星瀚资本 · 杨歌：AI 最大的爆发点可能会在娱乐行业500VC第546期

　　杨歌，星瀚资本创始合伙人，毕业于清华大学工程力学系。2004年开始创业，2009年进入KPMG(中国)任咨询师；2011年任命大江投资副总裁从事私募股权投资；2014年出任北国投投资总监。2015年初创立星瀚资本从事风险投资。投资案例：德师傅、言几又、甲加由、奢品汇-心上、V.Fine Music、仔皇煲、户外星球、丸初、铅笔道、绘事后素和人人财务等。

　　【500VC导读】人工智能主要分两大方向，一是基于人的智能，以知识图谱加上一个框架设计，逐渐形成数据化和人工智能体系。第二，基于大量数据构建一套监督式学习模式，训练其中的规律，把规律提炼出来，有的是有逻辑的，有的是无逻辑的，人工智能主要是靠这两种方法实现。

　　大家好，很高兴今天在这里跟大家分享，今天跟大家分享一下我们关于 AI 的投资理念。AI 行业内的项目我们这两年已经看得非常多了，市场的关注度起起伏伏，2017 年火了一把又平静去了，2018 年声音比较少，2019 年又开始成为热门话题，这个行业中有很多的企业仍然在快速地发展，这也是我们非常关注的板块，今天跟大家分享一下关于投资边缘计算和芯片的话题——星瀚主要是关注产业升级、文化消费、深科技应用三大板块，我们只是把新生的行业和传统行业进行结合，新生的行业主要包括数据、AI、人工智能，把他们应用在传统领域，去发挥他们的价值，这是我们主要的目的。

　　首先我们认为人工智能主要分两大方向，一是基于人的智能，以知识图谱加上一个框架设计，逐渐形成数据化和人工智能体系。第二，基于大量数据构建一套监督式学习模式，训练其中的规律，把规律提炼出来，有的是有逻辑的，有的是无逻辑的，人工智能主要是靠这两种方法实现。目前人工智能在各行业领域的落地应用有很多难点，第一种情况是构建知识图谱难度比较大，需要把各个行业的专家结合起来，让他们无死角地对这个行业进行分析。第二种情况大家认为比较简单，但实际难度比较大，就是数据偏差比较大，数据「噪音」比较大。

　　我们前不久在美国克利夫兰诊所看医疗项目，很多人都希望拿人工智能训练医疗行业问诊系统——难度很大。

　　首先，病例不够多；其次，每个医生诊断技术方法不一样，所有技术的结果不够标准，所以推行了很长时间都没有完成标准化。但是我去克利夫兰诊所竟然发现，这个诊所居然有五千万个病例，十五年的积累，每一个病例都是一个季度至少有一个数据，他有一个非常完整标准的病例数据库，将每一种病、每一个病人都清楚详细地记录下来，在这个数据库的基础上，人工智能在这样的环境下才能得到很好的训练。看到这个之后，我就知道咱们目前在医疗行业做人工智能、数据分析相对来说比较早，我们第一步需要做的是把病例标准化，今后才能对这些病例进行数据化、标准化提取和存储，这是人工智能应用非常重要的基础，对各个行业来说，只有把数据精炼化才可以推进人工智能，这是非常典型的问题。

　　对于人工智能的应用我们把它分成三个层次，第一是基础层——包括芯片、传输方法、数据结构存储、算法框架，这两年得到了大家的重视。2018 年开始，我们对人工智能的认识比较有深度，大家把目光回转到人工智能底层基础的板块。给大家推荐一本书《创新者》，大家阅读这本书之后就会理解计算机发展 150 年的过程。

　　人工智能现在的状态和计算机在 1960 年的状态非常相似，经过大家有创造性的想象之后回归沉稳。人工智能底层的构建变得更成熟。等，然后就是模块层包括语音、语义、情绪识别、运动机能识别，这些模块的成熟将助推人工智能的成熟。看完这本书会发现，我们只能先把基础的设施搭建完毕再进入到广泛的应用层，否则很多应用场景都是不够成熟的，底层的技术的应用难度也比较大。

　　在现实的情况下，人工智能应用的方法有很多，但我们最多关注的并不是应用层，我们并不着急把机器马上做出来或者是用无人机助力，我们认为如果太早做这些应用场景都是事倍功半。有一位老专家说人工智能行业是一个 B2B2B2B2C 的行业，也就是长产业链行业，在这个行业，大家都想迅速的把人工智能实现产品化，难度是非常大的，人工智能应用必须经过长时间的底层磨练才可以实现。

　　在人工智能里面寻求短产业链是一种本事。短产业链，这个模块基本成熟以后可迅速把它应用到某一个可商业化或者是有收入的场景。这种场景比较少见，比如说人脸识别在安防领域，道路交通、工业型安防都是简单使用图像识别人工智能在短产业链里进行变现，这些产业相对来说是比较少见的，通常来说人工智能都是长产业链，产品化过程较慢，展现投资成果周期较长，创业时间长，这是人工智能本质的特点。

　　智能驾驶就是一个典型的长产业链。智能驾驶是我经常讲的命题，是实现难度比较大的行业，智能驾驶大家都认为是一个场景比较明确的市场，但实际并不是，它的实现难度极大，不是交通问题，而是社会人群的心理和人群意识培养的问题，人工智能的实现难度是非常大的。

