信息來源：generalist，作者：Mario Gabriele
大佬、投資人們（Reid Hoffman, Saam Motamedi, Sarah Guo, Lan Xuezhao, Matt Turck, Leigh Marie Braswell, Nathan BenAIch, Rob Toews, Cat Wu, and Michael Dempsey）強調了需要關注的人工智慧趨勢。
可行性見解
如果你只有幾分鐘的時間，下面是投資人、運營者和創始人應該了解的最令人興奮的人工智慧趨勢。
- 一切的副駕駛。人工智慧已經在簡化插圖、寫作和編程。它可能很快成為所有知識工作者的助手。在未來，我們可能會有GitHub的 「Copilot」功能的版本，用於律師、金融分析師、建築師，以及其他。
- 追蹤價值累積。由於人工智慧初創公司經常依賴公開可用的模型，如GPT-3或Codex，一些人質疑其可辯護性。根本的問題是圍繞著價值累積的問題。利用GPT-3的應用會成功地獲取價值嗎？或者它將累積到基礎設施層？
- 超越文字和圖像。GPT-3和DALLE-2因其自動創建文本和圖像的能力而引起了應有的關注。不過，人工智慧最有影響的用途可能來自於生命科學。人工智慧可以被用來設計更好的藥品或進行更有效的臨床試驗。
- 改善界面。與人工智慧的互動通常採取一個基本文本框的形式，用戶在其中輸入 「提示」。雖然使用簡單，但可能需要更大的控制來釋放技術的力量。挑戰將是在不引入不必要的複雜性的情況下實現這種潛力。應用程式將需要流暢的、有創意的界面才能蓬勃發展。
- 解決勞動力短缺的問題。隨著社會需求的增加，熟練的勞動者供不應求。例如，雖然對熟練焊工的需求每年增加4%，但供應卻減少了7%。由人工智慧驅動的機器人可能是解決方案的一部分，使焊接、建築和其他手工任務自動化。
「這次是不同的。」
John Templeton爵士，1999年被《金錢》雜誌評為 「世紀炒股者」，把上面這句話稱為 「投資中最危險的四個字」。
這是一個很好的諷刺，也是一個公平的觀點。市場充滿了海市蜃樓，看似異常的情況可能表明自己只不過是平凡的投資者罷了，大家都在一個熟悉的、重複的周期中運動而已。
不過，有時候，事情真的不一樣。有時，一個微小的、有希望的微光會產生持久的火焰。有時，世界會被真正地改變。
風險投資界的看法是，當涉及到人工智慧（AI）時，我們可能正處於這樣一個時刻中。在過去的一年裡，新模式和初創企業遍地開花，公眾的興趣也在增加。雖然該領域的風險投資隨著更廣泛的市場回落而放緩，但今天與風險投資商談論他們最興奮的是什麼，生成性人工智慧經常被提及。
與以往一樣，我們有可能把這段時間看成是虛假的黎明——資本在冷卻中尋找熱度的結果。但這感覺不太可能。我的第一份風險投資工作是在2016年，當時所有其他投標書都聲稱有一些人工智慧的優勢，而聊天機器人被視為用戶體驗的演變。玩DALLE-2、GPT-3和 Stable Diffusion的感覺與那個時代明顯不同，相當於從一個會說話的娃娃變成了一個早熟的幼兒。人工智慧正在釋放真正的創造力和真正的商業價值，產生新穎的圖像、合理的寫作和可用的代碼。隨著改進後的模型取代前者，以及初創企業確定利用它們的新方法，創新和實驗的龐大數量往往讓人感到難以跟上。有一天，可能性的視野看起來很遙遠，幾周後又突然很接近。
為了更好地了解這個行業的狀況，我請十位有思想的人工智慧投資者分享他們認為值得關注的趨勢。我希望這能幫助我們（包括我自己）更好地確定機會領域和值得進一步研究的話題。
關於這些合作是如何形成的，請注意：
雖然投資者知道其他投稿人在寫什麼，並被鼓勵挑選不同的主題，但我發現某種程度的重疊往往是有趣的。兩個投資者可能會對一個類似的主題進行非常不同的分析，而我發現他們的區別是有價值的。
