人工智能公司的估值怎么算?
2017-03-29 11:42 人工智能公司 技术 人才红利

人工智能和互联网是并行的,相对独立的。

本文由峰瑞资本(微信ID:freesvc)授权i黑马发布,作者朱祎舟

/ 01 /  技术、人才红利都迅速放缓

过去在人工智能能领域创业的时候,大家会问我这些问题:

你的算法到底是什么?是不是深度学习的算法?

你是不是用了神经网络?神经网络多少层?

这是投资者或大众关注的第一点——“算法如何”?

然后,大家还会问:

你的团队里有 PHD 吗?有 BAT 研究院出来的人吗?有高校教授吗?

人工智能能刚刚起步时,大家的焦点基本集中在两个方面:算法和人才。

这两张图反映了我过去一段时间对这两个方面的观察。

第一张图,我称之为“技术的红利”。这张图是在 ImageNet 历年图像分类任务中获得第一名的算法的错误率。2013 年的时候,获得第一名的算法错误率是 13%,2014 年时是 7%,2015 年时是 3.6%,到 2016 年时变成 3.0%。大家可以看到,从 2013 年到 2014 年,错误率下降了近一半,从 2014 年到 2015 年,又下降了近一半,而 2015 年到 2016 年的时候,下降的幅度就变得很小了。

做技术的人应该都知道,在深度学习的框架下,以现有的技术处理图像分类任务的能力,错误率继续下降的空间已经不多了。看到这个结论,我非常吃惊。技术放缓的速度远比我们自己想象的要快。

第二张图,我称之为“人才的红利”。

横坐标是时间,纵坐标是工资。过去,人工智能公司招人都很贵。最近,我随机选取了一家非常知名的人工智能公司的招聘列表,2017 年时,这家公司招聘图像识别处理工程师的薪水是15—30K/m,已经和普通的 IOS 工程师差不多。

目前,大家普遍的认知是:人工智能领域,所做事情的框架已经日趋清晰明了,但人才缺口比较大,学校的供给不够。任何一家人工智能公司招人,都更倾向于熟练的、很快能将想法实践落地的人,倾向于招有一定专业院校和学术背景的人才。

通过上面两张图,我想说的是:人工智能技术跟其它技术一样,到了一个阶段性平台期,技术红利放缓的速度非常快,人才供给发展的速度非常快。

对投资人来说,在人工智能创业的第一阶段,公司的估值就是 “算法 x 人才”。它们的乘积,大概就是你的公司在市场当中的价值。而目前,这个乘法的两端都在快速地下降,这是我们对第一阶段人工智能创业的的判断。

/ 02 /  AI 公司估值的阶段论

我把人工智能赛道上的公司分成 5 个阶段:

1. 提供狭义技术的阶段

2. 提供解决方案的阶段

3. 提供模块化产品的阶段

4. 提供整体产品的阶段

5. 业务闭环数据循环阶段

大部分创业公司处在 “狭义细分技术” 的阶段。这一阶段,判断公司的标准就是我们刚刚提到的公式:“估值 = 算法x人才”。我们可以看到,这个公式下的公司,价值在被快速地拉平。在我看来,这一波的机会红利已经基本结束。

在这一阶段的人工智能创业浪潮中,获利最大的科学家创业团体,现在在创业上的优势不会那么大了。接下来,我相信机会仍然会留给产品经理、工程师和商业人才。过去的估值方式,过去的价值判断方式,和过去的技术、人才红利都已经基本结束。

现在,很多公司都已经进入第二阶段了。不论是图像公司还是语音公司,大家都开始进入提供解决方案的阶段。

在第二阶段,判断公司市场价值的方式也会发生变化。我自己列了一个公式,就是从 “算法x人才” 演变成 “估值=算法+数据x商业价值”。算法后面是一个加号,主要原因在于,大家都还没有数据和商业价值的时候,比的是算法,但是当大家都有了数据和商业价值后,商业价值的重要性会迅速地超过算法,所以算法所占的比重会越来越少。

/ 03 /  人工智能并不是互联网的下一代

互联网在过去做的最主要的事情是解放渠道,释放渠道的效率。所以我们看到,过去的创新型模式都是为了让产品能够直接抵达消费者。不论是电商打掉中间的零售商和经销商的渠道,还是滴滴打掉出租车的渠道,其实都是在渠道上做文章。

我觉得人工智能并不是互联网的下一代,也不是互联网的替代者。这两者是并行的。因此,移动互联网、互联网的机会依然有,并且依然非常大。互联网这条线本身会继续往前发展,人工智能做的事情则更偏向底层——在生产端提高生产效率。

