如果你只有幾分鐘的閒置時間，那麼以下是投資者、經營者和創始人應該瞭解的關於人工智慧初創公司的資訊。
預測未來。我們都喜歡偶爾扮演諾查丹瑪斯（拉丁語名 Nostradamus，法國籍猶太裔預言家）。但是，如果你預測的未來很有可能是正確的呢？一位撰稿人認為，由於有 Kumo 這樣的公司，人工智慧正在使這一切變得越來越可能。預測智慧平臺允許使用者「查詢未來」，預測客戶對新產品或業務變化的反應。
增強版專家。行銷人員已經利用大型語言模型來創建文案、部落格文章等了。但我們如何才能確保人工智慧的力量觸及法律和醫學領域呢？有兩份資料強調了企業正在取得進展，讓 AI 幫助醫生和律師更高效地工作。
「雲端」工作室。以往，如果你想捕捉 3D 畫面，就需要定制昂貴硬體。最近的創新意味著這種情況不再需要了。使用者現在只需要一部智慧型手機，就可以捕捉逼真的 3D 圖像，可用於遊戲製作、電子商務產品拍攝或創意專案。越來越多的人可以從任何地方獲得大型工作室的力量。
引人注目的產品。僅僅利用人工智慧是不夠的，你還必須將該技術包裝成一個引人注目的產品。有一家公司因為這種能力而被關注，它就是企業知識管理平臺 Sana。據一位撰稿人說，Sana 巧妙而有效地利用了人工智慧，展示了如何將其組織成一個有凝聚力的產品。
讓科學說話。世界上到處都是人類無法破譯的語言，這包括生命科學的「語言」，如生物學和化學。像 Enveda 這樣的公司能翻譯科學領域的詞彙、語法和語義，並允許人類通過開發新的化學物質來做出「回應」。
人工智慧的復興已經正式進入曲速階段。不到 5 個月，這一領域就已經發生了根本性的變化。庄年 11 月中旬的時候，當時 ChatGPT 還沒有推出，更不用說 GPT-4 了。Bing仍然是一個無腦的搜尋領域落後者，對大Google公司的所有人來說，「Bard」（吟游詩人）這個詞還並沒有引發狂熱。
越來越多的時候，我們的世界似乎就是這樣運作的：一波三折，在令人心動的加速和華麗的裝置中噴薄而出，然後在漫長的休息時間裡歸於平靜。
我們的 「What to Watch」 系列試圖保持在科技的最前緣。雖然沒人能指望知道人工智慧領域的每一項創新（這是一個充滿活力的有機體，同時向 100 個方向在發展），但我們希望，在廣泛地被市場注意到之前，我們可以將一些出類拔萃的公司和引人注目的趨勢呈現給大家。為此，我們邀請了一些最厲害的 AI 投資者和創始人，講述他們密切關注的公司和趨勢。（巧的是，這裡的一位投資者投資了其中一位創始人的公司。）
Harvey：法律助理
人工智慧堆疊在多個層面上都有巨大的創新。例如，許多人正在為編碼（Magic）、圖像生成和核心多模態語言（OpenAI、Anthropic、Google等）構建有趣的新定制模型。同樣，從 Langchain到 Llama-index 再到 Chroma，工具公司也出現了爆炸式增長。一些公司是跨界的混合型公司（比如 OpenAI 的 ChatGPT），而另一些公司則在構建獨立的應用程式。
正在被快速採用的應用程式的共同特徵包括：
- 利用大型語言模型或其他模型的獨特優勢的應用程式通常會有很強的吸引力。建設者在問自己：這項技術有什麼獨特之處，是以前的技術所不能做到的？
- 用輕巧的機器智慧取代重複性的人力勞動或核心工作流程的應用，相當引人注目。減少或消除痛苦的體力勞動具有明顯的吸引力。
- 在許多情況下，完全自動化也許是不可能的。因此，一些應用程式採取了人和機器相結合的方法，專注於增強使用者能力，而不是完全替代人工。人類需要糾正機器的錯誤，提供準確的資訊。
像 GitHub 的 Copilot 一樣，Harvey 也擁有這三個特點。但 Harvey 不是協助程式碼生成，而是專注於法律領域。Harvey 可以幫助律師完成盡職調查、訴訟、研究和法令遵循方面的任務。該公司已經與普華永道（PwC）和安理國際（Allen & Overy）這樣的巨頭達成了交易，這是一個良好的開端。
