欢迎来到丁香婷婷网,我们因为缘分而相聚。请记住我们的网址:dotnetech.com。丁香婷婷网提供更多更好看的东东都在这里

摘要: 人工智能创业该如何选择赛道、搭建团队、应对巨头挑战?

迅雷创始人程浩:人工智能创业的 6 大核心问题



摘要:人工智能创业该如何选择赛道、搭建团队、应对巨头挑战?


大家好,我是迅雷创始人程浩,现在专注科技领域的投资。今天跟大家聊聊人工智能领域的创业和创新,包括如何选择赛道、团队的搭配、以及如何应对巨头的挑战。

为此我从投资人的视角,给大家总结了人工智能创业的 6 大核心问题。

第一个问题:互联网 vs 人工智能

首先如果今天大家选择创业,我建议更应该关注人工智能,而非互联网。为什么这么讲? 

1. 互联网的流量红利已经消失;

以 PC 来说,全球 PC 出货量连续 5 年下滑。大家知道国内最后出现的一个 PC 互联网独角兽是谁吗?是知乎,大概是 2011 年初推出,这么多年过去,再也没有 PC 互联网的独角兽出现。做个类比,我们知道 2015 年移动互联网的渗透率和竞争程度和 2011 年的 PC 互联网类似,以此类推,2015 年以后再做移动 APP,也很难出独角兽了。

毕竟中国连续两年手机出货量都在 5 亿多台,增长放缓,代表无线流量基本已走平,你多卖一台,我就少卖一台,是存量竞争。今天创业者再做一个纯互联网的 APP,投资人问的第一个问题就是你怎么获客。因为现阶段流量格局已定,首屏就那几个 APP。

2. 互联网+的机会同样有限;

主要在于互联网最大的价值,是解决信息不对称和连接。所以对于电商特别有价值。淘宝用皇冠、钻石等信用体系解决了信息不对称,同时又把全国有这么多买家和卖家连接在一起。这个是互联网的价值。

但很多行业信息和连接并不是痛点。拿医疗举例,中国三甲医院的大夫就那么多,你把全国 13 亿人民都和这些大夫连接上了也没用,因为一个医生一天还是只能看那么多病人。互联网并没有提高医生看诊的效率。在诸如餐饮、医疗这些传统领域,互联网的帮助是很有限的。 

也包括滴滴打车,互联网解决了打车难的问题,但是没解决打车价格的问题。事实上,补贴去掉之后,大家都发现了滴滴一点都不便宜,道理很简单——不管是专车还是出租车,还是需要由人来开,人工成本降不下来,就不可能便宜。

3. 真正能够提高社会生产力,解决供需关系不平衡的就是人工智能;

人工智能将给社会生产力带来的提高,以及对人类带来的影响将远远超过互联网。

还是拿医疗来说,很多基层医院水平不高,那未来完全可以通过人工智能来辅助医生读 CT、X 光等医疗影像。像今年,IBMWatson 对皮肤黑色素瘤的诊断,准确率已提高至 97%,远远超过了人类专家 75%-84% 的平均水平。

未来,人工智能无论是在无人车、机器人、医疗、金融、教育还是其他领域,都将爆发巨大的社会效益,这点毋庸置疑。我认为下一波大趋势和大的红利不是互联网+,而是人工智能+。我建议现在的创业者更应该关注人工智能领域的创业机会。


第二个问题:人工智能 vs 人工智能+

人工智能主要分三层。最底层是基础架构(Infrastructure),包括云计算、芯片以及 TensorFlow 这样的框架。在基础层之上是中间层,叫通用技术(EnablingTechnology),例如图像识别、语音识别、语义理解、机器翻译这些。 

基础层和中间层,是互联网巨头的必争之地。比如芯片领域,Intel、英伟达、高通都投入巨资,竞争极其激烈。同样云计算、框架也是一样,都不是小公司能够涉足的领地。

现在对于中间层的通用技术,BAT 也极其重视。因为大家都相信人工智能是下一波工业革命浪潮。对腾讯、阿里、百度这些巨头来讲,要想在大浪中屹立不倒,必须要构建出人工智能的生态系统(Ecosystem)。而核心就是要依靠这些 Enabling Technology 技术。 

