音频文字.

Erik：欢迎回到工业物联网聚焦播客。我是您的主持人，IoT ONE 的首席执行官 Erik Walenza，该咨询公司帮助公司从数据中创造价值以加速增长。我们今天的嘉宾是 Aitomatic 的首席执行官兼联合创始人 Christopher Nguyen。 Aitomatic 是一个知识优先的工业物联网应用引擎，可帮助工业公司利用其领域专业知识构建更有效的算法。在本次演讲中，我们将讨论为什么目前只有 9% 的制造商在其业务流程中使用 AI，以及他们如何克服数据可用性挑战。我们还探讨了以人为本的 AI 开发平台适用于哪些用例，以及传统的黑盒训练方法适用于哪些用例。

如果您觉得这些对话很有价值，请给我们留下评论和五星级评价，如果您想分享您公司的故事或推荐一位演讲者，请发送电子邮件至 team@iotone.com。最后，如果您有想要讨论的物联网研究策略或培训计划，您可以直接发送电子邮件至 erik.walenza@iotone.com 给我发电子邮件。谢谢你。

埃里克：克里斯托弗，非常感谢你今天加入我们的播客。

克里斯托弗：谢谢你邀请我。

埃里克：所以，是的，克里斯托弗，你有一个非常迷人的背景，不仅在技术方面，而且我认为在个人方面，我们不会涵盖太多，但我会说你非常喜欢美国融化成功的故事，所以从越南过来，然后在硅谷创造了一个非常成功的职业生涯。我们可能不需要一直追溯到你出生的时候，但你能给我们一些关于你如何最终进入技术领域的演练吗？

克里斯托弗：嗯，简单地说，我是 1979 年作为难民儿童从越南来到美国的，基本上是在 PC 革命开始时来到硅谷的。所以，很难摆脱它。所以我从 13 岁开始黑客攻击，从字面上看，从那以后我就没有停止过。因此，无论何时发生这只是一种体验，一个接一个地破解一个系统，但我在整个技术堆栈上积累了很多经验，一直到设备物理，一直到软件系统。

Erik：实际上，我很好奇，你到美国的时候几岁？

克里斯托弗：我 13 岁。

Erik：你来的时候才 13 岁？我想，我的意思是，我不得不想象你的英语可能肯定不流利。

克里斯托弗：不，不。那时我唯一的外语是法语。那是我这一代人。你可以选择你的外语课程，我认为大约 80% 的人选择法语，而英语有点奇怪。但我在这里学到了诸如此类的东西，我想，让我把你所吸收的美国制度、美国文化的力量称为美国文化。

Erik：当你说黑客时，你在十几岁的时候就已经在学习如何编程计算机和……？

克里斯托弗：是的。所以，当然，它必须在美国，不是在越南，但我的第一台电脑是，我的第一台电脑，我姐姐去上班，攒了足够的钱，我想当时大约是 400 或 500 美元这是一个巨大的数量，是一台 TI-99，一台德州仪器的机器，它根本没有存储空间，所以你必须一遍又一遍地编写相同的基本程序。我记得去附近的商场，一个脱衣舞商场，那里是雅达利电脑商店的开端，我会在那里写一些程序，做一些可爱的图形，然后人们会围观，他们会买他们的电脑。孩子们，所以商店经理就像，“嘿，放学后你想随时进来。你可以玩这个系统。”

埃里克：哦，那太酷了。编程是一种通用语言真的很酷。甚至在你真正流利的英语之前，你就可以开始编程了。

克里斯托弗：是的。我不想听起来太深奥，但我认为它是什么——我该怎么说？让我摆脱了贫困。是的。我能够做咨询工作等等。

Erik：你进了伯克利，进了斯坦福。你是什么时候开始的——那么你是不是已经在你的学位课程中参与了计算机编程，或者你是什么时候开始更专业地做这件事的？

克里斯托弗：比如当时的文化，这是 1984 年，88 年是我在伯克利的本科。当然，我的计算机科学培训是课程作业的结合，但在此之前，我已经在练习大量的计算机编码和编程等。我在伯克利管理教育系统。我们称它们为 VAX 和 PDP-11 等等。当时，整个校园大约有五台机器，而我是其中的系统管理员。那是我在大学时的工作。上计算机科学课程更像是一种启示，哦，人们已经想到了一些系统、模式和原则。所以，它更多——我的计算机科学教育更多，把它想象成你在意识到有公式和东西之前所做的学徒。在很多方面，我认为这实际上是最好的学习方式。先做，然后再将其重构为原则，而不是反过来。

