迅雷创始人程浩：AI 创业必知 6 大核心问题：如何选择赛道、搭配团队和应对巨头挑战
【新智元导读】 迅雷创始人程浩现在是专注科技领域的投资人，他在这篇文章中，聊到了人工智能领域的创业和创新，包括如何选择赛道、团队的搭配、以及如何应对巨头的挑战。他总结了人工智能创业的 6 大核心问题，包括：互联网 vs 人工智能、人工智能 vs 人工智能+、人工智能+ vs +人工智能、关键性应用 vs 非关键性应用、技术提供商 vs 全栈服务商以及 2C vs 2B。
正文
大家好，我是迅雷创始人程浩，现在专注科技领域的投资。今天跟大家聊聊人工智能领域的创业和创新，包括如何选择赛道、团队的搭配、以及如何应对巨头的挑战。
为此我从投资人的视角，给大家总结了人工智能创业的6大核心问题。
第一个问题：互联网 VS 人工智能
首先如果今天大家选择创业，我建议更应该关注人工智能，而非互联网。为什么这么讲？
1. 互联网的流量红利已经消失；
以 PC 来说，全球 PC 出货量连续 5 年下滑。大家知道国内最后出现的一个 PC 互联网独角兽是谁吗？是知乎，大概是 2011 年初推出，这么多年过去，再也没有 PC 互联网的独角兽出现。做个类比，我们知道 2015 年移动互联网的渗透率和竞争程度和 2011 年的 PC 互联网类似，以此类推，2015 年以后再做移动 APP，也很难出独角兽了。
毕竟中国连续两年手机出货量都在 5 亿多台，增长放缓，代表无线流量基本已走平，你多卖一台，我就少卖一台，是存量竞争。今天创业者再做一个纯互联网的 APP，投资人问的第一个问题就是你怎么获客。因为现阶段流量格局已定，首屏就那几个 APP。
2. 互联网+的机会同样有限；
主要在于互联网最大的价值，是解决信息不对称和连接。所以对于电商特别有价值。淘宝用皇冠、钻石等信用体系解决了信息不对称，同时又把全国有这么多买家和卖家连接在一起。这个是互联网的价值。
但很多行业信息和连接并不是痛点。拿医疗举例，中国三甲医院的大夫就那么多，你把全国 13 亿人民都和这些大夫连接上了也没用，因为一个医生一天还是只能看那么多病人。互联网并没有提高医生看诊的效率。在诸如餐饮、医疗这些传统领域，互联网的帮助是很有限的。
也包括滴滴打车，互联网解决了打车难的问题，但是没解决打车价格的问题。事实上，补贴去掉之后，大家都发现了滴滴一点都不便宜，道理很简单——不管是专车还是出租车，还是需要由人来开，人工成本降不下来，就不可能便宜。
3. 真正能够提高社会生产力，解决供需关系不平衡的就是人工智能；
人工智能将给社会生产力带来的提高，以及对人类带来的影响将远远超过互联网。
还是拿医疗来说，很多基层医院水平不高，那未来完全可以通过人工智能来辅助医生读 CT、X 光等医疗影像。像今年，IBMWatson 对皮肤黑色素瘤的诊断，准确率已提高至 97%，远远超过了人类专家 75%-84% 的平均水平。
未来，人工智能无论是在无人车、机器人、医疗、金融、教育还是其他领域，都将爆发巨大的社会效益，这点毋庸置疑。我认为下一波大趋势和大的红利不是互联网+，而是人工智能+。我建议现在的创业者更应该关注人工智能领域的创业机会。
第二个问题：人工智能 VS 人工智能+
人工智能主要分三层。最底层是基础架构（Infrastructure），包括云计算、芯片以及TensorFlow这样的框架。在基础层之上是中间层，叫通用技术（EnablingTechnology），例如图像识别、语音识别、语义理解、机器翻译这些。
基础层和中间层，是互联网巨头的必争之地。比如芯片领域，Intel、英伟达、高通都投入巨资，竞争极其激烈。同样云计算、框架也是一样，都不是小公司能够涉足的领地。