此外，我有意不排除投資者提及他們所投資的公司。一切都是權衡利弊的問題，我相信好處多於感知的成本。這種做法的缺點是，投資者可能會被視為 「大談特談」。首先，我們選擇我認為有思想和可靠的貢獻者。其次，讓投資者挑選他們最熟悉、研究最深入的公司，這更有意思。這也要求他們在喜愛的公司中進行選擇。最後，這表明他們在遊戲中占有一席之地，因為他們將他們的信念資本化了。
綜上所述，讓我們一起走進人工智慧的兔子洞，了解新技術如何影響我們的思想、身體和機器。
趨勢：人類工作的提升
AI有沒有像 「藝術家」那樣典型的右腦職業？或者像 「程式設計師」那樣的左腦？
對我們來說，過去一年的快速發展，特別是大型語言模型的快速發展，非常了不起，因為它們現在正在為輔助工具提供動力，從根本上提高了各行各業的生產力、影響力和價值。
對於藝術家來說，我們已經有了人工智慧圖像生成工具，如OpenAI的DALL-E、Midjourney和其他許多工具。對於程式設計師，我們已經有了微軟的Github Copilot，它可以幫助軟體開發者用許多目前最流行的計算機語言編寫、測試和完善代碼。
雖然一些人工智慧懷疑論者將大型語言模型描述為粗暴的預測機器，不會給計算機注入任何類似人類智慧或意識的東西，但我們看到的是，在令人震驚的實踐中，這些類型的人工智慧工具已經開始深刻地提高人類的繁榮。
Copilot為開發者所做的，以及DALL-E為各種視覺創意者所做的，是減少或消除了他們工作中的重複的、耗時的、但仍然是關鍵的方面。當然，這種動力幾乎不是軟體開發者和藝術家所獨有的。大型語言模型是在大量文本數據的基礎上訓練出來的，然後結合它們 「學到的東西」，為用戶提供的提示生成統計上可能的（背景合理的）輸出。因此，雖然Github Copilot是通過攝取大量的計算機代碼來訓練的，但不同版本的Copilot同樣可能適用於幾乎任何行業。
例如，律師的Copilot可以幫助他們根據自然語言查詢、以前的案例和最佳做法起草合同、動議、簡報和其他法律文件。它還可以建議相關的先例、法規和引文，或者指出現有文件中的潛在錯誤、不一致或風險。
建築師的Copilot可以幫助他們設計、建模，並根據他們的規格、約束和目標來優化他們的建築和結構。它還可以生成交互式可視化，並幫助確定項目的環境、社會和經濟影響的範圍。
想像一下，在這個世界裡，數以千計的行業的專業人士使用特定領域的Copilot版本，以更快更高的速度達到生產力、準確性和創造性的新水平。在這樣一個世界裡，所有行業的專業人士都可以使用通用工具，如我們的投資組合公司Adept的Action Transformer，通過接口來利用每一個應用程式、API或軟體程序的力量，使他們能夠用簡單的語言描述他們想要完成的任務。
在對未來的反烏托邦式的設想中，一般的技術，特別是人工智慧，往往被描述為將導致一個更加兩極分化的世界，即富人和窮人的世界，人類的大部分被剝奪了權利，被邊緣化，被機器所迫害。
在我們今天實際看到的世界中，新的人工智慧工具以前所未有的方式有效地使設施和效率民主化。在這樣做的過程中，他們正在賦予個人專業人員實現新的生產力水平，同時使社會實現生產力的提高，可能會超過工業革命所釋放出來的。不僅如此，人們還將發現他們的工作更有吸引力和成就感，因為他們將有更多的時間專注於最具創造性、戰略性和新穎性的方面。
未來就在這裡。在五年內，每個主要行業都會有一個人工智慧放大工具。這些工具可以催化人類在各種職業中的卓越表現，它像人類的右腦、左腦和任何大腦。
- Greylock公司聯合創始人Reid Hoffman和Greylock公司合伙人Saam Motamedi
趨勢：生成性人工智慧和生命科學
這又是一個人工智慧的熱潮。我們看到新的研究集體的崛起，它們以前所未有的速度開放了由大型中心化實驗室開發的突破性人工智慧模型。雖然這些文本到圖像/視頻模型提供了病毒式的消費級產品，吸引了我們的想像力，但這些模型的最有影響力的應用不太可能是它們的一階效應。我相信建設的地方是在人工智慧和科學的交叉點，特別是在生命科學領域。
