常春藤資本施麒：AI企業商業模式的關鍵是什麼？

Xtecher【錯別字基金】溫馨提示：如果您在閱讀過程中發現錯別字，請在文章底部留下說明＋聯繫方式，我們會立刻發給您5-88元隨機紅包一個。

施麒，常春藤資本副總裁，負責大數據、人工智慧的早中期投資，有多年德勤會計師事務所審計經驗和國富基金PE/VC投資、投後管理經驗。

5月6日，Xtecher杭州第四期私享會在浙大玉泉校區展開，常春藤資本副總裁施麒在活動上做了主題分享。

作者｜伍小仙

編輯｜陳光

微信公眾號ID｜Xtecher

施麒在分享中，與語音技術應用相類比，分析了語義領域的應用、圖像識別的應用、AI+工業的發展、AI+教育的發展。當提及AI+金融時，他與大家分享了自己的幾點看法：

1、量化交易確實有效並且廣泛使用，資金、情緒，直接做可行，智能投顧不可行；

2、基本面策略為時尚早，噪音數據太大，真有用的工具，迅速被整個市場接受；

3、快速讀報告和語義搜索是目前還是靠人在做，但這相對容易變現的。

與之類比，施麒同樣提出了自己對AI+醫療的觀察：

1、樣本量不需很大，且確實有效

2、好的樣本集中在最好的醫院裡

3、影像需要與醫生深度綁定，做標註

4、變現方式正在探索，與設備/信息系統廠商綁定是最有可能的，那麼問題來了：設備廠會不會直接做這個事？

最後，他在自己的PPT上進行了一次總結，AI的關鍵詞為：經濟效益、可擴展性、可演進性，最重要的是，要接地氣。

以下是Xtecher整理自施麒憶的分享：

今天比較隨意，只是把我之前看的一些AI項目、一些感想跟大家分享一下。

我的分享分為四個部分，首先是AI投資的現狀，其次是我們關注的一些公司的特徵，第三是三大應用（語音、語義和圖像，李總講了很多語音的東西，我就不細講了），第四是AI+垂直行業的情況。

首先講第一部分，現在AI投資挺熱的，每十幾個小時就會有一家新的AI創業公司誕生，投資人都很關注演算法，但也有一些投資人不看，會覺得一個公司，特別期望用深度學習或者各種機器學習，用很多牛逼的模型去解決一些問題，但有時候一些問題的最好的解決方案並一定是那些很牛逼、很高大上的演算法，很可能只是需要一些簡單的統計分析和人的經驗以及一些機器學習的東西。

現在AI投資很熱，很多投資公司在看，但大家關注的點各有不同，我們是覺得好的AI公司應該有以下一些特徵：

首先，產品，也即它的產品邊界、技術邊界和工程落地。

AI公司整體是非常缺乏產品經歷的，只是知道生產技術能夠解決什麼樣的問題，它的邊界在哪裡，可以怎樣跟產品結合，這個產品要怎樣才能通過好的工程手段去落地。在這個過程中你沒有數據怎麼辦？你有數據，你配了一些規則，但是這些規則衝突了怎麼辦？還有許多類似的問題，都需要公司摸著石頭找出一條路。

其次，商業模式問題。

AI公司的商業模式跟之前的移動互聯網以及其他一些類型的公司很不一樣。AI整體是一個比較早期的技術，它離錢相對比較遠，更多的AI公司只是在目前有一個著眼點，這個點很重要，這個點不太可能一下子很大——如果這個市場一下子很大，要麼BAT會做，要麼這個點根本不存在。因此，AI公司應該通過一個比較窄的切入點拿到一些數據，打磨自己的團隊和產品以及工程落地的能力，慢慢地建立一個護城河，順便也賺點錢，這點也很重要。一個AI公司在PreA、在天使的時候，可以靠講故事、有產品去吸引一部分錢，但是投資人到了A輪、B輪肯定需要看一些業務數據，尤其是toB類的公司，如果它存在需求，存在願意為之買單的客戶，就OK了。

第三是組織實施的能力。

組建什麼樣的團隊，團隊裡面有哪些核心的人物。比如，一個語音項目里，有沒有語音學專家和心理學家？一些語料，如果你只是從互聯網上去扒取，去貼吧、去微博，這些地方得到的數據非常臟，需要進行很多清洗，能不能做好，我也不知道，需要打一個比較大的問號。

第二部分，我們關注的一些公司的特徵。

AI公司要做好，正向的關鍵詞有三個。

一，可以解決現實中的痛點，這個痛點切實存在，儘管它的市場不一定很大，但它加起來有幾千萬或者小几個億，一般的大公司不屑去做，但小公司把這事兒做好就可以成為一個還不錯的公司，那就可以把自己的護城河建立好且獲得一定經濟價值，這是第一點。