现在对于中间层的通用技术，BAT 也极其重视。因为大家都相信人工智能是下一波工业革命浪潮。对腾讯、阿里、百度这些巨头来讲，要想在大浪中屹立不倒，必须要构建出人工智能的生态系统（Ecosystem）。而核心就是要依靠这些 Enabling Technology 技术。
相比创业公司，BAT 的最大优势是什么呢？第一，不缺数据；第二，为了构建自己的生态系统，未来通用技术一定全部是免费的；第三，虽然通用技术免费，但 BAT 有羊毛出在身上的猪机会。这是典型的互联网打法。
这里的猪是什么？猪就是云计算。例如百度的 ABC 策略，分别代表人工智能（AI）、大数据（Big Data）和云计算（Cloud Computing）。AI 我可以不赚钱，开放给大家，那么大家想享受我的服务，就来买我的云吧。
而对于创业企业来说，只做图像识别、语音识别、语义理解、机器翻译这些通用技术，指望通过 SDK 卖钱，未来路会越来越窄，特别是 BAT 都免费的压力下。
所以从这个角度讲，创业公司做下面两层风险比较大。我认为创业公司的机会在最上层，就是拿着下两层的成果去服务垂直行业，也就是我们所谓的人工智能+。
第三个问题：人工智能+ VS +人工智能
深入垂直行业的人工智能+，又可细分为两类情况：即“人工智能+行业”和“行业+人工智能”，他们间有明显的区别。
“AI+行业”简单讲就是在AI技术成熟之前，这个行业、产品从未存在过。比如自动驾驶，亚马逊的 Echo 智能音箱、苹果的 Siri 语音助手。在人工智能技术未突破前，不存在这样的产品。因为 AI，创造出了一条全新的产业链。
“行业+AI”就是行业本身一直存在，产业链条成熟，只是以前完全靠人工，效率比较低，现在加入 AI 元素后，使得行业效率有了明显提高。比如安防、医疗等领域。
客观讲，这两个类别都有创业机会。但“AI+行业”，因为是一条新的产业链，创业公司与互联网巨头实际是处在同一起跑线上。巨头们坐拥数据优势。所以从这个角度，“行业 + AI”相对对创业公司更为友好，也更容易构建出壁垒。
我认为，未来行业壁垒才是人工智能创业最大的护城河。因为每个行业都有垂直纵深, 尽管BAT技术好一点、并不关键。拿医疗 + AI 举例，什么最重要？大量准确的被医生标注过的数据最重要。没有数据，再天才的科学家也无用武之地。
但在国内，这个医疗数据拿出来非常困难。所以 BAT 做医疗一点优势都没有，因为他们要把这些数据，从各医院、各科室搞出来也很累。相反，如果一个创业者在医疗行业耕耘很多年，也许拿起数据来比大公司更容易。
这要求创始团队的合伙人中，必须有懂行业、有行业资源的人才。这与互联网+一样，一旦细分到具体行业，并不是说你百度、腾讯有资金、有流量，投入人才就什么都能做，比拼的还有行业资源和人脉。
之所以跟大家聊这个话题，是因为前一段去百度大学跟大家交流，他们提到百度人工智能在无人车和 DuerOS 的应用。同时又问我，人脸识别在国内安防领域的应用价值非常大。像海康威视有近 3000 亿人民币的市值，每年光净利润就有近百亿。百度在AI方面是不是该考虑进军这个领域。我回答说千万别，因为安防是典型的、有巨大壁垒的“行业+AI”领域。
即使百度技术好，在人脸识别率方面比海康威视高一个百分点（实际不一定，海康背后有几百人的 AI 研发团队）。但这并不代表百度就能替代海康。因为安防是“非关键性应用”（non-mission-critical），100 个犯人我识别了 95 个，你比我多识别了一个做到了 96 个，其实没那么重要。
而反过来，海康对比百度有什么优势？首先海康是做摄像头的，用自己的硬件跑自己的算法，是很自然的事儿。就像苹果手机，软硬一体体验更好。其次，海康做了这么多年的安防，积累了非常多的数据，人脸的数据、环境的数据……在安防领域有数据优势。最后，海康给公安系统做了很多类似警务通、基站信息采集、视图档案管理等 SaaS 平台的东西，以及警用云系统。我们可以认为公安系统的 IT 化，其中有一部分就是海康威视参与的。
