編者按：與典型的 Gartner 炒作曲線不一樣的是，人工智能的炒作熱潮罕見地多年未消。最近這波生成式 AI 的熱潮，更是因為一些初創企業將技術普及到消費者手中而被掀起到了新高度。但外行看熱鬧，內行看門道。對於創業者和投資者來說，關鍵是要看清 AI 未來發展的趨勢。作者在與眾多 AI 投資者交流后，總結出未來的 AI 發展趨勢。文章來自編譯。
原標題：《AI 的發展趨勢：“這次不一樣”》
圖片來源：由無界版圖AI工具生成
可執行的洞察
如果你只有幾分鐘的時間，以下是投資者、運營者以及創始人應該了解的最令人興奮的 AI 趨勢。
- 人手一位機器人副駕。 AI 已經在簡化插圖、協作與寫代碼的工作。很快 AI 就會變成所有知識員工的助手。未來，律師、金融分析師、建築師等都會有自己版本的 GitHub “Copilot”。
- 跟蹤價值轉移。 由於 AI 初創企業往往要依賴於像 GPT-3、Codex 這樣的公開模型，有人對其有沒有護城河提出了質疑。核心問題與誰俘獲了價值有關。利用 GPT-3 的應用能不能成功捕捉到價值？還是說最後還是落到基礎設施層手上？
- 超越文字與圖像。因為文字與圖像自動化創作的能力，GPT-3 與 DALLE-2 贏得了大量關注。但 AI 最有影響力的應用也許來自於生命科學。AI 可以用來設計出更好的藥物，或者進行更高效的臨床實驗。
- 界面的改善。與 AI 的交互往往是簡單的文本框的方式，用戶輸入“提示”，機器返回結果。雖說這種用法很簡單，但需要有更大的控制才能釋放這種技術的威力。面臨的挑戰是在促進這種潛能的同時避免引入不必要的複雜性。應用需要流暢、富有創意的界面才能火起來。
- 解決勞動力短缺。熟練藍領供應短缺，但社會的需求卻在增加。比方說，熟練焊工每年都在以 7% 的速度減少，但對這些焊工的需求卻以 4% 的速度在增長。有 AI 支持的機器人也許可以成為解決方案的一部分，焊接、建造等人工也許都可以實現自動化。
“這次不一樣。”
約翰·鄧普頓爵士（Sir John Templeton），1999 年被《Money》雜誌評為“世紀選股人”。他說，“這是投資最危險的 5 個字。”
說得好，很妙的諷刺。市場經常會出現海市蜃樓，看似異常的情況其實稀鬆平常——那不過是我們熟悉的周而復始當中的一個步驟而已。
但是，有時候情況確實會不一樣。有時候星星之火也會燎原。有時候這個世界確實變了。
說到人工智能（AI），風投界的看法是，我們也許正處於這樣一個時刻。過去一年的時間裡，隨着公眾興趣的增加，新的模式與初創公司如雨後春筍般湧現。在整個行業的風險投資隨着大盤迴落而放緩之際，我們與風投家進行交流，去了解他們最感興趣的是什麼，以及他們對經常被提及的生成式人工智能最興奮的是什麼。
一如既往，這是我們回顧這段時間尋找虛幻曙光的機會——是資本在冷卻中尋找熱度的結果。但感覺那種情況不太可能。我從事第一份風投工作的時間是在 2016 年，那時候每一個 pitch deck 都是自己具備一點人工智能優勢，而聊天機器人則被看作是用戶體驗的進化。現在玩 DALLE-2、GPT-3 和 Stable Diffusion 的感覺跟那個時代截然不同，相當於從一個會說話的洋娃娃躍進到一位早熟的幼兒。人工智能正在釋放真正的創造力與真正的商業價值，可生成新穎的圖像、合理的文字以及可用的代碼。隨着一代代模型長江後浪推前浪，隨着初創企業找到利用它們的新方法，大量的創新和實驗往往令人感覺應接不暇。今天可能性的地平線看起來還很遙遠，但也許幾周之後就會突兀地呈現在你面前。
