雖然說當(dāng)下幾乎各行各業(yè)都在擁抱人工智能，但你是否知道人工智能曾經(jīng)有過一段時間被忽視，且只能以數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)等其他稱呼來進(jìn)行代替？

近日由網(wǎng)易科技和網(wǎng)易智能主辦的第七季 “網(wǎng)易開物沙龍” 在浙江大學(xué)召開了題為“AI將引發(fā)生活大爆炸？”的主題沙龍，其中線性資本創(chuàng)始人王淮從投資人的角度發(fā)表了演講。

王淮提出投資人工智能更看重三大要素：

大數(shù)據(jù)

深度方法

應(yīng)用場景

其中，大數(shù)據(jù)應(yīng)該是大規(guī)模、結(jié)構(gòu)化并且被標(biāo)注好的；而應(yīng)用場景則要有決策整合，要么能達(dá)到更快的效率或者更好的決策質(zhì)量。王淮認(rèn)為投資盡量避免投入無法形成自由大量的高質(zhì)量額數(shù)據(jù)公司，從而避免數(shù)據(jù)孤島效應(yīng)。深度并不是投資人關(guān)注的重點，投資人要看到的是有用的算法；應(yīng)用場景在商業(yè)上的點要夠細(xì)，能用一兩個簡單的指標(biāo)來去衡量。

另外王淮還建議學(xué)者型創(chuàng)業(yè)者，應(yīng)該多注重銷售團(tuán)隊的建設(shè)，這是成功的必要條件，也是一個鴻溝。

王淮認(rèn)為明年AI泡沫到頂點，資本會越堆越大，5年內(nèi)會有一個擠泡沫的過程。

演講實錄：

謝謝大家，我從投資人的角度談?wù)勎覀兺兑恍〢I項目之后的感受，有一些經(jīng)驗，還有一些是教訓(xùn)。

以投資人的身份在跟大家分享之前，我想加一句其實我原來是做技術(shù)的。

除了剛才提到的做過很多前端后端的事情之外，我最后兩年做的都是跟現(xiàn)在稱之為人工智能。那個時候不敢叫人工智能，因為那個年代叫人工智能大家一定覺得你在忽悠，我們那時候叫數(shù)據(jù)挖掘，最多叫機(jī)器學(xué)習(xí)。

人工智能這個詞應(yīng)該是過去兩年才真正的從沒有變成老鼠過街人人喊打的狀態(tài)，以前大家是不怎么敢提的。像我們以前讀書的時候，我們翻到人工智能那章的時候老師說這個東西不重要、過吧，都是屬于這種狀態(tài)。在工業(yè)圈的時候，以前手下有三個KGD，這種你就用數(shù)據(jù)模型之類來干活就行了，千萬不要提NOP，這種亂七八糟的各種模型，還是用很多傳統(tǒng)統(tǒng)計學(xué)習(xí)的方式。

我最后負(fù)責(zé)的是大數(shù)據(jù)反欺詐，我不知道有多少人創(chuàng)業(yè)的？都是學(xué)生是嗎？在杭州我們投過一家公司做的非常不錯，做大數(shù)據(jù)反欺詐的公司。那家公司的創(chuàng)始人原來是阿里巴巴負(fù)責(zé)風(fēng)控的工程總監(jiān)，我以前干的事跟他干的基本一模一樣，我們也是他天使+輪的投資人。進(jìn)入分享經(jīng)驗和教訓(xùn)之前，可能先講講人工智能整個流程當(dāng)中的一些必要步驟，這可能會對于我待會分享的東西有比較清晰的結(jié)構(gòu)。

簡單的分成這三大塊

第一塊是數(shù)據(jù)源。

第二塊是當(dāng)中算法的處理，所謂的人工智能處理的方法。

第三塊是應(yīng)用，最后處理完東西要發(fā)生作用才行的。

數(shù)據(jù)這塊典型的三個大的特征我們認(rèn)為是，一個規(guī)模要大，小孩子你只要給他一個蘋果的照片，再讓它看蘋果問題不大，但是機(jī)器不行。結(jié)構(gòu)化數(shù)據(jù)，尤其在深度學(xué)習(xí)出現(xiàn)之前的可能更多的是像做反欺詐的時候，很多都是1是1、2是2，都是結(jié)構(gòu)化的數(shù)據(jù)。第三是標(biāo)注好的，什么是好人什么是壞人，他是什么特征，這個都要標(biāo)注好，深度學(xué)習(xí)理論就是機(jī)器識圖，這是過去兩三年產(chǎn)生成熟的技術(shù)。人的人臉在哪里，蘋果在哪里，你要標(biāo)注好。

