元璟資本劉毅然圖像、語音領域最有可能迎來商業化應用

劉毅然

AI風口已來，該投就投。

從現在來看，在人工智能領域，圖像和語音識別是已經被驗證的兩個賽道，這兩個領域已經出現了較為成熟的技術方案，未來這兩方面很有可能率先迎來商業化應用。

我們更青睞的該領域創業者既要擁有技術背景，同時又能夠對業務和商業有清楚的理解

元璟資本已經投了兩個與語音識別技術相關的人工智能公司，一個是思必馳，一個是Rokid。這兩個公司，簡單來說，一個是安卓模式，一個是蘋果模式。Rokid是蘋果模式，包括語音技術、外形、麥克風、服務系統對接等等都是團隊自己設計、垂直整合的，提供完整的用戶體驗，直接對標美國亞馬遜的Echo。另一個公司——思必馳，是一個技術平臺輸出型的公司。通過他們提供的模組和技術方案，一個傳統音箱可以升級成智能音箱，所以我把它比喻成安卓對智能手機的作用。

語音在臥室和車載這兩個場景里面最有可能找到突破機會，因為人們不看手機最多的兩個場景就是臥室和車載，這兩個恰好是語音人工智能最能發揮效果的地方。Rokid就是在臥室里面，思必馳也有汽車智能后視鏡方案等，這些是語音方面我們比較看好的。

此外，人臉識別能否出現成熟應用仍然需要看場景，就目前而言，要實現to C級別的應用還可能有挑戰?，F有技術想做一個實時在線、每天實時準確識別和判斷千萬量級人臉的產品，挑戰很大。按次數收費的人臉識別收費還在探索模式，但同時后面支撐它的運算量和需要的技術投入還很大。反而是to B的模式，如果能和銀行、保險公司摸索出業務模式，機會可期。所以要具體分析。我更看好一些對效果要求不那么高的場景，比如消費、娛樂，而對于準確率要求極高的金融支付等領域會更加謹慎。

深入具體場景，形成數據閉環

我個人認為人工智能的發展可以簡單地劃分為深度學習之前和之后。深度學習出現之前，AI主要是簡單的模式識別，用計算機技術解決一些特定的模式問題，但近幾年識別準確率開始出現瓶頸;深度學習帶來的變化還是很大的，使得很多應用場合的識別率有了突然跳躍式的改善，很快就會無限接近甚至超越人類識別水平，這個框架基礎催生了大量新的機會。

深度學習的一個先決條件就是需要海量的數據去做訓練，所以我們看AI公司的時候，首先是看它的數據場景是否正確，數據夠不夠大，有沒有防御性，另外就是有沒有形成閉環、擁有一個反饋機制，也就是根據搜集到的數據判斷作的決策是否正確，效果如何。如果能夠產生反饋，就可以逐漸優化。

其次，如果業務過程中它自己能夠產生、沉淀新的數據，就會是一個正循環，越做門檻就越高。比如如果一個系統在業務單元或各科室的繁雜數據之間能產生、沉淀新的有組織形式的結構化數據，既是輸出也是輸入，這就會形成新的業務價值和數據壁壘。

最后一點適用于任何技術性公司，就是你創造的價值是否可以明確衡量。一般意義上是指能提高效率或者改變產業結構的價值，如果這個價值可以衡量，那這家公司的商業價值就很容易體現出來。

方向上，我們鼓勵創業公司去深入一個行業，和這個行業深度結合，提供行業解決方案。雖然一些基礎方案可能會基于科技巨頭開源的一些理論架構，但是創業公司不會被巨頭的革新輕易取代，或者說，創業公司生存的根基是對這個行業深度的服務和滲透。并不是巨頭公開了算法就把什么都摧毀了，創業公司在垂直領域可以做得更深。

相反，每個新產業發展的早期，需要有巨頭的大量投入和基礎性創新才有真正的新板塊性機會出現。比如移動互聯網的發展，正是在蘋果大力推動蘋果手機，谷歌大力推廣安卓系統之后，智能手機的各種應用才真正爆發出來，Uber、滴滴這樣的新機會才涌現出來。人工智能領域也一樣，在谷歌推動了深度學習的示范應用之后，全世界都知道了DeepMind這家公司，現在NVIDIA這家公司也在推動芯片/算力的進一步普及。

