发布时间:2023-10-25 00:39:21 来源:bandao半岛体育
在AI领域,近几年很多大规模的公司投入了很多资源。但是,2020年以来,很多初创公司投资人却对AI持谨慎态度,那么这个赛道现在发生了什么变化?其前景又是怎样的?
在钛资本投研院第46期分享中,清研新一代AI产业基金及第十区孵化基金合伙人钱雨博士分享了他的观察。
实际上AI赛道大多数企业在日趋向好,整个行业营收规模逐步的提升就是例证。但行业的欣欣向荣仅是投资活跃的必要条件,投资活跃还需要其他充分条件,例如投资人对行业、企业投资价值的判断方式、逻辑等等。
所以,要分析AI行业投资现状,首先是要看清楚一个根本性问题,为什么AI领域投资比较有挑战?有以下几点原因:
第一,判断AI公司产品的未来市场发展的潜力有挑战。因为AI的需求非常特例化,不一样的客户的需求细分方向完全不同。此外伪需求、痒需求也很多,一个产品按创业者想法认为是刚需,听起来也是逻辑自圆其说,实际上功能一旦做出来,有可能才发现客户实际并不是特别需要。投资人必须有能力判别出真需求、刚需求。
第二,判断AI公司产品服务的通用性有挑战。因为需求特例化,所以在很多领域,很难产生通用化的货架式AI产品,而货架式产品是投资人最喜欢的,投入产出比最高的。所以投资人必须有能力判断,拟投项目能否发展出通用性、货架式产品。这个能力依靠于对传统行业的理解和想象力。
第三,判断AI公司投资效用比有挑战。如果找错了项目,该项目不具备货架式产品化能力,不具备快速扩张市场的能力,就会导致投给该企业的钱,实际上无法快速直接转化成产能,反而可能会引起该被投企业不得不将剩余资金拿来投资,参股更加有落地能力的AI企业,这等于创业企业反而去抢干VC的活。
第四,即使投资人深刻掌握上述几点,要找到比较合适的创始人也很有挑战。AI行业对创始人的要求非常高,创始人必须兼顾技术、市场、商业模式、渠道资源于一身。AI是一个交叉行业,只有又懂AI又懂行业的人,才能避免高风险。因此能在AI行业中脱颖而出的创业者能够说是凤毛麟角。
因此,人工智能投资的主要挑战,源自于AI是一个全新的技术和应用范畴,还没形成一个固定的产业链,技术从长远看还不够成熟、产业应用未来也不够清晰,投资人无法按照传统投资思维,利用产业链的节点来投资。
资本对公司扩大市场占有率的效费比有限,整个创业过程是多种资源的整合,市场需求、产品服务和商业模式都处在不稳定的探索阶段,能够整合上述资源并且有运作能力实现赢利、进而找到支持资本退出的商业模式的创始人极其罕见,即便有能力也要从大量随机意外中生存下来才能坚持到最后。
此外,AI很难像移动网络那样在同一时间点出现大量集中于同一赛道的项目,从而诞生批量投资的机会。可以说AI每个项目都是独立发展成熟,大多数项目处于不同赛道,所以,也就不好满足大体量基金的投资需求。
之前AI领域的独角兽,有不少都是在一个特定的时间段开始创业——技术处于稀缺状态,再加上很多人对于AI有美好的理想,因此加快速度进行发展,也融到了很多钱。但这主要是由技术发展阶段和投资需求的双轮驱动,而不是市场、产品和商业模式的高度融合所导致的,这些独角兽的成功在今天不容易再复制。所以在今天,也特别难找到这种只需要技术领先就可以成功,对投资人来说容易把握的投资标的。
由于市场、产品和商业模式的交互不确定,导致AI相关的创业和投资如同三体般不稳定,可能有很多因素往前推进都会打破已有的平衡,投资人即使能够判断团队能很好的处理三者关系,有充裕的资金,但也没法一定保证会达到预期的结果,因为这就是其本身不稳定所导致的。
在当下,要能看破这三体,找到能带来稳定高回报的项目,才是AI投资最挑战的部分。看懂的人少,自然投资也就少,看起来可能是资本比较谨慎,实际上和氏璧一直都有,只是在等待卞和。
下图中画红线的部分是近期和投资有关的领域,包括文本识别、信息提取、语音识别、计算机视觉、机器人智能,深度学习和神经网络的学习、知识表达推理、知识图谱等,这些看起来量很大,但是实际上与投资有关的并不多。
所有的技术发展都有一些关键的时间节点,要了解技术当前处于什么点上,这样才可以作与之相对应的决策。
第一阶段,即很早期的科研阶段,还处于高校、科研院所的探索与建模阶段,不太适合进行风险投资;
第二阶段,即工程化阶段,已经具备了实验结果甚至是原型机,也注册了专利、知识产权,处于脱离实验室的理论阶段,具备了可执行内容,类似于天使轮到A轮之间的状态;