Erik：是的，所以，我刚刚看到你已经完成了你的硕士和电气工程博士学位，所以我猜那是——

克里斯托弗：是的，那是斯坦福大学，是的。

Erik：两全其美——

Christopher：我在设备物理领域，因为我——在那个年轻的时候，我会天真地看着整个堆栈，我说我想在堆栈的底部工作，这样每个人都必须依赖我，我必须依赖没有人。所以我一直深入到晶体管、电子和空穴。

埃里克：好的。嗯，物联网和 AIoT 终于赶上了你，所以我们现在把你带回到堆栈的底部。

克里斯托弗：是的。我们回到原子。硅谷，在过去的 10、20 年里——我的朋友 Marc Andreessen 喜欢说软件正在吞噬世界，但我们意识到地缘政治风险、制造、离岸外包等等，事实证明，我们确实需要开始实际制造事情又来了。所以，原子正在恢复他们的一天，而不是只是位。所以世界上的谷歌是数字输入，数字输出，但松下、三星、台积电等等，联电、中芯国际等等。你是绝对正确的。现在是他们回来的时候了。

Erik：所以我认为我们没有时间浏览你的整个简历，你已经与加州一半的科技公司合作过，但也许我们可以在进入 Aitomatic 之前报道 Arimo，因为我认为这可能是一个非常创始故事的重要组成部分。那么，您创立 Arimo 时的愿景是什么？

Christopher：所以，从很多方面来说，Arimo 到 Aitomatic 确实是一条直线，是我在 2012 年开始的一个项目。Arimo 被松下收购了。在我们获得初步的产品市场契合度并与各种客户合作后，最大的客户之一原来是松下。我们还与纳斯达克、电话、其他实体，甚至情报机构等合作。当时，我会说，这家公司真的是一群有算法的极客。松下想要收购我们，因为 2018 年是松下先生创立公司 100 周年，其想法是将松下从我们粗略地说从硬件转变为软件，但它确实在垂直堆栈上移动。您可能知道松下制造了很多工业设备，冷链，航空电子设备，汽车等。人工智能是使公司更接近 CEO 级别和客户的主要缺失部分之一，因此这就是收购的理由。收购后我们很快了解到，我们为数字世界优化的许多系统和技术不适用于物理世界，我可以更多地谈论为什么会这样。然后，在过去 5 年的大部分时间里，我们基本上积累了很多人才和经验，遇到了很多困难并为他们找到了解决方案，我们现在从松下推出了这些解决方案，而 Aitomatic 正在重构所有将这些知识转化为产品，以帮助工业公司使用人工智能。

Erik：是的，然后明白 Arimo 被收购了，然后你在松下经营了几年的业务，然后我想就在去年成立了 Aitomatic。让我们在这里解决问题。所以，我们现在有相当成熟的人工智能框架，我们有很好的传感器基础设施，我们有很好的基础设施来管理大型数据集，我们在市场上有很多平台。为什么在工业领域，我们没有看到人工智能在一些消费市场上起飞，至少在后端处理方面？这里还有哪些挑战需要解决？

