|
第一個問題: 互聯網 vs 人工智慧 首先如果今天大家選擇創業, 我建議更應該關注人工智慧, 而非互聯網. 為什麼這麼講? 1, 互聯網的流量紅利已經消失; 以PC來說, 全球PC出貨量連續5年下滑. 大家知道國內最後出現的一個PC互聯網獨角獸是誰嗎?是知乎, 大概是2011年初推出, 這麼多年過去, 再也沒有PC互聯網的獨角獸出現. 做個類比, 我們知道2015年移動互聯網的滲透率和競爭程度和2011年的PC互聯網類似, 以此類推, 2015年以後再做移動APP, 也很難出獨角獸了. 畢竟中國連續兩年手機出貨量都在5億多台, 增長放緩, 代表無線流量基本已走平, 你多賣一台, 我就少賣一台, 是存量競爭. 今天創業者再做一個純互聯網的APP, 投資人問的第一個問題就是你怎麼獲客. 因為現階段流量格局已定, 首屏就那幾個APP.  2, 互聯網+的機會同樣有限; 主要在於互聯網最大的價值, 是解決資訊不對稱和連接. 所以對於電商特別有價值. 淘寶用皇冠, 鑽石等信用體系解決了資訊不對稱, 同時又把全國有這麼多買家和賣家連接在一起. 這個是互聯網的價值. 但很多行業資訊和連接並不是痛點. 拿醫療舉例, 中國三甲醫院的大夫就那麼多, 你把全國13億人民都和這些大夫連接上了也沒用, 因為一個醫生一天還是只能看那麼多病人. 互聯網並沒有提高醫生看診的效率. 在諸如餐飲, 醫療這些傳統領域, 互聯網的幫助是很有限的. 也包括滴滴打車, 互聯網解決了打車難的問題, 但是沒解決打車價格的問題. 事實上, 補貼去掉之後, 大家都發現了滴滴一點都不便宜, 道理很簡單——不管是專車還是出租車, 還是需要由人來開, 人工成本降不下來, 就不可能便宜. 3, 真正能夠提高社會生產力, 解決供需關係不平衡的就是人工智慧; 人工智慧將給社會生產力帶來的提高, 以及對人類帶來的影響將遠遠超過互聯網. 還是拿醫療來說, 很多基層醫院水平不高, 那未來完全可以通過人工智慧來輔助醫生讀CT, X光等醫療影像. 像今年, IBMWatson對皮膚黑色素瘤的診斷, 準確率已提高至97%, 遠遠超過了人類專家75%-84%的平均水平. 未來, 人工智慧無論是在無人車, 機器人, 醫療, 金融, 教育還是其他領域, 都將爆發巨大的社會效益, 這點毋庸置疑. 我認為下一波大趨勢和大的紅利不是互聯網+, 而是人工智慧+. 我建議現在的創業者更應該關注人工智慧領域的創業機會. 第二個問題: 人工智慧 vs 人工智慧+ 人工智慧主要分三層. 最底層是基礎架構(Infrastructure), 包括雲計算, 晶片以及TensorFlow這樣的框架. 在基礎層之上是中間層, 叫通用技術(EnablingTechnology), 例如映像識別, 語音識別, 語義理解, 機器翻譯這些. 基礎層和中間層, 是互聯網巨頭的必爭之地. 比如晶片領域, 英特爾, 英偉達, 高通都投入巨資, 競爭極其激烈. 同樣雲計算, 框架也是一樣, 都不是小公司能夠涉足的領地. 現在對於中間層的通用技術, BAT也極其重視. 因為大家都相信人工智慧是下一波工業革命浪潮. 對騰訊, 阿里, 百度這些巨頭來講, 要想在大浪中屹立不倒, 必須要構建出人工智慧的生態系統(Ecosystem). 而核心就是要依靠這些Enabling Technology技術. 相比創業公司, BAT的最大優勢是什麼呢?第一, 不缺數據;第二, 為了構建自己的生態系統, 未來通用技術一定全部是免費的;第三, 雖然通用技術免費, 但BAT有羊毛出在身上的豬機會. 這是典型的互聯網打法. 這裡的豬是什麼?豬就是雲計算. 例如百度的ABC策略, 分別代表人工智慧(AI), 大數據(Big Data)和雲計算(Cloud Computing). AI我可以不賺錢, 開放給大家, 那麼大家想享受我的服務, 就來買我的雲吧. 