从AI大模型到卖课，2024年如何在AI潮流中寻找创业新机会？

2024年中国春节后，OpenAI的文生视频大模型Sora，横空出世，震惊太平洋两岸。在各种讨论AI视频的论坛、媒体、讲座中，有一张图广为流传，“中美两大AI巨头”，略带无奈的嘲讽背后其实对当前AI商业模式和创业方向的迷茫和探索。

今天，硅谷科技评论（svtr.ai）结合AI数据库里海内外的AI创业公司案例，和大家探讨2024年AI领域创业的机会和路径。

经过大半年运营，我们AI创投社区已经超过了10000人，其中经过认证的会员超过300人，大都来自全球科技大厂、顶尖投资机构和高潜创业企业，文末扫码访问AI数据库和社群通讯录。

欢迎联系凯瑞（pkcapital2023），与一群志同道合的伙伴一起交流探讨。

到 2024 年，随着人工智能继续快速发展并融入几乎每个行业，建立人工智能初创公司将带来巨大的机遇。然而，人工智能初创企业在吸引资金、雇用人才、开发专有技术以及将产品推向市场方面也面临着相当大的挑战。

预计到2024年底，全球人工智能市场价值将超过1万亿美元。我们已经看到人工智能转型在医疗保健、金融、交通、制造、零售等所有主要行业中占据主导地位。人工智能的日益普及正在推动对人工智能初创公司的巨大需求，这些初创公司可以将人工智能从研究转化为实践。

随着人工智能在 2024/2025 年继续快速发展，创业机会的主要驱动因素包括：

• 更强大、更高效的人工智能模型和架构，例如大型语言模型和计算机视觉系统

• 提高人工智能的可解释性和可信度，世界的接受度上升

• 大数据的持续增长为人工智能系统的开发提供了动力

• 人工智能基础设施、工具和平台的访问更容易，降低进入壁垒

• 人工智能研究人员、数据科学家、机器学习工程师的人才库不断扩大

• 企业和风险投资对人工智能初创企业的投资激增，融资记录达到创纪录水平

一、AI创业商业模式

鉴于人工智能在各行各业的巨大能力，有许多新兴的创业模式已被证明具有吸引力：

1. 微SaaS

Micro-SaaS 是指围绕专门的、专注于解决客户单一特定痛点的产品构建的软件即服务业务。常见的例子包括人工智能写作助手、其他平台的预测分析插件、自动报告工具、数据丰富功能等等。

微型 SaaS 对人工智能初创公司的好处包括：

• 降低将初始产品推向市场的门槛

• 获得定期订阅收入

• 能够通过垂直升级扩大收入

• 有机会被收购并整合到更大的平台中

Micro-SaaS 允许独立创始人或小型团队快速验证想法并开始产生收入，而无需立即拥有大型工程团队或资金。

案例：

Otter.ai — 语音会议助手和转录

Descript — 具有 AI 集成的音频/视频编辑平台 

ShortlyRead — 摘要 API 和 Web 插件

2. 人工智能咨询

对于希望利用现有人工智能知识的初创公司来说，建立人工智能咨询公司已被证明是一种盈利模式。包括向缺乏内部人工智能专业知识的企业出售人工智能咨询、战略、实施和托管服务。

常见的服务产品包括：

• 人工智能准备情况评估（AI readiness assessments ）
  

• 技术评估和建议

• 数据策略和路线图

• 人工智能道德与治理

• 产品原型制作

• 模型研发

• 云迁移和管理

• 持续改进模型

与纯产品业务相比，专业服务的主要好处是更快的创收速度、通过计费时间扩大收入的能力以及与客户更紧密的合作关系。大型系统集成商、云供应商、数字机构和开发商店都在遵循高利润的人工智能咨询模式。

案例：

Elsevier — 医疗保健和生命科学人工智能战略

Aible — 定制企业人工智能解决方案

Comake — AI 实施和 MLOps 咨询

3. 行业特定平台

与服务于许多行业的水平人工智能平台（horizontal AI platforms ）不同，初创公司还有潜力针对各个行业打造更多垂直产品。例如，专门针对金融、零售、制造、医疗保健、交通、法律、房地产等市场的人工智能平台。

