[PODCAST] AI創業公司如何與AI巨頭們對抗 (Part2)

儘管日本被認為在AI（人工智慧）領域落後，但這種情況可能不會持續太久。

本次嘉賓是現任Integral AI（インテグラルAI）創辦人，曾在Google創立首個生成式AI（學習數據並創造新內容的技術）團隊的賈德・塔理菲（Jad Tarifi ）。

在對談中，我們詢問了日本在AI領域擁有的優勢和可能性、通往AGI（Artificial General Intelligence，通用人工智慧）※的最有效路徑，以及小型AI新創企業如何與資金雄厚的大型AI企業競爭等問題。內容非常有趣，敬請期待！

※AGI（Artificial General Intelligence，通用人工智慧）是指如同人類般擁有廣泛知識，能夠應對各種課題的人工智慧。目前的AI在影像識別或文本生成等特定領域展現高精度表現，而AGI則被期待具備單一AI即可處理多樣化知識工作的能力。

蒂姆：關於AGI的話題我們稍後再討論，尤其是與機器人技術的關係，我們稍後會深入了解。在那之前，我想問您一個關於貴公司組織結構的問題。Integral AI的總部設在舊金山，但在東京也有辦公室，對吧？現在我們正在東京的辦公室進行對話，我聽說工程師團隊也在這裡。

許多企業都表示「日本缺乏優秀的工程師」，因此他們會去像舊金山這樣的地方尋找人才，而貴公司卻在日本取得了成果。您認為其他新創企業忽略了什麼，而您們卻看出了什麼呢？

塔里菲：首先，確實舊金山灣區（以舊金山為中心的IT和新創企業集聚地）有很多優秀的AI研究者，但美國的機器人產業本身發展還不夠成熟。反觀日本，生產了全球約一半的工業機器人，在機器人領域擁有非常強大的生態系統，而且主要集中在東京周邊。所以我們認為，將AI重鎮矽谷與機器人重鎮東京結合起來是最理想的策略。

事實證明這是個非常明智的決定。日本確實有許多被低估的優秀工程師。當然，語言障礙確實存在，因此我們建立了完善的支援制度，協助年輕有才華的工程師適應英語工作環境，讓他們能夠充滿自信地發揮實力。根據我們的經驗，通常需要3到6個月的時間來適應英語環境，但只要提供適當的支援，每個人都能順利融入。

塔里菲：另一個重點是，我們並非研究機構，而是擁有明確願景，致力於產品開發的企業。因此，我們並不需要大量經驗豐富的資深研究人員。相反地，在現階段，我們認為充滿活力、誠實可靠、重視團隊合作的年輕工程師，其價值遠超過業界經驗。

蒂姆：那麼，對於那些認為必須前往舊金山灣區才能找到優秀人才的新創公司創辦人，您有什麼建議嗎？

塔里菲：保持開放心態非常重要。雖然「前進灣區」的想法聽起來很有吸引力，但實際上，我認識的許多灣區創業家都抱怨「這裡成本過高」。人才流動性也極高，好不容易招募到人才並花費數個月進行培訓，卻很快就跳槽到其他公司，這種情況並不罕見。

從更宏觀的角度來看，AGI的發展需要多元化的視角和意見，不應僅限於特定地點或單一價值觀、文化來推動。因此，我認為讓世界各地的創新和想法能夠相互交流，才是至關重要的。

蒂姆：您提到過，日本在傳統的機器人領域非常強大，但即便如此，機器人技術依然是一個難度極高的領域。事實上，許多新創企業都以失敗告終。或者可以說，幾乎所有機器人類新創企業都不太順利也不為過。為什麼機器人領域要在商業上獲得成功會如此困難呢？

塔里菲：這真的是一個非常好的問題。老實說，光是這個主題就足以做一整集完整的訪談了。首先，機器人領域新創企業常見的問題是被技術複雜性壓垮。需要解決的問題太多了，因此往往會縮限為「總之先做出這一個產品」這樣非常局限的目標。

舉例來說，假設決定「用機器人自動化揀貨作業」。這時就會與機器手臂製造商合作，再與系統整合商（將多種設備或軟體組合，建構成單一系統的公司或技術人員）配合，最後將這套機制銷售給企業...是這樣的流程。但是，涉及的參與者太多，沒有人對整個產品負起全責。這樣一來，就失去了改善產品所需的速度感。也就是說，如果沒有掌握全局的人，就無法順利推進。

