如何從 Lyft 的資料問題掘金出 Eventual？

“`html

人工智慧浪潮下，資料處理的挑戰如何催生新一代科技巨星？

在我們身處的人工智慧（簡稱 AI）時代，不斷演進的技術正以前所未有的速度改變世界。但你有沒有想過，這些令人驚嘆的人工智慧應用背後，最核心的燃料是什麼？答案就是資料，特別是那些龐大、複雜且型態多變的非結構化資料。然而，如何有效率地管理與處理這些看似雜亂無章的資料，卻是許多企業，甚至是一些科技巨頭都曾面臨的巨大挑戰。今天，我們將帶你深入探討一個引人入勝的真實案例：一家名為 Eventual 的新創公司，如何從叫車服務巨頭 Lyft 的一個內部技術困境中，洞察到解決多模態資料處理的巨大商機，進而開發出革命性的解決方案 Daft，並在蓬勃發展的人工智慧基礎設施市場中，確立了它的重要地位。這不僅是一個創業故事，更揭示了資料基礎設施在人工智慧時代的決定性作用。

Lyft 的資料困境：自動駕駛引爆的技術痛點

想像一下，一輛自動駕駛汽車需要處理多少資料？它必須同時辨識路況的影像、聽取環境的聲音、解讀三維雷射掃描的空間資訊，甚至可能還要理解地圖上的文字描述。這些形形色色的資料，我們稱之為多模態資料，而且它們大多是非結構化資料——不像傳統表格那樣規律。當叫車服務巨頭 Lyft 在積極開發其自動駕駛計畫時，就遭遇了這項巨大的挑戰。

Lyft 的工程師們發現，隨著自動駕駛技術的推進，他們產生了天文數字般的三維掃描、照片、文字、音訊等非結構化資料。然而，當時市場上缺乏一套能統一處理這些不同資料型態的工具。這導致工程師們耗費了大量時間在搭建和整合這些基礎設施上，而非專注於開發核心的自動駕駛應用。這就好比你蓋房子時，光是為了準備磚頭、水泥、鋼筋等各種材料，就花掉了大半的時間和精力，而沒有足夠的心力去設計房子的外觀和內部空間，是不是很不划算？

就在這個背景下，兩位在 Lyft 內部負責基礎設施的頂尖工程師——Sammy Sidhu 和 Jay Chia，決定親手解決這個問題。他們在公司內部開發出一套強大的多模態資料處理工具，幫助團隊更高效地處理這些複雜的資料。沒想到，這套內部工具的成功，不僅解決了 Lyft 的燃眉之急，也讓他們意識到，這項技術可能不只在 Lyft 內部有需求，而是整個科技產業的普遍痛點。

為了更清晰地了解 Lyft 面臨的挑戰，以下是一個多模態資料處理的主要類型與應用範疇：

• 影像資料： 用於辨識路況、障礙物及路標。
• 音訊資料： 用於接收環境聲音，如緊急車輛警報。
• 三維雷射掃描： 提供精確的空間資訊，協助導航與避障。
• 文字資料： 用於地圖標記及路徑說明。

從內部工具到開源巨頭：Eventual 與 Daft 的誕生

當 Sammy Sidhu 和 Jay Chia 意識到他們在 Lyft 內部開發的資料處理工具具備廣泛的市場潛力時，一個大膽的想法在他们心中萌芽：何不將這項技術商業化，幫助更多公司解決類似的問題？於是，他們在 2022 年共同創立了 Eventual 這家新創公司，致力於打造服務於人工智慧資料基礎設施的產品。他們的核心產品，就是一個名為 Daft 的開源資料處理引擎。

那麼，Daft 究竟是什麼呢？你可以把它想像成非結構化資料世界的「結構化查詢語言（SQL）」。大家都知道，SQL 是用來處理表格化資料的標準工具，它讓資料庫的查詢和管理變得非常簡單。Daft 的目標，就是讓處理影像、聲音、文字、三維模型等非結構化資料，也能像操作 SQL 一樣直觀、高效。這個引擎以程式語言 Python 為基礎，設計目的就是要能統一且高效地處理不同模態的資料。

以下是 Daft 的核心功能特色：

• 跨模態資料整合：支援多種資料型態的無縫整合。
• 高效查詢處理：類似 SQL 的查詢語言，簡化資料操作。
• 開源可擴展性：允許開發者根據需求擴展功能。

Eventual 成立的時間點非常有趣。他們其實在「生成式人工智慧」風靡全球的聊天機器人 ChatGPT 發布之前就已經創立。然而，隨著 ChatGPT 的爆紅，市場對於建構和訓練「多模態人工智慧」應用（例如能同時理解文字和影像的 AI）的需求急劇增加。這股熱潮就像一陣順風，顯著推升了 Daft 的使用量，讓 Eventual 的產品迅速在業界引起廣泛關注。他們的業務範圍也從最初的自動駕駛領域，擴展到了機器人、零售科技，甚至是醫療保健等多元產業。目前，Eventual 的客戶包括了像亞馬遜、CloudKitchens 和 Together AI 這樣知名的大企業，足以證明其技術的市場價值。