第三个阶段是应用阶段,即下图中绿色和蓝色部分,已经有了一定的使用经验,开始商业落地和积累早期客户,这才是投资最主要的部分。蓝色部分适合B轮以后投资,在客户群体已经扩大、应用变得广泛后,就可以向其它阶段扩散了;最后就是影响社会阶段,当市场已成熟,获得了广泛的关注,就可以替代现有的很多技术。
往后再看,像绿色和蓝色部分,可以把它看成是行业的2B和2G的阶段,因AI直接面向2C还不够成熟。最后是橙色部分,影响社会阶段,实际上就是一个2C阶段,AI企业现在能够完全2C的还很少,绝大多数AI技术还到不了那个阶段。
AI投资趋势是类似于三浪叠加的形态:第一浪是工程化阶段,此阶段还处在工程化向应用之间的过渡,归根结底还是投技术;第二浪,即应用阶段,比如机器视觉就处于应用阶段,虽然应用还不算广泛,但是还是有很多应用的点;第三浪,就是影响社会,如果技术能影响社会,说明已经趋于成熟,这就是2C的阶段。
目前第一浪已逝去,现在大家关注的是第二浪,就是投2B和2G的好企业,不过最值钱肯定是2C企业,但目前还看不到,最终的原因不只是企业的问题,更是技术还没有发展到那一步的问题。
S曲线(下图为移动网络和互联网的比较)在初期底层研究的阶段,可能有海量的投入,但是这些投入不会对产业带来本质影响;
当到达某一个时间点以后会促成产业、技术和应用的结合,就是S的竖线,在这一段时间点会出现很多创新的机会,这是最适合风险投资的阶段;
最后是产业化阶段,产业化阶段最关键的要素是资本和行业资源,需要利用整个国家和体制去推动。这个产业的开头和结尾都是国家在推动,只有中间部分才是最适合创业者和风投资本。
再回到S曲线的开始阶段,人工智能技术从长周期来看还是处于早期阶段,因为没找到好的市场和应用匹配,产品也在不断迭代;而过了这个点,就会像火箭发射一样到达S的竖线阶段,但核心问题是怎么样来判断这个点,对于投资人来说还是具有挑战性的。
在S曲线底部,存在两种混沌的状态:第一个状态是科技还没有正真获得足够的发展,还无法落地到一个成型的产品,这就是当下自动化和混合现实所处的阶段,也是智能手机在2006年的情况;
第二个状态是技术先行,但是并不住清楚可以用此技术做什么,正如1994年HTML 和Web技术刚刚被发明的时候,就当时的情况去看,可以在电脑上运行,但是对于如何操作、如何发挥其功用等问题并不清楚,以及如果世界上任何一个人都使用的话,将意味着什么。
而这两种混沌状态的结合体,即在科技发展早期,试图看出科技未来的应用方向,则更是混沌。
如下有两张图,当一些技术到达S曲线的顶端,已经基本上被垄断,说明这些技术已没有前途了,人工智能现在处在一条横线向竖线转化的拐点。AI有很多技术,比如语音技术要比别的技术在S曲线更靠右的阶段。
技术是工具而不是生产力,投资人投的是生产力,是技术的合理应用,所以就必须得了解产业的宏观环境和技术的微观发展。
有很多技术都是比较值得投资也是投资会比较偏好的领域,例如神经网络深度学习、计算机视觉、音频处理、自然语言处理、规划、音视频技术等,这些技术其实彼此都是相互交叉的。
AI的本质就是辅助、替代和超越人。辅助人是指考虑数据处理的速度和规模时,人力不能为时需要AI来帮助处理;而替代人是指在一些危险以及人类无法清晰辨别及表述的情况下,AI可以替代人来完成任务;
第三是超越人,有些任务人类是没办法做到的,比如利用 AI来预测海洋的风暴并且据此来推断观察海里鱼类的游动情况等等。原则上讲,只要AI能在这三个方面发挥足够大的效果,就有投资的价值。
AI有五大能力:第一是推理,能处理问题;第二是可以存储大量的知识;第三是规划,AI可以设定目标并且实现目标;第四是交流,语音识别、图象识别和视频识别都属于交流范畴;第五是感知,使用大量传感器感知视觉、声音。
这几个能力组合在一起,如果有足够多的已打标签的数据,加上合适的AI算法,就能帮企业实现减员增效和增能。所以投资需要判断几点,是否有足够多的结构化数据,算法是否合适?是否解决了企业的刚需?如果能解决刚需,那么就可能有投资价值。
AI引领了新一代的产业革命。第三代产业革命的核心生产资料是数据,成长的驱动是网络+AI。如果将大数据和AI结合,就会有很多创新点。
下图列举了AI在不相同的领域的应用。在工业领域有很多应用,比如生产排期、智能控制、设备维护、智能质检等等;在零售行业、酒店、智能电网、农林牧渔、化工、金融、石油石化、物流等很多领域也有很广泛的应用。
