核心提示：
1.如果不能實現AI算力的平民化，后續的應用就沒有底層載體去實現，特別是最后的商業化。 2.制造業的系統性機會已經形成，行業智能化的待改造空間非常大。 3.可以在互聯網AI的基礎上，尋找更多的物聯網AI（AIoT）機會。 編者按：本文是36氪超級沙龍「新基建」系列第五期直播整理而來，有刪減。完整直播可以戳此回看。
AI行業應用和基礎算力優化迎來機會拐點  圖一 從投資人的角度，我們現在這樣看待整體的架構，在人工智能領域里面，把它分成主要的三大層，從下往上分別是基礎算力層、通用技術層和應用層。每一個領域其實都有非常多的投資機會和投資機遇。 舉個例子，基礎算力層中，核心組成部分是專業加速器，典型的代表是 NVIDIA。他們以GPU架構為基礎，提供了非常多的 AI基礎算力，現在新興的比較大的海外創業公司Graphcore和國內的基于FPGA架構的創業公司寒武紀、以及華為都在加快研發專業加速器。隨著專業加速器的快速發展，以及隨之而來的虛擬化、分布式發展，底層基礎算力層價格的平民化，構建了AI行業發展的基礎。 再往上一層的話是通用技術層，主要涉及到類似機器視覺，自然語義處理、自然語言處理、語音識別、文本轉換，像Google、華為等這些比較大的平臺在這個層面做了大量的工作。 再往上就是應用層，我相信這是大部分的創業者都比較關心的，也是很多投資機構比較關注的層面。當我們架設完了底層基礎算力，通用技術得到不同程度的進步發展以后，產業更多地會走到更上一層。怎么跟更多的場景結合，用好這些通用技術，做好應用的開發，真正實現人工智能的落地和商業化是很多創業者都在關注的問題。 AI的商業化核心在于算力平民化  圖二 除了應用層，我們也重點關注基礎算力層，為什么這么說？實際上它有點類似于互聯網的發展。之前云計算的發展，決定了移動互聯網、 IOT的發展，讓大家可以用比較低的成本使用到原來比較貴的服務器。
那么到底何時能夠讓AI算力真正平民化？大家可以從上圖看到，目前為止GPU的性能是指數級的增長，AI訓練速度提升也非常快，但是整體的專業加速器的使用成本仍然居高不下。這也和現在加速器相對比較集中以及巨頭壟斷的格局相關。隨著云計算的發展，大家現在在做專業加速器的資源池來供客戶使用，按需訂購，但它的價格還是非常非常高的。 怎么真正讓算力降下來？國內的很多公司在這方面都做了很大的努力，比如華為，大家對于他們的期待都是很高的。 我們自己也在做一些布局，比方說專業加速器硬件的虛擬化方案。除了硬件的高速發展，最核心的還是運算能力的虛擬化，帶動了后續云計算的發展，包括帶動了上游的平臺和應用的發展。這是我們一直比較重視的，如果不能實現AI算力的平民化，后續的應用其實都沒有底層的載體去實現。特別是最后的商業化，目前處于一個比較早期的情況下，很多還是需要底層成本的快速下降來幫助應用的發展和實現。 物聯網是后AI時代的重要機遇點  圖三 在應用層，具備大量非互聯網化數據基礎的垂直行業創業公司，更容易構筑核心技術壁壘。AIoT是人工智能落地的重要方向，過往在應用層，大家很多人會聊，人工智能領域到底怎么去做商業化，到底怎么能夠找到創業方向。 從投資人的角度來看，在傳統互聯網領域，AI已經有了非常多年的發展，我記得是從2016、2017年，市場里講的概念不只是大數據，而是講在大數據的沉淀過程中，是不是有很多 AI的機會？大家現在能看到的自然語言處理、語音識別、部分的機器視覺、人臉識別等類似的應用，其實都是過往在傳統互聯網生態里，數據量比較大，做的比較好，現在來看商業化程度比較高的一些人工智能的應用。 但是從現在來看的話，我覺得AI已經經歷了非常快的發展，對于很多創業者或者是有意向創業的人來說，可能目前已經處于一個比較后期的階段了。如果大家還想要找一些新的機會，可以在原來互聯網AI的基礎上，尋找更多的物聯網AI（AIoT）機會。 可以跟互聯網相對應的就是物聯網。隨著通信技術和新型傳感器的成熟，聯網設備的滲透率增長非常迅速，大家可以看得到，從原來的PC到智能手機，到現在越來越多的新型的智能終端聯絡網絡出現，以及現在行業設備的數據增長，都為人工智能在垂直行業的落地應用奠定了一個非常大的基礎。 圖三中的右邊圖表，從早期的2012年移動互聯網爆發，到2016、2018年經歷了非常快的成長，2018年之后我們可以看到，物聯網設備在增量里占據了非常大的比重。而且我們相信隨著5G的快速發展，未來物聯網行業的接入設備會越來越多，包括其中的一些分支，像車聯網、智能電力、智能制造、智慧城市，物聯網行業的諸多領域都會越來越多地占據新增的接入設備權重。同時，終端產生的數據，未來應該會占據越來越大的比重，甚至超過我們現在C端形成的數據。圖三右下角圖片顯示，各類型的聯網設備占比中，智能制造已占34%、智慧城市占19%、智能安防占15%、車聯網占10%。其他各種各樣的業務領域占比22%。 制造業系統性機會已經形成  圖四 針對智能制造比重較大這個現象，很多投資人或者創業者，其實都在這個領域里尋找到一些系統性的機會。
