引導語：現在國內的人工智慧創業屬於明顯的技術紅利期，估值普遍偏高。但從投資者的長遠視角來看，未來隨著基礎計算平臺和開源平臺的豐富成熟，來看一下迅雷創始人程浩談國內機器人創業格局。
朋友們大家好，我是程浩，迅雷創始人，現在專注網際網路領域的投資。這一年來我看了很多人工智慧及機器人相關的專案，有些觀點和大家做一些分享。
目前國內人工智慧創業非常火爆，主要是供求關係不平衡，投資方資金多，而國內人工智慧領域，有比較好的技術背景的人又比較稀缺。導致創業團隊只要技術背景好，不管找沒找到剛需痛點，有沒有商業模式，資本就蜂擁而至，顯然這並不健康。
現在國內的人工智慧創業屬於明顯的技術紅利期，估值普遍偏高。但從投資者的長遠視角來看，未來隨著基礎計算平臺和開源平臺的豐富成熟，技術方面的壁壘會越來越不明顯，整個人工智慧的技術准入門檻會越降越低。就像2008年你想找個IOS開發者，很難，現在卻很普通一樣，所有技術的演進都遵循這一規律。
所以我不建議大家湊這樣的技術紅利熱鬧。因為長期來看，人工智慧創業和任何其他領域的創業一樣，一定是綜合實力的比拼，懂不懂行業、有沒有找到剛需痛點、產品化和工程化能力怎麼樣、營銷能力怎麼樣，產品做完了能不能賣出去等等。
涉及到具體的行業，簡單講，我認人工智慧和機器人方向的創業本質上有mission-critical和non-mission-critical之分。為了方便大家理解，我們姑且稱為“關鍵性應用”和“非關鍵性應用”。
Mission-critical的應用，就是一丁點兒錯都不能犯的人工智慧領域。比如自動駕駛，哪怕已經做到了99.9%，但仍然是千分之一的事故率。想想每天駕車上路的人有多少，這千分之一的故障率會導致多少致命事故。所以自動駕駛，必須要做到99.…%後面有多個9才能上路。
還有將人工智慧用在醫療行業，像手術機器人做到精度99.9%，千分之一的出錯率同樣是極其可怕的後果，醫療事故關乎人命。要是在美國，這千分之一事故導致的鉅額賠償，恐怕就已讓企業完蛋了。
總之在“關鍵性應用”的領域，必須做到99.9…%小數點後面有多個9，做不到就沒法商業化。其背後的核心競爭力是演算法和科學家。這類專案往往需要有top的科學家來坐鎮背書。所以專案通常很貴(因為週期長，需要的錢自然多，同時這類人才又很貴)，要投入大量的研發資源來消滅萬分之一、十萬分之一的出錯率。
大家都明白研發的邊際效益逐減，做到90%很容易，做到99%要投入不止10倍的資源，因為要消滅各種corner case，更別說99.9%和99.99%了，所以這類專案時間週期會很長(類似於Google的無人車，從2009年到現在已經7年了;Mobileye從1999年做汽車輔助駕駛，2007年才商業化;達芬奇手術機器人專案更是起源於1980年代末的一項非營利性研究，直到2000年才拿到了美國食品藥品管理局FDA的首個手術認證)。但一旦做成，這類專案優勢就非常明顯，因為競爭對手同樣也要花這些時間。
這樣的專案門檻高，不適合一般的創業者，所以通常比較貴，商業變現的時間週期比較長，資本也需要更多的耐心。一流的科學家團隊適合選擇這樣壁壘高的關鍵性應用作為創業方向。
但實際上大多數AI/機器人的創業屬於第二類，也就是“非關鍵性應用(none-mission-critical)”。
這類專案不追求99%後面的很多個9，而且很多都有更簡單實用的解決方案，或者有“人機混合”的方案。總之就是不追求高大上，簡單、實用、價效比高更重要，這樣的專案通常能夠更快落地。
a.不追求很多個9。例如基於人臉掃描的門禁或者迎賓機器人系統，99%和98%沒有本質的區別，實在不行不還有前臺麼。
b.更簡單實用的解決方案。例如封閉路段(例如工業園區、機場碼頭)的自動駕駛，鐳射雷達又貴又複雜，我直接用磁條導航，而且演算法上追求簡單，“讓速不讓路”，只要前面有人，車就停下來。因為是封閉路段，所以場景被極大簡化了。
c.“人機混合”模式。面向企業的人工智慧/機器人很多都能夠通過“人機混合模式”降低技術難度，可以更快的面向市場提供服務。拿外賣機器人舉個例子，你的演算法好，你的送達成功率99%，我是98%。100次裡面不成功的那兩次，我可以用人通過後臺去操控機器人，慢慢提高這個比例就好了。即使這樣，我還是能極大的降低人力，還是有很大的價值。
實際上，國內人工智慧和機器人方向的創業，大部分領域都是“非關鍵性應用”。在這些領域，演算法當然也重要，你送外賣不能總送不到，但偶爾的問題可以容忍(“關鍵性”應用則不能容忍)。除此以外，“能落地”就變得非常重要了。如何落地?那就要比拼綜合實力了。包括：
a. 對行業的理解，要深刻洞悉行業痛點在哪兒;
b. 產品化和工程化，有沒有好的產品和工程師團隊?光在實驗室裡搞沒用!
