人工智慧，中國為何有機會超越美國？
十年前，我們很難想像我們認識和不認識的人會被一張網無時無刻牢牢的連接在一起。今天，我們也很難想像天天操心的很多事將會在十年後基本上沒我們什麼事。可能以後將是機器出方案，你來做決定，甚至你根本就沒資格做這個決定，機器幫你做了，而且做得更好。機器的詢問無非是讓你感覺稍微好一點而已。
也許將來人工智慧將指導我們生活的幾個場景，並非天方夜譚，這一切正在逐步發生。
今天，我們將分享一篇來自線性資本的合伙人王淮的文章，他的核心觀點是：人工智慧一定會實用化，而中國在這方面的進展要快於美國。在接下來的20分鐘內，他將結合過去在美國的經驗，和在中國的實踐，從技術型投資人的角度對中美兩國人工智慧產業發展做一個分析和比較，一起來看看吧。
首先，人工智慧是一個實用性技術。它並非Rocket Science.
從學術上而言，它並非一個新生物。如果把人工智慧之父Minsky在1956年召開第一個人工智慧主題的會議當做研究開端的話，已經有70年歷史。但一直到5年前我還在 Facebook 的時候，在公司里我們從來不提人工智慧這個詞，要麼說自己是數據挖掘，最多說機器學習。
但不會講人工智慧，因為讓人工智慧變得火爆的神經網路技術在當時並不成熟。在當時的工業界，系統性的大數據基礎架構的工作都還在進行中，針對的場景問題大多是強特徵的，對於神經網路特別擅長的表徵提取能力並沒有需求。
如果沒有最近幾年的圖像聲音處理方面的需求爆發，深度學習實用化的進展不會如此之快。而圖像聲音處理的需求更要感謝智能手機的普及。今天一天產生的圖片數大概是1000億這個量級，是5年前移動時代所謂元年的100倍，這還不包括我們國家特別多的監控攝像頭產生的數據量。
所以人工智慧的火爆要感謝相機應用的火爆，相機應用的火爆要感謝智能手機的普及。所有事情都是連接到一些，水到渠成自然發展起來的。
但人工智慧的未來不能只依賴於圖像處理。人工智慧如果要想持續性的發展，其實用性一定會拓展，從現在流行的圖像聲音處理拓展到其他複雜特徵的問題中。
其次，人工智慧實用性的拓展，是需要這5個方面的配合。大數據，演算法，算力，人才，和應用場景。我從這5個方面分析下中美的差異。
01
大數據
沒有大數據就沒有人工智慧
上面我提到了我真正認同的有大數據和人工智慧理論和實踐兼具的公司只有谷歌，Facebook，亞馬遜，百度和阿里巴巴。他們的數據夠大。這些公司只屬於兩個國家，美國和中國。
美國有3.5億人口，人口世界第三，其中75%居住在城市或城市郊區，綜合消費能力世界第一。中國15億人口，處在一二線城市的人口數量大概是3億，消費能力不弱，而且消費習慣正在升級中。加上還有巨大的農村市場。這兩個國家最大的共同特點都是人口很多，所以產生的數據量很大。
但不同的是，美國的公司普遍是世界性公司，矽谷一向的理念是出生第一天就強調全球化（born to be a global company）。 但美國的移動應用的普及數不如中國，因為人口數量和移動應用的活躍度這兩項指標都不如中國。
但他們的數據可以通過全球其他市場來彌補。美國文化的全球性也讓很多美國科技公司的產品容易被別人接受。
中國的數據基本上就是國內產生，但架不住人口絕對數量巨大和高活躍度，中國大型互聯網公司產生的數據規模並不比美國同行小多少。
換而言之，我們區域網的體量可以和其他所有國家加到一起來媲美。開玩笑說，沒有手機陪伴，中國用戶都不敢一個人上洗手間。早上起床之前和晚上睡覺之前一定要先批閱奏章才能安心入睡。
共同特點是兩個國家的數據呈現幾個封閉大島周邊圍繞很多數據孤島的現象。像谷歌壟斷了搜索相關的數據，知道用戶在 Web 上面從哪裡來到哪裡去。Facebook和騰訊接近壟斷了社交網路，知道你關注了誰，和誰溝通了。阿里巴巴接近壟斷了線上交易數據。
這些都是屬於封閉的數據大島，美國公司的特點是願意用 API 的方式開放部分數據出去，中國大公司的特點是要麼投資要麼深度合作才有可能實現部分數據的開放。在這點上，微信的開放度是遠遠不夠的，有巨大的改進空間。
