星河互联刘玮玮：关于人工智能创业的思考与立项丨星河报告
今年前八个月，全球在AI领域的投资数额已经达到近10亿美元，上升势头愈发猛烈，在这过程中不可避免地催生了很多泡沫。作为早已在AI领域有所布局的星河互联，是如何对人工智能领域的联合创业项目进行立项的呢？“我们有一套成熟的决策工具。”星河互联人工智能事业部总经理、合伙人刘玮玮说，在下文的分享中，刘玮玮对此问题做了详细解答。
刘玮玮 人工智能事业部总经理 合伙人
北京航空航天大学集成电路工程硕士，10年工作经验。聚焦于人工智能、智能硬件、VR领域的早期投资及联合创业。前京东智能战略投资负责人，京东智能核心管理团队成员。专注于京东智能集团业务规划、行业分析，协助总裁制定公司战略，以及大战略项目合作等职责。后期负责京东智能早期项目投资，对智能硬件生态、行业理解深入，有创建实操经验。先后在三星电子、中兴通讯做硬件研发、咨询师、战略项目管理等。
人工智能行业与产业链综述
1、人工智能的演进经历三起三落 计算机集群领域或产生新巨头
在图中我们可以看到，人工智能的演进历史大体经历了三起三落，而在近二十年是一个稳步发展的过程。这是因为我们有了四大引擎的推动，一是互联网、物联网的发展，二是大数据的发展，三是基于深度学习的算法的发展，四是计算机群的发展。
但是在稳步发展的过程中有一些问题值得关注。
首先，我认为，在人工智能时代，计算机集群领域可能会有一些新的巨头诞生，因为只有巨头大公司才有资金投入这个领域。
其次在深度学习方面，创业公司没有这么多可标记、带有标签的数据去训练。目前学术界正在研究千亿学习或者说是强化学习，用小数训练模型。
第三，未来本地化的计算是一定可能发生的，所以现在出现了在做本地芯片或者脑芯片这样前端技术研发的企业，比如地平线。芯片的厂家投资成本很大、周期很长，风险也很高，如果你是个土豪，你可以试着去投芯片企业。
2、AI领域投融资火热 美国的初创企业最多
近十年的AI投资是一个平稳的上升过程，2015年全球的投资数额是16亿美金，2016年截至8月达到了近10亿美金，今年比去年的上升势头更猛。这样的数据说明全球AI领域的投融资非常火热，但在这过程中催生的泡沫也是不能忽视的。
这是全球AI项目的分布图， 2016年1月到7月，美国披露了超过600家AI初创企业，中国大概有三四百家，但是实际一定都比这些更多，如果要考察更前沿的AI项目可以去美国、欧洲看一看。
3、语音、视觉领域跑在行业最前端
从这幅图可以看出，跑在最前面的是进入稳步爬坡期的语音和视觉领域，两者已经被应用在消费电子、车、金融等行业。在语音识别方面，我看过科大讯飞的现场速记，准确率达到了相当高的95%。
相比之下，其他领域都稍微落后，AI芯片、底层平台、虚拟助理都处于探索期，但我认为虚拟助理应该再往前跑一点。
4、语义理解水平的提高成为下一代交互方式诞生的关键
从一些公开数据可以看到，在安静环境下，语音领域的识别错误率已经降到了8%以下。但是还存在有语音和语义结合的问题，在科大讯飞的现场速记中，方言都识别得很好，但是一些话组合起来后就出现了混乱。现在学术界和工业界的语义理解水平都比较低，或许当水平提高后，下一代的交互方式就真的诞生了。
现在有一个趋势是用递归神经网络进行训练，积累大规模语调的过程就是不断学习的过程，规模越大效果就会越好。
5、计算机视觉在消费电子、机器人、汽车、工业领域应用强劲
2012年到2013年开始图像识别的准确率不断提升，其中94%的准确率是微软的数字。在消费电子、机器人、无人驾驶甚至是工业领域，图像识别应用都很广泛。
从下图市场规模年化增长率的预测数据中可以看出，消费电子领域有最高的年化增长率，其次是安全监控领域和汽车领域。
6、AI平台主流算法每三个月就会更新一次
芯片是未来各种AI+的核心，它的形态会是GPU、FPGA、谷歌的TPU、还是混合的？我们目前还只能猜测。现在在AI芯片领域有一些优秀的初创公司在不断涌现出来，比如地平线、寒武纪等等。传统的巨头对于芯片厂商的投资并购也在频频出现，比如Intel对Nvdia的并购。
