变化中的机会——人工智能创业仍在黄金时代吗？
1 年前，我们还在谈论人工智能的前景。
1 年后，越来越多的人工智能相关项目开始落地，并产生巨大收益。
经历 2016 年的快速人气提升，到 2017 年的稳步成长，2018 年人工智能技术还能为哪些行业和场景带来惊喜？
在由中国人工智能资讯智库社交主平台新智元举办的 AI WORLD 2017 世界人工智能大会上，由北京大学信科人工智能创新中心主任雷鸣担任主持人，6 名一线投资人：蓝湖资本合伙人殷明、蓝驰创投执行董事曹巍、慈星股份副总裁、慈星机器人董事长李立军、高瓴资本集团合伙人洪婧、红杉资本中国基金合伙人计越以及蓝象资本合伙人宁柏宇一起深入探讨了围绕人工智能领域的三个关键词“变化”、“关键点”和“机会”。
核心观点
蓝湖资本合伙人殷明：
- AI 创业的机会，总结起来 8 个字：开源节流，提效合规；
- AI 技术没办法一蹴而就，需要所有人遵循基本的商业规律，耐心等待颠覆性技术能够达到商业应用的状态。
蓝驰创投执行董事曹巍：
- 不管是 to C 还是 to B 的行业，关键看人工智能技术是不是能够给用户带来显著的效率和体验的提升；
- 不要因为太多的巨头已经占据了市场上各个板块而产生畏惧心理；
- 小团队应该一边赚钱一边赚数据。
慈星股份副总裁、慈星机器人董事长李立军：
- 今年，AI 技术已经不是一个未来方向，而是开始落地产品化，并开始有收入；
- 现在是中国公司在人工智能领域赶超美国的机会。
高瓴资本集团合伙人洪婧：
- 很多时候人们会低估技术对未来十年的影响，但是有可能会高估技术对未来两年的影响；
- 创业者要避免“拿着锤子找钉子” ，要看能不能够很快地满足应用场景的实际需求。
红杉资本中国基金合伙人计越：
- 数据才能建立壁垒。重点是有什么方式能够产生更强的壁垒，然后将数据的积累转化成收入；
- 创业永远有机会，永远都能够推陈出新。
蓝象资本合伙人宁柏宇：
- 在教育领域里，人工智能总是试图替代老师，就像自动驾驶要替代司机一样，但到目前为止，人工智能仍旧只是为老师赋能的角色；
- 在高管制的、保障性的教育领域，创业者要能快速适应中国的商业环境。
关键词：变化
Q 雷鸣：从去年到今年，各位觉得在人工智能方向的投资和创业上有什么显著的变化吗？
殷明：我想从泡沫的两个维度来说一下我对这个行业过去一年的观察。
第一个维度是，中国跟美国很不一样的地方是甲方预算的特殊性，尤其是在视觉领域。比如中国政府在安防角度的预算，金融企业在人脸识别方面的预算都是远远优于美国同行的。其实视觉领域的很多公司实际的财务营收是非常好的。就今年来说，我们看到这些企业普遍的收入有两到三倍的增长，本身规模体量不小的公司以及很多龙头企业收入甚至接近过亿美元。某种程度上来说，这些公司的估值是得到了一定的支持。你很难想像在美国视觉领域出现好几家独角兽，但在中国这确实是发生了。
泡沫的另一个维度是比较好的、整建制的团队的高溢价在中长期内存在。比如一个团队既拥有顶尖学习框架的作者，工程优化的专家以及业务定义上的老手，这样一个在三个维度都有 A 级创始人的团队，很大程度上还是稀缺的。这些团队估值攀升的速度，也许没有办法短期地从财务角度去解释，但因人才的高稀缺度，这些团队在资本市场上能够长期得到投资人的追捧。所以我觉得在相当长的一段时间内泡沫还是会存在。
