|
将 AI 用于垂直领域，创业公司如何解决行业问题？ 基于任务的低水平人工智能很快就能商业化，更加通用的人工智能还需要几十年。与此同时，新人工智能初创公司能成功吗？还是说谷歌、Facebook 和亚马逊这类大公司才是真正的玩家。大部分机器学习天才都在大型技术企业任职，而大量和及时的问题则潜伏在每个技术之外的其他主要产业中。 什么是垂直人工智能？ 1. 全栈产品 为接口的终端客户提供一个完全整合的全栈解决方案，解决了从栈到功能、模型和数据的所有需求。相比专用的数据或模型，这种生态系统的防御能力会越来越强。设计合适的产品接口需要专业知识，拥有接口能让你接收专有数据。然后你就能在一个介于接口和数据之间的良性循环中构建出驱动高价值功能的模型。掌控着「数据价值链」就拥有定价权和长期防御能力。 例子： Blue River 打造出减少化学制品并节省开支的农业设备。他们对每个独立的植物采取了个性化的措施，只给野草施用除草剂，而不是玉米或土壤。他们用计算机视觉辨认每一株单独的植物，用机器学习决定如何对待每株植物，再用机器人对每株植物进行精准的操作。Blue River 的防御性能很强，因为要复制这样一个复杂的全栈产品是很困难的，首先要收集各种模型的训练数据，还要把模型和机器人合成到机器中，以及把这些机器集成到已有的农业设备和分销渠道中。 2.领域专业知识 在事业早期，从业界引进的关键领导者会给垂直初创公司的产品和销售带来好处。构建全栈产品需要深入的专业知识。销售这些产品则需要行业中的信任、尊重和人际关系。能够结合某个领域的问题和专业技术知识的团队能完善地模拟该领域，并且通过跳出问题本身来理解问题，当然首先要理解问题本身。那些采用领域优先方法的团队通常会被困在问题里，而采用技术优先方法的团队则会被困在问题之外。这里还有一个重要的问题，团队发展，如果你不能在早期设定好领域-技术联合的基因，某一方面就会占主导，那么从另一边引进一流人才就会遇到挑战，他们在公司也不会有同样等级的权限，不会受到同样的尊重。 举例：Zymergen 的领导团队定位于工业生物学领域，成功的混合了多个强大技能；商业的（首席执行官 Joshua Hoffman），科学的（首席科学官 Zach Serber），和数据（首席信息官 Aaron Kimball）。越是努力构建起混合团队和设定企业早期的联合基因的公司，其防御力就越强。 3.专有数据 技术市场充满着恶性竞争。一旦你证明了好的成果，很多人就会迅速的复制你的东西。有防御力的人工智能企业是构建在难以复制的专有数据之上的。分为两个阶段，自展和混合。在自展阶段，你通过极具公开可获取数据构建一个特有训练数据集，并用一些有挑战性的方式丰富它，运行模拟生成综合数据，获进行 BD 交易收集内部企业数据集。在自展完成后，你再在产品中建立一个「数据飞轮」，你从产品的使用方式中不断抓取完全独特的数据，这一数据抓取是被设计用来精准服务于模型需求的，模型需求的设计是用来服务于产品功能需求的，而产品功能需求则是服务于客户需求的。这一数据价值链确保了客户的动机与你的动机是一致的，合成了你专有数据集的价值。 举例： Merlon Intelligence 收集数据的来源是合规分析员与一个金融犯罪调查盘的交互。收集这些数据需要一个全栈产品，其接口的设计功能是收集投喂给模型的数据。它是一个学习排名的组织，学习风险排名，就像 Facebook 的新闻供应（newsfeed）学习参与度排名一样。银行在部署新的金融犯罪合规软件时，面临着很大的操作风险，因此进入市场是有挑战的。收集数据的难度越大，它与产品的纠缠越多，涉及到的市场策略越多，那么这项业务就更可靠。 4.人工智能带来核心价值 亚马逊，Netflix 和 Facebook 都在用人工智能驱动更高比例的收益和参与度。这是正当的，也很不错，但人工智能并不是他们产品的核心价值，亚马逊是一家网络交易商店，Netflix 是一家视频娱乐公司，而 Facebook 则是社交媒体公司。在我们刚开始进行数据收集时，我们把这种情景称作「数据边车」，就像那些很酷的旧摩托车旁边装有跨斗一样。人工智能不是核心价值，而是优化核心价值的附件。与之相反，垂直人工智能解决方案是用人工智能解锁全部的新机会，而不仅仅只是优化已有的机会。 