Theranos吹哨者Tyler Shultz警告：AI熱潮可能讓欺騙更難被偵測

Tyler Shultz是Theranos前員工，他的警告曾協助揭露該公司有問題的血液檢測技術。如今，他敦促投資者更加嚴格地審查AI新創公司。Shultz在接受The San Francisco Standard採訪時表示，評估人工智慧的困難，可能讓不誠實的創辦人找到誤導出資者的新方法。

他的警告正值AI熱潮持續吸引龐大資本與高額估值之際，其中也包括尚未獲利的公司。重點並不是目前的AI公司等同於Theranos，而是這個產業的技術複雜性，可能讓非專業投資者難以驗證誇大的說法。

Shultz為何再次提起Theranos比較

Shultz大學畢業後不久便加入Theranos，在發現公司血液檢測設備產生危險的不準確結果後，成為關鍵吹哨者。根據TechCrunch對其談話與公司歷史的報導，這些機器曾在Walgreens門市使用，並為真實病患產生錯誤資訊。

Theranos的估值一度約達100億美元，儘管其專有系統並未完成公司宣稱支援的廣泛檢測項目。TechCrunch報導，該公司只在部分檢測中使用自有機器，其他結果則依賴第三方設備。

這段歷史構成Shultz對AI疑慮的背景。他認為，投資者不應再把與創辦人的短暫會面視為進行大額個人投資的充分依據。在他看來，Theranos證明了某種原本可能只涉及相對小額資金的募資模式，如何擴大成更嚴重的金融與制度性失敗。

這項比較也因紀錄片《You Can See Everything》而重新受到關注。該片跟拍Theranos前執行長Elizabeth Holmes在開始服刑前的經歷。TechCrunch報導，Holmes與其伴侶Billy Evans也在籌辦Haemanthus，一家診斷公司；片中將其描述為「Theranos 2.0」，據報已籌得約2,000萬美元。目前可取得的證據並未證明這家新公司重複了Theranos的行為。

AI的盡職調查問題

Shultz的核心論點是，從外部評估AI企業可能特別困難。投資者或許能檢查實體原型，或要求傳統的科學證據；但評估一家AI公司，可能需要取得訓練資料、模型架構、測試方法、推論成本、安全控制措施與客戶使用資料。

他特別警告，可能很難將真正具獨特性的產品與「ChatGPT wrapper」區分開來，也就是在既有模型外加上一層薄薄的軟體或工作流程的服務。這項區分很重要，因為產品看似技術先進，卻可能高度依賴另一家公司的模型、應用程式介面、定價與可用性。

對開發者與投資者而言，問題不在於wrapper本質上是否合法。許多有用的產品會將既有模型與專業化介面、專有資料、流程整合或合規功能結合。盡職調查要問的是，這家公司是否擁有可防禦的優勢，以及底層模型供應商若改變價格、存取條件或能力，公司經濟模式是否仍然可行。

效能主張也有類似問題。模型結果可能因基準測試、提示設計、評估資料集、人類審查者與運作條件而有所不同。銷售展示可以顯示系統在精心挑選的情境下能夠運作，卻不能證明它在客戶完整工作流程中可靠。

證據顯示了什麼——以及沒有顯示什麼

這則故事中最有力的證據，是Shultz對風險的說法；TechCrunch根據他接受The San Francisco Standard採訪的內容進行了報導。Tech Buzz的文章也獨立反映了相同的大致警告，但沒有提供額外的文章內容或佐證文件。

報導沒有指出Shultz認為具有詐欺性的特定AI公司，也沒有提供證據證明目前整體AI市場建立在欺騙之上。關於企業以兆美元估值籌資的說法，是TechCrunch報導中的市場背景，而不是證明這些企業誤述其技術的證據。

這項區分很重要。AI系統是真實存在的，也越來越有用，但可運作技術的存在，並不能證明新創公司對其專有能力、成長、利潤率或客戶採用所做的每一項主張。高估值同樣不能證明產品與市場契合。

Theranos是一個特別嚴重的例子，因為其涉嫌的失敗影響了醫療決策與真實病患。AI產品也可能在高風險環境中運作，但風險會因使用情境而異。有問題的行銷助理與用於醫療分流的系統，不需要相同的控制措施、證據或責任分析。

對開發者與企業買家的影響

對AI創辦人而言，Shultz的警告提高了說明哪些內容真正屬於專有技術的要求。公司應能解釋其技術堆疊中哪些部分由自己控制、哪些能力來自外部模型供應商、如何評估輸出，以及系統失效時會發生什麼事。

這種透明度也能改善募資。一家公司若報告限制、延遲、模型成本、錯誤率與依賴風險，在簡短簡報中可能不如提出廣泛主張的公司令人印象深刻，但能為投資者提供更清楚的基礎，以判斷其持久性。

企業買家面臨相關挑戰。在部署AI產品前，採購與技術團隊應使用具代表性的內部資料進行測試，確認供應商的安全與隱私做法，檢視人工審查要求，並按實際使用情境計算成本。他們也應詢問，如果供應商偏好的基礎模型改變，供應商是否仍能支援相關工作流程。

因此，關鍵問題不只是AI展示是否能運作，而是產品能否在買家的環境中持續穩定運作、部署後能否受到監控，以及其商業模式是否不完全依賴對模型價格或客戶擴張的樂觀假設。

接下來應關注什麼

投資者與客戶應關注AI新創公司是否就模型來源、基準測試方法、客戶留存率、毛利率及對第三方平台的依賴，提供更詳細的揭露。獨立評估將比創辦人自行挑選的展示更有用，尤其是在受監管或涉及安全的應用中。

市場也應觀察盡職調查實務如何演進。隨著資金從實驗轉向大規模部署，技術稽核、可重現的評估、參考客戶、以使用量為基礎的營收證據，以及有文件記錄的事故歷史，可能會變得更加普遍。

最後，任何涉及Haemanthus或其他與Holmes有關聯的事業之未來主張，都應根據可驗證的證據分開評估。一名Theranos前高層另起爐灶本身並不是不當行為的證據，就如同一場令人信服的AI簡報也不是詐欺的證據。

Creati.ai觀點

如果將Shultz的警告視為盡職調查框架，而不是對AI產業的判決，它將最具參考價值。核心風險不是每一家AI新創公司都在欺騙，而是技術複雜性、快速融資與具說服力的展示，可能讓薄弱的主張在資金與責任轉移到下游之前更難受到質疑。

對AI開發者與買家而言，可信度將越來越取決於能否展示工作的實質內容：清楚的系統邊界、可重複的評估、誠實的失敗報告，以及能承受模型層變化的經濟模式。這些做法無法消除詐欺，但能讓展示品質取代證據變得更加困難。