今天的科學方法深深紮根於數據驅動的實驗。我們能夠產生的解釋生物系統的數據的解析度和規模正在不斷提高，同時我們繼續開發能夠對人類語言、自然圖像或社交圖譜進行建模的人工智慧模型架構。這些架構可以直接轉移到對蛋白質的語言、細胞的圖像或化學分子圖的建模。這種不可思議的泛化能力現在正在解鎖蛋白質結構預測和藥物分子設計方面的突破。人工智慧正在推動新一代技術驅動的生物技術公司（「TechBio」）向價值數萬億美元的製藥業發起進攻，以更快的速度和更低的成本提供改良藥物。
通過Air Street Capital，我對推動這一行業發展的公司進行了大量投資。我支持的公司之一是Valence Discovery，該公司開發了生成設計方法，以創造新類別的有效藥物分子，以前由於必要的設計複雜性而無法實現。Valence公司正在與領先的研究機構合作開展超大規模的生成化學計劃，以推動當今用於藥物設計的生成性人工智慧方法的邊界。
這個領域的一位創始人是Ali Madani，他在Salesforce Research領導了一個名為ProGen的人工智慧蛋白質工程。在那裡，他開發了大型語言模型，專門用於設計全新的人工蛋白質，以重現甚至超越其自然發生的同行的功能。該小組製作了第一個人工智慧生成的蛋白質的三維晶體結構。蛋白質是所有生命的功能執行者，像這樣的技術可能釋放出巨大的可能性。
- Nathan Benaich，Air Street Capital的普通合伙人
趨勢：協作性界面
大型語言模型（LLMs）是我們所見過的最強大的工具之一。我們仍然在集體測試這些模型的指令界限。巧妙的提示工程已迅速成為書呆子們的運動。(「讓我們一步一步地思考」的提示幾乎滑稽地增強了模型推理能力)。
但是，自然語言並不是萬能的，我們仍然在盲目地發布命令，沒有什麼使用手冊。用戶在提示中沒有指導性的、連貫的抽象概念，沒有明顯的地圖來導航模型的 「潛在空間」，有的只是大量的試錯和巧妙的技巧。
那些已經開始為狹窄的用例找出用戶體驗簡化的初創公司已經獲得了回報。一個例子是Jasper的模板化提示，用於製作營銷副本。我們還處於早期階段，大多數語言模型產品向用戶暴露了 「採樣步驟」和 「種子」不透明的概念，就說明了這一點。
每個能上網的人很快就會在日常工作中間接地使用大型語言模型。至少，搜索將被破壞得面目全非，按需提供答案和摘要。我們還應該看到基於LLM的工具被設計為更多的掌握和更深入的互動。創意人已經希望生成的圖像在結構上是可操作的，而工人們則希望有值得信賴的輸出（沒有亂七八糟的聯想）。許多人可能希望他們的人工智慧助手能接受特定知識的教育。這些都是複雜的「心靈自行車」，它將為知識工作者釋放生產力。
Ilya Sutskever認為 「提示」是一個短暫的術語，只是由於我們模型中的缺陷才有意義。我希望他是對的（鑑於他通常是對的），我們的模型將越來越能夠理解意圖。但一個根本問題是，人類的意圖並不總是確定的；它往往是反覆的、探索性的。隨著模型從事需要這種思考的更複雜的任務，我的預感是，理解工作流程並使更多的控制和反饋適合該工作流程將對創造最終用戶價值至關重要。改善用戶體驗的早期想法包括模板、在各代人之間進行選擇的用戶界面、添加更多約束的能力、對上下文長度的控制、鏈式流程中的中間控制，以及暴露模型的 「思維過程」。
一些企業家和投資者對圍繞別人的模型是否有商業價值感到絕望，但我們才開始了解如何與人工智慧互動。圍繞的領域可能會有變化，研究人員不太可能解決每個用戶角色的需求。這些強大的模型的唯一界面將永遠是一個簡單的、靜態的文本框嗎？我認為不會！這就是一個產品機會。
- Sarah Guo，Conviction的創始人
趨勢：人工智慧視頻創作
生成式人工智慧現在風頭正勁，而且有充分的理由證明它如此的令人興奮。撇開技術能力不談，通常的商業問題也適用：你能不能用生成性人工智慧打造一個解決問題的產品，而且比其他方式好10倍？你能隨著時間的推移建立一個可防禦的競爭優勢嗎？
