2016年的投资市场确实显得更加谨慎，从整体资本市场来看，投资人“出手”慎重，但是我们发现投资数量的减少并不代表“抠”，这意味着VC们会更加看重项目质量和市场前景。AI和企业服务在过去的2016年以及2017年第一季度继续融资消息不断，线性资本作为主投这两部分的VC也有颇多经验。
“AI+”不能再错过
AI+医疗非常常见，AI+教育、安防也在发展中。和机器人有点不一样的是机器人是一个蛮长久的行业。所谓的AI，王淮认为不管是新的深度学习方法，统计学习的方法，更好地利用一些数据，能够让你的决定要么更快，要么更好。这是我们对AI的理解，它在工业、自动化、机器领域更多的是大脑决策的功能。
线性认为整体人工智能涉及到很重要的四个层面：一是大数据方面，没有数据没有办法做处理；二是算法的处理；三是数据的应用场景；四是计算能力。大数据这一块典型的特点就是大数据，越来越多的技术可以更多地处理非结构化的数据，但是能够结构化的数据对于新的方法应用会更加容易。
只不过现在对于好数据的要求越来越低。其实在这之前在很多的SaaS里边看到专家系统的缩影，专家系统十来年前逐渐被很多统计学习的方法所替代。深度学习的方法主要用在图象、音频非结构化数据上面的处理，这部分其实是造成过去两三年大家对人工智能热议很重要的前提。
科研圈某种意义上反过来也会在很大程度上受到应用的限制，如果制造出的东西在三五年之内，深入学习应用层面的算法和改进没有得到很好的反馈，科研这一块也会越来越难。很重要的一点是，应用层面一定要有一个推进。应用称之为如何做到整合，要么让“我”的决策能够更快，要么让“我”的决策质量能够更好。这部分王淮提到一个概念就是从产品到商品这一块能够跳跃这个鸿沟，会造成技术型的创业项目，最终有没有可能变成一种可能。
刚才提到四个主要层面的机会都在哪里？
在数据这个层面通常要有一个可理解的强策略，这种策略通常以这两类为主：第一是历史上已经积累过了，创业的时候已积累一些基础，比如说线性投资的中科，能不能把这些东西变成一个可持续性的创业另当别论，但是刚开始的时候是从零开始的。第二，在当时那个状态下有机会输出强能力，这个能力是当时市场上面竞争对手所没有的。
在算法这个层面，不强调算法有多新，我们只强调针对这个问题的有效性。桃树当时用的方法还是比较传统统计学习的方式，我们一直在讨论为什么不用深度学习，不用最新的方法？对方说尝试过，对于这个结构化的问题带来的帮助不太大。所以对线性或者VC而言，要的是最有效的方法，有用的算法就是好算法，并不在于算法多新，多有难度，还是跟决策有一个很好的整合。
在应用这个层面，我们很关心项目需要和潜在的应用场景要有一个紧密的结合，AI本身并非一个行业，其实更多的是一种新的能力。解决的问题通常都是一些老问题，只不过用了一些新的方法，你有没有办法在这个过程当中实现有效性是AI创业最后能不能成功的机会。
这里边可以看到典型的路径，在AI创业项目当中，科研主要是新方法的发明，讲究的是一种新，技术这一块讲究的是新的方法稳定性和一些关联的方法在一些领域是否更有通路性。产品的话更多的是从用户的角度来看，这个技术能不能迅速产生一些效果，能不能用好你的技术解决实际问题。
1、AI+BI其实范围较大，传统上面更多强调的是SaaS。但是如果能够强调对于数据的应用，则用DaaS才能概括。“我们关注这部分在于你对这个企业里边的数据流有没有更大的优化，而这个优化能不能对企业带来价值，最后能够让对方收到钱，这个帐一定要算的过来。”