以我的觀察來看，制造業的系統性機會已經形成，行業智能化的待改造空間非常大。 首先，中國制造業的基礎特別龐大，生產效率相比于海外的歐美發達國家和地區比較大型的規模化制造業來說，效率還是略顯低下，所以提升空間特別巨大。其次，過去10年，中國勞動力的成本也增加了三倍，對低附加值制造業形成了擠壓，中高附加值制造業提高資本化程度的需求已經過期，此外，人口結構的變化和用工成本的提高，也倒逼著整個中國作為制造業大國進行自動化、信息化的改造。國家補貼政策也會加速改造落地，整個制造業已經形成了非常大的系統性機會。 智能制造方向上新接入的終端，在新基建中的滲透率會大幅提升，它會產生非常大量的數據。而且在制造業領域，對其數據進行分析的必要性和價值都是非常大的。 比如，智能終端方面，智能家居所產生的數據價值和一個工廠里面單一終端產生的數據的價值，肯定是制造業相對更大一些，而且它產生的數據量要比C端終端要大，當然這也要看具體的場景。因為制造業里面的設備就是主要的生產資料，這個設備產生了很多數據，大到設備的產能利用率、排班，小到運行數據對應的故障預測、設備維護，這都會有非常大的商業價值，因為它本身就是用來做商業生產。可能在 C端會是無意義的，但在B端，它的商業化的價值是非常大的。 所以結合剛才我的一些分享，創業者也好，投資人也好，要找的一個點是：第一，它本身是在一個大賽道里面；第二，在這么一個大賽道里，它要產生非常多的新的終端的需求。因為新的終端需求才會產生非常多的新的、實時的數據。有了這些數據才有可能進行分析、挖掘和進一步商業化的應用，這是一個基礎前提。 為什么會有這樣一個前提？是因為，只有在不斷新增，不斷產生海量數據的時候，我們才會用到真正意義上大數據的底層基礎架構，去分析那么多的數據。如果這個數據是相對靜態的，不是那么動態，又不是那么大量，一般的BI都能夠解決這些數據分析的問題。但是當這個數據的量在實時動態大量新增的情況下，技術門檻、數據處理的能力，包括整個整體的底層架構，會完全不一樣。 早期創業者可切入AI中臺 商業化方面，大家都會面對的一個問題是：我是應該服務頭部客戶，還是想辦法做成一個純SaaS的應用，找更大的基數來做。 其實本身在中國To B的市場環境中，大部分的公司其實都是先從頭部企業客戶開始簽。但是這個過程中，往往有一個非常大的悖論，就是早期的創業者跟很多大公司談生意是比較難的，入門門檻也比較高，這在國內是比較難直接系統化和成體量解決的。除非是有非常深的行業積累，來幫助你一開始就能踩進他們的門，同時還要有非常強的銷售能力。因為對于頭部大的B端客戶，對你的直銷能力要求會更高。 第二種打法還是以腰部客戶、長尾客戶為主的SaaS的打法，這個打法相對來說比較平臺化 —— 做一個廣泛適用的平臺，然后找一些案例，落實以后去廣而告之，希望越來越多的公司直接可以找上來做。 在這種情況下，AI的領域里面，AI中臺也具有比較大的潛力和機會。因為底層的基礎設施大部分還是巨頭來提供，前端的應用，至少在早期商業化不那么充足，客戶付費意愿不高的情況下，還是會往下沉一些。用中臺的方式跟很多的合作伙伴渠道一起推廣，對于早期創業者來說，這可能是一個可以切入的點。 有行業背景且有成功案例的創業者更受資本青睞 過往我們也看到很多行業里面的創業者會出現一個狀態：一個公司A輪第一次出來找機構融資，可能方向找的比較好，團隊也比較出色，技術能力比較強，進行了300萬美金的融資。但是融完資以后發現，除了團隊正常的日常運營費用以外，可能要花150萬美元左右去買硬件設備。那么在這么一個環境下，公司的容錯率、試錯的空間都是非常小的。 從投資人的角度，我們其實希望從根本性的角度去解決這個問題，就是要讓底層的算力成本大幅下降，但是這需要很多同行去推動。 