程浩：我認為人工智能創(chuàng)業(yè)有兩個常見的思維誤區(qū)

　　一、高估了算法和科學家的力量

　　目前國內(nèi)人工智能創(chuàng)業(yè)非�；鸨�，很多人在創(chuàng)業(yè)之初通常會認為算法和科學家決定一切，這到底對不對?顯然這個想法不準確，有三點原因：

　　首先，整個人工智能算法的技術準入門檻越來越低。當年我還在百度的時候，市面上機器學習的專家很少，但現(xiàn)在再看很多高校都已經(jīng)開設了相關的課程。

　　其次，相對于算法而言，在很多領域，海量的、準確的、標注過的數(shù)據(jù)更有價值。在某些領域，比如醫(yī)療領域，如果你沒有醫(yī)療方面資源是根本沒法拿到數(shù)據(jù)的，拿不到數(shù)據(jù)后面的算法工作自然也就無法做了，所以算法科學家到底有多重要，也與所處的行業(yè)有重要的關系。

　　最后，有好技術也要有好場景才行，我看到不少有好技術但沒有應用場景「拿著錘子找釘子」的案例。人工智能更多的機會還是在于對各行各業(yè)實際應用場景的改造，去研發(fā)專門的機器人替代人工，行業(yè)重度參與者能更容易發(fā)現(xiàn)機會和痛點。

　　比如機房巡檢機器人、電力網(wǎng)巡線機器人、果園作業(yè)機器人……人工智能幾乎會深度影響國民經(jīng)濟的各行各業(yè)。對于這樣的項目，能夠成功的核心，一定是提升了效率，降低了人工成本。

　　我認為人工智能創(chuàng)業(yè)的本質(zhì)可分為Mission-critical和Non-Mission-critical。為了方便大家理解，我們姑且稱為「關鍵性應用」和「非關鍵性應用」。

　　「關鍵性應用」的應用，就是一丁點兒錯都不能犯的人工智能領域。比如自動駕駛，哪怕已經(jīng)做到了99.9%，但仍然是千分之一的事故率。想想每天駕車上路的人有多少，這千分之一的故障率會導致多少致命事故。所以自動駕駛，必須要做到99.…%后面有多個9才能上路。

　　在「關鍵性應用」的領域，必須做到99.9…%小數(shù)點后面有多個9，做不到就沒法商業(yè)化。其背后的核心競爭力是算法和科學家。這類項目往往需要有頂尖的科學家來坐鎮(zhèn)背書。所以項目通常很貴(因為周期長，需要的錢自然多，同時這類人才又很貴)，要投入大量的研發(fā)資源來消滅萬分之一、十萬分之一的出錯率。

　　很多人都明白研發(fā)的邊際效益遞減的道理，做到90%很容易，但為了消滅各種Corner Case(極端情況)，要做到99%，其投入的就不止10倍的資源，更別說99.9%和99.99%了，所以這類項目的時間周期會很長。

　　類似于Mobileye從1999年做汽車輔助駕駛，2007年才商業(yè)化;達芬奇手術機器人項目更是起源于1980年代末的一項非營利性研究，直到2000年才拿到了美國食品藥品管理局FDA的首個手術認證。但一旦做成，這類項目優(yōu)勢就非常明顯，因為競爭對手同樣也要花相同的時間來跟進。

　　這樣的項目門檻高，不適合一般的創(chuàng)業(yè)者，所以通常比較貴，商業(yè)變現(xiàn)的時間周期比較長，資本也需要更多的耐心。一流的科學家團隊適合選擇這樣壁壘高的「關鍵性應用」作為創(chuàng)業(yè)方向。

　　實際上，大多數(shù)人工智能的創(chuàng)業(yè)都屬于第二類，也就是「非關鍵性應用」。這類項目不追求99%后面的很多個9，而且很多都有更簡單實用的解決方案，或者有「人機混合」的方案�？傊�就是不追求高大上，簡單、實用、性價比高更重要，這樣的項目通常能夠更快落地。這樣的項目有以下幾個特征：

　　不追求很多個「9」。例如基于人臉掃描的門禁或者迎賓機器人系統(tǒng)，99%和98%沒有本質(zhì)的區(qū)別，實在不行還有前臺。

　　更簡單實用的解決方案。例如封閉路段(例如工業(yè)園區(qū)、機場碼頭)的自動駕駛，激光雷達又貴又復雜，我直接用磁條導航，而且算法上追求簡單，讓速不讓路，只要前面有人，車就停下來。因為是封閉路段，所以場景被極大簡化了。

　　人機混合模式。面向企業(yè)的人工智能很多都能通過人機混合模式降低技術難度，可以更快地面向市場提供服務。拿外賣機器人舉個例子，你的算法好，送達成功率有99%，我是98%。100次里面不成功的那兩次，我可以用人通過后臺去操控機器人，慢慢提高這個比例就好了。即使這樣，我還是能極大地降低人力，所以價值還是非常大的。