為了更好地了解行業現狀，我邀請了十位思想深刻的 AI 投資者分享他們認為值得關注的趨勢。我希望這些洞察能夠幫助我們更好地確定機會在哪裡，以及哪些主題值得進一步研究。
關於此次交流的一點說明。
雖然投資者知道其他撰稿人都寫了什麼，並鼓勵我選擇不同的主題，但我發現其實談一談重複的東西往往很有趣。同一個主題兩位投資者的解讀方式可能會截然不同，而這種差異是有價值的。
此外，投資者提到所投資的公司我也有意保留下來。一切都是權衡取捨的問題，我相信收益會大於感知到的成本。這種方法的缺點是，投資者可能會被看成為自己的投資組合“背書”。首先，我們挑選的是我認為有思想且可靠的貢獻者。其次，讓投資者選擇自己最了解、研究最深入的公司會更有意思。我們還要求他們在喜歡的公司當中做出選擇。最後，這表明他們利益攸關，充分利用了自己的信念。
好了，接下來我們就一起掀開 AI 的兔子洞，去了解這一新技術是如何影響我們的思想、身體和機器的。
趨勢：讓人類的工作站上新台階
有沒有什麼職業是像“藝術家”這樣屬於典型的右腦型的？或者像“程序員”這樣典型的左腦型職業？
如果用四個字總結去年的特點的話，那就是快速演進，尤其是大型語言模型的快速演進。這種人工智能的快速演進尤其引人注目的是，現在它們開始為輔助工具提供動力，從而在根本上提高各行各業的生產力、影響力與價值。
對於藝術家，我們有 AI 圖像生成工具，比方說 OpenAI 的 DALL-E、 Midjourney 等。對於程序員，我們有微軟的 GitHub Copilot，它可以幫助軟件開發者用許多當前最流行的計算機語言編寫、測試和改進代碼。
雖然一些 AI 懷疑論者把大型語言模型說成是暴力破解的預測機器，永遠也沒法給計算機注入人類的智能或意識等任何東西，但在令人興奮的實踐中，我們所看到的是，這些類型的 AI 工具在促進人類繁榮方面，已經開始發揮着影響極為深遠深刻的作用。
Copilot 為開發者以及 DALL-E 為各種視覺創意人員所做的，是減少或消除他們工作當中那些機械式、很耗時但仍然至關重要的事情。當然，這種情況並不是軟件開發者以及藝術家所獨有的。大型語言模型針對大量文本數據進行訓練，然後結合它們“學習”的內容，在用戶提供的提示下，生成統計上可能的（上下文敏感的）輸出。因此，雖然 Github Copilot 是通過攝取大量計算機代碼訓練而成，但不同版本的 Copilot 幾乎可以適用於任何職業。
比方說，面向律師的 Copilot 可以幫助他們基於自然語言查詢以前的案例以及最佳實踐起草合同、動議、辯護狀以及其他法律文件。AI 還可以建議相關判例、法規與傳訊，或對現有文件存在的可能錯誤、不一致或風險進行標記。
面向建築師的 Copilot 可以幫助他們按照規範、約束和目標對建築物和結構進行設計、建模和優化。AI 助手還可以生成交互式的可視化效果，並幫助確定項目對環境、社會和經濟的影響。
不妨想象這樣一個世界。在這個世界里，成千上萬個行業里數百萬的專業人士都在使用各種專業版的 Copilot，用更快的速度將生產力、準確性和創造力提高到全新的水平。一個所有行業的專業人士都可以使用通用工具的世界，去利用通過接口編寫的每個 app、API 或軟件程序的威力，讓他們得以用通俗易懂的言語描述他們想要完成的任務。
在反烏托邦的未來願景里，泛化的技術，或者特指的人工智能，往往會被描述成會導致貧富兩極分化愈發嚴重的力量，大部分人類將被機器剝奪掉權利，被邊緣化以及陷入貧困。
