sbinlin
commented
7 years ago 大部分觀點跟我們想的一致, 但有一點關於通用技術雖然會被大公司把持走向免費給消費者, 但終究會從別的地方獲取利潤可能是雲端使用費或資料無償給予, 這樣的模式對企業商用的需求還是無法滿足, 有可能是不願或不能用雲端(onsite deployment or edge computing)或是對資料不能流出有堅持, 這有點像Internet時代的Browser一樣Microsoft IE也都是免費, 但還是有很多發展Browser技術的公司存活於各式商業模式, AI 通用技術看來會跟 Browser 技術類似, 還是值得投資, 因為這塊餅需求實在太大, 就跟當時 Internet 時代的Browser技術一樣.
https://finance.technews.tw/2017/10/11/6-issues-of-ai-newstart/
迅雷創始人程浩，也是開氪專欄《精益創業 13 講》導師，看看他以投資人身分怎麼看 AI 創業。
我現在專注科技領域的投資。今天跟大家聊聊人工智慧領域的創業和創新，包括如何選賽道、團隊搭配、應對巨頭的挑戰。
為此我從投資人角度，幫大家總結人工智慧創業的 6 大核心問題。
第一個問題：網際網路 vs. 人工智慧
首先如果今天大家選創業，我建議更應該關注人工智慧，而非網路。為什麼這麼講？
以 PC 來說，全球 PC 出貨量連續 5 年下滑。大家知道中國最後出現的 PC 網路獨角獸是誰嗎？是知乎，大概是 2011 年初推出，這麼多年過去，再也沒有 PC 網路獨角獸出現。做個對比，我們知道 2015 年行動網路的滲透率和競爭程度和 2011 年的 PC 網路類似，以此類推，2015 年以後再做行動 App，也很難出現獨角獸了。
畢竟中國連續兩年手機出貨量都 5 億多支，增長放緩，代表無線流量基本已走平，你多賣一支，我就少賣一支，是存量競爭。今天創業者再做一個純網路 App，投資人問的第一個問題就是你怎麼獲客。因為現階段流量格局已定，首頁就那幾個 App。
主要在於網路最大的價值，是解決資訊不對稱和連線，所以對電商特別有價值。淘寶用皇冠、鑽石等信用體系解決資訊不對稱，同時又把全國這麼多買家和賣家連在一起。這就是網路的價值。
但很多工業資訊和連線並不是痛點。拿醫療舉例，中國三甲醫院的醫生就那麼多，你把全中國 13 億人民都和這些醫生連線了也沒用，因為一個醫生一天還是只能看那麼多病人。網路並沒有提高醫生看診的效率。在諸如餐飲、醫療這些傳統領域，網路的幫助很有限。
也包括滴滴打車，網路解決了叫車難的問題，但是沒解決叫車價格的問題。事實上，去掉補貼之後，大家發現滴滴一點都不便宜，道理很簡單──不管專車還是出租車，還是需要由人來開，人工成本降不下來，就不可能便宜。
人工智慧將帶來社會生產力提高，對人類的影響將遠遠超過網路。
還是拿醫療來說，很多基層醫院水準不高，未來完全可以透過人工智慧輔助醫生讀 CT、X 光等醫療影像。像今年，IBM Watson 對皮膚黑色素瘤的診斷，準確率已提高至 97%，遠遠超過人類專家 75%~84% 的平均。
未來，人工智慧無論在無人車、機器人、醫療、金融、教育還是其他領域，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紅利不是網路＋，而是人工智慧＋。我建議現在的創業者更應該關注人工智慧領域的創業機會。
第二個問題：人工智慧 vs. 人工智慧＋
人工智慧主要分 3 層。最底層是基礎架構（Infrastructure），包括雲端計算、晶片及 TensorFlow 這種框架。在基礎層上是中間層，叫通用技術（EnablingTechnology），例如影像辨識、語音辨識、語義理解、機器翻譯這些。
