AI創業三問：如何選賽道？技術服務還是全棧？2C還是2B？

虎嗅註：本文來自迅雷創始人程浩的分享。他以從投資人的視角，對人工智慧領域的創業和創新進行了一番解讀，包括如何選擇賽道、團隊的搭配、以及如何應對巨頭的挑戰。原文談到了人工智慧創業的6大核心問題，想看原文，不妨點擊《迅雷創始人程浩：人工智慧創業的6大核心問題》。

以下為虎嗅對其中3個問題的摘編：

第一個問題：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，就是如果團隊沒有斯坦福、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%小數點後的多個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，但只要1000次中出了一次醫療事故，放在美國，醫院可能就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。

「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，離賺錢非常遠，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）」。簡單來講，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，公司不還有前台嘛。

這就是「非關鍵性應用「。這類項目不追求99%後面的很多個9。「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，還得便宜地做出來；

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。

第二個問題：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。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年你想招個iOS開發者，當時很難，現在卻很容易，所有技術的演進都遵循這一規律。很多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，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用來參考（出Demo會更快），創業者只要有足夠的數據來訓練演算法就好了。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。舉個例子，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，其實日子過得挺痛苦的。

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。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？

行業集中度如何？

技術是改良還是革命？

雙方壁壘誰更高？

跟團隊基因是否相符？

第三個問題：2C vs 2B

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，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。

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。然後這工業機器人能工作4年，這一下成本只有你原來的25%，甚至可能不到25%。那麼企業就會算一下賬，覺得還是工業機器人便宜。

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」的模式在作業。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技術。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！