时间: 2021-07-30 11:55:10 人气: 13 评论: 0
程浩先生拥有15年的互联网从业经验，曾在硅谷和百度工作，后创办迅雷，并成功将公司带到纳斯达克上市。2015年下半年，程浩先生开始转做投资，这几年来他看过许多人工智能领域的创业项目，但在这过程中，发现有不少创业者存在两个思维误区：高估了算法和科学家的力量 ；愿意只做技术提供商。何出此言？不妨读读他的思考，或许能**新你对人工智能创业的认识。
目前国内人工智能创业非常火爆，很多人在创业之初通常**认为算法和科学家决定一切，这到底对不对？显然这个想法不准确，有三点原因：
首先，整个人工智能算法的技术准入门槛越来越低。当年我还在百度的时候，市面上机器学习的专家很少，但现在再看很多高校都已经开设了相关的课程。
其次，相对于算法而言，在很多领域，海量的、准确的、标注过的数据更有价值。在某些领域，比如医疗领域，如果你没有医疗方面资源是根本没法拿到数据的，拿不到数据后面的算法工作自然也就无法做了，所以算法科学家到底有多重要，也与所处的行业有重要的关系。
最后，有好技术也要有好场景才行，我看到不少有好技术但没有应用场景「拿着锤子找钉子」的案例。人工智能更多的机**还是在于对各行各业实际应用场景的改造，去研发专门的机器人替代人工，行业重度参与者能更容易发现机**和痛点。
比如机房巡检机器人、电力网巡线机器人、果园作业机器人……人工智能几乎**深度影响国民经济的各行各业。对于这样的项目，能够成功的核心，一定是提升了效率，降低了人工成本。
我认为人工智能创业的本质可分为Mission-critical和Non-Mission-critical。为了方便大家理解，我们姑且称为「关键性应用」和「非关键性应用」。
「关键性应用」的应用，就是一丁点儿错都不能犯的人工智能领域。比如自动驾驶，哪怕已经做到了99.9%，但仍然是千分之一的事故率。想想每天驾车上路的人有多少，这千分之一的故障率**导致多少致命事故。所以自动驾驶，必须要做到99.…%后面有多个9才能上路。
在「关键性应用」的领域，必须做到99.9…%小数点后面有多个9，做不到就没法商业化。其背后的核心竞争力是算法和科学家。这类项目往往需要有顶尖的科学家来坐镇背书。所以项目通常很贵（因为周期长，需要的钱自然多，同时这类人才又很贵），要投入大量的研发资源来消灭万分之一、十万分之一的出错率。
很多人都明白研发的边际效益递减的道理，做到90%很容易，但为了消灭各种Corner Case（极端情况），要做到99%，其投入的就不止10倍的资源，更别说99.9%和99.99%了，所以这类项目的时间周期**很长。
类似于Mobileye从1999年做汽车辅助驾驶，2007年才商业化；达芬奇手术机器人项目更是起源于1980年代末的一项非营利性研究，直到2000年才拿到了美国食品药品管理局FDA的首个手术认证。但一旦做成，这类项目优势就非常明显，因为竞争对手同样也要花相同的时间来跟进。
这样的项目门槛高，不适合一般的创业者，所以通常比较贵，商业变现的时间周期比较长，资本也需要更多的耐心。一流的科学家团队适合选择这样壁垒高的「关键性应用」作为创业方向。
实际上，大多数人工智能的创业都属于第二类，也就是「非关键性应用」。这类项目不追求99%后面的很多个9，而且很多都有更简单实用的解决方案，或者有「人机混合」的方案。总之就是不追求高大上，简单、实用、性价比高更重要，这样的项目通常能够更快落地。这样的项目有以下几个特征：
