Safe Sign Technologies 创始人谈将一家尚无收入的 AI 初创公司出售给 Thomson Reuters
要点速览
- •Thomson Reuters 在 Safe Sign Technologies 尚未产生任何收入之前将其收购,成为这家收购方 174 年历史上的首笔尚无收入公司收购交易。
- •Safe Sign Technologies 的研究重点是开发一种专有 AI 模型,优先考虑法律应用中的安全性、稳健性和可靠性;在这些场景中,伪造引用或误读法规可能造成专业层面的损害。
- •在遭到英国支持者反复拒绝后,Safe Sign 的几乎所有资本都来自北美投资者,反映出创始人观察到的美国与英国投资者态度之间的文化差异。
- •这位创始人在 Allen & Overy 接受律师培训的同时创办 Safe Sign,并在法律工作之外利用清晨和夜晚推进创业项目。
- •这位创始人如今认为,AI 评测基础设施、持续学习记忆系统以及面向 AI-for-science 实验室的专业工具,是整个 AI 行业中严重缺乏资本投入的关键领域。

当他成长的那栋建筑面临拆除时,Safe Sign Technologies 的创始人学到了一课关于坚持的经验;这后来塑造了他创办 AI 公司的方式——而这家公司在尚未赚到一美元收入之前,就被 Thomson Reuters 收购。
Rollins House 是伦敦东南部一座破旧的 Art Deco 风格旧工厂,曾是他母亲的住所,也是他长大的地方。当一家开发商想把这块地用于建造公寓时,这个家庭面临一场他们负担不起的法律斗争。十几岁时,他在学校考试间隙自学规划法,翻阅无人碰过的档案,并整理出一份法律先例材料。面对一个议会小组,并与一家经验丰富的律师事务所对阵时,他陈述了案情——并赢了。这段经历让他相信,严谨细致的研究以及直面悬殊胜算的意愿,能够决定结果。
十年后,同样的心态在与 Thomson Reuters 的谈判中再次受到考验。Thomson Reuters 是一家全球信息与技术集团,其法律、税务和会计服务使其成为全球最大的专业信息公司之一;该公司当时希望收购他的 AI 研究初创公司 Safe Sign Technologies。
走到这一步并不容易。在 Allen & Overy 接受律师培训期间,他同时兼职创办 Safe Sign——每天早上 4:30 起床为公司工作,随后参加一整天的法律培训,晚上再回到创业工作中。他指出,Allen & Overy 对此非常宽容,尽管这样的日程并不可持续。
Safe Sign 曾多次几乎在一夜之间耗尽资金,早上就需要新的融资。公司的最初计划——一款面向消费者的法律产品——未能吸引投资者。在遭到本地支持者反复拒绝后,他带着名下仅有的 £200 飞往 New York。最终,公司的几乎所有资本都来自北美投资者,而非 UK。他观察到一种文化差异:美国投资者往往会问“how can I help?”,而英国投资者则会问“how will this fail?”
在筹到足以继续运营的资金后,Safe Sign 完全放弃了追逐收入,转而把精力投入到构建专有 AI 模型上。这一决定意味着把所有资源投入到一支来自 Cambridge、MIT 和 Harvard 的小团队中,并一再告诉投资者,公司在相当长时间内都不会有实质性收入。大多数支持者因此失去了兴趣。
公司的研究聚焦于安全性、稳健性和可靠性——这些属性在法律应用中尤其重要,因为如果 AI 系统伪造案例引用或误读法规文字,可能会直接造成专业层面的损害。Safe Sign 以极低预算打造出具有差异化表现的模型,瞄准通用语言模型与法律实践所要求的可靠性门槛之间的差距。当 Safe Sign 分享强劲的内部结果后,Thomson Reuters 的风险投资部门在几分钟内作出回应。
成立二十个月后,Safe Sign 成为 Thomson Reuters 174 年历史上首个尚无收入即被收购的公司,并跻身 2024 年欧洲较重要的交易之列。Thomson Reuters 一直在其法律和税务平台上大力投资 AI;在既有法律科技提供商竞相将生成式 AI 整合进专业工作流之际,该公司看到了 Safe Sign 的研究团队和模型架构能够加强其市场地位。这笔收购金额对于一家从未记录收入的公司而言足以改变人生。
这位创始人指出,这一结果与初创行业的许多传统认知相悖;这些认知强调收入增长、融资规模和创始人曝光度等可见指标。在他看来,机构型收购方奖励的是工作的深度——只有在仔细审视之下才会显现出来的实质价值。
如今作为投资人活跃的他表示,自己的主要职责是区分表象与真正价值。他指出,市场反复犯下的一个错误,正是早期英国投资者在 Safe Sign 身上犯过的错误:根据融资路演材料而不是核心防御能力来判断初创公司。
他认为,尽管市场已经更善于为科学定价,但这主要适用于高曝光领域:大型模型、知名实验室以及能够推动估值的著名科学家。他主张,更大的机会在于其下方的层级——那些为前沿 AI 实验室本身解决难题的技术。
他指出了几个仍然明显缺乏资本投入的挑战领域。其一是用于测试 AI 系统能力的基础设施:任何关于某个模型通过考试或表现优于专业人士的说法,都依赖于有人构建了这项评估;而设计无法被投机取巧的评测,是该领域最困难的问题之一。其二是记忆——如今的 AI 系统每次对话都从零开始,而人类专业能力中几乎所有有价值的部分都来自积累。这个解决方案常被轻描淡写地视为给聊天机器人加一个数据库,但持续学习仍然是机器学习中一个根本未解决的问题。第三个领域是他所称的“neolab enablement”:早期 AI-for-science 实验室需要但无法自行构建的专业工具,这些工具要求具备与其所支持的科学同等深度的领域知识。
这些类别——工具、存储和服务——常被市场视为常规基础设施而忽视。他认为,它们代表了该领域中更困难的一些问题,每一项都在无声地阻碍前沿实验室,而涌入 AI 的资本几乎没有流向这些方向。
这位创始人把这种对比重新拉回 Rollins House:那份无人阅读的材料、那个所有人都以为必败的案子,以及在任何人足够仔细审视之前就已经真实存在的价值。他的母亲仍住在那栋楼里;它一如既往地矗立着——乍看平凡无奇,却远比外表所显示的更有价值。
Fortune.com 评论文章中表达的观点仅代表作者本人观点,并不一定反映 Fortune 的观点和信念。
本文最初刊载于 Fortune.com。