題圖：松禾遠望基金創始合夥人、迅雷創始人 程浩先生
■按：
程浩先生擁有15年的互聯網從業經驗， 曾在矽谷和百度工作， 後創辦迅雷，
目前國內人工智慧創業非常火爆， 很多人在創業之初通常會認為演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， 整個人工智慧演算法的技術准入門檻越來越低。 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， 相對於演算法而言， 在很多領域， 海量的、準確的、標注過的資料更有價值。 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資料的， 拿不到資料後面的演算法工作自然也就無法做了， 所以演算法科學家到底有多重要， 也與所處的行業有重要的關係。
最後， 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。 人工智慧更多的機會還是在於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……人工智慧幾乎會深度影響國民經濟的各行各業。
我認為人工智慧創業的本質可分為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慧領域。 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.…%後面有多個9才能上路。
在「關鍵性應用」的領域， 必須做到99.9…%小數點後面有多個9， 做不到就沒法商業化。 其背後的核心競爭力是演算法和科學家。 這類專案往往需要有頂尖的科學家來坐鎮背書。
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週期會很長。
類似於Mobileye從1999年做汽車輔助駕駛， 2007年才商業化；達芬奇手術機器人專案更是起源於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， 商業變現的時間週期比較長，
實際上， 大多數人工智慧的創業都屬於第二類， 也就是「非關鍵性應用」。 這類專案不追求99%後面的很多個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。 總之就是不追求高大上， 簡單、實用、性價比高更重要， 這樣的項目通常能夠更快落地。 這樣的專案有以下幾個特徵：
不追求很多個「9」。 例如基於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， 雷射雷達又貴又複雜， 我直接用磁條導航， 而且演算法上追求簡單，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。面向企業的人工智慧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，你的演算法好，送達成功率有99%，我是98%。100次裡面不成功的那兩次，我可以用人通過後臺去操控機器人，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，演算法固然重要，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：
a.對行業的理解，要深刻洞悉行業痛點在哪兒；
b.產品化和工程化，有沒有好的產品和工程師團隊？光在實驗室裡搞是沒用的；
c.做出來的產品還得便宜；
d.批量生產的話，你的供應鏈能力怎麼樣？
e.產品出來了，你得把東西賣出去，你的行銷/銷售能力怎麼樣？
所以這樣的人工智慧專案並不需要技術大牛，反而是創業者最好深悉這個行業，知道什麼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，在人工智慧領域創業，只做技術提供商我認為是死路一條，為什麼這樣講？
第一，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。基於API（應用程式設計發展介面）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介面換取更多使用者資料，所以你只做API沒有任何收入。
第二，資料在很多情況下比演算法重要得多。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資料來訓練參數就好了。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是演算法，那將非常危險。
除此之外，在一些「非關鍵性應用」上，兩個演算法之間的微小差別其實對使用者感知並不明顯。與此相對應的，資料壁壘卻是非常明顯。最近這一年中國湧現了一二十個「AI看醫學影像」的公司，這個生意裡面，怎麼拿到海量的、準確的、標注過的資料，比誰的演算法好要有價值得多。
第三，極易被上下游擠壓，只做演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禦性，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，最後做掃地機器人的公司要麼把你買掉，要麼自己就做。美國有一個晶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的商業壟斷之後，大疆做的第一件事就是自己做晶片。
第四，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晶片，三星、華為、小米也都是自己研發晶片。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，那麼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，有記憶體、硬碟、作業系統、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。通常「一橫」能服務很多行業，你要在其中選一個最大、最適合你的行業，深入紮進去做「一豎」，就升級為了「全棧」。在垂直的行業，因為沒有利益衝突，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，不斷獲取對方回饋的資料來夯實你的技術。
