柯潔完敗AlphaGo，AI行業大佬告訴你AI領域的創業還有哪些新機會？

最新 05-28

5月26日，「聚勢AI 智創未來」2017騰訊AI加速器初試（華南區）在深圳市軟體產業基地舉行。創客貓作為合作機構到場進行獨家圖文直播和報道。（點擊"閱讀全文"進入直播現場）

對話嘉賓：

珊瑚群董事長孫業林

PPTV創始人&藍馳創投合伙人姚欣

騰訊AI Lab計算機視覺負責人劉威

迅雷創始人&松禾遠望基金創始合伙人程浩

阿博茨金融CE&海豚瀏覽器創始人楊永智

騰訊AI開放平台負責人馮豪

主題：

智能商業時代，企業如何「AI+」？

主持人：孫業林對話嘉賓：姚欣、劉威、楊永智、程浩、馮豪（從左至右依次排序）

從全球來看，中國在計算機視覺、AI領域目前所處的地位與美國、歐洲相比差距不小，劉威表示，針對深度學習中國跟美國的差距並不大，原因是中國擁有很多主流學者認可的原創演算法，以及中國的計算機視覺要強於美國，我國人口基數龐大的優勢帶來的數據多且精準。他指出，中國的深度學習演算法半年將超過美國。

程浩表示，AI顯著的創業機會中視覺領域創業者佔大多數，原因是視覺領域技術相對成熟，在很多垂直領域的應用里，視覺領域應用最廣。人工智慧的方面，他看好人工智慧+金融，人工智慧+醫療等方向。

在AI領域創業中有需要特別避免的誤區，楊永智表示做人工智慧是需要數據，再者最大的挑戰是AI領域的人才，最後要避免偽AI和假AI，因為很多的VC都是看商業模式，而忽略技術，這導致了融資估值高和貴。楊永智認為，AI創業的時間窗口會比2010-2012年間中國智能手機的增長周期要更長一些，從長期來看AI創業是非常樂觀的。

信奉技術的姚欣表示，尋找改變生活的力量。創業不僅僅獲得財富的回報，更重要的是自己做的事情對於世界或者周邊的人實現了某種影響和改變。他認為，AI已經應用到很多領域，只是還未被用戶感知，如網易雲音樂，會根據你的習慣推薦一個歌曲，它會推薦一些已有版權且符合用戶的喜好，從而獲得足夠用戶停留。他表示，不一定非要把技術顯示在外面，最核心的是把AI裡面數據驅動運用在某些感知環節里，極大提高自己的商業效率。

以下是圓桌實錄：（經創客貓編輯，有刪減）

主持人：先問劉總一個問題，我想請您介紹一下在計算機視覺2C領域除了騰訊以外，還可能有什麼應用場景，另外在2B層面又有哪些？

劉威：長期以來我都是做2B安防上的業務，例如視頻監控，監控車輛、人的異常行為，以及辦公室監控，還有安檢。虹膜識別，因為我發現人臉識別做了很久，但是要做高精尖還是很難的，比指紋識別差一些，而且每個人虹膜非常獨特，不容易變。監控來說識別難度更大，這些全是2B的業務，人臉識別可能政府沒投太多錢，對於監控政府投了很多錢做了事情。

主持人：會有商業機會嗎？

劉威：人臉識別已經非常接近商業，可以在手機端實現，但是監控很難。微軟現在也在跟很多國內安防企業合作，你剛才強調了2C，我看到中國的商業模式基本上都是做社交類，這也是Facebook能做起來的原因，它是做PC時代的圖像社交，我們現在從PC時代的圖像社交到移動端的圖片社交，2C目前比較好。

劉威

主持人：我想再接著問一個問題，因為你是從美國回來，目前從全球來看，中國在計算機視覺、AI領域處於什麼地位，未來要領先我們要在哪些方面做工作？

劉威：我跟很多從業者都有一個很大感覺，幾年前我們做的事情不會認為是做AI，我也很少跟別人說我是AI工程師，我們是行業細分領域，做大數據的說做大數據，做圖像的說做圖像，做深度學習的說做深度學習，但是AI行業太好了，創業的都說在做AI，沒有深度學習的AI是不靠譜的。我通俗說一下，有了深度學習的AI就靠譜了，能商用了。