这些平台解决了单个行业的常见痛点，通过优化获得比通用解决方案更高的支付意愿。行业平台通常将 SaaS、数据资产、ML 模型和专业服务结合成一个集成产品。

案例：

Scale AI — 自动驾驶的数据丰富/标记

Landing AI — 制造/质检解决方案

DrugOlympics — 生物制药分子设计

Lexion — 法律部门的合同生命周期管理

4. 数据货币化商业模式

数据是几乎所有人工智能系统的动力。能够聚合独特的、高价值的数据集然后将访问商业化的初创公司具有强大的优势。该模型的变体包括：

• 建立市场、交易所、经纪公司以连接数据买家和卖家

• 为开发人员和合作伙伴提供优质数据 API 进行构建

• 将数据打包到报告、分析工具和嵌入式应用程序中

• 丰富第一方数据（first-party data），然后授予分发许可

由于基础设施、数据收集和团队的固定成本较高，数据货币化业务通常需要风险投资的支持才能扩展。但凭借可靠的数据资产和分布，精准的竞争定位，从长远来看，利润和估值倍数可以超越纯 SaaS。

案例：

Appen — 提供语言、语音、图像训练数据集

Cnvrg.io —  用于管理、监控 MLops 的元云

Figure Eight — 数据丰富和标签服务

5. ML 模型开发和许可

虽然对于早期初创公司来说不太常见，但有些初创公司确实专注于开发新颖的机器学习架构、训练算法和模型功能，然后通过许可和知识产权使用费获利。

比如以研究为中心的实体开发核心人工智能模块来为语音、翻译、推荐系统等消费者应用程序提供支持，但不一定自己构建成品。他们的模型通过第三方间接集成和分发。

对于拥有世界级机器学习人才的初创公司来说，授权原创模型而不是直接与大型科技公司竞争可能会更具资本效率。模型开发还可以促成大型企业的收购聘用人才保留策略（acqui-hire talent retention strategy）。

案例：

Anthropic — 开发宪法人工智能助理模型

You.com —  具有原始 NLP 主干的搜索引擎

6. MLOps 和企业基础设施

最后，虽然不是“纯人工智能”业务本身，但使企业能够集成、治理、保护、监控、扩展和管理复杂机器学习系统的工具和基础设施已经成为一个巨大的类别。

MLOps 堆栈、模型注册表、特征存储、数据标记服务、模型训练平台。测试套件、实验跟踪器构成了一个价值 40 亿美元的初创生态系统。然而，市场碎片化程度仍然很高，这表明机遇仍在持续。

案例：

Domino Data Lab — 模型管理和操作

StreamLit — 面向 ML 工程师的开源应用程序框架

Comet ML — 元数据和实验跟踪

7. AI芯片组和量子硬件

在最前沿，随着神经网络的计算需求突破了当今最先进的 GPU/TPU/FPGA 系统的限制，这也为专注于下一代人工智能硬件的初创公司也提供了巨大的机会。

专注于人工智能芯片组、神经拟态计算、光子系统和量子机器学习等领域的初创公司虽然雄心勃勃，但却正处于即将到来的最大转型之中，考虑到当前进展和现实，估值泡沫比较大。

案例：

SambaNova — AI 硬件和软件解决方案

Rigetti — 用于机器学习工作负载的量子计算

上述大多数商业模式都适用于任何规模的公司，从种子期前到首次公开募股后阶段。在权衡选择时，创始人应考虑他们的资产、团队能力、目标客户以及新企业与现有企业的进入壁垒。

二、AI创业技术堆栈

虽然构想商业模式至关重要，但实现它们完全取决于选择正确的支持技术作为人工智能初创公司的基础堆栈。这些“构建与购买”的问题各有利弊，初创公司必须在扩大规模时不断评估。常见的技术方法包括：

1. 利用开源库

PyTorch、TensorFlow、Stability AI 和 Hugging Face Transformers 等开源 AI 软件开发套件的进步使初创公司能够制作原型并验证想法，而无需从头开始构建核心 ML 功能。AWS、GCP 和 Azure 等云平台现在也提供许多开箱即用的人工智能服务可供整合。

