人工智能创业团队建设与投融资要点

许多人工智能领域的创业项目,很多都是技术背景的创业者,发现两个普遍问题:

1、有技术但没有好的场景,“拿着锤子找钉子”非常普遍;

2、技术创业者如果只定位做技术提供商,而不直接面向用户/客户提供整体解决方案,未来价值会越来越小,不往上游走风险非常大,甚至是死路一条;

为什么说未来只做技术提供商价值会越来越小,甚至死路一条?原因有几点:

■ 未来很多基础技术服务都是大公司的赛道,都会免费:

以语音识别来说,除科大讯飞外,目前百度、阿里也已经杀入这个领域,腾讯肯定也在布局中。不光是语音识别,包括自然语言理解、翻译等等,未来这些占据数据优势的大公司都会提供这样的基础服务。人就没打算收费,你也就别指望靠API调用去赚钱。所以尽管这些领域现在还可赚点小钱,但很难成为一个长久的生意。

■ 依托于算法的技术壁垒会越来越低:

打个比方,苹果2007年发布第一款iPhone时,没人懂IOS编程,现在满大街都是。正如今天各大学的计算机专业,都纷纷开设机器学习课程,未来人才不缺,这会拉低整个行业的进入门槛。

同时随着谷歌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的多。

■ 技术提供商如果不直接面向用户/客户提供整体解决方案,则非常容易被上游碾压:

对于技术提供商和算法类公司,如果你的技术壁垒不够高,上游很可能直接把你的事做了。这样的例子比比皆是。大家知道安防领域的海康和大华,他们每卖一颗摄像头都会搭载一枚海思芯片,运行编解码方案和用于脸识别、人证合一相关的算法。

这个领域的算法提供商就很危险。第一,海思作为芯片提供商,在自己的Chips上跑自己的算法是理所当然,所以很容易就会把算法提供商的事儿替代了。其次更有可能的是,未来海康和大华,会把算法提供商和海思的事情都做了。现在只是自己研发团队做的芯片和算法还不够好。一旦差不多,会立马取代。所以即使海思芯片有一定技术含量,但对海康这样近2000亿市值的公司,他们占据垄断性的市场份额,一定会做到赢家通吃上下游。

此外还有在SLAM领域,应用基于三角测距triangulation的激光雷达,专做机器人移动底盘的提供商,未来也很危险。主要是技术壁垒没那么高,其上游最主要的客户扫地机器人,只要出货量一大就会考虑自己做。因为这事儿没什么门槛,因此只做技术提供商,非常容易被上游延展到自己的业务领域

另外即使在有一定技术门槛的行业,技术提供商的日子同样并不好过。正像被Intel收购的Movidius,专注嵌入式的视觉处理芯片。之前大疆无人机是其主要客户之一。但问题是大疆统治了消费级无人机市场,所以大疆很自然的开始做自己的芯片。按说芯片的技术壁垒并不低,但只要行业集中度高,像苹果、三星、华为还有现在的小米,都选择了自己做手机CPU。

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,即使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。

既然做纯技术提供商没有出路,那怎么办?浩哥提出“一横一纵”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“全栈”,就升级为了“一纵”。在垂直外的行业,因为没有利益冲突,你仍可老老实实的做技术服务。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。

那么对于技术创业公司,从“一横”走到“一纵”,要选哪个垂直领域,取决几个关键因素:

■ 市场空间够不够大?

做垂直领域的全栈,还是做横向的技术提供商?完全取决于市场空间哪个更大。找对垂直领域,即使只占一部分市场份额,也可能比做“一横”全归你的收益大。拿美图公司举例,人们对其印象深刻的是美图秀秀、美拍、美颜相机等APP矩阵,但研究财报后你会发现,这些都远没有垂直做美图手机赚钱。美图手机占了公司全部营收的95%。虽然美图手机去年的销量大约在38.8万台,仅仅只占国内手机市场全年销量近4亿台的0.1%。(PS:我偶然发现美图手机高端型号能卖到4000块钱,这个用户人群还挺有意思,因为几乎都是女孩,比较爱美,普遍对价格的敏感度不高)

■ 行业集中度如何?

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,活的很滋润。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。这种情况下,通常是上游把下游的事做了,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。

■ 技术是改良还是革命?

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“待机一礼拜”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。

■ 双方壁垒谁更高?

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NB的主播。这种情况下,虽然技术提供商只能赚个辛苦钱,但是仍然完全没有机会往上游走。

■ 到底跟团队基因相符不相符?

能做得了技术服务,不一定能做垂直解决方案,因为团队不一定有行业经验,这是很大的问题。亚马逊的无人便利店Amazon Go出来之后,国内不少技术团队也想提供类似的技术,甚至想做2C的便利店。我劝他们再考虑一下,你的技术再好,对于用户而言,他买东西的时候,首要考虑的还是—— 哪个便利店离我更近(从这个角度上讲,无人便利店仍然是个改良型的技术),这又回到了零售的本质。所以如果团队没有零售的基因,就别考虑自己开便利店的事了。这时候,很多人可能会问“那我找个懂行业的高管不就行了么?”这事没那么简单,如果CEO不了解行业本质,其实是很难靠一个高管去弥补的。

综上所述,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、然后搞定用户/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。一句话讲,要做技术、产品、商业和数据的“全栈”,形成闭环!

以“发展数字经济促进开放共享——携手共建网络空间命运共同体”为主题的第四届世界互联网大会在乌镇完美闭幕。这场吸引了全球目光的互联网盛事,汇聚了行业各界大佬,展现出前所未有的发展前景,力求在未来,用更繁荣的发展打造更多的机遇,缔造更大的科技成果造福于人。

在本届世界互联网大会上,集结了各行各业多重资源,持续释放政策红利,再次将“创新创业”推向风口,于是,又一批热血青年中年跃跃欲试,以为人工智能会给自己带来无尽创业生机。

但是,人工智能是什么?人工智能需一个完整的系统软件和一整套硬件结合后,才会真正成为产品,是一个大工程。当然,在BAT们看来,这个不是问题,技术和资金的底蕴摆在那里。所以,关你什么事?作为创业者,或许你只能站成吃瓜群众,操心但不用担心他们的相爱相杀。

真正要担心的,是自己眼前的事。不是所有的创业者都能实现小目标。先清醒的评估一下自己的真实面目,选取自己能够驾驭的领域和项目才是正道。在“开疆辟土”之前,一定要全方面多方位的思考,概括起来,以下四点不能忽视。

一、 借势借力,方可事半功倍

古有诸葛亮草船借箭案例,今有雷布斯风口之猪理论。总之,借势借力,顺应大趋势才是智者所为。小米的创业之路,抓住了盛极一时的“粉丝经济”,在米粉的疯狂支持下,所以成就了雷布斯。

二、 审时度势,看准时机再出手

近几年,自媒体的兴起造就了无数网红,网红经济成为追捧点。资本毫不意外的开始追逐咪蒙女王、同道大叔们。在以自媒体为营销输出的今天,咪蒙公号头条软文广告报价达68万元,广告收入动辄以千万元计,传统广告主们根本无法企及的,也是曾经的创业者们想都不敢想的营销和盈利模式。

如果咪蒙没有选择自媒体,或许,她现在还是一个苦逼的编辑。

所以,选择比努力更重要,在一定的条件下,还是值得玩味。

三、抢占先机,掌握主导地位

每一个创业风口都是稍纵即逝。谁抢占了先机,谁就有机会成为大咖。所以,世界上80%的财富掌握在20%的人手中。

马云首创淘宝,所以后来者只能望其项背;马化腾在中国先做了QQ,所以社交领域再无对手.....跟在市场后面的创业者,其实已经不能称之为创业了。风口都被抢占了怎么办?做细分垂直呗。有句话好像是这么说的,在5mm的洞口深挖100米。就是这个意思。

四、联合作战,尊重优化组合

孤军奋战的结果往往是全军覆没。要出海,不一定要造船。现在的时代是资源共享的时代吗,这也是互联网时代的最大特点。要想有所成就,合理利用他人的资源,优化组合,才是实现共赢的王道。有人说,创业的能力,其实就是整合资源的能力。此言得之。

如果你能做到上面四点,那么恭喜你,你可以去创业了!