基礎層和中間層，是網路巨頭的必爭之地。比如晶片領域，Intel、輝達、高通都投入巨資，競爭極其激烈。同樣雲端計算、框架也一樣，都不是小公司能涉足的領地。
現在對中間層的通用技術，BAT 也極重視。因為大家都相信人工智慧是下一波工業革命浪潮。對騰訊、阿里、百度這些巨頭來講，想在大浪中屹立不倒，必須構建出人工智慧的生態系統（Ecosystem），核心就是要靠這些 Enabling Technology 技術。
相比創業公司，BAT 的最大優勢是什麼？第一，不缺資料；第二，為了構建自己的生態系統，未來通用技術一定全部免費；第三，雖然通用技術免費，但 BAT 有羊毛出在豬身上的機會。這是典型的網路打法。
這裡的豬是什麼？豬就是雲端計算。例如百度的 ABC 策略，分別代表人工智慧（AI）、大資料（Big Data）和雲端計算（Cloud Computing）。AI 我可以不賺錢，開放給大家，那麼大家想享受我的服務，就來買我的雲吧。
而對創業企業來說，只做影像辨識、語音辨識、語義理解、機器翻譯這些通用技術，指望透過 SDK 賣錢，未來路會越來越窄，特別是 BAT 都免費的壓力下。
所以從這個角度講，創業公司做下面兩層風險相對大。我認為創業公司的機會在最上層，就是拿下兩層的成果去服務垂直工業，也就是我們所謂的人工智慧＋。
第三個問題：人工智慧＋ vs. ＋人工智慧
深入垂直工業的人工智慧＋，又可細分為兩類情況：即「人工智慧＋工業」和「工業＋人工智慧」，有明顯的區別。
「AI＋工業」簡單講就是在 AI 技術成熟之前，這個工業、產品從未存在過。比如自動駕駛，亞馬遜 Echo 智慧喇叭、蘋果 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，創造出一條全新的產業鏈。
「工業＋AI」就是工業本身一直存在，產業鏈條成熟，只是以前完全靠人工，效率相對低，現在加入 AI 元素後，使工業效率有明顯提高。比如保安、醫療等領域。
客觀講，這兩個類別都有創業機會。但「AI＋工業」，因為是一條新產業鏈，創業公司與網路巨頭實際是處在同一起跑線。巨頭坐擁資料優勢。所以從這個角度，「工業＋AI」相對對創業公司更友善，也更容易構建壁壘。
我認為，未來工業壁壘才是人工智慧創業最大的護城河。因為每個工業都有垂直縱深，儘管 BAT 技術好一點，但並不關鍵。拿醫療＋AI 舉例，什麼最重要？大量準確被醫生標注過的資料最重要。沒有資料，再天才的科學家也無用武之地。
但在中國，拿出醫療資料非常困難。所以 BAT 做醫療一點優勢都沒有，因為他們要把這些資料從各醫院、各科室搞出來也很累。相反，如果一個創業者在醫療工業耕耘多年，也許拿資料比大公司更容易。
這要求創始團隊的合夥人，必須有懂工業、有工業資源的人才。這與網路＋一樣，一旦細分到具體工業，並不是說你百度、騰訊有資金、有流量，投入人才就什麼都能做，比的還有工業資源和人脈。
之所以跟大家聊這個話題，是因為之前去百度大學跟大家交流，他們提到百度人工智慧在無人車和 DuerOS 的應用。同時又問我，人臉辨識在中國國防領域的應用價值非常大。像海康威視有近 3 千億人民幣市值，每年光淨利潤就有近百億。百度在 AI 方面是不是該考慮進軍這領域。我回答說千萬別，因為國防是典型、有巨大壁壘的「工業＋AI」領域。
即使百度技術好，在人臉辨識率方面比海康威視高一個百分點（實際不一定，海康背後有幾百人的 AI 研發團隊），並不代表百度就能代替海康。因為國防是「非關鍵性應用」（non-mission-critical），100 個犯人我辨識了 95 個，你比我多辨識一個做到 96 個，其實沒那麼重要。
