本文要点

• AI 创业的技术、人才红利都迅速放缓。
  

  互联网这条线会继续往前发展，AI 做的事情则更偏向底层——在生产端提高生产效率
  

  AI 技术有它固定的规律和速度，不太可能迅速通过融资拔苗助长。
  

  在人工智能创业的第一阶段，公司的估值是 “算法 x 人才”；进入第二阶段后，AI 公司的估值=算法+数据x商业价值。
  

  作者 朱袆舟曾参与创办人工智能公司 “出门问问”。目前，他是峰瑞资本早期项目负责人，重点投资人工智能、智能硬件等以核心技术为驱动的创业项目。本文是他在 Xtecher 杭州私享会上的分享。

  加入峰瑞资本做投资之前，我在人工智能领域创业。下面，我从投资与创业交叉的角度和大家分享自己最近的一些观察，也欢迎随时交流。

先简单介绍一下，峰瑞资本是一家新基金，成立于 2015 年 8 月。我们希望做成一家研究型导向的全链条基金，不看风口，长期持有。我们比较早就开始看人工智能领域，已经投资了十余家 AI 领域的初创公司。

下面切入正题。

技术、人才红利都迅速放缓

  过去在人工智能能领域创业的时候，大家会问我这些问题：

• 你的算法到底是什么？是不是深度学习的算法？
  

  你是不是用了神经网络？神经网络多少层？
  

这是投资者或大众关注的第一点——“算法如何”？

然后，大家还会问：

你的团队里有 PHD 吗？有 BAT 研究院出来的人吗？有高校教授吗？

人工智能能刚刚起步时，大家的焦点基本集中在两个方面：算法和人才.

这两张图反映了我过去一段时间对这两个方面的观察。

第一张图，我称之为“技术的红利”。这张图是在 ImageNet 历年图像分类任务中获得第一名的算法的错误率。2013 年的时候，获得第一名的算法错误率是 13%，2014 年时是 7%，2015 年时是 3.6%，到 2016 年时变成 3.0%。大家可以看到，从 2013 年到 2014 年，错误率下降了近一半，从 2014 年到 2015 年，又下降了近一半，而 2015 年到 2016 年的时候，下降的幅度就变得很小了。

做技术的人应该都知道，在深度学习的框架下，以现有的技术处理图像分类任务的能力，错误率继续下降的空间已经不多了。看到这个结论，我非常吃惊。技术放缓的速度远比我们自己想象的要快。

第二张图，我称之为“人才的红利”。

横坐标是时间，纵坐标是工资。过去，人工智能公司招人都很贵。最近，我随机选取了一家非常知名的人工智能公司的招聘列表，2017 年时，这家公司招聘图像识别处理工程师的薪水是15—30K/m，已经和普通的 IOS 工程师差不多。

目前，大家普遍的认知是：人工智能领域，所做事情的框架已经日趋清晰明了，但人才缺口比较大，学校的供给不够。任何一家人工智能公司招人，都更倾向于熟练的、很快能将想法实践落地的人，倾向于招有一定专业院校和学术背景的人才。

通过上面两张图，我想说的是：人工智能技术跟其它技术一样，到了一个阶段性平台期，技术红利放缓的速度非常快，人才供给发展的速度非常快。

对投资人来说，在人工智能创业的第一阶段，公司的估值就是 “算法 x 人才”。它们的乘积，大概就是你的公司在市场当中的价值。而目前，这个乘法的两端都在快速地下降，这是我们对第一阶段人工智能创业的的判断。

AI 公司估值的阶段论

我把人工智能赛道上的公司分成 5 个阶段：

1. 提供狭义技术的阶段

2. 提供解决方案的阶段

3. 提供模块化产品的阶段

4. 提供整体产品的阶段

5. 业务闭环数据循环阶段

大部分创业公司处在 “狭义细分技术” 的阶段。这一阶段，判断公司的标准就是我们刚刚提到的公式：“估值 = 算法x人才”。我们可以看到，这个公式下的公司，价值在被快速地拉平。在我看来，这一波的机会红利已经基本结束。

在这一阶段的人工智能创业浪潮中，获利最大的科学家创业团体，现在在创业上的优势不会那么大了。接下来，我相信机会仍然会留给产品经理、工程师和商业人才。过去的估值方式，过去的价值判断方式，和过去的技术、人才红利都已经基本结束。

现在，很多公司都已经进入第二阶段了。不论是图像公司还是语音公司，大家都开始进入提供解决方案的阶段。

在第二阶段，判断公司市场价值的方式也会发生变化。我自己列了一个公式，就是从 “算法x人才” 演变成 “估值=算法+数据x商业价值”。 算法后面是一个加号，主要原因在于，大家都还没有数据和商业价值的时候，比的是算法，但是当大家都有了数据和商业价值后，商业价值的重要性会迅速地超过算法，所以算法所占的比重会越来越少。

人工智能并不是互联网的下一代

互联网在过去做的最主要的事情是解放渠道，释放渠道的效率。所以我们看到，过去的创新型模式都是为了让产品能够直接抵达消费者。不论是电商打掉中间的零售商和经销商的渠道，还是滴滴打掉出租车的渠道，其实都是在渠道上做文章。

