📢 转载信息
原文链接：https://www.kdnuggets.com/navigating-ai-entrepreneurship-insights-from-the-application-layer
原文作者：Rachel Kuznetsov
Image by Editor
# 引言
人工智能行业正在经历一场可与互联网泡沫时代相媲美的转型浪潮，创业者们正蜂拥而至，试图在这个新兴领域占据一席之地。然而，与以往的技术浪潮不同，这一次有一个独特的特征：基础设施的成熟速度快于市场的吸收速度。这种技术能力与实际应用之间的差距，定义了当前的机遇格局。
Andrei Radulescu-Banu 带来了独特的视角。他是 DocRouter AI 和 SigAgent AI 的创始人，拥有麻省理工学院 (MIT) 数学博士学位和数十年的工程经验。他构建了由大型语言模型 (LLM) 驱动的文档处理平台，开发了AI代理的监控系统，同时还担任兼职首席技术官 (CTO)，帮助初创公司实施AI解决方案。
他从学术数学家到实践工程师再到AI企业家的旅程并非一帆风顺。他解释说：“我的职业生涯中做过很多事情，但有一件事我没做过，那就是真正的创业。”他现在正以在12个月内推出六家初创公司的雄心壮志来弥补失去的时间。这种加速的时间表反映了AI创业领域的普遍紧迫感。当技术变革创造新市场时，早期进入者往往能获得不成比例的优势。挑战在于快速行动，同时避免陷入“为解决某个问题而构建技术”的陷阱。
# AI 技术栈的分层
Radulescu-Banu 将当前的AI热潮与互联网革命进行了类比。“就像过去计算机网络一样，有基础设施的开发者，比如交换机和路由器。然后是运行在顶层的应用层软件，最后是Web应用程序。有趣的是，这些层次现在正在为AI技术栈形成。”
新兴的AI技术栈 | Image by Editor
这种分层至关重要，因为不同层次遵循不同的经济模型，面临不同的竞争动态。基础设施提供商参与的是资本密集型竞争，竞相建设数据中心和获取GPU。他们必须为所有人服务，这意味着要构建越来越通用的解决方案。
在基础层，像 OpenAI、Anthropic 和 Google 这样的公司展开激烈竞争，压低价格，使语言模型的使用商品化。Radulescu-Banu 观察到：“像 OpenAI 和 Anthropic 这样的公司几乎被迫相互竞争，它们不能专为某个垂直领域服务。它们必须开发能够解决世界上任何问题的通用语言模型。”
应用层的动态则根本不同。在这里，专业化成为优势而非限制。对特定行业、工作流程和痛点的深刻理解，比原始计算能力更为重要。
他认为，真正的机会在于应用层。“在上面叠加的那些公司，浪潮才刚刚开始。我指的是这个代理层，或特定于法律、医疗或保险等其他行业的垂直应用。”他认为这一层尚未饱和，在未来五年内有显著的增长空间。
这个时间表与历史模式一致。在互联网泡沫时代，基础设施竞争迅速整合，而应用层的创新持续了多年。同样的模式似乎正在AI领域出现，为专注于解决特定行业问题的企业家提供了更长的发展跑道。
# 从医疗记录到平台
DocRouter AI 源于一个意想不到的垂直领域的咨询工作：耐用医疗设备。Radulescu-Banu 花了一年半的时间帮助一家初创公司处理氧气罐、轮椅和CPAP呼吸机的医疗记录。“所有这些流程、所有协调工作都涉及大量的文书工作。这是语言模型处理的理想用武之地，”他指出。
耐用医疗设备行业说明了AI机会往往隐藏在经济中“不那么光鲜”的角落。这些不是吸引眼球的消费级应用，但它们代表了具有真实痛点且愿意为解决方案付费的巨大市场。
他的洞察是认识到同样的问题会跨行业出现。“同样的问题在许多其他行业中重复出现，比如法律领域。法律本身也有许多细分领域，比如一家律师事务所需要审查，我不知道，成千上万的文件，才能发现对案件重要的一个微小细节。”
