Jonathan Horn, CEO và Đồng sáng lập của Treefera – Loạt phỏng vấn

Jonathan Horn, CEO và Đồng sáng lập của Treefera, là một doanh nhân công nghệ và cựu giám đốc điều hành ngân hàng đầu tư với chuyên môn sâu về quản lý rủi ro, trí tuệ nhân tạo và phân tích dữ liệu lớn. Trước khi thành lập Treefera vào năm 2022, ông đã giữ các vị trí lãnh đạo cấp cao tại cả J.P. Morgan và Citigroup, nơi ông tập trung vào rủi ro, dữ liệu và hệ thống tài chính phức tạp. Dựa trên nền tảng về mô hình hóa rủi ro tài chính, Horn đã ra mắt Treefera để giải quyết một trong những điểm mù nhất quán trong chuỗi cung ứng toàn cầu: “dặm đầu tiên”, nơi nguyên liệu thô có nguồn gốc. Dưới sự lãnh đạo của ông, công ty đã nhanh chóng phát triển thành một nhà cung cấp hàng đầu về trí tuệ chuỗi cung ứng được hỗ trợ bởi AI, giúp các doanh nghiệp có cái nhìn thực tế về nguồn gốc, rủi ro môi trường, yêu cầu tuân thủ và khả năng phục hồi hoạt động.

Được thành lập tại London vào năm 2022, Treefera là một công ty trí tuệ chuỗi cung ứng được hỗ trợ bởi AI, tập trung vào việc mang lại tính minh bạch cho dặm đầu tiên của chuỗi cung ứng hàng hóa toàn cầu. Vải dữ liệu độc quyền của công ty kết hợp hình ảnh vệ tinh, dữ liệu không gian và thời gian, mô hình AI và phân tích rủi ro để cung cấp cho các tổ chức thông tin thực tế về nguồn gốc, tuân thủ, tính bền vững và rủi ro chuỗi cung ứng. Nền tảng này giúp các doanh nghiệp theo dõi mọi thứ từ phơi nhiễm phá rừng và tác động carbon đến rủi ro nguồn nguyên liệu, cho phép đưa ra quyết định thông minh hơn trên toàn bộ quy trình mua sắm, tài chính và hoạt động. Bằng cách chuyển đổi dữ liệu môi trường và chuỗi cung ứng phân mảnh thành thông tin có thể hành động, Treefera nhằm mục đích tăng cường khả năng phục hồi chuỗi cung ứng trong một nền kinh tế toàn cầu ngày càng biến động và được quản lý.

Bạn đã thành lập Treefera sau các vai trò rủi ro, AI và phân tích dữ liệu cấp cao tại J.P. Morgan và Citi. Bạn đã nhìn thấy khoảng trống cụ thể nào trong cách các doanh nghiệp hiểu rủi ro nông nghiệp và hàng hóa mềm mà thuyết phục bạn rằng Treefera cần phải tồn tại?

Các hàng hóa dựa trên thiên nhiên đại diện cho 2,1 nghìn tỷ đô la thương mại thế giới, nhưng dữ liệu hỗ trợ đánh giá rủi ro cho những tài sản đó là thủ công, chậm và không chính xác về mặt cấu trúc. Khi làm việc với các mô hình rủi ro tại J.P. Morgan và Citi, tôi đã thấy các quyết định về giá và phơi nhiễm phụ thuộc vào dữ liệu có nguồn gốc từ dặm đầu tiên của chuỗi cung ứng nông nghiệp: thu thập bằng tay, dễ bị bỏ sót và thường chậm hơn thực tế vài tuần hoặc vài tháng. Sáu mươi phần trăm rủi ro chuỗi cung ứng bắt nguồn từ dặm đầu tiên, trước khi hàng hóa đến cảng hoặc trao đổi, nhưng chính nơi đó là nơi có ít nhất tính minh bạch.

Điều đã thuyết phục tôi xây dựng Treefera là sự hội tụ của hai yếu tố: quy mô của vấn đề và sự xuất hiện của các công cụ có khả năng giải quyết nó. Độ phân giải và phạm vi của hình ảnh vệ tinh đã đạt đến mức mà bạn có thể quan sát điều kiện mùa vụ ở cấp độ trường trên các khu vực sản xuất chính với chi phí tối thiểu. AI đã trưởng thành đến mức nó có thể biến tín hiệu thô đó thành thứ gì đó có thể giải thích được về mặt tài chính. Không ai kết nối những điểm đó theo cách nghiêm ngặt, khoa học trước. Các doanh nghiệp vẫn dựa vào báo cáo của chính phủ bị chậm trễ so với điều kiện thực tế, trung bình quốc gia che giấu sự thay đổi cục bộ và các mô hình tuyến tính không thể xử lý biến động khí hậu. Khoảng cách giữa những gì có thể biết được và những gì được biết là khổng lồ. Đó là nơi Treefera nằm.