2、AI+FinTech也是比较容易切入的领域，很大程度上因为存在监管现有的银行体系、金融体系。金融本身是一个纯数据的生意，在技术面的落地较为容易，只要对方愿意跟你对接，你切入进去基本上能够产生效果。如果对方不配合，有很多政策的原因，内部流程的原因，那是人为的因素，但绝对不会像其他领域是因为技术的原因。
这里边特别想要指出来的是过去两三年在智能投顾市场的变化，对智能投顾的理解需要充分，这里面涉及到数据，需要去处理各种模型，要考虑的因素特别多，最后能够实现全局优化。有些人是做大盘预测，有些人做板块预测，还有一些人做个股预测。因为过去几年人工智能技术和大数据的富足带来新的机会，三四年前都没有这样的机会，因为你没有这样的算法，甚至没有这样的数据可以获取。但是今天你有这样的机会可以做全局优化。这是我们现在非常关注的角度。
3、AI+交通，在2020年的时候能够做到L4，但是什么叫L4？大家把智能驾驶的步骤分成从L0—L4五个阶段。L0是十年前的车基本上没有智能辅助功能，L1速度至少可以提示给你了，L可能是属于自动停车方方面面的东西，L3是属于在有线条件的，L4的意思是比较理想状态的，可以实现完全自动驾驶和全场景覆盖。不同的公司策略会不一样，互联网公司大多数采取的是直奔L4去但是传统的车场是L1、L2，辅助驾驶和局部的智能功能，从这个角度提供机会。
2020年伴随着技术的越来越成熟，AI市场有机会做大，但是有很多另外的因素可能会限制现实当中的应用。这里主要考虑到好多属于交通法规、政策、开车习惯。还有很重要的是属于周边技术，车是智能的，但是路是否智能、交通灯是否智能，只有这些东西都到一定程度了我觉得实现L4的日常化就变得可能。王淮认为2020年L4基础上面的成熟度应该问题不大。这也是我们跟很多车厂的人聊下来的感受。
4、AI感知。感知通过传感器获得与高精度位置相对的信息。算法层面是基于获得的这些信息“我”要作出一个决策。简单一点就是要不要右拐避免旁边的车，右转之后控制最后怎么执行？整体电子化、智能化之后，这些构建反馈机制要做得更加灵敏，对于控制系统的智能化也提出了一定的要求。如果说汽车创业，这个领域的创业对于人才的要求、资金的要求都很巨大，我们作为机构放弃了这个领域，但是对于里边核心的技术还是有价值的。
5、AI+安防。线性认为目前还有基于泛人脸识别领域的创业机会不太多了，除非应用场景比较窄。虹膜在中国应用场景一直没有起来，印度这个国家没有身份证，但是通过虹膜采集实现识别身份。线性投资的一家公司拿下了印度政府的单子，印度的身份识别实际上背后是中国的技术，但是一定是通过当地的公司来实现的这种技术集成的。
6、AI+医疗目前这个领域发展较为偏早，这个领域有很大的特点就是技术这个层面如果有能力获得数据，获得好的数据，能够切入到场景的话这个技术一定是有价值的。有一篇文章讲通过小孩子6—12个月图象识别来预测小孩子在两岁的时候得自闭症的概率是多少。因为如果6—12个月的时候能够得出这个小孩子很有可能得自闭症的结论，这个时候采取一些措施让小孩子避免获得自闭症，比起24个月之后这个数据有效的多。在美国这是非常大的市场。人在6—12个月历史上最好的医生做得判断大概50%左右，机器能够做到81%。
第三十八届CIO班招生
国际CIO认证培训
首席数据官（CDO）认证培训
责编：liuhan
免责声明：本网站（http://www.ciotimes.com/）内容主要来自原创、合作媒体供稿和第三方投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
本网站刊载的所有内容（包括但不仅限文字、图片、LOGO、音频、视频、软件、程序等）版权归原作者所有。任何单位或个人认为本网站中的内容可能涉嫌侵犯其知识产权或存在不实内容时，请及时通知本站，予以删除。
抢沙发
