柯洁与AlphaGo的比赛受到了所有AI创业公司和投资者的关注。那到底什么样的AI创业公司才能受到投资者的青睐？

　　MMCVentures是英国著名的专注于技术领域投资的机构，其投资和研究院总监David Kelnar介绍了他们对初创企业进行判断的17个要素，涉及价值创造的潜力、实现价值的能力、对竞争的防御力三个决定性问题。（此评判标准主要是针对专注于“应用”的机器学习公司，不适合通用的解决方案公司。）

　　以下，将以这三个决定性问题为主线，进行逐一介绍。

　　一：拥有价值创造的潜力

　　这一问题MMC Ventures考虑六方面的因素。

　　1、价值释放

　　我们通过以下为客户创造收入的能力来判断企业的价值释放：

　　提高驱动收入的因素的增量，如转化率、收益率、吞吐量、价格等；

　　降低流失率——提供更多的个性化、更好的客户服务、更少的客户摩擦或提高品牌忠诚度；

　　创造新收入来源——识别新客户、增加向上行销或交叉行销的机会、创造新的市场机会。

　　我们还通过以下为客户降低成本的能力来判断企业的价值释放：

　　减少多余的花费、超额的资源或核心资源的需求——提高预测效率、流程效率或过程自动化；

　　减少经济损漏——如增强合规性。

　　2、具有颠覆性

　　机器学习主导的企业如何简化现有用户流程（优化范围），吸引新类别用户使用服务（颠覆性）？例如AI助理。根据PayScale的数据，人类助理的薪水已达到2.5万英镑／年，虽然AI助手只能替代一定人员的一小部分工作，但对于许多中小企业来说可以减少很多费用。助理只是一个小领域的颠覆，但可能通过规模化产生很大效果。

　　3、替代品稀少

　　现在，机器学习成为了很多人力资源的替代品，被替代的这些人力资源，他们越是稀缺、昂贵，机器学习就越有价值。

　　我们看到，在英国，机器学习初创企业最集中的领域恰恰是人力薪资最高的三个行业——金融、IT和公用事业。

　　4、机器学习的适用性

　　机器学习非常适用于艰巨、复杂和深不可测的任务：

　　艰巨的问题：在人类的能力范围内、可以通过编程来解决，但需要花费难以想象的时间和精力；

　　复杂的问题：在人类的能力范围内，但无法通过很有效的编程来解决的。例如人类可以通过人类的规则判断出一辆汽车的照片，但很难通过编程来有效的制定识别的规则；

　　深不可测的问题：超出人类能力范围的问题。在这些领域，人类无法组织数据来进行判断或预测，但利用神经网络的深度学习方法，就可以解决此类问题。

　　机器学习不太适合无限问题和因果推理问题，因为：

机器学习离开了数据几乎无法使用；

　　机器学习主要是描述数据的相关性，而不是因果关系。

　　5、达到一定性能的路径

　　从实践的角度来看，机器学习并不需要做到100%，只需要提供接近人类或比人类稍好的性能水平即可。更重要的是，我们要依据现有的条件来判断是否有一条达到这样性能的路径。

　　例如美国94%的交通事故是人为失误，自动驾驶汽车不需要100%的安全，开奖，只需提供相当或稍优于这一安全率即可。

　　6、合适的数据

　　机器学习需要合适的数据进行训练和部署，我们将数据操作分为两个阶段，并以此衡量数据的实用性：

　　选择：数据的可获得性、数据的现有差距和可复制性、数据标签质量和数据偏差性；

　　处理：数据碎片、数据清洗要求，数据采样，数据转换的需求、分解和聚合。

　　我们还需要衡量数据的保留价值。如果历史数据来对改进迭代算法有用，则拥有保留价值。例如反欺诈公司，它们的客户历史数据可以有效的来测试算法的准确性是否得到改善。

　　二：具有实现价值实现的能力

　　如果一个企业有潜力创造价值，那么如何实现这个价值？根据我们的经验，价值实现需要判断五个因素。

　　1、创业团队的商业心态