在眾多人工智慧初創公司中，Harvey 脫穎而出有以下幾個關鍵原因：
- 正確的團隊。Harvey 的創始人從用例和技術的角度來理解 AI 問題。該公司聯合創始人溫斯頓·溫伯格（Winston Weinberg）曾在 O’melveny 從事反壟斷訴訟業務，而首席執行長加加百列·佩雷拉（Gabriel Pereyra）曾在 Deepmind 擔任研究科學家。
- 深思熟慮的方法。Harvey 採取了差異化的方法來評估法律團隊的需求。溫伯格和佩雷拉在盡職調查中關注了幾個關鍵的早期問題，獲得了強烈的客戶回饋。透過迭代運算，他們實現了深度使用者黏著度。
- 快速和專注。在選擇了問題集之後，Harvey 的創始人迅速構建了一個服務於特定客戶需求和用例的系統。Harvey 與安理國際律師事務所等特定客戶密切合作，以確保公司能夠應對真正的客戶痛點。
法律和法令遵循領域是一個很好的用例，從訴訟到起草保險索賠，再到代表人類客戶向法院提交檔，這些都將被人工智慧重塑。而且它不會止步於此，專門的人工智慧助手，以及可以綜合資料並提供答案的應用程式，在醫學、金融、行銷、銷售、會計等領域具有相當大的潛力。
——艾拉德·吉爾（Elad Gil）和文斯·漢克斯（Thrive Capital），Thrive Capital 的合夥人
Kumo：瞭解未來
我是在史丹佛大學的Nvidia禮堂見到尤里·萊斯科維奇（Jure Leskovec）的。作為「大規模挖掘資料集」課程的一部分，這位電腦科學教授為地球上一些最聰明的年輕工程師做了一場講座。研究生們牢牢記住了他的每一句話，我也是如此。尤里在技術上很出色，又能準確表達，是一個罕見的綜合性人才。尤里的演講如此引人注目的部分原因是他的挑釁性言論：在未來幾年裡，人工智慧驅動的系統將能夠預測未來。
如今，尤里提出的人工智慧革命正在成為現實。現代企業從巨量資料中提取強大的洞察力，從客戶交易（銷售資料和支援票據）到內部營運（財務資料和管理資料）再到外部訊號（網路流量和社群媒體），一切都可以轉化為有用的知識。
尤里、瓦尼亞·約西福夫斯基（Vanja Josifovski，Pinterest 和 Airbnb 的前 CTO）和荷馬·拉加萬（Hema Raghavan，LinkedIn 的前增長 AI 負責人）一起創建了 Kumo。
使用 Kumo，公司可以看到自己的未來，就像他們可以用資料庫來查詢過去的資料一樣。Kumo 不是分析去年發生了什麼，而是讓客戶看到明年可能會發生什麼。這種產品的影響可能是深遠的：企業不再局限於分析過去的事件，而是能夠更好地預測新的機會。使用者仍然希望跟蹤資料，以顯示哪裡出了問題，但他們將使用 Kumo 來查看如何才能做對決策。
例如，傳統的客戶關係管理資料庫只包含客戶名稱、帳號和交易歷史等資訊。相比之下，Kumo 會提供對資料庫的造訪，該資料庫可以預測一個給定的客戶在未來一年會花多少錢，哪些新產品最有可能幫助他們，以及可能導致客戶離開去找競爭對手的關鍵因素是什麼。
Kumo 使用圖形神經網路（GNNs）來辨識公司資料中的模式和關係。GNNs 具有強大的預測能力，非常適合分析傳統統計或機器學習（ML）技術無法輕鬆分析的複雜的、相互關聯的資料。
GNNs 的應用將在未來十年推動大規模的變革。公司將徹底調整他們的營運方式，以適應未來的客戶行為。準確地預測這種行為可以讓公司提供定制的產品推薦、量身定制的促銷活動和有針對性的溝通策略。預測分析還將應用於更廣泛的用例，比如欺詐檢測、產品設計、規劃和預測等各個方面。
自從與 Kumo 合作以來，我親眼目睹了在人工智慧尖端，一個雄心勃勃、才華橫溢、意志堅定的團隊能夠帶來什麼。
——康斯坦丁·布勒（Konstantine Buhler），紅杉資本合夥人