中國跟歐洲、美國來說，差距不小，但如果狹義到深度學習或者計算機視覺，我可以講一講，如果針對深度學習中國跟美國的差距沒有那麼大，中國提出了很多原創性的演算法，得到主流學者的承認，再說計算機視覺，我甚至認為中國要強於美國，當然有很多原因，有人戲稱中國圖片很便宜，中國公司標註圖像容易，從一個意義上解決了中國的計算機視覺可能比美國還要強，我們數據很多而且很精準。

第二我們人口基數很大，我們每天有幾十億、幾百億的數據在流淌，首先數據肯定比美國豐富，然後深度學習演算法不比美國差多少，甚至說這個時代AI一定要開放，不開放是做不好AI的。前面有很多先驅者，不像以前藏著掖著，無論是演算法模型還是整個框架都是開源的，包括騰訊自己也開源了，所以在這些情況下我們有數據、平台，我們演算法不比別人差，深度學習演算法就算美國領先一點，也最多領先半年，半年之後就超過它了。既然計算機視覺是應用層面的事情，綜上所述我認為中國要比美國強的。這就是為什麼會有一個概念、思想在論文創造出來中國能夠率先把它商業化，我認為計算機視覺比美國還要走在前面一點。

主持人：在過去一年中，整個騰訊在海外做了很多布局，在美國、歐洲、以色列都做了很多布局，我想問一下騰訊全球性的支持創業平台，在AI領域有什麼其他可能性能夠更好幫助已經入駐的AI創業團隊或者將來的創業團隊。

馮豪：圍繞AI這塊，我要提AILab，因為它今年成立一個新的研究基地，以AILab為一個核心，後面在波士頓、韓國、新加坡等各地陸續成立AI的眾創空間。為什麼成立加速器，我們做演算法一定要到商業層面才能推動AI進一步發展，其實我們不論是加速器還是開發生態也好，其實跟在座一樣，跟更多合作夥伴拿AI技術深入這個行業。具體到海外，國內外本身技術和交流，我們會幫助海外的項目，看它跟國內的差異，同時加速器我們會安排一次跨界交流，引進海外項目就它的發展以及商業上的碰撞進行交流，其他的創業大賽我們陸陸續續也通過公共平台發布，也請大家期待。

馮豪

主持人：現在您在全職在做投資，我想請您簡單介紹一下投資之後，在AI領域看到特別顯著的創業機會。

程浩：AI從去年已經很火了，在過去我們大概投了6、7個相關的項目。總體從AI創業者來講，首先在視覺領域創業者最多，其實很容易理解，因為視覺領域技術相對技術成熟，首先就是安防，這確實是有中國特色，包括金融、巡檢等，包括無人便利店，很多垂直領域的應用，視覺領域應用最廣。除此之外，我們還看到人工智慧，特別是大數據在企業方面的應用，其實也是非常多，所以總體來講我們看到人工智慧+，人工智慧+金融，人工智慧+醫療等，這是主要方向。

主持人：永智跟我們分享一下在創業過程中的重要機會，或者在AI領域創業，因為你有一次成功創業經驗，有什麼需要特別避免的誤區。

楊永智：我這是第二次創業，整個創業大環境是非常大的改變，其實最主要的變化是在於機會，我上次創業是抓住移動互聯網的機會，2010、2011、2012年，那幾年創業只要堅持下來，就跟美國西部大開發一樣，只要一直跑。現在人工智慧比較火，但是對於我們有過一次創業經歷人來說也是比較大挑戰，因為以前是做移動互聯網，做2C的，現在做創業主要是在2B不是在2C，做人工智慧要數據，做2C的創業數據再怎麼拼也拼不過2B，所以選2C通用領域是很難有機會的，可能在某一些局部領域有機會。

比如說像剛才姚欣講的虛擬助理這些，但這些窗口也很短，最後變成很多垂直領域，我自己比較看好的是AI跟金融、醫療、教育這些行業結合，原因就在於金融離錢很近，相對數據比較公開，第二金融行業數據非常大。像有些行業數據獲取非常困難，比如說醫療，這就是做互聯網創業的人還真不見得適合干這個事，除非你有非常好的團隊結合，能夠把這些數據弄到手上，尤其像以前做互聯網，現在做人工智慧創業，你的基因要進化，必須要與時俱進去學習，無論是拿大數據還是把客戶拿下，這是一個非常大的挑戰。