利用开源的主要好处是更快的上市时间、更低的成本以及在原型设计过程中快速迭代的能力。团队可以更多地关注定制、新颖的数据管道和应用程序级逻辑。

然而，随着时间的推移，对开源的依赖也带来了控制力减少、供应商依赖、竞争加剧以及技术商品化等缺点。初创公司可能仍然需要专有知识来进行差异化。

2. 构建自定义机器学习模型

对于拥有内部机器学习和数据科学工程师的初创公司来说，投资定制模型开发可以带来定制性能、垂直优化、独家知识产权以及适应独特或特权数据资产的优势。

到 2024 年，这各领域进一步扩展，包括 CNN、RNN、变压器、图神经网络、强化学习、联邦学习，以及结合偏差缓解、鲁棒性、反事实和集成技术。

缺点集中在更高的构建成本、招聘挑战、模型漂移/退化风险以及生产前需要进行大量测试。由于资源限制，并非所有初创公司都能走这条路。

3.利用基础模型

一种吸引人的平衡方法利用学术界和大型科技公司的现有基础模型作为基础，然后通过定制头和模型扩展进一步优化。

通过使用强大、经过验证的架构（如 GPT-4、Llama2、Mistral-8x7b、DALL-E、PaLM、BERT、AlphaGo 等），然后针对特定行业数据进行调整，可以提高初创企业的生产力。

4. 在 LLMs 之上构建

与此相关的是，LLMs 的崛起以其惊人的广度促使许多初创公司围绕 Llama2、Anthropic Claude、Cohere、Character.ai 等微调平台调整技术堆栈，或直接在 OpenAI 等 API 服务上运行工作负载。

这将所有初创公司构建与购买的权衡考虑因素提升到了新的水平。虽然集成简单且功能强大，但也要权衡对外部 LLM 供应商的依赖的风险因素。

5. MLOps 工具和基础设施

对于相对成熟的初创公司，将领域专业知识打包到 MLOps 工具中，用于管理和优化机器学习模型生命周期，可以提供更易于维护的平台。

以强大的工作流程编排、实验跟踪、模型监控功能为先导，建立竞争护城河。

总体而言，在确定人工智能技术堆栈时，不存在普遍的“正确选择”。从原型到私人测试版，再到多租户 SaaS，优先级不断变化。初创公司必须根据自身资源限不断在自我构建与外部购买之间权衡。

三、AI初创企业成长

我们曾经介绍过独立创业者所需具备的技能，其实建立任何类型的人工智能初创公司的创始人最终都会面临类似的迭代节奏，需要系统地验证并扩展成功的业务：

第一阶段：原型设计和客户发现

早期重点仍然是快速原型开发，探索想法和核心价值主张。低代码工具和小样本的 MVP 实验可以帮助你获得洞察。

原型阐明了技术可行性和产品规格，而访谈、调查、竞争性分析和用户研究则验证了值得解决的市场问题。

这对于人工智能初创公司尤其适用，因为理论创新与真正客户需求之间存在差距。许多创始人陷入了构建技术而非解决问题的陷阱。

这里的活动与传统的精益创业方法相似，比如定义目标客户群体、记录使用案例、详细说明UI流程，以及制定简洁的消息以开启销售对话。

建立初始信号后，与一部分客户进行战术试点项目，通过记录具体的指标、结果和可参考性来进一步验证。

总体来说，这些需求驱动的见解要么推动产品正式化，要么为基于证据的转变铺平道路。

第二阶段：私人测试版发布

一旦通过初始客户验证消除了风险，初创公司就可以通过正式化完整的产品体验进入执行模式。对于人工智能初创公司来说，这需要广泛的数据管道、模型开发、云基础设施和应用程序代码库构建。

早期招募的人员会被整合到机器学习工程、数据科学、全栈网络开发、设计和产品管理职能部门。单位经济效益、定价模型和上市计划都要规划分析。

许多创始人在这个时候筹集了一轮种子前或种子资金，以加速短期产品的构建和团队的成长。典型的融资规模为 30 万美元到 100 万美元以上，来自天使投资人、微型风投、加速器以及越来越多的独立 GP“Scout”基金。