「一橫」比較好理解，那怎麼選擇「一豎」，這是要考慮的，我先分享一下自己的思考：
1）市場空間，做「一豎」肯定要選市場最大的。舉個例子，美圖秀秀以前的美顏工具是它的「一橫」，但這一橫很難賺到錢，如今美圖手機是它的「一豎」，結合美圖手機的用戶群比較特殊，幾乎都是愛美的女孩，普遍對價格的敏感度不高，因此美圖的手機最高能賣到4000多塊。雖然美圖手機占整個手機市場的比重並不高，但美圖手機占了公司全部營收的95%，如果只做API根本撐不起這樣一個公司。
2）行業集中度，在做「一橫」技術提供商時，上游行業集中度越高則越不利。說白了頭部效應明顯，如果一兩家大企業把行業全吃掉，那麼作為技術提供商，面對集中採購，是沒有任何議價能力的。就像IDC時代，HP、DELL等賣伺服器的，活得很滋潤。但現在雲計算來了，面對亞馬遜、阿裡雲這樣的批量採購，伺服器廠商能跑個量就不錯了，甭指望什麼利潤了。
不過話又說回來，行業集中度越高，說明行業壁壘越高，你想從技術提供商走向上游也越困難。在這種情況下，通常是上游把下游的事也做了，例如Google、百度當年內部使用了一些自己攢的伺服器，現在大部分都是定制化需求給伺服器廠商，這樣的單幾乎是沒利潤的。反過來講，如果行業集中度很低，那麼作為技術提供商還是相對滋潤的。
3）提供的技術服務到底是改良性還是革命性的。如果你的技術創新對這個垂直領域是革命性的，就越有機會走到上游。如果只是改良性的，你就老老實實在下游賺個辛苦錢算了。
越是顛覆性的東西，越有機會往上游走。因為上游越離不開你，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周的電池，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。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20%，那你還是老老實實做電池吧。
4）雙方的壁壘，特別是上游的壁壘。拿比較火的直播平臺而言，現在都有美顏功能，例如給女孩長出個耳朵那種，這個通常都是協力廠商提供的技術。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。
但是直播的壁壘相當高，這事有網路效應，使用者越多會吸引更多的主播，因為能賺到更多錢，主播越多，也會帶來更多的使用者，因此需要很多資金來買流量以及簽約很厲害的主播。這種情況下，雖然技術提供商能賺個辛苦錢，但是仍然完全沒有機會往上游走。
5）團隊基因。你做得了技術服務的事，不代表你做得了垂直領域的事，比如現在很火的無人便利店，如果你做這塊技術提供商，你也想開這個便利店，但你技術提供再好，用戶怎麼選擇便利店，肯定還是選擇一個平常經常進的。
選址以及商品管理方面，你這個團隊如果沒有搞零售的經驗，那還是老老實實做技術。就算你找一個搞零售的高管，也很難，因為任何一個公司都有它的基因，我挺相信基因論，如果核心創始團隊沒有這個基因也不行。
剛才提到了To C的無人便利店，但實際上，目前人工智慧To B的機會要更多一些，因為To C的市場還不成熟，從技術創新和技術演進的路線來講，通常都是先軍工、國防，然後To B、To C，為什麼先國防？因為產業鏈不成熟，做起來很貴，所以先國防買單。產業鏈不成熟，價格貴，用戶承受能力弱，一個機器人買回家，小孩恨不得又能講故事、又能唱歌、又能跳舞、又能聊天。但現在根本不現實，技術成熟度還不夠。
而反觀企業對成本的承受能力更高，To C買一個人工智慧是額外花一些錢，但To B買這個產品目的是為了省錢，特別是考慮到中國人力成本繼續往上飆升，只要企業瞭解到機器人會大幅提升效率、比人工成本合適，他們就有行動起來的動力。
比如工業機器人，因為很多都是以「人機混合」模式在作業。以前需要5個人幹活，現在可能只需要1個機器人加2個人工。也就是機器人替代了3個人工，能把一些常規任務給幹了，但在一些特別複雜的工藝流程位置，還得依靠工人來做。這是一種易推行的混搭模式。但To C機器人可沒有「人機混合」模式可言。
最後，我想對人工智慧領域的創業者說：
如果專案想要快速落地，起步一定要從To B開始，To C仍是很長遠的事情，發展沒那麼快；不能說演算法很厲害，有很牛的科學家團隊就是一切了。在未來的競爭環境下還差得很遠。
項目一定要接地氣，只做技術提供商肯定不行，一定要做整體解決方案——選個適合你的行業，把你的技術產品化、搞定使用者/客戶實現商業變現、然後獲得更多的資料，這樣才能再夯實你的技術。
而且演算法上追求簡單，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。面向企業的人工智慧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，你的演算法好，送達成功率有99%，我是98%。100次裡面不成功的那兩次，我可以用人通過後臺去操控機器人，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，演算法固然重要，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：
a.對行業的理解，要深刻洞悉行業痛點在哪兒；
b.產品化和工程化，有沒有好的產品和工程師團隊？光在實驗室裡搞是沒用的；
c.做出來的產品還得便宜；
d.批量生產的話，你的供應鏈能力怎麼樣？
e.產品出來了，你得把東西賣出去，你的行銷/銷售能力怎麼樣？
所以這樣的人工智慧專案並不需要技術大牛，反而是創業者最好深悉這個行業，知道什麼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，在人工智慧領域創業，只做技術提供商我認為是死路一條，為什麼這樣講？
第一，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。基於API（應用程式設計發展介面）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介面換取更多使用者資料，所以你只做API沒有任何收入。
