包括AI研究人员和软件工程资源。
相比之下，AI增强型企业更可能由具有传统软件工程背景的首席技术官（CTO）领导。在AI优先型企业中，营销职能也将AI研究作为关键业务活动之一，通过同行评审期刊或顶级AI会议演讲等形式定期发表研究成果。这些活动对于展示最先进（SOTA）技术进展及为整个AI领域进步做出贡献至关重要。
支持灵活的AI技术栈
随着模型规模非线性扩展并催生新行为，AI正以指数级速度发展。AI优先型企业避免对技术栈做出僵化、不可逆或单一化的决策，并不追求开发在所有任务或领域均超越SOTA基准的模型以满足客户需求。
相反，它们构建模块化AI技术栈，在现有厂商凭借最佳性能占据优势的领域，利用公开可用模型（开源或由其他供应商维护）。将专有模型开发资源集中在自身具备明确优势的技术栈层级，这些优势源于无可争议的数据护城河、方法论知识产权或公司及其附属实验室的研究贡献。
AI增强型企业更倾向于依赖如GPT等现有基础设施支撑大部分AI相关产品功能。这些公司可能会在这些模型基础上微调，但产品能力更容易触及天花板。通过在AI技术栈底层创新，AI优先型企业随时间推移享有更大的产品和功能选择灵活性。
建立分销护城河
若无分发渠道，即使是业内顶尖AI模型，其影响力也可能仅限于论文。将AI模型部署到生产环境需要商业化运作，使企业能够访问客户数据和/或与最终用户签订合同执行优化任务（如RL(E)HF）。无论是AI原生还是AI赋能公司，都应尽早寻求建立分销护城河或优势，以便短期内实现产品与现有科技提供商的整合或替代。
然而与AI优先公司不同，分销渠道往往是AI赋能公司的唯一护城河。AI优先公司可同时受益于技术和分销护城河，从而提高成功概率。Iterative Health作为一家AI优先的精准胃肠病学公司，致力于开创胃肠道疾病新生物标志物，与领先胃肠病学电子病历系统Provation达成独家合作伙伴关系，促进了在该专科领域的广泛分销。
商业模式创新，包括以核心用户群体为核心的产品驱动增长等策略，可以加速AI原生产品在企业的采用。
在模型开发中重视安全与伦理
随着AI渗透到公共和私人生活方方面面，AI原生公司和AI赋能公司必须应对保护人类用户基本权利的挑战。对于在基础层创新的AI原生公司而言，对AI安全和伦理的投资是不可妥协的。
这些公司在数据保管方面必须谨慎行事并有意为之，同时坚定不移地致力于模型维护。广泛采用的策略包括：持续性能监控、用于人工干预的安全保障和覆盖机制、基于真实数据的定期重新验证，以及概述AI关键局限性的用户培训。
赢得并维持信任
虽然AI原生公司以数据为基础，但其成功依赖于信任。当利益相关者认为他们的问题得到了好奇心和同理心的回应，而非单纯技术解决方案时，信任便得以建立。信任是通过可靠性、准确性以及对人类处境的尊重而获得的。通过遵循上述指导原则，AI原生公司可以赢得并维持用户、客户乃至整个行业的信任。
澄清事实
构建AI原生公司，尤其是在医疗和生命科学领域并非易事。然而，AI原生公司的影响力将更大，财务回报更优，护城河也更持久，优于其AI赋能竞争对手。尽管我们正处于见证野生环境中AI原生公司的早期阶段（包括医疗和生命科学领域的行业特定机会），但AI原生公司在方法、能力和领导力方面的鲜明对比，清楚地将其与传统软件或AI赋能企业区分开来。
AI研究将继续成为AI代际机遇的生命线。风险投资和初创生态系统必须致力于区分AI原生公司与AI赋能公司，并成为学习这些公司如何构建和扩展的学生。随着我们继续审视AI作为问题解决代理的角色，敦促创始人深入思考希望构建何种类型的AI公司，以及这将对未来道路意味着什么。
Abridge 和 Subtle Medical 是 Bessemer Venture Partners 的投资组合公司。