|
新智元（AI_era）原创并授权转载1 来源：TechCrunch 作者：Nathan Benaich 译者：王嘉俊 导读：全球有 900 家公司致力于人工智能领域，大部分都专注在商业智能、金融和安全领域。从 2015 年 1 月 1 日 到 2015 年 12 月 1 日，我们看到了人工智能产业已经发生了 300 个交易，其中在退出市场已经看到 33 个并购交易和 1 个新股发行，其中欧洲公司 6 个，亚洲 1 个，其余都是美国公司。这给资本市场带来了强劲的回报。而交易的大部分是出于收购人才的考虑，在收购的时候，团队人数的中位数是 7 个人。 人工智能投资在 2015 年占到总投资的 5%，这相比 2013 年 2% 高出不少，但仍然远远落后于其他竞争领域，例如广告、手机和商业智能（BI）软件。 这篇文章详细梳理了全球人工智能产业投资的脉络，包括人工智能产业繁荣背后的基础，人工智能技术应用的六大考虑，人工智能公司面临的挑战，投资者的关心问题，为什么要建立“用户在环中”的系统，生活中的人工智能系统，以及对未来发展的展望和启示。 人工智能是我们这个时代最激动人心，以及有很多改革机会的事业。作为 Playfair 资本的风险投资者，我有一些优势的视角，专注在投资以及建设围绕人工智能的社区，我把这看作是对于投资者的巨大机会，帮忙在这个区域建设公司。有三个原因。 第一：全球 40% 的人能够上网，也有超过 20 亿的手机被使用，而且每天的新增手机也非常多。我们创造了很多数据集，它们是人工智能的初始材料，定义我们的行为、兴趣、知识、联系和活动。这种微观尺度，是过去从来没有存在过的。 第二：计算和存储成本以数量级的方式急剧下降，而今天处理器的计算能力不断增长，使得人工智能应用成为可能，在经济上能够支撑起来。 第三：我们最近在学习系统、架构和软件基础设施上看到了显著的进步，这能给加快未来的创新速度。实际上，我们很难完全体会到明天究竟会怎样。 我们必须意识到，人工智能驱动的产品已经在生活中大量存在了：提高搜索引擎效果，推荐系统（电子商务、音乐等），广告服务和金融交易。 这些拥有资源并投资于人工智能的公司，给了其他公司如法炮制的动力，同时也带给它们失去竞争力的风险。总之，人们对此有了更好的理解，也拥有更强大的工具，建立学习系统应对日益复杂的任务。 拥有了如此强大而又广泛应用的技术，人工智能公司可以通过不同的方式进入市场。我们列举了一些公司，总结起来有六个方面需要考虑： 1.大量的企业和开放数据都处于不同的数据孤岛中，无论是在线上还是本地部署。可以在这之间建立联系，在复杂的问题中看到全局情况，从中发现新的观点，做出预测。 代表企业：DueDil、Premise、Enigma 2.充分利用团队专业知识，找到专注的、高价值的、反复出现的问题，用人工智能技术拓展人类不足。 代表企业：Sift Science、Ravelin 3.针对各种各样的商业问题，用现有或新的人工智能框架做工程设计、超参数优化、数据处理、算法、模型训练和部署。 代表企业：H2O.ai、Seldon、SigOpt 4.那些重复的、层次分明、容易出错而又知识更新换代慢的工作，使用情境决策来完成日常事务。 代表企业：Gluru、x.ai、SwiftKey 5.赋予机器人和自动代理以感知、学习和在物理环境中做决策的能力。 代表企业：Tesla、Matternet、SkyCatch 6.以长远眼光来看，那些充分风险的基础研究，一般由学术界完成。但由于严格的预算，最近可能不会这样发展。 代表：DNN、DeepMind 和 Vicarious 关于这方面的讨论还有很多，其中关键的考虑因素是，大公司（Google、微软、Intel、IBM）的开源运动，大量公司提供廉价技术，这意味着技术壁垒会被侵蚀的更快。在未来世界会出彩的，是那些有自己的数据访问、获取能力，有经验丰富的人才，以及令人上瘾的产品的公司。 当企业运营者和投资者进入到人工智能领域，我看到了一系列经营上、商业上和财务上的挑战。这是其中的主要部分，需要牢牢记在脑海中。 运营问题 1.如何平衡长期研发路线和短期货币化目标？