人工智能(AI)创业的外部条件比较有利,但是时机合适不合适还是要看自身。大公司解决人类的大问题,中小公司负责行业内的纵深。用户有需求的地方,就是AI落地的方向。

toC还是toB并非艰难的选择

“它可能是历史上最好的事情,也可能是历史上最坏的事情。”剑桥大学应用数学及理论物理学系教授,当代最重要的广义相对论和宇宙论家史蒂芬·霍金在剑桥大学新莱弗尔梅未来智能中心里这样评价AI。

这并非霍金第一次在AI问题上表态,但这一次霍金肯定了AI的积极影响。“人们可以通过创造智能来进入一个有积极效应同时未知的世界。我们或许可以通过新技术改革的工具来消弭工业化对自然世界的伤害。人类最终需要达到的目的是消除疾病和贫穷。”

与科学家的审慎不一样,产业界盛产的是“野心家”、“冒险者”、技术派的初创团队迅速行动。从全球创新中心的美国硅谷来看,自2011年以来,开发与AI相关的产品和技术并使之商业化的公司已获得超过总计20亿美元的风险投资,而科技巨头更是投资数十亿美元收购那些AI初创公司。在有着一流人才的中国,AI的创业大潮也大规模启动。

“公司的正式运营是从2014年8月开始的,当时投资人和创始人团队都认可智能语音是下一个风口。”极限元联合创始人马骥说,语音是极限元起步时做的第一个方向。一方面,深度学习技术的突破引发了语音技术的新变革,尤其是识别率和合成效果得到了大幅提升,行业中也出现了一些新增需求;另一方面,极限元的创始团队中也有来自中科院以及清华大学的语音技术人才。

人工智能领域,技术创业者如果只定位做技术提供商,而不直接面向用户/客户提供整体解决方案,未来价值会越来越小,不往上游走风险非常大,甚至是死路一条。这是前段时间,迅雷创始人程浩振聋发聩的总结。

和程浩持有相似观点,马骥所在的这家公司创业之初就定位在以需求为导向,虽然在大AI领域并不高调,但是三年来稳打稳扎,成为AI创业公司中明显具备商业化能力的代表。

一开始他们就确立了toB的方向,公司在确定语音前期的产品化和工程化工作大概用了半年时间,2015年下半年,极限元开始交付一些语音技术项目,和语文出版社的合作是最具代表性的一例。

众所周知,在语音智能的领域,前有科大讯飞等“老”公司,也有BAT、搜狗等的抢位,类似极限元这类还有机会吗?“大公司解决人类的大问题。”马骥说,AI的生意在于toB的领域,大公司面向toC的免费模式,和AI领域的创业不一样,虽然深入行业的量不大,但是足以承载这些小公司的业务。

这个观点和创新工场创始人、CEO李开复的说法很像,“人工智能是toB的生意,AI时代工程师和toB的一个协作,不可能快速带来千万的量,所以希望业内不要将人工智能的估值炒得过高。”

以toB的需求为导向,是极限元对自身的定位。这样的定位也决定了极限元能用两年多时间,将语音和视觉等一系列技术应用于教育、电信、电力、娱乐、视频、驾驶等众多领域。

初创公司的数据门槛如何跨越

AI并不是一个新的概念和领域,但是重新火起来,是因为出现了一系列复兴AI研究进程的要素,尤其是GPU、大数据、云计算和算法。

大数据是AI发展的助推剂,这是因为有些AI技术使用统计模型来进行数据的概率推算,比如图像、文本或者语音,通过把这些模型暴露在数据的海洋中,使它们得到不断优化,或者称之为“训练”。无论是吴恩达曾经选择加盟百度还是李飞飞进入Google,一大原因都是要到“数据最大的地方去”。

而从技术发展的角度来看,随着GoogleTensorFlow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,创业者只要有足够的数据来训练参数就好了。所以数据的壁垒,似乎成了AI创业中难以迈过的槛。

数据壁垒有两个方面,一个是量,一个是质。马骥说,在数据量上面,BAT大公司天然有一些行业优势,对于创业团队来说,在量上面也是局限所在,而在质上面需要有效性。极限元在这方面设立数据岗位,去获取需要的数据,另外与数据供应商合作,互换有无。“最重要的一点是我们以toB垂直行业的用户定制化需求为主,行业用户本身会为我们提供大量数据。”

BAT的优势在于通用数据,但是在深入的垂直行业中,数据的优势可以掌握在方案提供商手中。

方案提供商其实是有别于单一技术服务的,刚刚开始创业时极限元也跟国内其他一些智能语音公司类似,把语音合成和语音识别技术以SaaS服务的方式部署在云平台上,借此吸引一些移动应用、智能硬件的开发者和创业团队,从而发掘潜在的优质客户。但实际情况并不如预期的顺利,不仅无法获得现金流支持,也不能真正接触到优质客户。

因为有切实需求的客户要的是完整的解决方案,而单一技术只能满足客户局部的技术需求。理清思路后极限元迅速在直播领域找到了突破方向,通俗的说就是“鉴黄”。这套互联网音、视频有害信息监测系统是针对互联网直播平台的涉黄监测技术方案,通过AI图像识别技术发现视频直播中的涉黄信息并给予平台警告,监测系统除图像识别外还加入音频监测技术用以监测语言类直播内容,音、视频双通道监测方案已经在国家网络监管部门成功应用。在这样的方案下,极限元也积累到了真正的行业大数据。

挖掘最有价值的垂直细分行业

对于语音智能、图像识别这样的技术服务来说,基本能服务所有行业,那么如何在其中选一个行业,深入扎进去做产业链的挖掘呢?极限元的想法是,会仔细分析客户所在的行业是否存在同样的技术需求,以及行业内是否有一些普遍存在的行业性难题亟待解决,有针对性的为整个行业用户提供技术解决方案,由点到面,从服务单一客户过渡到服务于整个行业。

这就意味着不仅要完成一个客户的需求,还要发掘行业中类似需求的共性,把成熟方案复制到同行业的其他客户需求上,把自己研发投入的回报率做到最大化。一旦找到了这样的可复制方案的行业,就不仅能在商业上吃透这个行业,还能在技术上通过横向合作不断获取行业数据来夯实技术。

行业解决方案一方面可以不断提升服务品质,保障技术服务能力,另一方面不断将产品线服务的对象延伸到产业上游。马骥说,谁越靠近上游的消费者,谁越接近终端消费者,谁的话语权就越高,“我从华为出来,华为都是只领先半步,不领先一步,因为领先半步是先进,领先一步是先烈。”

深入行业的解决方案也意味着靠近这个行业的用户,从直播行业出发,如何靠近用户?极限元想到了“服务”主播,不仅提供了便于互动的“音视频互动系统”,最大限度地还原人与人面对的场景;为了解决该问题,极限元推出了集美颜、动画特效、水印、人脸道具等视觉特效增强功能。

真正的需求都是来自对行业的深入了解,极限元除了直播领域,还试水了疲劳驾驶检测仪。这是针对交通行业的疲劳驾驶检测智能硬件产品,它可以检测用户在开车时是否存在危险驾驶行为,并进行语音提醒。