曹巍：去年，很多投资都是在非常原始、非常基础的方面，围绕听觉、视觉、触觉，再在这些方面深度地做一些 AI 方面的投资，以围绕科技项目为主。 但今年我们看到，大家开始思考软着陆了。这在整个基金的框架中是很重要的。有两个重要的维度——效率和体验。不管是在 to C 的行业还是在 to B 的行业，你的人工智能技术是不是能够给用户带来显著的效率和体验的提升？这是软着陆的重要指标。
李立军：最大的变化是去年是概念提得比较多，但今年是落地的比较多。从最近几个投资案例看，投资的额度是蛮大的，尤其最近几笔视觉领域的投资额度非常大。去年，人们看待人工智能更多的觉得有前景，是未来的方向。但今年，有些项目在一定程度上实现了产品化，并且可以挣钱了。
当然只是一个开始，我相信接下来几年的趋势是更更多人工智能项目落地。
洪婧：我记得去年也是同样在这个新智元的会场，我们几个投资人在交流的时候，我当时分享了一个观点：很多时候人们会低估技术对未来十年的影响，但是有可能会高估技术对未来两年的影响。所以我想分别从长期影响和短期影响的角度跟大家分享一下过去这一年 AI 投资方面的变化。
首先，长期来看，AI 对我们的生活必然会产生非常深刻的影响。在过去一年里，我本人就在硅谷试过好几个无人驾驶的汽车，至少在二三十分钟的时间里是没有完全司机参与的，完全遵守美国的交通法规。我们看到 AI 技术和应用确实是不断在往前跑的。同时，我们看到中国的创业者、科学家在全球的人工智能研发和特别是应用领域里实际处于非常领先的位置。
从大家经常会高估未来两年的影响的这个角度来看，去年我们也分享了一个看法，说中国的很多应用场景其实可能通过垂直行业来落地，或者通过跟大的企业、大的真实应用场景来结合的，也有可能有弯道超车的机会。因为很多大企业其实心态还是很开放的，对数据也没那么敏感。像我们投资的依图科技，除了安防之外也在跟金融、保险、电信、医疗场景结合落地，已经可以看到大量级的真金白银。
所以在这个领域中，一方面 AI＋硬件可能会有很大规模的突破，比如自动驾驶、机器人。另一方面 AI＋场景或 AI＋行业解决方案，就很可能像当年的软件一样，可以一个行业一个行业地去解锁需求。但这个商业化的速度仍然慢于预期。所以从投资的角度来讲，真的还是需要大家有长期的耐心来支持他们去帮助中国的各行各业，去全面地应用 AI 的技术。
计越：去年大家投资的方向较散，一个方向会投很多家，以 Pre-A 轮、A 轮为主。今的趋势是，大家重点关注的一些方向基本上跑到了 B 轮甚至到了 C 轮。比如视觉、听觉这些方向，前三名已经比较清晰了，而且金额都不小。同时，我觉得可能在人工智能领域，针对底层技术的投资体量都非常大，包括芯片级的。以前真正核心的芯片，基本上都被美国公司操办的，中国公司还没有什么机会。但到了这个阶段我觉得中国公司的机会来了。
另外一个特征是人工智能跟传统产业或者垂直行业的结合。另外，在医疗方面，我觉得也有所变革。未来几年，谁是领先的公司会变得更加清晰。
宁柏宇：我们是国内首家专注于“教育＋”领域的投资基金，聚焦“科技、互联网与教育产业结合”的早期项目。
在教育领域里，老师是最核心的环节，人工智能总是试图替代老师，就像自动驾驶要替代司机一样。但到目前为止，人工智能仍旧只是为老师赋能的角色，这种赋能体现在成熟技术在教育领域某一个细分场景得到应用。比如图像技术，我们投的两家公司都是通过图像技术来改变教学中的环节。比如试卷批改，这是老师每天要花费大量时间做的事情，而我们投的一家公司能够把试卷从扫描到批改完成只需一秒钟的时间，从主观题到客观题都能批改，最后给出一个合适的分数。这些技术已经在别的领域发展得比较成熟，结合学校的渠道资源就能形成商业闭环。
