硅谷的发展历程中,许多工程师都遵循着相似的路径:在大型科技公司起步,发现创新机会,然后创立自己的公司来改变传统商业模式。Metronome Inc. 的联合创始人兼首席执行官 Scott Woody 就走过这样的道路。
Woody 此前在文件托管服务提供商 Dropbox Inc. 工作。他察觉到软件即服务领域从订阅制和基于席位的模式转向混合使用量计费模式的机会。Metronome 向投资者和早期用户展示的价值主张是:其技术可以显著减少计费系统的工程时间和成本。
"在 Dropbox 中对商业模式进行更改在技术上相当困难," Woody 对 SiliconANGLE 表示。"相比之下,Metronome 的首要原则是构建一个超灵活的计费系统,让你无需编写任何代码就能以自助方式进行定价和打包。几分钟内就能更改定价,而不是几个月。这一点至关重要。"
事实证明,Metronome 的方案在新兴的人工智能时代恰逢其时。企业如何从生成式 AI 技术的大额投入中获得投资回报仍不确定。Metronome 的服务为企业提供了更好的 AI 支出可视性,从而更好地衡量投资回报。
对于众多希望提供生成式 AI 服务的初创公司来说,这类基础工具可能带来机会,而无需直接与 OpenAI、Anthropic PBC、Google LLC 和 Microsoft Corp. 等 AI 巨头或快速拥抱 AI 的 Salesforce Inc. 等 SaaS 公司竞争。
转向实时计费
Woody 同时着手解决他在 Dropbox 经历中遇到的另一个问题。当席位许可证价格在月中发生变化时,客户直到账单周期结束才意识到新的成本。
"这就像电力公司在月初第三天改变价格,但你直到月底才发现,然后说'等等,这是怎么回事?'" Woody 说。"根本的技术问题是计费系统不是在线系统,而是一个批处理的、更新不频繁的系统。Metronome 通过实时进行所有计费和操作来解决这个问题,然后我们提供发票和计费系统的数据。"
OpenAI 的付费用户可能不知道,当他们查看 ChatGPT 的使用费用时,提供数据的正是 Metronome 的引擎。Metronome 的客户包括 AI 提供商 Anthropic,以及企业科技巨头 Nvidia Corp.、Databricks Inc. 和 Snowflake Inc.。
"如果你是 OpenAI 的客户并登录仪表板,所有数据都是实时从我们的服务器获取的 Metronome 数据," Woody 解释道。"如果你运行一个大型任务,你会在完成任务后的几秒或几分钟内在账单中看到相应费用。你始终可以实时查看你的账单。"
Woody 将 Metronome 的工作描述为"通过设计重新定义计费"。当被问及设计在其基于使用量的模型中扮演的角色时,公司 CEO 描述了 Metronome 的方法如何为其客户的用户带来更好的整体体验。
"我们的许多客户都在构建这些产品体验,让他们的客户能够控制支出," Woody 说。"对我来说,这是一个设计问题。如何为你的产品或服务构建一个货币化体验,激励客户尝试和使用你所有的产品和服务,同时又能安心入睡,知道他们不会意外花费大量资金。"
控制 AI 支出的需求
据 Woody 称,这种方法在 AI 服务用户中引起了共鸣。AI 在众多产品中的集成推动了人们对 Metronome 基于使用量平台的兴趣。
"AI 像一吨砖头一样冲击着地球上的每个公司," Woody 说。"AI 运行成本非常高。如果你有一个运行成本很高的产品或服务,使用越多花费越多,你需要采用一个能让你获取增量价值的商业模式。"
AI 领域不断变化的格局如何推动对不同定价模式的兴趣,智能代理的日益普及就是一个典型例子。这些智能代理是为执行特定任务而设计的智能软件。Salesforce 通过今秋部署的 Agentforce 平台,在新兴的代理式 AI 领域成为主要参与者。