虽然更多的库和框架工作开放出来了，但是一个产品要被接受，还有大量的前期工作。用户往往会对由人产生的结果进行基准测试，这是运营的竞争所在。 2.现在人才库还很浅，只有很少人恰好有到位的跨界技能和敬仰。所以你会从哪里招聘，并留住什么样的人？ 3.在产品早期就得考虑工程和设计之间的平衡性。如果你在事后才致力于产品美学，无异于给一头猪涂上口红：无论如何它还是一头猪。 4.大多数人工智能需要有用的数据。当你早期没有足够的符合条件的数据时，如何启动自己的系统？ 商业问题 1.拥有人工智能的产品还是很心的，所以购买者可能并不是做技术的人（或者没有足够的领域知识，理解你的小产品）。他们很可能成为你的新买家，所以必须密切意识到销售周期的步幅和障碍。 2.你如何发布产品？是通过 SaaS、API 还是开源？ 3.你是要进行收费咨询，建立系统并做支持服务么？ 4.你是否会使用客户的数据进行更高等级的学习，并为其他公司提供服务？ 财务问题 1、哪种类型的投资者，能站在比较好的姿态来评估你的业务？ 2、什么样的业务会被视为可供投资的？MVP（最小可执行产品），出版物，开源社区的用户或者是持续性的收入？ 3、你是要专注于核心产品研发，还是紧密和客户定制的产品进行合作？ 4、在筹集资金的时候考虑缓冲区（Buffers），以确保在达到重要的里程碑之前，你不会在市场中出局。 在人工智能产品中，用户参与被视为最重要的因素，这有两方面的原因： 第一：机器还不能对人类的认知能力总结概括。要知道软件在哪个地方有缺陷，还得在用户的帮助下进行改善。 第二：软件购买者和使用者现在有了很多选择，通常来说他们都是一些易变的人。（应用程序 90 天后的平静留存是 35%） 要去建立用户的习惯，给予他们超出期望的价值。这里有一些伟大产品的案例，它们证明了把用户纳入环中能够提高产品表现。 搜索（Search）：Google 使用自动完成功能，作为语言、查询意图的理解和消除歧义的方法。 愿景（Vision）：Google 翻译和 Mapillary 交通标志监测系统，都会让用户参与改错。 翻译（Translation）：Unbabel 的社区翻译者，在机器学习翻译上交出了完美的成绩单。 垃圾邮件过滤器（Email Spam Filters）：还是 Google 的例子。 我们甚至可以更进一步，通过解释如何获得机器生成的结果。例如，IBM Watson 在肿瘤病人诊断的支持方面，会阅读公开的相关论文。这么做改善了用户的满意程度，这帮助建立了系统鼓励长期使用和进行投资的信心。记住，我们很难相信我们不能真正了解的东西。 我们还可以更进一步，解释如何获得机器生成的结果。例如 IBM Watson 在支持肿瘤病人的诊断前，会阅读公开的相关论文。这么做改善了用户满意度，帮助建立系统的信心，鼓励长期使用和获得投资。请一定记住，我们很难相信我们不能真正了解的东西。 我们先陈述以下讨论的背景，看看全球风险投资的市场： 从 2015 年 Q1 到 Q3，总共是 472 亿美元的投资。这是什么概念？如果你把过去 20 年中的 17 年投资总额相加，也不及这个多。（来源：NVCA） 到了今年底，投资额很可能会超过 550 亿美元大关。现在全球有 900 家公司致力于人工智能领域，大部分都专注在商业智能、金融和安全领域。而在 2014 年 Q4，我们也看到了很多受人尊重、有所成就的学者，创立了一系列的人工智能企业。例如 Vicarious、Scaled Inference、MetaMind 和 Sentient Technologies。 从 2015 年 1 月 1 日 到 2015 年 12 月 1 日，我们看到了人工智能产业已经发生了 300 个交易，人工智能产业定义包括：人工智能、机器学习、计算机视觉、NLP、数据科学、神经网络、深度学习。（来源：CB Insights） 在英国，像 Ravelin、Signal 和 Gluru 的企业拿到了种子轮融资，在一些金融企业的支持下，例如消费和商业贷款供应商（3.39 亿美元债务和信用贷款），ZestFinance（1.5 亿美元债务），LiftForward（2.5 亿美元信用贷款）和 Argon Credit（7500 万美元信用贷款），还有大约 20 亿美元被投资到了其他地方。