人工智慧公司怎麼投？你必須知道的人工智慧創業估值公式

【編者按】朱褘舟大學部期間做過一段時間機器人，2012年從斯坦福畢業回國后，參與創辦人工智慧公司「出門問問」。目前，他重點投資人工智慧、智能硬體、新能源，新材料等以核心技術為驅動的創業項目。

他重點提出：1、AI創業的技術、人才紅利都迅速放緩；2、互聯網這條線會繼續往前發展，AI做的事情則更偏向底層——在生產端提高生產效率；3、AI技術有它固定的規律和速度，不太可能迅速通過融資拔苗助長；4、在人工智慧創業的第一階段，公司的估值是「演算法x人才」；進入第二階段后，AI公司的估值=演算法+數據x商業價值。

本文發於「Xtecher杭州私享會」，作者朱禕舟；經億歐編輯，供行業人士參考。

加入峰瑞資本做投資之前，我在人工智慧領域創業。下面，我從投資與創業交叉的角度和大家分享自己最近的一些觀察，也歡迎隨時交流。

先簡單介紹一下，峰瑞資本是一家新基金，成立於2015年8月。我們希望做成一家研究型導向的全鏈條基金，不看風口，長期持有。我們比較早就開始看人工智慧領域，已經投資了十餘家AI領域的初創公司。

下面切入正題。

一、技術、人才紅利都迅速放緩

過去在人工智慧能領域創業的時候，大家會問我這些問題：你的演算法到底是什麼？是不是深度學習的演算法？你是不是用了神經網路？神經網路多少層？

這是投資者或大眾關注的第一點——「演算法如何」？

然後，大家還會問：你的團隊里有PHD嗎？有BAT研究院出來的人嗎？有高校教授嗎？

人工智慧能剛剛起步時，大家的焦點基本集中在兩個方面：演算法和人才。

這兩張圖反映了我過去一段時間對這兩個方面的觀察。

第一張圖，我稱之為「技術的紅利」。這張圖是在ImageNet歷年圖像分類任務中獲得第一名的演算法的錯誤率。2013年的時候，獲得第一名的演算法錯誤率是13%，2014年時是7%，2015年時是3.6%，到2016年時變成3.0%。大家可以看到，從2013年到2014年，錯誤率下降了近一半，從2014年到2015年，又下降了近一半，而2015年到2016年的時候，下降的幅度就變得很小了。

做技術的人應該都知道，在深度學習的框架下，以現有的技術處理圖像分類任務的能力，錯誤率繼續下降的空間已經不多了。看到這個結論，我非常吃驚。技術放緩的速度遠比我們自己想象的要快。

第二張圖，我稱之為「人才的紅利」。橫坐標是時間，縱坐標是工資。過去，人工智慧公司招人都很貴。最近，我隨機選取了一家非常知名的人工智慧公司的招聘列表，2017年時，這家公司招聘圖像識別處理工程師的薪水是15—30K/m，已經和普通的IOS工程師差不多。

目前，大家普遍的認知是：人工智慧領域，所做事情的框架已經日趨清晰明了，但人才缺口比較大，學校的供給不夠。任何一家人工智慧公司招人，都更傾向於熟練的、很快能將想法實踐落地的人，傾向於招有一定專業院校和學術背景的人才。

通過上面兩張圖，我想說的是：人工智慧技術跟其它技術一樣，到了一個階段性平台期，技術紅利放緩的速度非常快，人才供給發展的速度非常快。

對投資人來說，在人工智慧創業的第一階段，公司的估值就是「演算法x人才」。它們的乘積，大概就是你的公司在市場當中的價值。而目前，這個乘法的兩端都在快速地下降，這是我們對第一階段人工智慧創業的的判斷。

二、AI公司估值的階段論

我把人工智慧賽道上的公司分成五個階段：

1、提供狹義技術的階段；

2、提供解決方案的階段；

3、提供模塊化產品的階段；

4、提供整體產品的階段；

5、業務閉環數據循環階段；

大部分創業公司處在「狹義細分技術」的階段。這一階段，判斷公司的標準就是我們剛剛提到的公式：「估值=演算法x人才」。我們可以看到，這個公式下的公司，價值在被快速地拉平。在我看來，這一波的機會紅利已經基本結束。

在這一階段的人工智慧創業浪潮中，獲利最大的科學家創業團體，現在在創業上的優勢不會那麼大了。接下來，我相信機會仍然會留給產品經理、工程師和商業人才。過去的估值方式，過去的價值判斷方式，和過去的技術、人才紅利都已經基本結束。

現在，很多公司都已經進入第二階段了。不論是圖像公司還是語音公司，大家都開始進入提供解決方案的階段。

在第二階段，判斷公司市場價值的方式也會發生變化。我自己列了一個公式，就是從「演算法x人才」演變成「估值=演算法+數據x商業價值」。演算法後面是一個加號，主要原因在於，大家都還沒有數據和商業價值的時候，比的是演算法，但是當大家都有了數據和商業價值后，商業價值的重要性會迅速地超過演算法，所以演算法所佔的比重會越來越少。

三、人工智慧並不是互聯網的下一代

互聯網在過去做的最主要的事情是解放渠道，釋放渠道的效率。所以我們看到，過去的創新型模式都是為了讓產品能夠直接抵達消費者。不論是電商打掉中間的零售商和經銷商的渠道，還是滴滴打掉計程車的渠道，其實都是在渠道上做文章。

