Treefera 首席执行官兼联合创始人 Jonathan Horn – 采访系列

Jonathan Horn，Treefera 首席执行官兼联合创始人，是一位技术企业家和前投资银行高管，具有深厚的风险管理、人工智能和大规模数据分析专业知识。在 2022 年创立 Treefera 之前，他曾在 摩根大通 和 花旗集团 担任高级领导职务，专注于风险、数据和复杂的金融系统。凭借其在金融级别风险建模方面的背景，霍恩推出了 Treefera，以解决全球供应链中最顽固的盲点之一：原始材料来源的“第一英里”。在他的领导下，公司迅速发展成为领先的 AI 驱动的供应链智能提供商，帮助企业实时了解采购、环境风险、合规要求和运营恢复力。

Treefera 于 2022 年在伦敦成立，是一家专注于为全球大宗商品供应链的“第一英里”带来透明度的 AI 启用的供应链智能公司。其专有数据结构将卫星图像、空间和时间数据、AI 模型和风险分析相结合，为组织提供实时的采购、合规、可持续性和供应链风险洞察。该平台帮助企业监测从森林砍伐暴露和碳影响到大宗商品采购风险的一切，实现采购、财务和运营的更明智的决策。通过将零碎的环境和供应链数据转化为可行的智能，Treefera 旨在加强供应链在日益不稳定和受监管的全球经济中的恢复力。

您在 J.P. Morgan 和 Citi 担任高级风险、AI 和数据分析职务后创立了 Treefera。您在了解农业和软性大宗商品风险方面看到的具体差距是什么，促使您认为 Treefera 需要存在？

基于自然的商品代表了 2.1 万亿美元的世界贸易，但用于评估这些资产的风险的数据是手动的、延迟的和结构性不准确的。在 J.P. Morgan 和 Citi 工作时，我看到依赖于从农业供应链的“第一英里”收集的数据的定价和风险决策，这些数据是手工收集的，容易遗漏，往往滞后于现实数周或数月。六十％的供应风险起源于“第一英里”，在商品到达港口或交易所之前，但那正是可见性最薄弱的地方。

说服我建立 Treefera 的是两件事的汇聚：问题的规模和解决它的工具的到来。卫星分辨率和覆盖范围已经达到可以在最低成本下观察主要生产地区的作物状况的水平。人工智能已经成熟到可以将原始信号转化为具有财务解释性的东西。没有人以严格的科学方式连接这些点。企业仍然根据滞后几个月的政府报告来定价风险，根据掩盖局部变化的国家平均值，并使用无法处理气候波动性的线性模型。可知和已知之间的差距是巨大的。Treefera 正是填补了这一差距。

Treefera 经常被描述为 AI 驱动的智能平台，但您的方法并不是围绕 LLMs 进行的。您如何解释用于供应链的预测 AI 和当前主导对话的生成式 AI 系统之间的区别？

生成式 AI 和大型语言模型解决了一个根本不同的问题。它们是生产力工具：非常适合简化重复性任务，例如草稿和总结。这些系统的商业挑战是采用，获取人们改变工作方式的方式。这是一个市场教育问题，而不是科学问题。

Treefera 使用 AI 来解决具有财务级别准确性要求的科学问题。我们的深度学习模型经过训练，可以解释卫星图像、气候信号和作物生物学，以产生足够准确的产量和生产区域预测，以告知资本配置决策。我们要回答的问题不是“这个文档说什么？”而是“这个地区在三个月内会产出什么，并且你应该多么自信？”这些不是同一类问题，它们不需要同一类模型。LLM 优化了语言；我们的模型优化了对物理世界的解释。混淆这两者会导致将错误的工具应用于一个它不是为其而设计的问题。

许多 AI 公司认为更好的性能需要更多的计算、更大的模型和更大的 GPU。Treefera似乎挑战了这一假设。什么是“节俭计算”，为什么它对应用 AI 很重要？

AI 领域的普遍假设是，规模等于性能：更多参数、更多 GPU、更多云基础设施。对于特定领域的应用 AI 来说，这个假设是错误的，它会产生不必要的成本和能量浪费。

在我们看来，节俭计算意味着三件事。首先，我们将计算与时间解耦。我们的大多数处理任务不需要在特定时间发生。我们不运行始终在线的基础设施，而是识别网络容量过剩的时期，并在这些窗口期间借用计算能力。