在具體的應用層面，在國內AI領域，能夠真正為AI的應用付費落地的，除了我剛才提到語音識別和面部識別，這些比較主流的賽道以外，大部分的行業應用的客戶付費意愿都比較低。處于雞跟蛋的狀態：很多客戶會想創業者是不是能夠做出一個比較完整的方案，直接告訴他放到哪里能夠用。而創業者剛開始做的時候，肯定需要很多客戶一起幫他們找這種場景，所以我個人覺得AI應用的發展，會和垂直行業更相關。 如果是我去投創業者的話，我可能會更加傾向于本身有行業背景和行業屬性的創業者。因為現在AI的發展跟過往很多的技術的演進相關，從互聯網技術，云計算的底層IasS、PasS 到SaaS。然后再對應很多的 SaaS向垂直化領域發展。垂直化發展以后，有很多的垂直的行業屬性、行業的應用、行業的數據，再在這些數據的基礎上進行大量數據的分析，通過模型訓練去推導，得出很多新的AI應用。 所以，創業者需要真正對一個行業有深度的認識和理解，這是首要條件。其次，就跟剛才我提到的商業化相關，在商業化的過程中，我非常建議創業者能夠跟客戶一起來找一些落地的場景。 從投資人的角度來看，如果有個團隊現在就跟我說一個概念，可能我評估是不是能投資它的難度是非常高的。但是如果你作為創業者，能夠先進行一些創業探索，不要只局限于自己內部方向的發展。可以先去找客戶一起來找需求落地的場景，跟他們先做一些場景的匹配，并且能夠簡單地核算一下投入產出比，在這種情況下有了一個切入點，甚至有成功案例之后，去找投資人聊，我覺得成功的概率會大大提升。 戈壁有投資過一家公司叫Thingworks，它是智能制造領域的大數據中臺。我們當時在評估這家公司的時候，它是有做一個公司的案例，但是還沒有做成，因為偶然遇到，我們聊到了一起，并且在這個過程中我們一起跟這家公司的創始人找到了這個行業的機會，并發現這個需求其實是客觀存在的，而且非常大，整個行業的下游的客戶的體量也比較大。我們愿意相信他，所以就對他們進行了投資。 因此不要給投資人出難題，不能指望投資人在每一個領域都特別熟悉，創業者要自己真正理解這個行業。如果你自己準備更充分一些，拿到投資的概率可能會更高一些。 氪友問答 1.AI什么時候可以代替人類？ @胡唐駿：我不知道什么時候能夠代替人類，但是我把它說得更加現實一些，投資人是這樣子這么看待這個問題的： 我們現在看AI的投資機會或者創業機會，會找剛才我提到垂直的領域，一般有具體的落地場景。所以我們現在找的很多方向都是比較實際和實在的，沒有去找泛AI、完全純通用型的AI。我們更多的其實還是垂直領域的專業屬性的AI。 在這些專業屬性里面，最早的像前兩年發展出來的語音識別、機器視覺，都是在部分替代人的感官功能。語音識別就是在部分替代語言、說話和聽力。當然我們也看到很多有比較有意思的，比方說替代嗅覺，甚至于替代味覺。但嗅覺跟味覺，他們的商業化的進展還是相對慢很多。在這種情況下，替代人的部分感官能力的已經有一定的發展，還有現在機器人加上了人的機械運動能力的智能化，也有一些AI的體現。 剛才提到的垂直行業垂直的應用，相當于是在部分取代人的一些工作能力。以剛才我說的智能制造的細節舉例，比方說我要記錄機器的數據，可能只有一個設備上有一個顯示器，人對著顯示器拿個筆去記，可能會有遺漏或者錯誤。但是機器在這方面就取代了這些重復性的工作，所以我覺得我們現在在找的核心的AI能力還是要能夠部分取代人低效的重復勞動的產品。而不是完全去尋找這種通用型的AI取代人腦，可能這樣一些領域更多是巨頭去做，因為它整個前期的投入會非常高，而且短期看不到收益或者商業化的難度會非常大，無論是投資人還是創業者，大家還是要落到實處。 2. 您覺得AI和哪些應用場景的結合是目前來說比較有前景的？ @胡唐駿：現在整體來說比較大的場景，是AIoT。 落到一個細分領域，就是我剛才分享到的一些，比如智能制造、智慧城市、智能安防和車聯網是現在看得到的終端增量比較大的。體量來說，智能制造可能還是一個比較大的方向。 智慧城市是我們現在看到比較多的機會，但是進入門檻會比較高。 智能安防的話其實已經發展了比較長的一段時間，中間的頭部玩家已經比較明顯，所以我覺得如果沒有特別好的切入點，可能對于早期創業者會難度大一些。 車聯網的話，我們現在比較側重的還是自動駕駛、車路通訊、車車通訊，包括跟周邊環境的識別，無人駕駛等等。當然整個汽車作為未來的側重較多的終端載體，還是有非常多的需求。從車聯網的一些細分的應用，到一些保險、駕駛行為數據的應用等周邊方向，還是會有比較多的機會。 |