但生活之中除了這些普世性的大應用，還有金融，內容，娛樂，交通，飲食等等一類的垂直大應用，也會形成很多數據孤島。
這些孤島的數目在中國要多於美國，願意和科技公司合作把數據交出去的概率更高 ——一是中國的移動化更加徹底，形成的移動數據量更多；二是中國的各個垂直領域更加傳統，對於移動化，智能化的需求更加迫切。
這點可以參照支付寶的成功案例，支付寶很大的成功要歸結於中國信用卡支付系統的不成熟和移動支付需求的旺盛。這些數據孤島如果能夠被打通的話，是有機會出現1+1大於二的效果。
比如反欺詐領域的領頭羊公司同盾在綜合各公司的交易相關數據形成的用戶畫像質量和分級能力要強於任何單個客戶，而這些二次處理產生的數據，就是屬於你自己的獨特數據了。
02
演算法
在演算法層面，最大的貢獻還是泛學術界，包括各大高校和科技公司的實驗室。比如 谷歌 微軟 IBM 百度 等的 AI Labs。在演算法的原創性上，美國的學界要走的更加激進一些，基本上CNN, DNN等等基礎方法都是在美國的實驗室里最早被提出來。
但有這麼幾個趨勢 : 一是這些原創者當中越來越多的出現華人的面孔，有人做過統計，近四成的機器學習領域的優秀論文是華人所寫。
二是越來越多的學術界的人往工業界跳，新加坡國立的顏水城教授加入了360負責研究院，山世光老師整合計算所的力量做了中科視拓，谷歌找來斯坦福教授李飛飛來負責新的機器學習部門。
三是越來越多的優秀海外華人學者往國內走。我相信的是我們會看到越來越多的原創性的優秀演算法會在國內的公司或者高校里出現。
從工業界的進展來看，演算法經濟作為一個創業角度美國要遠比中國做得好。美國的兩家代表公司，一是波士頓的datarobot，二是西雅圖的algorithmia，強調的是把演算法作為一種服務提供出去，但並不觸及具體的領域落地。
國內不管是創業者還是投資人，基於對於風險的恐懼，主動的把這個機會讓渡於大公司，過於強調閉環和垂直整合。人為的增加了這塊創業和融資的難度。殊不知，大公司在提供演算法（以及下面會提到的算力）來滿足整個業內的需求這點上，不見得有相應的動力和團隊激勵機制讓他們獲得持續可靠的競爭力。
在這點上中國的創業者缺乏對願力的信仰, the power of vision. 而美國的創業者，尤其是西岸矽谷的創業者，創業的第一天就想著改變世界，go big or go home, 這一點是值得我們的創業者也很值得我們的投資人來學習。
03
算力
神經網路的層數越來越多，所解決的問題也越來越複雜，對於算力的要求越來越高。
拿圍棋來說，落子博弈樹的空間複雜度是10^300，比起宇宙中的原子數量10^80次還多。各種演算法都對於算力提出了巨大的要求。這也是為什麼 nVidia 在過去兩年內股價上漲了6倍的原因。
這塊的創業有兩種類型，強調軟體和服務，AI computing as service，結合演算法+算力，強調技術產品輸出的運營能力；另一類是強調軟體和硬體的深度結合，更強調創新。如 nVidia，Google，中國像地平線，寒武紀等等，都在嘗試不同的角度軟硬結合。
有趣的是，專門為演算法來優化的硬體在美國是大公司做，中國是創業公司主導。我的理解是，對於很前沿的兵家必爭之地，美國的大公司更有憂患意識；中國的大公司比較不著急，先等一個方向相對明顯的再去追趕。
演算法和算力這塊的創業對於人才的要求特別高，對於融資金額的要求也很高，創始人基本上都是在大型公司負責過類似問題的超一流的技術人才。當然，對於投資人的要求也很高。畢竟要看懂技術方向，選對人，還要給得起錢。
04
人才
不管是中國還是美國，對於大數據和人工智慧的創業人才提出了比移動時代大得多的要求。
移動時代有很多 low hanging fruits, 所需要的更多是產品能力和狹路相逢勇者勝的精神。在智能創業時代，這些要素仍然需要，但還不夠。對於創業者的基本技術素養，對於技術到產品，產品到商品整條路徑的時機把握，也要到位。
