他研究了5000家AI公司，說人工智慧應用該這麼做！

本文由 「AI前線」原創，原文鏈接：他研究了5000家AI公司，說人工智慧應用該這麼做！

大家好，我是 Henry Shi，我是美國人工智慧的博士，連續創業者，同時我也專註在於 AI 領域的早期投資（AI List Capital管理合伙人）。我投資的公司大部分都是在美國的早期公司。但是也有其中的一部分現在發展到中國市場上，在中國的多個城市進行了落地，所以我對人工智慧在美國和中國不同行業的應用都是非常關注的。我們也做了很多的研究，包括我們的團隊研究了全球超過五千家人工智慧公司，去分析他們的技術和商業模式等等。

同時我也是貪心科技的內容合伙人。我們是一家人工智慧和教育相結合的公司，成立於美國洛杉磯。貪心科技旗下的貪心學院是國內首家以 AI 和大數據內容為主的自適應學習平台。平台提供最專業、最標準化的 AI 課程體系，通過人工智慧技術給每一位用戶提供量身定做的個性化學習路徑。互聯網革命帶來的人工智慧時代正在迅速重塑著我們對課堂、教育乃至人類學習模式的理解。我們堅信人工智慧和在線教育的結合會帶來教育行業的巨大變革。

我致力於為這家公司的這個平台提供非常優質的人工智慧的內容，把美國最前沿的人才和一些科技資詢可以更好的向中國來進行傳播。貪心科技是 AI List Capital 基金投資的一家公司。大家可以關注公眾號「貪心科技」來了解這家公司，在文章末尾附有公眾號二維碼。

無論你是 AI 的創業者、投資人，還是對 AI 技術感興趣的愛好者或者是商務人士，希望我講的內容可以對大家有一定的借鑒意義。

我今天主要講幾個方面：

• 第一就是對 AI 的基本認知，從投資的角度來講，我們是怎麼認知 AI 的；
• 第二簡單介紹一下 AI 公司分析的一些維度；
• 第三我想討論一下 AI 在垂直行業的應用和中美對比；
• 最後給大家一些創業的建議。

AI的基本認知

對 AI 的基本認知很簡單，我們認為 AI 的核心就是數據驅動來提升生產力、提升生產效率。凡是滿足這個條件的，我們基本上認為它就具有 AI 公司的特點，即只要是獲得了數據並且去利用數據來提升它的整個生產力、生產效率的，我們認為它都具備 AI 的元素。

對 AI 的第二認知是：AI 是互聯網或者移動互聯網發展的一個必然結果，因為移動互聯網和互聯網創造了大量的數據，那麼目前來講互聯網、移動互聯網當中的機會應該是很有限了，今天你要再做一個這領域的這個獨角獸公司相對困難，但是 AI 裡面有很大的機會，我相信大家也非常關注 AI 公司的融資，在中國不斷有 AI 公司獲得非常大額的融資，它的整個估值推高的非常快，這速度可能比以前的互聯網，移動互聯網公司要快很多，這裡面給我們創造了非常大的機會，無論是創業者還是投資人。

第三方面，我想來分析一下 AI 公司常見的兩種類型，第一種就是直接用 AI 來解決問題的，這裡面的一個代表那就是無人駕駛，無人駕駛從一開始就是希望用 AI 來解決駕駛的問題，它一開始就希望用這種機器自動化的方式來解決；第二類公司是數據積累後的一種智能化，或者說是互聯網、移動互聯網公司發展後自然走向 AI 化，舉個例子，像 LinkedIn、Facebook，他們在積累了大量的數據之後，可以用這些數據來做智能的好友推薦，它們的未來一定會越來越智能，未來很多互聯網、移動互聯網公司都會自然的成為 AI 公司。

下面我舉幾個例子，跟這兩類 AI 公司相關的。這裡講的公司大部分都是我們投資的，但同時它也是在後續輪被美國非常主流的這些投資機構來領投的，同時他們又是 AI 在不同垂直行業當中的很好的範例，我覺得這幾家公司在對 AI 垂直行業應用方面給大家提供了一些比較具體的例子。

我想講的第一家公司就是叫 EverString，它是直接用 AI 來解決問題的。

EverString 最早做得是什麼呢？其實他們在大概五六年前創業之後，很早就拿到了真格基金的投資，因為 EverString 這些人大都是斯坦福出來的，他們最早做的事情是幫助 VC 和 PE 來發現有潛力的投資標的，也就是在 2013 年乾的事情，現在大家看到的這張圖，實際上是他把全球的很多公司的信息做了整合之後，通過可視化的方式呈現在一張圖上，來幫助 VC 和 PE 發現很有價值的這些標的，比如圖上的圈，比較大的這些圓圈可能代表的就是公司體量比較大，增長速度比較快的這些公司。