Agentforce 的定价采用基于对话的模式,目前每次 AI 交互 2 美元,大量使用可享受折扣。Woody 认为这将导致对成本监控的需求更大。
"在代理式世界中,Agentforce 或带代理的 Salesforce 的价值将发生转变," Woody 指出。"它不再是有多少人可以访问数据的问题,而是有多少代理在你的业务中运行的问题。"
超高规模数据管理工具
Metronome 是一家云原生企业,构建在 Amazon Web Services Inc. 平台上。作为在线金融系统,公司每天必须处理数十亿个事件,且不能丢失任何一个。它依赖于多个开源工具,如分布式事件流平台 Apache Kafka,来驱动其引擎。
"Apache Kafka 是我们最好的朋友,它是一个允许我们水平扩展以适应几乎任何入站事件量的工具,并且能够保证我们永远不会丢失事件," Woody 说。"我们也需要完全可审计。我们每月为数亿终端客户生成使用记录和发票。我们需要能够重构每一个事件或每一张发票,以便通过审计。"
除了健全的记录保存外,Metronome 还依赖于能够处理其流式需求的技术。这包括与数据流平台 Confluent Inc. 合作,并使用开源大数据处理框架 Apache Flink。
"我们面临的许多挑战是超高数据规模问题,但更重要的是,它们是实时流处理问题," Woody 解释道。"实际上,我们的系统完全围绕实时处理数据的概念进行架构,我认为这与其他计费供应商明显不同,也使我们能够以超低延迟完成所有工作。"
Metronome(以音乐家用于保持完美节奏的工具命名)成立于 2019 年,吸引了硅谷著名投资者的关注。2022 年,公司由 Andreessen Horowitz 领投的 3000 万美元 A 轮融资,今年早些时候又完成了由 NEA 领投的 4300 万美元第二轮融资。
Metronome 2.0 于 10 月发布。最新功能包括能够通过复杂的企业合同推出新产品,以及产品内计费仪表板,让用户能够使用可配置的支出控制。这是 Woody 在重塑计费领域愿景的一部分。
"我们希望成为帮助引领这波消费和基于 AI 定价浪潮的通用计费系统," Woody 说。"对这些大公司来说,这种转型是一个多年的业务变革过程。但我认为随着 AI 的发展,几乎所有公司都将不可避免地需要进行这种转变,我们希望 Metronome 在这个领域成为领航者。"
好文章,需要你的鼓励
香港大学和加州大学伯克利分校的一项新研究显示,在没有人工标注数据的情况下,语言模型和视觉语言模型能够更好地泛化。这一发现挑战了大型语言模型社区的主流观点,即模型需要手工标注的训练样本。研究表明,过度依赖人工示例反而可能对模型的泛化能力产生负面影响。
OpenAI 发布了一款名为 Operator 的网络自动化工具,该工具使用名为计算机使用代理 (CUA) 的新 AI 模型来控制网络浏览器。Operator 通过视觉界面观察和交互屏幕元素,模仿人类操作方式执行任务。这项技术目前仍处于研究预览阶段,OpenAI 希望通过用户反馈来改进系统功能。
大型语言模型如 ChatGPT 展现了对话能力,但它们并不真正理解所使用的词汇。研究者们在冲绳科学技术大学构建了一个受大脑启发的人工智能模型,虽然其学习能力有限,但似乎掌握了词汇背后的概念。通过模仿婴儿学习语言的方式,研究团队将人工智能训练在一个能够与世界互动的机器人中,探索如何让人工智能实现类似人类的语言理解。
这篇文章介绍了利用人工智能设计新酶的成功案例,这种酶有潜力分解塑料。尽管生物学告诉我们,简单的化学反应可能非常复杂,但通过AI驱动的蛋白质设计,研究人员能够创造出与自然界不同的酶。研究表明,设计酶的过程虽然复杂,但可以在计算机上完成,未来可能会有更多的应用。