不過，在今天我們所看到的世界里，新的人工智能工具正在以前所未有的方式有效地實現了設施與效率的大眾化。在此過程中，它們為專業人士賦權，讓他們的生產力達到新的水平，並給社會帶來好處，其收益甚至可能超越工業革命之所得。不僅如此，人們還會發現自己的工作變得更有吸引力和成就感了，因為他們將會有更多時間專註於自己最具創造力、戰略性以及新穎性的事情上。
未來已來。五年之內，所有的主流職業都會有人工智能的增效工具。這些工具可以促進人類在各個職業中的卓越表現——不管是右腦型、左腦型還是任何複合類型。
—— 里德·霍夫曼（Reid Hoffman），Greylock 聯合創始人，Saam Motamedi， Greylock 合伙人
趨勢：生成式人工智能與生命科學
AI 又過了一個盛夏。我們目睹了新的研究團體的興起。這些團隊正以前所未有的速度將大型集中式實驗室開發的突破性 AI 模型開源出來。雖然這些文本生成圖像/視頻模型可以提供病毒式流行的消費級產品，抓住我們的想象力，但這些模型最有影響力的應用不太可能是它們的一階效應。我相信真正有待開發的是人工智能與科學的結合部，尤其是在生命科學領域。
今天的科學方法植根於數據驅動的實驗。我們可生成的，用於解釋生物系統的數據的分辨率和規模正在不斷改進，與此同時，我們還在開發能夠對人類語言、自然圖像或社交網絡圖譜建模的 AI 模型架構。這些架構可以直接轉化為對蛋白質的語言、細胞圖像或化學分子圖的建模。這種不可思議的泛化能力現在正在讓我們在蛋白質結構預測以及藥物分子設計方面取得突破。 AI 正在推動新一代技術驅動的生物技術公司向價值萬億美元的製藥行業進軍，以更快的速度、更低的成本提供更好的藥物。
Ali Madani 是這個領域的創始人之一 ，他在 Salesforce Research 領導了一項名為 ProGen 的 AI 蛋白質工程登月計劃。這項計劃的目標是開發專門用於設計全新的人工合成蛋白質的大型語言模型。這些人工合成的蛋白質將可重現甚至優於天然存在的同類蛋白質的特性。他們的團隊做出了人工智能生成的蛋白質的第一個 3D 晶體結構。鑒於蛋白質是一切生命的機能驅動，像這樣的技術釋放出來的可能性是巨大的。
——Nathan Benaich，Air Street Capital 普通合伙人
趨勢：協作式界面
大型語言模型（LLM）是我們見過的最強大的工具之一。我們還在測試這些模型的指令範圍在哪裡。如何做出巧妙的提示設計已迅速成為極客的熱門運動。 （很滑稽，“讓我們按步驟思考”的提示幾乎增強了模型的推理能力。）
但自然語言並非萬靈藥——在沒有手冊指導的情況下，我們仍在盲目地發出命令。提示設計沒有指南、缺乏一致的抽象，沒有明確的地圖來引導我們探索模型的“潛在空間”，只有大量的反覆試驗以及各種妙招。
有些初創企業已經開始給範疇狹窄的用例做用戶體驗的簡化，並且獲得了回報。舉個例子，Jasper 提供模板化提示來創作營銷文案。正如大多數語言模型產品給用戶展示“採樣步驟”以及“種子”這些不透明概念所說明的那樣，我們還處於早期階段。
每個可以訪問互聯網的人很快就會在日常任務當中間接地用上大型語言模型。至少，搜索會被徹底顛覆，能按需提供答案和摘要。我們應該還能看到為更好地掌握以及更深入的互動而設計的 LLM 工具。創意人員已經希望生成出來的圖像在結構上是可操縱的，而員工則希望能得到可靠的輸出。很多人也許希望自己的人工智能助手能接受特定知識的教育。這些是複雜的“頭腦的自行車”（編者註：喬布斯語，計算機是頭腦的自行車），將釋放知識工作者的生產力。