但是在教育行业应用的技术与通用领域的技术不太一样，它的用户数量增速受渠道摩擦力的影响，所以如果希望用户数量提速增长就需要找到痛点清晰的应用场景。比如蓝象投资的音乐笔记项目瞄准孩子练琴没有监督的痛点，通过人工智能技术识别你孩子在家里学习钢琴的情况，帮孩子进行钢琴的陪练。这个场景是音乐学习中非常主流的场景，所以用户增速很快。
关键词：关键点
Q 雷鸣：如果有一个人工智能团队来拿一个商业计划书找你，你们各个 VC 最看重的是哪些点？
殷明：我觉得今天大家在找行业或场景的解决方案时所看重的：
第一，要尽量远离大公司已经拥有比较良好数据基础的通用功能。比如机器翻译，广告推荐的算法。
第二，这些年很多投资方向越来越偏近于传统行业，从投资纯粹的技术慢慢转向投资技术赋能的垂直行业。比如说对自动化放贷领域，技术如何能够在金融周期性当中帮助企业更早地觉察风险和甄别新的资产类别。比如对医疗检测领域，你需要明白在整个医疗行业的链条里到底是早期疾病的干预和治疗价值更大，还是检测本身价值更大。我觉得这些也是创业者要想明白的事情。
最后，我们蓝湖认为，对一些颠覆性的技术是值得我们长期陪着创业者往前走的。比如我们去探索无人驾驶领域，蓝湖在去年 A 轮领投了自动驾驶技术团队 Momenta。但是我觉得投资人做技术路线的预测依然是非常危险的。我们看到 Gartner 技术曲线里面有几十个新技术术语，但每年都有 20%的技术从这个曲线上消失。学界结合研究机构的预测尚且只能做到这个程度，从财务投资人的角度预测更难。另外，很多技术是没有办法一蹴而就的。无人驾驶技术怎样用相对低成本的采集方式做高精地图的绘制，或者在和车厂配合提高驾驶控制环节的稳定性时，面临汽车行业较长的产品迭代周期，这都是是需要长期耐心的。这需要所有人遵循基本的商业规律，耐心等待颠覆性技术能够达到商业应用的状态。
曹巍：我们坚持做中早期投资，看新项目保持比较开放的态度。
第一点，我们会看团队的硬科技。硬科技分成两点，一个是交叉学科的创新，比如说过去大家都看重软件或硬件厉害，但是现在你如果仅仅是软件或硬件强，感知决策控制不好，没有厂商愿意跟你深度合作的话，还是跑不上路。所以软、硬件的综合能力开始变得前所未有的重要。比如，大疆是一个高度稀缺人才的团队，且有技术交叉学科的创新，又把硬件和软件揉在一起。我们也在找类似的方向，看人才的壁垒和未来是否有机会基于自己的平台更好地锁定数据。比如软硬件加上光学、区块链。
另一个是高壁垒的创新。人工智能分成两个阶段，第一阶段是云端，第二阶段是终端。目前很多的创新团队都在关注终端，假如一个在岗哨上执勤的干警，手里只有一个手机，我能不能让AI给他的手机赋能？他要解决的问题是能不能在路过的五十个人里把坏人挑出来。基于边缘和有限资源的场景下，你能不能够实现人工智能，并且给产业和具体场景带来非常深刻的改变？
第二点，软着陆。软着陆方面我们看的是需求和模式。这里面我们更关注的是模式。因为在模式方面，国内有很多的这样的传统产业或者细分的垂直领域，它并不是没有底层的数据把模型跑出来，而还在模式的建设上和方案上纠结。所以我们在选择这样的AI团队的时候，会关注它整个团队里面，除了我们说的很牛的大牛之外，有没有在咨询公司做过的成员？有没有在深度产业背景上，有方案整合能力和方案规划的能力？这其实是非常重要的。我们在很多项目上遇到的挑战就是这个团队技术很牛，但是到了产业环节上很难和真正愿意买单的人形成对话的窗口。所以我们觉得，优秀的技术人才，加上咨询公司背景或者产业背景的人才，再加上销售的人才，三位一体结合的团队，才是我们所需要的。
