一种对于元宇宙的理解

总左往右看,当知识出现行业垂直分化的时候,在工作-娱乐这个维度上,云计算也会出现分化,形态上可以近似理解成“IaaS - PaaS - SaaS - Metaverse”的变形,用下面的表格来说明:

-IaaSPaaSSaaS
算力无差异异构边缘 + 异构
模型/算法通用/基础行业知识行业知识细分
数据区分数据类型,不区分维度数据维度少维度高度专业化
  • 在 IaaS 形态中,算力和基础的算法模型都是通用的,因此规模效应明显,是大厂的优势领地。
  • 在 PaaS 形态中,由于场景差异化和知识差异化的存在,出现了产业和娱乐的分化,产业方向上,主要是人与场景/物品的交互,面向B端,娱乐方向上,主要是人与人的交互,面向C端。(这里把交易型平台放在产业一侧,也可以独立出来)
  • 在 SaaS 形态中,场景更细分,行业知识也因为细节差距巨大,进一步巩固了 SaaS 的分化,带来了更多中小厂商的生存空间

在后续向元宇宙Metaverse的演进中,不可避免出现“开放”和“封闭”两种对立的结构。

在产业方向上,下游行业知识复杂性陡增,各种行业标准层出不穷,下游企业也倾向于避免出现垄断型的上游服务商,因此,产业方向的云宇宙,是松散开放的多边市场。

在娱乐方向上,直面用户,网络效应明显,容易出现垄断型的服务商,因此是封闭的双边市场,一方提供服务,全部用户消费,第三方厂商的生存空间小,赢家通吃。

为了避免 AI 算法产生偏见和歧视,可能要求穿透审查 AI 算法的基础数据,也就是基于样本可解释性,审查那些用于训练算法模型的被采集标注的样本是否带有偏向性。

举个例子,美图秀秀的 AI 修图模型,使用了大量的东方人面部数据,在处理西方人面部时,不可避免会偏向东方人的面部特征,这里产生了一种模型上的“偏见”,所谓穿透审查,就是要求在训练修图模型时,对各地区、各人种、各肤色等等特征,在基础数据上进行公平分配。

在各国纷纷出台涉及 AI 算法规范的前提下,为了避免出现这样的偏见或歧视而产生的市场反应,会是什么样的?在样本可解释性上,很有可能出现一个“合规数据集”市场,有一类专业的基础数据提供厂商,会为算法训练提供能通过“反歧视”审查的标注数据,这些标注数据甚至会形成一个可重复交易的市场。这样的基础数据服务厂商可能有这样一些要求:

  • 熟悉欧盟、美国及其他地区的反歧视规则和审查机制
  • 具备从分散的数据源获取数据和标注的能力
  • 从工具链和管理上,同时具备通过安全性审查和反歧视审查的能力

算法的可解释性是个前沿性话题,各大公司都在做探索,比如谷歌的 X AI 计划与模型卡(Google Model Cards),大致上可以理解成,为算法输出一张“药物说明书”,告知公众算法的基本机制和关键限制要素。

中国人民银行发布了《人工智能算法金融应用评价规范》,并于3月26日起正式实施,是一个成熟度很高的行业规范,可以应用在通用型 AI 算法的评估上,可以参看一图读懂 | 《人工智能算法金融应用评价规范》

结论:出现了运行在不同计算和存储架构中,时序型数据库和图数据库的机会

数据库软件赛道,国内的投资市场还是挺热闹的,出现了如PingCAP、TigerGraph、涛思等企业,大厂的云服务对这样一个市场也很重视,产品矩阵非常完整。结合近期收集的资料,谈谈自己的一点看法。

数据库软件的需求变化

技术进步和新兴产业(如工业互联网、自动驾驶、5G等),对数据库软件的需求环境产生的巨大的影响,从硬件和数据特点两个方面看:

  • 硬件

    • 边缘设备:算力弱、存储小、数量大、分散
    • 存储和读取:内存、SSD、HDD、傲腾等设备性能大幅度提升
  • 数据特点

    • 数据量大,历史数据多
    • 写入频繁,读取少
    • 数据是顺序写入,update少
    • 数据多维关联

对数据库软件的要求

从硬件特点看,要求新的数据库软件,具备分布式能力,适应不同存储和计算架构,能充分发挥边缘端设备的计算和存储能力,同时有网络和数据安全需求

从数据特点看,是比较典型的时序数据库和图数据库的应用场景,在云计算场景下,内存型数据库又可以大服务提高I/O性能

大厂的布局,腾讯/阿里/百度/华为

分类不精确,部分数据库服务基本多种特性,大厂云服务还提供成熟数据库软件云部署的能力,如Redis等,未写入表单,内存型时序数据库Google Monarch和Facebook Beringei也未列入,国内其他厂商为列入。

数据库类型腾讯阿里百度华为
分布式数据库TDSQLAnalyticDB(数据仓库)Palo(基于Apache Doris)TaurusDB(企业级高扩展海量存储分布式数据库)
图数据库数图TGDB(Tencent Graph Database)阿里云图数据库GDB1、GaiaDB-G 2、BGraph-
分布式noSQL数据库TcaplusDB---
分布式关系数据库-1、OceanBase(蚂蚁) 2、X-DB 1.0(X-Cluster) 3、HybridDB for MySQL(阿里云)1、TafDB(分布式事务数据库) 2、GaiaDB-XGaussDB(关系/非关系)/openGauss
云原生关系型数据库TDSQL-CPolarDBGaiaDB-S-
时序数据库CTSDB阿里云TSDB百度云TSDB-
键值数据库1、TcaplusDB 2、Tendis---
MySQL分支-AliSQL--
宽列数据库可能在使用clickhouse可能在使用clickhouseTeraGeminiDB
文档数据库使用MongoDB---
内存数据库TcaplusDB---
分类账数据库可以按区块链数据库理解---
分布式表格存储服务--TeraCloudTable 基于Apache HBase提供的全托管NoSQL服务,集成时序、时空数据存储特性

数据库软件中小团队的竞争

由于大厂(BATH及运营商等)在数据中心建设上有规模优势,因此存储成本优势和算力优势难以超越,因此留给中小团队的竞争手段不太多。

  • 私有化部署,面向政府、央企、大私企等对数据安全有较高要求的客户
  • 结合行业认知的增值服务,面向新的数据特点和维度改进数据库
  • 海外市场
  • 成为大厂云服务的一部分

- 阅读剩余部分 -

结论提要

  • 数据标注类项目,走向细分垂直,仍有机会
  • 数据集交易是长期趋势,需要培养
  • 地方产业基金,会考虑符合本地特色的投资项目

一、定义和模型

1、定义:

AI基础数据:为AI提供可用于模型训练、校验、应用的数据。数据加工的过程通常是指将非结构化数据转化为结构化数据的过程。

基础数据服务:包括资源和工具链两部分。资源是指多为非结构化的原始数据,也可以是结构化的数据集,以及加工数据所需要的人力资源;工具链是指支持数据采集、清洗、加工的基础技术软件和设施,主要目的是提高效率。

2、基本模型:

数据+算法+算力 -> 应用方案 <-> 应用场景

二、现状和判断

如上图的模型,应用场景增加要求方案群增加,而方案群增加有三个方向:

算法增加,处理过去不能处理的数据类别
算力增强,处理过去不能处理的数据量
基础数据增加,提供过去没有数据类别,或因为准确性不足不能用于处理的数据

基本判断:

创业团队技术上难超越大厂。从当前云服务市场的成熟度看,算法和算力已经成为互联网大厂标配,有品牌和成本优势,且在人才储备和应用场景储备上投资很大。

1、基础数据提供,存在市场机会
算法算力标准化之后,作为原料的基础数据差异(类别、质量、数量),成为竞争的关键
向海外延伸中,小语种和方言应用场景,需要大量基础数据
行业客户的AI改造,因为数据安全需求,存在一个咨询和私有化部署的市场

2、工具链,存在市场机会
工具链对数据标注的效率提升,有很大空间
新的标注领域,需要新的工具软硬件支持,如激光/红外/紫外图像标注、嗅觉标注、触觉标注、非侵入式脑机接口标注等

3、数据供给和交易,需要长期布局
专业标注人员的培养和供给,是长期需求
数据集在安全合规的情况下,交易是降低获取成本的重要手段,涉及到数据资产定价和保护
数据跨境流动,是长期趋势,各地区存在监管落差,时机未成熟

