|
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, 英特尔, 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:  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%. 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. 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. 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.  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 这是最后一个问题, 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!
|