而對於創業企業來說, 只做映像識別, 語音識別, 語義理解, 機器翻譯這些通用技術, 指望通過SDK賣錢, 未來路會越來越窄, 特別是BAT都免費的壓力下. 所以從這個角度講, 創業公司做下面兩層風險比較大. 我認為創業公司的機會在最上層, 就是拿著下兩層的成果去服務垂直行業, 也就是我們所謂的人工智慧+. 第三個問題: 人工智慧+ vs +人工智慧 深入垂直行業的人工智慧+, 又可細分為兩類情況: 即 '人工智慧+行業' 和 '行業+人工智慧' , 他們間有明顯的區別. 'AI+行業' 簡單講就是在AI技術成熟之前, 這個行業, 產品從未存在過. 比如自動駕駛, 亞馬遜的Echo智能音箱, 蘋果的Siri語音助手. 在人工智慧技術未突破前, 不存在這樣的產品. 因為AI, 創造出了一條全新的產業鏈. '行業+AI' 就是行業本身一直存在, 產業鏈條成熟, 只是以前完全靠人工, 效率比較低, 現在加入AI元素後, 使得行業效率有了明顯提高. 比如安防, 醫療等領域. 客觀講, 這兩個類別都有創業機會. 但 'AI+行業' , 因為是一條新的產業鏈, 創業公司與互聯網巨頭實際是處在同一起跑線上. 巨頭們坐擁數據優勢. 所以從這個角度, '行業+AI' 相對對創業公司更為友好, 也更容易構建出壁壘.  我認為, 未來行業壁壘才是人工智慧創業最大的護城河. 因為每個行業都有垂直縱深, 儘管BAT技術好一點, 並不關鍵. 拿醫療+AI舉例, 什麼最重要?大量準確的被醫生標註過的數據最重要. 沒有數據, 再天才的科學家也無用武之地. 但在國內, 這個醫療數據拿出來非常困難. 所以BAT做醫療一點優勢都沒有, 因為他們要把這些數據, 從各醫院, 各科室搞出來也很累. 相反, 如果一個創業者在醫療行業耕耘很多年, 也許拿起數據來比大公司更容易. 這要求創始團隊的合伙人中, 必須有懂行業, 有行業資源的人才. 這與互聯網+一樣, 一旦細分到具體行業, 並不是說你百度, 騰訊有資金, 有流量, 投入人才就什麼都能做, 比拼的還有行業資源和人脈. 之所以跟大家聊這個話題, 是因為前一段去百度大學跟大家交流, 他們提到百度人工智慧在無人車和DuerOS的應用. 同時又問我, 人臉識別在國內安防領域的應用價值非常大. 像海康威視有近3000億人民幣的市值, 每年光淨利潤就有近百億. 百度在AI方面是不是該考慮進軍這個領域. 我回答說千萬別, 因為安防是典型的, 有巨大壁壘的 '行業+AI' 領域. 即使百度技術好, 在人臉識別率方面比海康威視高一個百分點(實際不一定, 海康背後有幾百人的AI研發團隊). 但這並不代表百度就能替代海康. 因為安防是 '非關鍵性應用' (non-mission-critical), 100個犯人我識別了95個, 你比我多識別了一個做到了96個, 其實沒那麼重要. 而反過來, 海康對比百度有什麼優勢?首先海康是做攝像頭的, 用自己的硬體跑自己的演算法, 是很自然的事兒. 就像蘋果手機, 軟硬一體體驗更好. 其次, 海康做了這麼多年的安防, 積累了非常多的數據, 人臉的數據, 環境的數據……在安防領域有數據優勢. 最後, 海康給公安系統做了很多類似警務通, 基站資訊採集, 視圖檔案管理等SaaS平台的東西, 以及警用雲系統. 我們可以認為公安系統的IT化, 其中有一部分就是海康威視參與的. 這些東西可能不賺錢, 但卻為海康構建了壁壘. 因為底層的基礎設施都是我建的, 那前端的東西就只能用我的(我可以有100個理由, 說競品與我不相容). 而且海康做了這麼長時間, 積累了大量的客戶資源, 特別是政府公安局的資源, 開拓這些資源非常需要時間. 這些就是所謂的行業縱深. 所以即使對BAT而言, 想進入 '行業+AI' 領域, 選擇垂直賽道時, 同樣要非常謹慎. 