反過來，海康比百度有優勢的是什麼？首先海康是做鏡頭的，用自己的硬體跑自己的演算法，是很自然的事。就像蘋果手機，軟硬一體體驗更好。其次，海康做了這麼多年國防，積累了非常多資料，人臉資料、環境資料……在國安領域有資料優勢。最後，海康幫公安系統做了很多類似警務通、地台資訊採集、檢視檔案管理等 SaaS 平台的東西，以及警用雲系統。我們可以認為公安系統的 IT 化，其中有一部分就是海康威視參與。
這些東西可能不賺錢，但卻為海康構建了壁壘。因為底層的基礎設施都是我建的，那前端的東西就只能用我的（我可以有 100 個理由，說競品與我不相容）。而且海康做了這麼長時間，積累了大量用戶資源，特別是政府公安局的資源，開拓這些資源非常需要時間。
這些就是所謂的工業縱深。所以即使對 BAT 而言，想進入「工業＋AI」領域，選擇垂直賽道時，同樣要非常謹慎。在巨大的工業壁壘面前，不是說我的演算法比你好，市場就是我的，只有技術優勢仍然差距很遠。
回歸 「AI＋工業」和「工業＋AI」，通常來講前者的工業縱深會較淺，後者則有巨大的工業壁壘。工業壁壘是創業公司最大的護城河，也是抵擋 BAT 的關鍵。
第四個問題：關鍵性應用 vs. 非關鍵性應用
談到人工智慧領域的創業，很多人都有誤解，就是如果我團隊沒有知名科學家，比如史丹佛、MIT 的博士坐鎮，我都不好意思講在人工智慧方面創業。其實這個認知完全錯誤。因為在人工智慧領域，算法到底有多重要，完全取決於你準備進入哪個產業。
根據產業和應用場域不同，我認人工智慧的創業本質有 mission-critical 和 non-mission-critical 之分。為了方便大家理解，我們簡稱為「關鍵性應用」和「非關鍵性應用」。
「關鍵性應用」要追求 99.9……% 後多個 9，做不到就沒法商業化。比如大家認為，99% 可靠度的自動駕駛能上路嗎？肯定無法，意味著 100 次就出 1 次事故。99.9% 也不行，1 千次出 1 次事故。
千萬記住，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 1 千次出 1 次醫療事故，放在美國，醫院還不被巨額索賠搞到破產。
所以「關鍵性應用」領域，就是一丁點錯都無法犯的人工智慧領域，必須要有技術專家、科學家或算法專家坐鎮。同時，這類專案研發週期都很長。
正如以色列做 ADAS （進階駕駛輔助系統）解決方案的 Mobileye 公司，今年 3 月被 Intel 以 153 億美元收購。大家知道這家公司研發週期有多長嗎？Mobileye 成立於 1999 年，到他們推出首款產品、掙到第一桶金已是 2007 年。長達 8 年的研發期。這在網路創業不可想像。包括 Google 無人車從 2009 年開始研發，到現在一直沒有商業化；達文西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 10 年。
「關鍵性應用」的普遍特點就是這樣，專案通常很貴，研發期超級長，離錢非常遠，需要持續融資能力，團隊怎樣才有持續融資？起碼要有非常好的經歷和非常好的背景。這個是能持續融資的必要前提。所以大家可以看到，今天做無人駕駛的創業團隊都是高富帥。因為不是高富帥，熬不到產品真正商業化應用那天。
當然，如果在人工智慧領域都是「關鍵性應用」，那就沒大多數創業者的事了。實際上，人工智慧領域的創業，95% 都是「非關鍵性應用」（none-mission-critical）。簡單講對這些領域，AI 的可靠度只要過了基礎線，高點或低點區別不大。
