技术创业案例两则
分享两则偏技术创业的案例。
这里说是“偏技术创业”，是因为严格来讲，没有任何创业项目可以是纯粹的“技术驱动”的。
技术总是需要去被使用，才能产生价值。而如何找到使用技术的人，则不是一个计算机领域的技术问题。
尽管如此，还是有一些项目更偏技术一些；有一些项目更偏业务一些。
这两个案例，在我看来，就是更偏技术一些的创业案例。
案例一：
偶然间看了一个新闻，一个叫 Timescale 的公司，进行了 B 轮融资，金额是 4000 万美元。整体这家公司的融资额已经达到 7000 万美元了。
这是一家小公司，他们的产品叫 TimescaleDB，做的事情是基于PostgreSQL，专门做时序数据这一种数据类型的存储和处理。
由于只针对时序数据这一种数据类型做处理，所以他们可以做很多专门性的优化。
根据介绍，在时序数据方面，他们可以做到比一般数据库的处理速度快 10-100 倍。
当然，性能只是一方面，其他优势还包括对数据的压缩率，支持海量的存储规模（PB 级别），以及依然使用 SQL 作为查询语言，更方便开发者，等等等等。
他们为什么只做时序数据？因为创始人有一个洞察，叫 Time series data is everywhere（我的翻译：时序数据到处都是）。
说实话，仔细想，我觉得这个思考特别对。大家可以想一下自己做的业务的数据库中，有多少表需要 timestamp。只要需要 timestamp 字段，就都可以理解成时序数据。
TimescaleDB 这个数据库本身是开源的，github 的项目地址在这里：
https://github.com/timescale/timescaledb
他们的付费服务是基于这个的时序数据库做的云服务和数据分析服务。服务的客户列表中，赫然有诸如沃尔玛，IBM，思科，三星，西门子这样的名企。
做垂直细分本身就是创业方向的常规思路之一。而这个思路，放在技术领域，同样适用。
案例二：
这个案例比较早，当时给我的印象非常深刻。
这家小公司叫 turi，估计大多数同学都没有听说过。因为他们家早早就被苹果收购了。
这家小公司做一件什么事儿呢？其实就是提供一个机器学习框架，和 Tensorflow 或者 Pytorch 干的事情完全一样。
但他们专注于处理的问题是：把机器学习算法的运行更多地放在外存上。
因为机器学习处理的数据规模越来越大，对于大规模的数据集，读进内存不现实；而并非所有的算法都可以做成在线算法。
所以，机器学习领域有外存算法的设计和部署的需求的。
这个思路其实也并不算新鲜，毕竟所有的内存算法，进一步，都要考虑数据量增大，使得需要借助外存的情况。
这家小企业做这件事情比较早，在 2013 年就动手了。据说这个课题本身，就是创始人 Carlos Guestrin 的博士论文课题。
这个 startup 绝对算是踩上人工智能的风口了。2016 年，turi 被苹果以近 2 亿美金的金额收购。
当然，现如今，turi 的方向已经不完全是部署机器学习的外存算法了，更多地注重于将 turi 的产品和苹果系统结合起来。据说苹果内置的机器学习 SDK CoreML 中，就有很多 turi 团队的功劳。
而在 2018 年和 2019 年，连续两年的苹果开发者大会 WWDC 上，都有专门的 session 向大家介绍 turi 团队的算法在苹果 SDK 上的部署和应用：
图片中的多物体识别
风格转移
在技术领域，其实有很多事情可以做。而做这些事情的思路和方向，在我看来，并没有那么神秘，也不是那么遥不可及。
很多所谓前沿技术的发展路线，如果仔细观察，可能，和过往技术的发展路线，并没有太大的区别。
两个例子，给大家抛砖引玉。
大家加油！：）
本文相关阅读推荐：