创始人说

AI创业三问:如何选赛道?技术服务还是全栈?2C还是2B?


AI创业三问:如何选赛道?技术服务还是全栈?2C还是2B?

本文来自迅雷创始人程浩的分享。他以从投资人的视角,对人工智能领域的创业和创新进行了一番解读,包括如何选择赛道、团队的搭配、以及如何应对巨头的挑战。原文谈到了人工智能创业的6大核心问题,想看原文,不妨点击《迅雷创始人程浩:人工智能创业的6大核心问题》。

第一个问题:关键性应用 vs 非关键性应用

谈到人工智能领域的创业,很多人都会有个误解,就是如果团队没有斯坦福、MIT的博士坐镇,我都不好意思讲在人工智能方面创业。其实这个认知是错的。因为在人工智能领域,算法到底有多重要,完全取决于你要进入哪个行业。

根据行业和应用场景不同,我认人工智能的创业本质上有mission-critical和non-mission-critical之分。为了方便大家理解,我们简称为“关键性应用”和“非关键性应用”。

“关键性应用”要追求99.9%小数点后的多个9,做不到就没法商业化。比如大家认为,99%可靠度的自动驾驶能上路吗?肯定不能,意味着100次就出1次事故。99.9%也不行,1000次出一次事故。

千万记住,99%和99.9%的可靠度差距并不是0.9%,而是要反过来算,差距是10倍。也包括手术机器人,听起来99.9%可靠度已经很高了,但只要1000次中出了一次医疗事故,放在美国,医院可能就得被巨额索赔搞得破产。

所以“关键性应用”领域,就是一丁点儿错都不能犯的人工智能领域,必须要有技术大牛、科学家或算法专家坐镇。同时,这类项目研发周期都很长。

“关键性应用”的普遍特点就是这样,项目通常很贵,研发周期巨长,离赚钱非常远,需要持续的融资能力,团队怎样才有持续融资?起码要有非常好的简历和非常好的背景。这个是能够持续融资的必要前提。所以大家可以看到,今天做无人驾驶的创业团队都是高富帅。因为不是高富帅,你都熬不到产品真正商业化应用那天。

当然,如果在人工智能领域都是“关键性应用”,那就没大多数创业者什么事了。实际上,人工智能领域的创业,95%都是“非关键性应用(none-mission-critical)”。简单来讲,这些领域AI的可靠度只要过了基础线,高一点低一点区别不大。

最简单的例子,现在很多公司的门禁开始用人脸识别。你今天带个帽子,明天戴个墨镜或口罩,识别率没法做到99%。可即使没识别出来也没问题,因为所有带人脸识别的门禁都有地方让你按指纹。即使指纹也刷不进去,问题也不大,公司不还有前台嘛。

这就是“非关键性应用“。这类项目不追求99%后面的很多个9。 “非关键性应用“不追求高大上,简单、实用、性价比高更重要,这样的项目通常比拼综合实力。包括:

  • 对行业的洞察理解,要熟知行业痛点;
  • 产品和工程化能力,光在实验室里搞没意义;
  • 成本控制,不光能做出来的产品,还得便宜地做出来;
  • 供应链能力,不光能出货,还要能批量生产;
  • 营销能力,产品出来了,你得把东西卖出去。团队里有没有营销高手,能不能搞定最好的渠道是关键。

所以大家在创业组团队时,一定要想好你选择的赛道处于哪个领域,不同的赛道对于团队的要求是不一样。“关键性应用”必须有技术大牛坐镇,“非关键性应用”则要求团队更加综合和全面。

第二个问题:技术提供商 vs 全栈服务商

现在很多人工智能创业者都是技术背景出身,创业的第一个想法通常是做技术提供商。技术提供商作为创业的敲门砖可以。但如果只定位做技术提供商,未来路会非常窄。原因有几点:

1. 首先通用技术一定是大公司的赛道,BAT未来一定会开放免费

人家大公司会免费提供人脸识别、语音识别、语义理解、机器翻译这类EnablingTechnology,你还打算怎么靠API调用赚钱呢?也许现在还可赚点小钱,但很难成为一个长久的生意。

2. 依托于算法的技术壁垒会越来越低

未来随着基础计算平台和开源平台的丰富成熟,技术方面的壁垒会越来越不明显,整个人工智能的技术准入门槛会越降越低。就像2008年你想招个iOS开发者,当时很难,现在却很容易,所有技术的演进都遵循这一规律。很多大学的计算机专业都纷纷开设机器学习课程,未来人才不缺,会拉低整个行业的进入门槛。

同时随着谷歌TensorFlow等生态系统的成熟,很多领域都会有训练好的模型用来参考(出Demo会更快),创业者只要有足够的数据来训练算法就好了。所以未来算法的壁垒会越来越低,如果这个公司的核心竞争力只是算法,那将非常危险。

3. 技术提供商如果不直接面向用户/客户提供整体解决方案,则非常容易被上下游碾压

对于技术提供商和算法类公司,如果你的技术壁垒不够高,上游很可能直接把你的事做了。这样的例子比比皆是,比如给海康威视提供人脸识别算法的公司。问题就在于,海康在用你算法的时候,人家也有庞大的研发团队在研究自己的算法。现在用你是人家还没准备好,一旦准备好立刻会把你替换掉。