在巨大的行業壁壘面前, 真不是說我的演算法比你好一些, 市場就是我的, 只有技術優勢仍然差的很遠. 回歸 'AI+行業' 和 '行業+AI' , 通常來講前者的行業縱深會比較淺, 而後者則有巨大的行業壁壘. 而行業壁壘, 則是創業公司最大的護城河, 也是抵擋BAT的關鍵. 第四個問題: 關鍵性應用 vs 非關鍵性應用 談到人工智慧領域的創業, 很多人都會有個誤解, 就是如果我團隊沒有個大牛的科學家, 比如斯坦福, MIT的博士坐鎮, 我都不好意思講在人工智慧方面創業. 其實這個認知是完全錯的. 因為在人工智慧領域, 演算法到底有多重要, 完全取決於你要準備進入哪個行業. 根據行業和應用場景不同, 我認人工智慧的創業本質上有mission-critical和non-mission-critical之分. 為了方便大家理解, 我們簡稱為 '關鍵性應用' 和 '非關鍵性應用' . '關鍵性應用' 要追求99.9……%後的多個9, 做不到就沒法商業化. 比如大家認為, 99%可靠度的自動駕駛能上路嗎?肯定不能, 意味著100次就出1次事故. 99.9%也不行, 1000次出一次事故. 千萬記住, 99%和99.9%的可靠度差距並不是0.9%, 而是要反過來算, 差距是10倍. 也包括手術機器人, 聽起來99.9%可靠度已經很高了, 但意味著1000次出一次醫療事故, 放在美國, 醫院還不得被巨額索賠搞得破產. 所以 '關鍵性應用' 領域, 就是一丁點兒錯都不能犯的人工智慧領域, 必須要有技術大牛, 科學家或演算法專家坐鎮. 同時, 這類項目研發周期都很長. 正如以色列做ADAS (高級駕駛輔助系統)解決方案的Mobileye公司, 今年3月被Intel以153億美金收購. 大家知道這家公司研發周期有多長嗎?Mobileye成立於1999年, 到他們推出首款產品, 掙到第一桶金已是2007年. 長達8年的研發周期. 這在互聯網創業裡不可想象. 包括穀歌無人車從2009年開始研發, 到現在一直沒有商業化;達芬奇手術機器人從啟動研發到2000年拿到美國食品藥品管理局(FDA)的認證, 花了十年時間. '關鍵性應用' 的普遍特點就是這樣, 項目通常很貴, 研發周期巨長, 離錢非常遠, 需要持續的融資能力, 團隊怎樣才有持續融資?起碼要有非常好的簡曆和非常好的背景. 這個是能夠持續融資的必要前提. 所以大家可以看到, 今天做無人駕駛的創業團隊都是高富帥. 因為不是高富帥, 你都熬不到產品真正商業化應用那天.  當然, 如果在人工智慧領域都是 '關鍵性應用' , 那就沒大多數創業者什麼事了. 實際上, 人工智慧領域的創業, 95%都是 '非關鍵性應用(none-mission-critical)' . 簡單講對這些領域, AI的可靠度只要過了基礎線, 高一點低一點區別不大. 最簡單的例子, 現在很多公司的門禁開始用人臉識別. 你今天帶個帽子, 明天戴個墨鏡或口罩, 識別率沒法做到99%. 可即使沒識別出來也沒問題. 因為所有帶人臉識別的門禁都有地方讓你按指紋. 即使指紋也刷不進去, 問題也不大, 公司不還有前台嗎. 這就是 '非關鍵性應用 '. 這類項目不追求99%後面的很多個9. 實際上, 國內人工智慧和機器人方向的創業, 大部分領域都是 '非關鍵性應用' . 當然並不是說, 在這個領域演算法不重要, 你天天認不出來也不行, 所以一定要過了基礎的可用性門檻, 偶爾出現問題可以容忍. '關鍵性應用' 則不能容忍. '非關鍵性應用 '不追求高大上, 簡單, 實用, 性價比高更重要, 這樣的項目通常比拼綜合實力. 包括: 對行業的洞察理解. 要熟知行業痛點; 產品和工程化能力. 光在實驗室裡搞沒意義; 成本控制. 不光能做出來的產品, 還得便宜的做出來; 供應鏈能力. 不光能出貨, 還要能批量生產; 營銷能力. 