AI平台方面，主流的算法三个月就会更新一次，现在有多种开源的框架。有很多创业者使用开源框架去见投资人，说这是我们具有全球自主研发能力、自主知识产权的先进的算法，但经过调查后就会发现其实并不是。
7、人工智投融资最火的三个领域是健康、广告电商和BI
在AI各方向的投融资热力图中可以看到，最火的是健康领域。计算机视觉技术可以应用在超声诊断、肿瘤诊断，语音可以进行问诊，可穿戴监控设备可以获取身体数据，然后进行机器学习分析，这些都是人工智能在健康领域的方向。
排在第二位的是广告电商，第三位是BI，接下来还有安全领域等等。AI与物联网可穿戴设备领域的结合虽然不是最火热的，但却是我一直在关注的。
在经历了前两年所谓的智能硬件的泡沫期后，很多智能硬件和可穿戴设备创业公司举步维艰。他们存在的问题是无法对手环、内衣等监测出来的数据进行运用，或者说只有体温、脉搏数据还不够，只有获取多维度数据才能进行分析。如果在这个领域加入机器学习，也许就能给这些企业活下去的可能性，我觉得这是一个很有意思的话题。
8、没有核心技术的创业企业怎么办？
我们目前关注的联合创业方向有两个。第一种是有核心算法、核心技术的企业，但是这样的企业凤毛麟角。
另一种是我们在市面上大量看到的、在应用层打磨的AI创业项目。我们看过七八个儿童机器人项目，它基本上都是集成了第三方语音的解决方案，能听懂孩子简单的对话。还有一些机器人方面的，集成视觉的方案识别简单的动作。
这样的项目没有自己的核心技术，但把各个方面的核心解决方案整合成产品，然后找到一个清晰的、可落地的商业模式，这在现阶段也比较了不起的。
如何进行AI项目技术部分验证
1、相比软件测试，AI技术类项目验证更多在用户体验层面
我们每天会见大量AI领域的项目，然后用星河方法论进行立项，我们认为在AI这样的强技术领域进行技术验证是非常必要的。
进行技术验证与软件测试非常像，但更多的是在用户体验层面。如果遇到不熟悉的领域，就要对这领域的客户进行一个比较充分的访谈。
对应软件测试中的系统测试这一层，要做一个竞品的评测，然后根据我们的标准评价算法模型。与软件测试中的同行评审对应的是第三方专家评审环节，因为面对AI项目的新算法，大部分的投资人很难去鉴别，请顾问团、专家团评审可以看到项目的本质状态。
对应软件测试里的编码阶段，AI评测回到了团队的资历评估。我们会看团队的技术带头人的情况、整个团队的状态，以及能表现技术实力的会议发言和期刊文章。
2、用户体验验证要有归零心态
首先，在用户体验验证这一步要有一个归零的心态，清晰了解用户是怎么理解这个场景和应用的。然后进到场景里看它的功能逻辑是什么样的，是否顺畅、合理。
对于to B项目来说，除了用户体验测试之外，客户访谈也是必要的。因为未来很多AI技术会成为底层平台，有无数的细分领域，投资人和行业专家都不可能面面俱到。有些表面看起来顺理成章的项目并没有抓到行业痛点，另外一些满足了行业需求的项目模式也会有用户不能接受的情况出现，这些都需要我们做一些调研访谈才能知道。
3、在限定领域要做泛化测试
以一个基于深度学习的客服机器人项目为例子，我们会用1000个问题的测试集去进行通用测试。通过数据可以看到，这个项目在通用数据上的准确率与百度是接近的。
如果它是某几个垂直领域的客服机器人，我们还要做限定领域的泛化测试。上图这样的评价结果出来后，就能从竞品角度对它有一个实际的认识。
4、评价不同类型的算法不要只看准确率
我们怎样去评价不同类型的算法？以常见的分类器为例，评价一个算法要通过一套动态指标去衡量，而不只是准确率。这些指标要放在具体的产业场景，将精度、召唤率、计算速度、模型、可扩展性等形成一套整体的评价标准。
5、很多风投机构都有自己的技术顾问
第三方专家评审的顾问模式很多的风投机构都在使用。
最后在评估团队的技术实力时，首先要看技术带头人，比如说CTO的背景，然后看团队是否参加过顶级的会议，在顶级的期刊上发布过多少文章，整体的学历背景是什么样的。END