即使在有一定技术门槛的行业,技术提供商的日子同样并不好过。举个例子,苹果、三星、华为,还有现在的小米,都选择了自己做手机CPU。所以联发科、高通这些技术提供商,其实日子过得挺痛苦的。

这其实是一个产业链通用规律:产业链上的垄断者会吃掉所有利润,而且他们非常有动力往上游或下游扩展。既然做纯技术提供商没有出路,那怎么办?浩哥提出“一横一纵”理论。前期做技术服务可以,但是不能一辈子做技术服务。

“一横”就是指你提供的技术服务。通常“一横”能服务很多行业,一定要找到1、2个,你认为最有市场机会,最适合的垂直领域,深扎进去做“全栈”——把技术转化为产品,然后搞定用户卖出去,实现商业变现,再通过商业反馈更多的数据,更加夯实自己的技术。一句话讲,要做技术、产品、商业和数据四位一体的“全栈”,这就是“一纵”。这才是健康的商业模式。

在垂直外的行业,因为没有利益冲突,你仍可老老实实的做技术服务。这样的话,商业上你能吃透一个垂直行业,技术上你还能通过横向合作,形成更多的数据回路,从而夯实你的技术。这个就是“一横一纵”理论。

那么对于技术创业公司,从“一横”走到“一纵”,要选哪个垂直领域,取决5个关键因素:

  • 市场空间够不够大?
  • 行业集中度如何?
  • 技术是改良还是革命?
  • 双方壁垒谁更高?
  • 跟团队基因是否相符?

第三个问题:2C vs 2B

科技成熟都需要一定的时间。因为从任何技术普及演进的角度,都延续了先是从军工(航天)、到政府、到企业、到B2B2C、再到2C这个规律。人工智能也一样,目前人工智能在2C市场还不是很成熟。

在个人消费者市场,出货量大的机器人只有4类产品:扫地机器人、无人机、STEAM教育类机器人和亚马逊Echo为代表的智能音箱。为什么2C市场早期的普及有一定的困难,简单讲几个原因:

1. 产业链不成熟

我做一个创新的东西,成品有10个部件。每一个部件都得自己做,而且因为出货量不大,每个部件都没有规模效应,这就导致每个部件都很贵,那你最后做出成品一定很贵。这是非常大的问题。

2. 2C是额外花钱

这也是很重要的一个问题,2C端的用户因为自掏腰包、额外花钱,所以对价格通常比较敏感,产品很贵就是一个很大的门槛。

3. 2C产品的用户期待度高

用户买了这么贵的东西,自然对产品的期待度会更高很多。大家觉得我买一个机器人回来,恨不得什么都能干:又能唱歌、又能跳舞、又能聊天、又能清洁、又能讲英语。但这是不现实的,现在的技术成熟度离此还有些远。

相对于2C端,这些问题在2B端却不是问题。

1. 2B端对价格承受能力更高

首先,企业对价格的承受能力显然比2C强很多。你说一个机器人2万,2C消费者不可能买,但企业问题不大,企业对成本承受能力高。

2. 2B的核心目的是降成本

举例工业机器人,10万块钱一个,听起来很贵。但一个工业机器人替代你2个岗位。这2个岗位一年也得10万块钱,还不算四险一金。然后这工业机器人能工作4年,这一下成本只有你原来的25%,甚至可能不到25%。那么企业就会算一下账,觉得还是工业机器人便宜。

3. 2B可以采取人机混合模式

还有2B端的机器人应用更简单一些。一方面大多是单任务,机器人只要做好一件事就行了,实现起来简单。另外,很多都是以“人机混合”的模式在作业。也就是以前需要10个人干活,现在我用机器人替代一半人。简单重复的工作用机器人替代,复杂的用剩下的5个人,这就是”人机混合”模式。

举个例子,现在国内外已有很多安保机器人,按固定路线去巡逻。你可以理解为移动的摄像头,当然算法上肯定加入了一些识别的技术。固定绕路线巡逻,这个完全可以交给机器人来做。难的是,在巡逻的过程中,如果发现有老太太摔倒了,让机器人扶起来,这个目前还做不到。

但这不重要,你们后台不还有5个人么,让他们过来就好了。所以“人机混合”是2B比较主流的模式,这大幅降低了机器人普及的难度。

最后再说一点,目前大多数AI创业公司都是技术专家主导,这很容易理解,因为现在技术还有壁垒,技术专家主导起码保证产品能做出来。不过未来随着技术门槛的降低,特别在“非关键应用”领域里,团队的核心主导,会慢慢过渡到产品经理和行业专家为主,因为他们离用户需求最近。“非关键应用”领域,懂需求比技术实现更重要。长期来看,人工智能创业和任何其他领域的创业一样,一定是综合实力的比拼。



创始人说
当 CEO,我体会到了 85 件事
创始人说
在成功完成 6 轮融资后,我总结了 3 条经验
创始人说
个推创始人方毅——从浙大一路红到戛纳的创业圈网红成长记!
已有 2 条评论
  1. zl

    你们这个发表评论的代码好像有问题,点击发表后,发表评论按钮一直卡在那里,显示正在发布,动都不动下,需要我刷新后才行

    10月12日 09:44 回复
  2. zl

    不错,这篇文章很好

    10月12日 09:42 回复