当一个新的人工智能产品创意看起来有前景时，很诱人直接列出一长串功能。加入聊天机器人、连接几个工具、构建仪表盘，甚至从第一天起就引入自动化。

问题是，最小可行产品（MVP）本应用于验证假设，而不是证明团队能交付多少功能。

更好的起点是找出用户真正需要解决的那一个问题。然后构建最小的版本，以检验该方案是否可行，测量结果，并依据真实反馈进行改进。

有几种方法可以实现这一点。创始人可能会使用内部团队自行开发，使用微软云 AI 服务，或与像 GeekyAnts 这样的产品工程合作伙伴合作。思科思和 EPAM 等公司也提供软件工程和产品开发服务。

关键的问题不是功能的数量，而是交付流程。团队能否早期验证想法？数据是否已准备好？AI 输出质量将如何衡量？架构能否在不让首次发布过于复杂化的前提下实现扩展？

MVP 应该足够小以便学习，但足够工程化以便这些学习成果有用。

如果你今天要创办一家 AI 初创公司，你会首先验证什么：客户需求、技术可行性，还是 AI 是否能够持续产生有用的结果？