產品出來了, 你得把東西賣出去. 團隊裡有沒有營銷高手, 能不能搞定最好的渠道是關鍵. 所以大家在創業組團隊時, 一定要想好你選擇的賽道處於哪個領域, 不同的賽道對於團隊的要求是不一樣. '關鍵性應用' 必須有技術大牛坐鎮, '非關鍵性應用' 則要求團隊更加綜合和全面. 第五個問題: 技術提供商 vs 全棧服務商 現在很多人工智慧創業者都是技術背景出身, 創業的第一個想法通常是做技術提供商. 技術提供商作為創業的敲門磚可以. 但如果只定位做技術提供商, 未來路會非常窄. 為什麼說未來只做技術提供商價值會越來越小?原因有幾點: 1, 首先通用技術一定是大公司的賽道, BAT未來一定會開放免費. 人家大公司會免費提供人臉識別, 語音識別, 語義理解, 機器翻譯這類EnablingTechnology, 你還打算怎麼靠API調用賺錢呢?也許現在還可賺點小錢, 但很難成為一個長久的生意. 2, 依託於演算法的技術壁壘會越來越低. 未來隨著基礎計算平台和開源平台的豐富成熟, 技術方面的壁壘會越來越不明顯, 整個人工智慧的技術准入門檻會越降越低. 就像2008年你想找個IOS開發者, 很難, 現在卻很容易一樣, 所有技術的演化都遵循這一規律. 特別隨著今天各大學的計算機專業, 都紛紛開設機器學習課程, 未來人才不缺, 這會拉低整個行業的進入門檻. 同時隨著穀歌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. 所以未來演算法的壁壘會越來越低, 如果這個公司的核心競爭力只是演算法, 那將非常危險. 3, 技術提供商如果不直接面向用戶/客戶提供整體解決方案, 則非常容易被上下遊碾壓: 對於技術提供商和演算法類公司, 如果你的技術壁壘不夠高, 上遊很可能直接把你的事做了. 這樣的例子比比皆是, 比如給海康威視提供人臉識別演算法的公司. 問題就在於, 海康在用你演算法的時候, 人家也有龐大的研發團隊在研究自己的演算法. 現在用你是人家還沒準備好, 一旦準備好立刻會把你替換掉. 即使在有一定技術門檻的行業, 技術提供商的日子同樣並不好過. 比如專註嵌入式的視覺處理晶片的Movidius, 大疆無人機一直在用他們的晶片. 但自從大疆統治了消費級無人機市場後, 大疆現在也很自然地開始研發自己的晶片. 按說晶片的技術壁壘並不低, 但只要行業集中度高, 贏家就會選擇通吃. 比如做手機的廠商, 出貨量到了一個閥值, 都有動力自己做晶片. 像蘋果, 三星, 華為還有現在的小米, 都選擇了自己做手機CPU. 所以聯發科, 高通這些技術提供商, 其實是挺痛苦的. 這其實是一個產業鏈通用規律: 產業鏈上的壟斷者會吃掉所有利潤, 而且他們非常有動力往上遊或下遊擴展. 拿PC產業鏈舉例, 記憶體, 硬碟, 整機, 顯示器……都不賺錢. 錢被誰賺走了?Windows和Intel卻賺走了絕大部分利潤. 既然做純技術提供商沒有出路, 那怎麼辦?浩哥提出 '一橫一縱' 理論. 前期做技術服務可以, 但是不能一輩子做技術服務. '一橫' 就是指你提供的技術服務. 通常 '一橫' 能服務很多行業, 一定要找到1, 2個, 你認為最有市場機會, 最適合你的垂直領域, 深紮進去做 '全棧' : 把技術轉化為產品, 然後搞定用戶賣出去, 實現商業變現, 再通過商業反饋更多的數據, 更加夯實自己的技術. 一句話講, 要做技術, 產品, 商業和數據四位一體的 '全棧' , 這就是 '一縱' . 這才是健康的商業模式. 在垂直外的行業, 因為沒有利益衝突, 你仍可老老實實的做技術服務. 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, 形成更多的數據迴路, 從而夯實你的技術. 這個就是 '一橫一縱' 理論. 