通過這種比較有意思的大數據可視化，能夠發現一些增長比較快的領域，或者是某些其實存在很多機會的領域，但是暫時沒有被主流的 VC 和 PE 盯上，總的來說，這家公司做的是這麼一件事情。

但是這件事情其實當時做得是比較局限的，比如說他們後來發現，這個市場太小，雖然他們提供的東西有價值，但是很少有 VC 和 PE 會為他來進行比較大的買單，後來他們把這個產品升級到了一個大了幾十倍幾百倍的市場，也就是 AI 加銷售的這個市場，把 AI 用在銷售領域，利用 AI 來發現潛在的企業客戶。

我們把剛才這個 VC 找項目的例子進行深層面的思考。

VC 要找投資項目，投資項目可以認為就是 VC 的潛在客戶，在這種層面上你可以認為它是個 B2B 的公司，B2B 的公司希望找到好的企業客戶，那麼 VC 只是這種 B2B 公司當中的一小類。實際上有大量的 B2B 公司都要找到企業客戶，比如說現在的圖中展示的是 EverString 現在的一些客戶，包括 Salesforce、Oracle、IBM 等等，這些都是非常大的企業。他們都要找到很多企業客戶。

那 EverString 乾的事情是當企業有一大堆潛在的客戶時候，在我這張圖上的這個左邊，就是說這些灰色的人頭，就是說每個人頭可能都是個潛在的企業客戶，那麼你可能會有很多很多，比如說這個數以萬計的潛在企業客戶，你給一個企業過來，其實對企業來說，我要去跟這些客戶聊，我要去銷售，選擇合適的企業客戶來進行銷售是很重要的，這個是很提高效率，減少銷售人員的很多重複浪費工作，相當於提升他們效率，減少他們浪費很多時間在不太可能的客戶上。

在拿到了很多潛在客戶之後，EverString 就要進行下一步工作了：將企業已有的客戶數據進行比對、分析，比如去分析這些潛在客戶的 Web Bhev。舉個例子，比如亞馬遜，我發現有個客戶，他現在可能就在網上招一些能夠做雲服務、雲計算方面的一些人，很可能這家公司就是在雲計算、雲平台方面有很大的需求。比如說有的公司可能剛剛新融一輪資，並且它說要在某些方面進行重要的戰略性的發展，那麼這些數據的分析也可以為這個企業，提供潛在客戶這種篩選的信息。

總的來說通過在大量的客戶當中去挑選出一些非常有潛力的客戶，其中結合了 CRM 還有一些用戶網上的行為，最終他可以給很多潛在客戶進行打分，就是這裡面這張圖裡面的最後一步，每個潛在用戶都給他打了一個數字的分數，分數越高就是越有可能，之後就可以讓公司的銷售人員優先去和這些客戶聊。

在這樣的一個轉型升級之後，EverString 發展的非常快，他們基本在美國要進入獨角獸的行業，他們現在也是矽谷在 AI 領域發展的很有潛力的一家 B2B 的公司。

總結一下上面講的例子，這家公司擁有的兩個屬性：第一是 AI 加銷售的一個垂直行業應用；第二是這家公司直接用 AI 來解決問題的。

我再講一家我們投資的也是用 AI 來解決問題的一家安防公司。

這家公司用 AI 來防護自動化的網路攻擊。什麼叫自動化的網路攻擊？根據一項權威的研究表明，其實 90% 以上的登錄頁面訪問都來自於自動化程序，也就是 Bot，什麼意思呢？比如說你是一個類似淘寶的電子商務網站，規模比較大，其實大量的登錄行為，用戶名和密碼這種行為都不是來自人，而是來自這個機器程序，機器程序這種登陸行為的目的是什麼？當然是想盜取帳戶，那怎麼盜取？

實際上大家很多時候在不同的網站上，註冊用戶名和密碼的時候都用的是同一套，但是很多網站其實它的安全性做得是很差的，比如說很多黑客程序就可能會侵入到一些安全性比較差的這些論壇、網站，然後把你的用戶名密碼信息泄露出去，又有大量的這種 Bot 拿著這些信息去很多主流的網站上去測試，比如說電商、銀行、航空公司等等，在各種網站上測試，很容易就會竊取進去，只要用戶名和密碼配對成功，它就登錄進去了，那就可能給你造成很大的損失，Shape Security 這家公司就是來解決這個問題的。