其次，我们将工作负载分散。我们不将所有内容都路由到单个云中心，而是将其分配到可用节点的网络中，包括区块链基础设施，在某些时期具有显著的空闲容量。如果一个节点变得低效，任务会动态地重新路由。

第三，我们正确地调整了硬件。我们使用 NVIDIA (NVDA ) AG6 而不是顶级芯片，对于我们的工作负载来说，性能相当，但能耗和成本仅为一小部分。之所以重要的原因不仅仅是效率，还在于精度。节俭计算迫使我们对实际需要的计算保持纪律。这会产生更精简、更易于解释的模型——金融和运营决策者实际上可以使用的模型。他们不需要更大的模型；他们需要更准确的答案。

您的平台据报道能够在不依赖始终在线的云基础设施的情况下提供作物产量、土地利用和供应链风险的预测输出。您如何在仍能提供商业上有用的、近实时智能的情况下解耦计算和时间？

近实时智能和连续计算不是同一件事。我们的客户需要每周更新的预测；他们不需要生成这些预测的计算始终运行。

我们将处理周期映射到数据的自然节奏。卫星图像以一定的周期到达。天气输入也以一定的周期更新。我们的模型要回答的分析问题也是由周期驱动的：这个地区的产量轨迹是什么，这周在种植面积上发生了什么变化。因此，我们预先安排计算任务在这些数据窗口中运行，并在分布式基础设施的低需求期间借用容量。客户的输出是一个每周的数据源，它是最新的、可行的和模型就绪的。后面的基础设施只在有意义的东西需要处理时运行。这种架构也是更可靠的。一个分布式工作负载可以绕过故障节点比单个始终在线的服务器具有单点故障更可靠。

农业和软性大宗商品市场仍然严重依赖延迟、基于调查或零碎的数据。AI 如何改变公司、银行、保险公司和交易者在官方报告中看到风险之前评估风险的方式？

基于调查的报告的结构性问题在于它是由设计而来的，具有延迟性。政府机构发布供应估计时，支撑它的物理条件已经是几周或几个月前的了。以这些数据为基础做出反应的市场正在对历史做出反应。

AI 通过将信息来源从调查转变为直接观察来改变这一点。卫星图像、气候信号和作物发展数据现在可用，而不是在六周后编制和发布报告时可用。我们的模型将这些物理数据转化为交易者、承保人和分析师实际使用的财务语言：带有不确定性间隔的产量预测、带有每周更新的生产区域估计、量化原始风险的压力评分。这些信息优势不是边际性的；它是结构性的。仍然等待官方报告来做出供应和定价决策的企业正在以可能与对手不共享的滞后期运营。

全球供应链的“第一英里”历来是全球企业最不透明的领域之一。为什么“第一英里”的可见性现在变得如此关键，尤其是在气候波动性、监管和地缘政治不确定性增加的情况下？

三个力量正在汇聚，每个力量都具有重要意义。

气候波动性正在增加原产地的生产冲击频率和严重程度。同样的天气事件现在带有更大的供应影响，因为作物系统更加紧张，极端事件从历史平均值来看不那么可预测。建立在历史规范基础上的线性风险模型在结构上不适合处理这一点。你需要实时的物理观察来看到实际发生了什么。

监管正在为企业创造直接的责任联系，将第一英里发生的事情与企业可以销售或融资的东西联系起来。EUDR、CSRD、TCFD：这些框架要求企业知道并有证据证明他们的商品来自哪里以及原产地的条件是什么。“我们相信供应商”不再是一个可辩护的立场。这种责任正在将可追溯性和来源从采购偏好转变为法律要求。

地缘政治破坏使单一来源依赖成为董事会层面的风险。当一个地区占据某种商品全球供应的主导份额，而该地区变得政治上或物理上不可靠时，没有第一英里可见性的企业没有早期预警机制。他们在市场已经重新定价时才会发现。