ReflexAI：培訓支援
許多創始人在大型語言模型上構建應用程式，只是因為這些模型在過去一年中已經變得非常強大了。但我對那些為了創業而創業，或者因為發現了一個令人興奮的趨勢而創業的人從來都不感興趣。我喜歡那些已經建設了一段時間的建設者，他們發現了一個獨特的創業機會，並意識到自己需要創辦一個特定的公司來實現這一機會。
這就是 ReflexAI 的聯合創始人山姆·迪瑞森（Sam Dorison）和約翰·凱勒瑞（John Callery）所做的。作為特雷佛專案（The Trevor Project，一個在性少數青年中預防自殺的關鍵組織）的領導者，他們在 2019 年開始修補例如 GPT-2 這樣的 OpenAI 早期模型。他們意識到了利用這些模型來説明培訓全職輔導員和兼職義工進行危機對話的潛力，並花了幾年時間構建軟體來實現這一目標。他們的危機接觸模擬器被《時代週刊》評為 2021 年最佳發明之一，培訓了數千名輔導員，以更好地支持孩子們的心理健康，特別是在需要的時候，用以拯救生命。然後，在 2022 年，當整個世界都意識到 GPT-3 的力量時，山姆和約翰意識到了一個更大的機會：把他們從特雷佛專案中學到的東西，應用於構建人工智慧驅動的支持工具，以培訓、開發和增強跨組織和公司的一線團隊。
ReflexAI 進展迅速，早期的合作夥伴包括 Google.org 和退伍軍人事務部（Department of Veterans Affairs）。透過模擬，他們的軟體可以説明培訓代理人進行具有挑戰性的對話，並提供可操作的回饋，以幫助他們隨著時間的推移改善互動方式。ReflexAI 是由一個使命驅動的團隊構建的，該團隊擁有多年使用這些模型的跟蹤記錄（包括 GPT-4，他們從 OpenAI 獲得了早期存取權限）。ReflexAI 在解決棘手問題上處於得天獨厚的地位。我迫不及待地想看到它對高風險呼叫中心營運和其他領域的影響。
——尼科爾·巴素·徹溫蒂（Nikhil Basu Trivedi）, Footwork 的聯合創始人和普通合夥人
Together：一個去中心化的人工智慧「雲」
可以說，人工智慧正在經歷其「Linux 時刻」。如今，關於「將在市場中佔據主導地位的是開放的還是封閉的 AI 模型」的爭論尚未平息，這與上世紀 90 年代末開始的微軟 Windows 與 Linux 的爭論類似。答案最終變成了「兩者都有」，但是 Linux 的開放模式主導了高階運算。這與行動作業系統競爭的結果不同，在行動作業系統中，蘋果 iOS 領先於Google更具擴充性的 Android。
在過去的幾年裡，許多組織專注於發展人工智慧的開放模型和資料生態系統，包括 Hugging Face、Meta、Runway 和 Stability，以及 EleutherAI、CarperAI、LAION 等研究組織和許多學術機構。他們得到了同時投資於開放和封閉人工智慧生態系統的公司的説明。谷歌、微軟、Nvidia和其他公司透過 TensorFlow、Jax、DeepSpeed、Megatron 等模型和框架，對開源生態系統做出了重大貢獻。
隨著人工智慧領域的模型和資料的開放，該領域的大規模運算仍然只依賴於少數大型雲供應商。運算必須是專有的嗎？比特幣、以太坊和其他加密貨幣網路證明，去中心化的大型共用運算資源池是可能的。如果我們可以重新創建這些規模化的網路，但將其用於更高價值的工作負載，如大型語言模型訓練和推理，會怎樣？
Together 正試圖做到這一點。這家初創公司正在構建一個結合資料、模型和運算的去中心化雲，使研究人員、開發人員和公司能夠利用人工智慧的最新進展。