这也是我们现在为什么觉得 to C 端的机会比较难:生产端还没有被改造,于是就不太会有新的产品出来;没有新的产品出来,用户端体验也就不会有特别大的提升。

这波人工智能的浪潮,凸显的是 “数据x商业价值”。我们从 to B 和 to C 两个角度来分析。

to B 端,我的判断是人工智能会向行业的纵深端去发展。从生产端来看,不论是服务业、农业还是工业,大家对效率提升的需求是非常明显的:在医疗领域,提升诊断的效率;在金融领域,提高金融数据服务的效率……需求和商业空间是巨大的。于是我们的挑战不再是技术被拉平了,而在于对行业需求的理解和产品的设计。

另外提到一点:大数据。这个词其实是老生常谈了。从企业服务端来看。美国企业服务市场的路径是:传统软件→ IT 服务→云计算→大数据→人工智能,最后才有了人工智能。所以,在美国做人工智能领域的创业,好处是基础设施非常成熟、完善,但很多事情都被大公司做了,初创公司需要在大公司的夹缝中寻找生存空间。

在中国,企业端基础设施还是非常落后的,是一片空白。因此,中国有一个特有现象:跨越式的发展。在电商、本地服务、金融支付等行业,跨越式发展的例子比比皆是。

to C 端,我的观点是:想用人工智能去提升消费者的体验,通过一个单点去突破比较困难,更多是一个系统化的工程。比如,车载语音的交互体验,智能家居体验等。它需要的不仅仅是产品本身做得多好,更是整体的居家环境、车载环境。这些基础的传感器和基础的服务、数据足够完整之后,我们才会有一个体验足够好的东西出来。反之,现在做这个事情,就会感觉很累或者说撬不动,因为基础设施和服务没起来。

互联网领域,单点做个小 APP 就能撬动一个很大的空间。但在人工智能领域,这几乎不可能。关于这个结论,我自己心里也有个问号,我也很好奇人工智能里能够单点突破的产品到底是什么。

这是我对于 AI 创业第一个阶段和第二个阶段的一些投资思考和笔记。

/ 04 /  人工智能没有网络效应

最后,回答四个疑问:

第一个疑问是:人工智能是不是可以理解为互联网或者移动互联网后的下一个创新,或者是替代品? 

我认为这是不对的。人工智能和互联网是并行的,相对独立的。照套互联网的思维方式是很危险的。

比如,人工智能是没有网络效应的,也几乎没有马太效应。这句话是什么意思呢?马太效应基于网络效应,因为网络效应能快速地集聚资源、拉开与竞争者的差距,所以会出现行业通吃的情况。而人工智能是基于生产效率的提升,它本身没有网络效应。至少现在看起来,行业通吃的事情可能不存在。不见得谁比谁快、谁能把谁灭了,而是大家都能找到自己的一块地盘。

第二个疑问是:人工智能领域创业有没有势能?

我们可以看到,在互联网、移动互联网的窗口期,创业公司要打仗,要迅速融资。但是看起来,在人工智能领域似乎没有所谓的 “势能” 。技术有它固定的规律和速度,不太可能用融资的方式拔苗助长。在同一个人工智能细分领域,谁先做、谁后做差异并不会特别大,能够扎扎实实把事情做好倒是更加重要。在传统互联网领域或在移动互联网领域,或许可以在四年之内做出一个上市公司,但是在人工智能领域,这基本是不可能的。

第三个疑问和第四个疑问其实是连在一起的:投资人们都喜欢问,人工智能公司会变成什么?到底能做多大?这个行业到底能做多大?

大家以前对这类公司的期望是做成一个技术平台公司。技术平台公司的意义更多的是,怎么把算法和数据整合成一个产品,或者整合成一个服务。云计算就是很典型的一个例子。但现在看来,“技术平台” 只是其中一种选择,还有许多其它方式。

从人工智能领域公司的壁垒来看,要从算法开始,让你的公司从一个技术平台公司做到一个数据产品服务公司,然后再抽象到一个更高层面的技术平台公司。

人工智能很难像互联网一样从单点突破,做横向整合。它做大做深最大的可能性是纵向整合,整合整条产业链里不同的生产者、生产资料,再往上整合到产品层面。这比较抽象。举个例子,比如你做人脸识别,是只做人脸识别?还是做人脸识别加上人脸识别摄像头?还是做人脸识别、人脸识别摄像头,还要再加上人脸识别系统,做成一整个产品?它不是只做一个人脸识别就把所有人脸识别都做全了,而是做人脸识别可以选择从产业链下游往上做,也可以从上游往下做。