在我（有偏見）看來，視頻創作平台Synthesia是一個很好的例子，說明如何在生成性人工智慧的基礎上建立一個令人興奮的業務。使用Synthesia，用戶輸入幾行文字，點擊幾個按鈕，然後就可以了。一個專業的視頻就會出現，並有一個人類化身在幾分鐘內對文本進行敘述（注意，是用60種語言）。
Synthesia被用於各種企業用例，特別是在入職和培訓方面有吸引力。對於許多客戶來說，替代方案歷來是發送很少有人閱讀的長篇PDF文件，或者花費數十萬美元使用演員、導演、攝像機和後期製作來製作專業視頻。
Synthesia使用生成性人工智慧，大大減少了製作商業視頻所需的精力、時間和金錢，可能是100倍，並使任何人都能做到這一點。此外，它還建立了自己的專有人工智慧技術——它的兩位聯合創始人是人工智慧教授，而且它有一個強大的內部研究小組。雖然它已經利用了大型語言模型，但該公司避免了在GPT-3上直接構建應用的初創公司遲早會面臨的平台依賴性，為長期可防禦的競爭優勢和類別領導地位鋪平了道路。
- Matt Turck，FirstMark的總經理
趨勢：自動代碼生成和應用開發
現代機器學習（ML）的進展速度似乎一直很快；僅在十年前，一個深度學習模型首次贏得了最受歡迎的計算機視覺比賽。然而，當GitHub在2021年底發布他們的 「AI pair programmer」Copilot產品時，許多人（甚至一些從事ML工作的人，比如我自己！）都感到震驚，今天的深度學習模型已經可以為高度熟練的軟體開發者自動完成代碼。在開發者用於編程的界面內，Copilot建議如何完成一行代碼，甚至從對該代碼應該做什麼的純文本描述中生成多行代碼。一些使用第一版Copilot的工程師聲稱它每天為他們節省了幾個小時，甚至寫了40%的代碼。
Copilot是使用OpenAI的Codex的大型語言模型（LLM）建立的，該模型將自然語言翻譯成許多流行的程式語言，並使用數以千萬計的公共GitHub代碼庫進行訓練。就背景而言，OpenAI是一家位於舊金山的人工智慧研究公司；它於2015年作為非營利機構成立，在2019年使自己成為營利機構，然後從微軟（在2018年收購了Github）那裡籌集了10億美元，以資助其研究。作為回報，微軟獲得了對OpenAI的一些LLM的獨家訪問權，包括Codex。
最終，Copilot提供了令人信服的證明，即當前的ML能力可以自動生成越來越多的代碼和應用開發。新成立的初創公司和成熟的公司已經開始解決產品建設經驗的多個部分，包括自動代碼審查、代碼質量改進、shell命令自動完成、文檔，甚至是前端和網站生成。
在這一領域建設的早期創業公司的一個例子是Grit。Grit完成了任何公司最可怕的工程任務，通常稱為 「技術債務」。這種債務是在開發者為了更快地推出功能而採取編碼捷徑，犧牲長期可靠性和性能的情況下積累的。Grit的產品就像一個自動化的程式設計師，可以修復許多常見的問題，並通過人類對建議的代碼修改的反饋進行改進。通過將靜態分析與LLMs相結合，Grit的願景是創建自我維護的軟體。
鑑於這項技術有可能徹底改變軟體開發，多個投資者已經編制了相關的公司名單，還有許多其他初創公司正在隱秘地建設。其中一些初創公司建立在Codex API的基礎上，旨在通過獨特的產品體驗和專有數據飛輪來發展差異化。其他公司正在從頭開始建立自己的模型，或對開源模型進行微調。隨著這些公司的成熟，大部分的價值將在哪裡產生將變得更加明顯，要麼是人工智慧基礎設施供應商，要麼是人工智慧應用程式本身。
* 免責聲明：創始人基金和作者是Grit的投資者。
- Leigh Marie Braswell, Founders Fund的負責人
趨勢：臨床試驗中的數字孿生
人工智慧將改變我們使用藥品來治療人類疾病的方式。
當人們想到人工智慧和製藥時，最常跳到腦海中的應用是人工智慧用於藥物發現。(理由很充分：人工智慧驅動的藥物發現具有巨大的潛力）。