Treefera thường được mô tả là một nền tảng trí tuệ được hỗ trợ bởi AI, nhưng cách tiếp cận của bạn rõ ràng không tập trung vào LLM. Bạn giải thích sự khác biệt giữa AI dự đoán cho chuỗi cung ứng và các hệ thống AI tạo ra đang chiếm ưu thế trong cuộc trò chuyện như thế nào?

AI tạo ra và các mô hình ngôn ngữ lớn giải quyết một vấn đề cơ bản khác. Chúng là các công cụ năng suất: cực kỳ hữu ích cho việc đơn giản hóa các nhiệm vụ lặp đi lặp lại, như soạn thảo và tóm tắt. Thử thách thương mại đối với những hệ thống này là việc áp dụng, khiến mọi người thay đổi cách họ làm việc. Đó là một vấn đề giáo dục thị trường, không phải là một vấn đề khoa học.

Treefera sử dụng AI để giải quyết các vấn đề khoa học với yêu cầu chính xác về mặt tài chính. Các mô hình học sâu của chúng tôi được đào tạo để giải thích hình ảnh vệ tinh, tín hiệu khí hậu và sinh học mùa vụ để tạo ra dự báo sản lượng và diện tích sản xuất chính xác đủ để thông báo quyết định phân bổ vốn. Câu hỏi chúng tôi đang trả lời không phải là “tài liệu này nói gì?” mà là “vùng này sẽ sản xuất gì trong ba tháng và bạn nên tự tin đến mức nào?” Đó không phải là cùng một loại vấn đề và chúng không yêu cầu cùng một loại mô hình. LLM được tối ưu hóa cho ngôn ngữ; mô hình của chúng tôi được tối ưu hóa cho việc giải thích thế giới vật lý. Việc nhầm lẫn giữa hai điều này dẫn đến việc áp dụng công cụ sai cho một vấn đề nó không được xây dựng để giải quyết.

Nhiều công ty AI cho rằng hiệu suất tốt hơn đòi hỏi phải tính toán nhiều hơn, mô hình lớn hơn và quyền truy cập nhiều hơn vào GPU. Treefera dường như thách thức giả định đó. “Tính toán tiết kiệm” có nghĩa là gì trong thực tế và tại sao nó lại quan trọng đối với AI ứng dụng?

Giả định phổ biến trong AI là quy mô bằng hiệu suất: nhiều tham số hơn, nhiều GPU hơn, nhiều cơ sở hạ tầng đám mây hơn. Đối với AI ứng dụng trong các ngữ cảnh cụ thể theo lĩnh vực, giả định đó là sai lầm và nó tạo ra chi phí không cần thiết và lãng phí năng lượng.

Tính toán tiết kiệm, trong thực tế, có nghĩa là ba điều cho chúng tôi. Đầu tiên, chúng tôi tách tính toán khỏi thời gian. Hầu hết các nhiệm vụ xử lý của chúng tôi không cần phải xảy ra tại một giây nhất định. Thay vào đó, chúng tôi xác định các khoảng thời gian có sẵn của mạng và mượn tính toán trong những khoảng thời gian đó.

Thứ hai, chúng tôi phân cấp khối lượng công việc. Thay vì định tuyến mọi thứ qua một trung tâm đám mây duy nhất, chúng tôi phân phối trên một mạng các nút có sẵn, bao gồm cả cơ sở hạ tầng blockchain, mang lại khả năng闲 rỗi đáng kể tại các thời điểm nhất định. Nếu một nút trở nên không hiệu quả, các nhiệm vụ sẽ được định tuyến lại động.

Thứ ba, chúng tôi tối ưu hóa phần cứng. Chúng tôi sử dụng NVIDIA (NVDA ) AG6 thay vì các chip hàng đầu, nơi hiệu suất tương đương với khối lượng công việc của chúng tôi với một phần nhỏ về năng lượng và chi phí. Lý do tại sao điều này quan trọng hơn là độ chính xác. Tính toán tiết kiệm buộc chúng tôi phải kỷ luật về những gì tính toán thực sự cần. Điều đó tạo ra các mô hình tinh gọn, có thể giải thích được – loại mà những người ra quyết định tài chính và hoạt động thực sự có thể sử dụng. Họ không cần một mô hình lớn hơn; họ cần một câu trả lời chính xác hơn.