以下是 Eventual 在不同產業中的應用範例：

資本青睞與市場前景：多模態人工智慧的幕後英雄

當一家新創公司能在短時間內獲得多家知名創投的青睞，這背後一定有其獨特的價值。Eventual 在短短八個月內，就完成了兩輪重要的融資，包括由 CRV 領投的 750 萬美元種子輪，以及由 Felicis 領投，並有微軟 M12 和花旗銀行參與的 2000 萬美元 A 輪融資。總共募得了 2750 萬美元的資金，這可不是一筆小數目！

這些投資機構為什麼如此看好 Eventual 呢？主要原因有以下幾點：

• 領先優勢： Eventual 是多模態人工智慧資料基礎設施領域的先行者，搶先解決了市場上迫切的痛點。
• 創辦人背景： Sammy Sidhu 和 Jay Chia 曾在 Lyft 這類大型科技公司擁有第一手的實戰經驗，他們深知問題的癥結所在，並具備解決問題的能力。
• 市場潛力： 全球資料量在過去二十年內增長了千倍，其中近九成是非結構化形式。管理顧問公司 MarketsandMarkets 甚至預測，全球多模態人工智慧產業在 2023 年到 2028 年間，將以高達 35% 的複合年增長率擴張，這顯示了巨大的市場商機。

為了更直觀地理解 Eventual 的融資狀況，以下是其主要融資輪次的詳細資訊：

Eventual 獲得的新資金，將用於持續強化其開源產品 Daft，並開發更適合大型企業使用的商業化解決方案。他們的願景是，透過提供高效的資料處理工具，協助更多企業能夠更順利地建構、訓練與部署複雜的人工智慧應用，成為人工智慧時代幕後不可或缺的基礎設施英雄。

從 Lyft 經驗學到的啟示：資料基礎設施與產業變革

Eventual 的崛起，其實也讓我們看到了另一家公司——Lyft 的另一面。Lyft 不僅是 Eventual 故事的起點，它在商業上的遭遇，也為整個科技產業帶來了深刻的啟示。

自從 2019 年上市以來，Lyft 的市值已經暴跌了將近九成，目前約為 33.7 億美元，遠低於它總共募資的 72 億美元。儘管 2022 年營收達到 41 億美元，但淨虧損卻高達 16 億美元。面對如此嚴峻的財務挑戰，Lyft 的兩位共同創辦人 Logan Green 和 John Zimmer 辭去了管理職務，由前亞馬遜高階主管 David Risher 接任執行長。這被外界視為公司進入「戰時狀態」，預示著 Lyft 將採取積極的成本削減與組織重組措施。

Lyft 的案例，其實反映了過去幾年「廉價資金」時代結束後，許多曾經靠風險投資支持、長期虧損的企業所面臨的巨大壓力。在利率上升、資金成本增加的背景下，「燒錢換取增長」的商業模式正受到市場的嚴峻考驗。如果這些公司無法在短期內實現盈利，就可能面臨資金枯竭的風險，這對整個創投生態系統都敲響了警鐘。

以下是「燒錢換取增長」商業模式面臨的主要挑戰：

• 高資金消耗：持續的營運虧損導致資金迅速耗盡。
• 市場競爭加劇：新進者增加，市場份額被分割。
• 投資者信心下降：長期虧損影響投資者對公司的信心。

Eventual 的故事，則為我們展示了另一種可能性：當一家公司能夠精準地找到市場痛點，並提供真正有效的解決方案時，即使是從一家遇到困境的巨頭內部問題中萌芽，也能迸發出巨大的創新和商業價值。這再次印證了，在人工智慧和巨量資料的時代，資料基礎設施的重要性不言而喻，它才是推動科技進步、實現應用落地的關鍵基石。

結語

透過 Eventual 與 Lyft 的故事，我們可以看到，當今世界正快速發展的人工智慧技術，與龐大且複雜的多模態資料處理能力密不可分。Eventual 及其核心產品 Daft，正是為了解決資料難題而生，它不僅證明了從企業內部痛點發掘外部商機的巨大潛力，更在人工智慧資料基礎設施領域扮演了關鍵角色。隨著全球對生成式人工智慧和多模態 AI 應用的需求持續增長，像 Daft 這樣的工具無疑將在重塑資料處理範式、賦能未來 AI 應用方面，具備巨大的發展潛力。

人工智慧的發展，不僅僅是演算法的進步，更是底層資料基礎建設的競賽。Eventual 的成功，正是一個活生生的例子，告訴我們誰能更好地管理和利用資料，誰就能在未來的科技浪潮中脫穎而出。這是一個值得我們持續關注的領域。

【重要免責聲明】本文旨在提供財經與科技領域的知識性與教育性資訊，不構成任何投資建議。投資有風險，請您在做出任何投資決策前，務必諮詢專業的財務顧問，並自行評估風險。

常見問題（FAQ）

Q：什麼是多模態資料處理？

A：多模態資料處理指的是同時處理和分析來自不同來源和形式的數據，例如影像、聲音、文字和三維模型，以提升資料解析和應用的效能。

Q：Daft 與傳統 SQL 有何不同？

A：Daft 是專為處理非結構化多模態資料設計的引擎，類似於 SQL 在結構化資料中的作用，但 Daft 可有效整合和處理影像、聲音、文字等多種資料型態。

Q：Eventual 的產品如何幫助企業提升 AI 應用？

A：Eventual 的 Daft 引擎提供高效的資料處理解決方案，使企業能更快速地整合和分析多模態資料，從而加速 AI 模型的訓練和應用部署。

“`