但是，還有一個引人注目的機器學習用例，雖然沒有被廣泛報導（也沒有被熱心資助），但有望為數百萬患者更快、更有效地將改變生命的療法推向市場。這就是臨床試驗中數字孿生的使用。
眾所周知，今天的臨床試驗是多麼的低效和昂貴，一般的新藥需要十年以上的時間和20億美元才能推向市場。招募試驗參與者是指導藥物通過臨床試驗的一個主要絆腳石。一項臨床試驗需要招募數百或數千名志願者來填充其實驗和對照（或安慰劑）部分。這已經成為一個重要的瓶頸。80%的臨床試驗經歷了與招募有關的延誤，試驗主辦方每推遲一天，就會損失800萬美元的潛在收入。每年有數以百計的臨床試驗因患者註冊人數不足而終止；事實上，這是臨床試驗被終止的首要原因。
「數字孿生」為這一挑戰提供了一個變革性的解決方案。基本概念很簡單：生成的機器學習模型可以模擬臨床試驗中患者的安慰劑結果。這可以在患者個人層面上完成：可以為試驗中實驗組的每個人類試驗參與者創建一個數字孿生，模擬他們在對照組的表現。
至關重要的是，這意味著製藥公司需要招募的人類參與者要少得多，因為大部分對照組的病人可以被數字孿生所取代。這使得臨床試驗明顯更快、更便宜，使改變生命的療法能夠更快地進入市場，並惠及數百萬需要的患者。
總部位於舊金山的Unlearn是一家處於這一變革性技術前沿的人工智慧初創公司。Unlearn目前正在與一些世界上最大的製藥公司合作，包括默克公司，該公司正在部署該創業公司的數字孿生技術以加速其臨床試驗。今年早些時候，歐洲醫療機構（歐洲版的美國食品和藥物管理局）正式簽署了Unlearn的技術用於臨床試驗，這是對該技術準備廣泛部署的主要監管驗證。
幾年後，預計製藥和生物技術公司將把數字孿生作為其臨床試驗方案的一部分，以簡化治療方法的上市路徑，這將成為標準做法。
值得注意的是，用於臨床試驗的數字孿生代表了生成性人工智慧的一個引人注目的例子（儘管它與今天熱鬧的文本到圖像模型毫無關係）。為單個病人產生模擬的安慰劑結果是一個很好的例子，說明生成式機器學習模型可以對現實世界產生巨大影響，並創造數十億美元的價值。
* 免責聲明：作者是Radical Ventures的合伙人，是Unlearn的投資者。
- Rob Toews，Radical Ventures的合伙人
趨勢：為工作流程而來，為個性化而去
隨著越來越多的用戶與生成性人工智慧模型互動，我們對人工智慧最能立即解決的問題有了更深入的了解：那些我們已經有大量訓練數據的問題；那些99%的時候得到正確答案是非常有用的，而錯誤的1%不會是災難性的；以及那些基礎模型可以不斷地吸收人類的反饋，並隨著時間的推移變得更好。隨著人工智慧跨越鴻溝進入主流，直觀的工作流程將推動大規模的採用，使那些不太熟悉人工智慧的人能夠迅速開始看到價值。
在下一代人工智慧初創企業中，最好的產品將由專注於工作流程設計和基於用戶反饋的模型微調的創始人創造。
符合這一模式的兩類初創企業是人工智慧代理和人工智慧增強的SaaS。人工智慧代理將完成重複性的知識工作——無論是作為一名律師、工程師、會計師還是醫生。人工智慧增強的SaaS將依賴於人工智慧層，從現有的工作流程中獲得更多的價值，例如，在已經收集音頻數據的平台上增加轉錄和總結，或者增加語言界面以簡化SaaS應用程式。在這兩種情況下，人類仍將進行監督，以保證輸出質量。用戶將提供積極和消極的反饋，這些反饋將被捕獲並用於調整模型。
勝出的創始人將設計出界面和工作流程，通過在目前的提示和自動完成模式的基礎上進行創新，給予用戶高度的控制和低認知開銷。這些工作流程將通過模板或專門的可組合模式加速普通用例，同時確保為不常見的邊緣用例提供 「break-glass」選項。用戶不必了解模型是如何工作的，也不必為它塑造自己。而當用戶與產品互動時，被接受的答案所產生的數據會自動反饋到數據飛輪中，從而推動個性化和保留。