Nền tảng của bạn được cho là cung cấp đầu ra dự đoán về sản lượng mùa vụ, sử dụng đất và rủi ro cung ứng mà không dựa vào cơ sở hạ tầng đám mây luôn bật. Bạn tách tính toán khỏi thời gian như thế nào trong khi vẫn cung cấp thông tin minh bạch gần thời gian thực?

Thông tin gần thời gian thực và tính toán liên tục không phải là điều giống nhau. Khách hàng của chúng tôi cần dự báo cập nhật hàng tuần; họ không cần tính toán tạo ra những dự báo đó phải chạy liên tục.

Chúng tôi ánh xạ chu kỳ xử lý của mình đến nhịp điệu tự nhiên của dữ liệu. Hình ảnh vệ tinh đến trong một nhịp điệu. Đầu vào thời tiết cập nhật trên một nhịp điệu. Các câu hỏi phân tích mà mô hình của chúng tôi trả lời cũng được điều khiển bởi nhịp điệu: quỹ đạo sản lượng cho khu vực này, điều gì đã thay đổi trong tuần này về diện tích trồng trọt. Vì vậy, chúng tôi lên lịch trước các công việc tính toán để chạy chống lại những cửa sổ dữ liệu đó, mượn khả năng từ cơ sở hạ tầng phân tán trong các giai đoạn nhu cầu thấp. Đầu ra cho khách hàng là một nguồn cấp dữ liệu hàng tuần hiện tại, có thể hành động và sẵn sàng cho mô hình. Cơ sở hạ tầng đằng sau nó chỉ chạy khi có điều gì đó có ý nghĩa để xử lý. Kiến trúc đó cũng linh hoạt hơn. Một khối lượng công việc phân tán định tuyến xung quanh các nút thất bại là đáng tin cậy hơn một máy chủ luôn bật với một điểm thất bại duy nhất.

Thị trường hàng nông sản và hàng hóa mềm vẫn phụ thuộc nặng vào dữ liệu chậm, dựa trên khảo sát hoặc phân mảnh. AI thay đổi cách các công ty, ngân hàng, công ty bảo hiểm và thương nhân đánh giá rủi ro trước khi nó trở nên rõ ràng trong các báo cáo chính thức như thế nào?

Vấn đề cấu trúc với báo cáo dựa trên khảo sát là nó được thiết kế để nhìn lại. Khi một cơ quan chính phủ xuất bản một ước tính cung ứng, điều kiện vật lý cơ bản đã cũ vài tuần hoặc vài tháng. Các thị trường di chuyển trên dữ liệu đó đang phản ứng với lịch sử.

AI thay đổi điều đó bằng cách chuyển nguồn thông tin từ khảo sát sang quan sát trực tiếp. Hình ảnh vệ tinh, tín hiệu khí hậu và dữ liệu sinh học mùa vụ có sẵn ngay bây giờ, không phải trong sáu tuần khi một báo cáo được biên soạn và xuất bản. Những gì mô hình của chúng tôi làm là dịch dữ liệu vật lý đó thành ngôn ngữ tài chính mà các thương nhân, người bảo hiểm và nhà phân tích thực sự sử dụng: dự báo sản lượng với khoảng không chắc chắn được chỉ định, ước tính diện tích sản xuất với cập nhật hàng tuần, điểm số căng thẳng định lượng rủi ro tại nguồn trước khi nó xuất hiện trong giá.

Vào năm 2022, mô hình ngô của chúng tôi ở Mỹ đã đánh dấu một sửa đổi giảm xuống năm tuần trước khi USDA xuất bản. Vào tháng 1 năm 2025, mô hình của chúng tôi đã đưa ra một điểm số căng thẳng 0,76 trên toàn bộ khu vực ca cao của Ghana; COCOBOD không sửa đổi dự báo mùa của họ cho đến tháng 6. Ưu thế thông tin không phải là nhỏ; nó là cấu trúc. Các doanh nghiệp vẫn chờ đợi báo cáo chính thức để đưa ra quyết định về cung ứng và định giá đang hoạt động với độ trễ mà các đối tác của họ có thể không chia sẻ.

“Dặm đầu tiên” của chuỗi cung ứng đã từng là một trong những khu vực ít minh bạch nhất đối với các doanh nghiệp toàn cầu. Tại sao tính minh bạch dặm đầu tiên lại trở nên quan trọng bây giờ, đặc biệt là khi biến đổi khí hậu, quy định và bất ổn địa chính trị tăng lên?

Ba lực lượng đang hội tụ và mỗi lực lượng đều có vật chất riêng.

