AI 初创如何实现从 0 到 1

本文为 Robin.ly 授权转载，文章版权归原作者所有，转载请联系原作者。

Robin.ly 是立足硅谷的视频内容平台，服务全球工程师和研究人员，通过与知名人工智能科学家、创业者、投资人和领导者的深度对话和现场交流活动，传播行业动态和商业技能，打造人才全方位竞争力。

10 月下旬，硅谷风险投资 BoomingStar Ventures 管理合伙人、硅谷最大的 AI 人才猎头服务公司 TalentSeer 及人才社区 Robin.ly 的创始人 Alex Ren 受邀与麻省理工大学、哈佛大学及波士顿地区的创业者分享了 AI 时代的创业思考以及评估早期 AI 公司的“技术-市场”契合新思维。

Alex Ren 在哈佛-MIT 创业讲堂分享 AI 创业思考

关于 Alex Ren

我最早的背景是 Electrical Engineering，2001 开始参与研究车载毫米波防撞雷达，可以说是无人车比较早的研究尝试。之后在通讯和半导体行业做了 12 年营销工作。来到美国创业之后转型做 AI 人才猎头服务和人才社区。2015 年也开始参与投资，参与了几家 AI 公司，包括 CloudMinds，Vicarious AI 以及一些自然语言处理领域的企业。

一方面，我们做人才招募的客户大部分是独角兽和大型公司，而投资看的是一些比较早期的公司。如果进入 A 轮的概率只有 2%、成为独角兽的概率只有万分之一的话，我就经常去比较那只占万分之一的独角兽公司和没有能够进入 A 轮的那 98%的公司到底有什么区别。今天要讲的很多内容也是基于这样的一些分析。

我会介绍一下初创公司失败常见的三个原因、创业公司背后的发展引擎分析、以及一些无人车和机器人相关的案例分析。之所以选择无人车，是因为我认为无人车是整个 AI 领域的第一次伟大尝试，没有任何 AI 的应用领域像无人车一样在过去几年里吸引了几百亿美金，至少几万甚至十几万人在参与其中的研究和开发。

创业失败的三个常见原因

创业是一个少数派的游戏，投资也是一样，只有少数人能够成功。我们来分析一下 98% 的公司为什么失败，CBInsights 在 2017 年对 101 家创业公司的失败原因做了分析，最后总结出大部分公司失败的原因有三个。第一个原因是 No Market Need，就是没有市场需求，有将近 42% 的公司做出的产品没有市场需求，就是白费功夫。第二个原因就是 Ran Out of Cash，资金断裂公司就要倒闭。第三个原因就是 Not the Right Team，团队不合适。

创业失败的常见原因，来源：Alex Ren

No Market Need 的首要原因是没有找对应该解决的问题，其次是市场竞争太激烈，是红海市场。在选择应该专注的领域和问题的时候，我们要注意正确对待所听到的反馈意见，当你有一个自认为很不错的想法 ，其他人也觉得很好（Sounds good, actually good），这时候你要小心了，因为这个时候可能有很多人已经在做了，市场已经饱和了。比较好的想法是听起来不好，但实际上是好的(Sounds bad, actually good)。

Ran Out of Cash 通常要么是因为创始人讲故事的能力不够，要么是因为 Unit Economy（单元经济）没有算好。就拿无人车来讲，汽车本身成本 3 万到 5 万美元，传感器、计算单元等要十几万美元，加上工程师研发成本、运营成本、每个城市构建地图的成本，平摊到每英里的运营成本可能大约要$2,这和目前Uber的每英里$0.8-1 比还是有不少成本的差距，如果无人车要做到市场接受，就必须找到这个降低成本的路径。

Not the Right Team 也可以从两个方面来理解，一方面是团队本身的技能和性格问题，不够互补；另一方面是团队协调的问题，我认为创始团队应该被看作是一段“高压下十年的婚姻”，如何判断对方合适不合适，就看他们在被逼到墙角作出的反应，如果不是失去底线，而是作出正确的妥协或者更好的意见，那么这个团队能够在一起存在的时间就更长。如果听说某公司某创始人被踢了出来，并不见得是坏事，这是一种矛盾解决的结局，比没有解决方案大家一起死要好得多。