但疲劳驾驶检测仪虽然是智能硬件产品,但并非面向C端,而是toB的产品。极限元将产品提供给一些客运、货运、危险品运输公司、保险公司以及交通监管部门,在语音提醒司机正在危险驾驶的同时,还会将图像、GPS、时间、车况、路况等信息传输给大数据平台,为用户提供数据分析服务。

从行业到数据再到用户,这样的闭环,对于AI创业公司,是一个良性的模式。而这一切的出发点,是对真实需求的挖掘。“现在人工智能面临的问题是闭门造车,然后去市场上找对应的客户,这样是不对的。”作为AI领域的从业者、创业者,马骥再次提醒着新入场者,“AI创业的外部条件比较有利,但是时机合适不合适还是看自身,有没有针对行业的解决方案,能不能快速拿出可以真正落地的技术。”

人工智能创业的一些坑。 

虽然是心灵鸡汤,背后其实也是一些公司血的教训。

第一个坑:做大公司重点会做的事情

创业公司都是在大公司的阴影下生存。

很遗憾的是,很多时候大公司并不是纸老虎,一方面大公司有大量的人工智能人才,有良好的人才储备,另一方面是大公司有大量的数据,此外大公司还有众多的渠道和流量

初创公司和大公司正面对抗,结局是可以想象的。巨头公司以近乎“碾压”的方式将很多初创公司赶出了局。比如Google发布了神经机器翻译系统(GNMT),并且将其投入到了难度系数颇高的汉语-英语翻译应用中,准确率得到了相当程度的提升,这使得一些国内机器翻译的创业团队被无情碾压。

作为一个佐证,硅谷某大公司收购一个人工智能初创企业后,发现各种指标跑下来,性能还不如内部的产品,于是被收购的团队全部派去做产品了,而不是研发。

所以一定要思考好大公司的产品路线图,不要螳臂当车。

那么,哪些是大公司一定会做的事呢?

基本有两大规律:

第一是,越是底层的东西,巨头越会去做

人工智能产业链中,基础层是构建生态的基础,价值最高,大公司会长期进行战略布局。在基础计算能力、数据,通用算法、框架和技术方面布局,聚集大量开发者和用户,这基本是兵家必争之地。

比如谷歌、亚马逊、微软都纷纷推出了自己的人工智能的基础设施、API和开源框架,包括了计算机视觉、语音、语言、知识图谱、搜索等几大类。

第二是,越是通用型的产品,越是大公司会做的。

对于通用型的产品,大公司会贯彻人工智能优先的策略,来提升效率、改善用户体验,对于通用技术层,这是构建大公司护城河的基础,大公司也一定会布局。

比如谷歌贯彻AI First的策略,改进智能助手(语音和NLP)、谷歌翻译(机器翻译)、YouTube(推荐算法)、图片搜索(计算机视觉)等等。

这也导向了一个新的结论,也是顺为资本副总裁及入驻企业家孟醒总结的,越是纯互联网的产品,越是大公司会做的。这背后的逻辑是互联网产品具有网络效应,也更通用。所以从这个角度上看,面向大众的纯互联网产品并不是人工智能初创公司创业的好方向。

实际上重投入和一眼就能看得见巨大价值的项目,都不是初创公司的理想的选择。

难道创业公司就没有机会了吗?

互联网大公司都在发力人工智能,依靠强大的实力做平台,做入口,把持流量和服务,连接关键节点,难道创业公司就没有机会么?

庆幸的是巨头也有局限,它很难在每个垂直领域都做的非常深,因为这未必是他们的核心业务。

创业公司可以选择做垂直领域的先行者,积累用户和数据,结合技术和算法优势,成为垂直领域的颠覆者。

不过即使是做垂直领域,也不建议和传统公司硬碰硬,而是迂回包抄,边缘突破。

创业公司也可以专注于细分场景应用,做窄品类的应用,提供解决方案,直戳行业痛点。

总结一下,创业公司应该不断从边缘创新,在巨头看不见或者不屑的地方进行创新,不断扩大创新的边界,从而成长为一个价值中心,走农村包围城市的路线。

第二个坑:只追求技术不重视产品体验或经济效益

声智科技合伙人&副总裁李智勇说过,“2C产品上,消费者不会为算法和技术买单,技术必须转化为产品,用于改善产品体验或者提升效率”。

一个产品落地,内部的链条很长,除了技术和研发,剩下70%的人可能是做产品、销售、生产、渠道。如果是硬件,需要考虑硬件以年计的开发周期。如果是面向企业的解决方案,还需要考虑不同企业和客户的繁琐需求。

人工智能领域很多科学家创业,拥有很好的技术背景,“这个领域的确很适合科学家创业,但技术往往只是必要不充分条件。”

科学家创业也往往面临一个问题,学术能力强的科学家往往发的最好的Paper,而最好的Paper往往都是研究最通用的问题。

正如我们之前讲的,做一个通用的东西,未必能立马应用于工业实践,即使有用,这往往也是大公司要做的(或者极少数明星创业者能融一大笔钱做的)。

不过拥有技术优势这个起点是对的,得把这个滚动起来。技术突破,产品落地,技术再突破,越卷越大,像滚雪球似的一步一步地发展壮大起来。

“这个滚雪球的过程是非常必要的,因为纯粹的机器学习算法优势并不会持续多久,最多一年,甚至三个月”

即使是在人工智能领域,技术在很多场合也不是最重要的东西,一方面是大家的技术都差不多,没有显著差异,另一方面是有众多其他的因素影响用户体验和购买选择。

第三个坑:摸不清谁会为你的产品买单

人工智能创业者一定要谨慎痛点低的伪需求,满足谁的需求是一定要思考好的问题,在人工智能领域,要么是2B(面向企业),要么2C(面向消费者)的方向,各有利弊。

2C 的优势在于可以打造自主品牌,而且用户购买决策是在相对市场化的竞争环境中,一但成功容易形成规模效应,成长为巨头。2C 的劣势在于可能需要更长时间的积累,需要更庞大的团队,而且竞争更激烈,因为要消费者掏出真金白银。

2C也可以分为两大类,一类是新硬件新产品,第二类是既有产品的改造。

新硬件新产品可能是一片蓝海,也可能是一个伪需求,我们需要关心的是市场能有多大,量有多大,如何教育消费者,如何获取用户,需要关注周期有多长,能否撑到爆发的那天。

既有产品的改造我们要正面和传统产品对抗。需要思考好我们产品效率的提升或者用户体验的改善是否足够让用户放弃已有的成熟产品。我们是注重于存量市场还是增量市场,团队是否能够抗衡传统公司几年甚至数十年积累的市场、品牌和渠道。

2B 的优势在于相对容易变现,因为从企业用户更容易收费,此外团队也更专注在某些问题,这些点上更适合创业团队;2B 的劣势在于规模效应不一定明显,2B的周期也可能很长,此外2B弊端是某些领域采购决策市场化程度可能很低,需要拼企业资源或者政府资源。此外,2B的切入点也非常重要,找不好切入点就非常容易碰壁。

2B还是2C这是一个问题,目前来看大多数垂直领域的应用都是2B。现在的人工智能领域创业者找到一个合适的行业,充分了解这个行业的需求,看准这个行业在某个时间点产生变革,变革是什么,然后提供2B的服务,可能会比突击2C的机会要更快或者更容易。

的确,在2B领域找到一个方向,帮助企业或商家提升效率或者省钱或者创收,都是一个很好的方向,“这是一个经济问题”,用孟醒的话说。

无论做2B还是2C,都要想好壁垒在哪里,优势在哪里。比如如果优势是行业资源,如何找到合适方向切入。如果壁垒在于数据,第一波数据从哪里来,如何把数据优势滚动起来,都是要思考的问题。