Biến đổi khí hậu đang làm tăng tần suất và mức độ nghiêm trọng của các cú sốc sản xuất tại nguồn. Cùng một sự kiện thời tiết hiện mang lại tác động cung ứng lớn hơn vì các hệ thống mùa vụ bị căng thẳng hơn và các sự kiện cực đoan ít có thể dự đoán được từ các giá trị trung bình lịch sử. Các mô hình rủi ro tuyến tính được xây dựng trên các chuẩn mực lịch sử về cơ bản không phù hợp để xử lý điều đó. Bạn cần quan sát vật lý thực tế để xem những gì thực sự đang xảy ra trên thực địa.

Quy định đang tạo ra một liên kết trách nhiệm trực tiếp giữa những gì xảy ra ở dặm đầu tiên và những gì một doanh nghiệp có thể bán hoặc tài trợ. EUDR, CSRD, TCFD: những khuôn khổ này yêu cầu các doanh nghiệp phải biết, với bằng chứng, hàng hóa của họ đến từ đâu và điều kiện tại nguồn là gì. “Chúng tôi tin tưởng nhà cung cấp” không còn là một vị trí có thể bảo vệ được. Trách nhiệm đó đang đẩy tính minh bạch và nguồn gốc từ một sở thích mua sắm sang một yêu cầu pháp lý.

Sự gián đoạn địa chính trị đã biến sự phụ thuộc vào một khu vực thành một rủi ro trong phòng họp. Khi một khu vực chiếm một phần lớn trong cung ứng toàn cầu của một hàng hóa và khu vực đó trở nên không đáng tin cậy về mặt chính trị hoặc vật lý, các doanh nghiệp không có tính minh bạch dặm đầu tiên không có cơ chế cảnh báo sớm. Họ chỉ tìm hiểu khi thị trường đã định giá lại.

Cũng có một sự thay đổi lớn hơn đang xảy ra trong chính hệ sinh thái dữ liệu. Ra mắt gần đây của Google (GOOGL ) Earth AI về các bản đồ hàng hóa pan-xích đạo – các bản chân đồ mùa vụ 10 mét hàng năm cho ca cao, cà phê, dầu cọ và cao su, được phát hành dưới dạng dữ liệu mở – là một chỉ số hữu ích về nơi mọi thứ đang đi. Thế giới vật lý ngày càng trở nên có thể đọc được từ không gian, và nhu cầu về tính minh bạch chuỗi cung ứng hiện đã trở thành chủ đạo đến mức thu hút được đầu tư lớn từ các công ty công nghệ. Treefera chào đón điều đó. Một lớp dữ liệu cơ bản phong phú hơn nâng cao sàn cho toàn bộ thị trường và tạo ra nhận thức chung rằng thông tin tốt hơn không chỉ có thể mà còn có sẵn.

Điều mà các bản đồ khám phá mở không thể làm được là đóng khoảng trống thông tin. Biết nơi cây trồng được trồng không giống như biết mùa này đang phát triển như thế nào, điều kiện tại nguồn có nghĩa là gì đối với rủi ro cung ứng của bạn hay nơi danh mục đầu tư của bạn gặp rủi ro. Việc dịch từ quan sát sang thông tin cấp độ tài chính là những gì Treefera được xây dựng để thực hiện.

Khách hàng của bạn bao gồm các tổ chức lớn như JP Morgan, Microsoft (MSFT ), Bayer và Anew. Những vấn đề phổ biến nhất mà các doanh nghiệp đang cố gắng giải quyết với Treefera là gì: tuân thủ, rủi ro cung ứng, dự báo, tính bền vững, mua sắm hoặc điều gì khác?

Vấn đề cốt lõi mà các doanh nghiệp mang đến cho chúng tôi là một phiên bản của cùng một điều: họ có rủi ro tài chính đáng kể đối với những gì xảy ra ở dặm đầu tiên của chuỗi cung ứng nông nghiệp và không có cơ chế đáng tin cậy nào để nhìn thấy nó trước khi nó gây tốn kém cho họ. Khung cụ thể khác nhau theo lĩnh vực.

Đối với các thương nhân và tổ chức tài chính phơi nhiễm hàng hóa, câu hỏi là lợi thế thông tin: nhìn thấy sự thay đổi cung ứng trước khi nó xuất hiện trong giá hoặc dữ liệu chính thức. Đối với các tổ chức cho vay và bảo hiểm nông nghiệp, câu hỏi là đánh giá rủi ro; họ đang cấp vốn hoặc tài trợ cho các hoạt động mà hiệu suất của chúng được quản lý trực tiếp bởi các điều kiện mà họ không thể quan sát được. Đối với các tập đoàn có nghĩa vụ về tính bền vững hoặc tuân thủ, câu hỏi là bằng chứng: chứng minh, với dữ liệu có thể bảo vệ, rằng chuỗi cung ứng của họ đáp ứng các tiêu chuẩn mà các cơ quan quản lý và đối tác của họ hiện yêu cầu.