李立军：最重要的是看能不能落地。我们跟在座的几位 VC 不太一样，我们是一个产业资本，我们是做产业的，做工业自动化的。所以我们看项目更多期望未来这些项目能跟我们的产业融合。我们不光是纯粹的财务性投资，我们会考量团队如何把技术变成产品或生产环节上具体的实施方案。很多团队背景非常强，但更多的是偏学术或偏理论的，他们到产业化的过程会比较长，这可能就需要从中长期的角度去看技术落地的问题。
对我们产业资本来讲，我们也不是完全希望今天投了，明天就要有收益。因为它是有机会成本和时间成本的。但我们比较务实，会考虑它的技术在最近的两到三年里能不能有一些落地。当然我们也不排除一些相对早期的、面向未来的项目，但是比例上少一点。我们更多的还是希望能够找到有行业应用经验或有较高的应用技术能力的团队，这样的团队更接地气，能把他们的技术和理念变成产品。
洪婧：我个人给技术创业者的建议就是，避免“拿着锤子找钉子” ，要看能不能够很快地满足应用场景的实际需求。从投资人的角度，我们也要避免和创业者一起凭空想象所谓的应用场景。我们可以跟创业者一起去跟大的应用场景合作，一起去挖掘、去解锁企业的需求，希望能够真正帮助好的技术、好的产品更快地找到落地点。这个过程反过来也是我们投资尽调中很关键的一点。
计越：跟以前相比，今年投资和创业进入的门槛提高了。从投资的角度来说，大的方向会慢慢变得趋同，大家明白什么地方有价值，那些有价值的收入体现在哪。关键是在这个方向上，如何把重要的选手选中。我觉得接下来对资金的需求量也会变得非常非常多。
长期来看，数据才能建立壁垒。比如社交网络，数据量越大越全你的新客户越多，老客户的数据也在不停地积累。这就慢慢地形成了一个越来越高的壁垒。在数据的角度上，有什么方式能够产生更强的壁垒，然后将数据的积累转化成收入？这是接下来我们会重点考虑的，而不是仅简单考虑一个很牛逼的团队。
宁柏宇：在二十多个大的行业里面，教育与农业在信息化程度上排名后三位。所以我们要跟高大上的AI接口，我们在寻找创业者的时候会着重关注两点。
第一，要技术大牛，师出名门，比如我们投资的一维弦科技的创始人唐博维出身于世界级殿堂机器人实验室，导师是风靡全球的《超能战队》里大白机器人的原型发明者 CMU 的 Christopher Gatkeson 教授。创业者不仅需要有过硬的技术背景，还需要有对教育情怀的理解和认同。
第二，教育科技创业者要能快速适应中国的商业环境。因为教育是比较复杂的行业，它是高管制的、保障性的行业。所以想要在这个行业里获得商业成功，创业者必须迅速熟悉中国的商业环境。
关键词：机会
Q 雷鸣：小团队在人工智能领域还有哪些机会？
殷明：我们总结了八个字，就是开源节流，提效合规。我们蓝湖非常关注垂直行业的智能化改造。虽然每个行业的周期不一样，比如零售行业、金融行业由于数据基础好，可以直接做到应用层的产品化，而工业领域则相对考验团队定义问题和架构数据颗粒度的能力。投资人第一步需要扮演企业的咨询顾问。但最终能体现创业公司本身的壁垒的，无非是数据的质量，以及所呈现的最终产品形态（可以是软件），能够最终改变了企业工作的流程，很深地嵌入到企业运营之中。这些能形成壁垒的模式也是我们相对看好的方向和机会。
曹巍：我们坚持看产业的痛点，看你能不能“一边赚钱一边赚数据”。如果只赚数据，说实话除非是特别牛的大牛，现在还有很多机会。但是对一般的创业团队，还是希望能够找到又赚钱又赚数据的途径，并围绕自己的“小事情”，把平台的框架慢慢搭建通顺。我们相信很多边缘创新的机会不是大公司或成熟产业巨头已经完全想清楚的。所以有些东西是边打边看的。大家也不要因为太多的巨头已经占据了市场上各个板块而产生畏惧心理。