第二塊方法論，典型的這兩類屬于機(jī)器學(xué)習(xí)的。原來統(tǒng)計的學(xué)習(xí)方法，更多的可能叫回歸算法、決策樹、SVM，我們以前大部分是這套?，F(xiàn)在比較流行的深度學(xué)習(xí)是過去兩三年才真正成熟進(jìn)入到主流的視野當(dāng)中，這些做人臉的都是在過去兩三年起來的，以前都沒有他們的生意可做的，大部分都是在學(xué)?？蒲薪嵌取＿€有一個是叫Buzz規(guī)則，深度學(xué)習(xí)之前那是規(guī)則系統(tǒng)，更土了。

第三個很重要的是我們投資人關(guān)注的應(yīng)用場景，搞了一堆數(shù)據(jù)，搞了一堆處理，完了之后不能解決商業(yè)實質(zhì)解決的問題。要么比別人的商業(yè)決策更快，要么讓決策質(zhì)量更高。如果做不到這個，這個東西沒人愿意買單，你沒有辦法依賴你剛才在數(shù)據(jù)處理技術(shù)上面建立的優(yōu)勢去實現(xiàn)我們稱之為產(chǎn)品到商品的轉(zhuǎn)變過程，如果這點沒實現(xiàn)的話，這家公司是不可投的，再牛也沒用。

從數(shù)據(jù)這個角度，我分享一點經(jīng)驗。

該做什么？

我們這里面有一個比較堅持的看法是說有一個原始數(shù)據(jù)積累的強(qiáng)策略，這個什么意思呢？就典型的這些做大部分做人工智能的公司都存在這兩個大的問題：數(shù)據(jù)不是你的，應(yīng)用場景不是你的。你強(qiáng)的是有這種原來所積累的處理的能力，那些算法能力，調(diào)優(yōu)能力。數(shù)據(jù)不是你的就意味著你是無源之水，很多事情干不了，業(yè)務(wù)不屬于你的，付錢這一段，這個時間決策點是別人的，你要求著人家，像絕大多數(shù)的公司起點都是很困難的。如果沒有特殊的方法，有兩種我們看到典型的方法：一種你有歷史的數(shù)據(jù)積累，像我們投的中科院計算所專注在人臉識別19年了。我們把整個實驗室商業(yè)化了，這個合作應(yīng)該是中科院計算所50年來第一次跟商業(yè)化的VC合作。他們歷史上跟華為還有跟政府，咱們出入境的時候人臉都要掃一圈的，都是上一代的技術(shù)，這是有歷史的數(shù)據(jù)積累。另外你技術(shù)很強(qiáng)，別人愿意用你，同盾就是這樣的，是阿里巴巴原來負(fù)責(zé)風(fēng)控的工程總監(jiān)，出來之后大家覺得干這個事情你是最好的最牛的，我愿意試你，而且最開始走的路徑找的是電商，然后再找的是互聯(lián)網(wǎng)金融的，基本上中國的所有的P2P、在線金融的公司都是它的客戶。再后面走的銀行政府，你看它的一步一步是越來越困難的，因為你越后面的人他越關(guān)注的是你之前有什么客戶我不要做你的吃螃蟹的人。所以你要通過這樣強(qiáng)能力的輸出一步一步的獲得這些初始用戶，再一步一步拓展出去，到今天他們有五千家，我們投他的時候就幾家客戶。

不該做什么？

想了半天覺得這家公司這群人他沒有辦法形成大量的高質(zhì)量的數(shù)據(jù)，這里面有幾個關(guān)健詞，我們認(rèn)為在普遍的數(shù)據(jù)源當(dāng)中有一個數(shù)據(jù)孤島效應(yīng)，什么意思呢？

首先提到一點很多人認(rèn)為數(shù)據(jù)在BAT，這是極大的誤會。我做一個不恰當(dāng)?shù)谋确?，我們抬頭看天空的時候，晚上看到某一個角度只有那幾顆很亮的星星，如果有最好的望遠(yuǎn)鏡看上去，后面有幾十幾百億恒星，典型的大家看到很多數(shù)據(jù)在BAT。但是在中國是屬于幾百萬到幾千萬用戶群體的APP的這些公司他們有這些的數(shù)據(jù)，但是不一定有處理能力。還有一個很典型的，他們有很多用戶數(shù)據(jù)的重疊，只不過你并不知道，因為你沒有身份識別數(shù)據(jù)。而且你如果能夠把這些數(shù)據(jù)結(jié)合起來是有機(jī)會打破數(shù)據(jù)孤島效應(yīng)，實現(xiàn)我們認(rèn)為的數(shù)據(jù)清洗加融合。還有一個標(biāo)注，融合完之后A公司跟B公司看到的是同一個，你在A公司看到30個特征，但是Y公司看到的是另外25種特征，湊到一起，重疊的渠道，你會看到40個特征，你會比任何一家公司的數(shù)據(jù)價值高。標(biāo)注什么意思呢？你知道他是好人壞人，你這邊知道是壞人，另外一邊不知道，你融合在一起，可以把看到的東西提供出來。當(dāng)然上面有算法，通過這些方式你提高了數(shù)據(jù)的質(zhì)量。你如果想了半天想不出來它有辦法打破數(shù)據(jù)孤島效應(yīng)，沒有辦法他研究的數(shù)據(jù)通過打破孤島效應(yīng)之后提高數(shù)據(jù)的質(zhì)量的話，那這些公司也是不可用的。