Shape 的客戶是誰呢？比如就是淘寶，Shape 的目的是幫助淘寶去分析出來登錄我淘寶這些人到底是人還是 Bot。如果是 Bot，就要把它給阻攔掉，這個 Shape 也發展的非常快，它也基本上就是要達到這個獨角獸的行列了，它的投資方也都是美國頂級的 VC，像 KPCB，Google，Ventures 等等，這張圖是 Shape 的一個很好的體現。

你看到這張圖上面，這個黑色的區域體現的就是這個網站的訪問量，那麼在啟動 Shape 之前，網站雖然訪問量很高，但是大量都是由 Bot 產生的，那 Shape 運行之後，Bot 的登陸就被大大的過濾，這個訪問量就非常正常了，基本上就是來自人，Shape 就幹了這個事情。

你可能會問說，那這個 Shape 的 AI 用的是什麼？這裡的 AI 主要是去判斷這個登錄行為來自人還是來自 Bot，這個判斷並不是那麼容易的，而且現在 Bot 也越來越智能了，它其實是用 AI 去反 AI，其實和這種殺毒軟體等等也比較像，但是 Shape 解決的這個問題是很多現有的防火牆，殺毒軟體等等的不太能解決的。這也是為什麼 Shape 它的客戶全是美國非常頂級的，最大的銀行、最大的航空公司，還有像星巴克等等，都是它的大型客戶。它也是 AI 在垂直領域，也就是安防當中的一個非常好的應用，而且它是直接用 AI 來解決問題的，解決的就是這個程序攻擊的這個問題。

我要講的第三家公司 ObEN，也是我們早期投資的一個公司，它也是有 AI 來解決問題。這個 ObEN 這家公司乾的事情是挺有意思的，它是 AI 在娛樂行業的一個應用，它能夠幫你建立人工智慧的虛擬形象。

比如說大家看這裡的這個第一張圖，這是 ObEN 的兩個創始人，給了一張照片之後，它在他們的右邊就生成了他的人工智慧虛擬形象，然後這個虛擬形象就不僅表情動作和它很像，聲音也非常像。可能大家也或多或少了解這個技術，比如說在很多的影視當中也有應用。

ObEN 的核心亮點就是說它能夠用很快速的方式來建立這種虛擬形象，並且賦予它娛樂的應用場景。比如說它要建立聲音模型，只需要兩分鐘的音頻；它要建立頭像表情的這種形象，只需要少數的幾張照片，當然數據越多，它的效果肯定是越好的，但是它可以快速的生成。

比如說在這裡，可以看到最右邊的這張圖，就是它把公司這位印度籍的創始人的虛擬形象構造出了，讓他在一個有點像這種 BR、AR 的場景當中唱歌，而且還能讓他唱中文的歌曲，用的還是這個人自己的的這種聲調，這些都是它的應用。它也可以讓你唱出周杰倫的感覺，甚至可以做到非常像，它也可以讓你去建立周杰倫的聲音，讓他去唱另一個歌手的歌曲，甚至可以讓周杰倫來講這個郭德剛的相聲，這些都可以做到。

ObEN 它發展的非常快，它的投資方很強，包括軟銀，騰訊，華人文化，SM 娛樂等。SM 娛樂是韓國非常知名的娛樂公司，並且在去年 ObEN 和 SM 娛樂合資，合作成立了一家合資公司，就是叫 AI Stars，就叫幻星，核心就是用 AI 來為 SM 旗下的很多明星提供虛擬形象的服務。

你可能會問明星造了這個虛擬形象目的是什麼呢？其實這個目的之一就是能夠和粉絲更好的互動，你可以想像，未來每個明星他都有一個虛擬形象，你可以通過一個 APP 去跟他互動，比如說你可以和周杰倫進行互動，你會問他很多問題，他都會盡量給你回答，有些問題他可能一時答不好，但是他可能就是通過後台他的經紀公司幫他回答了之後，他不斷會學習，可以和人更好的互動。而且粉絲跟他互動的時候，他能發出周杰倫的這個聲音，還有周杰倫的特有的這種表情等等，甚至用戶可以點歌，讓他唱什麼歌他就給你唱什麼歌，這個就非常有價值，會很多粉絲願意為他進行付費，應該說是創造了一種新的娛樂體驗。

