人工智能项目的“防坑”指南

互联网和移动互联网时代的“商业模式创新”带来的投资红利，随着宏观经济环境、金融环境、市场和技术的发展，已经不再是未来十年的投资主流了。

人工智能技术已经成为了未来8-10年最大的投资机会，在这个领域的投资机会，即使用“遍地是黄金”来形容也不为过。

然而，作为一个多年关注并践行人工智能投资的早期风险投资人，我发现在人工智能投资过程中，最难的事甚至不是判断哪些项目具备投资价值，而是找到志同道合的投资伙伴。

因为有太多在互联网、移动互联网时代有过成功体验的投资人， 还没有意识到人工智能和互联网、移动互联网本质上的不同，以至于还在用互联网的投资思维去考评人工智能项目，这样得到的结论往往和项目价值南辕北辙，会错失好的投资机会。

本文源自我自己多年的AI早期项目(天使轮、A轮)投资经验和人工智能领域朋友们的创业经验总结而成。

如果按照本文逻辑投资，相信只要正确运用，绝对可以投出年化回报率不错又相对安全稳定的项目。

但需要说明的一点，如果您想投的是具有革命性的划时代意义AI项目，那么请不要参考下列观点。

人工智能项目“六投”

第一投：从垂直行业入手，而不是上来就做大项目

互联网行业，要想获得投资人的青睐，往往是故事要大而美，要讲规模，讲对人类社会生活的革命性变化，但AI行业其实大多数时候应该反其道而行之。

为什么这么说，因为AI和互联网不同，互联网是基于海量用户已经在线这个前提，而对于海量用户而言，用户与用户之间很容易找到相似点并归类，随便找到一类用户就是几千万上亿人;

同时，传统互联网其实要解决的只是简单的信息不对称问题，O2O项目虽然嵌入了一定的生产服务流程，但着眼的关键点还是信息不对称，有了好的创意，技术和工程上的问题都不难解决。

因此，互联网项目很容易放量做出规模，也只有规模化才有投资价值。

AI则完全不同，它要解决的不是信息不对称问题，是对现实环境的感知，以及决策问题。

如果说感知还比较容易，那么我想每个人都有亲身体验，做决策、做选择是最难的。

而当前的人工智能技术，其水准又只能称作是“解决单一问题能力”级别。

那么好了，通用型大项目往往涉及复杂的多种因素决策，远超出目前人工智能的能力范围，能实际落地的专用型项目则天然不具备“大”这个属性。

当然，不能否认有些具有规模化特质的大项目，例如基于语音识别、图像识别系列技术的项目，也具备广泛使用的通用性，这就遇到了第二个问题，此类项目对创业团队运作管理能力的要求，远远超过类似规模的互联网项目，因为AI是深度与整个服务领域融和的。

如果一个创业团队，上来就做改变人类生产生活的大项目，一般来说，团队是没有去匹配大项目的能力的，包括技术、资源、资金、管理能力等等。

更重要的是，凡是综合性大项目，意味着用户预期极高，而项目实施难度极大，项目失败概率极高(但是如果您确信自己要投资的是微软、谷歌这一类划时代创造性项目，那么还必须投这种)。

譬如说，对于AI+Fintech，很多人都想做智能投顾，其实想做这个事的公司很多，甚至诺贝尔奖获得者也不少，没一个成功的，而反过来，如果做一个相对更加简单的命题，例如AI辅助金融监管，使用AI把零散的上市公司数据结构化，比智能投顾的商业模式一定更加接近成功。

因为这是一个封闭的单一命题，适合AI技术当前水平，适合初创团队运作。

反过来，如果一个团队从某个垂直领域入手，其实是既符合早期团队资源运作能力，又符合人工智能当前技术水平的，因为目前的人工智能实在很弱小，最擅长解决的只是批量化智能替代重复劳动的工作。

垂直领域应用最为适合，同时，垂直领域应用一般都是ToB类，很容易找到典型头部客户，以及客户的典型刚需需求，也就意味着项目的落地能力极强，是投资的好对象。

除此之外，国内特殊的营商环境也需要考虑，垂直领域的项目，其应用效果往往立竿见影，在AI还没有被客户群体广泛深刻认知之前，订单往往早期以合作项目制呈现，而大项目实施周期和验证周期都很长，甚至于可能远长于客户主管领导在该岗位上的任职周期。

如果你是客户领导，摆在面前两个从未合作过的创业公司，一个做某个具体智能项目，一年实施完毕，效果立竿见影，投入也少;一个做大而全的智能项目，实施要几年，效果更久才能看到，投入又高。

作为领导，你会选哪个呢?