这些东西可能不赚钱，但却为海康构建了壁垒。因为底层的基础设施都是我建的，那前端的东西就只能用我的（我可以有 100 个理由，说竞品与我不兼容）。而且海康做了这么长时间，积累了大量的客户资源，特别是政府公安局的资源，开拓这些资源非常需要时间。
这些就是所谓的行业纵深。所以即使对 BAT 而言，想进入“行业+AI”领域，选择垂直赛道时，同样要非常谨慎。在巨大的行业壁垒面前，真不是说我的算法比你好一些，市场就是我的，只有技术优势仍然差的很远。
回归 “AI+行业”和“行业+AI”，通常来讲前者的行业纵深会比较浅，而后者则有巨大的行业壁垒。而行业壁垒，则是创业公司最大的护城河，也是抵挡 BAT 的关键。
第四个问题：关键性应用 VS 非关键性应用
谈到人工智能领域的创业，很多人都会有个误解，就是如果我团队没有个大牛的科学家，比如斯坦福、MIT 的博士坐镇，我都不好意思讲在人工智能方面创业。其实这个认知是完全错的。因为在人工智能领域，算法到底有多重要，完全取决于你要准备进入哪个行业。
根据行业和应用场景不同，我认人工智能的创业本质上有 mission-critical 和 non-mission-critical 之分。为了方便大家理解，我们简称为“关键性应用”和“非关键性应用”。
“关键性应用”要追求 99.9……% 后的多个 9，做不到就没法商业化。比如大家认为，99% 可靠度的自动驾驶能上路吗？肯定不能，意味着 100 次就出 1 次事故。99.9% 也不行，1000 次出一次事故。
千万记住，99% 和 99.9% 的可靠度差距并不是 0.9%，而是要反过来算，差距是 10 倍。也包括手术机器人，听起来 99.9% 可靠度已经很高了，但意味着 1000 次出一次医疗事故，放在美国，医院还不得被巨额索赔搞得破产。
所以“关键性应用”领域，就是一丁点儿错都不能犯的人工智能领域，必须要有技术大牛、科学家或算法专家坐镇。同时，这类项目研发周期都很长。
正如以色列做 ADAS （高级驾驶辅助系统）解决方案的 Mobileye 公司，今年 3 月被 Intel 以 153 亿美金收购。大家知道这家公司研发周期有多长吗？Mobileye 成立于 1999 年，到他们推出首款产品、挣到第一桶金已是 2007 年。长达 8 年的研发周期。这在互联网创业里不可想象。包括谷歌无人车从 2009 年开始研发，到现在一直没有商业化；达芬奇手术机器人从启动研发到 2000 年拿到美国食品药品管理局（FDA）的认证，花了十年时间。
“关键性应用”的普遍特点就是这样，项目通常很贵，研发周期巨长，离钱非常远，需要持续的融资能力，团队怎样才有持续融资？起码要有非常好的简历和非常好的背景。这个是能够持续融资的必要前提。所以大家可以看到，今天做无人驾驶的创业团队都是高富帅。因为不是高富帅，你都熬不到产品真正商业化应用那天。
当然，如果在人工智能领域都是“关键性应用”，那就没大多数创业者什么事了。实际上，人工智能领域的创业，95% 都是“非关键性应用（none-mission-critical）”。简单讲对这些领域，AI 的可靠度只要过了基础线，高一点低一点区别不大。
最简单的例子，现在很多公司的门禁开始用人脸识别。你今天带个帽子，明天戴个墨镜或口罩，识别率没法做到 99%。可即使没识别出来也没问题。因为所有带人脸识别的门禁都有地方让你按指纹。即使指纹也刷不进去，问题也不大，公司不还有前台吗。
这就是“非关键性应用“。这类项目不追求 99% 后面的很多个 9。实际上，国内人工智能和机器人方向的创业，大部分领域都是“非关键性应用”。当然并不是说，在这个领域算法不重要，你天天认不出来也不行，所以一定要过了基础的可用性门槛，偶尔出现问题可以容忍。“关键性应用”则不能容忍。 “非关键性应用“不追求高大上，简单、实用、性价比高更重要，这样的项目通常比拼综合实力。包括：