第四个坑:人员结构不合理

把握好研发团队和产品工程团队的比例,也是在人工智能初创公司里不断涌现的一个问题。

很多人工智能初创企业由于团队基因等原因,一味地追求算法和技术上的领先,招募大批科研人才,而工程人才欠缺。拥有大量科研人才有利于做公关,也利于吸引VC的投资,但这一方面可能带来过高的成本,牛人扎堆后更难管理,谁也不服谁,可能会因为学术兴趣不同而造成“神仙打架”,导致产品方向的偏差。

毕竟初创公司不是研究院,不以促进学术发展为目的,不以发paper为目的,而是要以产品为核心的商业机构。

做2C的创业,需要创始团队非常有产品思维,而这往往是科学家出生的团队最缺乏的,而做垂直领域的应用,也要求创始团队有行业资源。这些都需要寻找合作伙伴来补齐。

第五个坑:不懂得如何把握节奏

在国内讲风口,在硅谷也讲timing,在大部分投资都有投资回报期要求的情况下,创业公司要控制业务的方向和节奏,找好合适的时机。

在互联网和移动互联网创业的时代,都有窗口期的概念,错过了窗口期会很难做大,进入过早也会死的快。在人工智能领域,时机和节奏感的把握都很重要。

时机的判断非常关键,比如在当前语音的发展已经完全可以商业化的时候应该做些什么,比如对视觉领域的技术发展的判断,又比如对无人车领域前景的判断,找准时机点及其关键,不同阶段要做不同的事情。

而节奏感的控制除了来自对人工智能技术发展程度的判断,还有来自对融资环境的判断,对市场发展速度和变化的判断,对竞争对手的判断。有这几个方向的判断,就大概能知道是否步子应该迈得大一些。

最后,想说的是,人工智能领域的创业除了技术驱动更明显,好像和其他领域创业也没有多大的区别,这些坑希望人工智能领域的创业者要谨慎对待。

创业至少需要具有以下能力:

技术方面:

Low level:360度无死角的技术基本功

High level:宏观又准确的产品设计想法,建立 scalable 的技术管理体系

人际方面:

公司内部:处理公司从小变大过程中员工间的利益冲突、平衡老员工与新员工之间的关系、协调有不同想法的员工,调动大家的工作积极性

公司外部:处理好与“友商”的关系、处理好与投资人的关系、在某些时候需要处理好与政府的关系

资金方面:

公司内部:给每个员工合理地分配工资、考虑给谁升职加薪

公司外部:去投资人那里融资,一轮又一轮

宣传方面:

公司内部:让员工相信努力会有成果,公司会越来越好

公司外部:可能需要各种做 PR ,提高公司在大众/投资人心中的口碑

商业方面:

洞悉各种商业模式,拥有优秀的经济头脑。

品质方面

百折不挠、乐观开朗。

社会家庭背景方面

社会背景:需要恰好进入一个朝阳产业,需要政府支持这个行业,需要投资人看好这个行业。同时,社会没有大的动荡,没有经济危机,没有战争。

家庭背景:父母家人身体健康,无须花大量时间照顾。人生伴侣及小孩无限地理解支持。

人工智能是三尺白绫,挂的好那是西式婚礼,挂的不好那是你门前的葬礼。

作为人工智能领域的创业者,正瑟瑟发抖地捧着白绫不知道怎么挂。不说高大上的概念,不说电影媒体上的畅想,咱们说说真实世界中人工智能创业公司是怎么死的。

1.别把故事不当故事

创业者是相信故事的,尤其容易迷失在反复对投资人畅想着故事的生活中。当有一天他自己坚信自己能做出像梦想中一样美丽的产品时,他就离死不远了。人工智能是个被极速夸张化的名词,原因很简单,和一般人说算法说ML说pipeline太麻烦,所以干脆都用人工智能统一了。然而,内行都知道,机器学习和各类人工智能算法基本都在研发和测试阶段,还远不能达到应用级别。尤其是人工智能志在解决的问题还是那些人类的最高智力活动。所以,别看了Her就要做chatbot,那是扯淡,自己先在手机上玩玩siri,你做的不会比siri好。

2.别把用户不当用户

一言以蔽之,没有人工智能的这些年,大家过的不也好好的么?所以在很多领域,人工智能还是个可有可无的存在。你的东西要想有人用,它先得达到应用级别。然后就是确实能切实帮到某一类用户。这里说的帮到是一定要让他在有了你的AI后事情做得更好了。而不是你天真的以为他一定会和你一起做人工智能的春秋大梦。

人+AI>人

这个原则大家创业创着创着就忘了。

3.别把泡沫不当泡沫

各位VC爸爸们,我听一个朋友说(其实我并不相信):很多人工智能公司确实是被资本届捧杀的。你估值几个亿,不代表做的出好产品;你在投资人面前吹得了牛,不代表你能得到用户的赞赏。

大多数人,含笑死在虚妄的自以为是中。

慢慢的,当人工智能的概念过了气,资本一定可以找到下一个概念。而挂在人工智能树梢的创业者,不一定有人来为咱们松绑。

所以,谦虚地做梦,踏实的做事。

只有用户满意,才是产品的成功,只有产品成功,公司才能赖以为生。其他的都是浮云。

著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。

在AI创投界,面临着一个很让人头疼的问题:AI创业最容易变现的商业模式,依旧没有被探索出来。

倒闭、被收购、独立发展、创业路上从不会一帆风顺,在守得云开见月明之前,都是在充满彷徨、奋斗、挫折的灰暗并激进的日子中慢慢熬着,守着初心和希望,一路曲折,一路爬起来又继续走。

1月30日举办的AI大学天津栈人工智能创业精品课堂,聚集了已经很成功的或者已经小有成就的创业前辈们,聊了聊自身的创业经历,给大家分享了以下几点创业经验:

01未雨绸缪  从心并购

科大讯飞联合创始人、高级副总裁江涛

资本市场上有个规律:提前把粮草准备好

在你试营率足够高的时候,先把钱准备好。当然并不是说忽悠钱,是真正的提前把粮草准备好,为下一步的发展储备好粮草,踏踏实实地做产业。应该说每轮的融资规模应随着资本市场融资规模而不断扩大,这样才能很好地支撑产业的发展。

只并购自己要做的

讯飞的并购有一条基础性原则,就是我要并购的企业正是我要做的事情。比如那个产品我还没有,我衡量一下是我自己去做还是通过并购来完成。最后结果是通过并购可以为我争取到两年的时间,那这个事情我可能就会去做。

很多上市公司为炒概念而去并购一些完全不相关的领域,纯粹是凑报表的那种并购一定会有报应。短期内报表很好看,但从长期来说,消化这些并购都会付出代价。

02预见风口,理智创业

启迪之星总经理沈全洪

如果我作为一个创业者的话,我可能会选择在风到来之前就准备好。

最近融资的一个共同方向就是人工智能。AlphaGo的事情,实际上就是一个非常强烈的信号。目前中国和美国在人工智能这一新兴领域里有全球挑战性的创业型公司占据了全球的2/3,这是什么概念?人工智能是中美两国的博弈。

人工智能是一个大的形势,所以大家不用妄自菲薄,中国有机会,那么我们在座的每一个创业者都有机会。

人工智能哪些领域拿到的融资最多?

