如果没有大数据，AI 就无从谈起，正如人如果没有空气就无法生存一样。为了确保研发工作是有效的，应该提供的是真实可靠，真正意义上的大数据。而公司必须提供数据的规模、来源，大数据所具备着怎样的能力。尤其是要明确数据的来源。

　　一般性的数据来源：比如股价历史记录，政府数据，或者某些开源的项目。

　　（4） 算法的细节是怎样的？

　　要多问公司一些算法的事，尤其是要了解它的细节内容，就比如说在这个产品中，神经网络的功能循环到底是怎样的。技术方法并不是什么商业秘密，所以公司是会愿意谈起的。如果他们闭口不谈，那么你就应该有所戒心了。

　　（5） 他们是否已经有了一些客户？

　　如果已经有人用了这款产品，跟他们去好好聊聊。就比如说数字安全领域，其实存在着两种模式：「阻拦模式」和「监控模式」，这两者之间是存在着巨大差异的，只有「阻拦模式」才能有效地降低「错误事件」出现的概率。

　　换句话说，你需要找到的那些客户，他们本身的诉求应该和你高度一致。

　　2. 如果不是 AI 所擅长的领域，请别把 AI 拉扯进来。AI 的概念现在真的是红得发紫。但是，只有解决实际问题的，真正意义上的 AI 公司才能长久生存下来，其他的公司只是跟风，拿了风投，把钱烧个精光，到头来辜负了风投的信任。

　　也许在你的领域里有着最优秀的算法，但是如果你没有找到一个合适的方式来应用它，从而有效解决一个实际的问题，那么一切都无从谈起。真正好的人工智能技术必须依托在现实性强的应用方式上。就比如说 Google Photos，它使用了 Cloud Vision API 才达到如此出众的效果，但是你不知道它之前走了多少的弯路。

　　我是研发通讯应用人工智能的，对于很多人来说，这个领域的人工智能就等同于各种私人助手，管家，比如 Alexa 或者 Google Assistant。如今在一个通讯平台上，随便捣鼓一些就能拿出来一个类似的人工智能工具出来，但是，是不是真的能够解决问题，那就是另外一回事儿了。

　　要把产品和技术投放到真正能够实现价值的地方，就比如之前所提到的肺部癌细胞的分析预测。

　　3.在研发过程中，你将需要大量的人力支持这是我在 Y Combinator 里面学到的最大的一点收获。除非你现在是一家超大型的公司，像 Google 一样拥有大量的数据，在某些现成的，公共开放的数据上面做文章，否则你还是需要大量的人力支持的。这里的「人力」，我说的是用户，只有用户才能够产生出某一个专属的数据组，从而使得你的算法实现出应有的价值。

　　HealthTap 就是一个非常好的例子。他们在过去的七年时间里开发了一款极为成功的平台，上面有 107000 医生，对接着海量的医疗数据。如今，他们厚积薄发，j2直播，在去年下半年终于开发出来了一款人工智能技术作为支撑的私人医生：Dr.AI。

　　Tesla 的自动巡航项目同样也是一个非常好的例子，展示了你应该如何利用你现有的用户基础来生成相当规模的数据量，从而支撑你进入到下一个开发阶段。无人自驾驶 AI 并不是终极目标，Tesla 最后要实现的目标就是要达到一个你完全不需要拥有一辆 Tesla 的汽车共享时代。当然，目前 Uber 是汽车共享里面的领头羊，它目前也正在开发自驾驶技术。

　　对了，我们还没有提到还得有人来给机器「教」这些算法。毕竟，就算你有大量的训练数据，你仍然需要人力在流程中去监管，校正模型。当然，随着机器智能的进一步完善，成熟，随着时间的推移，这个人力监管的必要也会降低。但是你要考虑到，你的错误率越低，你要对机器整体智能进行提升的困难程度也越大。至于什么时候真正能够摆脱人为去指导、干预，这得看人工智能投放到了哪个领域，有可能它会花好几年的时间。

　　所以，换句话说，你在项目一开始就必须提前将这些难度给考虑进去，预估出人工智能技术需要多长时间的孵化才可以面世。

　　最后的话：我们是干什么的？以及未来前进的方向业界对人工智能的期望值，或者说人工智能的热度在 2016 年的年尾时达到了顶峰。而在 2017 年的一季度，随着 Facebook 在人工智能上愿景的回收，Apple 也被爆料在 AI 研发领域的进度远远低于人们的期待，似乎 AI 的时髦度开始有所回落。而对我们所研发的「混合式人工智能技术」而言，2017 年是让人无比期待的。

　　我们到底开发的是什么东西？是不是一款标准意义上的 AI 产品？人与机器是如何接合起来的。下面就容我跟大家做一个介绍。

　　我们 Bicycle AI 公司希望通过人工智能技术，去解决一个不同寻常的问题：客户服务。