蒂姆：也就是說，很難快速將產品或服務推向市場對吧。

塔里菲：沒錯。

蒂姆：在相關人員之間整合意見需要太多時間，是這個意思吧。

塔里菲：完全正確。歸根究底，對於重視速度感的新創企業來說，這個機制本身就成為了巨大的束縛。而如果想要自行掌控整個產品，就需要高度技術能力和大量資源。但這些通常不是一般新創企業能輕易具備的。

蒂姆：但在這一點上，我想提出一些反駁。例如，看看波士頓動力公司（美國機器人開發企業）這樣的企業。他們擁有充分的技術實力和資金，資源也很豐富。甚至看起來像是擁有無限資金一樣。即便如此，要將正式產品推向市場也並非易事。雖然確實有銷售實績，但大多僅限於特定企業的試驗導入（所謂的試點專案），儘管擁有壓倒性的技術實力，卻很難說是「在機器人領域成功的新創企業」。

塔里菲：關於這點，我其實有些不同的看法。他們的技術是否「優秀」，我認為還有討論空間。因為他們主要使用的是傳統的控制理論技術，這種方法有一個挑戰，就是不容易進行大規模的擴展。他們自己也意識到了這個限制，目前正在進行方向轉換。不過，他們的展示影片確實很精彩、令人印象深刻，具有吸引眾多人的魅力。

不過，您的觀點非常重要，這也正是我接下來想要談論的內容，即「機器人導入這類自動化手段，究竟能在多大程度上被接受並成為吸引人的選擇」。

舉例來說，考慮在中國工廠組裝智慧型手機的情況。現實中，企業面臨導入機器人，或是以年薪約1萬美元雇用人力的選擇。而機器人光是零件成本就可能超過1萬美元，因此單純從經濟性角度來看，雇用人力會是更合理的判斷。基於這樣的背景，讓客戶導入機器人的「客戶獲取」變得非常困難。

塔里菲：還有一個難題，就是導入的周期非常長。例如，與日本大企業對話時，經常聽到「我們正在規劃新工廠」這樣的話。當我詢問「預計何時開始生產？」時，得到「2032年」這樣的回答也不罕見。

蒂姆：一旦建立生產線（將作業流程機械化的機制），每年都進行更改顯然不現實。

塔里菲：沒錯。事實上，這個領域更像是建築業，而不是技術業務。而機器人類新創企業失敗的第三個原因就是技術還沒有完全成熟。過去，每個場景都需要不同的技術，為了應對各種問題必須組織專門的技術團隊，個別創建解決方案。因此，整個系統的成本變得非常高昂。然而，今後隨著生成式AI和AGI的進化，將會出現能夠應對多樣化問題的單一解決方案，成本也能得到控制。

蒂姆：機器人技術的訓練數據（AI學習的基礎數據）能在多大程度上泛用呢？例如，如果我們有來自汽車工廠機器人的數據、波士頓動力開發的「亞特拉斯」機器人數據，以及用來製作和提供咖啡的機器人數據，那麼這些來自不同領域的數據可以在其他領域中得到利用嗎？

塔里菲：這是個非常好的問題，也是經常被誤解的重點。矽谷的投資人認為機器人技術困難的原因在於數據不足。因此，他們認為需要根據每個機器人運作的場所和目的，個別收集數據。確實，數據不足是原因之一，這點無法否認。例如，在人類輔助機器人的情況下，統一機器人的形狀確實有利於數據收集。

然而，實際上人類學習方法的大部分是透過觀察他人行為來學習。我們在研究中發現，如果訓練AI理解世界，該AI模型也能應用到不同形狀的機器人上。當然，為了適應新機器人的形狀需要一些調整，但這就像去健身房前的暖身運動一樣。事實上，進行這種熱身後，AI模型會變得更加汎用，能夠更靈活地適應新的挑戰。換句話說，如果我們用10種不同的機器人進行訓練，那麼第11個機器人所需的適應會變得容易得多。我們認為，未來會有大量不同類型的機器人出現，就像「寒武紀大爆發」一樣，這是指大約5億4000萬年前，生物的多樣性和數量急劇增加的現象，未來也將有各種機器人應對各種多樣化的任務。

蒂姆：原來如此，這確實是機器學習（AI從數據中學習模式，進行預測或決策的技術）目前應該投入的領域之一。那麼，讓我們將視野放寬到AI新創企業，目前OpenAI、Anthropic、Meta等美國大企業正在開發基礎模型，這些企業擁有無限資金和優秀人才。在不踏入硬體領域，純粹只在軟體領域的情況下，您認為小規模AI新創企業要與這些企業競爭，現在有應該堅守的商業模式嗎？

