編者按：本文來源創業邦專欄阿爾法公社。
阿爾法公社説：在打造人工智能產品的初期，“人工”的輔助可能必不可少，例如標註數據，輔助訓練等。但是但隨着產品逐漸成熟，你能否 "炒掉 "這些人類，決定了產品是否真的有競爭力，業務是否有持續性。對人工智能有深刻認知的知名投資人Matt Turck分享了自己的如上觀點。
近日，《福布斯》發表了一篇關於ScaleFactor的文章，這是一家利用人工智能技術實現會計自動化的創業公司，它在融資1億美元后倒閉。
以下是報道中涉及的問題核心："根據前員工的説法，“人工智能”並沒有製作財務報表，而是由數十名會計在ScaleFactor的奧斯汀總部或菲律賓的外包辦公室手動完成大部分工作。一些客户説，他們收到了充滿錯誤的賬本，被迫重新聘請會計師，自己清理這些爛攤子。"
我從來沒有直接接觸過ScaleFactor，所以我對那裏有可能真實也可能不真實的內幕一無所知，這並不是一篇專門討論ScaleFactor事件的文章。
但是，我確實對"人工智能與人類 "的話題很感興趣，因為在過去的幾年裏，我花了大量的時間研究和投資人工智能公司，對它們進行了深入的瞭解。
所以我想分享一些在這個過程中學到的東西，想提出兩個主要的觀點：
在打磨人工智能產品的早期，有人類參與是正常的，並不是一個錯誤或bug。但隨着產品逐漸成熟，你能否 "炒掉 "這些人類，決定了產品是否真的有競爭力，業務是否有持續性。
還有一些重要的經驗教訓，即哪些具體的領域適合建立一個可持續發展的人工智能業務，哪些不合適。AI幕後的人類
關於AI創業公司，需要了解的一個關鍵問題是，它們和普通的SaaS創業公司有何不同。(在本篇文章中，"AI創業公司 "是指利用AI為商業應用提供動力的創業公司，而不是AI工具和技術的提供商)
對於所有關於人工智能商品化的故事，它們的深層次仍然是技術性工作，需要大量的研發。
這種研發工作，尤其是早期，有相當一部分涉及到人工工作。我所熟悉的每一家AI公司都有一個 "AI訓練師 "的概念，至少在早期是這樣的。AI訓練師是協助建立數據集、給數據貼標籤或在AI無法自行解決問題時，幫助解決的人。有時，所有這些都是通過讓人類模仿AI應該做的事情來實現的。有時他們在沙盒中做，有時在生產流程中做。我在三年多前就寫過這方面的文章。揭穿人工智能產業中 "沒有人類 "的神話。
所以在一個人工智能創業公司的早期，你往往會發現產品的動力很大程度上是由人類提供的，只是在人類的工作基礎上再加上一點人工智能的自動化。我不知道具體的比例是多少，但也許70%的人類和30%的AI在初期也不是完全不可能。
現在，每個人工智能創業公司的明確目標是，隨着人工智能的訓練越來越成熟，將這個比例急劇減少。一點一點，一個模塊一個模塊的將越來越多的流程自動化，最終儘可能地接近100%的AI自動化。
沒有一個AI創業者創辦公司是隻為了訓練AI模型，訓練模型是用AI改造業務的一種手段。
問題是，AI的進化是非常不可控的，你可以相當快地達到早期的成功（例如60%或70%的自動化），但在後來你經常會被卡住。有時這是暫時的：你在幾個月內沒有進展，但最終下一個突破出現了。有時，你會永遠被卡住。
當然，從商業的角度來看，能否達到高度自動化會有天壤之別。在早期，大家扎堆參與，你擁有一個技術和增速非常厲害的業務，但這個業務可能是負毛利的。你當然希望隨着時間的推移，公司成熟後在整體經濟效益上更像一個SaaS業務（還有一個額外的好處，就是你的核心人工智能技術很難複製，所以有一定的護城河）。但是，如果你不隨着時間的推移，大幅提高產品的自動化程度，減少人類的工作在產品中佔的比例，你就不可能建立起可持續的業務。
雖然除了媒體報道，我對真實的情況並不瞭解，但我懷疑這就是ScaleFactor的情況：早期投資人資助了願景，並打賭該公司將能夠隨着時間的推移從人類參與過渡到完全自動化的人工智能。然而，由於公司無法實現足夠高的自動化，後幾輪的投資人在觀察這個業務時，發現了毛利率是負的，於是都決定不投錢，最後公司之前的融資燒光了。選擇正確的方向和用例
對於AI創業者來説，在這篇文章中可能得到的最有用的啟示可能是：當談到建立一個以利用AI自動化為核心的初創公司時，並不是所有的領域和商業方向都是平等的，所以創業者應該謹慎和明智的選擇適合現階段的方向。
AI是可以進行預測和決策，它很強大，但即使經過了非常完備的訓練，也不是100%的正確。
所以，如果你的產品對準確度的要求是在100%的時間裏都必須100%成功，那完全用AI來解決就會變得很困難，尤其當人們期望這個100%的成功是實時發生的時候，那就更難了。
這裏有一些簡單的（可能也是不完美的）啟發式框架來思考這個問題。
完全自動駕駛是一個很好的例子，需要100%的實時成功。一輛由人工智能驅動的汽車需要實時做出無數個決策（停車、轉彎、避讓行人等），並且100%正確，否則人就真的會死掉。在目前的AI技術狀態下，完全自動駕駛還無法實現，而每一個人的生命都只有一次，出了事故，對於當事人來説就是100%。
在另一個極端，有的應用方向上，80-90%的準確率是完全可接受的。比如Google Photos對於人臉的自動識別歸類，把A的人臉識別成B的人臉，這雖然讓人不快，但它造成的後果沒那麼嚴重。並且用户對這方面的容忍度較高，也不期望這種處理是實時發生。這可能是新晉人工智能創業者最容易攻克的方向，你可以用人工智能完全自動化解決，不需要人類幹預和輔助。
中間的用例和方向才是棘手的。
例如聊天機器人，它需要實時操作，但是對於準確度的要求可能80%-90%的成功率就可以接受。當然，當聊天機器人出錯的時候還是很煩人，但是它只要在大部分時間內正常工作就能滿足需求，對於用户，總比在電話裏等30分鐘客户代表才接電話更好。(在不需要預測的情況下，開發人員也可以在其中加入一些簡單的業務規則來提升體驗，補足人工智能的缺點)。
最困難的恰恰是ScaleFactor切入的會計這樣的方向。在這裏，你需要在100%的時間裏獲得100%的成功率——會計要求非常的精確。但是在現在的階段，AI的技術還沒法滿足這種需求。所以，需要人類來完成最後一公里的工作——檢查出AI系統中出現的任何問題，然後在把結果呈現給客户之前糾正它。對於會計業務，這是可能的，因為最終客户通常並不需要他們的財務報表是實時的。
最後的這個例子，就是因為AI技術的不夠成熟，導致自動化程度不夠，進而使業務沒有持續性；對於創業者來説，這是一個棘手的類別。在AI技術還未成熟的時候，選擇需要在100%的時間裏獲得100%的成功率的方向顯然風險更高；在其他一切條件相同的情況下，選擇一個需求更強，更容易實現的方向，在商業上是更理智的。
本文編譯自知名投資人Matt Turck的個人博客。
本文為專欄作者授權創業邦發表，版權歸原作者所有。文章系作者個人觀點，不代表創業邦立場，轉載請聯繫原作者。如有任何疑問，請聯繫editor@cyzone.cn。
