程浩：人工智能创业中要重视的两个思维误区

本文由松禾远望基金创始合伙人程浩为大家分享的一篇关于人工智能领域的创业项目中存在的两个思维误区，或者能够帮助你更好的对人工智能创业的认识。

高估了算法和科学家的力量

目前国内人工智能创业非常火爆，很多人在创业之初通常会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。人工智能更多的机会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会和痛点。

比如机房巡检机器人、电力网巡线机器人、果园作业机器人……人工智能几乎会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会导致多少致命事故。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会很长。

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：

• 不追求很多个「9」。例如基于人脸扫描的门禁或者迎宾机器人系统，99%和98%没有本质的区别，实在不行还有前台。

• 更简单实用的解决方案。例如封闭路段（例如工业园区、机场码头）的自动驾驶，激光雷达又贵又复杂，我直接用磁条导航，而且算法上追求简单，让速不让路，只要前面有人，车就停下来。因为是封闭路段，所以场景被极大简化了。

• 人机混合模式。面向企业的人工智能很多都能通过人机混合模式降低技术难度，可以更快地面向市场提供服务。拿外卖机器人举个例子，你的算法好，送达成功率有99%，我是98%。100次里面不成功的那两次，我可以用人通过后台去操控机器人，慢慢提高这个比例就好了。即使这样，我还是能极大地降低人力，所以价值还是非常大的。

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：

• 对行业的理解，要深刻洞悉行业痛点在哪儿；

• 产品化和工程化，有没有好的产品和工程师团队？光在实验室里搞是没用的；

• 做出来的产品还得便宜；

• 批量生产的话，你的供应链能力怎么样？

• 产品出来了，你得把东西卖出去，你的营销/销售能力怎么样？

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。

只做技术提供商行不通

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？

1、技术提供商很多是大公司的赛道

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，腾讯也不会收费，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。

2、数据在很多情况下比算法重要得多

随着谷歌TensorFlow等生态系统的成熟，很多领域都会有训练好的模型可以用来参考（出Demo会更快），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会越来越低，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。

3、极易被上下游挤压，只做算法生存空间是非常小的

我们在投资当中会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。美国有一个芯片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片。

4、如果只是做技术提供商很容易被上下游替代

活得不滋润的是研发公司，最早的苹果是自己研发芯片，三星、华为、小米也都是自己研发芯片。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会，哪怕不延展也会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、硬盘、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」的理论，「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，就越有机会走到上游。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，越有机会往上游走。因为上游越离不开你，意味着你有机会做他的事。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，用户越多会吸引更多的主播，因为能赚到更多钱，主播越多，也会带来更多的用户，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会往上游走。

（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的机会要更多一些，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会大幅提升效率、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。

作者：程浩，松禾远望基金创始合伙人、迅雷创始人