我覺得人工智慧並不是互聯網的下一代，也不是互聯網的替代者。這兩者是并行的。因此，移動互聯網、互聯網的機會依然有，並且依然非常大。互聯網這條線本身會繼續往前發展，人工智慧做的事情則更偏向底層——在生產端提高生產效率。

這也是我們現在為什麼覺得to C端的機會比較難：生產端還沒有被改造，於是就不太會有新的產品出來；沒有新的產品出來，用戶端體驗也就不會有特別大的提升。

這波人工智慧的浪潮，凸顯的是「數據x商業價值」。我們從to B和to C兩個角度來分析。

to B端，我的判斷是人工智慧會向行業的縱深端去發展。從生產端來看，不論是服務業、農業還是工業，大家對效率提升的需求是非常明顯的：在醫療領域，提升診斷的效率；在金融領域，提高金融數據服務的效率……需求和商業空間是巨大的。於是我們的挑戰不再是技術被拉平了，而在於對行業需求的理解和產品的設計。

另外提到一點：大數據。這個詞其實是老生常談了。從企業服務端來看。美國企業服務市場的路徑是：傳統軟體→IT服務→雲計算→大數據→人工智慧，最後才有了人工智慧。所以，在美國做人工智慧領域的創業，好處是基礎設施非常成熟、完善，但很多事情都被大公司做了，初創公司需要在大公司的夾縫中尋找生存空間。

在，企業端基礎設施還是非常落後的，是一片空白。因此，有一個特有現象：跨越式的發展。在電商、本地服務、金融支付等行業，跨越式發展的例子比比皆是。

to C端，我的觀點是：想用人工智慧去提升消費者的體驗，通過一個單點去突破比較困難，更多是一個系統化的工程。比如，車載語音的交互體驗，智能家居體驗等。它需要的不僅僅是產品本身做得多好，更是整體的居家環境、車載環境。這些基礎的感測器和基礎的服務、數據足夠完整之後，我們才會有一個體驗足夠好的東西出來。反之，現在做這個事情，就會感覺很累或者說撬不動，因為基礎設施和服務沒起來。

互聯網領域，單點做個小APP就能撬動一個很大的空間。但在人工智慧領域，這幾乎不可能。關於這個結論，我自己心裡也有個問號，我也很好奇人工智慧里能夠單點突破的產品到底是什麼。

這是我對於AI創業第一個階段和第二個階段的一些投資思考和筆記。

四、人工智慧沒有網路效應

最後，回答四個疑問：

第一個疑問是：人工智慧是不是可以理解為互聯網或者移動互聯網后的下一個創新，或者是替代品？

我認為這是不對的。人工智慧和互聯網是并行的，相對獨立的。照套互聯網的思維方式是很危險的。

比如，人工智慧是沒有網路效應的，也幾乎沒有馬太效應。這句話是什麼意思呢？馬太效應基於網路效應，因為網路效應能快速地集聚資源、拉開與競爭者的差距，所以會出現行業通吃的情況。而人工智慧是基於生產效率的提升，它本身沒有網路效應。至少現在看起來，行業通吃的事情可能不存在。不見得誰比誰快、誰能把誰滅了，而是大家都能找到自己的一塊地盤。

第二個疑問是：人工智慧領域創業有沒有勢能？

我們可以看到，在互聯網、移動互聯網的窗口期，創業公司要打仗，要迅速融資。但是看起來，在人工智慧領域似乎沒有所謂的「勢能」。技術有它固定的規律和速度，不太可能用融資的方式拔苗助長。在同一個人工智慧細分領域，誰先做、誰后做差異並不會特別大，能夠扎紮實實把事情做好倒是更加重要。在傳統互聯網領域或在移動互聯網領域，或許可以在四年之內做出一個上市公司，但是在人工智慧領域，這基本是不可能的。

第三個疑問和第四個疑問其實是連在一起的：投資人們都喜歡問，人工智慧公司會變成什麼？到底能做多大？這個行業到底能做多大？

大家以前對這類公司的期望是做成一個技術平台公司。技術平台公司的意義更多的是，怎麼把演算法和數據整合成一個產品，或者整合成一個服務。雲計算就是很典型的一個例子。但現在看來，「技術平台」只是其中一種選擇，還有許多其它方式。

從人工智慧領域公司的壁壘來看，要從演算法開始，讓你的公司從一個技術平台公司做到一個數據產品服務公司，然後再抽象到一個更高層面的技術平台公司。

人工智慧很難像互聯網一樣從單點突破，做橫向整合。它做大做深最大的可能性是縱向整合，整合整條產業鏈里不同的生產者、生產資料，再往上整合到產品層面。這比較抽象。舉個例子，比如你做人臉識別，是只做人臉識別？還是做人臉識別加上人臉識別攝像頭？還是做人臉識別、人臉識別攝像頭，還要再加上人臉識別系統，做成一整個產品？它不是只做一個人臉識別就把所有人臉識別都做全了，而是做人臉識別可以選擇從產業鏈下游往上做，也可以從上游往下做。

這是人工智慧領域創業的狀態和規律，它和現在的互聯網公司完全不一樣，我的一點思考供大家參考。