与原型相比，私人测试版拥有更多的资源，为少数独家客户进行长期测试提供了更先进的功能、集成和可靠性。

这里的实验包括定价、定位、合作伙伴关系以及制定可重复的销售动作，以巩固产品与市场契合的信心，然后进入公开发布阶段。

第三阶段：公开发布和扩张

鉴于成功的私人测试结果和充足的资金储备，初创公司开放访问以建立最初的公众吸引力。除了确定定价，自助服务和文档充实之外，创始人则更加关注增长。

通过搜索引擎营销、内容营销、推荐以及社区建设等活动来吸引更广泛的目标受众。资金被投入到转化率优化中。企业销售策略开始转向扩大交易规模和基于客户的收入扩张。

同时，初创企业在产品升级和团队扩张方面努力不懈。重点转向稳健性、合规性、安全性、可用性和支持。

对于人工智能重型堆栈来说，延迟通常表现为模型退化、概念漂移和技术债务。MLOps 流程随着数据管道的持续扩建而得到增强。

一旦获得投资人青睐，A 轮融资就标志着人工智能初创公司的关键时刻，通常以 8 位数的估值从风险投资公司筹集 5 至 1500 万美元以上的资金。

成长阶段投资带来了更深入的运营专业知识，顶尖人才招聘能力，以及C级高管任命，以补充创始团队。扩大董事会进一步提升治理能力。

随着业务拓展、营销销售、客户成功案例的进展，公司向新领域、垂直行业和用例将实现快速扩张。与此同时，B 轮和 C 轮融资也将不期而至。

四、总结与结论

进入2024年，OpenAI、Meta、Google等科技巨头动作不断，人工智能初创企业领域发生新的巨大变化。

随着企业和风投资金的大幅增加，以及更加强大的机器学习能力降低入门门槛，对于那些伟大的创始人来说，利用这些生态系统的顺势而为，建立具有影响力的企业的可能性依然巨大。

人工智能初创企业确实面临着从技术债到在实现盈利前需要长期发展的风险。然而，通过保持资本使用效率，采用精益创业等框架，并且全身心聚焦于最终用户价值，创业者可以将风险降至最低，将其想法转化为长期可以带来巨大影响的可持续事业。

如果您也在创业，欢迎参加我们联合亚马逊云科技和IDG、云启资本、美团战投等一线投资机构举办的「生成式AI+出海」主题闭门路演。

AI公司

+

OpenAI：人工智能突破的前沿丨员工名册丨董事会丨营销团队丨GPT Store丨科技狂人丨马斯克丨地产生意经丨微软丨投资帝国丨婚礼

Adobe丨Anthropic丨Amazon丨Canva 丨DoNotPay丨Figma丨Google丨Hugging Face丨Midjourney丨Neuralink丨Pika丨Replicate丨Replite丨Runway丨Scale AI丨Shein丨Stability AI丨Vannevar Labs丨Zapier

AI行业

+

AI写作工具丨AI编程工具丨AI客服工具丨AI法律工具丨AI医疗工具丨AI视频工具丨AI搜索工具丨AI合成数据丨AI企业服务丨AI Agent代理丨AI个人助手丨AI生产力工具丨LLMOps市场地图丨AI创始人丨全球高增长AI 50丨AI：即将到来的科技革命丨2023年企业生成式人工智能现状报告丨AI 正推动云计算的下一波增长丨旧金山湾区成为Gen AI早期赢家丨我们离AGI还有多远？丨巨头的AI战争丨欧洲AI创业地图丨AI+浏览器丨开源人工智能市场研究报告丨人工智能的未来丨科技巨头的未来丨北美科技人才中心地图

AI创投

+

创业：

1人团队，百万营收的AI套壳丨如何从零打造一家AI驱动的公司？丨如何独自创办你的初创公司？丨如何通过AI写作实现年入千万？丨值得关注的人工智能初创公司丨如何在6个月内，通过AI月入6万美元？丨你的性格决定创业成败丨从互联网到生成式AI狂潮揭示了哪些不变的真理？丨 如何寻找和评估创业方向？丨CEO如何确定自己的薪水？丨如何分配股权和头衔？丨如何组建和召开创业公司董事会？丨GTM指南丨如何选择VC？丨写商业计划书（BP）丨AI+法律：创业机会地图丨公司估值的艺术丨如何找到创业合伙人？

投资：

为什么说Gen AI拯救了风投界？丨全球顶尖VC投了哪些AI初创公司？丨中美AI创投赛道有何异同？丨如何评估AIGC初创公司的竞争优势？丨知名海外投资人谈AI新趋势丨做通才还是专才风险投资人？丨红杉资本如何做投资？丨如何及早识别独角兽创始人？丨风险投资公司如何避免7大陷阱？丨合伙人是怎么炼成的？丨Thrive Capital丨英伟达投资策略CEO丨Souring的艺术