相比创业公司,BAT 的最大优势是什么呢?第一,不缺数据;第二,为了构建自己的生态系统,未来通用技术一定全部是免费的;第三,虽然通用技术免费,但 BAT 有羊毛出在身上的猪机会。这是典型的互联网打法。

这里的猪是什么?猪就是云计算。例如百度的 ABC 策略,分别代表人工智能(AI)、大数据(Big Data)和云计算(Cloud Computing)。AI 我可以不赚钱,开放给大家,那么大家想享受我的服务,就来买我的云吧。 

而对于创业企业来说,只做图像识别、语音识别、语义理解、机器翻译这些通用技术,指望通过 SDK 卖钱,未来路会越来越窄,特别是 BAT 都免费的压力下。

所以从这个角度讲,创业公司做下面两层风险比较大。我认为创业公司的机会在最上层,就是拿着下两层的成果去服务垂直行业,也就是我们所谓的人工智能+。


第三个问题:人工智能+ vs +人工智能

深入垂直行业的人工智能+,又可细分为两类情况:即「人工智能+行业」和「行业+人工智能」,他们间有明显的区别。

「AI+行业」简单讲就是在 AI 技术成熟之前,这个行业、产品从未存在过。比如自动驾驶,亚马逊的 Echo 智能音箱、苹果的 Siri 语音助手。在人工智能技术未突破前,不存在这样的产品。因为 AI,创造出了一条全新的产业链。 

「行业+AI」就是行业本身一直存在,产业链条成熟,只是以前完全靠人工,效率比较低,现在加入 AI 元素后,使得行业效率有了明显提高。比如安防、医疗等领域。

客观讲,这两个类别都有创业机会。但「AI+行业」,因为是一条新的产业链,创业公司与互联网巨头实际是处在同一起跑线上。巨头们坐拥数据优势。所以从这个角度,「行业+AI」相对对创业公司更为友好,也更容易构建出壁垒。

我认为,未来行业壁垒才是人工智能创业最大的护城河。因为每个行业都有垂直纵深, 尽管 BAT 技术好一点、并不关键。拿医疗+AI 举例,什么最重要?大量准确的被医生标注过的数据最重要。没有数据,再天才的科学家也无用武之地。

但在国内,这个医疗数据拿出来非常困难。所以 BAT 做医疗一点优势都没有,因为他们要把这些数据,从各医院、各科室搞出来也很累。相反,如果一个创业者在医疗行业耕耘很多年,也许拿起数据来比大公司更容易。

这要求创始团队的合伙人中,必须有懂行业、有行业资源的人才。这与互联网+一样,一旦细分到具体行业,并不是说你百度、腾讯有资金、有流量,投入人才就什么都能做,比拼的还有行业资源和人脉。

之所以跟大家聊这个话题,是因为前一段去百度大学跟大家交流,他们提到百度人工智能在无人车和 DuerOS 的应用。同时又问我,人脸识别在国内安防领域的应用价值非常大。像海康威视有近 3000 亿人民币的市值,每年光净利润就有近百亿。百度在 AI 方面是不是该考虑进军这个领域。我回答说千万别,因为安防是典型的、有巨大壁垒的「行业+AI」领域。 

即使百度技术好,在人脸识别率方面比海康威视高一个百分点(实际不一定,海康背后有几百人的 AI 研发团队)。但这并不代表百度就能替代海康。因为安防是「非关键性应用」(non-mission-critical),100 个犯人我识别了 95 个,你比我多识别了一个做到了 96 个,其实没那么重要。 

而反过来,海康对比百度有什么优势?首先海康是做摄像头的,用自己的硬件跑自己的算法,是很自然的事儿。就像苹果手机,软硬一体体验更好。其次,海康做了这么多年的安防,积累了非常多的数据,人脸的数据、环境的数据……在安防领域有数据优势。最后,海康给公安系统做了很多类似警务通、基站信息采集、视图档案管理等 SaaS 平台的东西,以及警用云系统。我们可以认为公安系统的 IT 化,其中有一部分就是海康威视参与的。