開放運算的一個挑戰是培訓基礎模型的成本不斷上升。如果傳言屬實，那麼我們可以看到這一數字從數千萬美元上升到了數億美元。成本可能很快就會突破 10 億美元。至關重要的是，這些成本可能成為進入的壁壘，使行業向集中化傾斜，因為只有少數大型模型和電腦供應商能夠負擔得起營運費用。這也反映了高階半導體市場的演變過程。
通過減少准入和成本壁壘，使更多的公司、研究機構和個人能夠做出貢獻，Together 可以確保構建一個充滿活力的開源生態系統。從 GPT-JT 和 OpenChatKit（一個開源的 ChatGPT）開始，Together Cloud 已經證明，使用者可以在網路頻寬比傳統資料中心慢 100 倍的商用異構硬體上訓練基礎模型。過去十年的技術依賴於雲服務，人工智慧革命可能會建立在 Together 這樣的供應商之上。
以下是 Import AI 的節選，其中將 Together 的重要性與開源生態系統進行了類比：
Together、LAION、Eleuther 都代表了一個大趨勢，即對去中心化人工智慧生態系統的渴望，在這個生態系統中，開源模型由不同的團隊在日益區中心化的運算上進行訓練。這裡有「大教堂與市集」（The Cathedral and the Bazaar，是艾瑞克·史蒂芬·雷蒙所撰寫的一部軟體工程方法論）的影子，大教堂的建造者（DeepMind, OpenAI 等）可以造訪大量的運算和集中化團隊，而市集的人們（Eleuther, LAION 等）可以存取更少的資源，但通過自下而上的實驗能實現更大的集體智慧。其中一種方法將首先建立我們稱之為超級智慧的東西，而無論哪種方法更成功，其政治影響都將是巨大的。
——布蘭登-李維（Brandon Reeves）, Lux Capital 的普通合夥人
PostEra：快速「藥物發現」
人工智慧正在藥物研發領域飛速發展。各公司都在競相生產專為特定目的設計的人工智慧藥物。這些組織依賴於模型來搜尋可能的分子結構空間。這一過程提供了令人興奮的可能性，也提出了新的挑戰。例如，隨著人工智慧在預測具有理想藥物特性的結構方面變得越來越好，問題將變成：我們如何製造它們？
在將一種小分子藥物推向臨床試驗的過程中，大量的時間、精力和金錢並沒有花在發現藥物上。相反，這些資源被花在了線索優化上，在這個過程中，藥物化學家採用最初的結構，反復設計、合成和測試變體。化學家們這樣做是為了找到具有更高效力和特異性、毒性更小的版本。這種的優化週期可能需要數年時間，每個藥物專案需要花費數百萬美元。
大部分時間和金錢都花在了「設計-製造-測試」迴圈中的「製作」階段。數以百計的分子變體必須由訓練有素的合成化學家單獨合成，每個變體都需要一周或更長時間。這阻礙了藥物的快速反覆運算，並以成為一個全球性的瓶頸問題。
PostEra 是一家應對這一領域挑戰的公司。PostEra 由亞倫·莫里斯（Aaron Morris）和劍橋大學教授阿爾法·李（Alpha Lee）共同創立，於 2020 年早期嶄露頭角。這要歸功於他們的專案「COVID Moonshot」計畫，該計畫使用了 PostEra 的 ML 平臺，對全球 400 多位科學家的抗病毒想法進行優先排序。這是人工智慧和眾包合作的一個強有力的例子，它成功地發現了有前途的候選藥物，以便進一步開發。
PostEra 的藥物發現平臺被稱為「Proton」，它利用生成式人工智慧來消除設計週期中的化學合成瓶頸，以實現更快的反覆運算和測試更多的分子。Proton 利用該公司的「Manifold」軟體系統，為任意化學結構提供實用的合成路線。Manifold 基於他們團隊的早期工作，使用語言模型來預測化學反應的結果。PostEra 將其平臺用於其內部研發系統和與輝瑞公司的戰略合作。
隨著人工智慧在「藥物發現」中變得越來越重要，像 PostEra 這樣的公司可能會在「幫助藥物進入市場」方面發揮重要作用。
——維斯瓦·科爾如（Viswa Colluru），Enveda Biosciences 首席執行長；以及大衛·希利（David Healey）,Enveda Biosciences 資料科學副總裁
