Betaworks 对投资人工智能和机器学习并不陌生，但其最新一批 “主题加速器” 营队表明，该公司对该领域的信心已超越了对聊天机器人的当下痴迷。创始人兼首席执行官 John Borthwick 表示，该公司对 AI 作为增强手段这一领域“极度感兴趣”，而不仅仅是将其视为一种产品本身。
他们并非孤例。Borthwick告诉我：“今年这个训练营的申请者数量是去年的两倍。这类活动的有趣之处在于，你们发布公开招募，在这样一个主题和愿景下，你会获得超出预期的多样性。我们相信，在未来两到三年内，我们将看到大量公司构建并使用AI模型来增强人类的工作流程和行为。”
ChatGPT或许最具普遍实用价值的特性在于（假设你能分辨它是否在忽悠你），它可以快速且令人满意地回答几乎任何主题的问题，或者对编程难题等给出合理的解答。很少有人仅仅为了乐趣而与AI聊天（尽管确实有人这么做）；如果它能让你工作更轻松，何乐而不为呢？
Borthwick指出，Betaworks自2016年起就开始投资AI和机器学习，当时这些技术还相当初级。
他说：“我们最初系统地探索了机器学习与特定模态的交叉领域：机器学习与音频、合成媒体等各种数据或媒体对象。在过去一两年里，我们一直在思考AI在人类工作流程中的作用，我们坚信并希望投资于推动市场向‘增强’方向发展的领域。”
这就像是将AI视为“思维的自行车”，而非纯粹的生成式或封闭型产品。这一点在所选公司中可见一斑：许多公司利用AI加速或改进现有流程，而非完全从头创造新事物。每家公司将获得50万美元的资金支持，此外还有它们已筹集到的资金。
Borthwick继续说道：“我们审视整个AI技术栈；营队中的某些项目几乎就是应用层，而另一些则更偏向中间件类别。该项目的核心在于寻找产品市场契合度并制定产品路线图，而非表演性的融资活动。大约一半的公司是在项目开始前或期间完成融资的。”
今年他们引入了三位联合投资者：Greycroft、Differential和Mozilla，它们将进行联合投资，并向初创公司提供其资源和网络支持。Betaworks仍然负责所有实际的加速器运营工作。
以下是今年这批的 12 家公司，内容基于它们提供的摘要；在了解它们试图做什么之后，我向每家公司提出了我能想到的最明显的问题（以斜体显示）。为了简洁起见，我也对其有时冗长的回答进行了总结。有关每家公司的更多细节，包括创始人及其背景，请参见 Betaworks 网站上的相关内容。
- Armilla Assurance：一项用于评估人工智能系统质量和可靠性的服务。该公司随后提供针对因人工智能表现低于其评估水平而造成损失的保险。
使用哪些指标来评估AI的风险和适用性？如果这些指标是行业标准，为什么公司不直接在内部进行评估？
Armilla结合行业标准和专有测试方法，提供客观的质量衡量标准和性能保证，尽管这些措施不能替代将其纳入开发过程。 - Bionic Health：使用基于人工智能的模型进行预防性医疗保健，该模型在其位于北卡罗来纳州的诊所中收集的数据（“医生、从业者及患者的真实世界实践、协议和工作流程”）上进行训练。该公司还构建了一个更智能的电子健康记录系统，利用嵌入技术提升搜索能力和洞察力。种子轮融资已筹集350万美元。
为什么我想使用一个基于医生和健康专家决策的人工智能模型，而不是直接询问医生或其他认证的健康专家？
该系统旨在辅助医生，而非面向消费者的产品；改进后的电子健康记录系统应能减少此类场景下的文书工作，使医生和患者能够专注于做出明智的护理决策。 - 巧妙地：一个机器学习平台，聚合并综合客户反馈及其他信号，转化为更易执行的产品变更和功能。
早期初创公司如何获得“大量分散的产品反馈”来进行聚合和综合？
未直接回答，但任何反馈表单、会议记录和其他渠道中的数据会被摄入并在仪表板中共享，以便产品团队更容易解读。 - Globe：为需要“收集、交换和理解复杂信息”的团队创建大型语言模型，例如在大规模研究或产品开发中。该大型语言模型会摄入所有相关文档，并可以按任意详细程度进行咨询，从概述到技术细节，或引用相关文档中的确切语句。
鉴于大型语言模型的局限性，我为什么要信任它提供复杂数据或项目的多层次详细信息？