Ilya Sutskever 對“提示”很不屑，覺得這個詞只是權宜之計，是因為我們模型存在缺陷。我希望他是對的（因為通常他都是對的），我們的模型會逐漸能理解意圖。但是一個根本問題是人類的意圖未必總是確定的；人的意思往往是迭代的、探索性的。一旦模型要處理需要這種思維的，更複雜的任務，我的直覺是，對於創造最終用戶價值來說，理解工作流並實現針對該工作流的更多控制和反饋至關重要。改進用戶體驗的早期想法包括模板、在不同代際的模型間選擇用戶界面和添加更多約束的能力、對上下文長度的控制、對鏈式過程中的居間控制，以及公開模型的“思維過程”。
一些創業者和投資者對圍繞着別人的模型來建立商業價值感到絕望，但我們對於如何與 AI 進行交互的了解才剛剛開始。不同領域之間可能會存在差異，研究人員不太可能滿足每個用戶角色的需求。這些強大模型的唯一界面會一直都是一個簡單、靜態的文本框嗎？我認為不會——這就是產品的機會。
——Sarah Guo，Conviction 創始人
趨勢：AI 視頻創作
生成式人工智能現在風靡一時，而且它的火有充分的理由，因為確實非常令人興奮。撇開技術實力不談，常見的商業問題也適用：你能不能開發出這樣一種產品，用生成式 AI 解決問題的效果可以比其他方式好 10 倍？隨着時間的推移，你能不能建立起牢固的競爭優勢？
以我的一家之見，視頻創作平台 Synthesia 就是一個很好的例子。通過它可以看出如何在生成 AI 的基礎之上做出令人興奮的業務。通過 Synthesia ，用戶只需鍵入幾行文本，單擊幾個按鈕，然後，就會生成一個專業的視頻，幾分鐘之內就會有一個人類化身來講解文本（請注意，它可以支持多達 60 種語言）。
Synthesia 可以用於各種企業用例，尤其是在入職和培訓方面的用例。對於許多客戶來說，之前要麼是提供很少有人能讀下去的冗長 PDF，要麼就得花費數十萬美元通過演員、導演、攝像機以及後期製作來做出專業視頻。
通過生成式 AI， Synthesia 可以極大地減少創建商業視頻所需的工作量、時間與金錢，這個效率提升也許達到 100 倍之巨，而且讓任何人都能做到這一點。此外，它還開發了自己的專有 AI 技術——公司的兩位聯合創始人都是 AI 方面的教授，並且擁有一直強大的內部研究團隊。雖然它也利用了大型語言模型，但與一般初創企業基於 GPT-3 來開發不一樣的是，該公司避免了對平台的依賴性，為長期穩固的競爭優勢以及贏得品類的領導地位鋪平了道路。
—— FirstMark 常務董事 Matt Turck
趨勢：自動化代碼生成與應用開發
現代機器學習（ML）的進展的步伐似乎一直都很快。深度學習模型第一次贏得最受歡迎的計算機視覺競賽還只是十年前的事。可是，當 GitHub 在 2021 年底推出其“AI 結對程序員”Copilot 產品時，許多人（甚至像我這樣從事 ML 工作的人！）都對現在的深度學習模型居然可以幫高技能的軟件開發者自動補全代碼感到震驚。在開發者用於來編碼的界面里，Copilot 可以就如何完成一行代碼給出建議，甚至可以根據該代碼應該做什麼的自然描述生成多行代碼。一些用過第一版 Copilot 的工程師聲稱，該助手每天可為他們節省數小時的時間，甚至可以替他們編寫 40% 的代碼。
