當前位置:
首頁 > 科技 > 迅雷創始人程浩:人工智慧創業的 6 大核心問題

迅雷創始人程浩:人工智慧創業的 6 大核心問題

摘要:人工智慧創業該如何選擇賽道、搭建團隊、應對巨頭挑戰?

大家好,我是迅雷創始人程浩,現在專註科技領域的投資。今天跟大家聊聊人工智慧領域的創業和創新,包括如何選擇賽道、團隊的搭配、以及如何應對巨頭的挑戰。

為此我從投資人的視角,給大家總結了人工智慧創業的 6 大核心問題。

第一個問題:互聯網 vs 人工智慧

首先如果今天大家選擇創業,我建議更應該關注人工智慧,而非互聯網。為什麼這麼講?

1. 互聯網的流量紅利已經消失;

以 PC 來說,全球 PC 出貨量連續 5 年下滑。大家知道國內最後出現的一個 PC 互聯網獨角獸是誰嗎?是知乎,大概是 2011 年初推出,這麼多年過去,再也沒有 PC 互聯網的獨角獸出現。做個類比,我們知道 2015 年移動互聯網的滲透率和競爭程度和 2011 年的 PC 互聯網類似,以此類推,2015 年以後再做移動 APP,也很難出獨角獸了。

畢竟中國連續兩年手機出貨量都在 5 億多台,增長放緩,代表無線流量基本已走平,你多賣一台,我就少賣一台,是存量競爭。今天創業者再做一個純互聯網的 APP,投資人問的第一個問題就是你怎麼獲客。因為現階段流量格局已定,首屏就那幾個 APP。

2. 互聯網+的機會同樣有限;

主要在於互聯網最大的價值,是解決信息不對稱和連接。所以對於電商特別有價值。淘寶用皇冠、鑽石等信用體系解決了信息不對稱,同時又把全國有這麼多買家和賣家連接在一起。這個是互聯網的價值。

但很多行業信息和連接並不是痛點。拿醫療舉例,中國三甲醫院的大夫就那麼多,你把全國 13 億人民都和這些大夫連接上了也沒用,因為一個醫生一天還是只能看那麼多病人。互聯網並沒有提高醫生看診的效率。在諸如餐飲、醫療這些傳統領域,互聯網的幫助是很有限的。

也包括滴滴打車,互聯網解決了打車難的問題,但是沒解決打車價格的問題。事實上,補貼去掉之後,大家都發現了滴滴一點都不便宜,道理很簡單——不管是專車還是計程車,還是需要由人來開,人工成本降不下來,就不可能便宜。

3. 真正能夠提高社會生產力,解決供需關係不平衡的就是人工智慧;

人工智慧將給社會生產力帶來的提高,以及對人類帶來的影響將遠遠超過互聯網。

還是拿醫療來說,很多基層醫院水平不高,那未來完全可以通過人工智慧來輔助醫生讀 CT、X 光等醫療影像。像今年,IBMWatson 對皮膚黑色素瘤的診斷,準確率已提高至 97%,遠遠超過了人類專家 75%-84% 的平均水平。

未來,人工智慧無論是在無人車、機器人、醫療、金融、教育還是其他領域,都將爆發巨大的社會效益,這點毋庸置疑。我認為下一波大趨勢和大的紅利不是互聯網+,而是人工智慧+。我建議現在的創業者更應該關注人工智慧領域的創業機會。

第二個問題:人工智慧 vs 人工智慧+

人工智慧主要分三層。最底層是基礎架構(Infrastructure),包括雲計算、晶元以及 TensorFlow 這樣的框架。在基礎層之上是中間層,叫通用技術(EnablingTechnology),例如圖像識別、語音識別、語義理解、機器翻譯這些。

基礎層和中間層,是互聯網巨頭的必爭之地。比如晶元領域,Intel、英偉達、高通都投入巨資,競爭極其激烈。同樣雲計算、框架也是一樣,都不是小公司能夠涉足的領地。

現在對於中間層的通用技術,BAT 也極其重視。因為大家都相信人工智慧是下一波工業革命浪潮。對騰訊、阿里、百度這些巨頭來講,要想在大浪中屹立不倒,必須要構建出人工智慧的生態系統(Ecosystem)。而核心就是要依靠這些 Enabling Technology 技術。

