衡宇 发自 凹非寺 量子位 | 公众号 QbitAI
AI模型的训练过程，能不能再快一点？！
这不，谷歌AI研究员、Keras之父Francois Chollet，刚刚就投资了一家加速自动标注的创业公司：
V7 Labs。
这家公司关注的重点是CV和自动识别/分类对象及其他数据，来加快AI模型的训练速度。
V7 Labs表示，现在只需要100个人工标注，模型就能快速get任务具体要干啥。
凭此，V7 Labs完成了3300万美元新融资，历史总融资额约3600万美元，目前估值为2亿美元。
谁是V7 Labs？
能获得3300万美元的新融资，自动化是V7 Labs最吸引投资人的卖点。
据估计，在AI训练模型过程中，一个人工团队约80%的时间都花在管理训练数据上：
标记数据、分辨什么时候该标记错误、重新思考分类数据等……
V7 Labs把这个过程称为“程序化标签”，并使用AGI和自己的算法来分割和标注图像。
与此同时，任何标记为不清楚的内容都会返回人工审查。
将V7 Labs开发的自动标注技术结合人工标注，有助于高效完成工作，并起到互相检查作用。
该公司的CEO表示，利用自家平台，只需要100个人工标注，就能训练好模型。
据了解，这轮融资将用来招聘更多工程师，并扩大业务运营。
除了Keras之父本人，这波投资者中还有其他ML和AI领域的老朋友们。
比如DeepMind首席科学家Oriol Vinyals、Elixir语言创造者Jose Valim、Adept AI的联合创始人Ashish Vaswani（Transformer一作），以及一些来自Open AI、Twitter和亚马逊的匿名投资者。
现在来了解一下这家2018年创立的自动标注公司～
V7 Labs团队秉承着这样一个观念：
训练模型的数据输入方式还处于一个低效阶段，完全可以改进。
因此，公司的主要业务就是开发AI模型训练所需的自动标记和其他数据分类技术，让视觉AI在最少的人工监督下从训练数据中持续学习。
为什么是视觉AI领域？
人类视觉皮层有6个公认的区域，即V1到V6。
初级视觉皮层V1使我们的大脑能够识别基本形状，而之后的视觉皮层则提取颜色、形式和运动方面的复杂含义。
团队解释道，V7代表着想为机器创造第7个领域，让机器能够感知世界，能力能够超越人类大脑。
V7 Labs目前专注的领域是医学和科学。
利用V7 Labs这个平台训练AI模型，可以帮助端到端自动驾驶和通过机械臂分拣核废料等工作，以及在扫描中识别早期癌症和其他疾病问题。
△图像训练在扫描中检测肺炎
至于为什么选择把视觉AI的业务应用在医学领域，该公司CEO表示：
我们决定专注的，是那些已经将基于AI的应用商业化的垂直领域， 或者那些大量视觉处理工作都由人工完成的领域。
在V7 Labs看来，医学就是这么一个“从未在内部开发过这种技术”，但“肯定会使用这项技术”的市场。
目前，V7 Labs有300多家客户，其中包括通用电气医疗、Paige AI和西门子，以及其他《财富》500强公司和规模很大的私营企业。
缩短AI模型设计和应用之间的时间
作为训练AI模型过程中举足轻重的环节，加速处理训练数据，越来越受到资本市场追逐。
因此，除了V7 Labs，还有很多初创公司涌现，致力于提高AI数据训练效率、缩短AI模型设计和应用之间的时间。
比如同在2018年创立的SuperAnnotate，就是V7 Labs的直接竞争对手，他俩同样在研究如何以最快的速度地构建最高质量的训练数据。
SuperAnnotate官网宣称，自己的服务比普通AI标注快3-5倍。
最新消息是，SuperAnnotate也在不久前获得了1800万美元的第三次融资。
目前，SuperAnnotate的客户已经有200多家公司，其中包括20%的《财富》20强，以及超过10000名个人CV爱好者。
值得一提的是，SuperAnnotate的公司顾问团队里，有南开大学计算机系主任程明明。
以及，虽然V7 Labs在官网上列出了与SuperAnnotate的服务对比情况，但后者CEO在接受采访时，表达了从头发丝到脚趾头的拒绝：
他们的比较并不准确！
此外，走在同样创业路上的公司，还有最初专注于汽车行业的Scale AI（目前估值约70亿美元），和谷歌等公司合作进行AI标签的Labelbox，以及Apache 软件基金开发的Hive（目前估值约20亿美元）。
既然如此，就问一句：
加速处理训练数据的创业者们，不如卷得更猛烈一点吧？
（搓手手表示期待.gif）
参考链接： [1]https://techcrunch.com/2022/11/28/v7-labs-computer-vision-ai/ [2]https://twitter.com/nathanbenaich/status/1597303560139833344
— 完 —