- 对行业的洞察理解。要熟知行业痛点；
- 产品和工程化能力。光在实验室里搞没意义；
- 成本控制。不光能做出来的产品，还得便宜的做出来；
- 供应链能力。不光能出货，还要能批量生产；
- 营销能力。产品出来了，你得把东西卖出去。团队里有没有营销高手，能不能搞定最好的渠道是关键。
所以大家在创业组团队时，一定要想好你选择的赛道处于哪个领域，不同的赛道对于团队的要求是不一样。“关键性应用”必须有技术大牛坐镇，“非关键性应用”则要求团队更加综合和全面。
第五个问题：技术提供商 VS 全栈服务商
现在很多人工智能创业者都是技术背景出身，创业的第一个想法通常是做技术提供商。技术提供商作为创业的敲门砖可以。但如果只定位做技术提供商，未来路会非常窄。为什么说未来只做技术提供商价值会越来越小？原因有几点：
1. 首先通用技术一定是大公司的赛道，BAT 未来一定会开放免费。
人家大公司会免费提供人脸识别、语音识别、语义理解、机器翻译这类 EnablingTechnology，你还打算怎么靠API调用赚钱呢？也许现在还可赚点小钱，但很难成为一个长久的生意。
2. 依托于算法的技术壁垒会越来越低。
未来随着基础计算平台和开源平台的丰富成熟，技术方面的壁垒会越来越不明显，整个人工智能的技术准入门槛会越降越低。就像 2008 年你想找个 IOS 开发者，很难，现在却很容易一样，所有技术的演进都遵循这一规律。特别随着今天各大学的计算机专业，都纷纷开设机器学习课程，未来人才不缺，这会拉低整个行业的进入门槛。
同时随着谷歌 TensorFlow 等生态系统的成熟，很多领域都会有训练好的模型可以用来参考（出Demo会更快），创业者只要有足够的数据来训练参数就好了。所以未来算法的壁垒会越来越低，如果这个公司的核心竞争力只是算法，那将非常危险。
3. 技术提供商如果不直接面向用户/客户提供整体解决方案，则非常容易被上下游碾压。
对于技术提供商和算法类公司，如果你的技术壁垒不够高，上游很可能直接把你的事做了。这样的例子比比皆是，比如给海康威视提供人脸识别算法的公司。问题就在于，海康在用你算法的时候，人家也有庞大的研发团队在研究自己的算法。现在用你是人家还没准备好，一旦准备好立刻会把你替换掉。
即使在有一定技术门槛的行业，技术提供商的日子同样并不好过。比如专注嵌入式的视觉处理芯片的 Movidius，大疆无人机一直在用他们的芯片。但自从大疆统治了消费级无人机市场后，大疆现在也很自然地开始研发自己的芯片。
按说芯片的技术壁垒并不低，但只要行业集中度高，赢家就会选择通吃。比如做手机的厂商，出货量到了一个阀值，都有动力自己做芯片。像苹果、三星、华为还有现在的小米，都选择了自己做手机 CPU。所以联发科、高通这些技术提供商，其实是挺痛苦的。
这其实是一个产业链通用规律：产业链上的垄断者会吃掉所有利润，而且他们非常有动力往上游或下游扩展。拿 PC 产业链举例，内存、硬盘、整机、显示器……都不赚钱。钱被谁赚走了？Windows 和 Intel 却赚走了绝大部分利润。
既然做纯技术提供商没有出路，那怎么办？浩哥提出“一横一纵”理论。前期做技术服务可以，但是不能一辈子做技术服务。
“一横”就是指你提供的技术服务。通常“一横”能服务很多行业，一定要找到 1、2 个，你认为最有市场机会，最适合你的垂直领域，深扎进去做“全栈”：把技术转化为产品，然后搞定用户卖出去，实现商业变现，再通过商业反馈更多的数据，更加夯实自己的技术。一句话讲，要做技术、产品、商业和数据四位一体的“全栈”，这就是“一纵”。这才是健康的商业模式。