二，我們關注的是技術的可延展性，很多時候，一項技術解決的第一個問題可能是一個比較LOW的問題，比如一個智能客服的問題，但是當我們把這個客服的問題解決好之後，很多工程落地的邊界也打磨好了，未來它可以做好別的方向，比如推薦引擎，比如企業及服務的領域。用同一項技術可以解決很多問題，第一個問題只是它的著眼點，是試金石，這個試金石不一定能創造很多收入，但是它未來可以做的二三四五是我們看中的一個方向。

三，可引進性。可擴張性是移動互聯網比較流行的一個概念，可引進性是其淺表。可擴張性的意思就是說，同樣的一件事，未來可以複製到很多類型的公司中。綜合來說，我們關注的就是，一個AI公司可以用很多辦法解決一個特定的問題，出現三個特徵，我們會認為這是一家比較接地氣的公司，我們會對它的估值給予一定寬容度，因為我們認為團隊和商業模式比一個公司的估值更重要（當然，這可能也是我們安慰自己的話，因為在目前的情況下，基本不可能找到一家便宜的AI公司）。

第三部分，講幾種應用。

語音的部分（因為李總講得比較詳細）這裡直接跳過。

講講語義。第一是人機交互，比如三角獸之類的公司就拿到了比較大的融資，市場中，客服、娛樂、教育、個人助理比較多，上周我在北京看了一個項目，他們做的是個人助理，已經在樂視手機上有一個小應用。我們的感覺是，首選人機交互作為切入口，這毫無疑問是一個不錯的商業模式，目前，這是C端比較能接受的一種模式，當你把它定位為娛樂的時候，不太會有人很嚴肅地對待這個人機交互產品，你也不需要去解決非常詳細、複雜的問題，而只需要把它當成一種調侃或者遊戲。

舉個例子，比如狗尾巴草，他們說自己是AI公司，其實他們是遊戲公司、娛樂公司，他們做的就是我們十幾年前、幾年前玩的戀愛養成，只是把戀愛養成遊戲從PC上，手機上搬到了全息或者AR這麼一個投影下去做交互。

在語義當中，還有一些別的應用，比如搜索引擎，百度不必說，除了百度，還有也有很多團隊在做很多垂直行業中的搜索引擎。再比如推薦系統，近日頭條賴以生存的重要基石就是推薦。

我們也投了一家做圖像資料庫的公司，這種需求是存在的，目前這類公司在金融、安防乃至軍隊領域都大範圍存在，只是現在的技術還比較原始，只能做一些比較簡單的畫像或者低維度的人群行為的處理，所以一步步來，這種商業也是比較好的。

再講講語境分析和事件傳播，這件事的市場在於，政府也好、大學也好都會有這類需求，比如學校提出想看看學生在校園裡幹了什麼事情，當出現一個話題時學生的反應是什麼，政府則希望在一些大型事件中做輿情監控。只是這個方向目前還沒有做得特好的公司。

再者是企業接待服務，這個空間挺大，只是大家切入點比較窄。你要做好一個很大的市場，恐怕還要五年或者十年，目前的切入點有智能搜索、基於公開的資料庫，如工商、訴訟等數據給企業做畫像，又或者提供一些異常事件的第一時間的預警等等。

而圖像呢？大樣本的數據量及演算法導致圖像數據最近幾年特別火，局限是很多創業公司在工程落地當中踏踏實實幹的並不是特別多。在我看過的創業公司里，能夠處理好臟數據的公司不超過十家。視頻識別難度會更大一些，因為它高了一個維度，在視頻識別的應用中還存在局限。應用，一是人臉、二是圖片搜索、三是視頻對象的提取，每一個市場都非常大，有很多創業公司在做，我們看過一些，綜合來說，我們的感覺是如果它的素材是基於互聯網素材提取然後基於創業公司加工是比較危險的。第三類，也即視頻對象的提取，需求比較大。現在我們搜索視頻，好像只能通過標題，其實視頻中還有很多可以提取的數據。這個業務有很多創業公司在做，阿里也在做，阿里有取之不盡用之不竭的數據，且有比一般創業公司高一到兩個量級的計算能力，所以這是不是一個好的創業方向需要打問號。

人臉識別現在也非常火，安防當中非常多，也有剛需，大家都往裡面擠，已經出現好幾家獨角獸了。在這個市場中，大家的方向可以有兩個，一個是切入一個類型的場景和任務的時候，把它做得特別好；另一個是往後端做，有一些攝像頭數之後切入到後端，把很多元異構的資料庫打通，去做數據服務。