AI是一个特别好的技术,看起来能应用在生产生活的多个角度,但是反过来——基于深度学习路线AI的每个算法都需要特定数据训练,所以就很难具备通用性。如果一个技术不具备通用性,就只能做垂直的领域,这样就会受限于垂直市场的大小,市场太小就很难实现IPO,不能IPO就会导致投资人的回报比较有限。整体说回来,投资人更希望投资具有广泛应用场景的技术,而不只是在特定领域的应用。
AI+行业的落地有一个很典型的问题,杀手级的应用还是比较少。所谓杀手级应用,就能给产业界带来颠覆式创新的应用。本质原因还是技术不够成熟,而且研发成本也很高,所以现状是用基于成熟技术、聚焦于热门行业、做特定场景的浅层智能,比如智慧安防、智能客服、缺陷检验测试以及目标检测,相比之下更容易产业落地。
客户可以分两类:一类是主流客户,舍得花钱提升效率,主要是指政府、国企、上市公司等大型机构或企业,越大型的机构越有资金,也越有意愿提升效率;另外一类就是小微非公有制企业,这一些企业往往不开,不太愿意尝试不成熟的技术,提高效率是次要的,首要目标还是降低成本。
大型企业如央企或者大国企,与AI创业企业之间有很大差距,很多AI创业企业没办法摸清客户的门槛在哪儿,也不知道怎么与客户对接,客户内部结构也很庞大复杂,客户对AI的需求也难以具体描述出来。这是目前很大的问题,如果哪个AI企业能够解决企业和客户之间的关系,就是一个成功的典型范例。
“新基建”在当下很热门,新基建融资有很多新机遇,可分为以下几类:第一类,已有基础设施,比如像全国存有大量的安防摄像头,需要经过智能化升级改造;第二类,已经有了概念,但是还没基础设施,可能要全新部署;第三类,对于尚未存在概念的基础设施,需要去创造。
再来谈投资要素,主要是产品、市场、企业、技术、行业和资本运作,下图中颜色越深的地方就越重要。
首先考虑产品是不是存在刚需,其次是市场规模空间是否够大,第三是企业团队和创始人的人品性格。除此以外,产品竞争力、产品进化能力、知识产权保护等也都很重要,不过这些也要有先前的条件支撑才有意义。
分析一下中国AI的不同层级:技术层就是理论研究,属于科研院的范畴;平台层有很多,往往是网络和通信时代的巨头在运营,例如BAT、华为、谷歌、京东、亚马逊、Facebook,它们既有数据又有流量。
同时我们会发现很多独角兽企业也在做平台,因为单凭一个或者几个具体的垂直行业撑起独角兽公司百亿以上的市值是很难的,所以与他们的资本估值匹配的最佳选择,就是做平台。
真正让技术落地、有机会成为独角兽的公司,一种是从事具体的解决方案,一种就是落地的应用性平台。如果没有很好的中间商和渠道,基本上产品再好,也不具备快速推向市场的机会。
AI和传统行业的关系是AI+传统行业。有两类企业:第一类就是已经确定的技术成熟领域的浅层次应用,特点是竞争极其激烈,因为数据很密集、客户资金充足,但是僧多粥少、不好切入;很有投资价值的一种就是独辟赛道的公司,他们在布置项目层级的时候采集了很多独有的数据,一旦采集足够多以后,就会形成垄断性,不过这样的一种情况不太有可能会出现,如果出现,就有独角兽潜质。
“六投三不投”之可投:一开始要做垂直落地的事情,而不是上来就做一个大项目;要有很明确的应用场景;要有很优质的头部客户;应用场景要够普遍,这样用得人就越多,节约的人力成本越多,给用户带来价值越大;工程和服务能力要很强;团队演进能力的要很高。
“六投三不投”之不投:第一就是解决万众瞩目问题的大项目,现存技术还没办法实现;第二是没有应用场景也没有太多客户,宣扬豪华团队、算法领先,但是市场业绩比较可疑,这种企业一般都不落地,风险很大;第三是没有行业服务经验,就没办法完成目标。
A:AI行业本身不是一个很成熟的具有产业链节点性的行业,但有些创业企业还是愿意把自己包装成一个在很成熟的或者说相对成熟的产业链中去创业,此时硬件就是一个关键节点。转向做芯片,就会有更多故事可讲。
当然,有很多企业的AI芯片有明确的应用需求,比如比特大陆就很明确,因为其实矿机本身就可以看做是一种特殊的AI应用,只不过用在“采矿”上而已,把“CPU+GPU”替换成FPGA甚至ASIC,其实是在减少相关成本、提高运算效率、提高产业能力,这就是另外的故事了。
Q:AI勇于探索商业模式的公司往往比较弱小,与传统信息化巨头在小场景中对碰没问题,但到某些特定的程度是不是会以并购为主要方向,而并不全是独立上市?
