Safe Sign Technologies 創辦人談將尚未營收的 AI 新創出售給 Thomson Reuters
重點速覽
- •Thomson Reuters 在 Safe Sign Technologies 尚未產生任何營收前收購該公司,成為收購方 174 年歷史上首筆尚未營收公司的交易。
- •Safe Sign Technologies 的研究聚焦於開發專有 AI 模型,優先考量法律應用中的安全性、穩健性與可靠性;在這類場景中,捏造引用或誤讀法條可能造成專業損害。
- •在屢遭 UK 支持者拒絕後,Safe Sign 幾乎所有資本都來自北美投資人,反映創辦人觀察到的美國與英國投資人態度差異。
- •創辦人在 Allen & Overy 接受事務律師訓練的同時打造 Safe Sign,利用清晨與晚間在法律職責之外投入新創工作。
- •創辦人如今認為,AI 評估基礎設施、持續學習記憶系統,以及供 AI-for-science 實驗室使用的專門工具,是更廣泛 AI 產業中資本嚴重不足的領域。

當 Safe Sign Technologies 創辦人成長的那棟建築面臨拆除時,他學到了一堂關於堅持的課;這堂課後來形塑了他打造 AI 公司的方式,而這家公司在尚未取得一美元營收前,就被 Thomson Reuters 收購。
Rollins House 是一棟位於倫敦東南部、破舊的裝飾藝術風格舊工廠,曾是他母親的住所,也是他成長的地方。當一名開發商想把該地改建成公寓時,這個家庭面臨一場他們負擔不起的法律戰。十幾歲時,他在學校考試之間自學規劃法,翻查無人碰過的檔案,並整理出一份法律先例資料。站在市政委員會小組面前,對面是一家經驗豐富的律師事務所,他陳述了案件,並贏得勝利。這段經歷讓他確信,細緻的研究以及面對懸殊勝算的意願,能夠帶來結果。
十年後,同樣的心態在與 Thomson Reuters 的談判中再次受到考驗。Thomson Reuters 是全球資訊與科技集團,其法律、稅務與會計服務使其成為全球最大的專業資訊公司之一;該公司希望收購他的 AI 研究新創 Safe Sign Technologies。
走到這一步的過程相當艱辛。他在 Allen & Overy 接受事務律師訓練期間,同時在一旁打造 Safe Sign——每天清晨 4:30 起床投入公司工作,之後進行一整天的法律訓練,晚上再回到新創工作。他指出,Allen & Overy 對此相當寬容,但這樣的作息無法長期維持。
Safe Sign 曾多次實際上在一夜之間耗盡資金,隔天早上就需要新的融資。公司最初的計畫——一款面向消費者的法律產品——未能吸引投資人。在屢遭本地支持者拒絕後,他帶著僅有的 £200 飛往 New York。最終,該公司幾乎所有資本都來自北美投資人,而非 UK。他觀察到一種文化差異:美國投資人傾向問「how can I help?」,英國投資人則問「how will this fail?」。
在籌到足以繼續營運的資金後,Safe Sign 完全放棄追逐營收,轉而把精力投入打造專有 AI 模型。這項決定意味著把所有資源投入一支從 Cambridge、MIT 與 Harvard 招募而來的小團隊,並一再告訴投資人,可觀營收仍是遙遠的前景。多數支持者因此失去興趣。
該公司的研究聚焦於安全性、穩健性與可靠性——這些特質在法律應用中特別重要,因為 AI 系統若捏造判例引用或誤讀法條文字,可能直接造成專業上的損害。Safe Sign 以極低預算打造出具差異化表現的模型,瞄準通用語言模型與法律實務所要求的可靠性門檻之間的落差。當 Safe Sign 分享強勁的內部成果時,Thomson Reuters 的創投部門在數分鐘內就作出回應。
成立 20 個月後,Safe Sign 成為 Thomson Reuters 174 年歷史上首家在尚未營收階段被收購的公司,並名列 2024 年歐洲較重要的交易之一。Thomson Reuters 一直在其法律與稅務平台大力投資 AI;在既有法律科技供應商競相將生成式 AI 整合進專業工作流程之際,Thomson Reuters 看見 Safe Sign 的研究團隊與模型架構能夠強化其市場地位。對一家從未記錄營收的公司而言,這筆收購金額足以改變人生。
這位創辦人指出,這樣的結果與新創產業許多傳統觀念相悖;那些觀念強調營收上升、募資金額與創辦人曝光度等可見指標。在他看來,機構型收購方獎勵的是工作的深度——那種只有在仔細審視後才會顯現的實質價值。
如今身為投資人的他表示,自己的首要責任是區分形式與真正價值。他指出市場反覆犯下的一個錯誤——也就是早期英國投資人對 Safe Sign 犯下的同一個錯誤——是以簡報資料來評斷新創,而非評估其核心防禦力。
他認為,雖然市場已更能為科學定價,但這主要適用於高知名度領域:大型模型、知名實驗室,以及能帶動估值的著名科學家。他主張,更大的機會位於更底層——也就是為前沿 AI 實驗室本身解決困難問題的技術。
他指出幾個重大挑戰仍然資本不足的領域。其中之一是測試 AI 系統能力的基礎設施:關於某個模型通過考試或勝過專業人士的每一項主張,都取決於有人先建立了該項評測;而設計出無法被取巧破解的評估,是該領域最困難的問題之一。另一個是記憶——今日的 AI 系統每次對話都從零開始,而人類專業知識幾乎都建立在累積之上。解方常被視為只是加在聊天機器人上的資料庫,但持續學習仍是機器學習中根本尚未解決的問題。第三個領域是他所稱的「neolab enablement」:早期 AI-for-science 實驗室所需、但無法自行打造的專門工具,這些工具需要與其支援的科學本身同等的領域深度。
這些類別——工具、儲存與服務——常被市場視為例行基礎設施而輕忽。他認為,它們代表該領域中較困難的一些問題,每一項都在低調地阻礙前沿實驗室,而湧入 AI 的資本幾乎沒有流向這些方向。
這位創辦人把比較拉回 Rollins House:那份無人讀過的資料、那場人人都以為會輸的案件,以及在任何人仔細審視之前就已存在的價值。他的母親仍住在那棟建築裡;它一如往常地矗立著——乍看平凡,卻遠比外表所顯示的更有價值。
Fortune.com 評論文章中表達的意見僅代表作者個人觀點,並不一定反映 Fortune 的意見與信念。
本文最初刊登於 Fortune.com。