口述刘毅然

　　整理孙清Cindy

　　模式创新的时代已经渐渐远去，人工智能作为下一个引领创新的风口式机会，越来越受到资本的关注，应用场景不断拓展。科技巨头如谷歌、微软、亚马逊等纷纷进场，在国内也涌现出了一大批人工智能创业公司。两个月来，创业邦研究中心走访了北极光创投、光速中国、元璟资本、顺为资本、明势资本等相关投资机构，为读者们带来科技前沿的一手好料和最新的思维方式。

　　近日，元璟资本合伙人刘毅然接受创业邦（微信搜索ichuangyebang）专访，详细介绍了他在人工智能领域的投资逻辑，以及他对人工智能产业的一些看法。

　　图像和语音领域最有可能迎来商业化应用

　　现在来看，在人工智能领域，图像和语音识别是已经被验证的两个赛道，这两个领域已经出现较为成熟的技术方案，未来这两方面很有可能率先迎来商业化应用。

　　我们自己投了两个语音识别技术相关的人工智能公司一个是思必驰，一个是Rokid。这两个公司简单来说一个是安卓模式，一个是苹果模式。Rokid是苹果模式，包括语音技术、外形、麦克风、服务系统对接等等，都是团队自己设计，垂直整合的，提供完整用户体验，直接对标美国Amazon的Echo。另一个公司思必驰是一个技术平台输出型的公司，通过他们提供的模组和技术方案，一个传统音箱可以升级成智能音箱，所以我把它比喻成安卓对智能手机的作用。

　　语音在卧室和车载这两个场景里面，最有可能找到突破机会。因为人们不看手机最多的两个场景是卧室和车载，这两个恰好是语音人工智能最能发挥效果的地方，Rokid就是在卧室里面，思必驰也有汽车智能后视镜方案等，这些是语音方面我们觉得比较看好的。

　　另一方面，人脸识别能否出现成熟应用，仍然需要看场景，就目前而言要实现to C级别的应用还可能有挑战。现有技术想做一个实时在线、每天实时准确识别和判断千万级别人脸的产品挑战很大，按次数收费的人脸识别收费还在探索模式，但同时后面支撑他的运算量和需要的技术投入还很大。反而是to B的模式，如果能和银行、保险公司摸索出业务模式，机会可期，所以要具体分析。我更看好一些对效果要求不那么高的场景，比如消费、娱乐，而对于准确率要求极高的金融支付等领域更加谨慎。

　　创业公司要深入具体场景，形成数据闭环

　　我个人认为人工智能的发展可以简单地划分为深度学习之前和之后。深度学习出现之前，AI主要是简单的模式识别，用计算机技术解决一些特定的模式问题，但近几年识别准确率开始出现瓶颈；深度学习带来的变化还是很大,使得很多应用场合的识别率有了突然跳跃式的改善，很快就会无限接近甚至超越人类识别水平，这个框架基础催生了大量新的机会。

　　深度学习的一个先决条件就是需要海量的数据去做训练。所以我们看AI公司的时候，首先是看它的数据场景是否正确、数据够不够大，有没有防御性，另外就是有没有形成闭环，拥有一个反馈机制（根据搜集到的数据判断做的决策是否正确，效果如何，如果能够产生反馈，那就可以逐渐优化）；第二，如果业务过程中他自己能够产生沉淀新的数据，就会是一个正循环，越做门槛就越高（比如如果一个系统在业务单元或各科室的繁杂数据之间能产生沉淀新的有组织形式的结构化数据，既是输出也是输入，这就会形成新的业务价值和数据壁垒）；最后一点适用于任何技术性公司，就是你创造的价值是否可以明确衡量，一般意义上是指能提高效率或者改变产业结构的价值，如果这个价值可以衡量，那这家公司的商业价值就很容易体现。

　　方向上，我们鼓励创业公司去深入一个行业，和这个行业进行深度结合，提供行业解决方案。虽然一些基础方案可能会基于科技巨头开源的一些理论架构，但是创业公司不会被巨头的革新轻易取代，开奖，或者说，创业公司生存的根基是对这个行业深度的服务和渗透。并不是巨头公开了算法，就把什么都摧毁了，创业公司在垂直领域可以做的更深。相反，每个新产业发展的早期正是需要巨头的大量投入和基础性创新才有真正的新板块性机会出现。比如，移动互联网的发展正是在Apple大力推动了苹果手机，Google大力推广Android系统之后，智能手机各种应用才真正爆发出来，Uber、滴滴这样的新机会才涌现出来。人工智能领域也一样，在Google推动了深度学习的示范应用之后全世界都知道了Deepmind这家公司，现在Nvidia这家公司也在推动着芯片/算力的进一步普及.