按照中国国内的融资数据来看,主要是3个方向的融资,第一个是机器计算机视觉与图像。这一类数据在中国的创业项目里边占到了一大半。第二个是智能机器人,第三个就是语音语义相关的。

创业的规律是一致的

创业是你需要完成一个商业模式的验证,放大到规模化的一个过程。在每个阶段,你所需要的创业的资源都不一样,那么你开始创业的时候,选择什么样的平台非常关键。

03 希望所有创业者都坐在驾驶舱里

新龙脉资本创始合伙人王雨荍

当初AlphaGo和李世石对弈的时候,我和搜狗CEO王小川拿一万块钱打赌谁能赢,我赌人,他赌机器,最后机器赢了,我当时是不相信AlphaGo能赢世界围棋大师的。

这件事情不仅使人工智能走向机器自主学习的领域,还给所有人工智能工作者增长了信心。我们不能失去这种信心,你应该相信人工智能能够完成更多我们所不相信的。

作为创业者,既要有理想,又要脚踏实地。

在科学的领域里面其实没有先知者,无论你有多高的才干,我们都在一辆列车里面,前面的分叉越来越多,速度越快。

而社会上绝大部分的人是坐在车厢里边朝后边看,所以我们希望从资本的角度能够和创业者一起坐在驾驶舱里面,探寻科技的进步,一开始可能很漫长,当它达到某种状态以后,它可能就会越走越快。

04一要专注,二要打磨

北京主线科技CEO张天雷

在企业孵化器的鼎力支持下,我们创办了北京主线科技,我们的公司实际上除了一位行政以外,其他人都是写代码的,包括我在内,就今天来到这之前我还在天津港调代码。

当把所有的无人驾驶的产品进行分析后,我发现什么样的产品最终得到了大家的欢迎?然后什么样的产品真的能够卖出去?

实际上还是一个简单道理,不管是什么样的技术,包装上任何黑科技的字样也好,实际上最终还是要从用户出发,去看他的刚需。

另一个很重要的就是要有持续的应用技术迭代,也就是说我们创造了一个鲢鱼效应,和我们的客户一起去把这个产品打磨好,那么未来我们就有能力开上高速,开向更复杂的城区场景。

05能力变现,利用资源

北京罗博智能科技有限公司创始人王东亮

在基础层还有技术层,我们这种初创公司应该把更多的时间和精力用在把控客户的需求,在讯飞AIUI先进的技术之上,我们要学会把能力变现,这是我们现在主要做的。

我们在去年的7月份入驻了长春的讯飞双创基地,其实双创基地给了我们很多的帮助,包括品牌曝光服务,还有核心技术的支持。讯飞双创基地给我们的支持就好比是保姆陪伴式的成长。

AI创业是一场永无止境的战斗。

《创业美国》第5季中,我采访了这样一位这样的创始人,作为一个在人工智能领域的创业者,我觉得他的故事其实挺适合这个问题。

他来自欧洲,名叫Dennis。我最近见到他时,他正在忙于人生的第五次创业。在此之前,这个创投老司机已经有过3次成功的退出,足以让大把的创业者羡慕。Dennis这第五个“孩子”叫,x.ai,创建于2014年,去年完成B轮融资,总融资额超过3400万美元,包括软银,Two Sigma Ventures都在他的投资人行列。Dennis告诉我,创建X.ai的灵感来自自己的一次亲身经历,2013年的一天,他无意中算了一下自己上一年一整年的会议日程,他万万没有想到,一年当中,自己竟然为自己安排了1019次会议,平均1天就是3次,更不要其中还有670次会议有过反反复复的调整,这一次的发现让他震惊了,这样算下来,自己有多少时间是浪费在这些恼人且没有效率的事情上啊。Dennis很快发现,这并不只是自己的问题,在美国,有8700万办公室白领,每年都开上超过100亿次的会议,这么庞大的基数之下,只有不到1%的人拥有自己的私人助理,这意味着剩下99%都要在会议安排这件事上浪费大量的时间。于是他决定要让科技改变这一切,于是有了今天的X.ai。

x.ai的产品是两个虚拟助理,一个名为Amy,一个名为Andrew。他们会帮你做一件事,就是代替你处理循环往复的会面安排邮件。Amy和Andrew可以学习用户行为,懂得适用用户的谷歌日历,并根据用户此前的选择和偏好,帮用户安排合适的会面地点。Amy和Andrew的使用步骤也很简单,你只需要在相关邮件中抄送他们,并授权他们访问你的日历,剩下的一起都可以交给她来搞定。而和Dennis的几次采访,都是通过Amy和Andrew帮忙完成的,在和他们的沟通过程中,你会发现他们语言很有礼貌,回应和平时我们邮件的感觉差不多,不仔细想你可能都会忘记,电脑另一边的并不是和我们一样的人类。

Dennis的野心,是将x.ai打造成比siri更简易通用的私人电子秘书,让它成为美国白领人手一个的人工智能系统。算是为一个特定的用户场景之下设计的一款AI产品,而现在市面上出现了很多这类人工智能助手的产品,主要分为两类,一类是综合类,比如微软Cortana、苹果Siri、亚马逊Alexa ,以及百度出的度秘,它们会回答各种问题、设定闹钟、给我们讲一些预先设定好的笑话,并且一直在“进步”。另外一类是垂直应用类虚拟助理,除了X.ai、还有订票机器人GoButler等。

当然X.ai 的产品,在人与人工智能的劳动关系问题带来了很多有趣的争论。我们也针对它在纽约街头做了一些采访,试图去探讨什么样的工作会被人工智能取代。

你会愿意为了节约成本而去使用人工智能系统,还是为了更省时生理,去花更高的代价聘请真人助理呢?

但事实上,Dennis的产品并非是要取代一部分现有劳动力。他要做的,是让更多之前没有能力享受到私人助理服务的人们的工作能够更轻松。他认为现有的机械和人工智能可以大概分类为两种。一类可能去取代某些工种,而另一类则会带来便利,让更多人享受到一些原本奢侈的服务。而他的是X.ai更倾向于后者,她不会取代谁的工作。

所以人工智能领域的创业,如果想要成功,更有效的方式,是让他们要成为更大众化的工具。拿Dennis的产品来说,他针对的是99%没有能力聘请私人助理的美国白领。你可能是很厉害的招聘人员,但你没有助理。你也可能是特别优秀的投资收入经理,但你也没有助理。还可能是一家公司收购了450个新雇员,7名高管共享2个助理,其他的人都只能自尽其责。

尽管如此,在人工智能到底有多智能这个问题,公众还存在很大的争议,2016年4月18日,X.AI登上了Bloomberg报道的文章,但内容竟然是对X.ai核心技术致命性的指控。从X.ai离职的Willie Calvin,声称之前在X.ai担任人工智能邮件助理Amy的训练员一职,他爆料,Amy通常回复邮件,帮助安排预约,高效无误,并且与人沟通彬彬有礼,这些全都是假象!其实背后都是由他这样的人类训练员在“协助”Amy工作。

那么人工智能的技术的背后是什么呢?

在采访中,我也和Dennis探讨了这些问题。而他的观点是,人工智能领域的创业核心,实际上是数据的搜集。在这个过程中,会不可避免的使用到人力。

比如今天谷歌的无人驾驶计划,其实在每辆无人车里都有司机,也就是说这些车其实都不是绝对意义上的无人驾驶。但谷歌其实不是雇人去开车,而是雇人去搜集数据。所以你可以叫他们人工智能训练员,这些人的工作的工作就是负责训练机器。因为现在他们正处在一个没有数据的领域,人们需要搜集大量的数据。

而针对X.ai的技术,他也直言到,现接待没有基于会议安排的数据库,所以它们没办法从网上下载后就开始训练人工智能。所以在前期阶段,只能机械的安排这些会议并标记这些数据。这些数据的标记有三个主要板块。显然,是时间地点和人。而通过人力,把这三个部分标记的越准确,就能越好的训练 Amy。在初期的训练越严格,后面的阶段就越轻松。

说到这里,其实道理已经很清晰。很多人工智能领域内的开发,归根结底是一场关于数据的搜集战。想要在这里领域创业,最先要考虑的,是这个领域是否有足够的数据,以及你是否有能力独立开发搜集不曾有过的数据。