第二，資料在很多情況下比演算法重要得多。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資料來訓練參數就好了。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是演算法，那將非常危險。
除此之外，在一些「非關鍵性應用」上，兩個演算法之間的微小差別其實對使用者感知並不明顯。與此相對應的，資料壁壘卻是非常明顯。最近這一年中國湧現了一二十個「AI看醫學影像」的公司，這個生意裡面，怎麼拿到海量的、準確的、標注過的資料，比誰的演算法好要有價值得多。
第三，極易被上下游擠壓，只做演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禦性，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，最後做掃地機器人的公司要麼把你買掉，要麼自己就做。美國有一個晶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的商業壟斷之後，大疆做的第一件事就是自己做晶片。
第四，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晶片，三星、華為、小米也都是自己研發晶片。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，那麼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，有記憶體、硬碟、作業系統、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。通常「一橫」能服務很多行業，你要在其中選一個最大、最適合你的行業，深入紮進去做「一豎」，就升級為了「全棧」。在垂直的行業，因為沒有利益衝突，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，不斷獲取對方回饋的資料來夯實你的技術。
「一橫」比較好理解，那怎麼選擇「一豎」，這是要考慮的，我先分享一下自己的思考：
1）市場空間，做「一豎」肯定要選市場最大的。舉個例子，美圖秀秀以前的美顏工具是它的「一橫」，但這一橫很難賺到錢，如今美圖手機是它的「一豎」，結合美圖手機的用戶群比較特殊，幾乎都是愛美的女孩，普遍對價格的敏感度不高，因此美圖的手機最高能賣到4000多塊。雖然美圖手機占整個手機市場的比重並不高，但美圖手機占了公司全部營收的95%，如果只做API根本撐不起這樣一個公司。
2）行業集中度，在做「一橫」技術提供商時，上游行業集中度越高則越不利。說白了頭部效應明顯，如果一兩家大企業把行業全吃掉，那麼作為技術提供商，面對集中採購，是沒有任何議價能力的。就像IDC時代，HP、DELL等賣伺服器的，活得很滋潤。但現在雲計算來了，面對亞馬遜、阿裡雲這樣的批量採購，伺服器廠商能跑個量就不錯了，甭指望什麼利潤了。
不過話又說回來，行業集中度越高，說明行業壁壘越高，你想從技術提供商走向上游也越困難。在這種情況下，通常是上游把下游的事也做了，例如Google、百度當年內部使用了一些自己攢的伺服器，現在大部分都是定制化需求給伺服器廠商，這樣的單幾乎是沒利潤的。反過來講，如果行業集中度很低，那麼作為技術提供商還是相對滋潤的。
3）提供的技術服務到底是改良性還是革命性的。如果你的技術創新對這個垂直領域是革命性的，就越有機會走到上游。如果只是改良性的，你就老老實實在下游賺個辛苦錢算了。
越是顛覆性的東西，越有機會往上游走。因為上游越離不開你，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周的電池，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。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20%，那你還是老老實實做電池吧。
4）雙方的壁壘，特別是上游的壁壘。拿比較火的直播平臺而言，現在都有美顏功能，例如給女孩長出個耳朵那種，這個通常都是協力廠商提供的技術。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。
但是直播的壁壘相當高，這事有網路效應，使用者越多會吸引更多的主播，因為能賺到更多錢，主播越多，也會帶來更多的使用者，因此需要很多資金來買流量以及簽約很厲害的主播。這種情況下，雖然技術提供商能賺個辛苦錢，但是仍然完全沒有機會往上游走。
5）團隊基因。你做得了技術服務的事，不代表你做得了垂直領域的事，比如現在很火的無人便利店，如果你做這塊技術提供商，你也想開這個便利店，但你技術提供再好，用戶怎麼選擇便利店，肯定還是選擇一個平常經常進的。
選址以及商品管理方面，你這個團隊如果沒有搞零售的經驗，那還是老老實實做技術。就算你找一個搞零售的高管，也很難，因為任何一個公司都有它的基因，我挺相信基因論，如果核心創始團隊沒有這個基因也不行。
剛才提到了To C的無人便利店，但實際上，目前人工智慧To B的機會要更多一些，因為To C的市場還不成熟，從技術創新和技術演進的路線來講，通常都是先軍工、國防，然後To B、To C，為什麼先國防？因為產業鏈不成熟，做起來很貴，所以先國防買單。產業鏈不成熟，價格貴，用戶承受能力弱，一個機器人買回家，小孩恨不得又能講故事、又能唱歌、又能跳舞、又能聊天。但現在根本不現實，技術成熟度還不夠。
而反觀企業對成本的承受能力更高，To C買一個人工智慧是額外花一些錢，但To B買這個產品目的是為了省錢，特別是考慮到中國人力成本繼續往上飆升，只要企業瞭解到機器人會大幅提升效率、比人工成本合適，他們就有行動起來的動力。
比如工業機器人，因為很多都是以「人機混合」模式在作業。以前需要5個人幹活，現在可能只需要1個機器人加2個人工。也就是機器人替代了3個人工，能把一些常規任務給幹了，但在一些特別複雜的工藝流程位置，還得依靠工人來做。這是一種易推行的混搭模式。但To C機器人可沒有「人機混合」模式可言。
最後，我想對人工智慧領域的創業者說：
如果專案想要快速落地，起步一定要從To B開始，To C仍是很長遠的事情，發展沒那麼快；不能說演算法很厲害，有很牛的科學家團隊就是一切了。在未來的競爭環境下還差得很遠。
項目一定要接地氣，只做技術提供商肯定不行，一定要做整體解決方案——選個適合你的行業，把你的技術產品化、搞定使用者/客戶實現商業變現、然後獲得更多的資料，這樣才能再夯實你的技術。