在「非关键性应用」领域创业，算法固然重要，你送外卖不能总送不到，偶尔出现问题可以容忍（「关键性应用」则不能容忍）。除此以外，能落地就变得非常重要了。如何落地？那就要比拼综合实力了。包括：
所以，这样的人工智能项目并不需要技术大牛，反而是创业者最好深悉这个行业，知道什么方案能解决行业痛点，甚至有上下游的能力去推广销售掉解决方案或产品。
我以前写过一篇文章，在人工智能领域创业，只做技术提供商我认为是死路一条，为什么这样讲？
包括人脸识别、声音识别、机器翻译，很多是大公司做的，它不需要靠这个赚钱，所以这当中很多都是大公司的赛道。基于API（应用程序编程接口）的商业模式也没有扩展性，因为百度不收费，**也不**收费，再加上你本来就需要开放接口换取更多用户数据，所以你只做API没有任何收入。
随着谷歌TensorFlow等生态系统的成熟，很多领域都**有训练好的模型可以用来参考（出Demo**更快），创业者只要有足够的数据来训练参数就好了。所以未来算法的壁垒**越来越低，如果这个公司的核心竞争力是算法，那将非常危险。
除此之外，在一些「非关键性应用」上，两个算法之间的微小差别其实对使用者感知并不明显。与此相对应的，数据壁垒却是非常明显。最近这一年中国涌现了一二十个「AI看医学影像」的公司，这个生意里面，怎么拿到海量的、准确的、标注过的数据，比谁的算法好要有价值得多。
我们在投资当中**很看重公司的防御性，很多公司做比较低成本的雷达给扫地机器人用，但随着扫地机器人的发展，最后做扫地机器人的公司要么把你买掉，要么自己就做。美国有一个芯**公司就是做视觉嵌入式计算的，以前最大的客户就是大疆，但是大疆把2C的商业垄断之后，大疆做的第一件事就是自己做芯**。
活得不滋润的是研发公司，最早的苹果是自己研发芯**，三星、华为、小米也都是自己研发芯**。这其实是一个产业链通用规律：如果一个产业链有很多环节，在某一个环节有一个垄断者，那么这个垄断者就有向上下游延展的机**，哪怕不延展也**把整个产业链的大部分利润吃掉。正如之前的PC产业链，有内存、硬**、操作系统、整机……但Windows和Intel却赚走了绝大部分利润。
为此，我提出「一横一竖」的**，「一横」就是指你提供的技术服务。通常「一横」能服务很多行业，你要在其中选一个最大、最适合你的行业，深入扎进去做「一竖」，就升级为了「全栈」。在垂直的行业，因为没有利益冲突，你仍可老老实实地做技术服务。这样的话，商业上你能吃透一个垂直行业，技术上你还能通过横向合作，不断获取对方反馈的数据来夯实你的技术。
「一横」比较好理解，那怎么选择「一竖」，这是要考虑的，我先分享一下自己的思考：
（1）市场空间，做「一竖」肯定要选市场最大的
举个例子，美图秀秀以前的美颜工具是它的「一横」，但这一横很难赚到钱，如今美图手机是它的「一竖」，结合美图手机的用户群比较特殊，几乎都是爱美的女孩，普遍对价格的敏感度不高，因此美图的手机最高能卖到4000多块。虽然美图手机占整个手机市场的比重并不高，但美图手机占了公司全部营收的95%，如果只做API根本撑不起这样一个公司。
（2）行业集中度，在做「一横」技术提供商时，上游行业集中度越高则越不利
说白了头部效应明显，如果一两家大企业把行业全吃掉，那么作为技术提供商，面对集中采购，是没有任何议价能力的。就像IDC时代，HP、DELL等卖服务器的，活得很滋润。但现在云计算来了，面对亚马逊、阿里云这样的批量采购，服务器厂商能跑个量就不错了，甭指望什么利润了。
