程浩先生擁有15年的互聯網從業經驗，曾在硅谷和百度工作，后創辦迅雷，并成功將公司帶到納斯達克上市。2015年下半年，程浩先生開始轉做投資，這幾年來他看過許多人工智能領域的創業項目，但在這過程中，發現有不少創業者存在兩個思維誤區：高估了算法和科學家的力量?；愿意只做技術提供商。何出此言？不妨讀讀他的思考，或許能刷新你對人工智能創業的認識。

高估了算法和科學家的力量

目前國內人工智能創業非?；鸨?，很多人在創業之初通常會認為算法和科學家決定一切，這到底對不對？顯然這個想法不準確，有三點原因：

首先，整個人工智能算法的技術準入門檻越來越低。當年我還在百度的時候，市面上機器學習的專家很少，但現在再看很多高校都已經開設了相關的課程。

其次，相對于算法而言，在很多領域，海量的、準確的、標注過的數據更有價值。在某些領域，比如醫療領域，如果你沒有醫療方面資源是根本沒法拿到數據的，拿不到數據后面的算法工作自然也就無法做了，所以算法科學家到底有多重要，也與所處的行業有重要的關系。

最后，有好技術也要有好場景才行，我看到不少有好技術但沒有應用場景「拿著錘子找釘子」的案例。人工智能更多的機會還是在于對各行各業實際應用場景的改造，去研發專門的機器人替代人工，行業重度參與者能更容易發現機會和痛點。

比如機房巡檢機器人、電力網巡線機器人、果園作業機器人……人工智能幾乎會深度影響國民經濟的各行各業。對于這樣的項目，能夠成功的核心，一定是提升了效率，降低了人工成本。

我認為人工智能創業的本質可分為Mission-critical和Non-Mission-critical。為了方便大家理解，我們姑且稱為「關鍵性應用」和「非關鍵性應用」。

「關鍵性應用」的應用，就是一丁點兒錯都不能犯的人工智能領域。比如自動駕駛，哪怕已經做到了99.9%，但仍然是千分之一的事故率。想想每天駕車上路的人有多少，這千分之一的故障率會導致多少致命事故。所以自動駕駛，必須要做到99.…%后面有多個9才能上路。

在「關鍵性應用」的領域，必須做到99.9…%小數點后面有多個9，做不到就沒法商業化。其背后的核心競爭力是算法和科學家。這類項目往往需要有頂尖的科學家來坐鎮背書。所以項目通常很貴（因為周期長，需要的錢自然多，同時這類人才又很貴），要投入大量的研發資源來消滅萬分之一、十萬分之一的出錯率。

很多人都明白研發的邊際效益遞減的道理，做到90%很容易，但為了消滅各種Corner Case（極端情況），要做到99%，其投入的就不止10倍的資源，更別說99.9%和99.99%了，所以這類項目的時間周期會很長。

類似于Mobileye從1999年做汽車輔助駕駛，2007年才商業化；達芬奇手術機器人項目更是起源于1980年代末的一項非營利性研究，直到2000年才拿到了美國食品藥品管理局FDA的首個手術認證。但一旦做成，這類項目優勢就非常明顯，因為競爭對手同樣也要花相同的時間來跟進。

這樣的項目門檻高，不適合一般的創業者，所以通常比較貴，商業變現的時間周期比較長，資本也需要更多的耐心。一流的科學家團隊適合選擇這樣壁壘高的「關鍵性應用」作為創業方向。

實際上，大多數人工智能的創業都屬于第二類，也就是「非關鍵性應用」。這類項目不追求99%后面的很多個9，而且很多都有更簡單實用的解決方案，或者有「人機混合」的方案?？傊褪遣蛔非蟾叽笊?，簡單、實用、性價比高更重要，這樣的項目通常能夠更快落地。這樣的項目有以下幾個特征：