第二，一個比較大的挑戰是人才。現在創業門檻變得越來越高了，為什麼？因為這幾年雙創，投資者越來越多，其實機會變得越來越少，相對來說門檻變得越來越高，尤其在AI裡面，比如北京開了100萬美金的offer你要不要，每個月工資抵我們一年工資，我估計在深圳更難找，我自己覺得深圳騰訊太強大了，中間的公司太少，沒有生態流動系統，北京林子大了什麼鳥都有，全國也能往那裡跑，北京還容易招雖然很貴。所以人才也是做AI創業一個非常大的挑戰。

第三個問題，現在偽AI比較多，假AI也不少。因為以前的VC很多都是看商業模式，其實沒有什麼VC是會技術的，我覺得現在去融資估值也很高、很貴，這是我看到的挑戰。我自己認為創業，短期可能我沒那麼樂觀，我長期還是很樂觀，我覺得這個事情不會像移動互聯網一樣的，比如2010-2012年是中國智能手機迅速超過50%，這三年時間創業是最好的，現在這個時間窗口可能拉得比較長一些，不會有那麼快，但是長期我還是非常看好這件事情，這是我個人觀點。

主持人：下面問姚欣問一個假設性問題，因為你也是一個非常成功的移動互聯網的創業者，也做了大量的工作，如果你要再一次創業，在AI領域會具體做什麼事，然後怎麼樣做？

姚欣：這不是假設，早上還在講，我說所有的努力都是為了下一次更好的創業。我們這裡也有二次創業者，再次創業考慮的東西比較多，第一，不僅僅是為了做更大的公司、更多的錢，要尋找更長期的動力，第一我是信仰技術，最好我做PPTV是因為我自己做技術，我覺得技術要改變世界，我一直在喊：尋找，改變生活的力量，這是過去一直做的事情。最近這幾年模式創新遇到很多挑戰，科技創新在各種領域都在做。第二，成就感，創業不僅僅獲得財富的回報，更重要的是你做的事情對於世界或者周邊的人實現某種影響和改變，你也覺得這種事情你的付出是有回報的，我們看到今天毫無疑問，如果跟2C的事相關你的成就感會很強。早期我也在一家公司堅持過，這事如果不出事你永遠不知道你的存在，出了事就是很大的問題，很多2B就是這樣，你可能掙到錢，但2C成就感比較強。

姚欣

第一，在信息行業找機會，最近的趨勢是數據驅動，我都不想用AI這個名詞，用數據改變傳統的演算法，用數據驅動來做複雜的演算法，看各個行業跟風口，如果跟2C結合就跳進去。今天絕對不是單一的技術，幾個觀點，第一，你要做2C，其實是伴隨著技術的過剩，那個時候技術稀缺，但是真正進入到2C的時候，技術過剩是2C的一個標誌，現在還不到，以後大學生都能當好科學家的時候就接近了；第二，還需要一系列相關的能力，這裡面計算只是其中之一，你需要有別的能力的積累；最後是商業模式的東西，如果用原有的商業模式在巨頭下是做不出什麼東西，現在看到在組合里來講，無論是新的能力還是新的方式已經出現了，現在做AI創業也好跟大家交流，希望能夠儘快感知到可能會發生到的趨勢。

主持人：接下來請各位嘉賓能不能舉一到兩個真實的案例，我們傳統行業怎樣跟AI結合，我們知道的真實案例或者我們認為有機會的。

程浩：我舉一個最簡單的跟視覺相關的，大家知道去停車場停車，現在直接掃你的車牌，然後到裡面掃微信，然後出來再掃，這是離我們最近的一個例子。

主持人：有沒有看到在全球、中國或國外，AI已經做得非常有成功趨勢的？

程浩：不知道怎麼定義傳統，工業領域最簡單的就是殘次品檢測，比如以前做生產一個iphone，能不能在每一部通過視覺檢測一下簡單的問題，這個在中國已經在某些領域深入，人工智慧與傳統行業的應用已經非常多，包括無人零售，這個東西直接落在中國可能有一些問題。但是基於這個想法，中國已經有很多類似的，當然打法不完全一樣，我覺得很多。

