几周前，我发表了一篇文章，其中概述了一个框架，用于思考如何为人工智能初创企业创造一条“护城河”。在过去的几天里，它引发了与几个人工智能从业者（创始人、产品经理、风险投资人）的有趣对话。我认为这些对话给我最初的框架带来了有趣的补充，所以我最终决定在这里发布其中的3个。

人工智能公司中的两个强化反馈循环（更多内容见我最初的文章）

我希望这些能让读过我最初的文章的人感兴趣。如果你错过了，可以在这里看。

第一部分 销售是最初的竞争优势

罗布-梅是Talla的首席执行官，Talla是一家位于波士顿的由风险投资支持的人工智能初创公司。他也是一份名为InsideAI的优秀通讯的编辑。以下是他上周发给读者的答案。

这篇文章谈到了人工智能中与产品相关的竞争优势，这也是大多数分析的重点所在。能够获得专有数据的产品表现更好，从而获得更多客户和更多数据。这是真的，但我想在此基础上再加一层，根据我迄今为止在人工智能市场上看到的情况，也提供一种更复杂的关系作为选择。

我认为，了解如何销售AI可能是一个早期的、短暂的优势，从长远来看，可以很好地建立一个公司。

据我所知，大多数销售人工智能的公司实际上都在努力做到这一点，原因有几个。首先，要实施一个新的人工智能系统，而这个系统只做一件小的新工作，就可能是一个很大的工作。因为大多数人工智能产品都是在一个数据集和一个模型上训练出来的，如果你想到它们如何应用于商业世界，它们往往是小众的单一而不是可以做很多事情的功能齐全的产品。因此，你必须找到这些有针对性的用例，在这些用例中，对一种类型的数据进行人工智能是有用的，因为在许多用例中，你需要将人工智能应用于几个数据集和工作功能，以使它足够有用到有它的商用价值

第二个问题是，部署，特别是访问客户的数据来训练模型（如果你需要的话），这可能是减缓销售周期的一个点。我看到大多数人工智能公司都在做付费的试点公司，这在SaaS的早期并不常见。但是，买家担心的是如何实施A.I.，以及它的真正效果如何。

第三个问题是，买家不了解许多人工智能系统的概率性质，以及如何将它们整合到他们的工作流程中。有了SaaS，当你点击按钮X时，操作X在100%的情况下被执行。有了A.I.，你可能会得到一个估计的结果--比如96%。这意味着什么？它有4%的时间是错误的吗？如果是这样，你怎么知道什么时候应该忽略机器？更重要的是，鉴于人工智能目前通常不是某个人的工作，你的公司里有应该由谁谁来负责这件事。我看到我的许多天使轮投资都在为这最后一点感到难办--有时买家不知道谁应该拥有他们公司的人工智能软件工作流程。

在我看来，考虑到生态系统的现状，弄清楚如何大规模地销售人工智能对大多数公司来说仍是一个挑战。作为早期解决这个问题的公司，可能会在数据获取和市场感知方面为你提供相当大的优势，即使你开始时没有拥有最多的数据或最好的算法，但你作为领导者，还是会有相当大的优势，这就是尝试初步建立市场的好处。

我认为这是一个非常好的观点。我同意这样一个事实，即在扩大人工智能创业公司的规模时，能够向一个定义明确的买家出售一个简单的产品，以获得最初的数据集的访问权限，这绝对是扩展AI初创公司的关键。我认为看待这个问题的一个好方法是与市场上的网络效应建立一个平行关系。在市场的早期，拥有一个非常好的运营团队，理论上不是一个长期的竞争优势，但它有助于市场的网络效应的启动。这本身并不是进入市场的障碍--网络效应才是--但它是一个关键的初始竞争优势。形象化这一点的好方法是对我最初的图表进行这样的补充：