例子：Opendoor 的整个商业模式—在不动产领域制造一个更液态化的市场，是可预测的，他们能用模型给房子做非常准确的定价，实现即刻出价。通过用财富主导模型解锁一个完整的新机会，该模型是建立在在通过产品本身获取专有数据之上的，人工智能带来的产品核心价值更高，企业的防御能力就更强。 为什么要走垂直路径？ 1.不要被剥削 直接为终端客户解决商业问题，把你自己放在一个权衡的位置上，抓取全栈解决方案的价值。避免被终端用户作非居间化投资（disintermediated），避免被置于弱势地位。你最终将要去解决堆栈底端最难的技术问题，却要服从堆栈顶部方案设计者的权力，他会经常逼迫你妥协，侵蚀你的利益。 2.商业化的任务 你也许认为你占据着一个特别的市场位置，因为有创新的深度网络架构，或你花费了大量时间构建一个命名实体或图像标签。但现实是，这些低等级任务商业化的速度非常快。今天的创新马上会变成明天的开源资源，而且每年会发生的越来越快。把低等级任务看作是你构建高层次解决方案的架构基础，而不是你的关键 IP。 3.软件正在吃掉世界 每个行业的每家公司都需要成为一家技术公司，但大部分行业都很难有效部署技术，更别说人工智能了。谨慎分析你的目标市场，确定现有企业是否有受保护的市场地位（比如通过监管），你是否应该卖给他们铁镐和铁锨，现有企业缺乏强大准入壁垒的地方在哪里，在那种情况下你想采取颠覆性的挑战模式。 4.企业扎堆找项目 90% 以上的人工智能创业项目都是企业。很多都扎堆在特定垂直行业，比如金融服务或医疗保健。如果不想作为一个孤独的局外人，而是成为投资潮的一部分，就要把精力集中在分析这些垂直领域，因为在这里领域中，客户群和风投都渴望看到解决方案。 聚焦在一个追逐有利可图形势的特定初创公司群体上。集中精力分析垂直领域，这里有客户群和风投圈都急于想看到的解决方案，这能让你更容易把产品卖给客户，以及把公司卖给投资人。 理解企业群体  Sapphire Ventures 的人发布过几篇不错的博文，关于企业基金可能比消费基金回报更多资本的原因，企业退出后群体是如何进入的，而消费出口是由 Facebook, Snapchat 和WhatsApp 这样的局外人主导的。 1995 年以后，与消费初创公司相比，企业初创公司的总体资本回报高出了 40%。企业和消费初创公司产生了同等的 IPO（首次公开募股）价值，但企业级的公司产生的 M&A（并购）价值是另一个的 2.5 倍。  专注于企业有三个主要优势： 1.你在退出时，瞄准的价值创造池大了 40%；企业的总退出价值为 八千二百五十亿美元，而消费退出的总价值是 五千八百二十亿美元。 2.更广泛的价值分布意味着你更有可能创造出一个十亿美元级别的企业型公司，而不是消费型公司。五家顶级的企业公司占了价值创造总数的 11%，而前五家顶级消费型公司占的比例是上一个数字的 3 倍，或 36% 的总价值创造。 3.企业并购创造的更大价值意味着你在 IPO 前的大型并购退出时有更大的选择余地。企业并购占了退出价值中的四千一百亿美元，是消费并购退出（一千六百八十亿美元）的 2.5 倍。 CB Insights 的报道表明，人工智能初创公司的数量增加了三千万，企业型创创公司比消费型的数量多了将近 10 倍。  挑选垂直人工智能群体 市场 首先，寻找有健康利润的大型可寻址市场（TAM）。科学的评估 TAM。不要掉进确认偏见的陷阱，寻求能证实你观点的信息。当然，要像一个科学家一样思考，客观的搜寻所有的可用数据；尤其是那些挑战你观点的数据。避免 1% 的谬误，也别成为大市场谬误。我们都听过这句话「我们所需要做的就是拿到某个市场的 1%，我们就金枪不倒了」。一个正规的TAM 评估要花费大量的时间和调查，但也比浪费两年的时间追逐一个比你预想的小好几个数量级的市场来的便宜和轻松，或者更槽的是这个市场根本不存在。如果你从上向下观察美国股票市场的各部门，金融和医疗保健是最大的市场，有着最高的利润。 除此之外最有吸引力的领域则是能源，公用事业，基础工业，运输业。能源和工业通常有更高的利润，公用事业的利润更低，你可以考虑聚焦能源和工业。   更深入的挖掘 CB Insights 关于独角兽初创公司和人工智能初创公司的数据，二者在金融科技和医疗保健领域都有很强大的垂直表现。   