李立军：我觉得制造业足够大，行业足够多，还有很多机会。制造业需要提升它的效率，把品质做得更好，而人可以用得更少。而且目前中国以及东南亚地区很多制造业还是以人工为主。在这个领域，我觉得中国能把智能制造做好是有道理的，反而在欧美国家不太有这样的产业场景。不过，目前大型企业的智能制造，比如说汽车企业的生产智能化程度已经非常高了，所以我个人认为未来的机会在于中小企业如何通过智能制造的手段来实现柔性制造。包括现在正开始流行的 C2M，把客户个性化的需求变成生产厂家生产线上实时的生产，以减少库存。我觉得这方面是有很多工作可以做的。
现在是工业机器人的时代，很多环节已经开始使用机器人了，特别在制造环节。但是目前的工业机器人其实还蛮笨的，所有的动作都是要人去编程。在批量性的生产中，比如做大货的情况下它是比较合适的。但是 C2M 需要的是小批量多批次，怎么样能够让机器人适应这样的环境，通过人工智能的手段来去实现机器人控制的闭环？现在已经有这样的趋势，也有这样的应用案例，比如把机器视觉应用到工业场景里面。早期可能只是通过机器视觉做定位、检测和测量，但是现在已经有很多团队在尝试利用深度学习的方法，训练机器人自主的学习。我认为这可能是一个比较大的机会，特别是对于小规模的初创团队而言，大有可为。
洪婧：我觉得现在还是有非常多的创业机会，AI 创新才刚刚开始。如果说中国制造已经成为全球的领军产业，那么中国 AI 以后一定是全球领军的。现在只是因为很多创业者是技术背景的，不是很了解行业，所以有一个摸索的过程。但是如果能够找到好的行业，深挖下去是有非常大的潜力的。可能某种意义上 AI 公司要准备好把自己从 AI 公司做成软件公司，最后做成行业解决方案公司。最后可能大公司不见得是通用型的，这需要大家一方面心存高远，另一方面要耐得住寂寞，只要肯在一个行业里深挖机会还是非常非常大的。
计越：我觉得创业永远有机会，永远都能够推陈出新。首先还是继续我以前的说法，在能够持续获得数据的方向上还是有机会的，这样的机会在其他一些行业还是能够找到的。其次，假如创业方向还不清晰，我们就看创始团队背景，比如 BAT 出来有 AI 相关的背景经验的团队。
宁柏宇：教育行业足够大，里面的痛点特别多。所以人工智能和四万亿的教育产业结合一定会有很大的应用场景。
雷鸣：总结起来，人工智能其实机会还很多。关键是要技术脚踏实地地落在应用上，积累数据产生价值。我认为两个方向可以考虑：
第一，更加具体的或更加长尾的机会，比如刚才讲的工业、农业、教育。不是只要有自动驾驶技术，整个运输业的问题就解决了的。
第二，我觉得要考虑 to C，就像互联网起来之后，最终的巨头全是 to C 的企业。To B 的没有非常大的企业，基本上是大的 to C 企业的十分之一。所以要考虑人工智能在 to C 上到底能有什么机会。To C的机会一般会稍晚，90 年代互联网就开始了第一波创业潮，但 Facebook 是在 2004 年，也就是第一波创业潮的十年后才创办的公司。我认为人工智能未来的机会是逐步展现的，绝对不是两年就被做完了，没有机会了的。
这些方向值得大家去不断地思考和探索。现在还是人工智能创业的黄金时期，也是投资的黄金时期。
（为最佳阅读体验，对主持人和嘉宾的发言有所删减）
Follow us on Wechat