风险投资基金 AI List Capital 管理合伙人Henry Shi 博士
我从 2014 年起就开始投资 AI 初创公司，到目前为止看过了数千家公司，投资了其中近 30 家。这些公司中有些已成为独角兽，而有些仍然在寻求应用的突破口。作为投资人，我一直在思考如何发现下一个 AI 独角兽，也总结了分析 AI 公司（特别是针对行业应用的 AI 公司）的几个重要维度。我相信这些维度，无论对投资人、创业者以及其他 AI 从业人员都是有借鉴意义的。
维度一：价值。AI 起到的价值到底是什么？这个问题很重要，因为它往往决定了一个 AI 公司的商业模式和竞争格局。AI 起到的价值必须清晰，并且显著（而非不痛不痒）。通常 AI 的价值体现在两方面：
- 降低成本、提升效率，比如 AI 可能减少了人工成本（如无人驾驶）、客户获取成本、客户流失率等。
- AI 可能创造新的价值。比如我投的一家美国 AI 公司 ObEN（获得了软银、腾讯等机构的后续投资），能为明星快速地构建 AI 虚拟形象，使得 AI 能够代替明星和粉丝互动，创造全新的互动体验。新的体验进一步催生了新的用户行为和商业模式，构建了新的价值生态。
维度二：壁垒。随着 AI 的基础框架越来越成熟，应用型 AI 公司的壁垒更多在数据而非技术上。或者说，技术壁垒的基础往往是数据壁垒。我们在分析 AI 公司的数据壁垒时，通常会看两方面：
- 是否已经有较多的数据积累，且竞争对手获取这些数据的难度较大？这可以理解成先发优势。
- 是否具备“数据网络效应”？“数据网络效应”指的是，当数据越来越多的时候，AI 的性能会越来越好，进而能够获得更多的客户和数据，形成滚雪球效应。“数据网络效应”很关键，它能够使有着“先发优势”的 AI 公司越走越快，形成”大者恒大、强者恒强”的效应。
维度三：技术风险。任何一个行业应用对于准确率都有一定的要求。比如 AI 应用于医学影像自动分析时，其准确率需要至少和影像科专家相当。无人驾驶对于 AI 的准确率则更加苛刻，得比人驾驶的事故率低很多。所以，在考虑 AI 应用于某个行业时，我们会深入思考三方面：
- AI 是否有可能达到这个行业要求的准确率？
- 要达到这样的准确率，需要多少训练数据，需要技术上有什么突破？
- 在准确率还没达到要求时，是否有“过渡型”的应用？
对于很多应用来讲，1 和 2 是有不确定性的，所以对 3 的考虑就格外重要，这决定了 AI 公司的落地周期。比如在无人驾驶技术还不够成熟时，智能辅助驾驶可以作为可落地的过渡型应用。并且，通过这种过渡，AI 也可能获得更多的训练数据，最终实现自动驾驶。
维度四：规模化。一个好的 AI 公司，其 AI 技术不仅要落地，还要能够规模化。这就要求其应用场景能够“标准化”，其 AI 产品能满足一大批客户的需要，而不只是为少数客户定制。AI 公司需要多和客户沟通，深度挖掘客户们的普遍需求。
以上的这些维度，希望能帮助大家更加全面深刻地分析 AI 公司，帮助大家更理智地作出“投资”，无论您是投钱、投时间还是投资源。期待越来越多的 AI 公司可以落地，可以规模化！
目录
生态评论
马云：旧制造业要凉，贸易战至少得打 20 年
重磅访谈
李开复：年轻人现在就该开始找 AI 替代不了的工作
企业机器学习平台
调参工要凉？微软重磅开源 AutoML 工具包 NNI
落地实践
如何通过深度学习轻松实现自动化监控？
推荐阅读
一年过去了，25 万月薪的 AI 工程师还存在吗？
精选论文导读
别用大批量 mini-batch 训练神经网络，用局部 SGD！
评论