那麼對於技術創業公司, 從 '一橫' 走到 '一縱' , 要選哪個垂直領域, 取決5個關鍵因素:  市場空間夠不夠大? 做垂直領域的全棧, 還是做橫向的技術提供商?取決市場空間哪個更大. 找對垂直領域, 即使只佔一點點市場份額, 也可能比做 '一橫' 全歸你的收益大. 拿美圖公司舉例, 他們有美圖秀秀, 美拍, 美顏相機等APP, 同時還會跟很多手機廠商合作, 提供相機拍攝的美顏效果, 你可以理解這就是技術服務. 但研究2016財報後, 大家知道美圖秀秀選的 '一縱' 是什麼嗎?就是美圖手機. 以上提到的技術服務都遠沒有垂直做美圖手機賺錢. 美圖手機佔了公司全部營收的93%. 雖然美圖手機去年的銷量大約在74.8萬台, 僅僅只佔國內手機市場全年銷量5億多台的不足0.15%. 行業集中度如何? 做 '一橫' 技術提供商時, 最擔心的是你的上遊或下遊過於集中, 或者說頭部效應越明顯, 對技術提供商就越不利. 舉個簡單的例子, IDC時代, HP, DELL等廠商賣伺服器, 都是直接賣給各IT公司, 大家日子過的都很滋潤. 但2010年之後就很難做了, 因為雲計算出現了. 提供雲計算的廠商就那幾個, 兩隻手就能數出來. 而且頭部效應極其明顯, 僅阿里雲一家佔了50%以上份額. 如果你是一個技術提供商, 在跟這麼壟斷的行業去談判, 你會發現沒有任何籌碼. 所以現在就很悲催, 假設我是阿里雲, 會讓你列出BOM成本, 我就給你5%或10%的利潤, 這個生意就很難做了. 在這種情況下, 你當然有意願也往上遊走. 但帶來的問題是什麼?如果上遊集中度高, 說明這事的壁壘很高, 你作為技術提供商想往上走, 同樣很困難;如果這個上遊集中度低或客戶很零散, 對你是件好事. 但是你也沒有太大動力往上遊走, 因為這個市場本來就很零散, 你即使殺進去, 可能只有1%的市場份額, 而且使得99%的人都變成你的競爭對手了. 這是個悖論. 技術是改良還是革命? 如果你的技術創新對這個垂直領域是革命性的, 就越有機會走到上遊. 如果只是改良性的, 你就老老實實在下遊賺個辛苦錢算了. 越是顛覆性的東西, 越有機會往上遊走. 因為上遊越離不開你, 意味著你有機會做他的事. 打個異想天開的比方, 如果你能提供一個 '待機一禮拜' 的電池, 那你就可以考慮自己做手機, 你的手機只打一點: 一星期不用充電, 而且是全球唯一!就這一點可能就夠了, 因為這個技術是革命性的. 相反, 如果是改良性的技術, 例如你的電池待機只是比以前多了10~20%, 那你還是老老實實賣電池吧. 雙方壁壘誰更高? 技術提供商的壁壘和上遊客戶的壁壘哪個更高, 也決定做 '一縱' 的成敗. 拿比較火的直播平台而言, 現在都有美顏功能, 例如給女孩長出個耳朵那種, 這個通常都是第三方提供的技術. 技術本身的壁壘並不高, 很多公司都能提供, 雖然效果有一些小的差異, 但你沒有明顯優勢. 可是直播的壁壘相當高, 這事有網路效應, 用戶越多會吸引更多的美女主播, 因為能賺到更多錢, 美女主播越多, 也會帶來更多的用戶. 同時你捨得花錢, 需要很多資金來買流量以及簽約很NB的主播. 所以這個事壁壘很高. 你做技術提供商壁壘不高. 這種情況下, 雖然技術提供商只能賺個辛苦錢, 但是仍然完全沒有機會往上遊走.  到底跟團隊基因相符不相符? 能做得了技術服務, 不代表能做垂直解決方案, 做全棧, 因為團隊不一定有行業經驗, 這是很大的問題. 亞馬遜的無人便利店Amazon Go出來之後, 國內不少技術團隊也想提供類似的技術, 甚至想做2C的便利店. 與他們聊完後, 我都會勸他們再考慮一下, 你的技術再好, 對於用戶而言, 他買東西的時候, 會看這個便利店有人還是無人的嗎?不會, 這不是優先選項. 他首要考慮的還是——哪個便利店離我更近, 以及我想買的東西這個便利店有沒有. 從這個意義講, 這又回到了零售的本質. 