目标是浮现有用信息，特别是那些用户最初可能 unaware 的信息，而不是从中提炼出新信息。它似乎更像是一种语义增强的搜索工具。 - GroupLang：正在开发允许大型语言模型与人群互动而非仅与个人互动的软件，这一任务涉及重新定义用户偏好、隐私及其他有趣的问题。
群体必须集体与大型语言模型互动的例子是什么？
他们说，集体使用可能会带来益处，例如在一个中央系统追踪所有相关人员重要信息的共享复杂任务中。 - Open Souls：旨在创建能够“自主思考并像真人一样行为”的对话式 AI 模型，具备情感、个性和内部复杂性。
这是一个相当大胆的声明。但这难道不基本上等同于一个通过初始指令加载了人工人格的微调模型吗？
微调人格主要产生的是说话模式的变化，而非模型内部运作方式的改变。他们的方法是通过额外的不可见进程来增强大型语言模型（LLM），以模拟影响行为的“丰富的内心独白”。 - Pangaea：利用 AI 和一些定制的后端技术更快地构建游戏并承担耗时任务，同时自主开发一款具有程序化生成地图的 Roguelite 大逃杀游戏（Project Rise）。
竞技多人游戏需要精心设计的玩法和地图平衡。如何在这种程度的程序化生成中实现这一点？
有些游戏比其他游戏更注重完美的平衡性，而在这种情况下，确保“公平”以及避免损失直接源于糟糕的程序化生成更为重要。将有手工设计的房间、挑战、关卡和规则，以确保体验经过良好调整。此外，如果你死亡，你将重生为怪物并保留部分进度。 - Plastic Labs：旨在通过“安全地管理用户与模型之间亲密心理数据的流动”来提高 LLM 的可行性。这样你就可以在不同代理中获得个性化定制，而无需每次让模型学习并存储你的各种偏好和倾向。
该框架实际上由什么组成？如果相关的 AI 应用使用不同的基础模型或微调流程，它如何保持有效性？
这是一种“安全中间件中继”。某些方法之所以能在大型语言模型之间通用，是因为所有基础模型似乎都具备“构建和理解关于内部心理状态的预测”的能力。这种能力具体意味着什么尚不清楚（尽管团队有自己的理论），但他们声称这使他们能够实现可移植的个人化功能。 - Shader：一款社交相机应用，允许用户使用简单的无代码界面（包括语音、简单点击和滑动）创建 AR 滤镜。
创作过程是什么样的？滤镜如何分享到 Instagram 或 Snapchat 等专有平台？
你可以用传统的提示词如“赛博朋克精灵脸”来描述你想要的效果，然后它可以实时映射到你的脸上。滤镜本身保留在 Shader 上，你需要将视频导出到其他服务。他们的 Instagram 和 TikTok 上有几个示例。 - Unakin：同样旨在通过 AI 代码助手减少开发时间。首先是 UI 编程代理，它可以通过文本或视觉提示构建功能齐全的游戏界面，未来还将推出更多功能。
所提出的代理是否存在？与其他的代码生成 LLM 相比，它目前具体具备哪些能力？
他们正在内部使用它来改进代码搜索、代码生成（尚未进行基准测试，但预计在游戏界面创建方面具有竞争力）以及一种图像到代码的流程，该流程可以将 Figma 和 Adobe 文件直接转换为游戏内界面。 - Vera：帮助工作场所通过根据公司设定的规则过滤进入和离开模型的内容来采用人工智能。这基本上是企业其他业务软件所获得的 IT 监督类型，但针对的是生成式 AI。
所以这会记录企业使用的所有 AI 的输入和输出，并允许对请求或回答的内容进行更严格的控制吗？
基本上是的——它通过使交互可观察并在敏感信息发送到大型语言模型之前拦截此类信息来解决安全和隐私问题。还可以检查响应的一致性和错误。 - Waverly：一个利用人工智能“重新混合”想法的“想法社交网络”，并使用对话式 AI 作为信息流的控制方法。
AI 模型究竟如何“重新混合”想法，而对话式 AI 又如何提供更好的方式来控制自己的信息流？
“WordDJ”工具没有键盘，但允许你像移动冰箱贴一样移动文本块或将它们组合在一起。对话代理允许用户更具体地描述他们希望看到更多或更少的内容，而不是屏蔽账户等。
特效艺术家展示了好莱坞可以利用人工智能进行创作，而非剥削