从欺诈检测到农业作物监测，一批新兴科技初创企业应运而生，它们坚信人工智能（AI）能应对现代世界的挑战。
然而，随着AI格局日益成熟，一个担忧浮出水面：许多AI公司的核心模型正迅速沦为大宗商品。模型间缺乏实质差异化，引发了对其竞争优势可持续性的质疑。
范式正在转变。如今，AI公司的真正价值主张不仅在于模型本身，更在于底层数据集。正是数据的质量、广度和深度，使模型得以超越竞争对手。
但在急于推向市场时，许多AI公司（包括生物技术领域）未战略性构建专门技术栈便推出产品，而该技术栈是生成强大机器学习数据的关键。这种疏忽严重影响其AI计划的长期存续。
正如资深风险投资家（VCs）所知，仅审视AI模型的表面吸引力不够。需全面评估公司技术栈以判断其适用性。缺乏精心打造的数据获取和处理基础设施，可能预示原本有前途的企业从一开始就面临失败。
本文基于我作为启用机器学习的初创公司CEO兼CTO的实践经验，提供实用框架。这些原则旨在帮助评估公司数据处理流程及数据质量，确定公司是否具备成功基础。
从不一致数据集到嘈杂输入：潜在风险分析
在探讨框架前，先评估影响数据质量的基本因素，以及数据不达标可能引发的问题。
相关性
数据集必须与AI模型试图解决的问题紧密对齐。例如，预测房价的模型需包含经济指标、利率、实际收入和人口结构变化等数据。
在药物发现中，实验数据对患者疗效的预测性需尽可能高，这要求专家深思熟虑地选择最相关的检测方法、细胞系和模式生物等。
准确性
数据必须准确。即使少量不准确数据也会显著影响AI模型性能。这在医学诊断中尤为关键，微小错误可能导致误诊并危及生命。
覆盖范围
数据覆盖范围至关重要。若缺失重要信息，AI模型无法有效学习。例如，翻译特定语言的模型需包含多种方言。
对语言模型而言，这是“低资源”与“高资源”数据集的区别。这也要求全面理解影响结果的混杂因素，通常需要收集元数据。
偏见
数据偏见需严谨考量。数据采集应无偏，避免人类成见影响模型。例如，图像识别数据应减少刻板印象；药物发现数据集应同时包含成功和失败分子，以避免结果偏差。存在偏见的数据会丧失新颖预测能力。
劣质数据的后果不容低估。轻则导致模型表现不佳，重则使模型完全失效，带来财务损失、错失机会甚至人身伤害。
若数据存在偏见，模型将产生歧视性结果。这一点在大语言模型中尤为令人担忧，近期因其延续刻板印象而备受审视。
数据质量受损还会削弱决策能力，最终导致业务表现不佳。
框架一：用于数据生成的技术栈金字塔
为避免投资无效AI初创企业，首先需评估其数据处理流程。可将公司技术栈想象为金字塔，基础层级对预测结果影响最大。若无坚实基础，最好的数据分析和ML模型也将面临重大限制。
以下是VC初步判断初创企业数据生成过程能否创造可用成果时，可提出的基本问题：
- 数据采集是否实现自动化以支持规模化扩展？
- 数据是否存储在具自动备份功能的安全云环境中？
- 如何管理和保障对基础设施及计算资源的访问？
- 数据处理流水线是否完全自动化，并实施严格质控措施以限制污染数据干扰？
- 数据在公司内部是否易于获取，从而赋能ML模型构建和数据驱动决策？
- 数据治理如何实施？是否有数据管理策略？
- 是否跟踪数据和ML模型版本，确保模型始终使用最新数据？
对这些问题的有力回答有助于确定公司对数据管道底层原则的掌握程度，进而评估模型输出质量。
框架二：数据质量的五个V
确认技术栈适合AI后，还需仔细考虑训练数据的质量。“数据质量五个V”是常用分类框架，代表VC评估AI初创公司时应考虑的五个关键维度：
- 真实性（Veracity）：数据必须准确且真实。
- 多样性（Variety）：数据必须多样化并能代表现实世界。
- 体量（Volume）：数据量必须足够大以有效训练AI模型。
- 速度（Velocity）：数据必须频繁更新以反映世界变化。
- 价值（Value）：数据必须对AI模型学习有用。
以下是评估公司数据是否符合“五个V”的入门问题：
- 初创公司是否对构建差异化能力或有用模型所需数据有良好假设？
- 他们收集哪些数据？是否收集相关元数据？
- 如何确保所收数据的正确性和一致性？计划如何处理数据偏见？
- 是否为同一问题或实验收集多个示例？这些数据对产品有多大用处？
- 收集数据的理由是什么？有无证据表明运用该数据能提升预测效果？若有，数据量与效果提升有何相关性？
- 竞争对手收集相同数据的难度、时间和成本如何？
- （针对生物科技公司）预测代理指标与临床意义终点的相关性如何？有无证据支持？
- 计划如何确保数据质量的长期稳定性？如何防止未经授权访问？如何遵守数据隐私法规？
通过考量“五个V”，VC可确保投资于拥有成功所需数据的AI初创企业。若公司能令人信服地回答上述问题且在五个维度得分较高，表明其重视数据质量并具备正确应用AI模型的能力。
最后，VC还应评估初创公司对数据安全的承诺，包括数据治理政策、质量保证程序及泄露应对计划。
质疑炒作以找出真正的赢家
在AI热潮中，巨额投资的吸引力促使部分创始人夸大基础设施并虚增能力以寻求资金。
成功的VC会提出恰当问题进行彻底审查，从那些根基扎实、有望成为赢家的公司中，筛选出徒有其表、注定失败的空壳公司。