克里斯托弗：是的。好吧，您实际上在我们之前的聊天中一针见血，我将继续讨论。让我从一般原则开始回答你的问题，然后我将举一个具体的例子，这是我花了一年的大部分时间来和解的事情。一般原则是，数字域与物理域之间存在根本性的不同。我喜欢将其称为位与原子。对于像谷歌这样的公司，当我在谷歌运行 Gmail 基础设施时，输入是数据，输出是数据，处理都是数据，我们想要进行的任何实验都是数字化的，是在网络空间中完成的。我们可以大规模启动它，你在早上和下午启动，你有数百万个，让我们用例子或数据点这个词来处理。在物理世界中，事物无法快速移动。你提到，例如，如果你要预测错误和失败，但你没有那么多错误和失败，那么它的发生率肯定不会高到足以让机器学习消耗，所以这就是工业和工业之间的根本区别。试图利用人工智能的公司与数字第一公司相比，后者是上一代创建的公司，我想说从 2000 年开始。因此，举一个特殊的例子，让我们以预测性维护为例。这是制造业中的任何人，工业界的任何人都说这是圣杯，这就是我们想要的。因此，让我们考虑一下什么是真正的预测性维护。好吧，在过去甚至现在，我们都有所谓的反应性维护。当有东西坏了，你去修理它。但这实际上非常昂贵。不仅仅是价格、设备成本和维修成本，还有停机成本。而且，就汽车而言，安全和人类生命可能受到威胁。所以下一阶段是预防性维护。这就是飞机 MRO。每 6 个月，每段时间，你去检查并更换所有东西，无论它是否损坏。圣杯是预测性维护，这意味着您只更换可能失败的东西。但这需要预测，需要有能力说出并回答这个非常精确的问题，例如，在接下来的 2 个月内，给我一份清单，这个制冷系统中的特定压缩机可能发生故障的概率如果超过 80%，我将更换那个特定的。为了做出预测，机器学习需要大量过去失败的例子。不仅是故障，而且还按该设备的型号进行分层？它在哪里运营？工作量是多少？气候如何？例如，我们在超市制冷系统中应用了用例。所以当你被这些物理参数分层时，实际上你最终没有足够的所谓标签。在机器学习中，你会得到很多所谓的标签。你在物理领域没有足够的东西。所以这就是我所说的小数据问题。那些试图将人工智能应用到这个领域的人们开始慢慢意识到，当然，在某种程度上，早在 5 年前我们就很幸运也很不幸地遇到了它，因为我们是这个工业巨头的一部分，松下。但它现在已成为一个众所周知的问题，所以问题是你如何解决这个问题。

Erik：所以，让我们更多地讨论一下这实际上是什么样子的。所以，如果我有一条生产线，并且我在生产线上有一个电机，这条生产线需要有 99.X% 的正常运行时间，所以这个电机每 2 或 3 年就会发生一次故障，所以基本上，我没有数据可在此基础上进行训练或指示电机发生故障时的情况，因为它永远不会发生故障。但如果它发生故障，那就是一个数百万美元的问题。所以，我愿意投资于一个预测故障的解决方案，即使它每隔几年才会发生一次，因为这是一个很大的问题，但我做不到，因为数据永远不会积累。那么如何——所以你说标记是解决方案，但我们仍然缺乏——我想我们缺乏要标记的数据，那么你如何应对这个挑战，即围绕设备故障等问题处理非常小的数据集的基本挑战？

克里斯托弗：是的，我会说标记或标签不是解决方案。这就是我们的机器——“我们”的意思包括我自己，因为我一直是香港科技大学的教授，我们教给学生的东西，我们机器学习的人考虑标签，但你没有足够的标签。因此，该解决方案被证明是一种简单明了的洞察力，但我们可以讨论它的实际实现。洞察力是，我们这样做，让我们关注制冷预测性维护的用例。我们在收购之后构建的初始解决方案，在集成到松下之后就是所谓的异常检测，这意味着我无法告诉你在接下来的 2 个月内可能会发生什么故障，但我可以告诉你什么时候看起来不同，当传感器没有设置关闭与以前相同的信号。可以这样做，因为您不需要失败来告诉您某些事情看起来不同。挑战或限制在于，任何事情都可能导致某些事情看起来不同，包括您今天有不同的工作量，或者有人决定关闭一个系统，因此信号、传感器看起来不同。因此，我们的第一个解决方案是使用异常检测来筛选出可供工程师、专家、领域专家查看的内容。作为一名领域专家，我们观察他们做这项工作，他们非常擅长识别未来的潜在问题，包括他们说“这没什么，别担心”的能力，但这对他们来说很乏味一段时间后，如果我们只是将这位专家正在经历的启发式方法编码，然后将其自动化，捕捉他们的知识，那么令人眼花缭乱的洞察力是什么，因为如果你仔细想想，他们使用的是他们 30 年的生产线经验不在来自传感器的数据中。因此，这里的关键思想是能够结合这些工业公司拥有的大量人类专业知识和领域专业知识，将其与数据结合起来，然后提出一个整体的人工智能解决方案。这就是我们所做的。如果你愿意的话，我们实际上有一个人工智能分支，我们提倡称为知识优先人工智能，而不是数据优先。