這些初創公司將專注於他們的核心競爭力，並將通用人工智慧模型的開發留給研究實驗室和開源社區，後者已經發布了非常有能力的模型。我們已經看到像Stable Diffusion這樣的文本到圖像模型，像Whisper這樣的音頻轉錄模型，以及GPT-J和GPT-Neo這樣的語言模型。初創公司將利用人工智慧研究的最新進展，在新模型可用時將其換上，並根據歷史上的專有用戶反饋進行微調。今天的限制是產品設計師專注於界面，使非AI意識的消費者容易參與並迅速從模型中獲得價值。護城河將在全面的工作流程和用戶參與這些模型時收集的數據中，這將為更強大的未來模型提供信息。
- Cat Wu, Index Ventures的合伙人
趨勢：鏈式提示和多步驟自動化
現在，許多人已經體驗到了提示界面的力量，以及大型語言模型（LLMs）所能帶來的各種創造性和實用性的使用案例，現在是時候深入一層了。作為一個用戶，提示界面和LLM的魅力在於它們可以解釋意圖並導致行動。到目前為止，我們主要看到的是單人遊戲體驗推動的非常具體或一對一的任務成就，如圖像生成、文本完成等等。接下來，我們將看到人們建立起將提示鏈在一起的基礎設施，使我們能夠實現多步驟的行動（通過LLM和/或最終與API的互動），並解鎖大量的投資回報率。
這對消費者和企業用例都有各種影響。雖然有些是簡單的使用案例，可能沒有風險規模（例如：「給我在布魯克林南部的一家安靜而浪漫的亞洲餐廳預訂周二下午6-8點的座位」），但其他案例可以為運營、採購、數據分析等任務提供實質性的幫助。
在消費者方面，我們可能會看到這些用例中的每一個都成為更多橫向遊戲的楔子。在企業方面，這些行動可能被磨練得更加針對行業或背景，難以整合的或專有的數據管道將發揮更大作用。
將提示和不同類型的模型串聯起來的概念（並不總是需要），也有助於繞過今天像GPT-3這樣更多的API驅動的模型的一些現有限制，在那裡，模型的記憶是相當靜態的，因為你可以查詢信息，總結它，然後以你想要的方式利用結果。這方面的一個例子是創建新的搜尋引擎這樣的用例，就像最近在webGPT上做的那樣。
總的來說，我們才剛剛開始了解前者所實現的鏈式提示或連續行動如何在人工智慧和可能的（一些）人類智慧的幫助下，推進更先進的工作流程、新型的軟體產品，以及解決常見問題的新的界面範例。
- Michael Dempsey, Compound公司的管理合伙人
趨勢：解決現實世界挑戰的工業自動化
我們都讀過關於人工智慧模型的最新突破，如DALL-E 2，GPT-3，等等。企業正在因為這些創新而被重新想像，一些開發者和設計師為他們的工作而擔憂。與此同時，在辦公室之外，在餐館、建築工地和工廠等地方，我們正面臨著我們一生中最嚴重的勞動力短缺問題。
舉例來說，焊工的平均年齡是55歲。每年，熟練的人類焊工減少7%，而對這些焊工的需求卻增加4%。到2024年，僅在美國就會有40萬個人類焊工的空缺。
這就是為什麼像Path Robotics這樣將熟練勞動力自動化的公司是如此關鍵。Path使公司能夠使用現成的機器人來自主焊接新型零件，而不需要耗時和昂貴的重新編程。今天，Path為客戶實現了各種金屬應用的自主焊接，從電線桿到液壓油箱到消聲器。有了它的軟體，機器人可以通過視覺來學習焊接，而不是用代碼來教他們如何焊接。這使該公司能夠通過視覺質量保證檢查來提高性能。在未來，Path的核心技術適用於許多其他製造任務。
同樣，當勞動力短缺與供應鏈挑戰相結合時，事情會變得更加糟糕，正如現在建築業所看到的那樣。這種痛苦的組合使家庭或商業地產所有者無法按時完成建築項目。Ergeon正在利用先進的人工智慧實現圍欄建設的整個施工過程的自動化，以實現遠程測量和自動化設計、報價等。這項技術使該公司完成項目的速度比一般的承包商快10倍。他們已經建立了世界上最大的房屋建築資料庫之一，並授權任何人進行建設。
雖然不經常討論，但許多1000億美元的企業將在我們的辦公室外建成。這是一個千載難逢的機會，可以重新想像我們辦公桌和電腦之外的世界，我們對此感到無比興奮。
* 免責聲明：Basis Set是Path和Ergeon的投資者。
- Lan Xuezhao，Basis Set公司的創始人