数据生态系统本身正在发生更广泛的转变。Google (GOOGL ) Earth AI最近推出的全热带大宗商品地图——年度10米作物足迹，用于可可、咖啡、油棕和橡胶，作为开放数据发布——是事情发展方向的一个有用指标。物理世界越来越多地从太空中变得可读，供应链透明度的需求现在已经成为主流，足以吸引大型科技公司的大规模投资。Treefera 欢迎这一点。更丰富的基础数据层提高了整个市场的底线，并创造了更好地信息不仅是可能的，而且是可用的共享意识。

什么开源发现地图不能做的是填补智能差距。知道作物在哪里种植与知道本季如何发展、原产地的条件对供应风险意味着什么或您的投资组合在哪里面临风险是不一样的。从观察到财务级别的洞察力的转换是 Treefera 建立的基础。

以前，“第一英里”的无知在世界更可预测时是可以容忍的。现在不再如此。

您的客户包括摩根大通、微软、拜耳和 Anew 等大型组织。企业使用 Treefera 解决的最常见问题是什么：合规、供应风险、预测、可持续性、采购还是其他问题？

企业带给我们的核心问题是相同的：他们在农业供应链的“第一英里”上有着重大的财务风险敞口，却没有可靠的机制来在为时已晚之前看到它。具体的框架因行业而异。

对于交易商和具有大宗商品风险敞口的金融机构来说，问题是信息优势：在价格或官方数据中看到供应链转变之前。对于农业贷款人和保险公司来说，问题是风险评估；他们正在为其业绩由不可见的条件直接管理的运营提供资金或保险。对于具有可持续性或合规性义务的公司来说，问题是证据：用可辩护的数据证明其供应链符合监管机构和对手现在要求的标准。

传统的答案——相信供应商，等待政府报告，购买共识估计——不再足够。他们需要的精度和速度在公共数据生态系统中不存在。它存在于第一英里。

Treefera 报告了 6 倍的年增长率、零流失率和两年内的超额认购的 B 轮融资。这种程度的采用率对精确、有效和运营基础的 AI 系统的企业需求有什么启示？

零流失率是最有说服力的信号。收入增长可以反映商业执行；零流失率反映了产品市场的契合度。那些使用数据进行了整个季度的客户、回测了自己的模型并根据它做出了决定并续订的客户正在告诉你，信号是真实的，并且它正在改变他们的运营方式。

这也指出企业对精确、可审计和运营集成的 AI 的需求很大，这种需求在以生成工具和大规模通用模型为主的格局中得不到满足。当满足这些标准时——特定领域的数据、财务级别的准确性、透明的方法——企业会优先考虑它。超额认购的资金募集反映了投资者对同一动态的认识：市场很大，问题是结构性的，现有的数据基础设施并不是为解决它而构建的。

展望未来，您是否认为应用 AI 的下一个阶段将更多地由运营效率、特定领域的数据和可衡量的业务成果来定义，而不是模型规模？

是的，证据已经可见。

大规模 AI 正在接近原始规模可以解决的问题的极限。添加参数不会改善基于粗糙、延迟或地理位置不正确的数据的作物产量预测。数据质量和领域精度而不是模型大小的边际价值正在减少。在农业、金融和供应链等领域，决策具有财务和运营后果，问题从来不是“模型有多大？”而是“答案有多可靠，你可以多快地采取行动？”规模本身无法回答这个问题。未来五年内将在应用 AI 领域领先的公司将建立专有的数据管道进入物理世界，在这些数据上训练模型，采用适当的科学严谨性，并在现实条件下展示可衡量的准确性。技术越来越成为一种商品；数据和领域专业知识则不是。

感谢这次精彩的采访，希望了解更多的读者可以访问 Treefera。

into the physical world, trained models on that data with appropriate scientific rigor and demonstrated measurable accuracy in live conditions. The technology is increasingly a commodity; the data and the domain expertise are not. Thank you for the great interview, readers who wish to learn more should visit Treefera。