Erik：是的，我认为这是一种非常有趣的构图方式。如果您考虑很多纯数据环境，例如，如果我们看一下金融，您可能会有刚毕业进入华尔街的 Quant，他们可能对金融一无所知，但他们了解如何操纵数据和监控数据，他们在某些情况下可能非常有效，当然，随着时间的推移，他们会学习金融，但基本上，他们可以像量化分析师一样有效。我认为在工业领域，情况并非如此。您需要在物理环境的混乱机制方面的领域专业知识，这意味着您不仅需要从有限数据和混乱数据的技术角度解决一个非常具有挑战性的问题，而且您还有一个更具挑战性的人类环境，其中你有一个 50 岁的工程师，他已经在工厂工作了 25 年，他可以听机器的声音，他可以理解正在发生的事情，他有大量的直觉知道如何做，然后你怎么做将其嵌入算法中，这就是这里面临的挑战。那么，您如何看待这个问题，不仅是这里的技术立场问题，还有让这些非常不同的团队有效协作以构建解决方案的人为问题？

克里斯托弗：你提到了量化。信不信由你，我碰巧在 2000 年至 2005 年期间担任香港一家量化商店的首席执行官，因此非常成功，所以当我说它不同时，它是不同的。所以你是绝对正确的。因为这个物理域。所以问题是，我们如何——这听起来对吗？事实上，有趣的是我没有——我们的很多客户，我不必说服他们相信这一点。他们直觉地知道。他们知道他们有很多知识，他们知道他们拥有的数据，因为他们有数据科学家，他们雇佣了这些人，不知何故，他们所知道的与他们已经知道的数据之间存在着这种障碍设置。所以关键是，好吧，那么你如何把所有这些放在一起呢？这就是我们正在构建的产品，用于自动化我将要分享的内容，原则上，如果有一个领域专家的方法，比如时间序列数据，如果这个温度正在上升然而压力保持不变，他们可以给出范围，然后看看这个其他问题，然后一旦你看到那个，现在尝试结合。换句话说，这是他们经历的一种启发式方法。原则上，您可以简单地采用布尔代码逻辑并对其进行编码，这是我们采用的早期方法之一，但您是否可以一直采用这种情况，您可以将我刚才所说的作为自然语言，然后自动生成该代码。所以，从口头描述或书面描述中，我们能否以某种方式智能地生成代码，可能是布尔逻辑或模糊逻辑，我想你和其他人会听说过其中的一些系统。并不是说编码不存在，而是存在，但是你如何在人类自然语言或某人的经验和编码之间架起桥梁？这就是我们正在构建的产品。一旦你有了这个我称之为知识模型的东西，那么，你现在可以使用该知识标签来训练机器学习模型，而不是使用你没有的标签，然后你可以将这两个模型组合成一个集合合奏就像这个非常聪明的组合器。它知道何时比机器学习模型更多地听取知识模型并做出可能的最佳决策。

Erik：好的，很有趣。所以，让我看看我是否正确地考虑了这一点。我们可能在 10 年前使用并且在许多情况下仍在使用的传统编程方式是尝试将某人的经验转化为计算，如果 X 上升，Y 下降，那么 Z 就会发生，我们想出这些非常严格的规则可以发挥作用并且人类可以理解，但它们通常相当简单。然后我们有机器学习，你把一堆数据放在一个盒子里，算法在某种程度上是自动生成的，然后它会吐出另一个方程，这对我们来说更难理解，有时可以提取更多洞察力，但需要更多数据，您基本上将这两者结合在一起。你是说让我们构建知识图谱，然后让我们一起工作——基本上用它来——你是用它来训练 AI 算法，还是生成一个新算法，根据似乎是什么从一条路径切换到另一条路径更有可能解决——找出正确的解决方案？您可以说我在这里可能不够技术，但可以帮助我了解如何考虑将这两者一起工作。

克里斯托弗：你的直觉完全正确。所以我想说，人类规则在中心非常好，也就是在正常操作区域附近。在例外情况下，它们往往会在边缘发生灾难性的失败。而机器学习，如果你使用该模型进行训练，边缘往往会更平滑，但如果没有靠近中心的标签，它们可能就没有那么好了。所以它是人类知识模型和由它训练的机器学习模型的结合。也就是说，这就是为什么合奏比单独的效果更好的原因。