第四個部分，我講講AI+垂直行業。

目前最能看到的，AI能夠切入，產生明顯的經濟價值且賺很多錢的是金融，金融中的量化交易。但這事可能不太適合創業公司做，現在上海有很多對沖基金有團隊在做這事兒而且確實很靠譜和可行，能賺很多錢，只是他們一般不會把這個模型拿出來跟別人分享，理由很簡單，那就是一個模型用的人多了，它會失效、準確率會下降，而這類公司又是能夠量化交易的模型。但是這個方向對於創業公司來說是不是一個好的方向還要再打一個問號。

然後是報告摘要和語義搜索，國內有很多這樣的公司，同花順也在做，還有些創業公司也在做，這確實是一個比較好的切入點，能夠提升很多效率，而且因為我們公司有二級市場，所以我們確實也覺得這是靠譜的，它的市場不會特別大。

AI+金融，AI+工業呢？在座的創業公司基本上可以分為兩類，也有可能都在做。第一個是生產線的監測和提前的預警，第二個跟設備有關，設備運行狀態的監測，每個都會切一些垂直的行業。每個公司都會有些賣點，比如通過減少故障率，或者降低在發生故障的時候設備生產線的損失給客戶帶來經濟價值。但是現在碰到的一個問題就是很多願意付錢的客戶，它目前的生產線本身就已經很精良了，它的設備都是通過一些大公司來採購，故障率本來就不高。那麼你的工作相當於把原本999的東西提升到9999，999和9999到底有多大差別呢，算一下好像沒有那麼多，所以他不會願意付很多錢，這是第一個會碰到的問題。

第二個會碰到的問題，其實這些工業企業它真正需要的是提升產品的良品率，哪些方案可以通過改良生產線去帶來產品附加值的提升，這個痛點是更明確的，也有一些小公司在做的，團隊其實一般，但是他們的切入點，圍繞一個比較窄的工業行業去做延伸，我認為是相對來說比較靠譜。

而且工業的跟消費還不太一樣，工業的這個數據實在是太專業了，每個工業細分領域的數據都不太一樣，不是說簡單地靠你放一些感測器採集一些噪音、震動、溫度、濕度就可以解決問題的，有些數據，哪怕是同樣做工業行業，另外一個細分行業的專家過來看，也不一定看懂。

AI+醫療，國內公司也很多，無外乎分成影像和病歷入手的兩類公司吧。這裡舉幾個小的例子。總的來看，AI確實是能改善、提升醫療效率的，至少它能夠在上萬億的垂直的病歷的樣本基礎上面擊敗百分之六七十的醫生，這個是可行的，這是第一個感想。第二個感想，我覺得現在好的樣本都在數據裡面，所以對於一個創業公司來說，找到比較好的醫院，比如說一大堆切腫瘤的公司，那腫瘤就是在TOP的三甲醫院，每一個細分的腫瘤，比如說乳腺癌，那乳腺癌全國做到最好的TOP10，你最少要進幾個，因為最好的樣本，特別是一些常見病歷、罕見病歷，他們那兒都是最多的，而且他們那邊的專家的水平也是最高的，他們那兒的醫生要跟你配合出來做標註，那個準確率也是最高的。變現方式呢？其實這類醫療的公司都是在探索，哪怕你拿到一些垂直行業的數據，你的技術也被驗證下來是可行的，也能夠提升診斷的準確率，能提升影像科或者檢驗科醫生的效率，但是醫院不太會為了這個事情付很多錢，醫生個人更不願意為這個事情付很多錢，互聯網醫療平台的付費意願是有的，但它的付費能力有沒有也要打一個問號。

所以這個變現方式也是每個公司在逐漸摸索的，比如說跟設備一起賣，因為你如果直接進醫院，你的收費名義是什麼，這是挺難回答的一個問題，而且你不能直接用於臨床，你只能作為醫生的輔助診斷的工具，那就可能是搭著設備廠商，或者信息化廠商的便車，一塊賣到醫院裡面去，打的名號就是我可以提升設備或者信息化系統的附加值，可以使得這些產品賣得更貴，這個倒也是一個路徑，但是這個路徑的市場，它的附加值到底最後能帶來多少，很難說，而且會不會設備廠等等未來就自己做了？其實有些公司已經在自己做了，那創業公司到底在這裡面的機會還有多少，也很難說。

