Categories
程式開發

靠AI自動化項目眾籌到千萬美元,如今停更一年,創始人回應云服務太貴


Grid 公司承諾可以用人工智能技術實現網頁設計自動化,通過眾籌和賣會員前後拿到了1200 多萬美元(約合人民幣8367.36 萬),但是代碼和產品更新均停留在了一年前,公司員工幾乎全部離職,創始人回應稱現金所剩無幾,基本都花在營銷和雲服務上面了。

靠AI自動化項目眾籌到千萬美元,如今停更一年,創始人回應云服務太貴 1

靠 AI 自動化網頁設計,眾籌千萬美元

2014 年,一家總部位於加利福尼亞州的初創公司 Grid 發起了一項針對網站設計的眾籌活動。在這項活動中,Grid 承諾已經可以用人工智能技術讓整個網站設計自動化,這在當時徹底顛覆了網站設計理念,這項計劃預計籌措數百萬美元的資金。

當時的新聞對這家公司技術能力的描述如下:

Grid 由前 Google AdSense 產品總監 Brian Axe 和首席媒介設計師 Leigh Taylor 開發。二人花費了數年時間開發出一種人工智能技術,能夠扮演圖形設計師的角色,甚至能根據用戶的品牌需要,以內容為中心,給出最佳設計方案。

用戶只需要上傳建站圖片和內容,Grid 將分析這些內容,並通過Grid Style Sheets 在數分鐘之內創建一個自適應網站,Grid 還能根據圖片對比度高低來排布文本,通過人臉識別等技術來自動裁切圖片,並自動給出配色方案。

很快,這家公司就籌集到了大量現金,具體金額未明確公佈,但有新聞報導指出,該公司通過眾籌和會員銷售從風險投資家那裡籌集了 至少700萬美元, 並從用戶那裡籌集了另外520萬美元。

錢拿到了,但產品交付出現問題。Grid 的 Twitter 帳戶於 2018 年 1 月發布了最後一條推文,此後一直保持沉默。 2019 年 3 月,Grid 將客戶從“ Version 2”產品(第二個版本)構建的網站上拒之門外,並發布聲明希望用戶可以等待下一個版本的到來。

一年過去了,下一個版本還是沒有出現。Grid 的 GitHub 賬戶代碼更新停留在 2019 年 6 月份,鏈接到這個 AI 自動化設計網頁項目的 GSS 引擎存儲庫的更新時間是五年前。

在此之前,Grid 每年以 144 美元的價格出售“ Pro Membership”(專業會員),目前這些會員資格的購買頁面仍然在線,但公司網站稱已暫停註冊。

過去一年,Grid 的客戶不滿情緒加劇。在 Twitter 上,有一個名為 GridVictims 的列表,聚集了一群 Grid 終身會員,一名用戶在 2019 年 7 月的一條推文中寫道:

一開始這絕對不是騙局,或許他們的初心或願景是好的,他們想把這個想法賣給我們,為我們提供一個低級的MVP,然後畫了更大的餅,把我們一步步套牢,我們每個人則為此支付了90 美元保證金

創始人回應:現金所剩無幾,AI 雲服務太貴

面對用戶質疑,Grid 首席執行官兼聯合創始人 Dan Toucchi IV 表示:這件事情比我們想像得更加困難。至於籌集到的資金,他表示所剩無幾,原因很簡單,Grid 公司不好賺錢但善於花錢。

Grid 前期的一次眾籌活動賺到了 600 萬美元,但很多都是營銷廣告驅動的,只賺了不到 20% 的利潤。

言外之意,Grid 的現金流並不充裕。值得注意的是,Grid 前期對自己進行了大肆宣傳,並且還曾表示要帶著整個團隊去夏威夷旅行,在那裡開發產品。現任 Grid 董事會成員和前 Google AdSense 聯合創始人 Brian Ax 曾經撰寫了一篇文章,在其中稱讚了公司“多元化的技術創始人(像谷歌一樣)”。

靠AI自動化項目眾籌到千萬美元,如今停更一年,創始人回應云服務太貴 2各種各樣的技術創始人

Toucchi 對公司不是騙局的事情解釋道:我們的 GitHub 代碼可供所有人查看,在開發人員社區中,我們非常受尊重,產品被擱置的原因是 AI 的雲服務非常昂貴

我們不得不關閉產品,並努力推出 V3 版本。使用 AI 的雲基礎架構暴露出的隱藏成本比我們意識到的要昂貴得多。

雲服務對 AI 廠商來說是一筆巨大的成本

在以內部軟件為主導的舊時代,產品交付的核心在於擺脫並淘汰物理運輸載體。

無論是在服務器上還是台式機內,軟件的運行成本都將由買方承擔。如今,SaaS 成為新的銷售形勢,運行成本則重新回到供應商手中。大多數軟件廠商每月都需要支付大量 AWS 或者 Azure 賬單:軟件要求越高,賬單金額就越高。

事實證明,AI 技術的要求確實不低:

  • 訓練一套 AI 模型可能需要耗費數十萬美元(或者更高)的計算資源。儘管可以將其理解為一次性成本,但由於AI 模型接納的數據始終隨時間推移而變化(這種現像被稱為“數據漂移”),因此模型的重複訓練應該被視為一種持續性成本。
  • 模型推理(在生產環境中生成預測結果的過程)在復雜度方面,同樣遠遠高於傳統軟件。與直接從數據庫內讀取數據相比,執行一連串矩陣乘法顯然需要更高的數學運算。
  • AI 與傳統軟件相比,AI 應用程序需要處理的更多是圖像、音頻或者視頻等富媒體類別。這類數據消耗的資源明顯高於常規存儲資源,處理成本更高,而且往往因領域不同而有所差別,應用程序可能需要處理大量文件,才能從中找到相關片段。
  • 根據 AI 廠商們的實際反饋,與傳統基礎設施相比,雲計算的運營複雜度更高、成本更可觀,而且往往缺少在全球範圍內輕鬆擴展 AI 模型的理想工具。結果就是,相當一部分 AI 廠商不得不定期在不同雲服務區域間遷移訓練完成的模型,用高昂的運營成本換取模型的可靠性、性能表現以及合規性。

總而言之,這部分因素導致 AI 廠商往往需要將全部成本中的 25% 甚至更高花在雲資源身上在極端情況下,面對極複雜任務的初創企業甚至發現,在某些模型數據中採取手動處理反而成本更低。

當然,大家可以選擇專用 AI 處理器壓低成本。這類 AI 處理器能夠高效執行計算任務,從而通過優化技術(例如模型壓縮及交叉編譯)降低所需算力水平。

然而,這種優化思路的效率曲線並不明確。在相當一部分應用領域中,我們需要成倍增長的處理強度與數據量來換取更高的準確性。正如前文提到,這意味著模型的複雜度也會以驚人的速度增長,而處理器顯然跟不上這種需求提升。

自 2012 年以來,訓練前沿 AI 模型所需要的計算資源增長了 30 萬倍,而英偉達 GPU 的晶體管數量僅增長了 4 倍左右。分佈式計算無疑是解決此類難題的有效方式,但這解決的主要是速度問題,而非成本問題。

總之,“雲服務成本太高”確實是很多AI 廠商的一筆巨大成本,但是這恐怕不足以說服用戶接受“千萬美元全部花完”的結果,希望Grid 公司後續可以拿出更加有說服力的說法或者產品。

參考鏈接:

《How a Web Design Company Crowdfunded Millions and Completely Disappeared》