Pathway Medical：加強版醫生
隨著 GPT-4 的火熱發表，2023 年有望成為應用人工智慧激動人心的一年，許多企業家都在競相打造下一個「LLM for‘X’」。但是，儘管「快速行動，打破陳規」在某些行業可能管用，但在醫療行業卻行不通。
醫療保健行業是接受新技術最慢的行業之一，這可能也是合理的。一個預測電子郵件文本準確率高達 70% 的人工智慧模型，也許只是不盡如人意，但如果這個人工智慧模型是被用來做出影響病人結果的決定的，那則是不可接受的。
如果我們想更快地實現現代人工智慧技術在醫療保健領域的全面影響，那麼我們需要解決人工智慧模型的基礎：數據。不幸的是，在許多醫療保健應用程式中，造訪高品質的結構化資料仍然具有挑戰性。這不再僅僅是關於大資料（即資料越多越好），而是關於智慧資料，以及以與特定行業用例相關的格式造訪高品質的資訊。
這就是像 Pathway Medical 這樣的公司比新來者有優勢的地方。它已經聚集並建立了大量的智慧資料池，用於推動醫療保健領域特定的大型語言模型。
Pathway 是一個以人工智慧為先的臨床決策支持工具，它花了數年時間建立了一個龐大的、結構化的醫學知識圖譜，並由專家審查以確保可靠性。透過利用先進的語言模型和這些一流的資料，Pathway 旨在產生可靠的輸出，沒有自己捏造出來的東西，而是以良好的參考和驗證的資訊為基礎。
Pathway 就像是醫生的智能助手。透過使用 Pathway，醫療專業人員可以無縫地閱讀相關醫療指南，接收針對患者的建議，並探索差異化的診斷。Pathway 稱自己是醫生的「即時第二意見」。
隨著像 Pathway 這樣公司的發展，我們希望看到人工智慧在醫療保健領域的巨大潛力得以實現，改變臨床醫生獲取關鍵資訊和與之互動的方式。這應該有助於簡化教育和決策過程，最終改善患者的情況，並提高護理標準。
——瑟倫斯·波伊斯（Therence Bois），Valence Discovery 聯合創始人兼首席營運長
Luma：屬於每個人的 3D
當我開始寫這篇文章時，Luma 還是一家小型創業公司，在 2021 年籌集了一筆規模不大的種子輪融資。此後，我不得不持續修正這些記錄。3 月 20 日，Luma 宣佈獲得由 Amplify Partners 領投的 A 輪融資。這一點也不令我驚訝。
神經輻射場（Neural Radiance Fields），更廣為人知的名字是「NeRFs」，簡單來說，它是一種技術，可以讓你把從任何設備拍攝的照片轉換成完整的 3D 模型。與之前的 3D 掃描技術不同，它不需要專門的硬體（如雷射雷達感測器），且輸出的品質比我們以前見過的任何東西都要高得多，具有更高的視覺保真度和照片真實感。光線、陰影和反射都可以透過 NeRFs 實現。
Luma 是部署這項技術的先鋒。這家初創公司的應用程式可以讓客戶用智慧型手機捕捉逼真的 3D 圖像，這些圖像可以用作遊戲資產、電子商務產品照片或藝術創作。
那為何說這很重要？
隨著 VR 技術的出現，AR 技術可能在不到十年的時間裡就會出現，對逼真 3D 資產的需求應該會迅速增長。此外，我們有理由認為，這些革命可能需要改進 3D 捕捉技術才能完全實現。在過去，這個過程是困難的、昂貴的，有時甚至是不可能的。但現在不一樣了。
甚至在 VR 和 AR 起飛之前，像 Luma 這樣的產品就可以解鎖令人興奮的新用例了。Etsy 商家可以很容易地生成他們正在出售的桌子的 3D 模型。一個獨立開發者只需要一部智慧型手機，就可以創造出一款以逼真世界為背景的遊戲。如果你能把一個東西拍下來，它就能變成 3D。Luma 的宣傳語說得好：「3D，是屬於每個人的！（3D, finally for everyone）」