所以如果團隊沒有零售的基因, 沒有懂零售的人, 就別考慮自己開便利店的事. 這時候, 很多人可能會問 '那我找個懂行業的高管不就行了麼?' 這事沒那麼簡單, 如果CEO不了解行業本質, 其實是很難靠一個高管去彌補的. 我特別相信基因決定論, 如果任何一個新的商業, BAT找個懂行業的高管就能搞定了, 那中國互聯網的生意就全是BAT的了, 就沒創業公司什麼事了. BAT, 一個做搜索, 一個做電商, 一個做社交. 其實他們3個都把對方的事情已嘗試了一遍, 最後都不成功. 所以大家能做什麼, 不能做什麼, 跟這個公司的基因是高度相關的. 第六個問題: 2C vs 2B 這是最後一個問題, 簡單說一下, 科技成熟都需要一定的時間. 因為從任何技術普及演化的角度, 幾乎都延續了先是從軍工(航天), 到政府, 到企業, 到B2B2C, 再到2C這個規律. 人工智慧也一樣, 目前人工智慧在2C市場還不是很成熟. 簡單說機器人, 在個人消費者市場, 出貨量大的機器人只有4類產品: 掃地機器人, 無人機, STEAM教育類機器人和亞馬遜ECHO為代表的智能音箱. 為什麼2C市場早期的普及有一定的困難, 簡單講幾個原因: 1, 產業鏈不成熟 我做一個創新的東西, 成品有10個部件. 每一個部件都得自己做, 而且因為出貨量不大, 每個部件都沒有規模效應, 這就導致每個部件都很貴, 那你最後做出成品一定很貴. 這是非常大的問題. 2, 2C是額外花錢 這也是很重要的一個問題, 2C端的用戶因為自掏腰包, 額外花錢, 所以對價格通常比較敏感, 產品很貴就是一個很大的門檻. 3, 2C產品的用戶期待度高 用戶買了這麼貴的東西, 自然對產品的期待度會更高很多. 大家覺得我買一個機器人回來, 恨不得什麼都能幹: 又能唱歌, 又能跳舞, 又能聊天, 又能清潔, 又能講英語. 但這是不現實的, 現在的技術成熟度離此還有些遠. 相對於2C端, 這些問題在2B端卻不是問題. 1, 2B端對價格承受能力更高 首先, 企業對價格的承受能力顯然比2C強很多. 你說一個機器人2萬, 2C消費者不可能買, 但企業問題不大, 企業對成本承受能力高. 2, 2B的核心目的是降成本  舉例工業機器人, 10萬塊錢一個, 聽起來很貴. 但一個工業機器人替代你2個崗位. 這2個崗位一年也得10萬塊錢, 還不算四險一金. 然後這機器人能工作4年, 這一下成本只有你原來的25%, 甚至不到. 那麼企業一算賬, 覺得還是很便宜. 3, 2B可以採取人機混合模式 還有2B端的機器人應用更簡單一些. 一方面大多是單任務, 機器人只要做好一件事就行了, 實現起來簡單. 另外, 很多都是以 '人機混合' 模式在作業. 也就是以前需要10個人幹活, 現在我用機器人替代一半人. 簡單重複的工作用機器人替代, 複雜的用剩下的5個人, 這就是 '人機混合' 模式. 舉個例子, 現在國內外已有很多安保機器人, 按固定路線去巡邏. 你可以理解為移動的攝像頭, 當然演算法上肯定加入了一些識別的東西. 固定繞路線巡邏, 這個完全可以交給機器人來做. 難的是, 在巡邏的過程中, 如果發現有老太太摔倒了, 讓機器人扶起來, 這個目前還做不到. 但這不重要, 你們後台不還有5個人麼, 讓他們過來就好了. 所以人機混合是2B比較主流的模式, 這個大幅降低了機器人普及的難度. 最後再說一點, 目前大多數AI創業公司都是技術專家主導, 這很容易理解, 因為現在技術還有壁壘, 技術專家主導起碼保證產品能做出來. 不過未來隨著技術門檻的降低, 特別在 '非關鍵應用' 領域裡, 團隊的核心主導, 會慢慢過渡到產品經理和行業專家為主, 因為他們離用戶需求最近. '非關鍵應用' 領域, 懂需求比技術實現更重要. 長期來看, 人工智慧創業和任何其他領域的創業一樣, 一定是綜合實力的比拼!
|