最簡單的例子，現在很多公司門禁開始用人臉辨識。你今天戴帽子，明天戴墨鏡或口罩，辨識率沒法做到 99%，即使沒辨識出來也沒問題。因為所有人臉辨識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，公司不還有櫃檯嗎。
這就是「非關鍵性應用」。這類專案不追求 99% 後面很多個 9。實際上，中國人工智慧和機器人方向的創業，大部分領域都是「非關鍵性應用」。當然不是說這個領域演算法不重要，你天天認不出來也不行，所以一定要過基礎可用性門檻，偶爾出現問題可以容忍。「關鍵性應用」則無法容忍。
「非關鍵性應用」不追求高大上，簡單、實用、性價比高更重要，這樣的專案通常是比綜合實力。包括：
對工業的洞察理解。要熟知工業痛點。 產品和工程化能力。光在實驗室裡搞沒意義。 成本控制。不光能做出來的產品，還得便宜做出來。 供應鏈能力。不光能出貨，還要能批量生產。 行銷能力。產品出來了，你得把東西賣出去。團隊有沒有行銷高手，能不能搞定最好的通路是關鍵。 所以大家在創業組團隊時，一定要想好你選的賽道處於哪個領域，不同賽道對團隊的要求不一樣。「關鍵性應用」必須有技術大腕坐鎮，「非關鍵性應用」則要求團隊更綜合全面。
第五個問題：技術提供商 vs. 全堆疊服務商
現在很多人工智慧創業者都是技術背景出身，創業的第一個想法通常是做技術提供商。技術提供商做創業敲門磚可以，但如果只定位做技術提供商，未來路會非常窄。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：
大公司免費提供人臉辨識、語音辨識、語義理解、機器翻譯這類 Enabling Technology，你還打算怎麼靠 API 賺錢呢？也許現在還可賺點小錢，但很難成為長久的生意。
未來隨著基礎計算平台和開源平台更豐富成熟，技術方面的壁壘會越來越不明顯，整個人工智慧的技術準入門檻會越降越低。就像 2008 年想找個 iOS 開發者，很難，現在卻很容易一樣，所有技術的演進都遵循這規律。特別今天各大學的電腦專業紛紛開設機器學習課程，未來人才不缺，這會拉低整個工業的進入門檻。
同時隨著 Google TensorFlow 等生態系統的成熟，很多領域都會有訓練好的模型可用來參考（出 Demo 會更快），創業者只要有足夠資料訓練參數就好了。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，將非常危險。
對技術提供商和演算法類公司，如果你的技術壁壘不夠高，上游很可能直接把你的事做了。這樣的例子比比皆是，比如提供海康威視人臉辨識演算法的公司。問題就在於，海康在用你家演算法時，也有龐大的研發團隊研究自己的演算法。現在用你是他們還沒準備好，一旦準備好立刻會把你甩掉。
即使在有一定技術門檻的工業，技術提供商的日子同樣不好過。比如專注內嵌式視覺處理晶片的 Movidius，大疆無人機一直用他們的晶片。但自從大疆統治了消費級無人機市場後，大疆現在也很自然地開始研發自己的晶片。
雖說晶片的技術壁壘並不低，但只要工業集中度高，贏家就會通吃。比如做手機的廠商，出貨量到一個閥值，都有動力自己做晶片。像蘋果、三星、華為還有現在的小米，都選擇自己做手機 CPU。所以聯發科、高通這些技術提供商，其實挺痛苦。
這其實是一個產業鏈通用規律：產業鏈的壟斷者會吃掉所有利潤，而且非常有動力往上游或下游延伸。拿 PC 產業鏈舉例，記憶體、硬碟、整機、顯示器……都不賺錢。錢被誰賺走了？Windows 和 Intel 賺走了大部分利潤。
既然做純技術提供商沒有出路，那怎麼辦？我提出「一橫一縱」理論。前期做技術服務可以，但是無法一輩子做技術服務。
