字体:  增大          减小       

13-3 创业指导(3)

13-1-1 投资界的一般标准

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。

上一章

相关内容     首 页