2017年关于人工智能创业的五大预测

　　近日，机器学习与金融风险投资机构 DCVC 的合伙人 Bradford 写的一篇博客在国外引起了极大的关注，他认为 2017 年人工智能领域内的创业将会发生 5 大变化。这篇文章也许能为投资者提供一些洞见。

　　Bot 公司将破产；深度学习商品化；人工智能成为风险投资的「清洁科技」翻版；MLaaS 将陷入第二次停滞；全栈垂直人工智能创业公司有发展。

　　随着对 AI 的狂热追逐日趋放缓，2017 将是重新梳理的一年。纯炒作趋势将不攻自破。矛盾的是，小部分垂直型 AI 创业公司在满足了相关专业知识、独特数据和使用 AI 传递其核心价值观的产品的需求之后，将解决全栈产业问题，因此 2017 同时又是取得突破性胜利的一年。

　　Bot 将陷入破产

　　过去一年升起了一股对 bot 的狂热追逐。

　　在技术社区，当谈到机器人时，我们通常指的是软件代理，且通过 4 个关键概念进行定义，从而与任意程序（arbitrary programs）代理、环境反应（reacTIon to the environment）代理、自主（autonomy）代理、目标导向和持续性的代理进行区分。

　　业界盗用了原指任何形式的业务流程自动化的术语「bot」，并创造了新术语 RPA——机器人流程自动化。

　　当然，业务流程自动化将会在未来的几十年内持续发挥作用，如今表现为「bot」（包含语音和聊天功能的对话式界面）的机器人狂热将在 2017 年开始冷却。原因如下：

　　消费互联网领域内的社会化与个性化之争提供了一个很好的借鉴。最后胜出的是个性化平台 Facebook，同时也是一个社交平台。人们依然喜欢在大多数事情上与人交流，我猜测许多 chatbot 将采用与非社交媒体平台相同的方式，试图在没有社交策略的情况下押注个性化。围绕着 bot 的很多思考是肤浅的功利主义，缺少社交智能来辨识人们之间相互交流所满足的人类需求。由于这个原因，大多数 bot 很难留住用户，即使在一开始吸引了他们。

　　全球通讯 App 的大爆发，比如 Slack 的崛起和中国的微博等特定社交平台的成功释放了很多误导性信号。很多人据此推断并押注诸如 AI 驱动的数字个人助手等平台。根据第一条，这些社交平台正在解决人们的功利与情感需求。但据此推断可以将其应用于纯功利的 AI chatbot 上，这尚不明了。

　　相比于其他更可视化的解决方案，会话式界面在完成任务方面不总是那么有效。会话式界面很有趣，并在在 HCI 社区中已存在了几十年。在一些应用中会话式界面表现绝佳，但是在现实中，我认为有做事效率跟高的界面可用于绝大多数应用。

　　注意，我并没有说过 AI 还不够好。像 siri 等大多数系统存在的更多问题是执行欠佳。我们用现代技术打造了很多有趣的机器人界面，随之我心中出现了一个更大的问题：机器人并不清楚我们想使用它们。

　　深度学习商品化

　　现在深度学习非常盛行。对于那些不了解其他 AI 术语的人来讲，深度学习是机器学习的一部分，机器学习是人工智能的一部分。深度学习并不是一个新鲜事物，它只是一系列为很多重要问题提供了最好的答案的很酷工作，人们可以正确地从中受益。

　　深度学习初创公司已经取代了 5 年之前的 iOS 移动应用创业公司。许多公司都为深度学习的能力感到意外，尤其是产生优越成果并解决新问题的计算机视觉。结果，我们看到了谷歌、Facebook、推特、Uber、微软和 Salesforce 积极采取并购策略填补空缺。

　　因此，如果深度学习如此重要并高受追捧，为什么我认为它今年会商品化？原因在于 2016 NIPS 会议及其他所有会议。很明显深度学习现在无处不在，在这方面有很多毕业生。4 年之前的情景却大不相同。如今，市场已经作出调整以创造更多的人才供给。

　　现在，我要对上述所言做一个清晰的声明。我认为今年在机器学习人群中，深度学习会成为更大的社区，但是我并没有说机器学习本身会商品化。机器学习人才依然炙手可热。我们在过去几年中看到的深度学习初创公司被收购而带来的收益，将在第二层技术公司和外部技术公司（如底特律的公司）完成目前的收购浪潮后崩溃。我预计今年一群数量稳定的迟到者将会带着傻钱进入，但此后我们也许看到并购浪潮开始放缓。