所以我們感覺這裡後面可能在僅僅從事檢驗的入手的這麼一個工具，輔助診斷工具吧，對於醫生來說還不是特別、特別地痛，可能會去從一些有處方權的治療的醫生這邊來入手，因為這些好的醫生，他們時間很短，如果能夠提升他們的效率，給一個病人出方案、出planning、治療planning的時間越短，他可以看的病人就越多，如果他院內沒有接單能力，服務那麼多病人的話，他就可以到院外去，那就可以創造一個多點執醫或者是遠程診斷的一個前提。

AI+教育，主要有兩個方面（沒有包含所有當中的類型）。

第一個是自適應教育，第二個就是自動做題、判卷，比如高考機器人，自動判卷也是一個痛點。但是這一塊，因為教育裡面你只是作為一個輔助的工具，要找到買單的人其實也挺難的，教育跟醫療也有很多相似的地方，相對來說你直接去做學校，可能它的空間會更大一點。高考機器人現在雖然非常火，但是我們跟很多在做高考機器人研發的團隊，很多是在高校團隊裡面聊過，其實難度還挺大，比如說像數學，理解這個題乾的難度就非常非常大，更別說解題了。

第三個就是主觀題的判卷，可能比做題還要難，因為學生的邏輯思路是不一樣的，你不能靠什麼答案是一二三四，然後你就把一二三四全找出來之後就判對，老師不是這麼批的，還要看學生的邏輯思維是怎麼樣，這個其實相當於來說你是一個完整的自然理解，要理解這個學生每一步的意圖，可能比你自己答卷，你自己答卷只要有一個規則或者你有一條路是走通的，你就可以答對，判卷呢你要條條路都要知道這條路是對還是不對。

AI+加法律，也有一些創業公司在做，第一家叫無訟。他們切入點是兩個，一個是把法律的知識流程做一個標準化，我們也投過一家做法律的公司，叫百事通，之前他想乾的也是這個事，那時候AI沒有火，是還挺久以前，2010年、2011年的時候；第二個，他的團隊都是做法律出身的，不懂什麼機器學習、深度學習，所以他配了很多規則，去解決這事，還是賺錢的。他們把很多關於消費者維權的案例拿過來，然後找好的律師討論一下，把律師在應訴消費者維權案例時的環節，包括流程的環節和文書等等打散，然後形成一個相對標準化的系統，然後給很多小地方的律師用，這個需求確實是成立的，比如阿里每年有上萬個case，最後是走到了訴訟環節，就是在淘寶上面訴訟用戶、訴訟商家的，每年大概有上萬例，現在法律規定，這些用戶是可以在他們當地告阿里。阿里法務非常強，但是也經不住每年有幾萬例從全國各個地方打過來的官司，他所以它需要外包出去，外包給三四線的律師，那些水平一般都不行，而且律師分的也非常細，懂消費者維權的律師畢竟比較少，所以需要有一個工具，有一個創業公司提供這麼一個工具去服務於第三方的律師，不管他之前是不是消費者維權的，不管他水平行不行，讓他能夠在快速的時間內上手，這個事情是百事通，我們之前投的項目在做的事，而且他們也靠這個事賺了一些錢，不過他只是處理簡單的規則。

那麼現在有沒有可能通過一些統計加上規則的手段，把更多的法律的細分行業做標準化處理，這是我們現在認為還比較靠譜的一個點。

第二是裁判文書的搜索和生成，因為裁判文書是公開的，有一個叫裁判文書網的網站，有大量公開的法律文書，可以靠這裡面的數據做一些文本的挖掘，而且能夠提升包括律師、法官在內的一些法律從業人員的工作效率，它不僅能搜索，而且能生成，律師和法官每天自己要寫的東西很多，所以它可以作為一個輔助工具，可以提供一個輔助判決的工具，相對來說會靠譜一點。所以我們其實最近也比較關注AI+法律這個領域。

常春藤資本成立於2007年，是一家專業全資產管理機構，業務涉及境內外股權投資、證券投資以及金融諮詢服務。常春藤重點投資雲計算、大數據、視頻與視頻流、機器人、人工智慧等新興產業領域的早中期企業，主要投資區域覆蓋中國環渤海地區、長江經濟帶和珠江三角區，以及美國矽谷和以色列硅溪等全球性創新聚集高地。 曾獲香港HFM雜誌亞洲對沖基金表現獎、PEAS年度最佳投資機構 TOP10、CV Awards最具創新力綜合性基金管理機構 TOP10、清科集團本土私募股權投資機構前50強等獎項。

━━━━━

封面來源：網路 排版：陳光 校對：許禎穎

━━━━━

Xtecher官網平台現開通認證作者，

（添加好友請註明公司、職位、事由）

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！