我觉得人工智能并不是互联网的下一代，也不是互联网的替代者。这两者是并行的。因此，移动互联网、互联网的机会依然有，并且依然非常大。互联网这条线本身会继续往前发展，人工智能做的事情则更偏向底层——在生产端提高生产效率。

这也是我们现在为什么觉得 to C 端的机会比较难：生产端还没有被改造，于是就不太会有新的产品出来；没有新的产品出来，用户端体验也就不会有特别大的提升。

这波人工智能的浪潮，凸显的是 “数据x商业价值”。我们从 to B 和 to C 两个角度来分析。

to B 端，我的判断是人工智能会向行业的纵深端去发展。 从生产端来看，不论是服务业、农业还是工业，大家对效率提升的需求是非常明显的：在医疗领域，提升诊断的效率；在金融领域，提高金融数据服务的效率……需求和商业空间是巨大的。于是我们的挑战不再是技术被拉平了，而在于对行业需求的理解和产品的设计。

另外提到一点：大数据。这个词其实是老生常谈了。从企业服务端来看。美国企业服务市场的路径是：传统软件→ IT 服务→云计算→大数据→人工智能，最后才有了人工智能。所以，在美国做人工智能领域的创业，好处是基础设施非常成熟、完善，但很多事情都被大公司做了，初创公司需要在大公司的夹缝中寻找生存空间。

在中国，企业端基础设施还是非常落后的，是一片空白。因此，中国有一个特有现象：跨越式的发展。在电商、本地服务、金融支付等行业，跨越式发展的例子比比皆是。

to C 端，我的观点是：想用人工智能去提升消费者的体验，通过一个单点去突破比较困难，更多是一个系统化的工程。 比如，车载语音的交互体验，智能家居体验等。它需要的不仅仅是产品本身做得多好，更是整体的居家环境、车载环境。这些基础的传感器和基础的服务、数据足够完整之后，我们才会有一个体验足够好的东西出来。反之，现在做这个事情，就会感觉很累或者说撬不动，因为基础设施和服务没起来。

互联网领域，单点做个小 APP 就能撬动一个很大的空间。但在人工智能领域，这几乎不可能。关于这个结论，我自己心里也有个问号，我也很好奇人工智能里能够单点突破的产品到底是什么。

这是我对于 AI 创业第一个阶段和第二个阶段的一些投资思考和笔记。

人工智能没有网络效应

最后，回答四个疑问：

第一个疑问是：人工智能是不是可以理解为互联网或者移动互联网后的下一个创新，或者是替代品？

我认为这是不对的。人工智能和互联网是并行的，相对独立的。照套互联网的思维方式是很危险的。

比如，人工智能是没有网络效应的，也几乎没有马太效应。这句话是什么意思呢？马太效应基于网络效应，因为网络效应能快速地集聚资源、拉开与竞争者的差距，所以会出现行业通吃的情况。而人工智能是基于生产效率的提升，它本身没有网络效应。至少现在看起来，行业通吃的事情可能不存在。不见得谁比谁快、谁能把谁灭了，而是大家都能找到自己的一块地盘。

第二个疑问是：人工智能领域创业有没有势能？

我们可以看到，在互联网、移动互联网的窗口期，创业公司要打仗，要迅速融资。但是看起来，在人工智能领域似乎没有所谓的 “势能” 。技术有它固定的规律和速度，不太可能用融资的方式拔苗助长。在同一个人工智能细分领域，谁先做、谁后做差异并不会特别大，能够扎扎实实把事情做好倒是更加重要。在传统互联网领域或在移动互联网领域，或许可以在四年之内做出一个上市公司，但是在人工智能领域，这基本是不可能的。

第三个疑问和第四个疑问其实是连在一起的：投资人们都喜欢问，人工智能公司会变成什么？到底能做多大？这个行业到底能做多大？

大家以前对这类公司的期望是做成一个技术平台公司。技术平台公司的意义更多的是，怎么把算法和数据整合成一个产品，或者整合成一个服务。云计算就是很典型的一个例子。但现在看来，“技术平台” 只是其中一种选择，还有许多其它方式。

从人工智能领域公司的壁垒来看，要从算法开始，让你的公司从一个技术平台公司做到一个数据产品服务公司，然后再抽象到一个更高层面的技术平台公司。

人工智能很难像互联网一样从单点突破，做横向整合。它做大做深最大的可能性是纵向整合，整合整条产业链里不同的生产者、生产资料，再往上整合到产品层面。 这比较抽象。举个例子，比如你做人脸识别，是只做人脸识别？还是做人脸识别加上人脸识别摄像头？还是做人脸识别、人脸识别摄像头，还要再加上人脸识别系统，做成一整个产品？它不是只做一个人脸识别就把所有人脸识别都做全了，而是做人脸识别可以选择从产业链下游往上做，也可以从上游往下做。

这是人工智能领域创业的状态和规律，它和现在的互联网公司完全不一样，我的一点思考供大家参考。