A:我觉得都可能会,比如传统行业的巨头,很希望在自己的产品中加入新概念,特别是传统的工业公司或者是传统的信息化企业。AI市场是一个由无数个小市场组成的大市场,如果由一家公司去并购海量的小企业,从而组成一个大团队,这个事情还是有可能的,未来这种并购可能会很活跃。
A:AI本来就是ABCI(AI、Big Data、Cloud Computing、IoT)中的一个。IoT的一个重点是既要感知又要交流,这会给AI的整体处理、边缘计算、混合计算等带来关键的应用点。基本上要把AI项目落在工业或农业或任何实体行业,就一定是AIoT。
Q:像工业机器人这样带硬件的产品,一是销售起量慢,二是盈利还以产品销售为主,您觉得这一类的投资价值在哪里?
A:严格来讲机器人和AI是两个平行的领域。机器人更多像是人的四肢,人工智能其实是人的大脑加上耳朵、眼睛甚至触觉。现在所谓的机器人,都不是智能化,而是自动化。它们只能按照既定的程序和脚本去执行,但反过来若机器人足够智能化,就一定很挣钱,当然现在真正能智能化的机器人其实比较少,这是工业机器人的当前状态。
另外像工业视觉领域怎么切入。比如纺织行业,中国是全世界第一的纺织大国,中国的纺织机可能有几千万台,如果每一台纺织机都差不多,用了工业视觉技术后都能给老板每年带来很高的收益,这一个市场就可以做,因为这是一个很确定、很具体的市场;
但是反过来,如果纺织机器千奇百怪,每一个工厂的需求都不一样,这种项目做起来就会特别累。所以,工业视觉能否落地到纺织行业,这必须是在纺织行业工作很多年的人才能弄清楚。工业视觉技术,一定要切海量市场、共性超级强的市场,而不要去切细微市场、要求很高的市场。
再一个,工业领域技术做成类似PaaS的形式会比较好,PaaS是可提供更多可能的平台。
A:要看到底是做什么,还有在什么时间节点去做。比如AI芯片就肯定不是项目制。
我觉得AI创业公司,如果确定好要走通用型道路,还是要专门做AI的一些核心节点,AI这个产业虽然说没那么成熟,但还是有核心节点的。
计算芯片是一个核心节点、深度学习框架是一个核心节点,纯凭技术之外还应该要考虑市场,比如AI芯片就要不考虑功耗和算力的平衡。好的芯片公司,例如寒武纪的芯片不是拍脑袋想的,而是根据华为的需求做出来的。能够理解成AI芯片有定制化的方向,定制化方向做多了以后就非常有可能成为通用芯片,但芯片太通用了也有问题,本来做芯片的目的是为了更好的提高专用性、减少相关成本,太通用了以后肯定会导致高冗余、高成本。
但如果是行业垂直应用的公司,如果不从具体的项目开始做,绝大多数都是没戏的,最大的原因就在于AI和行业应用的结合,关键在行业而不在AI。如果没有做过具体的项目,直接上来就要做通用平台,那一定没法用也没有人会用,所以AI的平台型公司可能最近这些年会很少,反过来把项目做好了就可能变成一个平台。
近两年以来,各机构对于AI项目的投资明显谨慎很多,一种原因是前面大量被投项目的商业变现不如预期,另一方面AI本身借助资本的力量在加快速度进行发展一段时间后从质的发展上处于停滞状态,理论基础缺乏新的大突破。
如同其它科技的技术成熟度曲线一样,AI又一次经历从过度期望到泡沫破裂,逐步走向过度失望的低谷状态。
大浪淘沙,在一个技术成熟的长周期里面,不同的时期对于投资机构对项目的选择,一定跟其基金的投资期限和项目商业变现能力和快速成长阶段紧密相关。正如钱雨博士所指出的,技术本身只是工具,不代表生产力,技术的合理应用才是生产力,并且会深刻改变生产关系。
可以判断的是,经过2016年到2019年的人工智能全球热潮和创业泡沫后,人工智能技术尽管发展不如预期,但已经一步步进入到了实际的生产生活场景中,并逐步应用到生产生活的方方面面。
未来人工智能技术作为新基建的头雁,在疫情后的新社会生活范式中也将迎来全新一轮的发展机遇,AI投资虽然不易,但一个充满了AI的人类时代,正在实实在在的到来。
分享嘉宾介绍:钱雨博士是北京基金业协会人工智能专委会秘书长、中国人工智能发展联盟投资组副组长,曾经主持了国家电网VR+产业示范项目的研发工作,有着非常丰富ToB的产业经验。