ObEN 的整個發展它也很快，除了和 SM 合作，比如說在中國它現在就在跟 SNH48 在合作。其他地方也有很多應用，包括它和微信等等這些企業也有合作。所以 ObEN 也是我講的一家 AI 在垂直行業的應用公司，它在娛樂行業來進行運用，也是用 AI 來直接解決這個問題的。並且現在 ObEN，它在布局整個區塊鏈，它推出了全球第一個分散式的社交 AI 的平台，結合了區塊鏈。

大家可以在網上查一下，最近他們的新聞也是非常活躍的，這是人工智慧和區塊鏈的一個很好的結合，我相信在座的很多可能也知道最近區塊鏈相當火，可能是基於去年人工智慧達到風口之後，今年又達到風口的就是另一項技術，AI 和區塊鏈確實有很多讓人很興奮的結合的方式，ObEN 是走在這個方面的前列了，我相信很快也會有很多這方面的優秀的公司會誕生。

我要講的下一家人工智慧的公司叫 Honey。我這裡的標題其實是有問題，Honey 不是我想講的直接用 AI 來解決問題的公司，Honey 是我前面講的 AI 公司當中第二類，它本身是個互聯網公司，只是因為它獲得了大量的數據之後，它自然的變成了一個 AI 公司，或者說它自然的就發揮了很多 AI 在這裡面的功效。

Honey 做的是什麼呢？它其實是一家美國公司，非常符合美國的市場。它是一個瀏覽器的插件，用戶在美國六千多家電子商務網站進行消費的時候，Honey 會自動幫你找到，用戶要買的這些東西的最便宜的購物券，英文叫 coupon。這是在美國還有加拿大等等這些海外的地方推行的優惠券。同時還是電商推廣自己的一個很重要的一個方式，很多人都會在 check out 時候都會去找到購物優惠券，但這個中間就花很多的時間。Honey 就把這個時間省的非常少，它可能只用零點幾秒就一下子找到你買的這些東西，同時把全網最便宜的 coupon 給你自動的填進去。

比如說在 eBay check out 時候，Honey 就根據你買的這些東西進行分析，發現最多可以省一百塊錢，然後它說我幫你自動填進去。它做的這個事情，概念非常簡單，大大節省了人們工去找 coupon 的時間，而且能保證自動搜索應該是全網最便宜的優惠券。

Honey 概念非常簡單，它就是個互聯網公司，甚至它小到它就是個瀏覽器的插件，但是它發展的非常迅猛。它的盈利模式比較簡單，就是通過銷售分成，因為它相當於是最後一步導流，所以一般電商就會分給它這個行業大概在百分之三到四的這個 commision ，所以 Honey 最近兩年，有了一個迅速的增長，它現在已經有超過六百萬的用戶，並且它的凈收每月超過一千萬美金，這是一個非常大的一個收入了，但是其實就是靠這麼一個很簡單的瀏覽器的插件。

這也是我們很早投的一個公司，現在它也完全盈利了，而且還在增長的非常迅猛。它本來是一個互聯網公司，但是它獲得了很多的授權，這時候他就開始利用 AI 了，它 AI 在這個領域的運用主要是兩個層：

第一個能夠自動抓取優惠券，這裡面也用到了一些自然語言處理，因為優惠券它可能往往處於不同的形式，有的是結構化的數據，有的是非結構化的數據，就是會出現，那麼 Honey 需要去分析這些數據，相當於把這個優惠券提取出來存到它的資料庫裡面，這是 AI 一個非常簡單的應用，甚至可能大家也不叫它 AI，更多叫它一個智能的爬蟲；

那麼第二塊也是它現在打造的叫智能購物助理，就是說 Honey 擁有了大量的數據，Honey 擁有你在六千多家電商上消費的數據，Honey 知道你可能在 eBay 看了一樣東西，最後你跑去 Target 購買了。可以想想 eBay 和亞馬遜，它們也擁有大量的用戶的電商消費的數據，但是這些數據僅次於它們這個平台。比如 eBay 它是不知道有人看了我 eBay 的東西，後來跑去比如說亞馬遜上買了，就很多這種跨電商的數據是它們沒有的，但是 Honey 是具備的，人們在使用 Honey 的時候它當然需要同一 Honey 可以去獲得它的這些數據，不然 Honey 也不知道你到底買什麼，你要用什麼購物券。

