HI-FI 路線圖
如前所述，任何技術的成熟度和市場準備情況都取決於它處理邊緣情況的能力。對於 AI，F1 分數可能是成熟度的有用近似值。同樣，對於網絡和雲等之前的數字創新浪潮，我們可以將它們的正常運行時間作為成熟的信號。
作為一項已有 30 年曆史的技術，網絡是最可靠的數字體驗之一。谷歌和 Gmail 等最成熟的網站的目標是 99.999% 的正常運行時間（五個九），這意味著該服務每年不可用的時間不超過六分鐘。這有時會被大量忽略，例如 2018 年 YouTube 的 62 分鐘中斷或 2020 年 Gmail 的 6 小時中斷。
在網絡時代大約一半的時候，雲的可靠性降低了。 Amazon AWS 提供的大多數服務的正常運行時間 SLA 為 99.99%，即四個 9。這比 Gmail 少一個數量級，但仍然非常高。
幾點觀察：
需要數十年：上述示例表明，通常需要數十年才能提升邊緣案例成熟度階梯。
一些用例特別具有挑戰性：robo-taxi（六個九）所需的極高水平的邊緣案例性能甚至超過了 Gmail。請記住，自動駕駛也可以在類似於雲服務的計算機上運行。然而，機器人出租車所需的正常運行時間必須超過當前的網絡和雲服務所能達到的水平！
狹義應用勝過通用：Web 應用是針對雲服務的狹義用例。因此，Web 服務可以實現比雲服務更高的正常運行時間，因為技術越通用，就越難以強化。
案例研究：並非所有的自治都是平等的
離開自動駕駛汽車團隊創辦公司的谷歌工程師有一個共同的論點：狹義的自動駕駛應用比一般的自動駕駛更容易商業化。 2017 年，Aurora 成立，旨在通過高速公路上的長途卡車運輸貨物。大約在同一時間，成立了 Nuro，以使用小型汽車以較慢的速度運輸貨物。
當我們開始在 Postmates 內部（也是在 2017 年）時，我們的團隊也分享了這篇論文。我們的重點也一直是運輸貨物，但與其他人不同的是，我們選擇將汽車拋在後面，而是專注於在街道外操作的小型機器人：自主移動機器人 (AMR)。這些在受控環境中被廣泛採用，例如工廠車間和倉庫。
考慮送貨機器人的紅燈檢測。雖然考慮到與車輛發生碰撞的風險，他們不應該在紅燈上越過，但保守地在綠燈上停車不會帶來安全風險。因此，與機器人出租車相似的召回率 (99.9999%) 以及適度的精度 (80%) 足以滿足此 AI 用例的需求。這導致 F1 為 90%（一九），這很容易實現。通過從街道移動到人行道，從全尺寸汽車移動到小型機器人，所需的人工智能精度將 6 個 9 降低到 1 個。
機器人來了
交付 AMR 是城市自治的第一個商業化應用，而機器人出租車仍在等待高保真 AI 性能無法實現。這個行業的進步速度，以及我們過去五年的經驗，強化了我們的觀點，即人工智能商業化的最佳方式是專注於低保真人工智能支持的更窄應用，並通過人工干預來實現高保真度。 -fi 需要時的性能。在這個模型中，低保真人工智能導致早期商業化，之後的增量改進有助於推動業務 KPI。
通過針對更寬容的用例，企業可以使用低保真人工智能及早實現商業成功，同時保持對實現高保真功能的多年時間表的現實看法。畢竟，科幻在商業規劃中沒有立足之地。