「一橫」就是指你提供的技術服務。通常「一橫」能服務很多工業，一定要找到一兩個，你認為最有市場機會、最適合你的垂直領域，深扎進去做「全堆疊」：把技術轉化為產品，然後搞定用戶賣出去，實現商業變現，再透過商業回饋更多資料，更充實自己的技術。一句話講，要做技術、產品、商業和資料四位一體的「全堆疊」，這就是「一縱」。這才是健康的商業型態。
垂直外的工業，因為沒有利益衝突，你可老老實實的做技術服務。這樣的話，商業上你能吃透一個垂直工業，技術上你還能透過橫向合作，形成更多資料回路，從而充實你的技術。這就是「一橫一縱」理論。
那麼對技術創業公司，從「一橫」走到「一縱」，要選哪個垂直領域，取決於五個關鍵因素：
市場空間夠不夠大？
做垂直領域的全堆疊，還是做橫向的技術提供商？取決市場空間哪個更大。找對垂直領域，即使只一點點市佔率，也可能比做「一橫」全歸你的收益大。拿美圖公司舉例，他們有美圖秀秀、美拍、美顏相機等 App，同時還跟很多手機廠商合作，提供相機拍攝的美顏效果，你可以理解這就是技術服務。
但研究 2016 財報後，大家知道美圖秀秀選的「一縱」是什麼嗎？就是美圖手機。以上提到的技術服務遠沒有垂直做美圖手機賺錢。美圖手機佔公司全部營收的 93%。雖然美圖手機去年銷量大約在 74.8 萬台，只佔中國手機市場全年銷量 5 億多支不到 0.15%。
產業集中度如何？
做「一橫」技術提供商時，最擔心的是你的上游或下游過於集中，或者說頭部效應越明顯，對技術提供商就越不利。舉個簡單的例子，IDC 時代，HP、Dell 等廠商賣伺服器，都是直接賣給各 IT 公司，大家日子過得都很滋潤。但 2010 年後就很難做了，因為雲端計算出現了。
提供雲端計算的廠商就那幾個，兩隻手就能數完。且頭部效應極其明顯，僅阿里雲一家佔 50% 以上份額。如果你是技術提供商，跟這麼壟斷的產業談判，會發現沒有任何籌碼。所以現在就很悲劇，假設我是阿里雲，會讓你列出 BOM 成本，就給你 5% 或 10% 的利潤，這個生意就很難做了。
在這種情況下，你當然有意願也往上游走。但問題是什麼？如果上游集中度高，說明這事的壁壘很高，你身為技術提供商想往上走，同樣很困難；如果這個上游集中度低或用戶很零散，對你是件好事。但是你也沒有太大動力往上游走，因為這個市場本來就很零散，你即使殺進去，可能只有 1% 的市佔率，且 99% 的人都變成你的競爭對手了。這是個悖論。
技術是改良還是革命？
如果你的技術創新對這個垂直領域是革命性的，就越有機會走到上游。如果只是改良性的，你就老老實實在下游賺個辛苦錢算了。越顛覆性的東西，越有機會往上游走。因為上游越離不開你，意味著你有機會做他的事。
打個異想天開的比方，如果你能提供一個「待機一星期」的電池，那你就可以考慮自己做手機，你的手機只打一點：一星期不用充電，而且是全球唯一！這一點就夠了，因為這個技術是革命性的。相反，如果是改良性的技術，例如你的電池待機只是比以前多 10%~20%，那你還是老老實實賣電池吧。
雙方壁壘誰更高？
技術提供商的壁壘和上游用戶的壁壘哪個更高，也決定做「一縱」的成敗。拿目前很紅的直播平台來說，現在都有美顏功能，例如給女孩長出耳朵那種，通常都是第三方提供的技術。技術本身壁壘並不高，很多公司都能提供，雖然效果有一些小差異，但你沒有明顯優勢。
可直播壁壘相當高，這有網路效應。用戶越多會吸引更多美女主播，因為能賺到更多錢；美女主播越多，也會帶來更多用戶。同時你捨得花錢，需要很多資金來買流量及簽約很牛 B 的主播。所以這事壁壘很高。你做技術提供商壁壘不高。這種情況下，雖然技術提供商只能賺辛苦錢，但仍然完全沒有機會往上游走。
到底跟團隊基因相符不相符？
能做得了技術服務，不代表能做垂直解決方案，做全堆疊，因為團隊不一定有產業經驗，這是很大的問題。亞馬遜的無人商店 Amazon Go 出來後，中國不少技術團隊也想提供類似技術，甚至想做 2C 的便利商店。