埃里克：好的，知道了。也许我们现在可以更多地了解 Aitomatic 产品，因为我们正在更多地讨论它是如何工作的。那么，它会是一个让工程师、机械工程或不同团队能够嵌入他们知识的平台吗？从用户的角度来看，这实际上会是什么样子？

Christopher：是的，从交付的角度来看，您可以将其视为任何其他 SaaS 软件平台。您可能使用我曾经在 Google 运行的 Gmail，您不必担心基础架构在哪里，您只需打开您的网页并开始使用它。所以这里的想法是，使用 Aitomatic，有一个工具，你将浏览器指向某个安全网页，当然，你给它指令，人工指令，然后，不知何故，在我们的软件中，它生成模型。基本上，自然语言输入，模型输出。模型，我们已经创建了许多复杂的架构，我已经描述过我们有一个老师，这是一个人类知识模型，一个学生，这是一个集成的机器学习。我们称之为 K Oracle 架构。 K代表知识。我们还有许多对不同用例有用的其他方法。但是我们的客户，他们的团队，我们称他们为 AI 工程师，他们将与这个系统交互并生成这些模型，这些模型进入我们也托管的系统应用程序，他们可以启动它并直接从他们的云或管理它我们的云。部署非常灵活，但是通过 SaaS 模型访问该软件。

Erik：好的，所以用户，我在想象，你会有一些数据科学家或具有数据科学专业知识的人将成为主要用户，但你也会有非常关键的领域专家用户，如果我是——我坐在上海，如果我回想一下中国北方的一家大型制造商，他们可能依赖于很多 40 多岁、50 多岁的人，他们在某些方面可能相当精明在使用手机管理他们的生活方面，但实际上在电脑上花费的时间可能很少，而且在那里没有太多的专业知识。那么，你如何——首先，是谁——最终用户生态系统会是什么样子，然后你如何让非技术人员参与进来，以确保他们能够有效地将他们的知识嵌入到这个框架中？

克里斯托弗：对。可以肯定的是，这不是消费软件。这是企业软件。所以当我们说领域专家时，他们是专家，他们是工程师，他们只是碰巧不是人工智能工程师。因此，我们的客户通常拥有庞大的团队，并且他们扮演着不同的角色。总是有人非常了解该领域。他们可能会也可能根本不会编码。事实上，我给你举个例子，我们在中国有一个用例，有一家大型连锁超市，他们每年开一千多家店，每月开一百多家，他们正在使用系统构建所谓的决策预测。例如，预测库存应该是多少，收入可能是多少，以确定开设新商店的确切位置。就他们必须消耗的输入量而言，仅靠人类估计来做到这一点是压倒性的，但也很容易出错。然而，当地的经理们非常善于分享他们的知识，就像在右手边有一个地铁站，如果距离超过100米，那么销售量，人流量可能会以某种方式下降。其中一些知识是独一无二的，或者肯定只适用于该地区。所以那些人，那些当地经理，将能够与我们的解决方案团队合作，或者更有可能与他们自己的人工智能工程团队合作，他们实际上会说这些事情，然后这些事情会被输入到我们的系统中，然后自然语言输入会自动翻译成代码。当然，必须有人审查该代码，审查该系统的输出。但是，在大多数情况下，您可以将此系统视为直接从人类知识描述到进行该预测的一堆模型，然后您将其性能与没有此类人类知识输入但您尝试通常做数据科学家今天所做的事情，在这种情况下，给我过去的 POS 或销售点数据，然后给我有关地理、地图等的信息。而且，总是，当你添加人类知识模型时，预测会变得更好，我们可以衡量它。我们可以用所谓的预测平均误差来衡量这一点。