三、地方产业基金的投入

AI市场规模和发展趋势,各类报告都有详尽的阐述,这里举例强调各地区规划的促进作用,会有地方产业基金在发展地方特色的基础上,深入投资。

1、湖北

湖北省新一代人工智能发展总体规划(2020—2030年)
hubei-ai-2020—2030
2、云南
“构建开放协同的人工智能科技创新体系。突出了烟草、有色、化工、能源、环保、医药等智能特色应用领域技术创新”
“突出了“3个一批”,即推动一批企业智能化升级、引进一批人工智能领军企业、孵化一批人工智能企业”

四、融资信息(近期发布)

获得大额投资的项目,有较强的下游应用能力;小团队的优势在工具链软件上,效率优先;

企业名称地点融资
爱数智慧北京股权融资 2021.01.15 未披露 凡创资本
MindFlow曼孚科技杭州天使轮 2021.01.10 千万级人民币 立元创投 伽利略资本
37度数据北京Pre-A轮 2021.01.20 ¥千万级 保利资本 第四范式
标贝科技北京战略融资 2020.07.10 未披露 腾讯投资 战略融资 2020.06.11 未披露 信雅达投资
MBH深圳莫比嗨客深圳股权融资 2020.03.28 未披露 中航南山股权投资
龙猫数据北京Pre-B轮 2020.02.27 3300万人民币 KIP中国 金沙江创投

数据来自公开报道

五、风险与建议

风险:
1、常见的数据标注公司,走向人力密集型产业,受地方产业政策影响明显,竞争激烈
2、AI技术应用企业未形成稳定盈利,融资情况会影响数据提供商的收入稳定
3、工具链产品扩展新客户成本高,对新竞争者不利
4、数据安全监管加强,合规风险增加
5、算法模型的可解释性要求,对基础数据的影响不明确

建议:
1、掌握细分行业知识和特殊标注人员等的项目,关注对稀缺资源的掌控力,同时考虑市场需求是否过小
2、提供基础数据生产工具链的项目,关注获客成本
3、数据集安全合规的项目,关注政策和相关安全标准是否通用化
4、数据交易类项目,长期布局

参考内容:

各项目的科技媒体及公众号的报道

  • 「海天瑞声招股书」
  • 「艾瑞咨询-2020年中国AI基础数据服务行业发展报告」
  • 「湖北省新一代人工智能发展总体规划(2020—2030年)」
  • 「云南省新一代人工智能发展规划-2019年」
  • 「金柚网-2020新基建系列专题:人工智能基础数据服务行业观察」

时常能看到一些大数据工程师的自嘲,说着自己是“调参师”,只知道喂数据、调参数、写周报。也能看到一些用户吐槽大厂的个性化推荐是人工智障,还不如创业团队。除去个人偏好的影响,这大概就是拥有数据资源的大厂逃不掉的“资源的诅咒”。

“资源的诅咒”是一个经济学概念,大致上是说拥有丰富资源的国家和地区,存在路径依赖,由于资源成本低,对资源的开发和利用效率不高,反而成为了低收入国家和地区。

理论上,数据是一种越多越好,具有网络效应,边际效用递增的资源,维度越多,覆盖越广,价值会越来越大。
实际上,消费者消费的是数据加工后的产出物,这个加工过程,有一些特点是需要讨论的。

维度增加,特征增加,算法复杂,意味着计算难度成倍增加,还会带来复杂模型侵蚀边界 (Complex Models Erode Boundaries)的问题,改变一个细节就改变了所有(Changing Anything Changes Everything)。

业务的复杂性,以及研发与业务的分离,也造成了一些工程师,也包括产品经理缺少对业务也就是“工艺”的理解,喂更多的数据,调整原有工艺里的参数,是“低成本”的选择。

在内容个性化领域,还有一个不可忽视的因素,就是内容版权的限制,一方面,工艺高超,缺少内容也是巧妇难为无米之炊;另一方面,大量质量不足的内容进入推荐池,反而造成了效果不佳,也是一种程度上的“资源的诅咒”。

最后推荐一篇「Hidden Technical Debt in Machine Learning Systems」,值得一看。