相比創業公司,BAT 的最大優勢是什麼呢?第一,不缺數據;第二,為了構建自己的生態系統,未來通用技術一定全部是免費的;第三,雖然通用技術免費,但 BAT 有羊毛出在身上的豬機會。這是典型的互聯網打法。

這裡的豬是什麼?豬就是雲計算。例如百度的 ABC 策略,分別代表人工智慧(AI)、大數據(Big Data)和雲計算(Cloud Computing)。AI 我可以不賺錢,開放給大家,那麼大家想享受我的服務,就來買我的雲吧。

而對於創業企業來說,只做圖像識別、語音識別、語義理解、機器翻譯這些通用技術,指望通過 SDK 賣錢,未來路會越來越窄,特別是 BAT 都免費的壓力下。

所以從這個角度講,創業公司做下面兩層風險比較大。我認為創業公司的機會在最上層,就是拿著下兩層的成果去服務垂直行業,也就是我們所謂的人工智慧+。

第三個問題:人工智慧+ vs +人工智慧

深入垂直行業的人工智慧+,又可細分為兩類情況:即「人工智慧+行業」和「行業+人工智慧」,他們間有明顯的區別。

「AI+行業」簡單講就是在 AI 技術成熟之前,這個行業、產品從未存在過。比如自動駕駛,亞馬遜的 Echo 智能音箱、蘋果的 Siri 語音助手。在人工智慧技術未突破前,不存在這樣的產品。因為 AI,創造出了一條全新的產業鏈。

「行業+AI」就是行業本身一直存在,產業鏈條成熟,只是以前完全靠人工,效率比較低,現在加入 AI 元素後,使得行業效率有了明顯提高。比如安防、醫療等領域。

客觀講,這兩個類別都有創業機會。但「AI+行業」,因為是一條新的產業鏈,創業公司與互聯網巨頭實際是處在同一起跑線上。巨頭們坐擁數據優勢。所以從這個角度,「行業+AI」相對對創業公司更為友好,也更容易構建出壁壘。

我認為,未來行業壁壘才是人工智慧創業最大的護城河。因為每個行業都有垂直縱深, 儘管 BAT 技術好一點、並不關鍵。拿醫療+AI 舉例,什麼最重要?大量準確的被醫生標註過的數據最重要。沒有數據,再天才的科學家也無用武之地。

但在國內,這個醫療數據拿出來非常困難。所以 BAT 做醫療一點優勢都沒有,因為他們要把這些數據,從各醫院、各科室搞出來也很累。相反,如果一個創業者在醫療行業耕耘很多年,也許拿起數據來比大公司更容易。

這要求創始團隊的合伙人中,必須有懂行業、有行業資源的人才。這與互聯網+一樣,一旦細分到具體行業,並不是說你百度、騰訊有資金、有流量,投入人才就什麼都能做,比拼的還有行業資源和人脈。

之所以跟大家聊這個話題,是因為前一段去百度大學跟大家交流,他們提到百度人工智慧在無人車和 DuerOS 的應用。同時又問我,人臉識別在國內安防領域的應用價值非常大。像海康威視有近 3000 億人民幣的市值,每年光凈利潤就有近百億。百度在 AI 方面是不是該考慮進軍這個領域。我回答說千萬別,因為安防是典型的、有巨大壁壘的「行業+AI」領域。 

即使百度技術好,在人臉識別率方面比海康威視高一個百分點(實際不一定,海康背後有幾百人的 AI 研發團隊)。但這並不代表百度就能替代海康。因為安防是「非關鍵性應用」(non-mission-critical),100 個犯人我識別了 95 個,你比我多識別了一個做到了 96 個,其實沒那麼重要。

而反過來,海康對比百度有什麼優勢?首先海康是做攝像頭的,用自己的硬體跑自己的演算法,是很自然的事兒。就像蘋果手機,軟硬一體體驗更好。其次,海康做了這麼多年的安防,積累了非常多的數據,人臉的數據、環境的數據……在安防領域有數據優勢。最後,海康給公安系統做了很多類似警務通、基站信息採集、視圖檔案管理等 SaaS 平台的東西,以及警用雲系統。我們可以認為公安系統的 IT 化,其中有一部分就是海康威視參與的。