考慮一下 NeRFs 將如何與其他技術相結合，來創造未來的媒體。在短短幾年內，你可能會看到一部以 Luma 生成的 3D 模型為背景的長篇電影，演員由 Midjourney 生成，劇本由 ChatGPT 編寫，並由 ElevenLabs 配音。
——艾索·康得（Eiso Kant）, Athenian 創始人兼首席執行長
Coactive： 解碼視覺資料
從社群媒體影片到智慧型手機圖片，視覺內容主導著我們的日常生活，並且正在以前所未有的速度增長。儘管視覺內容無處不在，但它是最具挑戰性的資訊分析形式，因為其通常是非結構化的。對於資料驅動型組織來說，錯過在視覺領域的洞察是一種損失。這也是一個更廣泛問題的一部分：根據麻省理工學院的資料，80% 的企業資料是非結構化的，資料被困在音訊、影片和 web 伺服器日誌中。
Coactive 透過機器學習為非結構化資料帶來結構。它説明資料驅動型團隊從圖像和影片等視覺內容中獲得見解。Coactive 很有趣，因為企業將有大量的機會來組織和分析多媒體內容，特別是對於有大量視覺內容的行業，例如零售、社群媒體、醫療影像、遊戲和自動駕駛汽車。
在技術層面，Coactive 將非結構化資料引入 SQL 世界，因此分析人員可以對其進行注釋、搜尋、查詢和建模。今天最流行的用例是搜尋、推薦、信任和安全以及資料分析。
透過該產品，客戶可以透過 API 或安全資料湖連接，將原始圖像或影片直接上傳到 Coactive 的平臺。然後，視覺資料被 Coactive 的平臺嵌入和索引，幾乎無需人工監督或標記。接下來，透過 Coactive 完全託管的圖像搜尋 API 和 SQL 介面，使用者可以收集見解並運行查詢和搜尋。Coactive 精心開發了其 UI/UX，使大眾和資料科學家都能輕鬆利用它並從中獲得價值。
例如，一個時尚品牌可以上傳大量的視覺圖像和影片，並在幾秒鐘內就可以定義概念和類別，而無需幾天。這使得品牌能夠更好地瞭解客戶如何與他們的產品進行近乎即時的互動。
幾年來，我們一直在跟蹤機器學習基礎設施的突破和商業智慧的發展。考慮到這些趨勢，企業不僅會產生大量的視覺內容，而且還需要理解這些內容。
——伊桑·庫茲韋爾（Ethan Kurzweil）, Bessemer Venture Partners 合夥人
Sana：幫公司獲取知識
生成式人工智慧的火爆是有目共睹的，推特上充斥著各種形式令人興奮的技術展示，從文本、圖像到影片等等。大型語言模型在某些任務上的出色表現讓人難以理解，而且它確實讓人覺得是繼手機之後的第一個令人興奮的平臺。
但在所有的興奮中，重要的是要記住，與任何其他偉大的技術一樣，人工智慧只有在與現實接觸時，其使用者體驗才會好。現在，我們看到很多很酷的解決方案，展示了神奇的功能，如記錄、總結、創意寫作、圖像/影片生成和程式設計，等等。
其中大部分可能會成為現有平臺的功能（GitHub、微軟、Notion 和 Intercom 已經在積極地將人工智慧添加到他們的產品中），而不是成為獨立的產品，因為它們無法回答這些無聊的問題：誰會每天使用它，在什麼情況下使用？人們會為此買單嗎？這是一個功能還是一個產品？它是否站得住腳，你能否圍繞它快速建立起大型業務？
我認為，許多將在未來幾年獲勝的公司，都是在幾年前由那些意識到大型語言模型和生成式人工智慧巨大潛力的創始人創辦的。他們在構建平臺（而不僅僅是工具）方面領先一步，並透過與現實世界的互動磨練了自己的產品意識和客戶直覺。
讓我感到興奮的一家公司是 Sana，這是一家面向企業的人工智慧學習平臺。該產品既是一個傳統的學習管理系統（你可以創建課程和運行即時會話），也是一個知識管理平臺（你可以創建一個「公司大腦」），可以透過將其整合到Google工作空間、Notion、GitHub 等平臺來直接查詢。