　　在「非關鍵性應用」領域創(chuàng)業(yè)，算法固然重要，你送外賣不能總送不到，偶爾出現(xiàn)問題可以容忍(「關鍵性應用」則不能容忍)。除此以外，能落地就變得非常重要了。如何落地?那就要比拼綜合實力了。包括：

　　a、對行業(yè)的理解，要深刻洞悉行業(yè)痛點在哪兒;

　　b、產(chǎn)品化和工程化，有沒有好的產(chǎn)品和工程師團隊?光在實驗室里搞是沒用的;

　　c、做出來的產(chǎn)品還得便宜;

　　d、批量生產(chǎn)的話，你的供應鏈能力怎么樣?

　　e、產(chǎn)品出來了，你得把東西賣出去，你的營銷/銷售能力怎么樣?

　　所以這樣的人工智能項目并不需要技術大牛，反而是創(chuàng)業(yè)者最好深悉這個行業(yè)，知道什么方案能解決行業(yè)痛點，甚至有上下游的能力去推廣銷售掉解決方案或產(chǎn)品。

　　二、只做技術提供商行不通

　　我以前寫過一篇文章，在人工智能領域創(chuàng)業(yè)，只做技術提供商我認為是死路一條，為什么這樣講?

　　第一，技術提供商很多是大公司的賽道。包括人臉識別、聲音識別、機器翻譯，很多是大公司做的，它不需要靠這個賺錢，所以這當中很多都是大公司的賽道�；�于API(應用程序編程接口)的商業(yè)模式也沒有擴展性，因為百度不收費，騰訊也不會收費，再加上你本來就需要開放接口換取更多用戶數(shù)據(jù)，所以你只做API沒有任何收入。

　　第二，數(shù)據(jù)在很多情況下比算法重要得多。隨著谷歌TensorFlow等生態(tài)系統(tǒng)的成熟，很多領域都會有訓練好的模型可以用來參考(出Demo會更快)，創(chuàng)業(yè)者只要有足夠的數(shù)據(jù)來訓練參數(shù)就好了。所以未來算法的壁壘會越來越低，如果這個公司的核心競爭力是算法，那將非常危險。

　　除此之外，在一些「非關鍵性應用」上，兩個算法之間的微小差別其實對使用者感知并不明顯。與此相對應的，數(shù)據(jù)壁壘卻是非常明顯。最近這一年中國涌現(xiàn)了一二十個「AI看醫(yī)學影像」的公司，這個生意里面，怎么拿到海量的、準確的、標注過的數(shù)據(jù)，比誰的算法好要有價值得多。

　　第三，極易被上下游擠壓，只做算法生存空間是非常小的。我們在投資當中會很看重公司的防御性，很多公司做比較低成本的雷達給掃地機器人用，但隨著掃地機器人的發(fā)展，最后做掃地機器人的公司要么把你買掉，要么自己就做。美國有一個芯片公司就是做視覺嵌入式計算的，以前最大的客戶就是大疆，但是大疆把2C的商業(yè)壟斷之后，大疆做的第一件事就是自己做芯片。

　　第四，如果只是做技術提供商很容易被上下游替代。活得不滋潤的是研發(fā)公司，最早的蘋果是自己研發(fā)芯片，三星、華為、小米也都是自己研發(fā)芯片。這其實是一個產(chǎn)業(yè)鏈通用規(guī)律：如果一個產(chǎn)業(yè)鏈有很多環(huán)節(jié)，在某一個環(huán)節(jié)有一個壟斷者，那么這個壟斷者就有向上下游延展的機會，哪怕不延展也會把整個產(chǎn)業(yè)鏈的大部分利潤吃掉。正如之前的PC產(chǎn)業(yè)鏈，有內(nèi)存、硬盤、操作系統(tǒng)、整機……但Windows和Intel卻賺走了絕大部分利潤。

　　為此，我提出「一橫一豎」的理論，「一橫」就是指你提供的技術服務。通常「一橫」能服務很多行業(yè)，你要在其中選一個最大、最適合你的行業(yè)，深入扎進去做「一豎」，就升級為了「全�！�。在垂直的行業(yè)，因為沒有利益沖突，你仍可老老實實地做技術服務。這樣的話，商業(yè)上你能吃透一個垂直行業(yè)，技術上你還能通過橫向合作，不斷獲取對方反饋的數(shù)據(jù)來夯實你的技術。

　　「一橫」比較好理解，那怎么選擇「一豎」，這是要考慮的，我先分享一下自己的思考：

　　1、市場空間，做「一豎」肯定要選市場最大的。舉個例子，美圖秀秀以前的美顏工具是它的「一橫」，但這一橫很難賺到錢，如今美圖手機是它的「一豎」，結(jié)合美圖手機的用戶群比較特殊，幾乎都是愛美的女孩，普遍對價格的敏感度不高，因此美圖的手機最高能賣到4000多塊。雖然美圖手機占整個手機市場的比重并不高，但美圖手機占了公司全部營收的95%，如果只做API根本撐不起這樣一個公司。