Câu trả lời truyền thống – tin tưởng nhà cung cấp, chờ báo cáo của chính phủ, mua ước tính đồng thuận – không còn đủ nữa. Độ chính xác và tốc độ họ cần không tồn tại trong hệ sinh thái dữ liệu công cộng. Nó tồn tại ở dặm đầu tiên.

Treefera đã báo cáo tăng trưởng 6 lần theo năm, không có sự gián đoạn và một vòng Series B quá mức trong hai năm. Mức độ áp dụng đó cho thấy điều gì về nhu cầu của doanh nghiệp đối với các hệ thống AI chính xác, hiệu quả và hoạt động vững chắc hơn là chỉ quy mô lớn?

Sự gián đoạn bằng không là tín hiệu thuyết phục nhất. Tăng trưởng doanh thu có thể phản ánh thực hiện thương mại; sự gián đoạn bằng không phản ánh sự phù hợp giữa sản phẩm và thị trường. Khách hàng đã sử dụng dữ liệu cho một mùa đầy đủ, kiểm tra lại nó với các mô hình của riêng họ và đưa ra quyết định dựa trên nó, và sau đó gia hạn, đang cho bạn biết rằng tín hiệu là thực và nó đang thay đổi cách họ hoạt động.

Nó cũng chỉ ra nhu cầu chưa được đáp ứng đáng kể của doanh nghiệp đối với AI chính xác, có thể kiểm tra và tích hợp hoạt động – nhu cầu chưa được đáp ứng bởi một phong cảnh nặng về các công cụ tạo ra và các mô hình tổng quát lớn. Các chuyên gia chuỗi cung ứng và rủi ro cần một dự báo với khoảng không chắc chắn được chỉ định mà họ có thể đứng sau trong một ủy ban rủi ro. Khi thanh đó được đáp ứng – dữ liệu cụ thể theo lĩnh vực, độ chính xác cấp độ tài chính, phương pháp minh bạch – các doanh nghiệp sẽ ưu tiên nó. Vòng gọi vốn quá mức phản ánh sự công nhận của nhà đầu tư về cùng một động lực: thị trường là lớn, vấn đề là cấu trúc và cơ sở hạ tầng dữ liệu hiện có không được xây dựng để giải quyết nó.

Nhìn về phía trước, bạn có tin rằng giai đoạn tiếp theo của AI ứng dụng sẽ được định nghĩa ít hơn bởi quy mô mô hình và nhiều hơn bởi hiệu quả hoạt động, dữ liệu cụ thể theo lĩnh vực và kết quả kinh doanh có thể đo lường được?

Có, và bằng chứng cho điều đó đã rõ ràng.

AI quy mô lớn đang bắt đầu đạt đến giới hạn của những gì mà quy mô thô có thể giải quyết. Thêm tham số không cải thiện dự báo sản lượng mùa vụ nếu dữ liệu cơ bản thô, chậm hoặc không phù hợp về mặt địa lý. Giá trị biên của tính toán đang giảm khi nút thắt là chất lượng dữ liệu và độ chính xác theo lĩnh vực, không phải kích thước mô hình.

Giai đoạn tiếp theo sẽ được định nghĩa bởi dữ liệu đào tạo cụ thể theo lĩnh vực, mô hình có kích thước phù hợp và đầu ra có thể kiểm tra. Trong các lĩnh vực như nông nghiệp, tài chính và chuỗi cung ứng, nơi quyết định mang lại hậu quả tài chính và hoạt động, câu hỏi không bao giờ là “mô hình lớn đến mức nào?” Nó luôn là “làm thế nào đáng tin cậy câu trả lời và bạn có thể hành động nhanh như thế nào?” Quy mô alone không thể trả lời điều đó. Các công ty sẽ dẫn đầu trong AI ứng dụng trong năm năm tới sẽ xây dựng các đường ống dữ liệu độc quyền vào thế giới vật lý, đào tạo mô hình trên dữ liệu đó với sự nghiêm ngặt khoa học phù hợp và chứng minh độ chính xác có thể đo lường được trong điều kiện trực tiếp. Công nghệ đang ngày càng trở thành một hàng hóa; dữ liệu và chuyên môn theo lĩnh vực thì không.

Cảm ơn bạn vì cuộc phỏng vấn tuyệt vời, độc giả muốn tìm hiểu thêm nên truy cập Treefera.