技术迭代的历史

创业是一个加快迭代速度的游戏。而近百年的人类进步，很大程度上依赖于技术的进步，技术迭代的速度也大大加快。第一次工业革命而言，以蒸汽机为主的技术在 1698 年就已经出现了，但之后过了 78 年瓦特才发明了第一个能够大规模应用的蒸汽机，随后以差不多 20 年为周期被不断改进。之后就是电力革命，信息革命，到了最近的人工智能时代，沉寂了多年的深度学习算法在 2010 年借由大数据的出现又开始变得炙手可热，而 2012 年 AlexNet 发明之后，才真正在 ImagenNet 的比赛中显示出了惊人的进步，现在的算法更新周期只要一天或者几个小时。人类的技术创新和迭代周期在大大缩短，对于初创公司而言，能否成功进入某个领域就取决于你是否能够找到一个方法加快这个领域的技术迭代速度。

技术迭代历史，来源：Alex Ren

衡量企业发展阶段的 RPG-A 框架

Peter Thiel 在《从 0 到 1》一书中提到，初创公司的 1-N 过程是指企业在达到产品／市场契合度之后的市场扩张过程，而 0-1 的过程是指在达到产品／市场契合度之前的测试、探索和迭代的过程。

我们在此提出了一个衡量企业发展阶段的指标框架，包括四个指标，简称 RPG-A：Revenue（营收）、Profit（盈利水平）、Growth（营收增长率） 和 Acceleration（增长加速度）。早期投资决策主要企业能否盈利，而到了互联网时代，投资人关心的是你的用户增长有多快，有用户就有可能变现。从数学角度来看，如果增长是一阶导数的话，增长加速度就是二阶导数。然而现在基于 AI 技术的公司，最开始甚至没有用户，也没有利润，靠的是核心技术。如果你今天做一家 AI 公司，投资人不会问你有多少用户，有多少利润，重点看你的技术迭代速度 （Acceleration）。所以创业公司从以前关注产品成熟度（Product Maturity）转移到关注技术成熟度（Technology Maturity）。

衡量企业发展的四个指标，来源：Alex Ren

技术成熟度衡量框架: Value-Failure Framework

那么如何衡量企业的技术成熟度呢？我们提出了一个新的框架去分析技术成熟度，叫做 Value-Failure （VF）Framework。这个框架重点关注的是我们的技术能带来多大的价值 （Value），同时失误率又是多少（Failure）。

Value-Failure 定义，来源：Alex Ren

价值又包含时间价值（Time Value）和关联价值（Affiliated Value）两部分。举例来讲，假设无人车现在的技术达到了 L4，自主驾车，我们每天通勤时间是一个小时，利用无人车通勤省下的一个小时可以用来做别的事情。按照宝马的估计，在美国，一个小时大概可以换算成 18 美金，这就是我们能换来的时间价值。关联价值是指如果每天用无人车通勤，我们可以通过优化通勤的路线，来寻找沿途额外的商业利益或信息。这两个价值加起来就是我们能够获得的价值。

Value-Failure 框架分析无人车行业，来源：Alex Ren

但是评估还存在一个比较大的问题，就是 AI 技术现在并不成熟，失败率还很高。我们把 AI 的失败率和人类的失败率做了比较，算出了我们到底能获得多大的价值。根据图灵测试的定义，到达人类的水平就是技术成熟度达到了 1，实现了这一点就相当于完成了从“0”到“1”的过程。这就是我们提出的一个想法，后续还会有一些相关的文章发布。这一想法能够为基于自动化的行业提供一些参考和帮助，因为通常这些行业都希望用 AI 替代人类做一些重复性的工作。

如果想提高 VF 指标，无非有两个方法，一个方法是我们能否找到一个高端行业的客户，让节省的时间的价值更大。另外一方面我们也可以提高关联价值。比如，你在跟智能语音助手对话的时候，它可能经常听不懂你在说什么，语音翻译也可能会错误百出，但是在你听音乐的时候可以自动调节音量，切换歌曲，能给你带来更多额外的价值。所以我们要去分析所在市场的需求，思考如何将其分解成两部分价值，一部分是时间价值，也就是自动化直接带来的收益，另一部分是关联价值，看能不能从中获得额外的收益和信息？

无人车，机器人行业的应用分析

我们来看一看汽车市场发展的背景。跟成熟的智能手机市场不同，汽车产业一直没有被智能化。虽然汽车是刚需，相比智能手机，我们在汽车上的花销要高得多。目前整个汽车市场在经历软件化、电动化和智能化三个变革。根据预测，到 2026 年，汽车软件市场会达到 786 亿美元的规模。这个行业增长很快，也吸引了越来越多的投资。其中主要的创新包括驾驶辅助（ADAS）、无人驾驶、汽车电动化以及数据座舱。中国的汽车公司更注重多媒体软件的开发和改进，比如车载卡拉 OK，这些都是主要的创新。另外，安全性和功能性也驱动了汽车计算平台的发展，比如有的车会配备 Nvidia 的 GPU。

