人工智能被深度學習的先驅吳恩達稱為“新的電力”，因為它有可能革新商業和日常生活，類似于互聯網和數據庫技術。 盡管 AI / ML 公司和投資激增，但許多大型市場仍有待探索。

關鍵要點：

1. 作為一種通用技術，人工智能（AI）和機器學習（ML）在幾乎每個行業都有潛在的用例，并能夠重塑人們生活和經營方式。 近十年來深度學習的突破，使得人工智能在日常生活中的應用越來越廣泛，為該領域的進一步發展鋪平了道路。
2. VC 在垂直行業的投資呈現持續增長的趨勢，比 2008 年的水平高出 12 倍。2017 年，在AI / ML 領域的 643 個 VC 投資事件中投資總額達 60 億美元。 同與此同時，在經過多年缺少退出企業之后，過去兩年的流動性大幅上升，轉而進入 AI / ML 退出環境的新階段。
3. 目前，幾乎所有商業上成功的 ML 應用都使用監督式學習，其中包括大量的應用，但僅限擁有清晰標記數據的領域。創業公司將面臨來自科技巨頭通過云提供的低成本產品服務的激烈競爭， 但他們可以專注于更多的細分領域或細分數據集。

引言

在過去的十年中，AI / ML領域吸引了業界極大的興趣，相關應用和商業整合快速發展。如今人們普遍認識到的人工智能的概念。然而，這個領域內已經出現了幾次停滯。所謂的“人工智能冬天”往往是由于技術，基礎設施或方法的局限性而產生的。 AI / ML 的最新突破始于 2006 年左右，隨著深度學習的發展，受人腦生物學的啟發，ML 的一個子集以分層神經網絡（NNs）為基礎出現。深度學習技術是 AI / ML（如圖像識別，搜索引擎，藥物發現，深度強化學習）幾乎所有當前前沿研究和成功應用的背后的技術。 ML 問題的新研究方法，計算能力的巨大進步，數據數字化和可用性的急劇增長，使這一進展成為可能。

人工智能（AI）屬于計算機科學領域，專注于創建一個能夠感知其環境并做出決策的智能機器，以最大限度地實現其目標。 機器學習（ML）是人工智能和數據分析的一個子領域，它使計算機能夠反復學習，改進預測模型，并從數據中發現洞察力，而不需要人類編程。 作為個人，我們已經每天與語音助理對話，使用面部識別技術，接收電影或餐廳推薦以及許多其他實例，已經與 AI / ML 應用進行交互。 ML 可以根據訓練算法的方法分成三個子類別：

1、監督學習

監督學習是方法，通過機器學習算法，在一組標記的數據上進行訓練（例如用標記的圖像訓練圖像識別系統以識別狗的圖像）。

2、無監督學習

在無監督學習中，算法用未標記的數據進行訓練，并且必須確定數據集的基本結構以及如何對其進行分組（例如通過將手寫數字分為 10 組來進行識別）。

3、強化學習

強化學習從沒有訓練數據開始，這意味著機器必須通過經驗和迭代試錯來學習執行任務，同時最大化長期獎勵。

在近期內，我們認為 AI-ML 中的監督學習應用將繼續在面向消費者的方法中發展和完善，專注于任務自動化，幾乎到了無處不在的地步。 在接下來的一年里，這些公司將生產出最具商業可行性的 AI / ML 產品，并將發生許多垂直行業的收購。 然而，我們認為最大的 AI / ML 市場前景將來自潛在的擴張到大量的企業應用和新行業。

無監督和強化學習的機會在垂直領域出現。雖然這些技術的擴散仍有相當多的障礙，但是這些技術的可能性可以解決越來越多的問題提供解決方案。強化學習最重要的早期成就之一是來自Google 的 DeepMind 的 AlphaZero。這個算法純粹模擬下圍棋。進一步的潛在強化學習用例可以改善傳統的解決方案，包括資源分配問題，大量的個性化用戶界面（醫療保健，標題，廣告等內容），以及在機器人和自動駕駛汽車中的應用。雖然將這些技術應用于商業產品方面存在障礙，但 AI / ML 最新的概念證明可以吸引大量投資。這已經通過流入自動駕駛車輛領域的資金量得到證明。以風險投資支持的企業和投資人最能適應以人工智能為中心的世界。

也就是說，由于問題的復雜性和所需的計算能力，許多應用將需要更多的時間來實現。 針對這些問題，硬件：量子/高性能計算和混合計算（GPU / CPU / FPGA / TPU）以及分解技術將復雜問題分解為可管理的部分正在取得進展。

VC 趨勢

AI / ML 領域的風險投資清楚地表明了過去十年來在垂直領域的發展和不斷增長的熱度。 在 AI / ML 的 643 次 VC 投資中，2017 年已經公布 60億 美元的投資。