　　人工智能成为风险投资的「清洁科技」翻版

　　让我们回想一下最近「清洁科技」公司破产的主要原因，这同样适用于人工智能。

　　清洁技术不是一个市场。它是一个交叉问题。气候变化和可持续发展是非常严肃的问题，绝对值得人们作为事业和盈利性业务认真对待。交叉问题并不是一个生意，生意是提供产品或服务，消费者想要买。特斯拉和 Solar City 无疑是清洁科技领域的成功案例，但需要注意的是它们是全栈生意——分别是一个汽车公司和一个太阳能公司。所以当一个包含有清洁技术元素的全栈公司向真实市场出售真实产品时，这是可行的，但纯粹为了自身目的的清洁技术并不奏效。因为它无法满足消费者需求。伟大的商业皆以满足消费者需求为起点。伟大的使命性商业从由消费者需求定义的愿景开始，并包含有充分满足需求的任务。一个具有社会使命却没有满足消费者需求愿景的组织最多是一个还算有效的慈善组织。伟大的商业把消费者需求放在第一位，而不是交叉的科技趋势，即使它是有使命感的。

　　绿色能源不是一个市场，但能源是。太阳能由于经济化运作，成为了市场第一，并且快速增长。当巴菲特和马斯克就这一市场竞争时，很可能表明这是一桩好生意。双方都将可持续发展看作一项使命，但同时又理解只有将其看作一项生意并把消费者放在优先位置，这样才有意义。只有在满足消费者和被雇佣者需求的服务中，使命才能被完成。没有没一个带有可持续发展使命结果却没有持续的商业更讽刺的了。

　　自我重视并拯救世界的心态。在清洁技术之中充斥着典型的自大自傲的技术狂热特点。在过去人工智能发展的两年中，我们开始看到自我扩张的人工智能伦理委员会，以及讨论机器取代所有工作我们怎么办等诸如此类的人们。正因为我们在致力于一项至关重要的事，在人工智能圈工作的人有责任去引领人类发展进程才是该有的态度。骄傲自大使人们看不到这个事实：他们深陷这样一个回声室，其中大家关心的是技术趋势而不是消费者需求和商业经济。正是这个有害的现实扭曲场力把很多聪明但自我感觉重要的人带进了即将发生的网络末日之中。

　　清洁技术和人工智能都是深刻的技术问题。经常被消费互联网和琐碎的 SaaS 服务灌输思想的创业与风投社区逐渐难以评估深度技术领域内的投资机遇。在前文概述的自傲状态的驱使下，读了篇博文、听了几句只言片语之后就一头扎了进去。Linked 上的档案随机更新，一个临时专家的时代来临。

　　那么，这是如何发生的呢？

　　我有一个理论，经济的信息时代从根本上改变了我们在人类历史上经历的狂热-恐怖的循环周期。作为一个前对冲基金从业人员，我阅读了有关金融历史和市场心理学的所有名著。探索事情是如何自 90 年代中期朝着不同方向进展很有趣。我认为社交活动和线上信息扩展的急剧增长创造了一种 self-heisenberging 效应，在商业周期还没开始之前就将其推到其面前。消费者互联网是一个巨大的例证，就在实体经济刚开始的时候，90 年代的预狂热导致了 2000 年的大崩盘。两年后的 2002 年，谷歌，一家注册于 1998 年的公司，在经济谷底期雇佣了所有的人才，并且定义了消费者互联网真实的商业周期。

　　在连线杂志宣布清洁科技死亡的 4 年里，太阳能一直是最环保最廉价的能源资源。马斯克和巴菲特都很热衷它。特斯拉和 Solar City 成为了一个全栈清洁技术帝国。因此我认为我们正处在对人工智能创业公司狂热的前夕。我看到的绝大多数正以人工智能创业公司 10 年来一直失败的同样方式走向失败。这是一个由有人工智能创业公司 10 余年经验的人组成的一个小社区。

　　这群处在狂热期前夕最顶端的人正在重蹈清洁技术之覆辙。他们眼里只有人工智能，而没有消费者需求。

　　现在的人工智能创业公司绝大多数是钉钉子的锤子。在接下来的 1-2 年内这会变的越发明显。大公司精疲力竭，并减少了对人工智能人才的需求，就像他们对移动应用开发商所做的那样。我猜想我们开始看到创始人和风投者意识到一些东西在落幕。在这一点上，我将在 linkedin 上更少听到在过去的 1 年中决定加入人工智能创业公司的声音。