塔里菲：是的，這確實是一個值得探討的問題。我認為這個問題可以分成幾個不同的面向來思考。首先，我想談談與大企業競爭的方法，之後再談商業模式。

單純只是訓練Transformer模型（理解文章脈絡，生成自然語言的AI機制）老實說很難在競爭中獲勝。因為這是任何人都能做的事。然而，如果能在架構（系統結構或設計）或演算法（計算程序或思考方式）方面做出獨特的技術差異化，是有可能。但僅憑這點還不夠，因為最終任何技術都有被複製的命運。

那麼，新創企業的優勢在哪裡呢？就在於能夠快速做出決策，迅速反覆試錯的能力。特別是在新平台出現的時機（服務基礎環境或系統改變的時候），這種能力變得重要。當平台改變時，就會產生新的機會。而能夠最早探索這些未開拓領域的企業，最終將成為勝利者。

蒂姆：能否更具體說明可能的領域或案例？我看過許多AI新創企業，雖然大部分都讓我覺得「這是個有趣的想法」，但似乎在市場規模變得足夠大的瞬間，大企業只要稍微調整方向，就能搶走那個市場。

塔里菲：重要的不是單純的功能追加，而是「平台本身的變化」。目前正在進行的平台變化的一個例子就是LLM（Large Language Model，大規模語言模型）的普及。其代表例子應該是OpenAI。OpenAI在數據、人才、資金等方面擁有的資源遠少於Google。然而，現在Google卻在與OpenAI的競爭中陷入苦戰。而且，這並非首次發生。過去Google也曾在類似情況下戰勝Microsoft。當新平台出現時，新創企業就有了機會。

塔里菲：另一個重要點是能否建立強固的競爭優勢，也就是所謂的「護城河（競爭中的防壁）」。特別是在物理世界中，數據累積會產生巨大優勢。例如，擁有持續學習的AI模型，就能在活用既有數據的同時持續進化。目前使用的一般生成式AI在模型訓練完成學習後，會以推理模式運作（基於預先學習的內容運作），因此無法吸收新資訊。

我們公司開發了一項突破性的技術，使得AI能夠持續學習。我們的AI模型能夠在不忘記過去學習的內容的情況下，持續添加新的數據和經驗。神經網絡（構成AI系統的、像神經回路一樣的結構）存在「災難性遺忘」問題，這是指在學習新信息的過程中，會忘記之前學過的內容，但我們已經有效地解決了這一問題。透過這種方式，隨著數據累積，AI性能提升，進一步學習推進，產生強大的網路效應，能夠進一步強化競爭優勢。

蒂姆：那麼，從相反的角度來問，您認為構建基礎的AI模型真的有價值嗎？比較使用ChatGPT、Llama、Claude等多種生成式AI模型，雖然各有個性，但我認為性能上並沒有太大差異。而且，它們都是基於Google開發的Transformer模型，該技術本身以任何人都能使用的形式公開，因此在智慧財產權方面無法說有強大的獨占性價值。即便如此，OpenAI的企業評估達到1570億美元，由OpenAI前高層創立的美國Safe Superintelligence（SSI）新創企業，在創業初期的資金募集中就籌得10億美元。這些企業的評估能否長期獲得正當化？在技術開放、其他企業也能提供類似服務的情況下，您認為這些企業今後還能維持這樣的評價嗎？

塔里菲：首先，我認為將一個企業的成功與技術本身的價值區分開來非常重要。該技術無疑具有改變世界的可能性，如果某家企業能夠成功擴展事業，這項投資就會產生充分的利益，為投資人和整個產業帶來令人滿意的結果。然而，如果問「從零開始建構基礎模型」是否真的有價值，我會回答「不」！最大的好處充其量只是「先行者優勢」。我們的技術並非基於Transformer模型，而是全新架構，但我們認為僅憑這點無法構成競爭優勢。重要的是建立商業機制，與真正會使用的人們建立強固關係。

蒂姆：這是我認為非常現實的情況。雖然可能是完全不同的話題，但讓我想起1990年代後半到2000年代初期的太陽能發電產業。當時投入了龐大資金，許多企業倒閉。然而，技術本身穩步進步，現在為世界帶來了巨大變革。或許生成式AI也會發生同樣的事情。也就是說，技術本身會持續變革社會，但20年後投資人回顧現在的狀況，可能會認為當初投入大筆資金未必是正確的選擇。

塔里菲：我同意這個看法。大部分企業會消失。但整體而言，這並不那麼重要。因為社會利益確實會留下來。而且，從投資人的角度來看，會有一些企業存活下來，這些企業確實具有充分的投資價值。

第三集中，塔里菲將會討論AGI的定義、意圖、自我認知以及它將如何進化等話題。

翻譯：藤川華子

編輯：一色崇典

首圖：Envato

本文章的英文版可以從這裡查看。