印跡 · 之三 | 人工智慧的六重關係

互聯網與人工智慧

1

真正能夠提高社會生產力、解決供需關係不平衡的是人工智慧，不是互聯網。

未來，人工智慧無論是在無人車、機器人、醫療、金融、教育還是在其他領域，都將爆發巨大的社會效益，這點毋庸置疑。我認為，下一波大趨勢和大的紅利不是互聯網+，而是人工智慧+。

人工智慧與人工智慧+

2

人工智慧主要分三層。最底層是基礎架構（Infrastructure），包括雲計算、晶元以及TensorFlow這樣的框架。在基礎層之上是中間層，叫通用技術（Enabling Technology），例如圖像識別、語音識別、語義理解、機器翻譯這些。

基礎層和中間層，是互聯網巨頭的必爭之地。比如晶元領域，英特爾、英偉達、高通都投入巨資，競爭極其激烈。同樣雲計算、框架也是一樣，都不是小公司能夠涉足的領地。

對於新創企業來說，只做圖像識別、語音識別、語義理解、機器翻譯這些通用技術，指望通過軟體開發工具包（SDK）賣錢，未來的路會越來越窄，特別是在BAT都免費的壓力下。

創業公司的機會在最上層，就是拿著下兩層的成果去服務垂直行業，也就是所謂的人工智慧+。

人工智慧+與+人工智慧

3

深入垂直行業的人工智慧+，又可細分為兩類情況：即「人工智慧+行業」和「行業+人工智慧」，它們間有明顯的區別。

「AI+行業」簡單講就是在AI技術成熟之前，這個行業、產品從未存在過。比如自動駕駛，亞馬遜的Echo智能音箱、蘋果的Siri語音助手。在人工智慧技術未突破前，不存在這樣的產品。因為AI，創造出了一條全新的產業鏈。

「行業+AI」就是行業本身一直存在，產業鏈條成熟，只是以前完全靠人工，效率比較低，現在加入AI元素後，使得行業效率有了明顯提高。比如安防、醫療等領域。

「AI+行業」和「行業+AI」，通常來講前者因為大家起跑線一樣，行業縱深會比較淺，而後者則有巨大的行業壁壘。

未來行業壁壘才是人工智慧創業最大的護城河，因為每個行業都有垂直縱深。以醫療+AI舉例，什麼最重要？大量準確的被醫生標註過的數據最重要。沒有數據，再天才的科學家也無用武之地。

關鍵性應用與非關鍵性應用

4

在人工智慧領域，演算法到底有多重要，完全取決於你要準備進入哪個行業。

根據行業和應用場景不同，人工智慧的創新本質上有mission-critical和non-mission-critical之分。簡稱為「關鍵性應用」和「非關鍵性應用」。

「關鍵性應用」要追求99.9……%後的多個9，做不到就沒法商業化。99%和99.9%的可靠度差距並不是0.9%，而是要反過來算，差距是10倍。也包括手術機器人，聽起來99.9%可靠度已經很高了，但意味著1000次手術出一次醫療事故，放在美國，醫院可能被巨額索賠甚至導致破產。

所以「關鍵性應用」領域，就是不能犯哪怕一丁點兒錯的人工智慧領域，必須要有技術大牛、科學家或演算法專家坐鎮。同時，這類項目研發周期都很長。

以色列做高級駕駛輔助系統（ADAS）解決方案的Mobileye公司，2017年3月被英特爾以153億美元收購。Mobileye成立於1999年，到它推出首款產品、掙到第一桶金已是2007年，之間經歷了長達8年的研發周期。

這在互聯網創業里是不可想像的。包括谷歌無人車從2009年開始研發，到現在一直沒有商業化；達·芬奇手術機器人從啟動研發到2000年拿到美國食品藥品管理局（FDA）的認證，花了十年時間。

實際上，人工智慧領域的創業，95%都是「非關鍵性應用」。簡單講對這些領域，AI的可靠度只要過了基礎線，高一點低一點區別不大。

比如現在很多公司的門禁開始用人臉識別。你今天帶個帽子，明天戴個墨鏡或口罩，識別率沒法做到99%。可即使沒識別出來也沒問題。因為所有帶人臉識別的門禁都有地方讓你按指紋。即使指紋也刷不進去，問題也不大，公司不是還有前台嘛。

「非關鍵性應用「不追求高大上，簡單、實用、性價比高更重要，這樣的項目通常是比拼綜合實力。包括對行業的洞察理解：要熟知行業痛點；產品和工程化能力：僅僅在實驗室里搞沒意義；成本控制：不光能做出來產品，還得便宜地做出來；供應鏈能力：不僅能出貨，還要能批量生產；營銷能力：產品出來了，你得把東西賣出去。團隊里有沒有營銷高手，能不能搞定最好的渠道是關鍵。

技術提供商與全棧服務商

5

為什麼說未來只做技術提供商價值會越來越小？原因有幾點：

首先，通用技術一定是大公司的賽道，BAT未來一定會開放免費。

第二，依託於演算法的技術壁壘會越來越低。比如隨著谷歌TensorFlow等生態系統的成熟，很多領域都會有訓練好的模型可以用來參考，出樣本（Demo）會更快，創業者只要有足夠的數據來訓練參數就好了。

所以未來演算法的壁壘會越來越低，如果這個公司的核心競爭力只是演算法，那將非常危險。

第三，技術提供商如果不直接面向用戶/客戶提供整體解決方案，則非常容易被上下游碾壓。

我提出「一橫一縱」理論，可以解決上述問題。「一橫」就是指你提供的技術服務。通常「一橫」能服務很多行業，一定要找到1～2個你認為最有市場機會、最適合你的垂直領域，深扎進去做「全棧」：把技術轉化為產品，然後搞定用戶賣出產品，實現商業變現，再通過商業反饋獲得更多的數據，更加夯實自己的技術。

一句話，要做技術、產品、商業和數據四位一體的「全棧」，這就是「一縱」。這才是健康的商業模式。

2C與2B

6

任何技術普及演進的角度，幾乎都是延續了從軍工（航天）、到政府、到企業、到B2B2C、再到2C這個規律。人工智慧也一樣，目前人工智慧在2C市場還不是很成熟。

為什麼2C市場早期的普及有一定的困難，簡單講幾個原因：產業鏈不成熟、 2C需要額外花錢以及2C產品的用戶期待度高。

相對於2C端，這些問題在2B端卻不是問題：2B端對價格承受能力更高； 2B的核心目的是降成本；2B可以採取人機混合模式。

以前需要10個人幹活，現在可以用機器人替代一半人。簡單重複的工作用機器人替代，複雜的工作由剩下的5個人來做，這就是"人機混合"模式。

最後再說一點，目前大多數AI創業公司都是技術專家主導，這很容易理解，因為現在技術還有壁壘，技術專家主導起碼保證產品能做出來。不過未來隨著技術門檻的降低，特別在「非關鍵應用」領域裡，團隊的核心主導，會慢慢過渡到產品經理和行業專家為主，因為他們離用戶需求最近。

「非關鍵應用」領域，懂需求比技術實現更重要。長期來看，人工智慧創業和任何其他領域的創業一樣，一定是綜合實力的比拼！

?作者系迅雷創始人