第二投：明确垂直领域应用场景

对于一个AI创业团队，找得到垂直领域还不够，必须有明确的应用场景。

例如说，大家都可以声称自己在做AR+AI+电网的项目，但是到底用在什么场景呢?是电网哪个部门来买单呢?买单部门的支付能力强不强呢?这是最考验项目基本功，也是投资人判断项目价值的关键。

如果有很明确的场景，例如说远程作业指导，例如说巡检，而且是明确在何种条件下的作业指导和巡检，意味着创业团队在这个领域已经有了很深的耕耘，能够精确把握住客户的需求，并且形成了有效的解决方案，还知道要做成这一单生意，究竟应该和谁去谈，这一单生意是不是电网最好的生意。

例如说，给培训部门做项目，从收入预期上看就远不如给生产部门做项目，因为培训部门是个成本单位，每年的开销预算有限;而生产部门是个利润单位，只要能节本增效，花钱上AI项目就是赚钱，能花肯定花。

这些没有明确的应用场景，是没有办法去一步步细化，最终判断项目质量的。

再举个例子，目前AI+医疗影像的项目极多，但是大多数项目都瞄准了为影像科提供服务，殊不知其实这样是动了影像科医生的奶酪，你用AI替代了人家的工作，就意味着不需要那么多医生，偏偏影像科还是你买单的客户，有人愿意花钱把自己买出局吗?

这样的产品一定不好销售。

反过来，做一个给内科医生用的，AI+医疗影像的项目，让内科医生可以不借助影像科，不用等待漫长的拍片时间，就可以迅速判断患者病理风险，以及是否要进一步去影像科精确拍片诊断。

这样买单的内科科室有动力，对于影像科既没有革人家的命，也可以把一部分不需要拍片的患者工作量减轻。

第三投：优质的头部客户

这里的关键是：垂直领域应用场景往往是千差万别的，AI投资看似是一个领域，实际上是一个横跨几乎所有社会生产生活领域的横向投资。

投资人想成为每一个领域的专家，是非常不现实的，那样判断项目是否具有投资价值，很大程度就是看项目是否有足够数量的头部客户，而且客户签单并不是简单的小批量实验性订单，而是大批量生产型订单。

例如车辆领域最好是前装市场订单。如果头部客户肯海量下单，说明产品已经具备了很好的可靠性，项目也就具备充分的投资价值。

又例如现在很多AI项目听起来应用领域很多，但是仔细一考量，会发现每个领域可能都是签了一两个小订单，客户只是出于各种原因，为了投石问路而提供了一些实验性项目，这样的订单其实不见得一定能够持续，需要对订单服务内容和客户反馈进行深入尽调分析，才能确定它能否在未来一年转化为批量生产型订单。

第四投：应用场景够low

没错，你没看错，不是高大上，而是够low。原因如下：

1、越low的地方，用重复人力劳动越多，解决的问题越简单，越适合人工智能当下的能力。

如果高大上的地方，要么其实是需要真正的“智力如创造力、分析力等”，现在AI根本做不到，要么其实用不了几个人，你用AI替代，也没有多少效率提升。

例如游戏设计其实很low，全是拼人力，拼时间，现在用AI来做设计了，一下子三天干完过去一个团队三十天的活儿，你说客户会不会买单?一定买单。

其实这一轮AI投资的秘密，就是“降本增效”，low场景从100个人降到1个人，缩减的是巨大的成本，高大上场景从1个人降到0个人，缩减的成本可能还不如雇个人。

而且越low的场景，越在社会上广泛存在，解决一个，就意味着全国乃至全世界有大量的类似场景，市场空间巨大无比。越高大上的场景个性化越强，很可能不适合作为产品。

其实理解了这个秘密，也就不难理解AI项目的技术替代性问题，其实只要你能用很低的成本，实现用1个人替换100个人，根本不用担心未来有什么新技术去取代你，因为替换1个人到0个人的收效太小，就算对手的技术实力极强，他为什么要做这个事儿呢?

世界上还有无数值得去做的，需要替换100个人的场景没有被挖掘。

2，越low越红海的地方，一旦用了AI就是全新的蓝海，而且别人还不一定进的来。

这里稍微再剧透一下我们的投资逻辑，其实我们投资的项目只有两类：管理咨询公司和小家电公司。

因为好投的AI项目要么是把AI用于B端客户的节约成本，提高效率，这本身就是管理咨询公司的活儿，只不过我们AI公司有了新的AI技术工具而已;

要么是把AI技术用于C端客户的生活，最好的载体就是小家电，可能看不起眼的传统家电，比如一个扫地机器人，增加了AI以后，就脱胎换骨，外形看起来还是那个圆咚咚的老样子，但是脑子可比以前好使多了，当采用了AI以后，硬件成本又会大幅度下降(因为可以用很便宜的通用传感器加复杂的工程算法实现来解决过去很贵的专用传感器搞不定的事儿)。