这些东西可能不赚钱,但却为海康构建了壁垒。因为底层的基础设施都是我建的,那前端的东西就只能用我的(我可以有 100 个理由,说竞品与我不兼容)。而且海康做了这么长时间,积累了大量的客户资源,特别是政府公安局的资源,开拓这些资源非常需要时间。

这些就是所谓的行业纵深。所以即使对 BAT 而言,想进入「行业+AI」领域,选择垂直赛道时,同样要非常谨慎。在巨大的行业壁垒面前,真不是说我的算法比你好一些,市场就是我的,只有技术优势仍然差的很远。

回归「AI+行业」和「行业+AI」,通常来讲前者的行业纵深会比较浅,而后者则有巨大的行业壁垒。而行业壁垒,则是创业公司最大的护城河,也是抵挡 BAT 的关键。


第四个问题:关键性应用 vs 非关键性应用

谈到人工智能领域的创业,很多人都会有个误解,就是如果我团队没有个大牛的科学家,比如斯坦福、MIT 的博士坐镇,我都不好意思讲在人工智能方面创业。其实这个认知是完全错的。因为在人工智能领域,算法到底有多重要,完全取决于你要准备进入哪个行业。

根据行业和应用场景不同,我认人工智能的创业本质上有 mission-critical 和 non-mission-critical 之分。为了方便大家理解,我们简称为「关键性应用」和「非关键性应用」。 

「关键性应用」要追求 99.9……% 后的多个 9,做不到就没法商业化。比如大家认为,99% 可靠度的自动驾驶能上路吗?肯定不能,意味着 100 次就出 1 次事故。99.9% 也不行,1000 次出一次事故。

千万记住,99% 和 99.9% 的可靠度差距并不是 0.9%,而是要反过来算,差距是 10 倍。也包括手术机器人,听起来 99.9% 可靠度已经很高了,但意味着 1000 次出一次医疗事故,放在美国,医院还不得被巨额索赔搞得破产。

所以「关键性应用」领域,就是一丁点儿错都不能犯的人工智能领域,必须要有技术大牛、科学家或算法专家坐镇。同时,这类项目研发周期都很长。

正如以色列做 ADAS(高级驾驶辅助系统)解决方案的 Mobileye 公司,今年 3 月被 Intel 以 153 亿美金收购。大家知道这家公司研发周期有多长吗?Mobileye 成立于 1999 年,到他们推出首款产品、挣到第一桶金已是 2007 年。长达 8 年的研发周期。这在互联网创业里不可想象。包括谷歌无人车从 2009 年开始研发,到现在一直没有商业化;达芬奇手术机器人从启动研发到 2000 年拿到美国食品药品管理局(FDA)的认证,花了十年时间。

「关键性应用」的普遍特点就是这样,项目通常很贵,研发周期巨长,离钱非常远,需要持续的融资能力,团队怎样才有持续融资?起码要有非常好的简历和非常好的背景。这个是能够持续融资的必要前提。所以大家可以看到,今天做无人驾驶的创业团队都是高富帅。因为不是高富帅,你都熬不到产品真正商业化应用那天。

当然,如果在人工智能领域都是「关键性应用」,那就没大多数创业者什么事了。实际上,人工智能领域的创业,95% 都是「非关键性应用(none-mission-critical)」。简单讲对这些领域,AI 的可靠度只要过了基础线,高一点低一点区别不大。

最简单的例子,现在很多公司的门禁开始用人脸识别。你今天带个帽子,明天戴个墨镜或口罩,识别率没法做到 99%。可即使没识别出来也没问题。因为所有带人脸识别的门禁都有地方让你按指纹。即使指纹也刷不进去,问题也不大,公司不还有前台吗。

这就是「非关键性应用」。这类项目不追求 99% 后面的很多个 9。实际上,国内人工智能和机器人方向的创业,大部分领域都是「非关键性应用」。当然并不是说,在这个领域算法不重要,你天天认不出来也不行,所以一定要过了基础的可用性门槛,偶尔出现问题可以容忍。「关键性应用」则不能容忍。

「非关键性应用不追求高大上,简单、实用、性价比高更重要,这样的项目通常比拼综合实力。包括:

  1. 对行业的洞察理解。要熟知行业痛点;

