模式创新的时代已经渐渐远去，人工智能作为下一个引领创新的风口式机会，越来越受到资本的关注，应用场景不断拓展。科技巨头如谷歌、微软、亚马逊等纷纷进场，在国内也涌现出了一大批人工智能创业公司。两个月来，创业邦研究中心走访了北极光创投、光速中国、元璟资本、顺为资本、明势资本等相关投资机构，为读者们带来科技前沿的一手好料和最新的思维方式。
近日，元璟资本合伙人刘毅然接受创业邦专访，详细介绍了他在人工智能领域的投资逻辑，以及他对人工智能产业的一些看法。
图像和语音领域最有可能迎来商业化应用
现在来看，在人工智能领域，图像和语音识别是已经被验证的两个赛道，这两个领域已经出现较为成熟的技术方案，未来这两方面很有可能率先迎来商业化应用。
我们自己投了两个语音识别技术相关的人工智能公司一个是思必驰，一个是Rokid。这两个公司简单来说一个是安卓模式，一个是苹果模式。Rokid是苹果模式，包括语音技术、外形、麦克风、服务系统对接等等，都是团队自己设计，垂直整合的，提供完整用户体验，直接对标美国Amazon的Echo。另一个公司思必驰是一个技术平台输出型的公司，通过他们提供的模组和技术方案，一个传统音箱可以升级成智能音箱，所以我把它比喻成安卓对智能手机的作用。
语音在卧室和车载这两个场景里面，最有可能找到突破机会。因为人们不看手机最多的两个场景是卧室和车载，这两个恰好是语音人工智能最能发挥效果的地方，Rokid就是在卧室里面，思必驰也有汽车智能后视镜方案等，这些是语音方面我们觉得比较看好的。
另一方面，人脸识别能否出现成熟应用，仍然需要看场景，就目前而言要实现to C级别的应用还可能有挑战。现有技术想做一个实时在线、每天实时准确识别和判断千万级别人脸的产品挑战很大，按次数收费的人脸识别收费还在探索模式，但同时后面支撑他的运算量和需要的技术投入还很大。反而是to B的模式，如果能和银行、保险公司摸索出业务模式，机会可期，所以要具体分析。我更看好一些对效果要求不那么高的场景，比如消费、娱乐，而对于准确率要求极高的金融支付等领域更加谨慎。
创业公司要深入具体场景，形成数据闭环
我个人认为人工智能的发展可以简单地划分为深度学习之前和之后。深度学习出现之前，AI主要是简单的模式识别，用计算机技术解决一些特定的模式问题，但近几年识别准确率开始出现瓶颈；深度学习带来的变化还是很大,使得很多应用场合的识别率有了突然跳跃式的改善，很快就会无限接近甚至超越人类识别水平，这个框架基础催生了大量新的机会。
深度学习的一个先决条件就是需要海量的数据去做训练。所以我们看AI公司的时候，首先是看它的数据场景是否正确、数据够不够大，有没有防御性，另外就是有没有形成闭环，拥有一个反馈机制（根据搜集到的数据判断做的决策是否正确，效果如何，如果能够产生反馈，那就可以逐渐优化）；第二，如果业务过程中他自己能够产生沉淀新的数据，就会是一个正循环，越做门槛就越高（比如如果一个系统在业务单元或各科室的繁杂数据之间能产生沉淀新的有组织形式的结构化数据，既是输出也是输入，这就会形成新的业务价值和数据壁垒）；最后一点适用于任何技术性公司，就是你创造的价值是否可以明确衡量，一般意义上是指能提高效率或者改变产业结构的价值，如果这个价值可以衡量，那这家公司的商业价值就很容易体现。
方向上，我们鼓励创业公司去深入一个行业，和这个行业进行深度结合，提供行业解决方案。虽然一些基础方案可能会基于科技巨头开源的一些理论架构，但是创业公司不会被巨头的革新轻易取代，或者说，创业公司生存的根基是对这个行业深度的服务和渗透。并不是巨头公开了算法，就把什么都摧毁了，创业公司在垂直领域可以做的更深。相反，每个新产业发展的早期正是需要巨头的大量投入和基础性创新才有真正的新板块性机会出现。比如，移动互联网的发展正是在Apple大力推动了苹果手机，Google大力推广Android系统之后，智能手机各种应用才真正爆发出来，Uber、滴滴这样的新机会才涌现出来。人工智能领域也一样，在Google推动了深度学习的示范应用之后全世界都知道了Deepmind这家公司，现在Nvidia这家公司也在推动着芯片/算力的进一步普及.