很喜欢这类教训类问题。在创投圈呆久了,一个铁律颠扑不灭:对创业公司而言,尽可能避开坑,也就意味着离胜利又进了一步。

前段时间在Medium上看了篇文章,《How to Fail with Artificial Intelligence —9 creativeways to make your AI startup fail》,正好介绍了九种几乎可以让任何AI创业公司破产的作死方法,非常切题,分享出来,值得所有现在的AI创业公司时常拿出来对照反思。

(一)  削减研发支出以节省资金  ❌

AI企业的一大特点就是,对前沿科技,实验,高级算法和计算基础设施等方面的投资需求巨大,任何希望通过开发实用AI技术来盈利的创业公司早期都不得不花费大量资金用于研发(R&D)

所以第一点,如果你舍不得花钱在研发上,对于一家AI企业来说将是致命的。

(二)  沉迷在技术泡沫中  ❌

AI企业一定要意识到,技术与创造其的社会环境间有非常强的约束力,技术不是一个能够自我维持的东西。

从历史上来看,人工智能在整个计算机科学史上已经崛起又消沉了很多次,消沉的原因绝不仅仅是由于技术问题,当时整个社会对AI的需求和兴趣也远远未能达到现在的程度。现在可以从中吸取的教训是,人工智能技术不能与急需它的社会环境脱离开来。比如现在正在风口的疾病研究,金融等等领域,在上几次浪潮中几乎都不可预见。

一项新技术只有在其支持者对此产生兴趣,并从同一个成为其最终用户或客户的人身上获取资源/价值时才算取得成功。在技术本身工程化之前,有远见的企业家首先应该做的是尽力改变人们的思维,说服他们抛开质疑,尽情拥抱颠覆性思想将带来的新颖和实用。总而言之,只沉迷在技术泡沫中,忽视社会当下的需求无疑将导致失败。

(三)坚持“技术优先于商业”  ❌

技术本身不足以实现成功,无论这项技术有多么强大或变革性。一个成功的科技创业公司是一项生意,需要坚实的业务战略才能取得成功。

任何缺乏明确的目标市场,销售业绩预期,不能达到资源整合和有效分配,一切只优先考虑自己技术资产战略的创业公司注定要失败(并且往往很快)。

(四)没有明确的愿景和目标

只有界定清楚的问题人工智能会比人解决的好。任何取得成功的科技公司,快速建立一个清晰的愿景至关重要。这对AI公司更是尤为关键,从金融到医疗保健,AI已应用于行业方方面面的今天,愿景应该早日传达给员工,以确保每个人做的事都在与公司使命和路线保持同样的节奏。除了这个长期愿景,明确的短期目标和任务也至关重要。

分裂和异质的目标几乎总是失败的前兆。

(五)不针对业务需求的开发  ❌

AI公司也是软件公司。仅为满足自身需求,而不是满足任何业务需要而编写的软件,都卖不动。“无用”的软件,无论客观上开发它如何廉价和简单,几乎都需要维护,所以如果它没有为潜在客户提供任何价值,那么浪费时间和资源来开发对公司并无半点价值。 单纯为了AI发展而开发一个AI软件的话,将会带你走向失败。

(六)不断强化“我们是最好的”  ❌

虽然自信对维持高水准研发至关重要,但如果不加以限制,可能会导致很多问题。具有过度自信的组织极易陷入产品设计的最大陷阱之一:傲慢。初创企业这种态度太常见了。假设自己的产品是最好的,什么都内部开发不肯外包,但实际上这不仅浪费了宝贵的时间和资源,也耽搁了核心业务。

干什么事都以过于自信的态度向前推进,将带来快速失败。

(七)陷入永无止境的开发循环中  ❌这条特别针对软件公司(AI公司更是在内)。在软件设计中,快速开发和迭代十分重要,即使现在的产品在你看来还不够完美。为什么?因为闭门造车出来的东西,需要在现实世界中暴露,才能从真正的用户反馈中看到真正问题在哪。通过早日发布,可以收集有用的数据,了解什么是有效的,什么根本行不通,通过不断的反馈逐步生成最佳版本的产品,快速走向市场利大于弊。

而陷入一个永无止尽的设计-开发-设计的死循环,将导致错失市场提供的机会和信息,这样下去注定失败。

(八)把用户当做开发人员来看  ❌

对用户来说,软件是一种用户体验,也可以视为一种工具。产品设计应该更注重你的用户,而不是和你一样开发它的人。将开发人员的体验直接等同于用户反馈是一种典型的创业公司文化,也是科技公司的毒瘤。开发人员倾向于关注产品的技术方面,将功能优先于形式,但却经常忽视设计和用户体验。但事实上,任何AI产品的成功和广泛采用,它必须既功能发达又设计合理,便于使用。开发仅满足开发者愿景和需求的AI产品,往往难以达到实际市场的需求,也就是说,很容易导致失败。

(九)以为AI光靠炒作也可以成功  ❌

现在不是AI第一次大量炒作了。第一次AI浪潮是在八十年代,当时教授声称电脑很快将取代人类(显然没有发生)。现在,AI又占据了投资头条和创业热点,但这一次也许有点不一样。持续五年的火热、没有任何减速迹象,这就意味着也许不只是炒作了,而是一个稳定的趋势。

然而,只有炒作远远不足以使技术成功。 AI公司必须去做那些说到就可以做到的东西,而不是夸夸其谈就好,一深究发现其实离市场还差很远的事。围绕其核心业务不断炒作会是这类公司迈向失败的第一步。

以上。

——————

欢迎通过知乎/微信“九合创投”找到我们。九合目前在人工智能领域的布局有探迹、彩云天气、所问数据、智擎信息、EMQTT、Momenta等。

我们现在看一些早期人工智能公司的时候,会看以下几点:

1.它是不是具备了一些数据的能力,这些数据有可能通过加工公开的数据,有可能把公开数据进行二次加工之后形成了自己的数据;

2.它有没有核心算法的能力。核心算法意味着对这些数据加工之后能够形成一些针对具体问题的解决方案;

3.还有就是场景,人工智能肯定不是全场景解决问题的,一定是解决某些具体的事情比如自动驾驶、无人机的飞行等等这样一些非常具体明确的问题,人工智能在可以想见的未来不可能像人一样解决各种模糊的问题,只有界定清楚的问题人工智能会比人解决的好。

4.同时作为一个早期的人工智能的公司,它可能比较偏向于面向解决行业当中的问题,这时候它的销售能力、针对行业的理解、技术能力可能都是最核心的几个部分,只有这几部分同时具备的时候这家公司才有某种意义上发展的机会和潜力。

我们先了解下投资方关注的人工智能项目几个关键点。

第一个是算法,首先会看它是不是一个优化和高效的算法模型;

第二个是数据,我们会重点看在高复杂模型和海量参数中能够做到深度学习的数据如何,是否能使得出的结果更加精准;

第三看计算性能,以AlphaGo为例,它今年的计算性能比去年提高了十倍左右,计算性能的提高会加速对大数据的分析和处理速度;

第四会关注他的软硬件技术,因为很多结果是需要通过软件和半导体传感器等硬件来实现;

第五会关注价格,只有当它的产品价格达到合理范围后,不管民用还是商用的消费者才会买单;

最后第六点是看交互技术,也就是对这个产品整体使用体验如何。

一、认清楚,技术与市场的关系,虽然技术孕育了市场(增量),但市场才是真正的技术驱动力。所以,一定要把市场工作放在第一位!

我们做技术的人创业,心里想着的,是拿技术来带来翻天覆地的变化。但实际落地才发现,存量市场里已经有自己固有的玩法,也就是商业模式,并且这个商业模式往往跟技术没关系!