Erik：是的，我认为这个预测用例非常有趣。每家公司都面临着它，但动态不同。也许我可以给你一个问题，我很想听听你对你的解决方案是否真的可以解决这个问题的想法。所以，这是我们几年前正在做的事情，那是一家大型化工公司，他们的情况是他们必须管理供需，因为市场上存在供大于求的时期，也有供大于求的时期需求大于供给，而供给不能——你不能很快地改变它。你有一定数量的设施正在运行，添加新设施需要大量的资本支出，而且他们的预测总是很糟糕。就像——60% 会被认为是一个很好的目标。这使得他们很难定价，因为他们必须预测定价。所以他们想研究机器学习来解决这个问题，但是你有这些——机器学习可能擅长的一些事情，所以将日本的房屋开工和美国的汽车销售等相关联，等等，然后最终沿着供应链向上发展以满足对其材料的需求。但是你还有其他事情，比如如果他们的竞争对手的一个工厂发生火灾并且它关闭了 3 个月，然后突然间——我的意思是，算法无法管理它，因为这种情况每 2 次发生一次年，但当它发生时，它会彻底颠覆这个行业。而且我们真的很难使用纯 ML 方法，因为偶尔会发生这样的事件，完全混淆了算法。那么，您如何看待这样的挑战？因为我认为这实际上是工业公司面临的一个相当普遍的挑战。

克里斯托弗：没错。我在这里并不是说这种方法解决了所有可能的问题，甚至优于所有情况。如果你在做谷歌广告并试图预测点击的可能性，你有很多很多的预测数据，你只需要知道为什么。我记得当我们测试不同的颜色时，广告的背景，结果最好的背景颜色有点偏黄，因为它是由数据预测的——我会说，测量过的，甚至没有预测到，所以谢尔盖·布林使用了说，“这看起来像小便。”但是它就是这样啊。但你是对的。一场工业火灾，给我一个关于所有已发生火灾及其影响的时间序列数据。你只是没有数据集。所以这是一个我们实际上已经完成或实际上以非常相似的方式进行的案例。有一个用例，我们试图预测这些由大型企业集团制造的工业设备，他们总是试图在竞争中领先。如果你正在制造电容器，我应该制造 10 µF 与 25 µF 的多少体积？像这样的决定，但以预测的方式，领先于市场。您不能仅通过时间序列数据进行预测来做到这一点，正是因为这样的事情。然而，很多时候，在很多情况下，当你问一位经历了足够多的经理时，你问他们是否发生了这样的火灾，或者现在已经发生了这样的火灾，你认为需求会受到什么影响？他们可以说，“我认为它会下降 20%。”他们可能是错的，但它比完全无法考虑这一点的机器学习模型要好得多。因此，直观地，您会发现这可能会更好，然后下一个挑战是您如何将这些知识整合到系统中，使其不是一个不同的系统。因此，我们制作的工具为我们的客户提供了一种方法来做到这一点。

Erik：所以如果我们考虑用例，正如你所说，传统机器学习在很多方面做得非常好。如果我们考虑在培训过程中需要更多人工输入的用例，那会是什么？因此，我们将需求预测作为一个，任何与预测性维护相关的东西，或者我猜，在有不常见事件的情况下的预测分析可能是另一个。作为关键用例，您还发现了哪些其他值得探索的事情？

Christopher：对，所以，我还是先给出一个原则，然后再给你举更多的例子。我们学到的关键原则正是我们所讨论的。如果你的直觉是这样的，如果有一个人类专家可以根据他们的生活经验等为这个问题增加更多的光线，并且可以产生预测差异，那么这就是这种事情的一个很好的候选人。当您遇到这些问题时，您往往会发现它们往往是身体问题，而不是例如我与您分享的 Google 广告示例。我给你举了很多例子，从制冷的预测性维护到预测性预测等等。还有另一个完全不同的用例，那就是与我们合作的一家全球海上导航公司，如果你去这里，我住在湾区，如果你去半月湾，在码头，你看看所有的船，然后70% 的桅杆是他们的品牌。他们还制造了所谓的探鱼器，它直接向海洋发射声纳光束，然后回声回来，非常类似于潜艇技术。返回的是回声图，猜猜谁真正擅长阅读这些回声图并能够告诉你那里是鲭鱼群，有人可能会说，“你确定这是鲭鱼而不是沙丁鱼吗？” “是的，是鲭鱼，相信我。”不是工程师，是渔民。使用这种设备 5 年或 10 年的渔民一段时间后，他们很好，顺便说一句，只在他们的地区。因此，例如，我现在在脑海中思考的案例是北海道和鲭鱼。所以这家公司直觉地知道，如果我们与这些渔民合作，并以某种方式编码他们在这些图像中看到的任何东西，而且它们的数量并不多，所以你可以看到你无法标记数以百万计的这些东西并以某种方式捕捉它们是什么看到。他们可能会说，“如果你在回声图上看到这个高尔夫球形状的东西就在这个棒状的东西旁边”，对你和我来说，这看起来像一团糟，但是当你看到一个高尔夫球时，我会说，好吧，我知道高尔夫球是什么样子，我们可以将这种体验编入代码，然后发生的事情是，这个市场只为日本的 10,000 名专业渔民服务的探鱼器突然间，整个潜在市场变成了1000 万，因为你和我不知道如何直接解释这些回声图，我们可以利用我们编码的这种算法，它只是标记鲭鱼，然后你基本上只是把你的网扔在那里。