美國 AI / ML 領域投資事件數量和金額變化情況

與當代的技術突破并駕齊驅，投資數量以幾乎呈指數級增長，比 2008 年的水平高出 12 倍。所有輪次的投資都在增加，但絕大多數的增長都是來自天使和種子的早期階段。盡管最近主流媒體對 AI / ML 的曝光率已經大幅上升，但很明顯，垂直領域仍處于早期階段。即使在市場上仍然存在細分市場。一些較大的公司已經在執行商業產品，例如在線貸款商 Avant 和舊商品交易市場，而其他許多公司正在努力改進工具，擴大其應用和產品供應。理論和實踐研究已經提供了基礎，但是許多企業還處于確定可行性和用例的初始階段。此外，由于每個數據集的獨特性，AI 和 ML 技術在企業中的執行通常需要高度的定制化，這阻礙了早期的廣泛采用。

美國不同投資階段 AI / ML 投資事件

人工智能企業的估值增長速度與風險投資市場相似。 不同之處在于后期階段。 造成這種異常的一個原因是 2013 年和 2014 年有大批 AI / ML 公司獲得投資，其中包括 Palantir 多個輪次的融資，并且還有大量的后續輪次的跟進。 此外，垂直市場仍然受到早期階段公司的支配。

不同階段美國 AI / ML 公司的估值中位數

退出

經過多年稀少的退出事件，過去兩年代表了 AI / ML 退出環境的新時期。 直到最近，AI / ML的退出才成為典型的風險投資周期的一部分，因為風險投資通常會在開始增長的時候流入垂直市場，隨后企業需要花費數年的時間才能獲得戰略收購方。 這是關鍵的，因為 AI / ML 退出目前幾乎完全是通過戰略收購來實現退出的。我們預計這一趨勢將持續下去，因為目前的科技巨頭正在努力支持他們內部人工智能產品。隨著在軟件/互聯網領域以外的公司意識到將 AI 整合到其業務中的潛力，將進一步推動收購事件。

美國 AI/ML 市場退出事件

2016 年和 2017 年的最大的退出事件都發生在自動駕駛領域，通用汽車以 10 億美元的價格收購了 Cruise Automation，Aptiv 收購了 NuTonomy。 同樣重要的是要指出，Cruise 被收購占到了 2016 年 AI / ML 退出金額的近 40％。

美國收購 AI/ML 公司最多的企業

局限性

在垂直領域，主導的情緒是積極的; 但是，有一些限制可能會減緩 AI / ML 在所有行業的進一步發展。 AI / ML 對我們生活的影響往往伴隨著宏偉論調，即過度地強調短期影響力，暗示著失敗是不可能的。 這種思維方式可能是危險的，因為現實的預期時間和有效的失敗管理應該成為實施企業 AI / ML 技術的一個組成部分。 例如，涉及自動駕駛車輛的事故或其他算法錯誤可能會損害公眾對該技術的認知并導致一系列其他問題，包括延遲執行。

AI / ML 的另一個常見問題是人類不知道機器在想什么，例如我們無法解釋深度學習網絡做出任何一個駕駛決策的原因，即使是設計它的工程師也不能。假如有一天，自動行駛中的汽車突然撞向一棵樹，或者在綠燈亮起時猶豫不決，不肯前進，那我們連找出原因，進行解釋的手段都沒有。 這被稱為“黑匣子”問題的情況，這掩蓋了審計和機器行為的責任。

AI/ML 能夠減輕人類處理艱巨任務的負擔，但是廣泛采用這種做法可能會帶來更廣泛的社會影響。其中之一就是人工智能將搶走人類工作。雖然這可能最終發生在一些職業上，但人工智能的進步很可能會改變工作的性質，而不是消除工作。就像在互聯網應用泛濫之前沒有人擁有“社交媒體經理”或“主播”這樣的職位，AI / ML 的出現將會產生以前不為人知的行業和職業。

展望未來

作為一種通用技術，AI / ML 幾乎在每個行業都有潛在的使用案例，并有能力重塑人們的生活和經營方式。 因此，人工智能被深度學習的先驅吳恩達稱為“新的電力”，因為它有可能革新商業和日常生活，類似于互聯網和數據庫技術。 盡管 AI / ML 公司和投資激增，但許多大型市場仍有待探索。

目前，幾乎所有商業上成功的 ML 應用都使用監督式學習，市場很大，但僅限于具有清晰標記數據的領域。 創業公司面臨來自谷歌，亞馬遜，微軟，百度和 Salesforce 等龐大規模和高度發展的分銷渠道、數據低成本云計算巨頭的巨大競爭。 對于暴力破解應用（例如語音/對象/面部/圖像識別和翻譯）來說，擁有大型數據集的公司優勢明顯。 因此，專注于邊緣或特定領域、數據集的 AI / ML 初創公司可能是競爭和茁壯成長的最佳選擇。 例如，最近在許多醫療記錄和掃描數據數字化方面取得的進展，使得醫療保健處于特別有利的位置，以便進一步滲透 AI / ML 應用。 然而，即使有了現在的資源，AI / ML的許多潛在用途也因缺乏可操作的學習數據而受到阻礙。

本文來自：騰股創投（微信ID: tengguvc，BP投遞：bp@tengguvc.com）本文內容來自硅谷全球數據研究機構 PitchBook 發布的報告：Real potential for AI。由騰股創投編譯整理。

本文由 @騰股創投 授權發布于人人都是產品經理，未經作者許可，禁止轉載。

題圖來自 Unsplash，基于 CC0 協議