靠技术的先进性、成熟度来驱动市场上商业模式的变革,带来市场的快速扩张,在创业前期是万难办到的!这个时候,如果一味地想先把技术打磨到成熟,再去铺市场,基本上机会窗口期已经过去了。

会有其他的人,喊着“AI”的口号,拿着稍微有点改进,或者没有改进的东西,先把市场占领住,然后再倒逼着技术进行快速的迭代。这是落地更靠谱的方式。虽然你可能看不上对手一开始的技术,但是你会很快发现,获客的难度越来越大,融资的节奏越来越跟不上,产品迭代的速度也越来越跟不上,于是就死掉了。

这个过程九死一生!作为后来者(记住,很难有市场你是开天辟地的!),因为在很长时间,可能是靠打价格战,甚至免费,才能获得存量市场上的客户。产品技术的成熟度可能远远达不到预期,又有一堆的融资等方面的考虑,怎么把这一大摊子事以一个很好的节奏感推进下去,有大堆的问题要解决。

传统行业打磨十几年才能成长为价值上亿的企业,一个创业公司动辄估值上亿,凭什么?!凭的就是走钢丝之后带来的巨大回报,想得到巨大的回报,要有准备面临走钢丝的困难和痛苦!

二、节奏感很重要

闭门造车是最容易的,但能造出的车能跑的概率太小了。

创业要考虑客户的发展,资本市场的喜恶、巨头进入的速度、政策管控的趋势等等。这些年,有一些行业突然就兴起了,然后突然又消亡了。不是说多数公司消亡了,而可能是整个行业都要玩完了。其成也勃焉,其败也忽焉。

创业,就像是在外觅食的猫鼬,既要主动出击,又要时刻盯着地上、天上的捕食者、天气的变化等等,随时调整自己的策略,才能生存下去。

三、用人

创业的过程,是创始人与团队共同成长的过程。但共同成长,何其难也!

一件事情要成功,不同阶段需要用的人不同,但能准确预判出需要用什么样的人,怎么能用好这样的人,用错了之后要多长时间能调整过来,对创业者的要求是很高的。

还有一个问题,是用人不疑的问题,但很多时候,创业者是战战兢兢地在做各种尝试,而尝试的人又不是非常的专业(是的,创业的人要负责多个自己都没做过的方面,是很难有那么专业的!),创业者对自己的质疑,对团队执行过程中精益求精(吹毛求疵)而带来的团队冲突等,都是创业过程中要走过的坑。

四、机会成本

很少有人谈这个问题。

对未来的美好憧憬是没有错的,只是未来会到来,但却很大概率上不是按照我们设定的方式到来的。也就是说,我们看到了趋势,但乘势而上的却是另外一拨人。

AI的成功,需要的资源有哪些,是不是同样的想法,可能另外一个团队又天生的优势可以来做这件事,而我们有的只是天生的劣势?比如,小的来讲,有些算法是能带来好的体验,但这个算法依赖的数据却是诞生在别人的环境里,虽然我们靠爬虫等暂时(部分)解决了这个问题,但如果我们节奏不够快,别人可能很快copy掉,却不需要再去做爬虫,我们就被碾压。

再比如,大的来讲,像互金的创新,虽然红红火火的。但国家管控不了,一纸公文,你这个野孩子别做了,还是要亲儿子来做。于是,城商行等开始玩了,股份制银行也开始做了,几大行可能也很快开始做。这些银行不是简单的copy互金野蛮的玩法,而是结合他们能拿到的更大的资源,更多的数据,玩法升级了,更落地了。这机会是个好机会,但这个机会跟你没啥关系。这种事情比比皆是!

等我们回过头想做别的事情的时候,却发现我们具备的技术优势是有历史窗口期的,这个窗口期可能整个都过了,我们的优势不再是优势了。

所以,创业能玩的事情是什么,不能玩的是什么,机会成本很高的。

要看的足够远,才能走的足够远。毕竟很多时候创业,已经不再是追求成功之后的暴富,而更多是一种成就,但如果这种成就是需要平台的,需要资源的,那到一个有资源的平台上去做,也是一种创业。

最近AI大火,很多人把它与当年的互联网风口相提并论。只是最近和一些做AI创业的大牛们聊天,大牛有时开玩笑,都说我们这儿是风口,看着风好像没共享单车那儿大啊。

虽然是玩笑话,但也一阵见血。AI和互联网这两个风口,虽然都是有着巨大能量的变革推动力,但具体到企业生长路径、产品商业模式这种更加“烟火气”的题目上来时,两个领域的差异是很大的。

先说说它们自身的不同。如果用一句话来概括,那就是互联网连接一切,而AI分析一切

被“联结”所定义的互“联”网,无论是在PC时代还是在移动时代,所做的事情都是让更多的人迁移到线上来。在这个过程中,发生了两件事:一是物理世界的距离和差异被大幅度的抹平,形成了一个前所未有的巨大的线上世界,一个全新的庞大的市场;二是信息流动的速度加快,促进了更灵活、规模更大的分工和协作。前者造就了谷歌和Facebook, 后者催生了Uber和Airbnb。

而AI的本质与核心,是分析。它背后的大数据、大算法和大计算,无不在为分析这件事来服务。分析的目的是认知,认知是判断和行动的基础。当我们说“智能”的时候,我们其实是在说它认知、判断和行动的能力。所以如果互联网想要的是更大更广更远(Bigger),AI追求的就是更高更快更强(Better);互联网促进了信息的流动,AI让信息被理解得更透彻;在互联网上没有人知道你是一条狗,而AI不仅知道你是一条狗,还知道这只狗狗的花色品种和芳龄(有可能还包括是不是单身哈哈)。

这些特征会在商业上有什么影响

首先是企业的生长速度。

在互联网时代,我们见到了太多飞速崛起的案例:Facebook在四年间就积累了一亿的用户,刚刚成立五年的滴滴则已经覆盖了400多个城市有了500亿美元的估值。这里面当然有资本的助力,但背后更重要原因有二:1)互联网自带的马太效应,和2)技术的接受度。

Facebook所代表的社交网络是“赢者通吃”的马太效应的代表,用户自身就是吸引力,网络越大越有趣,并且新增用户的成本几乎为零;滴滴我倒不觉得有明显的马太效应,因为一个用户的增加并不能直接增加平台的吸引力,而是通过运营效率提升等间接方式提升产品的吸引度;此外每服务一个新用户的成本也并不为零。但滴滴为什么也起来这么快?最大的基础是,在滴滴成立的2012年,互联网在中国的渗透率已经超过了40%,有2.2亿的人口在使用3G,用户对于互联网应用已经不再陌生,使用门槛大幅降低,而这是烧钱能起作用的前提条件。

这两件事,现阶段(以及在短期内)的人工智能都不具备。

从马太效应上看,人工智能对我们最主要的帮助,是效率的提升。帮医生阅片,帮政府控堵,替懒人扫地,它自身不具有网络效应和马太效应。规模当然是有好处的,用的人越多,数据越多,人工智能越聪明,用的人也就越多。但这是间接的效果,和用滴滴的司机多了接驾时间短,和福特生产汽车多了成本降低是一个道理。虽然现在产品A最好最厉害,但是一旦更好更厉害的产品B出现,用户还是会跑掉。

从技术接受度方面来讲,无论是对B端还是C端,用户的学习成本都是比较高的。

对B端来说,如何教育传统需求中成长起来的关键决策人,说服他们进行大笔时间和资金的投资本身就需要时间,在实际项目进行中“摸着石头过河”也是充满了艰辛和挑战的。最近知乎上出现的一个著名案例,就是公司花了高薪请来大数据AI专家,结果数据专家只管模型无法与业务线进行有效沟通,导致钱花了事没做成的尴尬处境。

对C端来说,消费者已经被移动互联网时代立等可用、几乎没有尝试成本的产品给惯坏了,就算把目前表现最好的Alexa放进家里,也仍然需要时间和精力来理解“哪些事情AI可以帮我做,哪些事情还不如我自己做”的问题。初次尝试差强人意的结果,很有可能导致用户浅尝辄止的行为,再加上早期使用者(early adopters)对周围人群的影响力,很有可能导致产品无法跨越早期使用者和大众市场之间的鸿沟。

然后是主要服务对象的不同。

2B or not 2B, that is the question.