Erik：好的，很有趣。而且，实际上，这可能引发了人工智能算法生态系统的另一个问题。因此，解决这种数据匮乏的另一种方法是看看我们如何在不同公司之间共享数据，显然是高度匿名的，但也许一家工厂有一定数量的电机，而这些电机只是经常发生故障，然后那些许多其他工厂也部署了电机，因此总的来说，实际上可能有很多数据，只是工业数据往往与其他系统高度隔离。您是否使用或考虑使用任何机制来交换这种洞察力或这种专业知识，以便客户 10 可以使用从客户 3 产生的洞察力？还是那里有太多隐私和法律问题？

克里斯托弗：是的，我认为机会更高一级。有一种我不喜欢的明智而不明智的说法，我认为说“数据是新的石油”是完全错误的，这意味着它本质上是有价值的和可替代的等等。正如这个讨论所示，一兆字节的数据 X 与一兆字节的其他数据完全不同。我认为未来，机会在于共享模型，而不是共享数据，共享可能是销售。如果我有一个可以预测或分类北海道鲭鱼和沙丁鱼的模型，我可以将其作为模型或预测服务出售。这开始成为一些公司的商业模式。美国有一些初创公司正在用更简单、更可用的模型集、示例、图像分类等来处理这个问题。我认为，越来越多的公司会找到机会，将事物、知识和数据本质上编码到模型中，然后他们将出售模型。而且，事实上，就机器学习的进展而言，10 年后，我们回首往事会发现，这种数据驱动或纯数据的机器学习实际上是非常基础的一步。它几乎就像半导体，但在晶体管级别。然后我们去LSI，大规模集成，非常非常大规模，超大规模等等，然后我们将事物作为块而不是单个晶体管来处理。我真的相信基于知识的模型训练是未来。这些模型将变得越来越聪明。他们会理解高尔夫球的含义。他们也会懂英文、中文等。所以这就是未来所在，我们正在研究的是人工智能下一阶段的开端。

埃里克：好的，太好了。而且我也知道 Aitomatic 仍然是一家相对年轻的公司，我想在你的第二年，虽然，正如你所说，这实际上是你过去十年来一直在做的工作的延伸，所以有很多知道如何落后它，但从发展的角度来看，你的未来是什么？在接下来的 24 个月中，您如何看待新功能、新特性、新用例的路线图？

克里斯托弗：是的，作为一家公司，我们正处于一个有趣的时刻。有一个短语叫做产品市场契合度，即我们正在努力确保所有这些我非常确定的想法都是正确的，但它们是否正确并且在未来 6 个月内需要，还是在未来 6 年内需要？你可以是正确的，完全不合时宜。所以我们很幸运，在我们从松下推出之后，我们有很多现有的客户，而且我们有——我们今天实际上称他们为设计合作伙伴。然后我们还有一份其他合同等等，所以我们正在与一个相当大的早期创业公司合作，比如十几个不同的客户和用例。所以说真的，接下来的 12 个月将与这些设计合作伙伴一起迭代到他们发现的产品集，“是的，这就是我们人类可以使用的东西。这就是我们的领域专家可以与我们的 AI 工程师一起工作的东西，”虽然你可以想象各种用例，但只有三四个是有利可图的。对于该行业来说，未来 12 个月是有意义的。我想说，人们喜欢说未来已经到来，它只是分布不均，所以会有领先的用例，我们看到的最能引起共鸣的用例是工业设备预测性维护，这就是一个例子。所以，在接下来的 24 个月里，我想让公司实现的目标当然是增加收入，但也非常重要的是一个定义明确的功能集，不多也不少，不要过度建设。这让我们的客户满意，这也是我们可以向市场普遍提供的东西。