與他們聊完後，我都會勸他們再考慮一下，你的技術再好，對用戶而言，他買東西時會看這家便利商店有人還是無人嗎？不會，這不是優先選項。他首要考慮的還是哪家店離我更近，以及我想買的東西這家店有沒有。
從這個意義講，這又回到零售的本質。所以如果團隊沒有零售基因，沒有懂零售的人，就別考慮開便利商店。很多人可能會問「那我找個懂產業的高層不就行了？」沒那麼簡單，如果 CEO 不了解產業本質，其實很難靠單一高層彌補。
我特別相信基因決定論，如果任何一個新商業，BAT 找個懂產業的高層就能搞定，那中國網路的生意就全是 BAT 的了，就沒創業公司的事了。BAT，一個做搜尋，一個做電商，一個做社群。其實他們 3 個都把對方的事試了一遍，最後都不成功。所以大家能做什麼，無法做什麼，跟這個公司的基因高度相關。
第六個問題：2C vs. 2B
最後一個問題，簡單說一下，科技成熟都需要一定的時間。因為從任何技術普及演進的角度，幾乎都延續先是從軍事（航太）、政府、企業、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。
簡單說機器人，在個人消費者市場，出貨量大的機器人只有 4 類產品：掃地機器人、無人機、STEAM 教育類機器人和亞馬遜 Echo 為代表的智慧喇叭。為什麼 2C 市場早期普及有一定的困難，簡單講幾個原因：
我做一個創新東西，成品有 10 個零件。每個零件都得自己做，且出貨量不大，每個零件都沒有規模效應，這就導致每個零件都很貴，那你最後做出成品一定很貴。這是非常大的問題。
這也是很重要的一個問題，2C 端的用戶因為自掏腰包、額外花費，所以對價格通常比較敏感，產品很貴就是很高的門檻。
用戶買了這麼貴的東西，自然對產品的期待度會更高。大家都覺得買一台機器人回來，恨不得什麼都能做：能唱歌、能跳舞、能聊天、能清潔、能講英語。但這不現實，現在的技術成熟度離此還有些遠。
相對於 2C 端，這些問題在 2B 端卻不是問題。
首先，企業對價格的承受能力顯然比 2C 強很多。你說一台機器人 2 萬元，2C 消費者不可能買，但企業問題不大，企業成本承受能力高。
舉例工業機器人，10 萬元一台，聽起來很貴。但一台工業機器人代替兩個工人。這兩個工人一年也要 10 萬元，還不算四險一金。然後機器人能工作 4 年，這下成本只有你原來的 25%，甚至不到。那麼企業一算帳，覺得還是很便宜。
還有 2B 端的機器人應用更簡單一些。一方面大多是單工作，機器人只要做好一件事就行，做起來簡單。另外，很多都是以「人機混合」型態作業。也就是以前需要 10 個人幹活，現在我用機器人代替一半人。簡單重複的工作用機器人，複雜的用剩餘的 5 個人，這就是「人機混合」型態。
舉個例子，現在海內外已有很多保全機器人，按固定路線巡邏。你可以理解為行動鏡頭，當然演算法肯定加了一些辨識法。固定繞路線巡邏，這個完全可以交給機器人來做，難的是，在巡邏的過程中，如果發現老太太摔倒了，讓機器人扶起來，這個目前還做不到。
但這不重要，你們背後不還有 5 個人嗎，讓他們過來就好了。所以人機混合是 2B 較主流的型態，這個大幅降低了機器人普及的難度。
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降低，特別在「非關鍵應用」領域，團隊的核心主導，會慢慢過渡到產品經理和產業專家，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拚！
（本文由 36Kr 授權轉載；首圖來源：shutterstock）