Honey 具備的是一個跨了六千多個電商上的用戶行為數據，它更多是能夠幫助你去更智能的購物，你可以想像現在很多電商都有了自動貨物推薦的這個功能，但它實際上是以電商為出發點，核心就是更好的去讓客戶去買單，推薦它更好的東西。但是 Honey 你可以認為是一個從客戶角度方出發的智能助理，他知道你在很多電商上的消費行為，他知道你到底喜歡什麼、敏感什麼，所以這也是他在未來 AI 方面的我覺得是一個很大的應用，也是他現在在重力打造的。那麼 Honey 就是我舉的一個例子，它是 AI 和消費上結合的，並且它區別於前面這些公司，它就是說它不是用 AI 來直接解決這個問題，他是在大量數據積累之上，它自動產生的這種智能化的應用場景。

我們剛才其實就給大家分享了四家公司，就是這個我簡單給大家這個回憶一下：

• EverString 是一家 AI 來解決這個銷售當中問題的一家公司；
• Shape Security 是 AI 和安防相結合的；
• ObNE 是 AI 和娛樂相結合的；
• Honey 是一個互聯網公司升級成的一個具有 AI 屬性的公司，它是用 AI 來解決消費當中的問題。

那麼這是四家公司，是我給大家舉的例子，相信可能對大家理解 AI 在垂直行業的應用起到一個比較具像化的作用。

AI公司分析的維度

那麼接下來我想分享一下作為一個投資人，我們分析 AI 公司可能有哪些維度，當然我們分析的維度其實非常多，這裡我核心想講兩個維度，可能對大家理解 AI 公司以及創業會有比較好的幫助。

第一個維度就是價值。

就是 AI 在這個裡面到底扮演的是什麼樣的價值，這個問題很重要，因為它影響到了這個公司的商業模式和估值。當然從投資角度來說，投資就是尤其我們這種早期投資就是價值投資，你有足夠的價值才值得投資，才能讓我們看到未來增長的潛力。那 AI 在這些很多公司當中這個價值主要體現在兩個層面：

第一個層面就是提高效率降低成本，就是前面講的叫提高生產率，比如說它能降低客戶獲取成本，可能它減少了客戶流失率，或者降低了人工成本等等，比如說無人駕駛就明顯就是降低人工成本，這是一種價值。

另一種價值是它可能會創造新的價值，比如說 ObEN，ObEN 它這個東西有減少什麼成本嗎？某種意義上說是，比如說它減少了明星和粉絲互動的成本，提高了互動的效率，但是從一個更廣義的角度來說，這種 AI 在娛樂當中的應用它往往在創造新的價值，就是說它可能會產生新的用戶行為，這樣的話就幫助公司產生了新的收入來源，或者它能夠幫公司很好的擴大這個用戶群，也就是說，AI 可能有的時候，它不是那麼直接的降低了成本提高了效率，而是它可能創造了新的價值，它為企業找到了一些新的和用戶進行互動的方式。

並且這個價值其實還有一個很有意思的特點，就是它往往能給這個企業產生獨特數據，就是它有點像一個 UGC 的引擎，用戶它會在互動當中會產生獨特的數據，這個數據是 BAT 是不可能有的，也不是說你跟某一個傳統行業公司結合就有，這是你獨家的這個數據，這種新創造新價值的這個 AI 公司也是一個我們非常關注的一類公司，因為它產生的這個數據壁壘比較強。

那麼剛才說到了壁壘，AI 公司分析的我們覺得就是第二個緯度就是壁壘。

壁壘很關鍵，你有價值，但是你有沒有壁壘？有沒有競爭力呢？壁壘的話，我們首先看到這麼第一張圖就是一個三角形，如果我們把 AI 公司來進行分析的話，事實上它可以分成三類：

1. 最底層就是做基礎架構的，比如說包括了雲計算，晶元等等；

2. 上層就是通用技術，就是比如說像科大訊飛就是做語音識別的；

3. 再上層就是叫垂直行業應用，就是我們認為 AI 和行業的應用是創業公司的戰略高地。

為什麼呢？因為通用技術和基礎架構往往都是大公司做得，或者說它往往需要大量的人力和財力，很多創業公司在這裡面的機會並不大，或者現在再進入的話也很難有獨特的這個優勢了。並且像通用技術，很多大公司在做了比較成熟之後，我相信一定會開源，或者以非常低價的方式來讓創業公司使用，形成它的一種生態。

