迅雷創始人程浩:人工智慧創業的 6 大核心問題

作者 | 發布日期 2017 年 10 月 11 日 15:00 | 分類 AI 人工智慧 , 財經 follow us in feedly

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?

1. 網路的流量紅利已經消失;

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。

2. 網路+的機會同樣有限;

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。

3. 真正能提高社會生產力,解決供需關係不平衡的就是人工智慧;

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。

(Source:海康威視

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。

(Source:Mobileye

「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:

1. 首先通用技術一定是大公司的賽道,BAT 未來一定會免費開放。

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。

2. 依靠演算法的技術壁壘會越來越低。

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。

3. 技術提供商如果不直接面對用戶/提供整體解決方案,則非常容易被上下游輾壓:

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。

(Source:Amazon

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:

1. 產業鏈不成熟

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。

2. 2C 是額外花費

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。

3. 2C 產品的用戶期待度高

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。

1. 2B 端對價格承受能力更高

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。

2. 2B 的核心目的是降成本

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。

3. 2B 可採人機混合型態

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) 

關鍵字: , , , , ,