從大板塊上來看，在醫療、金融、安防、車載這些場景，創業公司都非常有機會。醫療和金融行業都會產生大量的數據，有很多非結構化的數據等待機器去挖掘和學習。以安防和駕駛領域為例，這兩個行業都需要對人的缺點有很明確的突破，比如安防不可能老有人看管，而且人的處理判斷能力也相對有限，而機器則可以解決上述問題。

因此，在這些效率和數據遠超人類的地方，人工智能會最先出現機會。我們也投資了一家電動車和自動駕駛公司——車和家，他們把所有精力聚集在一兩款車型的徹底顛覆設計上。他們在自動駕駛上做了一些嘗試和進展，期待在自動駕駛這個領域繼續尋找到更多新的機會。

更看好技術和商務能力并重的團隊

對于人工智能領域的創業者，技術背景和商務能力是并重的，我們更青睞的該領域創業者既要擁有技術背景，同時又能夠對業務和商業有清楚的理解。目前有些投資人在團隊早期還是一個算法或業務原型時就給出很高的價格，我們則相對謹慎。雖然我本人也是電子工程的博士，也愿意相信技術創新改變世界的力量，但在投資上面我們對教授、科學家創業持謹慎辨別態度。我們希望看到創業者不僅僅擁有算法或技術，還要有商業落地的具體前景和路徑，至少是深入務實的思考，畢竟創業是要做一個業務出來。

在我們看來，未來AI要進一步普及，必須符合本地化、小型化的要求。通俗來說，本地化就是可以不聯網。如果產品需要聯網，每次還需要從網上調參數，網絡環境不好就會有延遲，無法實現實時應用。這在車載場景尤其突出。車在高速行駛時需要處理一些緊急情況，而高速公路的網絡環境又無法實現完全的無延遲。小型化和智能手機類似，就是要把算法和軟件程序搭載在某個小型器件上，功耗也不能太高。

本地化、小型化的解決方案就是要把算法做進芯片，讓處理器可以獨立、低功耗地承擔人工智能的功能，滿足正常場景需要，形成更多物聯網的應用場景。值得注意的是，軟件的創新相對更容易實現，而基于硬件的架構創新則需要更多的嘗試和調整，技術壁壘更高。

人工智能或成下一個平臺式的機會

長遠來看，我非常看好人工智能這個領域。這是一次計算平臺式的大機會，會持續很多年。就像2011年智能手機催生移動互聯網的發展，人工智能也有這樣的潛力，會廣泛而深刻地改變各個行業，有很多落地的基礎。

人工智能的發展，今天還處在早期階段，在此之上有廣闊的空間待挖掘，我們甚至都不知道從中衍生出來的業務模式和原來是否一樣。比如互聯網時代驗證了經久不衰的三個商業模式——廣告、游戲和電商，而人工智能是只限于這些，還是會出現一些新的模式？未來也許會出現機器代理我們做一些業務，根據效果和我們分成，也是有可能的。

人工智能領域，中國和美國有可能并駕齊驅。中國公司擁有數據優勢，產生數據的速度是美國的好幾倍，可以拿到更多維度和場景的數據，而深度學習是依賴于數據的，所以這是很好的基礎。而且世界范圍內越來越多的研究人員都是華人，很多人愿意創業并在中國尋找市場應用，這也是很好的基礎。但是國內的創業比較扎堆，缺少多樣化或者原創性的嘗試。

總之，人工智能的影響仍然深遠，而且還會持續地高速發展，隨著與各行各業的結合，會不斷涌現出新的投資機會，所以我們并不急于一時。我們正在謹慎樂觀地開始在這個領域的布局。除了上面提到的語音和自動駕駛之外，我們也在評估計算機視覺和醫療大數據方面的機會。

就我個人來說，在這樣擁有大型的充滿機會的賽道但同時又相對早期的行業階段，我更愿意追求一種無悔的態度。有些案子，雖然看起來很光鮮，但可能并不符合我們內心深處對一些基礎商業邏輯的判斷，這樣的案子我們不會因為追求一時的AI風口概念而匆忙投資，因為未來繁華散盡的時候還是會后悔，而且道理并不復雜。相反，在有些我們充分調研的領域里，盡管AI的成分不一定很高，但更可能是個真實可行的業務方向，我們會更愿意出手，相信自己的判斷。