从大板块上来看，医疗、金融、安防、车载这些场景，创业公司都非常有机会。医疗和金融行业都会产生大量的数据，有很多非结构化的数据等待机器去挖掘和学习。以安防和驾驶领域为例，这两个行业都需要对人的缺点有很明确的突破，比如安防不可能老有人看管，而且人的处理判断能力也相对有限，而机器则可以解决上述问题。因此，在这些效率和数据远超人类的地方，人工智能会最先出现机会。我们也投资了一家电动车和自动驾驶公司车和家，他们把所有精力聚集在一两款车型的彻底颠覆设计上，他们在自动驾驶上的一些尝试和进展,期待在自动驾驶这个领域继续寻找到更多新的机会。
技术和商务能力并重的AI创业团队更容易被市场看好
人工智能领域的创业者，技术背景和商务能力是并重的，我们更青睐的该领域创业者既能够拥有技术背景，同时又对业务和商业有清楚的理解。目前有些投资人在团队早期还是一个算法或业务原型时给出很高的价格，我们则相对谨慎。虽然我本人也是电子工程的博士，也愿意相信技术创新改变世界的力量，但投资上面我们对教授、科学家创业持谨慎辨别态度，我们希望看到不仅仅拥有算法或技术，还要有商业落地的具体前景和路径，至少是深入务实的思考，毕竟创业是做一个业务出来。
在我们看来，未来AI要进一步普及，必须符合本地化、小型化的要求。通俗来说，本地化就是可以不联网，如果产品需要联网，每次还需要从网上调参数，如果网络环境不好就会有延迟，无法实现实时应用，这在车载场景尤其突出，车在高速行驶时需要处理一些紧急情况，而高速公路的网络环境又无法实现完全的无延迟。小型化和智能手机类似，就是要把算法和软件程序搭载在某个小型器件上，功耗也不能太高。
本地化、小型化的解决方案就是要把算法做进芯片，让处理器可以独立、低功耗地承担人工智能的功能，满足正常场景需要，形成更多物联网的应用场景。值得注意的是，软件的创新相对更容易实现，而基于硬件的架构创新则需要更多的尝试和调整，技术壁垒更高。
人工智能或成为下一个平台式的机会
长远来看，我非常看好人工智能这个领域，这是一次计算平台式的大机会，会持续很多年，就像2011年智能手机催生移动互联网的发展。人工智能也有这样潜力，会广泛而深刻地改变各个行业，有很多落地的基础。人工智能的发展今天还处在早期阶段，在此之上有广阔的空间待挖掘。我们甚至都不知道从中衍生出来的业务模式和原来是否一样，比如互联网时代验证了经久不衰的三个商业模式：广告、游戏和电商，而人工智能是只限于这些，还是会出现一些新的模式？比如未来也许会出现机器代理我们做一些业务，根据效果和我们分成，也是有可能的。
人工智能领域，中国和美国有可能并驾齐驱，一方面中国公司拥有数据优势，产生数据的速度是美国的好几倍，可以拿到更多维度和场景的数据。深度学习是依赖于数据的，所以这是很好的基础。而且世界范围越来越多的研究人员都是华人，很多人愿意创业并在中国寻找市场应用，这是很好的基础。但是国内的创业比较扎堆，缺少多样化或者原创性的尝试。总之人工智能的影响仍然深远，而且还会持续地高速发展。随着与各行各业的结合，会不断涌现出新的投资机会，所以我们并不急于一时。
我们正在谨慎乐观的开始在这个领域的布局，除了上面提到的语音和自动驾驶之外，我们也在评估计算机视觉和医疗大数据方面的机会。我个人来说，在这样大型的充满机会的赛道上但同时又相对早期的行业阶段，我更愿意追求一种无悔的态度：有些案子，虽然看起来很光鲜，但可能并不符合内心深处对一些基础商业逻辑的判断，这样的案子不会因为追求一时AI的风口概念而匆忙投资，因为未来繁华散尽的时候还是会后悔，而且道理并不复杂；相反，在有些我们充分调研的领域里，尽管AI的成分不一定很高，但更可能是个真实可行的业务方向，我们会更愿意出手，相信自己的判断，无怨无悔。
推荐阅读：
扫码关注“人民创投”公众号
