陈孝良：我之前提过小样本学习，其理论基础就是贝叶斯概率，它和深度学习是相对的。深度学习相当于归纳，给出足够数据，通过分析可以得出一些结论；小样本学习相当于演绎，给出先验概率，直接推断可以得出一些结论。

　　大数据一直存在，j2直播，我们确实能从里面总结出一些规律来，但是我们人类不是仅靠这种方法学习的。小孩子学习新事物靠的是类似于小样本学习这种方法，比如看到猫，你告诉他什么样的是猫，它下次看到同样的东西就知道是猫，而不是需要看很多只猫才知道是猫。另外对于人类来说，更有意思的是即便没有数据积累，没有相应的专业知识，实际上人类也能“照猫画虎”。

　　可以把深度学习类比与知识经验，知识经验事实上就有两面性，有好有坏，偶尔就会造成严重的错误，因此人类需要不定期遗忘一些知识数据。但是深度学习当前还做不到自动筛选数据，这也是其中的弊端——我们无法保证数据训练出的模型是绝对正确的，因为它本身就是一个黑盒子，而且我们还无法保证所有数据都是正确的，若想做到这点就会形成一个悖论。

　　另外深度学习强烈依赖于数据，不仅需要保证数据的完整性和精确性，而且所有的数据当前还都需要准确标注，标注又需要耗费大量人工成本，所以它并不是一个很完美的方法。

　　爱分析：贝叶斯学习现在成熟度如何？在业界有哪些应用？

　　陈孝良：贝叶斯学习其实一直停留在科研界，尤其用在军工领域，雷达、声纳、遥感等都是大量使用贝叶斯模型进行工作。其实贝叶斯学习已经很成熟了，只是没有大规模拿到民用领域来用，当然业界也有一些应用，比如垃圾邮件的处理等，只是在PR方面没有声音。另外我们声智科技主要是把贝叶斯学习应用在前端数据收集，实现半自动化的数据标注，以降低数据标注的工作量并且保证其标注质量。

　　算法难成门槛，数据和场景壁垒更重要

　　爱分析：AI领域算法是否存在门槛？

　　陈孝良：深度学习本身是个工具，算法只是一些体现技术思路的代码，这些代码不可能形成壁垒，但是有相当高的技术门槛，这也是人工智能公司基本都以博士为主的原因。

　　由于算法很难直接形成有商业价值的专利和标准，所以发展到一定阶段就会开源，atv，开源的结果就是训练一段时间，大家都可以训练一个还可以用的模型出来，核心问题只是怎么把这个模型优化得更好，更能落地到实际产业之中。

　　爱分析：对于AI技术公司来说，哪些东西可以形成壁垒？

　　陈孝良：算法本身不可能形成壁垒，所以技术公司要把算法做到场景里面，场景是可以形成壁垒的。比如你医疗领域做到No.1，肯定就比通用的有优势，这里面不管你是通过资源支持，还是BD，都是你的优势。

　　另外场景和数据密切相关，因为收集数据是需要周期的，处理数据是需要投入巨资的，所以在特定场景下积累到一定规模的数据也是可以形成壁垒的。

　　最后知识产权也是可以形成壁垒的，但是只有一些涉及到物理形态的技术才能更好的获得知识产权保护，所以软件技术公司很难通过知识产权构建核心壁垒，硬件技术相对会更容易一些，比如芯片、激光雷达、麦克风阵列等等。事实上，标准是最重要的，但是创业公司显然无法推动标准，这是国家和整个大产业需要联合做的事情，特别是面对国外竞争的时候。

　　一些起步较早的AI公司其实都不是技术驱动型公司，而是在数据上领先，数据积累到一定程度，还是要靠人工去搞定客户。所以越往前端走，技术壁垒越高，越往后端走，内容壁垒越高，中间层其实不存在太高的技术或数据门槛。AI公司很怕架在中间，难以落地，所以很多通用技术公司都开始做软硬一体解决方案，解决方案就是要搞定客户，要拼BD能力。

　　爱分析：您认为AI技术公司在垂直领域市场集中度高还是分散？

　　陈孝良：其实现在同质化还是比较严重，所以最后大家的出路，要么被收购，要么上市。上市现在看来难度比较大，因为需要连续营收和盈利。虽然现在各家技术差距可能没那么大，但是在每个领域还是会出现垄断，当然还是要看公司在产业链里面的定位。

　　爱分析：既然技术难成壁垒，那AI创业公司是否更应重视BD和商业化落地，而不是提升技术？