这是一个很好的例子，这里的数据都是一致的，金融科技和医疗保健是利润最高的最大市场，在独角兽和人工智能初创公司中都最具代表性。因此这是很可靠的目标市场。 市场空白 是不是已经有很多其他的聪明人做了这些事，而且很可能即将成为赢家呢？考虑到最近在自动驾驶汽车上的大笔投资，以及该市场的规模要更小的实施，你也许可以考虑专注于像能源这样的市场。 如果我们看一下金融科技独角兽公司，我们会看到绝大部分活动都是借贷和支付，这在传统银行业中有最多的历史下跌。公开市场中保险的规模是银行业的 1/3，但只有 1/5 的总估值，以及 1/5 的独角兽初创公司数量。  金融领域美国总体产业市场价值  另一个例子是制药公司的研发（R&D）流程。许多人工智能制药初创公司都致力于寻找新的备选合成药剂，他们就能卖给制药公司。这是一个理智的策略，因为这样就能避免新药品上市的过程，这种流程要耗资 29 亿美元，花费十年以上时间，而且成功率还小于 10% 。研制有希望治疗像癌症这种病的新合成制剂也是非常让人激动的，但这会导致流程下游的开放空白，这里正是大瓶颈和大笔资金的所在。Science 37 更像是一家”浅技术”还是一家”深技术”公司，在运行测试的基础模式上真正取得了创新。 生物制药学研究和开发流程  时机 即使有正确的想法和合适的团队，在错误的时间，也只相当于于错误的想法。 记住，非消费产品很可能会遇到大量的退出，而不是单一的异常值。作为你自己，如果你是目前唯一看到这个市场机会的人，那么这并不一定是个好事。你想让你目标垂直域内的顾客有即刻未满足需求，还想让跟风投侦察到这一准备投资的垂直领域。没人关心你的想法，他们关心的是自己的需求。即使牵涉到自己的需求，他们一次也只能专注于少数的需求。所有他们真的只关心今年那几个时机最合适的需求。你专注的需求是今年你的目标行业中少数顶尖需求之一吗？ 我最喜欢的关于实际重要性的描述之一就是 Bill Gross 的一场 TED 演讲。  他探索了 100 家创意实验室初创公司，100 家非创意实验室的初创公司，他在演讲中解释了在五项因素中，时机是如何成为成功的最主要驱动因素的。他举出了一些很棒的例子，Uber 和 Airbnb 都在经济衰退中掌控了完美的时机，人们也需要多余的资金。IDealab 在 1999-2000 器件创立了 z.com，那时候宽带普及率还很低，而浏览器中的流媒体又非常难用。两年以后，宽带普及率超过了 50%，adobe flash 修复了浏览器问题，Youtube 在这时出现就是非常完美的时机。 观察市场情况，然后对自己非常诚实的思考一个问题，你瞄向的客户/商业是否真的对你准备提供的东西有所准备。 防御力 我认为垂直人工智能初创公司有着天生的防御力。根据上面提到的四因素定义；人工智能初创构建全栈产品，在他们的垂直领域有领域专业知识：收集专有数据，并用人工智能产品的传递产品的核心价值。这四个垂直人工智能商业市场的因素中，每个因素都让它更具防御力。全栈产品：创造体验的过程越复杂，企业的抗性越强。 主题专门知识：组成混合团队和早期设定企业联合基因的难度越大，企业的抗性就越强。 专有数据：收集数据越难，它与产品缠绕的越多，涉及到的市场策略越多，企业的抗性就越强。 人工智能传递核心价值：通过用财富主导模型解锁一个完整的新机会，该模型是建立在在通过产品本身获取专有数据之上的，人工智能带来的产品核心价值更高，企业的防御能力就更强。 尽情探索 如果你对垂直人工智能感兴趣，可以亲自体验一遍上面列出的流程，根据市场，空白，时机和防御来挑选机会。在 mlprague 的一场最近的讨论会上，我列出了一系列有趣的不同例子。 垂直人工智能是我事业中独特的关注点，从 2002 年来在金融服务业，从 2009 年作为一名创始人，从 2011 年以来作为 DCVC 和联合创始人。我 在 2009 年创办了 Flightcaster，它好像是 YCombinator 的第一家人工智能初创，后在 2012 年创办了 Prismatic ，这家公司 2016 年被 Linkedin 收购，它帮助为全球的银行进行金融犯罪审计，第一年的收益增加到了百万美元级别。我们现在也许处在人工智能初创圈，但我做这个事业已经15年了，我也会一直做下去，即使在现有的商业循环消退以后。 微信扫一扫，共享朋友圈！ |
请发表评论