4月26日TSVC举办了《打造下一个独角兽》讲座第40讲。大模型技术的发展推动了AI Agent的迅速崛起，掀起了在各行各业的革命，同时催生出万亿赛道。然而AI Agent概念狂欢之下的现实有何内幕？怎么构建更稳健的Agent架构？哪些行业拥有其商业落地的时机和土壤？请随三位行业专家和公司创始人，从实践+技术+商业落地角度一起来扒一扒AI Agent。
嘉宾：
董爱国先生是一位资深技术高管、连续创业者及行业顾问，在硅谷拥有超过25年的软件产品开发与团队管理经验，曾带领多个AI/机器学习驱动的产品从零到一落地，并在初创企业与顶级科技公司领导数人到数百人的团队。他目前担任三百人的PropTech初创公司Tripalink的技术负责人，带领产品、设计、工程、数据与 AI 团队，致力于通过AI重塑住宅物业管理，提升业主收益并优化租户体验。此前，他是Celential.ai的创始人兼CEO/CTO，该公司专注于AI招聘解决方案，后被Wellfound（原AngelList Talent）收购。他还曾任Lattice Engines的工程副总裁，该公司是预测性营销领域的领导者。董先生曾在Salesforce和VMware等全球领先的软件公司担任重要职位，并参与了多个成功创业项目，包括Provilla（被收购）、DemandTec（上市）、Metreo（被收购）和Viador（上市）。他是清华大学最年轻的入学者，年仅12 岁半即被录取。
武军辰博士, Co-founder and CEO of Menos AI。Menos AI是一家总部位于硅谷的人工智能初创公司，由多家硅谷知名风投机构投资，专注于生成式人工智能（Generative AI）在金融和资产管理领域的应用，目前服务于多家全球顶级对冲基金和家族办公室。武军辰博士拥有超过十年的全球对冲基金投资与管理经验，曾任美国北方信托（Northern Trust）首席量化投资官（Head of Quant Analytics）。北方信托成立于1889年，资产管理规模超过1万亿美元，是全球最大的对冲基金服务提供商之一，基金托管资产超过14万亿美元。他曾为桥水（Bridgewater）、城堡（Citadel）等全球知名对冲基金、养老基金和主权财富基金提供资产组合管理和风险管理服务。此外，武博士曾任职于波士顿的一家量化对冲基金，担任风险投资组合经理，负责管理30亿美元的多策略对冲基金投资组合风险对冲。武军辰博士毕业于美国西北大学（Northwestern University），获得博士学位，并持有CFA特许金融分析师资格。
唐磊博士是Fabi.ai的联合创始人兼首席技术官（CTO）。Fabi.ai是一个数据分析平台，旨在赋能所有用户，轻松探索数据、构建分析工作流与智能代理。他在构建机器学习与人工智能系统方面拥有数十年的丰富经验，所研发的技术被广泛应用于多个实际场景。在加入 Fabi.ai之前，唐磊曾任 Lyft 的数据科学总监，领导增长战略并孵化多项创新产品，为公司成功上市及新冠疫情期间的业务恢复做出了重要贡献。在此之前，他担任 Clari 的首席数据科学家，该公司由红杉资本（Sequoia Capital）投资，唐磊带领团队构建了 B2B 销售预测与分析的机器学习模型。他的职业经历还包括在WalmartLabs和Yahoo! Labs的重要岗位，专注于推荐系统、广告投放与精准营销等方向。唐磊拥有亚利桑那州立大学计算机科学博士学位及复旦大学学士学位。他著有一本专著，发表论文和专利超过30篇，总引用次数超过11,000次。
以下为正文：
董先生非常感谢TSVC和AI Vanguard Collective共同举办的此次活动。他提到，今天是美国的周五晚上，而在中国是周六的早晨，他对于大家能够抽出宝贵时间参与活动表示衷心的感谢。董先生指出，AI目前是一个热门话题，自从两年前ChatGPT出来后，AI就成为街头巷尾热议的焦点。从去年开始，AI agent的概念也逐渐升温，许多人认为今年将是AI agent大放异彩的一年。他相信在座的各位对此都抱有浓厚的兴趣，并希望今晚大家能享受这段时光，并从中有所收获。同时，他对唐博士和武博士能够参与此次活动表示感谢，他们作为在美国的创业者，不仅拥有丰富的行业经验，还具备实际操作AI agent的实践经验。董先生本人也参与过众多AI项目，并且Charlene已经简要介绍过这些项目，包括一些AI agent的应用案例。因此，他希望从商业和技术两个角度进行深入探讨，以便大家都能有所收获。现在将开始活动，首先从商业角度提出几个问题，邀请两位嘉宾共同探讨，并适时穿插技术方面的讨论。
08:29 从商业方面，AI agent正成为热议话题，几乎每个人和公司都在讨论它，我想请两位嘉宾来谈谈实际情况，有哪些应用场景已经得到了实际验证？