這些東西可能不賺錢,但卻為海康構建了壁壘。因為底層的基礎設施都是我建的,那前端的東西就只能用我的(我可以有 100 個理由,說競品與我不兼容)。而且海康做了這麼長時間,積累了大量的客戶資源,特別是政府公安局的資源,開拓這些資源非常需要時間。

這些就是所謂的行業縱深。所以即使對 BAT 而言,想進入「行業+AI」領域,選擇垂直賽道時,同樣要非常謹慎。在巨大的行業壁壘面前,真不是說我的演算法比你好一些,市場就是我的,只有技術優勢仍然差的很遠。

回歸「AI+行業」和「行業+AI」,通常來講前者的行業縱深會比較淺,而後者則有巨大的行業壁壘。而行業壁壘,則是創業公司最大的護城河,也是抵擋 BAT 的關鍵。

第四個問題:關鍵性應用 vs 非關鍵性應用

談到人工智慧領域的創業,很多人都會有個誤解,就是如果我團隊沒有個大牛的科學家,比如斯坦福、MIT 的博士坐鎮,我都不好意思講在人工智慧方面創業。其實這個認知是完全錯的。因為在人工智慧領域,演算法到底有多重要,完全取決於你要準備進入哪個行業。

根據行業和應用場景不同,我認人工智慧的創業本質上有 mission-critical 和 non-mission-critical 之分。為了方便大家理解,我們簡稱為「關鍵性應用」和「非關鍵性應用」。

「關鍵性應用」要追求 99.9……% 後的多個 9,做不到就沒法商業化。比如大家認為,99% 可靠度的自動駕駛能上路嗎?肯定不能,意味著 100 次就出 1 次事故。99.9% 也不行,1000 次出一次事故。

千萬記住,99% 和 99.9% 的可靠度差距並不是 0.9%,而是要反過來算,差距是 10 倍。也包括手術機器人,聽起來 99.9% 可靠度已經很高了,但意味著 1000 次出一次醫療事故,放在美國,醫院還不得被巨額索賠搞得破產。

所以「關鍵性應用」領域,就是一丁點兒錯都不能犯的人工智慧領域,必須要有技術大牛、科學家或演算法專家坐鎮。同時,這類項目研發周期都很長。

正如以色列做 ADAS(高級駕駛輔助系統)解決方案的 Mobileye 公司,今年 3 月被 Intel 以 153 億美金收購。大家知道這家公司研發周期有多長嗎?Mobileye 成立於 1999 年,到他們推出首款產品、掙到第一桶金已是 2007 年。長達 8 年的研發周期。這在互聯網創業里不可想像。包括谷歌無人車從 2009 年開始研發,到現在一直沒有商業化;達芬奇手術機器人從啟動研發到 2000 年拿到美國食品藥品管理局(FDA)的認證,花了十年時間。

「關鍵性應用」的普遍特點就是這樣,項目通常很貴,研發周期巨長,離錢非常遠,需要持續的融資能力,團隊怎樣才有持續融資?起碼要有非常好的簡歷和非常好的背景。這個是能夠持續融資的必要前提。所以大家可以看到,今天做無人駕駛的創業團隊都是高富帥。因為不是高富帥,你都熬不到產品真正商業化應用那天。

當然,如果在人工智慧領域都是「關鍵性應用」,那就沒大多數創業者什麼事了。實際上,人工智慧領域的創業,95% 都是「非關鍵性應用(none-mission-critical)」。簡單講對這些領域,AI 的可靠度只要過了基礎線,高一點低一點區別不大。

最簡單的例子,現在很多公司的門禁開始用人臉識別。你今天帶個帽子,明天戴個墨鏡或口罩,識別率沒法做到 99%。可即使沒識別出來也沒問題。因為所有帶人臉識別的門禁都有地方讓你按指紋。即使指紋也刷不進去,問題也不大,公司不還有前台嗎。

這就是「非關鍵性應用」。這類項目不追求 99% 後面的很多個 9。實際上,國內人工智慧和機器人方向的創業,大部分領域都是「非關鍵性應用」。當然並不是說,在這個領域演算法不重要,你天天認不出來也不行,所以一定要過了基礎的可用性門檻,偶爾出現問題可以容忍。「關鍵性應用」則不能容忍。

「非關鍵性應用」不追求高大上,簡單、實用、性價比高更重要,這樣的項目通常比拼綜合實力。包括:

對行業的洞察理解。要熟知行業痛點;

產品和工程化能力。光在實驗室里搞沒意義;

成本控制。不光能做出來的產品,還得便宜的做出來;

供應鏈能力。不光能出貨,還要能批量生產;

營銷能力。產品出來了,你得把東西賣出去。團隊里有沒有營銷高手,能不能搞定最好的渠道是關鍵。 

所以大家在創業組團隊時,一定要想好你選擇的賽道處於哪個領域,不同的賽道對於團隊的要求是不一樣。「關鍵性應用」必須有技術大牛坐鎮,「非關鍵性應用」則要求團隊更加綜合和全面。

五個問題:技術提供商 vs 全棧服務商

現在很多人工智慧創業者都是技術背景出身,創業的第一個想法通常是做技術提供商。技術提供商作為創業的敲門磚可以。但如果只定位做技術提供商,未來路會非常窄。為什麼說未來只做技術提供商價值會越來越小?原因有幾點:

1. 首先通用技術一定是大公司的賽道,BAT 未來一定會開放免費。

人家大公司會免費提供人臉識別、語音識別、語義理解、機器翻譯這類 EnablingTechnology,你還打算怎麼靠 API 調用賺錢呢?也許現在還可賺點小錢,但很難成為一個長久的生意。

2. 依託於演算法的技術壁壘會越來越低。

未來隨著基礎計算平台和開源平台的豐富成熟,技術方面的壁壘會越來越不明顯,整個人工智慧的技術准入門檻會越降越低。就像 2008 年你想找個 IOS 開發者,很難,現在卻很容易一樣,所有技術的演進都遵循這一規律。特別隨著今天各大學的計算機專業,都紛紛開設機器學習課程,未來人才不缺,這會拉低整個行業的進入門檻。

同時隨著谷歌 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數據來訓練參數就好了。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只是演算法,那將非常危險。

3. 技術提供商如果不直接面向用戶/客戶提供整體解決方案,則非常容易被上下游碾壓:

對於技術提供商和演算法類公司,如果你的技術壁壘不夠高,上游很可能直接把你的事做了。這樣的例子比比皆是,比如給海康威視提供人臉識別演算法的公司。問題就在於,海康在用你演算法的時候,人家也有龐大的研發團隊在研究自己的演算法。現在用你是人家還沒準備好,一旦準備好立刻會把你替換掉。

即使在有一定技術門檻的行業,技術提供商的日子同樣並不好過。比如專註嵌入式的視覺處理晶元的 Movidius,大疆無人機一直在用他們的晶元。但自從大疆統治了消費級無人機市場後,大疆現在也很自然地開始研發自己的晶元。

按說晶元的技術壁壘並不低,但只要行業集中度高,贏家就會選擇通吃。比如做手機的廠商,出貨量到了一個閥值,都有動力自己做晶元。像蘋果、三星、華為還有現在的小米,都選擇了自己做手機 CPU。所以聯發科、高通這些技術提供商,其實是挺痛苦的。

這其實是一個產業鏈通用規律:產業鏈上的壟斷者會吃掉所有利潤,而且他們非常有動力往上游或下游擴展。拿 PC 產業鏈舉例,內存、硬碟、整機、顯示器……都不賺錢。錢被誰賺走了?Windows 和 Intel 卻賺走了絕大部分利潤。

既然做純技術提供商沒有出路,那怎麼辦?浩哥提出「一橫一縱」理論。前期做技術服務可以,但是不能一輩子做技術服務。

「一橫」就是指你提供的技術服務。通常「一橫」能服務很多行業,一定要找到 1、2 個,你認為最有市場機會,最適合你的垂直領域,深扎進去做「全棧」:把技術轉化為產品,然後搞定用戶賣出去,實現商業變現,再通過商業反饋更多的數據,更加夯實自己的技術。一句話講,要做技術、產品、商業和數據四位一體的「全棧」,這就是「一縱」。這才是健康的商業模式。

在垂直外的行業,因為沒有利益衝突,你仍可老老實實的做技術服務。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,形成更多的數據迴路,從而夯實你的技術。這個就是「一橫一縱」理論。

那麼對於技術創業公司,從「一橫」走到「一縱」,要選哪個垂直領域,取決 5 個關鍵因素:

市場空間夠不夠大?