不过话又说回来，行业集中度越高，说明行业壁垒越高，你想从技术提供商走向上游也越困难。在这种情况下，通常是上游把下游的事也做了，例如Google、百度当年内部使用了一些自己攒的服务器，现在大部分都是定制化需求给服务器厂商，这样的单几乎是没利润的。反过来讲，如果行业集中度很低，那么作为技术提供商还是相对滋润的。
（3）提供的技术服务到底是改良性还是革命性的
如果你的技术创新对这个垂直领域是革命性的，就越有机**走到上游。如果只是改良性的，你就老老实实在下游赚个辛苦钱算了。
越是颠覆性的东西，越有机**往上游走。因为上游越离不开你，意味着你有机**做他的事。打个异想天开的比方，如果你能提供一个待机一周的电池，那你就可以考虑自己做手机，你的手机只打一点： 一星期不用充电。就这一点可能就够了，因为这个技术是革命性的。相反，如果是改良性的技术，例如你的电池待机只是比以前多了20%，那你还是老老实实做电池吧。
（4）双方的壁垒，特别是上游的壁垒
拿比较火的直播平台而言，现在都有美颜功能，例如给女孩长出个耳朵那种，这个通常都是第三方提供的技术。技术本身的壁垒并不高，很多公司都能提供，虽然效果有一些小的差异。
但是直播的壁垒相当高，这事有网络效应，用户越多**吸引更多的主播，因为能赚到更多钱，主播越多，也**带来更多的用户，因此需要很多资金来买流量以及签约很厉害的主播。这种情况下，虽然技术提供商能赚个辛苦钱，但是仍然完全没有机**往上游走。
（5）团队基因
你做得了技术服务的事，不代表你做得了垂直领域的事，比如现在很火的无人便利店，如果你做这块技术提供商，你也想开这个便利店，但你技术提供再好，用户怎么选择便利店，肯定还是选择一个平常经常进的。
选址以及商品管理方面，你这个团队如果没有搞零售的经验，那还是老老实实做技术。就算你找一个搞零售的高管，也很难，因为任何一个公司都有它的基因，我挺相信基因论，如果核心创始团队没有这个基因也不行。
刚才提到了To C的无人便利店，但实际上，目前人工智能To B的机**要更多一些，因为To C的市场还不成熟，从技术创新和技术演进的路线来讲，通常都是先军工、国防，然后To B、To C，为什么先国防？因为产业链不成熟，做起来很贵，所以先国防买单。产业链不成熟，价格贵，用户承受能力弱，一个机器人买回家，小孩恨不得又能讲故事、又能唱歌、又能跳舞、又能聊天。但现在根本不现实，技术成熟度还不够。
而反观企业对成本的承受能力更高，To C买一个人工智能是额外花一些钱，但To B买这个产品目的是为了省钱，特别是考虑到中国人力成本继续往上飙升，只要企业了解到机器人**大幅提升效率、比人工成本合适，他们就有行动起来的动力。
比如工业机器人，因为很多都是以「人机混合」模式在作业。以前需要5个人干活，现在可能只需要1个机器人加2个人工。也就是机器人替代了3个人工，能把一些常规任务给干了，但在一些特别复杂的工艺流程位置，还得依靠工人来做。这是一种易推行的混搭模式。但To C机器人可没有「人机混合」模式可言。
最后，我想对人工智能领域的创业者说：
如果项目想要快速落地，起步一定要从To B开始，To C仍是很长远的事情，发展没那么快；不能说算法很厉害，有很牛的科学家团队就是一切了。在未来的竞争环境下还差得很远。
项目一定要接地气，只做技术提供商肯定不行，一定要做整体解决方案——选个适合你的行业，把你的技术产品化、搞定用户/客户实现商业变现、然后获得更多的数据，这样才能再夯实你的技术。
本文素材来源创客猫、浩哥说。如需转载请留言获得授权，欢迎转发分享。
作者：程浩，松禾远望基金创始合伙人、迅雷创始人
整编：John潘
本文由 @捕手志（ID：ibushouzhi） 整编发布于人人都是产品经理。未经许可，禁止转载。
