AI投資，難在哪？

 

在AI領域，近幾年很多大型企業投入了很多資源。但是，2020年以來，很多初創公司投資人卻對AI持謹慎態度，那么這個賽道現在發生了什么變化？其前景又是怎樣的？

　　清研新一代人工智能產業基金及第十區孵化基金合伙人錢雨博士分享了他的觀察。

　　AI，為什么投資有挑戰？

　　實際上AI賽道大多數企業在日趨向好，整個行業營收規模不斷提高就是例證。但行業的欣欣向榮僅是投資活躍的必要條件，投資活躍還需要其他充分條件，例如投資人對行業、企業投資價值的判斷方式、邏輯等等。

　　所以，要分析AI行業投資現狀，首先是要看清楚一個根本性問題，為什么AI領域投資比較有挑戰？有以下幾點原因：

　　第一，判斷AI公司產品的市場前景有挑戰。因為AI的需求非常特例化，不同客戶的需求細分方向完全不同。此外偽需求、癢需求也很多，一個產品按創業者想法認為是剛需，聽起來也是邏輯自圓其說，實際上功能一旦做出來，有可能才發現客戶實際并不需要。投資人必須有能力判別出真需求、剛需求。

　　第二，判斷AI公司產品服務的通用性有挑戰。因為需求特例化，所以在很多領域，很難產生通用化的貨架式AI產品，而貨架式產品是投資人最喜歡的，投入產出比最高的。所以投資人必須有能力判斷，擬投項目能否發展出通用性、貨架式產品。這個能力依靠于對傳統行業的理解和想象力。

　　第三，判斷AI公司投資效用比有挑戰。如果找錯了項目，該項目不具備貨架式產品化能力，不具備快速擴張市場的能力，就會導致投給該企業的錢，實際上無法快速直接轉化成產能，反而可能導致該被投企業不得不將剩余資金拿來投資，參股更加有落地能力的AI企業，這等于創業企業反而去搶干VC的活。

　　第四，即使投資人深刻掌握上述幾點，要找到合適的創始人也很有挑戰。AI行業對創始人的要求非常高，創始人必須兼顧技術、市場、商業模式、渠道資源于一身。人工智能是一個交叉行業，只有又懂AI又懂行業的人，才能避免高風險。因此能在AI行業中脫穎而出的創業者可以說是鳳毛麟角。

　　因此，人工智能投資的主要挑戰，源自于人工智能是一個全新的技術和應用范疇，還沒有形成一個固定的產業鏈，技術從長遠看還不夠成熟、產業應用未來也不夠清晰，投資人無法按照傳統投資思維，利用產業鏈的節點來投資。

　　資本對于企業擴大市場份額的效費比有限，整個創業過程是多種資源的整合，市場需求、產品服務和商業模式都處在不穩定的探索階段，能夠整合上述資源并且有運作能力實現贏利、進而找到支持資本退出的商業模式的創始人極其罕見，即便有能力也要從大量隨機意外中生存下來才能堅持到最后。

　　此外，AI很難像移動互聯網那樣在同一時間點出現大量集中于同一賽道的項目，從而誕生批量投資的機會。可以說AI每個項目都是獨立發展成熟，大多數項目處于不同賽道，所以，也就不好滿足大體量基金的投資需求。

　　之前人工智能領域的獨角獸，有不少都是在一個特定的時間段開始創業——技術處于稀缺狀態，再加上很多人對于AI有美好的理想，因此快速發展，也融到了很多錢。但這主要是由技術發展階段和投資需求的雙輪驅動，而不是市場、產品和商業模式的高度融合所導致的，這些獨角獸的成功在今天不容易再復制。所以在今天，也很難找到這種只需要技術領先就可以成功，對投資人來說容易把握的投資標的。

　　由于市場、產品和商業模式的交互不確定，導致人工智能相關的創業和投資如同三體般不穩定，可能有很多因素往前推進都會打破已有的平衡，投資人即使能夠判斷團隊可以很好的處理三者關系，有充裕的資金，但也沒法一定保證會達到預期的結果，因為這就是其本身不穩定所導致的。

　　在當下，要能看破這三體，找到能帶來穩定高回報的項目，才是AI投資最挑戰的部分。看懂的人少，自然投資也就少，看起來可能是資本比較謹慎，實際上和氏璧一直都有，只是在等待卞和。

　　從投資角度看AI技術趨勢

　　人工智能可以分為四類：

　　一類是與知識有關的，包括推理和規劃；

　　一類是與學習有關的；

　　一類是與通信、感知以及行動有關的；

　　還有一類是問題求解。問題求解以當前的技術還遠遠達不到，所以暫不作討論。

　　下圖中畫紅線的部分是近期和投資有關的領域，包括文本識別、信息提取、語音識別、計算機視覺、機器人智能，深度學習和神經網絡的學習、知識表達推理、知識圖譜等，這些看起來量很大，但是實際上與投資有關的并不多。