  2. 产品和工程化能力。光在实验室里搞没意义;

  3. 成本控制。不光能做出来的产品,还得便宜的做出来;

  4. 供应链能力。不光能出货,还要能批量生产;

  5. 营销能力。产品出来了,你得把东西卖出去。团队里有没有营销高手,能不能搞定最好的渠道是关键。 

所以大家在创业组团队时,一定要想好你选择的赛道处于哪个领域,不同的赛道对于团队的要求是不一样。「关键性应用」必须有技术大牛坐镇,「非关键性应用」则要求团队更加综合和全面。


五个问题:技术提供商 vs 全栈服务商

现在很多人工智能创业者都是技术背景出身,创业的第一个想法通常是做技术提供商。技术提供商作为创业的敲门砖可以。但如果只定位做技术提供商,未来路会非常窄。为什么说未来只做技术提供商价值会越来越小?原因有几点:

1. 首先通用技术一定是大公司的赛道,BAT 未来一定会开放免费。

人家大公司会免费提供人脸识别、语音识别、语义理解、机器翻译这类 EnablingTechnology,你还打算怎么靠 API 调用赚钱呢?也许现在还可赚点小钱,但很难成为一个长久的生意。

2. 依托于算法的技术壁垒会越来越低。

未来随着基础计算平台和开源平台的丰富成熟,技术方面的壁垒会越来越不明显,整个人工智能的技术准入门槛会越降越低。就像 2008 年你想找个 IOS 开发者,很难,现在却很容易一样,所有技术的演进都遵循这一规律。特别随着今天各大学的计算机专业,都纷纷开设机器学习课程,未来人才不缺,这会拉低整个行业的进入门槛。

同时随着谷歌 TensorFlow 等生态系统的成熟,很多领域都会有训练好的模型可以用来参考(出 Demo 会更快),创业者只要有足够的数据来训练参数就好了。所以未来算法的壁垒会越来越低,如果这个公司的核心竞争力只是算法,那将非常危险。

3. 技术提供商如果不直接面向用户/客户提供整体解决方案,则非常容易被上下游碾压:

对于技术提供商和算法类公司,如果你的技术壁垒不够高,上游很可能直接把你的事做了。这样的例子比比皆是,比如给海康威视提供人脸识别算法的公司。问题就在于,海康在用你算法的时候,人家也有庞大的研发团队在研究自己的算法。现在用你是人家还没准备好,一旦准备好立刻会把你替换掉。

即使在有一定技术门槛的行业,技术提供商的日子同样并不好过。比如专注嵌入式的视觉处理芯片的 Movidius,大疆无人机一直在用他们的芯片。但自从大疆统治了消费级无人机市场后,大疆现在也很自然地开始研发自己的芯片。

按说芯片的技术壁垒并不低,但只要行业集中度高,赢家就会选择通吃。比如做手机的厂商,出货量到了一个阀值,都有动力自己做芯片。像苹果、三星、华为还有现在的小米,都选择了自己做手机 CPU。所以联发科、高通这些技术提供商,其实是挺痛苦的。

这其实是一个产业链通用规律:产业链上的垄断者会吃掉所有利润,而且他们非常有动力往上游或下游扩展。拿 PC 产业链举例,内存、硬盘、整机、显示器……都不赚钱。钱被谁赚走了?Windows 和 Intel 却赚走了绝大部分利润。 

既然做纯技术提供商没有出路,那怎么办?浩哥提出「一横一纵」理论。前期做技术服务可以,但是不能一辈子做技术服务。

「一横」就是指你提供的技术服务。通常「一横」能服务很多行业,一定要找到 1、2 个,你认为最有市场机会,最适合你的垂直领域,深扎进去做「全栈」:把技术转化为产品,然后搞定用户卖出去,实现商业变现,再通过商业反馈更多的数据,更加夯实自己的技术。一句话讲,要做技术、产品、商业和数据四位一体的「全栈」,这就是「一纵」。这才是健康的商业模式。

在垂直外的行业,因为没有利益冲突,你仍可老老实实的做技术服务。这样的话,商业上你能吃透一个垂直行业,技术上你还能通过横向合作,形成更多的数据回路,从而夯实你的技术。这个就是「一横一纵」理论。

那么对于技术创业公司,从「一横」走到「一纵」,要选哪个垂直领域,取决 5 个关键因素: 

  • 市场空间够不够大?