武博士表示，他可以简短快速地与大家分享一下，首先简单自我介绍一下，正如Charlene之前所介绍的，过去十多年一直在对冲基金行业打拼，也算是在华尔街摸爬滚打，去年他深刻感受到AI是一个彻底且巨大的机遇，于是满怀激情地投身于这个行业。他意识到，未来无论是做quant、金融还是量化领域，许多工作都将被AI取代。与其等待AI取代我们的工作，不如主动去开发AI，迅速加入这个领域。加入后，他发现了与Andrew刚才提到的一样，AI应用目前非常热门，但他们认为，尽管如此仍存在一定的差距。观察到，金融行业的分析师每年能获得数十万甚至上百万美元的收入，他们相信能够开发出与之同等质量的AI agent，可能很快就能为公司创造同等的利润。然而，真正实施时却发现，金融企业在决定购买并使用AI agent时，会有很多顾虑，即便是几万元的投入，他们也会深思熟虑。这实际上揭示了许多问题。他认为，这正是AI agent理想与现实之间的差距，从开发原型到实际应用，存在许多鸿沟。认为目前，最大的鸿沟主要存在于大众认知中的所谓消费者水平的AI agent，与他们正在开发的2b的agent之间，存在显著差异。
最近国内有一家名为Manus AI的公司引起了不少关注，许多人好奇地问他是否与他们Menos AI有关。他澄清说，那并非他们的项目，但他确实对他们的成就表示赞赏。Manus专注于开发通用型人工智能，解决日常问题，例如安排旅行或管理日常事务，他们可能会使用日历、电子邮件等日常工具，这属于通用型人工智能的应用范畴。相比之下，Menos专注于金融行业这一特定领域，致力于开发面向企业级的应用程序，即所谓的2B型应用。
他们自己总结出一个显著的区别，即一个是failure critical，另一个是success critical。具体来说，Manus非常成功，因为在使用这种通用人工智能应用时，你可能尝试十次，有两次它给出了令人惊艳的答案，这足以让你记住它，并愿意与朋友分享。然而，当他们继续开发此类应用时，即便成功了一次，但在实际生产和生活中，尤其是在他们正在开发的投资过程中，它必须有我们称之为big stake in terms of your AI results。在这种情况下，你不能只尝试十次，而必须使用九十至一百次，99.999次，它必须准确无误。因此，如何实现商用级别的准确性和可靠性，认为这是一个巨大的挑战。
接着，他以自身为例说明，很荣幸地成为TSVC的合作伙伴。他经常需要向投资者阐述，尽管Manus已经流行起来，他们却还未如此。总结原因在于，开发这类通用的商业人工智能，仿佛在沙滩上作画，迅速而必须充满浪漫色彩，追求美感。然而，他们从事的2b商业级项目，却像是在岩石上雕刻文字，必须缓慢而精确，并且要确保后续工具的完善与清晰。因此，他个人认为，在商业应用落地时存在一个巨大的差距。
唐博士认为，您的观点确实很有见地。先简要介绍一下自己的经历：自从在美国获得博士学位后，便一直致力于机器学习科学的研究。在他的领导下，团队面临的一个主要挑战是每天都有各种各样的业务问题，例如市场运营销售的项目经理会提出问题，请求他们帮忙查看数据或进行分析。你也知道，数据团队通常人数有限，而这类请求却源源不断，他们很难在短时间内满足所有需求。因此，作为负责人，经常不得不拒绝一些请求，或者简单地判断哪些问题需要优先解决。随着AI技术的出现，他意识到AI在很大程度上能够帮助他们解决这些问题。这也是他们创立Fabi.ai的初衷。从Fabi这个名字可以看出，取名“fast business intelligence”，意在让公司内的每个人都能迅速获得数据洞察，这是他们最初的目标。然而，在实际应用中，确实经历了一些曲折。
最初，他们开发了一个完全本地化的解决方案，即一个AI agent。用户可以直接提问，而这个Agent能够访问公司成千上万的数据库表，并生成SQL查询，然后将结果反馈给用户。这个想法是在大约两年前提出的，当时GPT技术刚刚问世，这个方案看起来很自然，因为需求和技术都相对成熟。但随后发现，在实际操作中遇到了重大难题，企业级数据非常复杂。举个例子，如果我想了解公司的营收情况，可能会发现有五六十张表都与营收相关，那么究竟应该使用哪一张呢？在这种情况下，即使AI技术再先进，也难以理解公司的业务逻辑或数据结构。这是他们在实践中遇到的一个方面。
同时，还需关注另一个层面，即我们旨在解决的具体应用究竟是什么？他个人认为，如果问题仅能通过C语言来解决，那么这些问题通常对公司而言并不至关重要。因为很多时候，C语言能做的只是从数据库中提取数据，而真正需要解决的可能是更深层的问题。例如，CEO可能会提出疑问，为何我们公司的市场份额持续下滑？我们应如何阻止这种趋势？这才是公司真正关心的商业问题。因此，我们需要从数据库中提取数据后进行更深入的分析，可能还需要借助CF或机器学习模型进行预测，最终提出一个假设性的解决方案。接下来，就是他们公司可以采取的具体行动。
实际上，对于公司业务至关重要的，是需要进行深入的分析。因此，他们从最初的no agent模式，转变成了更倾向于成为像一个平台或助手的角色，以便快速有效地构建数据分析工作流和代理。想象一下，现在我们更倾向于构建像标志或核心价值陈述那样的东西，这样你就能迅速构建出能够解答与公司业务密切相关问题的系统。因此，在构建你的业务Agent时，应当回归本源，思考你真正想要解决的问题是什么？对于公司、企业或用户来说，这是不是一个关键问题。
因字数限制，更多内容请收听音频
欢迎关注“TSVC”微信公众号观看视频，了解更多早期创投相关话题的干货内容！
加入日常交流群请看海报左下角二维码，添加TSVC小助手，获取更多分享。