我們最近做了一個創始人背景統計，投過的近30家此類公司的創始人當中，90%是名校畢業，44%擁有 PhD，近50%有過 Facebook, Google, BAT 的經歷。
從歷史上來看，美國在人工智慧人才的積累有優勢，但差距正在被急劇縮小。一方面是通過過去5年多中國的公司在大數據和其應用的大規模實踐打造了一大批人才，另一方面是很多國外頂尖的華人在過去幾年內紛紛回國，而且這個趨勢是越演越烈。在個別公司上，甚至人才質量要高於美國同類公司。
上個月在波士頓的AI考察當中，我最大的感受是美國曝光很多的幾個 AI 公司他們的 人才構成，deliverables都不見得比國內類似地位的 AI 公司要好。而這些公司，對於中國的市場都非常有興趣。
有一家做自動駕駛創業公司的老外CEO 直接表示，他們認為自動駕駛的未來在中國，所以他們很早就找了中國投資人作為跟投方，同時在年底來中國進行規模性的合作和融資訪問。
05
應用場景
應用場景，也就是要解決的問題。
美國是世界上一流的發達國家，很多傳統領域的發展都非常不錯，金融領域有完善的支付系統和信用制度，ERP/SAS 在美國早已盛行多年普遍鋪建；但到了移動和智能時代的時候，很多變成了歷史性的負擔 - legacy。
對於移動和智能有需求，但現有的東西還能湊活著用，加上競爭並沒有中國市場的激烈和殘酷，所以讓他們全面移動化和智能化並不容易推進。
在美國生活的一個明顯感受是大部分公司還是很強調 Web，而在中國有移動 APP 或者微信公眾號比起有網站要重要的多。唯一一個在矽谷最像中國公司的 Uber，也因為各種文化問題惹上麻煩，造成 CEO 的黯然離場。
但在中國，Uber 類型的公司風格是常態，不是變態。本身基礎的薄弱，加上競爭環境的惡劣，再加上之前諸如阿里巴巴騰訊等公司提早擁抱高科技實現屌絲逆襲最後換道超車的成功故事的激勵，最後澆一把關於AlphaGo大戰世界棋手的油，讓很多傳統領域的中大型公司對於大數據和人工智慧有一種本能的渴望和恐懼。
恐懼造就需求 —— 對於行業第一名，希望不要被人工智慧加持的行業後來者超車；對於追趕者，希望能獲得競爭上的優勢，降低成本或者提高決策效率，實現業績的突破。這就像原始人類對待火的態度，恐懼並渴望。
但不管是哪種，對於強調大數據處理能力為主要手段的人工智慧創業公司是一個巨大的的利好。這種相對落後的現狀加上巨大的市場造成了中國在應用場景上的巨大優勢。
同盾在3年內實現了不到一隻手的客戶數到今天的7000+；桃樹在於中大型銀行的客戶獲取的進展上，神策在於互聯網和金融客戶的獲取上，都大大超過了我們的預期。
很多人會在問，哪些方面的AI創業機會比較好。我的回答是你最熟悉和最感興趣的領域，前者對應著 skill，後者對應著 passion。這比起什麼風口豬理論更為重要。不然即使投資人很看好一個領域，也不會選你的團隊。
我再來正面回答我們非常看中的三個大的AI+的創業領域——一是用數據科技來改造金融；二是 AI+醫療；三是數據對於企業流程的升級再造，可以認為是 SAS 2.0。我們的很多精力都放在這3塊領域上。而這三塊的未來，中國的機會都比美國更大。
金融行業更傳統也更集中；醫療在中國是一個更大的社會問題；企業之前電子化信息化的基礎不夠，但反而給了一次性跳躍升級的機會。
科技的落地從來不是線性的，而是跳躍性的。我們不是在馬車上加馬達，而是造了汽車，而汽車的發展讓馬車基礎設施被整體替代掉。我相信智能的落地也會有很多類似的案例出現。
今天仍然有很多人質疑人工智慧的未來。我堅信，人工智慧的時代一定會來臨。會在不斷的質疑之中你突然回首，發現未來已來，發現生活的方方面面已經智能化和自動化。只是某些領域的到來可能會早於另外一些領域，在某些國家的到來要早於另外一些國家。
這一點上，我們作為中國人很幸運，因為人工智慧在中國落地的速度可能會快於世界上任何一個角落，這給了這個領域的創業者和投資人巨大的機會。祝各位好運！
TAG:地球摺疊 |