　　2、行業(yè)集中度，在做「一橫」技術提供商時，上游行業(yè)集中度越高則越不利。說白了頭部效應明顯，如果一兩家大企業(yè)把行業(yè)全吃掉，那么作為技術提供商，面對集中采購，是沒有任何議價能力的。就像IDC時代，HP、DELL等賣服務器的，活得很滋潤。但現(xiàn)在云計算來了，面對亞馬遜、阿里云這樣的批量采購，服務器廠商能跑個量就不錯了，甭指望什么利潤了。

　　不過話又說回來，行業(yè)集中度越高，說明行業(yè)壁壘越高，你想從技術提供商走向上游也越困難。在這種情況下，通常是上游把下游的事也做了，例如Google、百度當年內(nèi)部使用了一些自己攢的服務器，現(xiàn)在大部分都是定制化需求給服務器廠商，這樣的單幾乎是沒利潤的。反過來講，如果行業(yè)集中度很低，那么作為技術提供商還是相對滋潤的。

　　3、提供的技術服務到底是改良性還是革命性的。如果你的技術創(chuàng)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。

　　越是顛覆性的東西，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周的電池，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。就這一點可能就夠了，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了20%，那你還是老老實實做電池吧。

　　4、雙方的壁壘，特別是上游的壁壘。拿比較火的直播平臺而言，現(xiàn)在都有美顏功能，例如給女孩長出個耳朵那種，這個通常都是第三方提供的技術。技術本身的壁壘并不高，很多公司都能提供，雖然效果有一些小的差異。

　　但是直播的壁壘相當高，這事有網(wǎng)絡效應，用戶越多會吸引更多的主播，因為能賺到更多錢，主播越多，也會帶來更多的用戶，因此需要很多資金來買流量以及簽約很厲害的主播。這種情況下，雖然技術提供商能賺個辛苦錢，但是仍然完全沒有機會往上游走。

　　5、團隊基因。你做得了技術服務的事，不代表你做得了垂直領域的事，比如現(xiàn)在很火的無人便利店，如果你做這塊技術提供商，你也想開這個便利店，但你技術提供再好，用戶怎么選擇便利店，肯定還是選擇一個平常經(jīng)常進的。

　　選址以及商品管理方面，你這個團隊如果沒有搞零售的經(jīng)驗，那還是老老實實做技術。就算你找一個搞零售的高管，也很難，因為任何一個公司都有它的基因，我挺相信基因論，如果核心創(chuàng)始團隊沒有這個基因也不行。

　　剛才提到了To C的無人便利店，但實際上，目前人工智能To B的機會要更多一些，因為To C的市場還不成熟，從技術創(chuàng)新和技術演進的路線來講，通常都是先軍工、國防，然后To B、To C，為什么先國防?因為產(chǎn)業(yè)鏈不成熟，做起來很貴，所以先國防買單。產(chǎn)業(yè)鏈不成熟，價格貴，用戶承受能力弱，一個機器人買回家，小孩恨不得又能講故事、又能唱歌、又能跳舞、又能聊天。但現(xiàn)在根本不現(xiàn)實，技術成熟度還不夠。

　　而反觀企業(yè)對成本的承受能力更高，To C買一個人工智能是額外花一些錢，但To B買這個產(chǎn)品目的是為了省錢，特別是考慮到中國人力成本繼續(xù)往上飆升，只要企業(yè)了解到機器人會大幅提升效率、比人工成本合適，他們就有行動起來的動力。

　　比如工業(yè)機器人，因為很多都是以「人機混合」模式在作業(yè)。以前需要5個人干活，現(xiàn)在可能只需要1個機器人加2個人工。也就是機器人替代了3個人工，能把一些常規(guī)任務給干了，但在一些特別復雜的工藝流程位置，還得依靠工人來做。這是一種易推行的混搭模式。但To C機器人可沒有「人機混合」模式可言。

　　最后，我想對人工智能領域的創(chuàng)業(yè)者說：

　　如果項目想要快速落地，起步一定要從To B開始，To C仍是很長遠的事情，發(fā)展沒那么快;不能說算法很厲害，有很牛的科學家團隊就是一切了。在未來的競爭環(huán)境下還差得很遠。

　　項目一定要接地氣，只做技術提供商肯定不行，一定要做整體解決方案——選個適合你的行業(yè)，把你的技術產(chǎn)品化、搞定用戶/客戶實現(xiàn)商業(yè)變現(xiàn)、然后獲得更多的數(shù)據(jù)，這樣才能再夯實你的技術。