該平臺非常棒，具有即時協作功能，並且在核心 SaaS 功能方面遙遙領先於市場。你可以使用人工智慧從頭開始製作整個課程（文本、圖像、測驗），或者將人工智慧作為一個助手，透過自動化資訊檢索和內容創建來説明你更快地完成工作。
從長遠來看，你可以想像一個生成式學習系統，它瞭解公司中所有事物和每個人的完整背景，可以按需培訓員工，並以結構化的方式設計培訓課程。它可以監控員工的知識缺口，製作一個簡短的個性化課程，並直接即時傳授給每個人。Sana 提高生產力的潛力是巨大的。
Sana 面臨的挑戰是發明一種可以輕鬆適應企業工作流程的人工智慧優先產品。人們不喜歡一下子有太多的變化。真正的藝術在於時間的順序：先用熟悉但比現在好 10 倍的體驗吸引他們，然後慢慢但穩定地將他們引向比現在好 100 倍的全新解決方案。
學習與發展（L&D）傳統上是風投們忽視的一個類別，它是一個低預算的成本中心，很少是 C 級的話題。我們還沒有看到一家超過 100 億美元的公司將自己定義為 L&D 平臺。
但我認為，有一個明顯的長期趨勢可能會改變這種情況：學習不再僅僅與法令遵循和人力資源有關，它同時也是為了確保銷售人員是產品專家，開發人員能夠快速上手，並且每個人都能理解公司的戰略。
知識管理、生產力和 L&D 之間的界限越來越模糊，這為我們提供了更多的機會。世界發展得越快，企業就越有必要提高員工的技能，並以 Twitter 傳播資訊的速度傳播內部資訊。
到目前為止，從 Sana 的執行和吸引力來看，他們不僅有機會建立一個偉大的公司，而且有機會將整個 L&D 類別演變成與今天完全不同的東西。
——維克多·瑞帕百里（Victor Riparbelli）, Synthesia 聯合創始人兼首席執行長
Enveda：讓化學「說話」
目前人工智慧領域有什麼值得關注的？一切都值得關注。
我們正處在人類歷史上的一個特殊時刻。我們發明了一種「外星智慧」，並在（有點慚愧地）努力應對近期的技術和風險影響。大型語言模型不僅能理解我們熟悉的語言，還能理解人類所不能理解的語言。
如今，ChatGPT 能夠用人類的語言創造出內容，而且我們沒有止步於此，而是將大型語言模型指向網際網路，解鎖了我們集體的數位知識寶庫。但這些應用仍停留在我們人類可以做、寫或說的領域。
為什麼不學習一種全新的語言呢？這些語言潛伏在我們的宇宙中，但從未被人類說過。
很多（如果不是全部的話）生命科學可以被「塑造」為具有獨特的語法和字母、並最終具有語義或意義的語言。以生物和化學為例，在語法方面，生物學使用 DNA 或氨基酸序列的 G-A-T-C 字母，而化學則依賴於數量表示，包括質譜分析法等。在語義上，你可以指出生物學上的蛋白質結構和功能，化學上的代謝物結構和鏈式反應。簡而言之，每一種生命科學都有自己獨特的語言。我們可以把生物學和化學看作是它們各自領域的語言，我們一直被這些語言包圍著。
隨著大型語言模型的出現，我們現在得以理解和回應科學的語言。我的公司 Dimension 領導了 Enveda 公司的 B 輪融資，這家公司正在該領域深耕。它教授電腦化學，也就是化學語言。結合下一代質譜技術（化學空間的句法表示）和大型語言模型，Enveda 可以從一般難以辨認的句法發展到定義明確的語法，最後發展到化學結構和性質的語義。
為什麼這很重要？
- 我們突然可以讀懂數十億年進化中產生的功能樂高積木碎片。（地球上自然產生的化學物質是什麼？為什麼生物過程在強烈的選擇壓力下進化到產生這些成分，而不是其他成分？）
- 我們可以透過分析細胞內的代謝物（即 DNA、RNA 和蛋白質的組成部分）來更好地瞭解人類疾病。
- 我們可以用這種新的工具（語言），來設計新的化學物質，以此作為治療人類疾病的手段。
——薩瓦因·達爾（Zavain Dar）, Dimension Capital 創始人兼管理合夥人
加入電腦王Facebook粉絲團