这种模式识别是一种关键的创业技能：在具体的实现之下看到抽象的问题。大量文档协调的挑战困扰着法律发现、专利研究、保险理赔处理以及无数其他工作流程。每个垂直领域都认为自己的问题是独特的，但通常它们只是常见主题的变体。
他的方法展示了一种更广泛的战略：构建可重用的技术。“DocRouter 的理念是采用在一个行业细分市场中有效的方法，开发一个实际上可以位于底层并解决其他垂直领域中相同问题的平台。”
# 技术创始人悖论
人们可能会假设技术专长在构建AI初创公司方面具有优势。但 Radulescu-Banu 的经验表明情况并非如此。“如果你没有过多的技术背景，开始一家公司可能更容易，”他说。“在一个特定的垂直领域开始一家公司，了解你的客户并对你想把产品带向何处有清晰的认识，比了解如何构建产品更重要。产品几乎可以自己构建出来。”
这个观察挑战了许多技术人员对创业的假设。设计优雅的解决方案或优化算法的能力，不一定能转化为识别市场机会或理解客户工作流程。事实上，深入的技术知识如果导致过度设计或构建客户不重视的功能，反而可能成为一种负债。
他以波士顿机器人领域为例。“波士顿有很多家从 MIT 出来的机器人初创公司。但实际上，其中许多公司都举步维艰。为什么？因为它们是由数据科学家和工程师创立的。”相比之下，由了解仓库运营的销售人员创立的 Locus Robotics，“比那些由工程师创立的公司要成功得多。”
Locus 的故事揭示了垂直市场的一个重要事实。创始的销售人员花费了数年时间将其他公司的机器人产品集成到仓库中。他们了解仓库管理者面临的操作限制、采购流程和实际痛点。技术卓越固然重要，但最初是外购而非内部开发。
这并不意味着技术创始人不能成功。“谷歌是由工程师创立的。而且谷歌实际上是由博士创立的，”他承认。“没有绝对的硬性规则，但我认为从我的角度来看，创业时最好不要成为一个工程师。”
区别可能在于所解决问题的类型。谷歌通过解决普遍公认的技术问题（搜索质量）取得了成功。垂直AI应用通常需要解决业务流程问题，而技术解决方案只是其中一个组成部分。
对 Radulescu-Banu 而言，这意味着个人转变。“我现在正在学习的是放手一些技术层面的事情，不要过度关注技术细节，并学会依靠其他人来处理技术方面的工作。”对于许多技术创始人来说，完善架构、优化代码或探索有趣的技术支线的诱惑仍然很强，这使得转型更加困难。但创业要求将精力集中在创造最大价值的地方，这通常意味着与客户交谈，而不是优化代码。
# 模糊咨询与产品的界限
企业家面临着持续的分类压力。“当你开始讨论创业时，人们告诉你的第一件事是，你是一个产品还是只做咨询？” Radulescu-Banu 解释道。投资者更喜欢产品，因为咨询公司“线性增长”，而产品有“爆炸式增长的潜力”。
然而，他发现了一条中间道路。“实际上咨询和产品之间没有明确的界限。你可以使其模糊，可以同时利用两方面。”他的理念核心是效率：“我主张永远不要浪费工作。所以每当我做某事时，我都想确保我会使用它两三次。”
DocRouter AI 同时以产品和咨询工具的形式存在。SigAgent AI，他的代理监控平台，与 DocRouter 共享基础设施。“Sigagent 与 DocRouter 基本上是 90% 相同的，但基础设施相同，数据库相同，技术相同。不同的是应用层。”这种方法使得咨询可以启动产品开发，同时构建可服务于多种目的的可重用平台。
# AI 可靠性的成熟
仅仅一年时间，技术格局就发生了巨大变化。“如果你把时间倒回一年前，语言模型的工作效果还不是很好。你知道，它们有幻觉，” Radulescu-Banu 回忆道。“过去一年发生的是，语言模型已经演变成更加精确，幻觉也大大减少了。”
这种快速改进对生产中的AI系统具有重大影响。十二个月前看似棘手或有风险的问题，现在有了相对更可靠的解决方案。进步的速度意味着，因可靠性问题而推迟AI采用的公司，可能会发现自己落后于更早采取行动的竞争对手。