这里有一份 2018 年的脱离报告（Disengagement report），说明了在不干预的情况下，无人车可以自主驾驶的最长距离。Waymo 的数据大概是 11000 多英里，Cruise 是 5000 多英里，Zoox 是近 2000 英里，Nuro 差不多有 1000 英里。我们可以通过这些数据来换算出失败率。这些失败率实际上是由于技术或者系统结构的问题，比如说 perception、planning、control，合起来就造成了失败。最后一家公司 Embark 是做无人卡车的公司，它产生的价值略有不同，因为它取代的是卡车司机。卡车司机的待遇按照美国的标准大概是 5 万美元一年，相当于每小时 24 美元。虽然这家初创公司目前的失败率还比较高，但是由于卡车的司机是专业司机，所以人工失误率更加低。但是要注意，卡车司机这个行业是一个通过运营可以优化的行业，如果大部分人都用这样的系统，实际上可以通过优化线路和其他因素来扩大关联价值。

2018 年加州无人车公司脱离报告，来源：DMV

下面再谈谈机器人行业。现有的机器人产业是以教育机器人为主的，大部分热销的机器人都是为儿童设计的电动玩具机器人，已经形成了比较成熟的市场。现在的市场趋势正在转变为商用服务型机器人，比如酒店和机场里能看到的提供登记和咨询服务的机器人。那能够颠覆机器人市场的产品就是工业机器人。工业机器人市场，如何通过以 AI 驱动的高灵活度的制造机器人取代大量高成本的定制机器人，是未来的大趋势。对于机器人而言，例如抓取机器人，其识别、抓取的精确度离定制的机械手臂还有一定的差距，这影响了机器人市场的快速推进。

从技术成熟度到产品成熟度

在达到技术成熟之后，企业需要解决如何从技术成熟度过渡到产品成熟度的问题。其中核心首先就在于需要找到一个很好的应用场景。当前 AI 的应用都是解决局部问题，要实现通用人工智能（AGI）是很难的，只能算是早期的 AI 研究人员过于乐观的设想。几年前还有人寄希望于 AI 来处理视觉语言等各种各样的问题，但是今天谈论的人已经很少了，大家发现这些算法都是针对某个具体领域的优化。这个领域里面存在一个长期的矛盾，在这个领域研究了十几二十年的人使用的是基于物理和统计学的传统方法，而新一批研究者使用的是基于深度学习，强化学习的新方法。人们也在探究能否将两者结合产生一个新的解决方案。比如可以先找到一个特殊的场景，在高速公路上测试无人卡车，场景比较简单一些，没什么行人，或者是园区里面的送货机器人。这些都是限定场景，需要解决的问题相对简单，可以很快提高产品的市场接纳度。我们同样也要注重产品的设计和特点，找到经济上潜在的刺激因素，提高产品的性能，降低生产成本。

从技术成熟度到产品成熟度，来源：Alex Ren

初创公司早期是更关注技术成熟度还是产品成熟度，实际上是有地域性的差别的。如果你在美国创业，大部分的投资人可能会更关注技术突破，不会急于要求投资回报。但是在中国，因为同一行业的收益本来就偏高，投资人很可能要求相对比较快的和比较高的回报。在这种情况下，你可能需要跟不同的客户交流，甚至很快就要做一个市场已有的产品，跟其他公司竞争。举个例子，假设你是做医疗成像技术的，迫于投资人尽快盈利的要求，就可以考虑做医院里面已有的系统，去跟其他同类公司竞争。这样做的优势就在于，第一，你是 AI 公司，估值很高，获得了大量的融资可以维持公司的正常运营。第二，作为一家 AI 公司，可以招很多优秀的工程师，在人才上也占据了优势。然而你的劣势就在于，你要以新人的身份跟市场上已有的玩家竞争。当前国内这些公司大都是靠已有的解决方案盈利。虽然有些行业也可以用 AI 进行强化，比如在安防领域，AI 已经显示出了强大的实力。但是如果身处非主流产品市场，难免要经历一个漫长的发展过程。从技术成熟度的角度来说，目前还没有很多很好的产品能够以 AI 为特点实现大规模盈利。

总结

最后总结一下今天的内容。首先，初创公司要能先生存下来，就要避免三个错误诱因：缺乏市场需求，资金短缺和团队问题。其次，AI 公司从 “0” 到 “1” 的转变，需要经历一个漫长的技术成熟过程。我们还定义了 value - failure 的框架去评估技术成熟度，从而指导 AI 初创公司更快地实现从 0 到 1 的过程。

本文转载自 Robinly 微信公众平台。

原文链接：https://mp.weixin.qq.com/s/w1nWnB-MZC86oZsvRjUstA