在算法層面，我們有比較強(qiáng)烈的看法。我們其實并不關(guān)心深度不深度，我們只關(guān)心有用的算法。所謂有用的算法就是提高決策質(zhì)量，提高決策速度。在商業(yè)上的點一定要夠細(xì)，細(xì)到可以用一兩個很簡單的指標(biāo)去衡量。像同盾干的就是幫銀行提高你能夠抓住壞人的準(zhǔn)確度，當(dāng)然銀行有自己的指標(biāo)，叫KQ什么之類的，有點忘掉了，它有嚴(yán)格的定義，你的方法能把這個提高就是好的算法。像我們投的桃樹，是幫銀行提高貸后風(fēng)控，應(yīng)不應(yīng)該給你發(fā)放貸款，應(yīng)該以什么樣的利率這樣的一些問題。銀行有它的一套系統(tǒng)，如果能夠幫它以更低的成本把貸款發(fā)出去，那你就是一個好的算法。

人工智能這幾年很火，人工智能不等同于深度學(xué)習(xí)，但是的確在深度學(xué)習(xí)這個事流行之前人工智能這個詞是不流行的。

在算法這邊不應(yīng)該做什么呢？不應(yīng)該為了智能而智能。

這塊有兩個領(lǐng)域是典型在我們做投資的時候看到的，很多人忽悠這個概念，其實是扯淡為主，基本上不是真正的智能。第一個叫做智能設(shè)計，很多是把很多設(shè)計師手里的規(guī)則自動化，沙發(fā)對面放一個電視，臥室也是，床頭柜這些無非是有什么元素可以選的，把它搭配起來，是規(guī)則驅(qū)動的。因為我們在這里面投過一家非常成功的公司，它有這個概念，我為了準(zhǔn)備PPT，我在其它地方講過，我還說你要兜底這個智能到什么程度，他說主要是用詞問題，我最早的時候提到的規(guī)則系統(tǒng)的一個自動化并非真正的智能設(shè)計，沒有什么美感設(shè)計感的。智能投顧，大部分是原來的主題基金換了一個臉，跟真正的理解你這個人的投資需求跟理解市場上的投資機(jī)會整合起來提供一個適合你的投資方案。這種在美國做的非常成熟，各種原因，有些不是技術(shù)的原因，管控的原因，并非一個全局優(yōu)化的方案，所以我們認(rèn)為不能稱之為智能投顧。

應(yīng)用我也不展開，我們投的東西一定要有潛在的應(yīng)用場景，有一個緊密的結(jié)合。因為人工智能領(lǐng)域有個特點，它跟學(xué)術(shù)關(guān)聯(lián)性比較高。所以我們看待這個問題的時候典型的是這么一個面，科研出發(fā)，然后到技術(shù)是一步，技術(shù)到產(chǎn)品是另外一步，然后產(chǎn)品只有有機(jī)會變成商品，而不是我們投的已經(jīng)商品化，有機(jī)會變成商品，你要賣得出去而且有一定的量，這才是真正有機(jī)會成功的。我們投的地平線機(jī)器人，這是很著名的一家公司，也是典型的原來想從泛的角度，后來還是落實到非常結(jié)實的應(yīng)用場景，從商品角度怎么形成一個科考的可理解的應(yīng)用解決，形成一個有很多人愿意買的商品。

最后一點是不該做什么，不投數(shù)據(jù)商業(yè)模式牽強(qiáng)的。這里提幾個原來大家看To C這塊的理念很不一樣的我們的一些投資邏輯。

第一個對很多數(shù)據(jù)公司的建議是，你提供數(shù)據(jù)這種賣不了太多錢，你要提供別人基于你這個平臺能夠做什么。

第二個我就不重復(fù)了，更好的決策，更快的決策，解決實際問題。

第三個是一定要羊毛出在羊身上，不像我們To C的時候說羊毛出在豬身上，讓狗買單，這個事情在To B人工智能行不通。大多數(shù)多多少少會走到To B的業(yè)務(wù)模式，To C成功的極少。今日頭條算半個。銷售團(tuán)隊的建設(shè)，這個也是很多學(xué)者型的創(chuàng)業(yè)的人很難躍過的一個創(chuàng)業(yè)時候要成功的必要條件，是一個鴻溝。

話說了那么多，我們在國內(nèi)的早期基金當(dāng)中是非常多的，也是做的比較早的。雖然現(xiàn)在我們認(rèn)為這里面泡沫很大，但是智能相關(guān)的投資才剛剛開始，這個領(lǐng)域的話至少我們認(rèn)為還有5年的時間可以有很熱鬧的投資跟創(chuàng)業(yè)的機(jī)會存在。這是我今天的分享，感謝大家。

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。