挑战已经演变。“如果你给语言模型提供正确的上下文，你可以相当确定你会得到正确的结果。所以这部分风险已经降低了，现在它变成了一个上下文工程问题。但这并不意味着它更容易，因为它实际上非常复杂，要给语言模型提供它解决问题所需的确切部分。不多也不少。”
上下文工程代表了一种新型技术挑战。它结合了信息架构、提示工程和系统设计的要素。成功需要理解领域（哪些信息重要）和模型的局限性（如何组织这些信息以获得最佳结果）。随着AI应用的成熟，这种新兴学科很可能会成为一种专业技能。
监管问题常常被引用为AI采用的障碍，但它们主要是程序性的而非技术性的。对于医疗保健来说，“你通过流程来处理它。你确保有正确的流程到位，有正确的审计员到位。你遵守规则，就可以完成所有事情。”他认为，这些框架实际上可以引导公司正确地构建系统。
监管环境虽然复杂，但提供了结构而非保证。像 《健康保险流通与责任法案》(HIPAA)、系统与组织控制 (SOC) 2、支付卡行业数据安全标准 (PCI DSS)，以及 美国证券交易委员会 (SEC) 和 金融业监管局 (FINRA) 等机构执行的金融法规都规定了明确的要求，但它们也凸显了许多AI系统在高风险、受监管环境中的不适用性。从一开始就朝着这些标准构建既昂贵又受制约，而日后追补合规性通常更加困难，特别是当模型以不透明的方式演变时。
# 采用差距
尽管技术准备就绪，但各行业在实施方面仍滞后。“我们拥有所有这些出色的技术，但行业吸收和实施所有可能性的速度不够快，” Radulescu-Banu 观察到。
这个问题表现为技能短缺和信任不足。“我认为缺少的是人们不信任代理，不相信它们可以解决问题。而技术已经发展并做好了准备。”他在咨询中一再看到这种情况：“你加入那些需要这项工作的公司，在这些公司里，你会看到两三个工程师已经准备好做这件事，他们正在学习如何做。但公司有 50、100 名工程师。”
这种技能分布反映了新技术的扩散方式。早期采用者会进行实验并建立专业知识，但扩展需要更广泛的组织能力。公司面临着鸡生蛋的问题：在没有熟练团队的情况下，他们无法完全致力于AI转型；而培养这些技能需要亲身实践真实项目的经验。
像 Cursor、Claude Code 和 GitHub Copilot 这样的现代开发工具是可用的，但采用面临阻力。“一些公司很担心，他们会说，但现在 AI 要看到所有这些源代码了，我们该怎么办？猜猜怎么着？现在，有了正确的工程设计，AI 几乎可以在几个晚上重写所有源代码。”
# 学习创业
在没有联合创始人或创业同事的情况下，Radulescu-Banu 不得不寻找替代的学习途径。“当你是一个企业家时，你没有其他做企业家的同事与你共事。那么你如何认识这些人呢？嗯，原来你所做的是去参加那些聚会，再次，从他们的肩膀上偷看，并问问题。”
这种学习途径与大多数专业人士发展专业知识的方式有着根本的不同。在传统就业中，学习是通过与同事的日常互动有机发生的。创业需要更具目的性的社交和知识探索。聚会圈成为交流想法和向他人学习经验的替代工作场所。
创业社区被证明非常支持。“通常企业家对他们所做的事情非常开放，他们喜欢帮助其他企业家。这是他们非常互相支持的有趣之处。”这使他能够“在工作中”学习创业，就像他学习工程一样。只是你不是在做自己的工作时学习它，而是通过结识他人并询问他们如何做来学习它。
这种开放性与人们可能预期的竞争动态形成鲜明对比。也许企业家们认识到成功更多地取决于执行力，而不是秘密知识。或者，向他人解释自己方法的行为有助于澄清思维并识别盲点。无论机制如何，这种知识共享文化加速了愿意与社区互动的初学者的学习过程。
# 区域动态
波士顿为AI企业家提供了一个谜题。这座城市拥有世界一流的大学和出色的人才，但有些地方就是与旧金山或纽约等地的生态系统“合不拢”。“波士顿很特别，它拥有这些伟大的学院和拥有出色技能的人才，但不知何故，投资机制的工作方式与旧金山或纽约市的工作方式不同。”