在垂直外的行业，因为没有利益冲突，你仍可老老实实的做技术服务。这样的话，商业上你能吃透一个垂直行业，技术上你还能通过横向合作，形成更多的数据回路，从而夯实你的技术。这个就是“一横一纵”理论。那么对于技术创业公司，从“一横”走到“一纵”，要选哪个垂直领域，取决 5 个关键因素：
1. 市场空间够不够大？
做垂直领域的全栈，还是做横向的技术提供商？取决市场空间哪个更大。找对垂直领域，即使只占一点点市场份额，也可能比做“一横”全归你的收益大。拿美图公司举例，他们有美图秀秀、美拍、美颜相机等 APP，同时还会跟很多手机厂商合作，提供相机拍摄的美颜效果，你可以理解这就是技术服务。
但研究 2016 财报后，大家知道美图秀秀选的“一纵”是什么吗？就是美图手机。以上提到的技术服务都远没有垂直做美图手机赚钱。美图手机占了公司全部营收的 93%。虽然美图手机去年的销量大约在 74.8 万台，仅仅只占国内手机市场全年销量 5 亿多台的不足 0.15%。
2. 行业集中度如何？
做“一横”技术提供商时，最担心的是你的上游或下游过于集中，或者说头部效应越明显，对技术提供商就越不利。举个简单的例子，IDC 时代，HP、DELL 等厂商卖服务器，都是直接卖给各 IT 公司，大家日子过的都很滋润。但 2010 年之后就很难做了，因为云计算出现了。
提供云计算的厂商就那几个，两只手就能数出来。而且头部效应极其明显，仅阿里云一家占了 50% 以上份额。如果你是一个技术提供商，在跟这么垄断的行业去谈判，你会发现没有任何筹码。所以现在就很悲催，假设我是阿里云，会让你列出 BOM 成本，我就给你 5% 或 10% 的利润，这个生意就很难做了。
在这种情况下，你当然有意愿也往上游走。但带来的问题是什么？如果上游集中度高，说明这事的壁垒很高，你作为技术提供商想往上走，同样很困难；如果这个上游集中度低或客户很零散，对你是件好事。但是你也没有太大动力往上游走，因为这个市场本来就很零散，你即使杀进去，可能只有 1% 的市场份额，而且使得 99% 的人都变成你的竞争对手了。这是个悖论。
3. 技术是改良还是革命？
如果你的技术创新对这个垂直领域是革命性的，就越有机会走到上游。如果只是改良性的，你就老老实实在下游赚个辛苦钱算了。 越是颠覆性的东西，越有机会往上游走。因为上游越离不开你，意味着你有机会做他的事。
打个异想天开的比方，如果你能提供一个“待机一礼拜”的电池，那你就可以考虑自己做手机，你的手机只打一点：一星期不用充电，而且是全球唯一！就这一点可能就够了，因为这个技术是革命性的。相反，如果是改良性的技术，例如你的电池待机只是比以前多了 10~20%，那你还是老老实实卖电池吧。
4. 双方壁垒谁更高？
技术提供商的壁垒和上游客户的壁垒哪个更高，也决定做“一纵”的成败。拿比较火的直播平台而言，现在都有美颜功能，例如给女孩长出个耳朵那种，这个通常都是第三方提供的技术。技术本身的壁垒并不高，很多公司都能提供，虽然效果有一些小的差异，但你没有明显优势。
可是直播的壁垒相当高，这事有网络效应，用户越多会吸引更多的美女主播，因为能赚到更多钱，美女主播越多，也会带来更多的用户。同时你舍得花钱，需要很多资金来买流量以及签约很NB的主播。所以这个事壁垒很高。你做技术提供商壁垒不高。这种情况下，虽然技术提供商只能赚个辛苦钱，但是仍然完全没有机会往上游走。
5. 到底跟团队基因相符不相符？
能做得了技术服务，不代表能做垂直解决方案，做全栈，因为团队不一定有行业经验，这是很大的问题。亚马逊的无人便利店 Amazon Go 出来之后，国内不少技术团队也想提供类似的技术，甚至想做 2C 的便利店。
与他们聊完后，我都会劝他们再考虑一下，你的技术再好，对于用户而言，他买东西的时候，会看这个便利店有人还是无人的吗？不会，这不是优先选项。他首要考虑的还是——哪个便利店离我更近，以及我想买的东西这个便利店有没有。