做垂直领域的全栈,还是做横向的技术提供商?取决市场空间哪个更大。找对垂直领域,即使只占一点点市场份额,也可能比做「一横」全归你的收益大。拿美图公司举例,他们有美图秀秀、美拍、美颜相机等 APP,同时还会跟很多手机厂商合作,提供相机拍摄的美颜效果,你可以理解这就是技术服务。

但研究 2016 财报后,大家知道美图秀秀选的「一纵」是什么吗?就是美图手机。以上提到的技术服务都远没有垂直做美图手机赚钱。美图手机占了公司全部营收的 93%。虽然美图手机去年的销量大约在 74.8 万台,仅仅只占国内手机市场全年销量 5 亿多台的不足 0.15%。

  • 行业集中度如何?

做「一横」技术提供商时,最担心的是你的上游或下游过于集中,或者说头部效应越明显,对技术提供商就越不利。举个简单的例子,IDC 时代,HP、DELL 等厂商卖服务器,都是直接卖给各 IT 公司,大家日子过的都很滋润。但 2010 年之后就很难做了,因为云计算出现了。

提供云计算的厂商就那几个,两只手就能数出来。而且头部效应极其明显,仅阿里云一家占了 50% 以上份额。如果你是一个技术提供商,在跟这么垄断的行业去谈判,你会发现没有任何筹码。所以现在就很悲催,假设我是阿里云,会让你列出 BOM 成本,我就给你 5% 或 10% 的利润,这个生意就很难做了。

在这种情况下,你当然有意愿也往上游走。但带来的问题是什么?如果上游集中度高,说明这事的壁垒很高,你作为技术提供商想往上走,同样很困难;如果这个上游集中度低或客户很零散,对你是件好事。但是你也没有太大动力往上游走,因为这个市场本来就很零散,你即使杀进去,可能只有 1% 的市场份额,而且使得 99% 的人都变成你的竞争对手了。这是个悖论。

  • 技术是改良还是革命?

如果你的技术创新对这个垂直领域是革命性的,就越有机会走到上游。如果只是改良性的,你就老老实实在下游赚个辛苦钱算了。越是颠覆性的东西,越有机会往上游走。因为上游越离不开你,意味着你有机会做他的事。

打个异想天开的比方,如果你能提供一个「待机一礼拜」的电池,那你就可以考虑自己做手机,你的手机只打一点:一星期不用充电,而且是全球唯一!就这一点可能就够了,因为这个技术是革命性的。相反,如果是改良性的技术,例如你的电池待机只是比以前多了 10~20%,那你还是老老实实卖电池吧。 

  • 双方壁垒谁更高?

技术提供商的壁垒和上游客户的壁垒哪个更高,也决定做「一纵」的成败。拿比较火的直播平台而言,现在都有美颜功能,例如给女孩长出个耳朵那种,这个通常都是第三方提供的技术。技术本身的壁垒并不高,很多公司都能提供,虽然效果有一些小的差异,但你没有明显优势。

可是直播的壁垒相当高,这事有网络效应,用户越多会吸引更多的美女主播,因为能赚到更多钱,美女主播越多,也会带来更多的用户。同时你舍得花钱,需要很多资金来买流量以及签约很 NB 的主播。所以这个事壁垒很高。你做技术提供商壁垒不高。这种情况下,虽然技术提供商只能赚个辛苦钱,但是仍然完全没有机会往上游走。

  • 到底跟团队基因相符不相符?