Copilot 是用 OpenAI Codex 的大型語言模型（LLM）開發出來的，這個模型可以將自然語言翻譯成許多流行的編程語言，並利用了數千萬個公開的 GitHub 代碼存儲庫的數據進行訓練。交代一下，OpenAI 是一家位於舊金山的人工智能研究公司；這家非營利組織成立於 2015 年，並在 2019 年轉為營利性組織，然後從微軟（微軟於 2018 年收購了 GitHub ）處籌集了 10 億美元的資金進行研究。作為回報，微軟拿到了對 OpenAI 的部分 LLM 的獨家訪問權，其中就包括 Codex。
Copilot 最終還是提供了令人信服的證據，證明當前的 ML 功能可以自動化完成越來越多的代碼生成與應用開發的工作。新成立的初創企業以及既有公司已經在着手解決產品開發體驗的多個方面，包括自動代碼審查、代碼質量改進、shell 命令自動完成、文檔創建，甚至包括前端和網站生成。
Grit 是在這個領域創業的一個早期例子，它承擔的是對於任何公司來說都是最可怕的工程任務，也就是所謂的“技術債務”。一旦開發者為了更快推出功能而走上編碼的捷徑，但卻犧牲長掉期可靠性和性能時，這種債務就會累積。Grit 的產品扮演了自動化開發者的角色，可以修復許多常見問題，並根據人類對代碼更改的反饋進行改進。通過將靜態分析與 LLM 相結合，Grit 的願景是能夠做出可自我維護的軟件。
鑒於這項技術有可能徹底改變軟件開發，多家投資者已經彙編出相關公司名單，許多其他初創公司也在悄悄地開發相關技術。其中部分初創公司以 Codex API 為基礎，希望通過獨特的產品體驗以及專有的數據飛輪形成差異化。其他的正在從頭開始開發自己的模型，或者對開源模型機械能微調。隨着這些公司走向成熟，不管最大收益者是人工智能基礎設施提供商還是人工智能應用本身，價值主要積聚在什麼地方將變得更加清晰。
——Founders Fund 負責人 Leigh Marie Braswell
趨勢：臨床試驗的數字孿生
人工智能將改變我們用藥物治療人類疾病的方式。
一想到 AI 和製藥時，我們最常想到的應用就是用於藥物發現的 AI。（理由很充分：人工智能驅動的藥物發現具有巨大潛力。）
但是，還有一個機器學習的用例，儘管它覆蓋的範圍不廣（而且資金投入也較少），但因為有望更快、更有效地將改變數百萬患者人生的療法推向市場，所以也很引人注目。這就是數字孿生在臨床試驗當中的應用。
當今的臨床試驗效率低下且成本高昂，這是有據可查的。平均每一種新葯需要 10 多年的時間以及 20 億美元的開支才能推向市場。招募試驗參與者是藥物通過臨床試驗的一大障礙。一項試驗需要招募成百上千乃至成千上萬名志願者才能滿足試驗組與對照組的人數需求。這一點已經成為一個重要瓶頸。80% 的臨床試驗都會因為登記問題而延遲，試驗發起人每天因試驗延遲的潛在收入損失高達 800 萬美元。每年有數百個臨床試驗因受試患者人數不足而終止；事實上，這是臨床試驗被終止的首要原因。
“數字孿生”為這一挑戰提供了一種變革性的解決方案。其基本想法很簡單：生成式機器學習模型可以替臨床試驗患者模擬安慰劑的結果。這可以在個體患者層面完成：可以為試驗實驗組的每個人類試驗參與者建立一個數字孿生，然後模擬該個體在對照組中的表現。
至關重要的是，這意味着製藥公司需要招募的人類參與者要少得多，因為大部分對照組患者群體都可以被數字孿生取代。這大大加快了臨床試驗的速度和成本，讓改變人生的療法能夠更快地進入市場，並惠及數百萬有需要的患者。