我们看到互联网时代的巨头们主要是从C端起家然后逐渐开始提供部分(基于C端体量的)2B服务的,比如搞搜索的Google和度娘,做社交的FB和企鹅,卖东西的亚马逊和阿里等。有少数做2B的企业,比如慧聪网或者是提供SaaS服务的Salesforce (虽然把Salesforce归到互联网企业里也是有点勉强),相对来讲规模不在同一量级上。

究其原因,还是和互联网本身的连接属性有关,C端量大、难找、分布广泛、差异较小(毕竟都是人),连接能够带来的价值庞大,而连接的意愿也比较强,总得和小伙伴一起玩对不对?而B端相对来讲量小、好找、行业差异又比较大,企业又有更多的保密性要求,属于规模有天花板,进展比较缓慢的类型。

而AI作为一个追求更高更快更强更准更厉害的效率提升神器,会有什么不同呢?

先来看几个数字。英国人在2016年12月对他们的AI企业做过一个研究(Artificial Intelligence in the UK: Landscape and learnings from 226 startups),发现91%的AI创业企业是2B的,而84%的创业企业专注于某一个具体的职能或者行业。

垂直化(包括职能化)的2B显然成为了AI领域创业的重点。为什么?

一方面,在垂直领域里进行AI创业难度相对较低

如果把AI领域进行一个简单的分层(如下图所示),我们会发现最下面的基础设施(以云计算和GPU为代表)层和算法层都需要极大的资金和时间方面的投入,同时具有更高的标准化通用属性,因此适合像谷歌微软这样的大厂去搞,然后进行授权或开放,最著名的例子当属谷歌的TensorFlow; 再往上一层,是具体的中间层技术,比如机器视觉或者自然语言处理,这一层可以是大厂做(比如微软的认知服务),也有相对中型的企业(科大讯飞的语音识别)或者创业企业(Face++)参与,一般以API的方式提供服务。但由于这一层并不面对终端用户,难以建立强壁垒,所以最终留在场内的玩家数量也不会很多。

对创业企业最友好的,莫过于最上层的应用层。原因有几个:一是可以利用大厂们提供的各种开放平台和API,开发成本相对可控;二是领域太多太分散,大厂们顾不过来不用正面杠;三是各个职能/行业之间的专业差异较大,容易形成壁垒避免早期的过度竞争。

另一方面,2B更容易出成果

相较于C端,B端的很多特征都能够帮助创业企业用更快的速度形成可用的产品。

B端有数据。对AI来讲,“算法是过剩的,数据是稀缺的。”目前主流的深度学习算法要求有大量的数据样本来对AI进行培训,而创业企业在一开始往往并没有数据积累。除了互联网大佬们之外,主要的数据金库都掌握在传统的B端企业或机构手里,比如银行、医院、零售商等等。创业企业的AI技术能力和传统企业的数据结合在一起,才能发挥出应有的能量。

B端应用场景相对封闭。企业,尤其是同一个垂直领域的企业,其主要的痛点和技术应用场景相对消费者千奇百怪的要求来讲,是有限且容易界定的。投资机构最关心客户收益和风险控制,医疗领域想要提升诊断的效率和准确率,交通局想要更好地预测城市的拥堵情况。在给定的场景和需求下,创业企业更容易专注于解决客户的关键问题,并提供90分以上的解决方案。

B端提供了更大的磨合适应性。新技术难以一步登天提供完美的客户体验和价值,而B端更复杂、更偏向定制化的需求特征给了创业企业和客户充分探讨、测试并磨合的空间,尤其是在技术发展早期就愿意进行尝试的“Visionary leader 有远见的领导者”们。大家一起摸着石头过河,也可以帮助创业企业迅速成长。相比较而言,C端认知度有限,大部分用户是“小白”,对产品完善度的要求会更加严格也更难实现。

何况B端变现速度也会比C端更快。

最后,几点总结和建议。

对创业企业来讲,

垂直领域的2B产品是对AI创业企业来讲相对容易起步和成功的发展方向,2C或底层技术平台类的产品成功难度相对较大

技术或算法本身很难成为企业的核心壁垒,对自己所在领域用户需求的把握和解决方案的成熟度更有可能帮你抵御外敌形成护城河

对投资人来讲,

在人工智能刚刚进入商业化的发展阶段,进场早的未必跑得快,移动互联网时代“跑马圈地”式的发展逻辑不一定有用了

资本仍然是帮助企业发展的有效助力,但并不能指望靠烧钱 /补贴快速催熟一个产品。技术有它固定的规律和速度,难以拔苗助长。

说到最后,在这个新的风口上,大家要拼的,是谁能更好的解决用户痛点、谁的成本更低效率更高、谁的资源和渠道更深入广泛,等等一个企业本就该解决好的问题,而这些,需要时间和耐心。

2017年,人工智能产业开始进入休整阶段。据初步估算,已有50余家AI企业倒闭。在这样一个残酷的战场上,心心念念想创业的伙伴们,该怎样突破重围,建立一家具有极强战斗力的AI企业呢?

参考:如何突破重围,创立一家领先世界的人工智能公司

1、抓住人才

中国AI的人才储备仅有 39200 人,不及美国的 50%。更重要的是,很多资本都将创始团队和技术团队作为评判初创企业实力的重要前提。因此人才的匮乏牵制着任何一家初创企业的崛起和发展。

2、定位

技术的定位

初创公司在创建AI平台时面临2种选择:从零开始进行自己AI的搭建;选择开源工具进行创建开发。

两者有不同的优缺点,可根据自身特点去选择。

垂直细分行业的定位

过去2年,初创企业依靠技术可以快速发展,但是随着技术的开源以及算法框架的不断增多和发展,技术门槛在快速降低。在垂直领域加速产品落地,企业才会有新的突破。

技术只是手段和工具,最重要的是如何落地和应用。技术+产品+行业落地才是初创企业屹立不倒的关键因素。

商业模式的定位

由于创业公司很难直接触及到C端用户,在2C领域缺乏足够的流量、数据积累以及分发渠道,因此对于AI领域的创业公司,B端市场无疑是最适合的切入点。当然你有渠道拿到C端用户选择面就会更多一些。

3、数据管理

基础设施完善以后,就要通过各种渠道大量获取需要的数据。数据集越大,机器学习训练的效果就会越好,准确率就会越高。但是很多初创企业在获取数据方面处于劣势;

其次,数据的重要性已经不言而喻,所以一定要让数据变成公司的核心资产;

最后,一定要有适合自己企业、并严格执行的数据管理办法和使用办法,以发挥数据的最大价值,否则公司将面临一场数据混乱的灾难。

4、融资

AI是比较热门的投资领域,初创公司要把握时机,根据自身的发展阶段通过孵化器、政府专项拨款、社会捐赠、创业投资、私募资金、发行股票等形式积极募集资金,从而让企业快速扩大发展。

综上,如果想让自己的企业在AI领域领先世界,那么就应该具备以下素质和条件:

拥有丰富技术背景和行业经验的核心创始团队;

拥有独立、自主、领先、创新的核心技术;

拥有契合市场定位的商业模式;

拥有对AI前沿技术和市场足够敏感的嗅觉;

拥有创意十足的产品工业设计;

拥有开拓市场及建立销售渠道的资源禀赋;

当然不同的企业应该拥有各自的运营模式,不可能千篇一律,更不能复制粘贴。但企业成功的必要条件一定是相似的。