• 不追求很多個「9」。例如基于人臉掃描的門禁或者迎賓機器人系統，99%和98%沒有本質的區別，實在不行還有前臺。
• 更簡單實用的解決方案。例如封閉路段（例如工業園區、機場碼頭）的自動駕駛，激光雷達又貴又復雜，我直接用磁條導航，而且算法上追求簡單，讓速不讓路，只要前面有人，車就停下來。因為是封閉路段，所以場景被極大簡化了。
• 人機混合模式。面向企業的人工智能很多都能通過人機混合模式降低技術難度，可以更快地面向市場提供服務。拿外賣機器人舉個例子，你的算法好，送達成功率有99%，我是98%。100次里面不成功的那兩次，我可以用人通過后臺去操控機器人，慢慢提高這個比例就好了。即使這樣，我還是能極大地降低人力，所以價值還是非常大的。

在「非關鍵性應用」領域創業，算法固然重要，你送外賣不能總送不到，偶爾出現問題可以容忍（「關鍵性應用」則不能容忍）。除此以外，能落地就變得非常重要了。如何落地？那就要比拼綜合實力了。包括：

• 對行業的理解，要深刻洞悉行業痛點在哪兒；
• 產品化和工程化，有沒有好的產品和工程師團隊？光在實驗室里搞是沒用的；
• 做出來的產品還得便宜；
• 批量生產的話，你的供應鏈能力怎么樣？
• 產品出來了，你得把東西賣出去，你的營銷/銷售能力怎么樣？

所以，這樣的人工智能項目并不需要技術大牛，反而是創業者最好深悉這個行業，知道什么方案能解決行業痛點，甚至有上下游的能力去推廣銷售掉解決方案或產品。

只做技術提供商行不通

我以前寫過一篇文章，在人工智能領域創業，只做技術提供商我認為是死路一條，為什么這樣講？

1、技術提供商很多是大公司的賽道

包括人臉識別、聲音識別、機器翻譯，很多是大公司做的，它不需要靠這個賺錢，所以這當中很多都是大公司的賽道。基于API（應用程序編程接口）的商業模式也沒有擴展性，因為百度不收費，騰訊也不會收費，再加上你本來就需要開放接口換取更多用戶數據，所以你只做API沒有任何收入。

2、數據在很多情況下比算法重要得多

隨著谷歌TensorFlow等生態系統的成熟，很多領域都會有訓練好的模型可以用來參考（出Demo會更快），創業者只要有足夠的數據來訓練參數就好了。所以未來算法的壁壘會越來越低，如果這個公司的核心競爭力是算法，那將非常危險。

除此之外，在一些「非關鍵性應用」上，兩個算法之間的微小差別其實對使用者感知并不明顯。與此相對應的，數據壁壘卻是非常明顯。最近這一年中國涌現了一二十個「AI看醫學影像」的公司，這個生意里面，怎么拿到海量的、準確的、標注過的數據，比誰的算法好要有價值得多。

3、極易被上下游擠壓，只做算法生存空間是非常小的

我們在投資當中會很看重公司的防御性，很多公司做比較低成本的雷達給掃地機器人用，但隨著掃地機器人的發展，最后做掃地機器人的公司要么把你買掉，要么自己就做。美國有一個芯片公司就是做視覺嵌入式計算的，以前最大的客戶就是大疆，但是大疆把2C的商業壟斷之后，大疆做的第一件事就是自己做芯片。

4、如果只是做技術提供商很容易被上下游替代

活得不滋潤的是研發公司，最早的蘋果是自己研發芯片，三星、華為、小米也都是自己研發芯片。這其實是一個產業鏈通用規律：如果一個產業鏈有很多環節，在某一個環節有一個壟斷者，那么這個壟斷者就有向上下游延展的機會，哪怕不延展也會把整個產業鏈的大部分利潤吃掉。正如之前的PC產業鏈，有內存、硬盤、操作系統、整機……但Windows和Intel卻賺走了絕大部分利潤。

為此，我提出「一橫一豎」的理論，「一橫」就是指你提供的技術服務。通?！敢粰M」能服務很多行業，你要在其中選一個最大、最適合你的行業，深入扎進去做「一豎」，就升級為了「全?！?/strong>。在垂直的行業，因為沒有利益沖突，你仍可老老實實地做技術服務。這樣的話，商業上你能吃透一個垂直行業，技術上你還能通過橫向合作，不斷獲取對方反饋的數據來夯實你的技術。