程浩

主持人：無人零售相當於人工智慧跟零售結合。

馮豪：我想到幾個案例，如果對於傳統行業跟AI最好的結合，法律應該算一個，在法律來講初級的律師就是分析案例，他需要看以往大量的案例，有可能兩個律師花幾個月時間去做這樣的工作，現在通過AI的技術可以快速把跟你案子相關的卷宗做一些分析，而且放到平台上，從它結果來看並不知道背後產生這麼大的變化，但是實實在在給法律行業帶來變化，而且給初級律師包括翻譯帶來衝擊。相對互聯網，在細微行業我們看到變化，以前我們一些論壇是有字幕的，以往通過同聲傳譯去做，但現在可以做到語言的翻譯，直接體現在屏幕上，現在很多行業公司把這個技術做到通用。我們認為AI會潛移默化跟日常生活中各種各樣的公司、行業結合，它確確實實要滲透我們生活當中。

楊永智：我舉一個金融領域的例子，尤其是車險理賠，還有欺詐也比較多，我看過有些公司做得比較有意思。這是當出現車禍時，用手機去拍，大家知道這個車是什麼樣的車子，零部件損傷是什麼樣，這個在保險領域將來可以節省大量的人力成本，就是做定損，尤其現在像新型的保險，我認為計算機視覺在保險車險防欺詐、理賠領域。

還有一個可能跟教育相關的，如果數據足夠多的話，可以海量做訓練，不斷給你新的題目加強訓練，這類型公司也是用AI做學生知識點的分析，也是一個機會吧。

劉威：我剛才說的三大方向，圖像識別、語音識別、自然語言處理，叫外賣也好，用語音跟他交互等，都是用人工智慧做插件功能，如果用人工智慧改變端對端，我個人總結三大特點，更精準、更高效、更強。AI能夠開發成功，也有很多新的商業模式，具體一點，我知道一個人，是我的校友，他搞了一套基於機器學習的課程或課表安排的程序，我們怎麼做呢，每個學生新入學或快畢業了，每個學生都有一個訴求，哪天有空、哪天想學什麼課，滿足大多數學生和老師的要求，要高效很多，這是利用人工智慧的高效。

第二，在安防得到淋漓盡致的體現。我想說大局觀的問題，尤其是博弈類，在有對手情況下你怎麼做決策，我們用人工智慧大局觀可以提前一年或兩年做出判斷。更多的不細說，比如銀行業，可以搞出機器人能夠看、聽，能夠跟人交流，也就是把準確性、高效性用上去。

姚欣：我講一個觀點，今天並不一定要把AI掛到嘴上，其實在很多領域已經把這類技術已經應用，但是感知不到。我舉一個例子，網易雲音樂，大家知道在音樂戰場上競爭非常激烈，版權各家壟斷，比如去網易雲音樂，根據你的習慣推薦一個歌曲，它推薦一些盡量有版權又符合你的習慣，對於公司的經營來講，可能今天的成本沒有像其他人投那麼大，但是獲得足夠用戶停留，我們不一定非要把技術顯示在外面，如何高大上、科技化，把它裡面數據驅動，這是很核心的，運用在某些感知環節里極大提高你的商業效率。

主持人：謝謝各位嘉賓剛才的分享。我們看到在AI自身就有很多創業機會，AI也可以跟很多傳統行業做特別深入的結合，剛才各位嘉賓給予我特別多的啟發。我自己也親身經歷了很多事情，也參與推動了發展，過去是信息、科技、通訊和存儲等結合在一起推動發展，ABC，A就是人工智慧，它廣泛滲透到幾乎生活方方面面裡面去，另外一個A是自動化的東西，再加上IOT；B是區塊鏈，它是第二塊互聯網，可以徹底顛覆我們很多東西；C就是我們雲端的計算領域和終端的計算領域在集聚。在ICT的驅動下產生大量的小而美的公司，在ABC的驅動下會產生更多大的公司和小而美的公司。

今天的論壇到這，謝謝大家！

文丨創客貓小指

以上，創客貓現場報道，如有轉載請註明來源