Erik：是的，我很好奇，作为一名连续创业者或参与过许多不同技术项目的人，你如何看待专注于特定市场和为一个用例构建产品之间的紧张关系比如工业设备的预测性维护，而不是构建更横向的技术，这些技术可以将基本原理应用于多个可能非常不同的用例，这些用例都具有相似的特性？因为我猜两者都有力量拉着你。另一方面，你有一个更大的潜在市场。首先，更容易定义适合特定客户群的产品。作为一名企业家，您如何看待这一挑战？

克里斯托弗：绝对专注。绝对专注。没有这样的说法，“让我们尝试解决所有问题并占领一个大市场”，因为总会有人比你做得更好。现在，专注并不意味着押注在一件事上。就像我说的那样，产品市场契合度意味着对你真的无法预测的事情保持谦虚。我非常确信，我对这个愿景非常确定，我对我们拥有的技术非常确定，但是我们真的有一个人们需要并且会立即支付的产品吗？所以它是——在计算机科学中，我们称之为探索 - 开发权衡，所以我们的想法当然是尽可能多地了解这个行业，这样我们就有了作为内部人员进入的优势。所以这是我们拥有的不公平优势。然后你必须对一组三个或四个用例进行试验，不是 30 个，也不是一个。这就是为什么我现在可以告诉你，例如，一些用例，我们已经有了牵引力。我相信我们已经尝试了其他一些市场还不太感兴趣的用例，或者出于某种原因，我们的客户在这些事情上没有盈利。那么说我们可以——我们要做这些事情有什么意义呢？这就是——在某种程度上，答案，答案的结构非常简单。挑战在于判断。归结为这种判断，我认为是经验和对话。与您的客户交谈非常有帮助。这不是一个让办公室里有 10 个聪明人互相交谈的练习。

埃里克：是的，是的，没错。这是我个人认为我有问题的事情。集思广益很容易，最终，获得一定程度的成功意味着真正专注于这些，但选择赌注是一件具有挑战性的事情，因为它确实如此——你投入了大量的时间......

克里斯托弗：我想说尊重挑战。不要以为你很聪明。

埃里克：没错。伟大的。好吧，克里斯托弗，我想我们在这里已经涵盖了很多领域。人们还应该了解有关 Aitomatic 或这里的问题的任何其他信息吗？

克里斯托弗：我认为我们确实涵盖了很多内容，除了你能听到我声音背后的兴奋。我认为在接下来的 5 年里，我们正站在我所说的门槛上——我要公开地说，从比特到原子的转变，而且，再一次，甚至 Marc Andreessen 最近也写了博客我们需要如何制造东西。是时候再做一次了。这在某种程度上也是一种以美国为中心的方法和信息，但近年来的事件凸显了这样一个事实，即我们已经离岸太多，我们已经放弃或放弃了很多肌肉，而我们只关注大脑美国。所以半导体工具，制造东西，我认为这是进入物理空间的激动人心的时刻，当然是在美国，我认为甚至在世界各地。

埃里克：是的，是的，绝对的。我同意，100%。我的两个非常快的最后一个问题。首先是，作为一家相对早期的公司，你们是否有任何融资轮即将到来？因为我们确实有很多投资者在这里倾听，你愿意接受外部参与。

克里斯托弗：是的。所以我们很幸运，第一，我们已经从客户开始，我们有收入。我在硅谷的人脉也相当不错，所以我们已经悄悄地进行了几轮融资，但从不说永远不会，所以我们总是机会主义地与人们交谈并尝试计时。我认为作为一家初创公司，我们有很好的指标，所以如果有人感兴趣，请随时与我联系，然后我们会谈谈。

埃里克：好的，太好了。无论是围绕投资、合作伙伴关系还是成为客户，人们与您或您的团队取得联系的最佳方式是什么？

克里斯托弗：当然。现在最有价值的是设计好的合作伙伴关系。这比下一美元的投资更重要。我认为aitomatic.com 是与我取得联系的好方法。那是我们的网站。我们公司就像“自动”，除了以“AI”开头的aitomatic.com。

埃里克：太好了，克里斯托弗。谢谢你。

克里斯托弗：谢谢。