那麼目前來講創業公司的這個很大的機會還是把 AI 用到一個垂直的細分的行業裡面，這些應用往往是具有一定行業門檻，而且也是很多大公司它現在可能沒有那麼多的精力去投入的，但是對創業公司我們覺得是有機會。這是從壁壘的一個角度，就是當你面對很大的競爭的時候，創業公司我覺得多考慮和垂直行業的應用。

第二方面還有形成一個壁壘的這個概念叫數據網路效應。這個也很重要，數據網路的效應的意思是說，當你數據越來越多的時候，其實你的公司越來越強大，並且你也可以獲得越來越多的數據，這是一個正向的循環，當你有客戶的時候你肯定會獲得更多的數據，當你有更多的數據之後你的演算法性能就提高了，演算法性能提高之後又幫助你獲得更多的數據，這是一個循環。

那麼數據網路效應往往也是 AI 的公司的壁壘，我們經常講：AI 公司先發優勢很重要，你先進入這個市場，先獲得數據你才能夠不斷的獲取更多的數據、更多的客戶。有的時候我們從投資角度來講，AI 的數據壁壘往往已經超過了它技術的壁壘。

隨著現在很多 AI 公司都在使用深度學習，或者說底層使用的這些 AI 晶元等等越來越標準化的時候，很多時候這個數據還是核心，演算法層面的差異性，或者它的產生的優勢可能在不斷的結構，當然不排除特定行業裡面，可能一些特殊的演算法仍然具有比較強的優勢。尤其我們覺得像創業公司做 AI 加垂直行業應用的話，數據的壁壘很重要，而且要充分利用這個數據網路效應，快速的擴大你的數據的體量，先發優勢很重要。作為 AI 創業者，我們的建議就是：儘快的切入，儘快的去和行業的數據結合，儘快的把握領頭的機會。待會我會再講一些創業方面的建議。

那還有一個維度，我也想補充的，就是叫技術分析維度。

這個也是我們在做投資時候要思考，而且我覺得對於創業者來說也是個非常關鍵性的問題。

就是在這張圖上，這裡我提供兩張圖，第一張圖就是說：任何一個行業應用它其實對於準確率來講都有一定的要求的。比如說在這裡就是紅線，比如說自動駕駛，它的準確率的要求就非常高。比如說用 AI 來做醫學影像的分析，也要有一定的準確率，往往這個準確率是和人相比的。但是有的時候，它比人的要求更苛刻，比如說無人駕駛，人駕駛可能事故率還是比較高的，但是人們覺得 AI 的應用時候，事故率得低的多，但是 AI 演算法到底能做到多少準確率？

其實和訓練數據是很相關的，當你訓練數據量少的時候，你確實就很難做到行業應用的要求，這個時候你該怎麼辦？或者說當我作為一個投資人我來判斷一家公司的時候，我覺得你可能在一定程度上做不到那麼好的準確率，這種公司可投還是不可投？這個地方除了數據量的變化，我們也要看到還有技術的進步，昨天還不太可能的，也許過了幾天，過了幾個月就有可能了。

這裡面其實非常好的這張圖，就是這個 ImageNet 上面的錯誤率的一個變化，在 2010 年的時候，ImageNet 剛推出不久，這個 AI 的準確率是很低的，它的錯誤率達到了接近 30%，但是短短几年下來，因為 Deep learning 的原因，在現在這個 AI 就已經超越了人類的 Performance，每一年都有極大的進步。

這個對於創業者和投資人來說都很重要，大家要去思考未來幾年技術到底會做到什麼程度，這些技術上的發展又可能對於這個行業應用產生什麼樣的影響，今天我 AI 沒法在這個裡面很好的應用，也許明天就可以，等等，這是大家要去思考的。

那麼前面我講到的這個概念可以從一個方面來講，就是在應用當中它其實是有風險差異的，有些叫高風險應用，比如說無人駕駛、比如說 Shape Security 做安防的，安防的這個要求很高的，別人用了你的系統萬一出了問題損失會很大；有些是低風險應用，比如說 Ever String 給你推薦企業客戶這一類的，推薦錯了問題也不是那麼大，無非就浪費了你一些銷售的資源；ObEN 做娛樂的，你說它聲音不是那麼逼真可能風險也不大；Honey 也是，它給你做智能的消費，給你推薦了一些商品不是那麼準確，也還好，它至少不是一個高風險應用。我們一定要去想明白，我們的應用是什麼類型的。