做垂直領域的全棧,還是做橫向的技術提供商?取決市場空間哪個更大。找對垂直領域,即使只佔一點點市場份額,也可能比做「一橫」全歸你的收益大。拿美圖公司舉例,他們有美圖秀秀、美拍、美顏相機等 APP,同時還會跟很多手機廠商合作,提供相機拍攝的美顏效果,你可以理解這就是技術服務。

但研究 2016 財報後,大家知道美圖秀秀選的「一縱」是什麼嗎?就是美圖手機。以上提到的技術服務都遠沒有垂直做美圖手機賺錢。美圖手機佔了公司全部營收的 93%。雖然美圖手機去年的銷量大約在 74.8 萬台,僅僅只佔國內手機市場全年銷量 5 億多台的不足 0.15%。

行業集中度如何?

做「一橫」技術提供商時,最擔心的是你的上游或下游過於集中,或者說頭部效應越明顯,對技術提供商就越不利。舉個簡單的例子,IDC 時代,HP、DELL 等廠商賣伺服器,都是直接賣給各 IT 公司,大家日子過的都很滋潤。但 2010 年之後就很難做了,因為雲計算出現了。

提供雲計算的廠商就那幾個,兩隻手就能數出來。而且頭部效應極其明顯,僅阿里雲一家佔了 50% 以上份額。如果你是一個技術提供商,在跟這麼壟斷的行業去談判,你會發現沒有任何籌碼。所以現在就很悲催,假設我是阿里雲,會讓你列出 BOM 成本,我就給你 5% 或 10% 的利潤,這個生意就很難做了。

在這種情況下,你當然有意願也往上遊走。但帶來的問題是什麼?如果上游集中度高,說明這事的壁壘很高,你作為技術提供商想往上走,同樣很困難;如果這個上游集中度低或客戶很零散,對你是件好事。但是你也沒有太大動力往上遊走,因為這個市場本來就很零散,你即使殺進去,可能只有 1% 的市場份額,而且使得 99% 的人都變成你的競爭對手了。這是個悖論。

技術是改良還是革命?

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,越有機會往上遊走。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「待機一禮拜」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,而且是全球唯一!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 10~20%,那你還是老老實實賣電池吧。

雙方壁壘誰更高?

技術提供商的壁壘和上遊客戶的壁壘哪個更高,也決定做「一縱」的成敗。拿比較火的直播平台而言,現在都有美顏功能,例如給女孩長出個耳朵那種,這個通常都是第三方提供的技術。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,但你沒有明顯優勢。

可是直播的壁壘相當高,這事有網路效應,用戶越多會吸引更多的美女主播,因為能賺到更多錢,美女主播越多,也會帶來更多的用戶。同時你捨得花錢,需要很多資金來買流量以及簽約很 NB 的主播。所以這個事壁壘很高。你做技術提供商壁壘不高。這種情況下,雖然技術提供商只能賺個辛苦錢,但是仍然完全沒有機會往上遊走。

到底跟團隊基因相符不相符?

能做得了技術服務,不代表能做垂直解決方案,做全棧,因為團隊不一定有行業經驗,這是很大的問題。亞馬遜的無人便利店 Amazon Go 出來之後,國內不少技術團隊也想提供類似的技術,甚至想做 2C 的便利店。

與他們聊完後,我都會勸他們再考慮一下,你的技術再好,對於用戶而言,他買東西的時候,會看這個便利店有人還是無人的嗎?不會,這不是優先選項。他首要考慮的還是——哪個便利店離我更近,以及我想買的東西這個便利店有沒有。

從這個意義講,這又回到了零售的本質。所以如果團隊沒有零售的基因,沒有懂零售的人,就別考慮自己開便利店的事。這時候,很多人可能會問「那我找個懂行業的高管不就行了么?」這事沒那麼簡單,如果 CEO 不了解行業本質,其實是很難靠一個高管去彌補的。

我特別相信基因決定論,如果任何一個新的商業,BAT 找個懂行業的高管就能搞定了,那中國互聯網的生意就全是 BAT 的了,就沒創業公司什麼事了。BAT,一個做搜索,一個做電商,一個做社交。其實他們 3 個都把對方的事情已嘗試了一遍,最後都不成功。所以大家能做什麼,不能做什麼,跟這個公司的基因是高度相關的。