c. 做出來的產品還得便宜!
d. 批量生產的話，你的供應鏈能力怎麼樣?
e. 產品出來了，你得把東西賣出去!所以你的營銷/銷售能力怎麼樣?
所以這樣的人工智慧專案並不需要技術大牛，反而是創業者最好深悉這個行業，知道什麼方案能解決行業痛點，甚至有上下游的能力去推廣銷售掉解決方案或產品。特別現在人工智慧也好，機器人也好，大家大多講的是人工智慧+。像人臉識別、語音識別這些基礎服務，已經有人做了，領域並不大。更多的機會還是在於人工智慧對各行各業的改造，去研發專門的機器人替代人工，當然是行業重度參與者最能發現機會和痛點。
比如機房巡檢機器人、電力網巡線機器人、果園作業機器人……人工智慧幾乎會深度影響我們的各行各業。對於這樣的專案，能夠成功的核心，一定是提升了效率，降低了人工成本。正如白宮最近發表的《人工智慧、自動化及經濟》報告也指出，未來10年至20年間，時薪低的`工種受到人工智慧技術的衝擊最大。有美國科學家甚至預言，時薪低於20美元的工作有83%的可能性會被人工智慧取代。
其實我們可以就此得出一個資訊，那就是短期內，機器人創業的機會主要還是在B端。為什麼這麼說呢?因為現在技術和行業都不成熟，只有利益驅動，節省了人工成本，才會讓企業率先接受機器人。
首先我們來看價格，拿機器人舉例，整個供應鏈體系沒那麼成熟，市場需求還未驗證，每一個生產出來的機器人成本都不低。To B端，也就是企業對成本承受能力顯然比To C強很多。特別考慮中國人力成本繼續往上飆升。只要企業考慮機器人會大幅提升效率、比人工成本合適，他們就有行動起來的動力。
直白說B端買機器人的目的是為了省錢，是以替代人力為目的。但C端確是在額外花錢。所以需求有明顯的差別。To B都是單任務的，機器人只要做好一件事就行了。而To C消費端，恨不得什麼都能幹，又能唱歌、又能跳舞、又能聊天、又能清潔。但現在根本不現實，技術成熟度還不夠。
還有To B端的機器人應用更容易一些，因為很多都是以"人機混合"模式在作業。也就是以前需要5個人幹活，現在可能1個機器人加2個人工。也就是機器人替代了3個人工，能把一些常規任務給幹了，但在一些特別複雜的工藝流程位置，還得仰仗工人來做。這是一種易推行的混搭模式。但To C機器人可沒有"人機混合"模式可言。
最後對國內機器人領域的創業者想說：
I. 如果專案想要快速落地，起步一定要從To B開始，To C仍是很長遠的事情，發展沒那麼快;
II. 大多數機器人都是“非關鍵性(non-mission-critical)”應用。不能說演算法很厲害，有很牛的科學家團隊就是一切了。在未來的競爭環境下還差的很遠。專案一定要接地氣，一定不能陽春白雪。要把供應鏈做好，把產品低成本做出來，還要能推廣出去。
這是場綜合實力的比拼。