還有一個就是在沒有足夠多訓練數據，把演算法提升到達到行業應用要求的時候，或者準確率還不夠高的時候，怎麼來解決這個問題呢？那麼往往是通過合理的產品設計來解決的，比如說 ObEN，ObEN 這種技術用很短的聲音，用少量的圖片，沒有辦法做到很高精度的這種人工智慧虛擬形象，沒有辦法做到這種電影級別的、特效級別的效果，我就增加它的娛樂性，可以看到它的很多應用就是可以做很多的娛樂方面的功能，人們就覺得挺有意思的。並且有的時候可以加入人工輔助，比如說 AI 不是百分之百都能解決問題的，AI 解決不好時候前期就可以讓人來介入，直到又獲得了很多訓練數據之後再變得更加智能。

無人駕駛就是很好的例子，現在大家還不是很信任這個無人駕駛的這些技術，那麼它就可以成為叫做智能輔助駕駛，當人們不斷地信任它，以及它在輔助駕駛的時候獲取數據之後，它又可以不斷來提升性能來滿足這種無人駕駛更加高的要求。所以第三個維度就是技術風險，我們需要與時俱進地來看待技術，並且在合理的時間段去做一些合理巧妙的產品設計非常重要，創業公司一定要想明白，產品怎麼設計？客戶到底要的是什麼？怎麼樣考慮到各種因素之後找到一個平衡點。

AI在垂直行業的應用和中美對比

我們今天講得其實就是 AI 在垂直行業上的應用。我前面已經給大家舉了不少例子，今天沒有太多時間，我們去一個個探討在不同行業上到底有什麼樣的應用，那些場景的這個探討，我其實前段時間在長江商學院講了好幾個小時，就是去剖析 AI 在不同行業當中的這個應用場景，今天這個時間關係我們只能說做一些大致的總結，未來有機會，我還是可以跟大家去做些剖析。

那麼 AI 現在在各個行業應該說都有很多應用的機會，而且確實也應用的非常火熱。我們覺得有一個比喻可以比較好的理解 AI 它的這種應用的時候的這種功效，就是從照相機和攝像機的區別。

以前沒有人工智慧的時候，數據獲取很像一個照相機，比如說我們在考慮 AI 和教育相結合的時候，以前學生可能每個月做一次考試，老師就會知道這個學生的表現怎麼樣，它就像照相機定期給你拍一下。但是一旦結合 AI，它其實能夠分析這個學生整個的學習過程，它能夠去監控他，能夠去更高密度的獲得他的學習數據，就像一個攝像機一樣，它整天拍著，這個數據量就不一樣，作為一個系統其實就可以在更短的時間內了解這個學員，這個用戶的使用情況，來對他進行一些處理，這就形成了一種數據驅動，而且是高密度的數據驅動的這樣一種應用潛力。

所以 AI 在很多行業當中的應用都符合這個邏輯，就是在有大量的數據之後，AI 可以做到自動化、個性化、自適應等等這些特點，數據越多，當然你就可以做到個性化、自適應這種千人千面這樣的特點。所以這就是 AI 在垂直行業應用的我覺得是比較基礎的一個思考。

舉幾個例子，比如說 AI 在醫療方面的運用，用 AI 來看醫學影像，這個大家應該都很了解，那麼這裡面做得很多的就是自動化，快速的把這種專家的經驗學習過來，然後來做分析。比如說個性化診療，根據你的這些情況，根據以往的歷史數據，它可以幫你做更個性化的診療方案，這個就是一種個性化；比如說 AI 在教育方面的應用，現在一個很熱的方向就是自適應學習，就是能夠更快速地、更高密度地獲得你的學習數據之後，為每個用戶進行建模，然後來為他提供自適應學習的方案，讓每個人的學習路徑都可以有所不同。這也是貪心科技，就是我進行投資並且我在深度參與的這麼一家公司在做的事情。我們貪心科技就是想把人工智慧和在線教育相結合，來更好地分析每個學員的學習數據，為他進行建模，提升他的學習效率。

說到中美對比，總結一下，大概有這麼幾點：

第一點，目前我們還是覺得美國的人才優勢是很大的。美國在 AI 的基礎人才方面是中國的 10 倍以上，因為很多大公司高校都是花了很大的資本在培養這些人才。中國的人才優勢會弱，但現在也在不斷增長。根據我在國內的很多了解，AI 人才其實是非常緊缺的，我相信極客邦的平台也正在幫助推動 AI 的人才的建設，我覺得非常好。短期來說美國還是具備優勢，但中國的市場優勢，我覺得是非常有吸引力的，中國的整體市場非常大，而且現在很多公司願意去結合創新，這是中國優勢。所以我們作為一家 AI 的風險投資機構，我們也很希望把美國的優秀的人才、優秀的技術去和中國市場做對接，這也是我一直在努力的這個方向。