第六個問題:2C vs 2B

最後一個問題,簡單說一下,科技成熟都需要一定的時間。因為從任何技術普及演進的角度,幾乎都延續了先是從軍工(航天)、到政府、到企業、到 B2B2C、再到 2C 這個規律。人工智慧也一樣,目前人工智慧在 2C 市場還不是很成熟。

簡單說機器人,在個人消費者市場,出貨量大的機器人只有 4 類產品:掃地機器人、無人機、STEAM 教育類機器人和亞馬遜 ECHO 為代表的智能音箱。為什麼 2C 市場早期的普及有一定的困難,簡單講幾個原因:

1. 產業鏈不成熟

我做一個創新的東西,成品有 10 個部件。每一個部件都得自己做,而且因為出貨量不大,每個部件都沒有規模效應,這就導致每個部件都很貴,那你最後做出成品一定很貴。這是非常大的問題。

2. 2C 是額外花錢

這也是很重要的一個問題,2C 端的用戶因為自掏腰包、額外花錢,所以對價格通常比較敏感,產品很貴就是一個很大的門檻。

3. 2C 產品的用戶期待度高

用戶買了這麼貴的東西,自然對產品的期待度會更高很多。大家覺得我買一個機器人回來,恨不得什麼都能幹:又能唱歌、又能跳舞、又能聊天、又能清潔、又能講英語。但這是不現實的,現在的技術成熟度離此還有些遠。

相對於 2C 端,這些問題在 2B 端卻不是問題。

1. 2B 端對價格承受能力更高

首先,企業對價格的承受能力顯然比 2C 強很多。你說一個機器人 2 萬,2C 消費者不可能買,但企業問題不大,企業對成本承受能力高。

2. 2B 的核心目的是降成本

舉例工業機器人,10 萬塊錢一個,聽起來很貴。但一個工業機器人替代你 2 個崗位。這 2 個崗位一年也得 10 萬塊錢,還不算四險一金。然後這機器人能工作 4 年,這一下成本只有你原來的 25%,甚至不到。那麼企業一算賬,覺得還是很便宜。

3. 2B 可以採取人機混合模式

還有 2B 端的機器人應用更簡單一些。一方面大多是單任務,機器人只要做好一件事就行了,實現起來簡單。另外,很多都是以"人機混合"模式在作業。也就是以前需要 10 個人幹活,現在我用機器人替代一半人。簡單重複的工作用機器人替代,複雜的用剩下的 5 個人,這就是"人機混合"模式。

舉個例子,現在國內外已有很多安保機器人,按固定路線去巡邏。你可以理解為移動的攝像頭,當然演算法上肯定加入了一些識別的東西。固定繞路線巡邏,這個完全可以交給機器人來做。難的是,在巡邏的過程中,如果發現有老太太摔倒了,讓機器人扶起來,這個目前還做不到。

但這不重要,你們後台不還有 5 個人么,讓他們過來就好了。所以人機混合是 2B 比較主流的模式,這個大幅降低了機器人普及的難度。

最後再說一點,目前大多數 AI 創業公司都是技術專家主導,這很容易理解,因為現在技術還有壁壘,技術專家主導起碼保證產品能做出來。不過未來隨著技術門檻的降低,特別在「非關鍵應用」領域裡,團隊的核心主導,會慢慢過渡到產品經理和行業專家為主,因為他們離用戶需求最近。「非關鍵應用」領域,懂需求比技術實現更重要。長期來看,人工智慧創業和任何其他領域的創業一樣,一定是綜合實力的比拼!


喜歡這篇文章嗎?立刻分享出去讓更多人知道吧!

本站內容充實豐富,博大精深,小編精選每日熱門資訊,隨時更新,點擊「搶先收到最新資訊」瀏覽吧!


請您繼續閱讀更多來自 極客公園 的精彩文章:

比人腦快 1000 倍的光子晶元,牛津大學最新成果可能徹底淘汰 CPU
瑞士現冰人奧茲同款銅斧頭 距今5300年
地球5種瀕臨絕滅的動物,其中有3種生活於中國
揭秘人死之後的真相:人死後到底會去向哪裡?有沒有陰曹地府?

TAG:極客公園 |