从这个意义讲，这又回到了零售的本质。所以如果团队没有零售的基因，没有懂零售的人，就别考虑自己开便利店的事。这时候，很多人可能会问“那我找个懂行业的高管不就行了么？”这事没那么简单，如果 CEO 不了解行业本质，其实是很难靠一个高管去弥补的。
我特别相信基因决定论，如果任何一个新的商业，BAT 找个懂行业的高管就能搞定了，那中国互联网的生意就全是 BAT 的了，就没创业公司什么事了。BAT，一个做搜索，一个做电商，一个做社交。其实他们3个都把对方的事情已尝试了一遍，最后都不成功。所以大家能做什么，不能做什么，跟这个公司的基因是高度相关的。
第六个问题：2C VS 2B
最后一个问题，简单说一下，科技成熟都需要一定的时间。因为从任何技术普及演进的角度，几乎都延续了先是从军工（航天）、到政府、到企业、到 B2B2C、再到 2C 这个规律。人工智能也一样，目前人工智能在 2C 市场还不是很成熟。
简单说机器人，在个人消费者市场，出货量大的机器人只有 4 类产品：扫地机器人、无人机、STEAM 教育类机器人和亚马逊 ECHO 为代表的智能音箱。为什么 2C 市场早期的普及有一定的困难，简单讲几个原因：
1. 产业链不成熟
我做一个创新的东西，成品有 10 个部件。每一个部件都得自己做，而且因为出货量不大，每个部件都没有规模效应，这就导致每个部件都很贵，那你最后做出成品一定很贵。这是非常大的问题。
2. 2C是额外花钱
这也是很重要的一个问题，2C 端的用户因为自掏腰包、额外花钱，所以对价格通常比较敏感，产品很贵就是一个很大的门槛。
3. 2C产品的用户期待度高
用户买了这么贵的东西，自然对产品的期待度会更高很多。大家觉得我买一个机器人回来，恨不得什么都能干：又能唱歌、又能跳舞、又能聊天、又能清洁、又能讲英语。但这是不现实的，现在的技术成熟度离此还有些远。
相对于 2C 端，这些问题在 2B 端却不是问题。
1. 2B端对价格承受能力更高
首先，企业对价格的承受能力显然比 2C 强很多。你说一个机器人 2 万，2C 消费者不可能买，但企业问题不大，企业对成本承受能力高。
2. 2B的核心目的是降成本
举例工业机器人，10 万块钱一个，听起来很贵。但一个工业机器人替代你 2 个岗位。这 2 个岗位一年也得 10 万块钱，还不算四险一金。然后这机器人能工作 4 年，这一下成本只有你原来的 25%，甚至不到。那么企业一算账，觉得还是很便宜。
3. 2B可以采取人机混合模式
还有 2B 端的机器人应用更简单一些。一方面大多是单任务，机器人只要做好一件事就行了，实现起来简单。另外，很多都是以”人机混合”模式在作业。也就是以前需要 10 个人干活，现在我用机器人替代一半人。简单重复的工作用机器人替代，复杂的用剩下的 5 个人，这就是”人机混合”模式。
举个例子，现在国内外已有很多安保机器人，按固定路线去巡逻。你可以理解为移动的摄像头，当然算法上肯定加入了一些识别的东西。固定绕路线巡逻，这个完全可以交给机器人来做。难的是，在巡逻的过程中，如果发现有老太太摔倒了，让机器人扶起来，这个目前还做不到。
但这不重要，你们后台不还有 5 个人么，让他们过来就好了。所以人机混合是2B比较主流的模式，这个大幅降低了机器人普及的难度。
最后再说一点，目前大多数 AI 创业公司都是技术专家主导，这很容易理解，因为现在技术还有壁垒，技术专家主导起码保证产品能做出来。不过未来随着技术门槛的降低，特别在“非关键应用”领域里，团队的核心主导，会慢慢过渡到产品经理和行业专家为主，因为他们离用户需求最近。“非关键应用”领域，懂需求比技术实现更重要。长期来看，人工智能创业和任何其他领域的创业一样，一定是综合实力的比拼！
转载声明：本文转自微信公众号「新智元」，迅雷创始人程浩：AI 创业必知 6 大核心问题：如何选择赛道、搭配团队和应对巨头挑战。