總部位於舊金山的人工智能初創公司 Unlearn 就站在這一變革性技術的前沿。Unlearn 目前正在與包括默克集團在內在某些全球最大的製藥公司合作，部署該初創公司的數字孿生技術，加速臨床試驗的進程。今年早些時候，歐洲藥品管理局（European Medical Agency）正式批准 Unlearn 的技術可用於臨床試驗，標誌着該技術已經贏得主要監管的認證，可為大規模部署做好準備。
預計幾年之後，將數字孿生納入臨床試驗，簡化治療藥物的上市途徑，將會成為製藥和生物技術公司的標準做法。
值得注意的是，儘管與流行的文本生成圖像模型無關，但用於臨床試驗的數字孿生是生成式人工智能一個引人注目的代表。生成式機器學習模型如何才能對現實世界產生巨大影響，並創造出數十億美元的價值呢？為個體患者生成模擬的安慰劑結果就一個很好的例子。
——Rob Toews，Radical Ventures 合伙人
趨勢：為工作流而來，因個性化而留
隨着越來越多的用戶與生成式 AI 模型進行互動，我們對 AI 馬上可以解決的問題有了更深入的了解：那些我們已經擁有大量訓練數據的問題；那些在 99% 的時間內都能獲得正確答案會非常有用、但在 1% 的情況下出現錯誤也不會是災難性的問題；以及基礎模型可以不斷吸收人類反饋並隨着時間的推移會變得更好的問題。隨着 AI 跨越鴻溝，進入主流，直觀的工作流會推動大規模的採用，讓那些不太熟悉 AI 的人快速看到其價值所在。
在下一代 AI 初創公司里，專註於工作流設計，並能根據用戶反饋對模型做出微調的創始人能夠做出最好的產品。
符合這種模式的初創企業有兩類：一是 AI 代理，二是 AI 增強型 SaaS 。人工智能代理可完成重複性的知識工作——律師、工程師、會計師或者醫生所從事工作當中的那些重複性的工作。人工智能增強型 SaaS 將依賴人工智能層從現有工作流中析取出更多的價值——比方說，給採集音頻數據的平台添加文字記錄和摘要，或增加語言界面來簡化 SaaS 應用。在這兩種情況下，為了保證輸出質量，人工監督依舊存在。用戶會給出正面和負面的反饋，然後這些反饋將被來對模型做出調整。
能在競爭中獲勝的創始人會對界面和工作流進行合適的設計，基於當前的提示和自動完成模式進行創新，為用戶提供高級控制，並降低認知開銷。這些工作流會通過模板或專門的可組合模型來加速常見的用例，同時確保“緊急情況下打破玻璃”（break-glass”）選項可用於不常見的邊緣情況。用戶不必了解模型的工作機制或根據模型改造自己。當用戶與產品交互時，通過接受答案而生成的數據會自動反饋回去，驅動個性化與留存的數據飛輪。
這些初創企業會專註於自己的核心競爭力，並將把通用人工智能模型的開發留給研究實驗室和開源社區。實際上，後者已經推出了非常強大的模型。我們已經看到了像 Stable Diffusion 這樣的文本生成圖像模型，像 Whisper 這樣的音頻轉錄模型，以及像 GPT-J 和 GPT-Neo 這樣的語言模型。初創企業則會利用 AI 研究的最新進展，當新模型可用時更換新模型，並根據專有的用戶反饋歷史數據做出微調。目前的局限性在於產品設計師的精力集中在讓不了解 AI 的消費者能夠輕鬆參與，並迅速從模型獲得價值的界面上。這方面的護城河可以是用戶與這些模型互動時收集到的綜合的工作流與數據，這些可以為將來更強大的模型提供信息。
——Cat Wu，Index Ventures 合伙人
趨勢：鏈式提示以及多步驟自動化