　　所有的技術發展都有一些關鍵的時間節點，要了解技術當前處于什么點上，這樣才能作與之相對應的決策。

　　第一階段，即很早期的科研階段，還處于高校、科研院所的探索與建模階段，不太適合進行風險投資；

　　第二階段，即工程化階段，已經具備了實驗結果甚至是原型機，也注冊了專利、知識產權，處于脫離實驗室的理論階段，具備了可執行內容，類似于天使輪到A輪之間的狀態；

　　第三個階段是應用階段，即下圖中綠色和藍色部分，已經有了一定的使用經驗，開始商業落地和積累早期客戶，這才是投資最主要的部分。藍色部分適合B輪以后投資，在客戶群體已經擴大、應用變得廣泛后，就可以向其它階段擴散了；最后就是影響社會階段，當市場已經成熟，獲得了廣泛的關注，就可以替代現有的很多技術。

　　往后再看，像綠色和藍色部分，可以把它看成是行業的2B和2G的階段，因為人工智能直接面向2C還不夠成熟。最后是橙色部分，影響社會階段，實際上就是一個2C階段，人工智能企業現在能夠完全2C的還很少，絕大多數AI技術還到不了那個階段。

　　AI投資趨勢是類似于三浪疊加的形態：第一浪是工程化階段，這個階段還處在工程化向應用之間的過渡，歸根結底還是投技術；第二浪，即應用階段，比如機器視覺就處于應用階段，雖然應用還不算廣泛，但是還是有很多應用的點；第三浪，就是影響社會，如果技術能影響社會，說明已經趨于成熟，這就是2C的階段。

　　目前第一浪已經過去，現在大家關注的是第二浪，就是投2B和2G的好企業，不過最值錢肯定是2C企業，但目前還看不到，根本原因不只是企業的問題，更是技術還沒有發展到那一步的問題。

　　AI的S曲線

　　S曲線（下圖為移動互聯網和互聯網的比較）在初期底層研究的階段，可能有海量的投入，但是這些投入不會對產業帶來本質影響；

　　當到達某一個時間點以后會促成產業、技術和應用的結合，就是S的豎線，在這個時間點會出現很多創新的機會，這是最適合風險投資的階段；

　　最后是產業化階段，產業化階段最關鍵的要素是資本和行業資源，需要利用整個國家和體制去推動。這個產業的開頭和結尾都是國家在推動，只有中間部分才是最適合創業者和風投資本。

引用自：a16z

　　再回到S曲線的開始階段，人工智能技術從長周期來看還是處于早期階段，因為沒有找到好的市場和應用匹配，產品也在不斷迭代；而過了這個點，就會像火箭發射一樣到達S的豎線階段，但關鍵問題是如何判斷這個點，對于投資人來說還是具有挑戰性的。

　　在S曲線底部，存在兩種混沌的狀態：第一個狀態是科技還沒有得到足夠的發展，還無法落地到一個成型的產品，這就是當下自動化和混合現實所處的階段，也是智能手機在2006年的情況；

　　第二個狀態是技術先行，但是并不住清楚可以用此技術做什么，正如1994年HTML 和Web技術剛剛被發明的時候，就當時的情況來看，可以在電腦上運行，但是對于如何操作、如何發揮其功用等問題并不清楚，以及如果世界上每個人都使用的話，將意味著什么。

　　而這兩種混沌狀態的結合體，即在科技發展早期，試圖看出科技未來的應用方向，則更是混沌。

引用自：a16z

　　如下有兩張圖，當一些技術到達S曲線的頂端，已經基本上被壟斷，說明這些技術已經沒有前途了，人工智能現在處在一條橫線向豎線轉化的拐點。人工智能有很多技術，比如語音技術要比其它技術在S曲線更靠右的階段。

　　技術是工具而不是生產力，投資人投的是生產力，是技術的合理應用，所以就必須得了解產業的宏觀環境和技術的微觀發展。

　　有很多技術都是比較值得投資也是投資會比較偏好的領域，例如神經網絡深度學習、計算機視覺、音頻處理、自然語言處理、規劃、音視頻技術等，這些技術其實彼此都是相互交叉的。

引用自：a16z

AI技術與市場的匹配

　　AI的本質就是輔助、替代和超越人。輔助人是指考慮數據處理的速度和規模時，人力不能為時需要AI來幫助處理；而替代人是指在一些危險以及人類無法清晰辨別及表述的情況下，AI可以替代人來完成任務；

　　第三是超越人，有些任務人類是無法做到的，比如利用 AI來預測海洋的風暴并且據此來推斷觀察海里魚類的游動情況等等。原則上講，只要AI能在這三個方面發揮足夠大的效果，就有投資的價值。

　　AI有五大能力：第一是推理，能解決問題；第二是可以存儲大量的知識；第三是規劃，AI可以設定目標并且實現目標；第四是交流，語音識別、圖象識別和視頻識別都屬于交流范疇；第五是感知，使用大量傳感器感知視覺、聲音。

