程浩：人工智能创业中要重视的两个思维误区.docVIP

程浩：人工智能创业中要重视的两个思维误区 　　本文由松禾远望基金创始合伙人程浩为大家分享的一篇关于人工智能领域的创业项目中存在的两个思维误区，或者能够帮助你更好的对人工智能创业的认识。 　　 　　高估了算法和科学家的力量 　　目前国内人工智能创业非常火爆，很多人在创业之初通常会认为算法和科学家决定一切，这到底对不对？显然这个想法不准确，有三点原因： 　　首先，整个人工智能算法的技术准入门槛越来越低。当年我还在百度的时候，市面上机器学习的专家很少，但现在再看很多高校都已经开设了相关的课程。 　　其次，相对于算法而言，在很多领域，海量的、准确的、标注过的数据更有价值。在某些领域，比如医疗领域，如果你没有医疗方面资源是根本没法拿到数据的，拿不到数据后面的算法工作自然也就无法做了，所以算法科学家到底有多重要，也与所处的行业有重要的关系。 　　最后，有好技术也要有好场景才行，我看到不少有好技术但没有应用场景「拿着锤子找钉子」的案例。人工智能更多的机会还是在于对各行各业实际应用场景的改造，去研发专门的机器人替代人工，行业重度参与者能更容易发现机会和痛点。 　　比如机房巡检机器人、电力网巡线机器人、果园作业机器人……人工智能几乎会深度影响国民经济的各行各业。对于这样的项目，能够成功的核心，一定是提升了效率，降低了人工成本。 　　我认为人工智能创业的本质可分为Mission-critical和Non-Mission-critical。为了方便大家理解，我们姑且称为「关键性应用」和「非关键性应用」。 　　「关键性应用」的应用，就是一丁点儿错都不能犯的人工智能领域。比如自动驾驶，哪怕已经做到了99.9%，但仍然是千分之一的事故率。想想每天驾车上路的人有多少，这千分之一的故障率会导致多少致命事故。所以自动驾驶，必须要做到99.…%后面有多个9才能上路。 　　在「关键性应用」的领域，必须做到99.9…%小数点后面有多个9，做不到就没法商业化。其背后的核心竞争力是算法和科学家。这类项目往往需要有顶尖的科学家来坐镇背书。所以项目通常很贵（因为周期长，需要的钱自然多，同时这类人才又很贵），要投入大量的研发资源来消灭万分之一、十万分之一的出错率。 　　很多人都明白研发的边际效益递减的道理，做到90%很容易，但为了消灭各种Corner Case（极端情况），要做到99%，其投入的就不止10倍的资源，更别说99.9%和99.99%了，所以这类项目的时间周期会很长。 　　类似于Mobileye从1999年做汽车辅助驾驶，2007年才商业化；达芬奇手术机器人项目更是起源于1980年代末的一项非营利性研究，直到2000年才拿到了美国食品药品管理局FDA的首个手术认证。但一旦做成，这类项目优势就非常明显，因为竞争对手同样也要花相同的时间来跟进。 　　这样的项目门槛高，不适合一般的创业者，所以通常比较贵，商业变现的时间周期比较长，资本也需要更多的耐心。一流的科学家团队适合选择这样壁垒高的「关键性应用」作为创业方向。 　　实际上，大多数人工智能的创业都属于第二类，也就是「非关键性应用」。这类项目不追求99%后面的很多个9，而且很多都有更简单实用的解决方案，或者有「人机混合」的方案。总之就是不追求高大上，简单、实用、性价比高更重要，这样的项目通常能够更快落地。这样的项目有以下几个特征： 　　不追求很多个「9」。例如基于人脸扫描的门禁或者迎宾机器人系统，99%和98%没有本质的区别，实在不行还有前台。 　　更简单实用的解决方案。例如封闭路段（例如工业园区、机场码头）的自动驾驶，激光雷达又贵又复杂，我直接用磁条导航，而且算法上追求简单，让速不让路，只要前面有人，车就停下来。因为是封闭路段，所以场景被极大简化了。 　　人机混合模式。面向企业的人工智能很多都能通过人机混合模式降低技术难度，可以更快地面向市场提供服务。拿外卖机器人举个例子，你的算法好，送达成功率有99%，我是98%。100次里面不成功的那两次，我可以用人通过后台去操控机器人，慢慢提高这个比例就好了。即使这样，我还是能极大地降低人力，所以价值还是非常大的。 　　在「非关键性应用」领域创业，算法固然重要，你送外卖不能总送不到，偶尔出现问题可以容忍（「关键性应用」则不能容忍）。除此以外，能落地就变得非常重要了。如何落地？那就要比拼综合实力了。包括： 　　对行业的理解，要深刻洞悉行业痛点在哪儿； 　　产品化和工程化，有没有好的产品和工程师团队？光在实验室里搞是没用的； 　　做出来的产品还得便宜； 　　批量生产的话，你的供应链能力怎么样？ 　　产品出来了，你得把东西卖出去，你的营销/销售能力怎么样？ 　　所以，这样的人工智能项目并不需要技术大牛，反而是创业者最好深悉这个行业，知道什么方案能解决行业痛点，甚至有上下游的能力去推广销