很多人現在都已經體驗過提示界面的強大功能，感受過大型語言模型（LLM0可以帶來的各種創造性和實用用例，是時候更進一步了。作為用戶，提示界面和 LLM 的美妙之處在於它們可以解釋意圖，並帶來行動。到目前為止，我們看到的成果主要是單人體驗上的，比如像文本生成圖像，文字補全等非常具體或一對一的任務上。接下來，預計將會看到有人會開發將提示鏈接在一起的基礎設施，讓我們得以實現多步的操作（通過 LLM 及/或最終通過 API 交互），並釋放出巨大的投資回報潛能。
這對消費者用例或者企業用例都會產生意義。有些是成果很容易兌現的簡單用例，也許不具備風投的規模（“周二下午 6 點到 8 點左右幫我在布魯克林南部找一家安靜浪漫的亞洲餐廳訂個桌，兩人”），但有些用例可以為運營、採購、數據分析等各種任務帶來實質性的提升。
在消費者方面，我們很可能會把這些用例當作橫向拓展的楔子。在企業端，對這些動作加以完善，可以變得更具行業性或上下文相關，這時候難以集成或專有的數據管道就會發揮更大的作用。
把提示和不同類型的模型（未必總是需要）鏈接在一起，這種想法還可以幫助克服當今主流的 API 驅動模型（如 GPT-3模型的內存是相當靜態的，你可以查詢信息，生成摘要，然後根據需要使用結果）存在一些局限性。這方面的用例可以是建立新的搜索引擎，就像最近的 webGPT 所做的事情那樣。
總的來說，在 AI 的幫助下，再加上一點人類的獨創性，鏈式提示或串行操作可以帶來更先進的工作流、新型的軟件產品以及針對常見問題的新接口範例，這件事情的潛力巨大，我們剛剛開始觸及它的皮毛。
——Michael Dempsey，Compound 管理合伙人
趨勢：解決現實世界挑戰的工業自動化
我們都看過 AI 模型最新突破，比方說 DALL-E 2、GPT-3 等方面的消息了。由於這些創新，企業正在進行重新想象，部分開發者和設計師擔心會丟掉自己的工作。但與此同時，在辦公樓外面，在餐館、建築工地以及工廠等地方，我們正面臨著這輩子見過的最嚴重的勞動力短缺。
比方說，焊工的平均年齡為 55 歲。每一年，熟練焊工都在以 7% 的速度減少，但對這些焊工的需求卻以 4% 的速度在增長。到 2024 年，光是在美國就會出現 400000 個焊工的職位空缺。
這就是像 Path Robotics 這樣將熟練的勞動力自動化的公司為何如此重要的原因所在。Path 讓公司可以用現成的機器人自動焊接新零件，關鍵是不需要對這些機器人進行耗時且昂貴的重新編程。如今，從電線杆到液壓油箱再到消音器，Path 能夠為客戶實現各種金屬應用的自主焊接。藉助該公司的軟件，機器人可以通過可視化的方式去學習焊接，而不是學習如何用代碼來進行焊接。這樣公司就可以通過可視化的 QA 檢查逐步提高機器人的焊接性能。未來，Path 的核心技術還可以應用到眾多的其他製造任務上。
類似，一旦勞動力短缺與供應鏈挑戰疊加到一起時，情況會變得更加糟糕，這就是目前建築行業的現狀。這種雙重痛苦導致房地產或商業地產業主無法按時交付建設項目。 Ergeon 正在利用先進的 AI 實現圍欄建築整個施工過程的自動化，包括遠程測量、自動化設計、報價等。這項技術讓公司的交付速度比一般承包商提高了 10 倍。他們已經建立起全球最大的房屋建築數據庫，而且開放授權，任何人都可以用來建造。
寫字樓以外的事情我們討論得不多，但許多價值 1000 億美元的企業都會在寫字樓以外的地方出現。重新想象辦公桌與電腦之外的世界是一個千載難逢的機會，我們對此感到無比興奮。
—— Lan Xuezhao， Basis Set 創始人
譯者：boxi。
本文鏈接：https://www.8btc.com/article/6791376
轉載請註明文章出處