　　MLaaS将陷入第二次停滞

　　将机器学习打造成一个服务是我们近十年来就一直在考虑的一个想法，然而这个想法却一直遭到挫折。

　　这个想法之所以不管用，是因为知道机器学习在干什么的人只是在使用开源代码，而不知道的人怎么都做不到，即使使用 API。许多聪明的朋友都陷入了这种困境。一些人被大公司所获得来增强机器学习团队（IBM 的 Alchemy API、英特尔的 Saffron 、Salesforce 的 Metamind 等）。然而，建立 API 功能背后的机器学习模型所带来的热钱仍然吸引着大批开发者。

　　亚马逊、谷歌和微软都试图通过出售 MLaaS 层作为他们云战略的一个组成部分。我还没有看到创业公司或大公司使用这些 API，但我看到了很多的人工智能应用，所以不太可能是因为我观察到的样本量太小的缘故。

　　来自大型云服务提供商的服务，其结局会和创业公司的情况一样，因为今年他们的情况摇摆不定。

　　云服务提供商会留下这些服务项目，但是不会再在这上面挣大钱，MLaaS 创业公司会在今年开始迎接末日，因为增长情况的摇摆不懂，也没有胃口再翻番了。

　　这里有一个 Lvery 实践问题； MLaaS 解决方案没有客户细分——他们既为有能力（机器学习能力）的客户细分服务，也为没有机器学习能力的客户细分服务。

　　就匹配的细分来说：你需要机器学习人员帮忙打造真的产品机器学习模型，因为很好地训练和调试这些东西很难，而且，这也需要综合地了解理论和实践。这些机器学习人员趋于使用由 MLaaS 服务商提供的相同的开源工具。因此，这就淘汰了有机器学习能力的客户细分了。

　　没机器学习能力的客户细分：没有机器学习能力的细分客户不会通过使用 API 让机器学习运行。他们购买应用，解决更高层面的问题。机器学习不过是如何解决问题的一部分。在公司内部做机器学习的技术能力很难提上来，而且找到「数据产品」人才帮你找到问题并做出机器学习解决方案更难。没机器学习能力的客户细分包括科技公司之外，需要建立强大的机器学习与数据产品团队的任何公司。是的，这意味着全球所有的产业，是相当大的一个细分。如果你认同「software is eaTIng the world」理论，那也就意味着全球所有的公司或多或少都会是科技公司。同样，也是数据公司。在顶级的科技公司与顶级的非科技公司之间已经有了很大的差距。在数据竞争力时代，这个差距会更大。

　　全栈式垂直人工智能创业公司有发展

　　在人工智能上，我已经干了 20 多年，其中有近 10 年是在硅谷创建人工智能初创公司。我是 DCVC（注重风险投资的人工智能与数据公司）的联合创始人，我的经历使我对全栈式垂直人工智能应用既激动又冷静的看待。

　　我激动是因为我认为每个产业都会被人工智能转变，冷静是因为低层的基于任务的人工智能能更快的商品化。我认为如果你并未解决足够高级的全栈式问题，你就会陷入低级人工智能服务的商品世界，最终由于缺乏动力而被收购或慢性死亡。

　　垂直人工智能创业解决全栈式产业问题需要与主题相关的专业知识、独特的数据和使用人工智能传递其核心价值的产品。虽然大部分机器学习人才为消费型互联网巨头以及相关的科技公司工作，但大多数的问题都潜伏在科技产业外的主要产业中。如果你认同「software is eaTIng the world」的假设，那每个产业中的每家公司都要变成科技公司了。

　　专注于垂直领域，你可以发现与人工智能非常吻合的高层级的消费需求，或者没有人工智能无法得到的新需求。这些都是极好的商业机遇，但需要极大的商业悟性和专业知识。一般而言，大部分人工智能创业者要么没有，要么意识不到，要么不够谦逊，把商业与专业知识的需求带入全栈之中（mov up the stack 或 go full stack）。

　　新的全栈垂直人工智能创业公司突然出现在了金融服务、生命科学、医疗、能源、交通、重工、农业、材料等领域。在拥有的数据、机器学习模型的支持下，这些创业公司将会解决高级别的领域内问题。2017 年至 2018 间，其中一些公司的会计收益率将达到 1 千万美元。这些全栈式人工智能创业公司可能会成为「清洁科技」领域的特斯拉和 Solar City。