又便宜、又好用，一下子就把过去的红海变成蓝海了。

那些传统扫地机的厂商，想一下子具备AI能力，其实很难的，因为船大难掉头，也没有这个基因;AI厂商要进来做扫地机也没有那么容易，有先行专利壁垒，有工程化时间差。

因为AI的应用迭代不像互联网那么快，你几轮软件硬件磨合下来，至少半年到一年吧，有这个时间，人家先行者又弄出新东西新功能了。

这还不是说有钱就能加速的事儿。

3，Low的场景，反而适合初创团队，越高大上的场景，解决起来越不容易，越适合已经具备足够规模的企业。

就像谁都知道，打鬼子有好武器，直接上正规军最好，但是问题是一穷二白没有啊，正面战场那就不如看起来很low的游击战。

第五投：强大的工程和服务能力

这个问题也是很多朋友经常会疑惑的，因为大多数人认为，投人工智能投的是技术，特别是算法的领先……

其实，目前这一轮AI热潮的理论基础在08年左右已经被学术界解决，可以认为是大树枝干已成，各种算法无法都是些旁支或者叶子，并且学术上有优质论文支持的算法，在实际中未必有任何实用价值，因为学术论文的前提假设可以自己随意设定，而实际完全不同，任何算法脱离了前提假设都没有存在价值。

既然算法并不重要，也就是说目前的AI在实用阶段其实没有算法的本质区别，产品和产品的区别，主要就体现在工程化能力，也就是实际场景中，各种限制条件，把学术论文天马行空的问题，变成了有大量明确前提的问题，这就是所谓工程化，既包括了算法的实际落地能力，也包括了项目团队如何综合运用各种软硬件资源，搭建有效、可靠的产品。

这一点非常重要，因为产品不是学术研究，必须完美应对各种现实的不完美，这必须是创业团队有多年的工程经验(未必是AI工程经验)，因为只有这样的团队才会有足够敏感度去预感产品中的坑，并且尽量规避，提高投资效率。

工程化能力，在互联网项目里基本上不用特别考虑，不过也有例外，例如摩拜和小黄车的作战，在我看来，小黄车的败北除了创始团队因素以外，更重要的就是工程化能力和经验不足，摩拜很清晰地认识到了，共享单车作为一个物理设备，一旦投放市场后，其稳定性、可靠性非常重要，所以从智能锁设计，到车体加固等都远胜小黄车。

AI的运用，比共享单车要复杂更多倍，从软件到硬件，从环境感知到行为决策，每一步都要考虑复杂的现实情况，软硬件的鲁棒性等等。

如果创业团队没有丰富的工程化能力和经验，就会持续不断掉到坑里。

而投资人如果没有过工程化经验，就很难设身处地去理解工程化的重要性，不过也不要紧，人不一定有自身体验才能行动，只要认识到工程化之重要即可。

服务能力也是一样，ToB项目一半是产品，一半是服务，往往一个AI项目在其发展的不同阶段是不同的，借用好友AI圈知名创业者和思想家鲍捷博士的比喻，AI项目好比毛毛虫，小时候的商业模式是吃叶子，长大变成蝴蝶的商业模式是吸花蜜，虽然蝴蝶很美，但是要求毛毛虫去吃花蜜是不可能的。

好的AI项目是不断在不同商业模式的外在形态间跃迁的，跃迁的基础就是服务能力，因为只有有很好的服务能力，才能非常好的不断抓住客户和潜在客户新的需求，往往上一代产品就是下一代产品的需求来源和敲门砖。

服务能力和工程化能力一样，是创业团队要在之前的人生旅程中实践获得的。

我发现一个很有意思的现象，做得好的AI团队，除了要具备AI技术大牛以外，很大概率上都有一个甚至多个来自通信行业的创始合伙人。

我认为原因主要是这两个行业具备高度的相似性和人才通用性，

• 第一是都是基于计算机科学和电子科学的;
• 第二是都是服务B端，而且是大B;
• 第三是因为通信行业发展日趋稳定，有能力的很多人士都纷纷寻找新的机会，这就形成了从通信业到AI业的跃迁，前面又说过，AI行业跃迁能力非常重要，能够从通信行业跨界跃迁过来，在AI行业内部跃迁自然不在话下，而之前的软硬件集成、运用能力和大客户服务能力又可以完美转移。

所以，如果您面对的AI项目里有一个靠谱的通信行业创始人，请重点考虑一下。

(以下内容感谢网友Kevin贡献思路和大部分内容)

服务能力重要的另外一个原因，其实是“Customer Engagement”(请原谅我用在老东家喜爱的英语词汇，因为这个词确实很贴切)。

首先，B/G客户对他们自己业务最熟悉，但不是很清楚新技术与新理念能如何在“合规”的情况下带来新的管理价值或成本优势，以及如何合理落地。

(实际上，对于没有AI概念的客户，完全想象不到AI可以给他们做什么，过去有句话叫贫穷限制了想象力，其实这个贫穷不局限于财富，也包括知识)

AI团队熟悉技术细节，也会有一些“最佳实践”或者“他山之玉”，但是很多没有传统行业基因的AI团队，其实不好抓住关键点，也就是：要比客户自己更熟知，并理解目标客户的管理现状，问题，以及问题产生的原因(内部政治因素?技术?亦或者是不知道已经有先进方案)。

并能结合具体客户具体问题具体落地场景，针对性极强的给客户给出完整的交钥匙级别的解决方案。(怎么听起来越来越像通信行业)而不是一个PPT一讲一年，不管受众关切，不倾听真实需求，好像就是说：我技术很牛B，我也有某某案例，你们看着办吧，看我能干嘛，我就给你干。(哎呀，这个风格太像外企啦)