能做得了技术服务,不代表能做垂直解决方案,做全栈,因为团队不一定有行业经验,这是很大的问题。亚马逊的无人便利店 Amazon Go 出来之后,国内不少技术团队也想提供类似的技术,甚至想做 2C 的便利店。

与他们聊完后,我都会劝他们再考虑一下,你的技术再好,对于用户而言,他买东西的时候,会看这个便利店有人还是无人的吗?不会,这不是优先选项。他首要考虑的还是——哪个便利店离我更近,以及我想买的东西这个便利店有没有。

从这个意义讲,这又回到了零售的本质。所以如果团队没有零售的基因,没有懂零售的人,就别考虑自己开便利店的事。这时候,很多人可能会问「那我找个懂行业的高管不就行了么?」这事没那么简单,如果 CEO 不了解行业本质,其实是很难靠一个高管去弥补的。

我特别相信基因决定论,如果任何一个新的商业,BAT 找个懂行业的高管就能搞定了,那中国互联网的生意就全是 BAT 的了,就没创业公司什么事了。BAT,一个做搜索,一个做电商,一个做社交。其实他们 3 个都把对方的事情已尝试了一遍,最后都不成功。所以大家能做什么,不能做什么,跟这个公司的基因是高度相关的。


第六个问题:2C vs 2B

最后一个问题,简单说一下,科技成熟都需要一定的时间。因为从任何技术普及演进的角度,几乎都延续了先是从军工(航天)、到政府、到企业、到 B2B2C、再到 2C 这个规律。人工智能也一样,目前人工智能在 2C 市场还不是很成熟。

简单说机器人,在个人消费者市场,出货量大的机器人只有 4 类产品:扫地机器人、无人机、STEAM 教育类机器人和亚马逊 ECHO 为代表的智能音箱。为什么 2C 市场早期的普及有一定的困难,简单讲几个原因: 

1. 产业链不成熟

我做一个创新的东西,成品有 10 个部件。每一个部件都得自己做,而且因为出货量不大,每个部件都没有规模效应,这就导致每个部件都很贵,那你最后做出成品一定很贵。这是非常大的问题。

2. 2C 是额外花钱

这也是很重要的一个问题,2C 端的用户因为自掏腰包、额外花钱,所以对价格通常比较敏感,产品很贵就是一个很大的门槛。

3. 2C 产品的用户期待度高

用户买了这么贵的东西,自然对产品的期待度会更高很多。大家觉得我买一个机器人回来,恨不得什么都能干:又能唱歌、又能跳舞、又能聊天、又能清洁、又能讲英语。但这是不现实的,现在的技术成熟度离此还有些远。

相对于 2C 端,这些问题在 2B 端却不是问题。

1. 2B 端对价格承受能力更高

首先,企业对价格的承受能力显然比 2C 强很多。你说一个机器人 2 万,2C 消费者不可能买,但企业问题不大,企业对成本承受能力高。

2. 2B 的核心目的是降成本

举例工业机器人,10 万块钱一个,听起来很贵。但一个工业机器人替代你 2 个岗位。这 2 个岗位一年也得 10 万块钱,还不算四险一金。然后这机器人能工作 4 年,这一下成本只有你原来的 25%,甚至不到。那么企业一算账,觉得还是很便宜。

3. 2B 可以采取人机混合模式

还有 2B 端的机器人应用更简单一些。一方面大多是单任务,机器人只要做好一件事就行了,实现起来简单。另外,很多都是以"人机混合"模式在作业。也就是以前需要 10 个人干活,现在我用机器人替代一半人。简单重复的工作用机器人替代,复杂的用剩下的 5 个人,这就是"人机混合"模式。

举个例子,现在国内外已有很多安保机器人,按固定路线去巡逻。你可以理解为移动的摄像头,当然算法上肯定加入了一些识别的东西。固定绕路线巡逻,这个完全可以交给机器人来做。难的是,在巡逻的过程中,如果发现有老太太摔倒了,让机器人扶起来,这个目前还做不到。

但这不重要,你们后台不还有 5 个人么,让他们过来就好了。所以人机混合是 2B 比较主流的模式,这个大幅降低了机器人普及的难度。

最后再说一点,目前大多数 AI 创业公司都是技术专家主导,这很容易理解,因为现在技术还有壁垒,技术专家主导起码保证产品能做出来。不过未来随着技术门槛的降低,特别在「非关键应用」领域里,团队的核心主导,会慢慢过渡到产品经理和行业专家为主,因为他们离用户需求最近。「非关键应用」领域,懂需求比技术实现更重要。长期来看,人工智能创业和任何其他领域的创业一样,一定是综合实力的比拼!