重要的是，80% 的交易是小于 500 万美元规模的，而 90% 的现金投入到了美国，相比之下只有 13% 投入到了欧洲。另外 75 % 投资轮次，都发生在美国。 人工智能公司，财务回报和资本退出依然不成熟 在退出市场已经看到 33 个并购交易和 1 个新股发行，其中欧洲公司 6 个，亚洲 1 个，其余都是美国公司。最大的交易是 TellApart 和 Twitter（5.32 亿美元收购，1700 万美元溢价），Elastica 和 Blue Coat Systems（2.8 亿美元收购，4500万美元溢价）和 SupersonicAds 和 IronSource（1.5 亿美元收购，2100 万美元溢价），这给资本市场带来了强劲的回报。其余的交易，大部分是出于收购人才的考虑。在收购的时候，团队人数的中位数是 7 个人。 总而言之，人工智能投资在 2015 年占到总投资的 5%，这相比 2013 年 2% 高出不少，但仍然远远落后于其他竞争领域，例如广告、手机和商业智能（BI）软件。 退出关键点： 1、人工智能公司的财务回报和退出，依然不成熟，特点是小的轮次（Small Rounds）和低交易体量。 2、绝大多数交易活动发生在美国，所以企业必须和美国市场进行接触。 健康保健 我花了很多个大学的夏天，以及三年研究生的时间，寻找癌症在身体扩散的遗传因素。我看到的关键点是，治疗的发展非常有挑战性，昂贵、漫长而且需要很强的规范，最终才能提供一个暂时性的疾病治疗方案。 我相信相反的发展方向，我们必须改善医疗领域，更精密和纵深的对身体和生命进行检测。这能让健康状况更早被监测到，几乎到了实时的程度，有效降低照顾病人的成本，最终提高医疗的效果。 考虑到我们今天领先的数字连接生活方式，我们今天交互的设备，能够追踪我们的移动轨迹、生命体征、运动、睡眠甚至生殖健康。我们离线的时间已经少于在线了，不过我觉得大家也没有那么担心，把不同的数据存储到云端，即便在那里可以在同意时被第三方访问。当然了，媒体可能会有不同的观点，但真相是我们依然在使用网络，并享受它的产品的财富。 在整个人类的数量水平上，我们有机会访问之前并没建立起来的数据集。在这里我们可以收集到一些洞察，去看先天和后天是如何影响疾病的发生和发展的。这是巨大的机会。 生活中的人工智能产品 再来看看我们今天的临床模型。当病人感觉不对劲的时候，他会去医院看病，医生必须进行检查以获得诊断。这些诊断是在单一的时间点（往往是后期了），在这个时候就很难做什么来挽回伤害了（例如癌症）。 我们现在想象未来，在对生理和生活方式的连续、非侵入性的监测中，我们可以预测到疾病的发作和结果，理解病人可能遭受到的情况，以及他们会如何应对不同的治疗方式。人工智能在这里有很多应用：智能传感器、信号处理、异常检测、多元分类、在分子间的相互作用做深度学习。 部分公司已经解决了这些问题： Sano：持续使用传感器和软件监测血液中的生物标记物 Enlitic/MetaMind/Zebra Medical：为决策做支持的视觉系统（MRI/CT） Deep Genomics/Atomwise：学习、建模和预测，基因改变如何影响健康和疾病，以及药物可以如何在新环境里找到目标对象 Flatiron Health：为诊所和医院搭建基础设施，以进行肿瘤数据的共同研究 Google：提出了一项关于无针采血发明的专利，这是迈向可穿戴式采样设备的一小步 有一点值得我们注意，英国在数据访问上有一些领先的地方，比如英国生物库（有 50 万病人记录），英国基因组（10 万基因组测序），HipSci（干细胞）和 NHS 健康数据程序，搭建了一个中心化的数据库，给公众健康和治疗研究机构提供数据。 企业领域的自动化 业务能够自动化么？带有人工智能的知识自动化工作，到了 2020 年可以减少 9 万亿美元的就业成本（数据来源：BAML）。这可以带来效率提升，19 万亿美元的收益价值都会是由机器人驱动的。我认为这是一个大机会，那些重复性的企业功能，未来它的核心都会接近完全自动化。 |
|
|