第二點，中國已經把 AI 上升到一個國家戰略層面了。十九大之後各地都在主推 AI，這個其實是美國相對來說比較弱的，中國一旦政府主推一些事情一般成效都會非常大，它會引起整個資本市場，整個這些創業生態的一個很大的變化，人們更願意去擁抱人工智慧。所以這點，我們覺得在中國創業有很大的機會。

第三點，中國其實在一些門檻比較高的行業，我覺得有 AI 的應用的機會，比如說像能源、安防、農業、製造等等。這些行業往往資源相對壟斷一點，但是現在因為國家戰略之後，這些行業也都在尋求 AI 化，而且我覺得 AI 化在這些行業肯定是個必然，你不去做，往往就失去了這種轉型的機會了。因為這些行業門檻比較高，資源相對壟斷，所以創業公司可能進入的周期會長一點，不是說那麼容易獲得數據並且做起來的，但是我覺得有很大的機會。這方面我覺得可以借鑒美國，因為美國一方面在這些領域相對比中國來說更加市場化，比如說在能源，在農業製造等等方面，甚至安防你可以看到美國有很多不錯的 AI 公司，我覺得中國可以在這方面多借鑒，大家如果對這些特定領域很感興趣，我們也可以有機會多交流。

給 AI 創業者的建議

最後我想講一下，就是創業的建議。有幾點建議，可能給大家一些啟發。

第一個就是 AI 公司現在估值應該會趨於理性，人才紅利降低。2017 年有很多 AI 公司估值都非常高，我相信 2018 年應該也是這樣，但相對來說估值會稍微理性一點，因為很多東西在風口上，它都有一個很狂熱後逐漸冷卻的過程，但是相對來說 AI 公司的估值還是非常高的，因為它的整個市場潛力非常大，我們預測它會更趨於理性一點。人才紅利降低就是說以前你可能團隊里有一兩個 AI 很牛的人，你的公司的估值就會做得非常高，靠稀缺性人才就可能非常吸引資本，那麼這樣的一種紅利可能會有所降低，就是說投資人也不只是看這一兩個 AI 大牛，它還是要更關注公司的基本面，這是第一個建議。

第二個建議也是和第一個建議緊密相關，就是在第一種環境下，我覺得大家要更早地去確定付費用戶和盈利模式。如果你在創業的時候，要去說服投資人，你需要讓他看到實際的有用戶願意付費，你要有清晰的盈利模式。當然很早期的公司可能還很難確定付費用戶，那麼至少你能找到一些有意向付費的，先期的這些用戶，我覺得非常重要。

第三點是可以多考慮在發展過程中去引入一些戰略投資。戰略投資方往往能夠給這些創業公司帶來非常關鍵的行業資源，還有推出渠道。這個在創業公司在融資的時候可以多去考慮。大家也可以看到就是這些 AI 公司融到的資很多都是來自投資方的戰略投資。很多 AI 公司都關注，比如說無監督學習、強化學習這些方面，因為這個基於監督學習的很多東西技術方面都應用的很多了，那麼在這些方面可以多加關注，AlphaGo Zero 就是個很好的例子。

第四個建議，是把握 AI 發展的趨勢。作為投資人，我分享幾個我看到的未來 1-2 年的趨勢。從壁壘上說，AI 創業公司正在通過以下三個方式提升壁壘，包括 1）結合硬體（關注一下 CES） 2）B2C 的商業模式（可以形成獨有的數據壁壘）3）滲透門檻更高的傳統行業（如吳恩達創立的 AI+ 製造的公司 Landing.ai）。從技術上說，大部分 AI 創業公司採用監督學習演算法比較多，無監督學習和強化學習應該還有很大的應用潛力，比如 2017 年 AlphaZero 的成功。另外，隨著最近區塊鏈成為風口，AI 和區塊鏈的應用也備受關注。區塊鏈在解決數據安全和共享方面，和 AI 有著很好的結合點，相信會產生不少有價值的應用場景。

更多乾貨內容，可關注AI前線，ID：ai-front，後台回復「AI」、「TF」、「大數據」可獲得《AI前線》系列PDF迷你書和技能圖譜。