　　這幾個能力組合在一起，如果有足夠多的已打標簽的數據，加上合適的AI算法，就能幫助企業實現減員增效和增能。所以投資需要判斷幾點，是否有足夠多的結構化數據，算法是否合適？是否解決了企業的剛需？如果能解決剛需，那么就可能有投資價值。

　　AI引領了新一代的產業革命。第三代產業革命的核心生產資料是數據，成長的驅動是網絡+AI。如果將大數據和AI結合，就會有很多創新點。

　　下圖列舉了AI在不同領域的應用。在工業領域有很多應用，比如生產排期、智能控制、設備維護、智能質檢等等；在零售行業、酒店、智能電網、農林牧漁、化工、金融、石油石化、物流等很多領域也有很廣泛的應用。

　　AI是一個特別好的技術，看起來可以應用在生產生活的多個方面，但是反過來——基于深度學習路線AI的每個算法都需要特定數據訓練，所以就很難具備通用性。如果一個技術不具備通用性，就只能做垂直的領域，這樣就會受限于垂直市場的大小，市場太小就很難實現IPO，不能IPO就會導致投資人的回報比較有限。整體說回來，投資人更希望投資具有廣泛應用場景的技術，而不只是在特定領域的應用。

信息參考：機器之心

　　AI+行業的落地有一個很典型的問題，殺手級的應用還是比較少。所謂殺手級應用，就是能夠給產業界帶來顛覆式創新的應用。本質原因還是技術不夠成熟，而且研發成本也很高，所以現狀是用基于成熟技術、聚焦于熱門行業、做特定場景的淺層智能，比如智慧安防、智能客服、缺陷檢測以及目標檢測，相比之下更加容易產業落地。

　　AI的細分客戶

　　客戶可以分兩類：一類是主流客戶，舍得花錢提升效率，主要是指政府、國企、上市公司等大型機構或企業，越大型的機構越有資金，也越有意愿提升效率；另外一類就是小微民營企業，這些企業往往資金周轉不開，不太愿意嘗試不成熟的技術，提高效率是次要的，首要目標還是降低成本。

　　大型企業如央企或者大國企，與AI創業企業之間有很大差距，很多AI創業企業無法摸清客戶的門檻在哪兒，也不知道如何與客戶對接，客戶內部結構也很龐大復雜，客戶對AI的需求也難以具體描述出來。這是目前很大的問題，如果哪個AI企業能夠解決企業和客戶之間的關系，就是一個成功的典型范例。

　　“新基建”在當下很熱門，新基建融資有很多新機遇，可分為以下幾類：第一類，已有基礎設施，比如像全國存有大量的安防攝像頭，需要經過智能化升級改造；第二類，已經有了概念，但是還沒基礎設施，可能要全新部署；第三類，對于尚未存在概念的基礎設施，需要去創造。

　　再來談投資要素，主要是產品、市場、企業、技術、行業和資本運作，下圖中顏色越深的地方就越重要。

　　首先考慮產品是否存在剛需，其次是市場規模空間是否夠大，第三是企業團隊和創始人的人品性格。除此以外，產品競爭力、產品進化能力、知識產權保護等也都很重要，不過這些也要有先前的條件支撐才有意義。

AI的不同層級

　　分析一下中國AI的不同層級：技術層就是理論研究，屬于科研院的范疇；平臺層有很多，往往是互聯網和通信時代的巨頭在運營，例如BAT、華為、谷歌、京東、亞馬遜、Facebook，它們既有數據又有流量。

　　同時我們會發現很多獨角獸企業也在做平臺，因為單憑一個或者幾個具體的垂直行業撐起獨角獸公司百億以上的市值是很難的，所以與他們的資本估值匹配的最佳選擇，就是做平臺。

　　真正讓技術落地、有機會成為獨角獸的公司，一種是從事具體的解決方案，一種就是落地的應用性平臺。如果沒有很好的中間商和渠道，基本上產品再好，也不具備快速推向市場的機會。

　　AI和傳統行業的關系是AI+傳統行業。有兩類企業：第一類就是已經確定的技術成熟領域的淺層次應用，特點是競爭極其激烈，因為數據很密集、客戶資金充足，但是僧多粥少、不好切入；很有投資價值的一種就是獨辟賽道的公司，他們在布置項目層級的時候采集了很多獨有的數據，一旦采集足夠多以后，就會形成壟斷性，不過這種情況不太容易出現，一旦出現，就有獨角獸潛質。

　　“六投三不投”之可投：一開始要做垂直落地的事情，而不是上來就做一個大項目；要有很明確的應用場景；要有很優質的頭部客戶；應用場景要夠普遍，這樣用得人就越多，節約的人力成本越多，給客戶帶來價值越大；工程和服務能力要很強；團隊演進能力的要很高。

　　“六投三不投”之不投：第一就是解決萬眾矚目問題的大項目，現有技術還無法實現；第二是沒有應用場景也沒有太多客戶，宣揚豪華團隊、算法領先，但是市場業績比較可疑，這種企業一般都不落地，風險很大；第三是沒有行業服務經驗，就無法完成目標。