这一观察指出了初创企业生态系统中微妙但重要的差异。波士顿培养出色的技术人才并拥有强大的学术机构，但其风险投资文化、风险承受能力和网络效应与硅谷不同。这些差异影响着从筹款到人才招聘再到退出机会的方方面面。
了解这些区域差异对于任何在硅谷以外建立初创公司的人都很重要。挑战是真实存在的，但对于那些能够有效驾驭当地生态系统的人来说，机会也同样存在。波士顿在生物技术、机器人和企业软件方面的优势表明，某些类型的AI应用可能比其他应用更容易获得关注。
一些差异可能反映了对成功的不同定义。硅谷的风险投资优化的是巨大退出并容忍高失败率。波士顿的投资界，部分受该地区生物技术行业的影响，可能更倾向于不同的风险回报概况。没有哪种方法本质上更优越，但了解这些文化差异有助于企业家设定适当的期望和战略。
// 思维转变
Radulescu-Banu 旅程中最重大的转变可能在于他对风险和机会的思考方式。回顾他作为雇员的那些年，他回忆起一种受限的心态：“我非常不愿意做兼职。也许这是我做工程师时最大的错误。我当时想，‘我的天哪，我在这个地方工作，这意味着我几乎在生活的每一个时刻都有义务，即使在晚上 8 点、9 点、10 点，也不能为任何其他事情做贡献。”
这种心态反映了一种对雇主的忠诚或义务感，以及对利益冲突的恐惧，这阻碍了对副业或创业实验的探索。然而，许多雇佣合同确实允许不直接竞争或使用公司资源的工作。
创业改变了这一点。“我开始以与以前不同的方式处理风险。我不会以某种方式去试探产品的极限，或者说，我们为什么不干脆完全做不同的事情，去追求那个别的东西呢？”
他在成功的企业家身上观察到了这种模式。“我见过其他非常成功的人，他们有一种‘小混混’的心态，是褒义的，意思是，‘试试这个，试试那个，如果门关着，就从窗户进去’。”
这种“混蛋心态”意在反映足智多谋、坚持不懈以及尝试非常规方法的能力。当传统道路受阻时，企业家会寻找替代方案，而不是接受失败。这种适应性在没有既定行动方案的新兴市场中可能具有影响力。
# 展望未来
AI 应用中的机会仍然巨大，但时机很重要。“这次AI浪潮非常有趣。我们正处于浪潮的开端，” Radulescu-Banu 提到。对AI公司建设的热潮与互联网泡沫时代相呼应，伴随着泡沫的风险。但与互联网泡沫破裂不同，“应用层在未来几年仍将继续增长。”
历史类比既提供了鼓励，也带来了警示。互联网泡沫催生了像亚马逊、谷歌和 eBay 这样经久不衰的公司，但也产生了无数失败者。关键区别在于是否通过可持续的商业模式解决了实际问题，而不仅仅是追逐炒作。同样的模式可能会在AI领域重演，奖励那些创造真正价值的公司，而对其他公司则不然。
对于有抱负的AI企业家来说，他的信息很明确：技术已经准备就绪，市场正在形成，采用差距代表着机遇而非障碍。挑战在于平衡技术能力与市场理解，通过可重用平台高效构建，并在行业仍在学习AI能力的同时快速行动。
他总结道，机会就在“代理应用层”。对于那些愿意驾驭咨询-产品混合、监管要求和区域投资生态系统的复杂性的人来说，未来五年将充满显著的增长。
对于那些拥有正确的技术理解、市场洞察力和学习意愿的结合的人来说，当前时刻提供了在行业完全吸收现有可能性之前可能不会持续存在的机会。对他们来说，问题不在于是否参与AI浪潮，而在于企业家能多快地定位自己以有效地驾驭它。
Rachel Kuznetsov 拥有商业分析硕士学位，热衷于解决复杂的数据难题并寻找新的挑战。她致力于让复杂的科学概念更容易理解，并探索人工智能影响我们生活的各种方式。在她不断学习和成长的征程中，她记录下自己的旅程，以便他人可以与她一起学习。您可以在 LinkedIn 上找到她。
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，文档丰富，小白也可以简单操作。
评论区