第二部分 AlphaGo Zero

Varun

 是最早在我的文章下面写评论的读者之一。以下是他的评论：

嗨，路易斯，文章很精彩，但是你怎么看待今天宣布的AlphaGo Zero与强化学习的关系，它从零开始学习，并击败了先前版本的Alpha Go（它是基于监督学习/从数据中学习的）？对不起这里催促一下你，但希望你能写一篇V2版的文章，其中能包括到强化学习中的哪些因素可能会改变游戏规则，以及 "数据护城河 "和数据网络效应在不久的将来无法与强化学习驱动的系统相比的想法。

很好的观点! 以下是我的想法：

AlphaGo Zero的性能与以前版本的Alphgo相比，来自Deepmind的论文

对于那些错过的人来说，Deepmind在《自然》杂志上发表了一篇论文，介绍了AlphaGo的新版本--其学习如何下围棋的算法--称为AlphaGo Zero。该算法的新颖之处在于，它使用了强化学习（RL）。该算法的一个特点是，它不需要任何初始数据集就可以自己学习。简而言之，该算法试图根据在任何给定时间内计算出的获胜概率，在每个步骤中找到最佳动作。经过更少的迭代和使用更少的计算能力（根据这两个变量，小了一个数量级），AlphaGo Zero的表现超过了其先前的监督版本。某些行业观察家开始把AlphaGo Zero当作 "人工智能中最重要的研究进展 "来谈论。为什么呢？

因为这个新版本不需要初始数据集，就能超越那些经过多年数据训练的版本。

因此，在这种情况下，我的文章的等式是

AI的成功=数据（*数据）+ML人才+算法

从根本上说是错误的。它是不对的。但只有当我们处于可以在问题定义中设置整个可能性集的情况下，它才可能是错误的，这样我们就可以计算在任何给定时间获胜的概率。

在围棋游戏中是这样的，但在许多现实问题中却不是这样的。

比如说，想想预测销售情况。在销售人员采取任何给定的行动后，世界都会发生变化，因此我不知道我们如何能在现有的模型中加入一个给定行动的所有可能结果。或者至少这种表述可能是非常片面的，因为有许多隐藏的变量。

AlphaGo Zero是人工智能领域的一个惊人的突破，但我仍然想知道这如何能应用于工业设置。

我所看到的强化学习的一个用途包括训练一个ML模型来预测奖励函数，然后再根据历史数据来学习每个变量对奖励函数的影响。但这仍然需要历史数据。如果你对如何在没有任何初始数据集的情况下在工业设置中训练一个强化学习模型有提示，请给我留言，我很想了解更多。

第三部分：现有的公司会不会建立不是其业务主要核心的人工智能产品？

Abishek是Clarifai的产品经理，Clarifai是纽约市一家领先的计算机视觉初创公司，已经向USV等领先的风险投资公司融资4000万美元。

简而言之，以下是他的反应：

ML可以用于很多不同的应用（建立领域理解、推荐引擎、计算机视觉、语言等）。如果一家公司（非技术/大数据）发现这些应用不止一个，但这不一定是它的核心竞争力（不是他们的业务），是否应该鼓励他们在内部建立这种能力，以达到80%的准确性/满意度水平？

我认为这是一个非常有趣的问题，而我显然没有答案。

我的想法如下：

在最近的一篇文章中，我回顾了成功的应用人工智能公司的数量，这些公司是技术推动者（相对于全栈），然后研究了那些横向（在这种情况下，认为是客户的非核心业务）与纵向（客户的核心业务）。我发现大多数都是横向的：

我认为其中一个原因是，建立一个垂直的技术推动者要难得多，因为：

1. 竞争更加激烈（因为这是现有企业的核心业务，所以他们更有可能建立一个竞争性的解决方案）

2. 现任者拥有更大的初始数据集

3. 现任者已经有机会接触到客户，使他们能够更快地销售。

我还看到一个与Abishek的问题相近的有趣问题： "公司应该购买一个准确率为95%的解决方案，还是建立一个准确率为80%的解决方案？

我不知道，我猜这在很大程度上取决于企业内部问题的规模和影响。

我希望这三个补充为最初的讨论带来有趣的观点。如果你有任何额外的意见，请随时联系我们。很高兴能与您交谈!