　　很多行业并不是我们想象的那样，我们设计一个场景拿回来识别马上就可以应用，并不是这样，它对于人工智能的挑战是非常大的。我自己也是做代码和人工智能框架出身的，对人工智能来说，从模型构建到算力收集、数据挖掘到最后的分析难度都是非常大的，在每个行业都需要精湛的工程师在里面进行调试，不是一个容易的工作，这里我就不过多赘述了。

　　基于上面的分析，我们认为人工智能会在什么方向爆发？会在一个适应性、容错性比较强的行业去爆发，智能驾驶属于不能出错的领域——只要出现事故就会出现难以挽回的结果，在适应性、容错性、需求比较旺盛的行业，出一些错，有一些 BUG 它还可以继续往前走，所以我们认为人工智能第一个爆发点或者是迅速爆发点可能会出现在娱乐行业。

　　去年我们和原百度总裁陆奇一起投资和孵化了一家企业，他原来本身也是人工智能专家。这个创始人之前做了渡鸦科技，去年他重新开始创业，用人工智能辅助拍电影，对剧本进行语义分析，分析完成后，用计算机语言调动相应的 3D 模块形成场景进行渲染，最后形工智能作品的场景，他们做的事情跟电影《头号玩家》、《西部世界》比较像。用底层做完再用人工智能自动渲染，它的适应性、容错性比较强，目前来说推广速度比较快，包括数字偶像经济我们认为这一块应用也是比较快的。

　　边缘计算可以算是人工智能底层技术，现在通过分析大量的市场项目发现，越来越多的中心型计算会下放到边缘去。在十年前，大家都认为，因为数据传输速度越来越快、云端越来越发达，大家都倾向于把所有数据传向到云端去，现在并非是这样。

　　对于各种各样的设备，智能化越来越完整，原来是一个简单的电路芯片，现在是人工智能的芯片，也就是说，在终端设备里，像摄像头、照相机，所有终端设备里以后会越来越多的掺杂人工智能和数据分析的能力，把最基础的终端的边缘进行计算分析，对一个人的识别，像图像和语音的基础分析，都会先在终端做完预处理，原来做安防用摄像头进行监控，是把整个视频传输到云端再去分析——这样做的数据量太大并且速度较慢，现在我们分析完以后，在终端把特征点提取出来传到云端，把图像分析在终端最快地解决掉，让所有的计算消化到终端，这是非常明显的趋势。

　　之后智能城市、智能家居、智能硬件的整个发展过程中，和我们之前想象的不一样，5G 代替 4G 以后，传输速度越来越快最终带来的并非是把所有数据集中到云端，而是让终端计算能力越来越强，使得整个网络具备计算能力，在云端只负责数据的中心化收集和整体规律分析，这个是云端和终端分解的过程。终端计算、边缘计算是我们现在非常关注的板块，在终端智能化、AI 芯片等发展起来以后，整体网络会具备一个终端的市场，这个是现在互联网+智能明显的方向。

　　说不准以后云端整个计算会完全拆解到终端去，云端计算能力越来越低，使边缘计算具备所有的计算能力，这也是区块链的基础理念。

　　在这里不得不提的是人工智能芯片，它是终端计算最重要的载体。我们所投资的鲲云科技发展速度非常快，我国对于传统芯片的制造能力距离世界领先地位相差有五到六年，我们现在拼命追赶，但目前仍然有差距，而人工智能芯片是一个从零赛跑、回到原点赛跑的过程，因为人工智能芯片整个计算结构是不一样的，要回到 FPGA 层面调整计算结构，完成之后再从零慢慢工业化，这会给中国带来非常好的机遇，在 AI 芯片上，中国目前具备比较明显的优势，这不会因为传统芯片的差距而影响领先地位，而这两年 AI 芯片是非常重要的板块，从传统芯片的发展轨迹可以看到 AI 芯片的过程——

　　《创新者》讲到关于芯片的发展是典型的指数化过程，指数化过程有一个非常非常重要的节点，因特尔在 1959 年至 1969 年发生一个事情，那个时候制造商都是从特异化芯片走到功能化芯片，特异化芯片就是今天来一单做一单，把这个东西做好，按单个项目完成后交付，项目提交了以后客户说不合格，需要再重新改，售后过程非常冗长，这个过程中主要提供的并非商品，而是服务。

　　现在人工智能芯片和这个阶段非常像，1969 年因特尔接受了越来越多的特异化服务，有越来越多的客户订单找到他，于是因特尔开始走商业化之路，把通用化的部分总结成底层 CPU，然后给大量的客户提供这个东西，把特异性的部分变成一个框架，让大家自己去自由开发，逐渐变成这么一个过程。在 1969 年之后，由因特尔带来的传统芯片形成一个量化的爆发，因特尔逐渐从项目型公司转成商品型公司。

　　现在人工智能芯片就在这个阶段，大量公司都有人工智能边缘计算的需求，于是人工智能计算发展逐渐变快，但还没有哪一家公司迅速把人工智能芯片或者是边缘计算变成广泛的通用性商品，这一点难度是比较大的，但是在未来五到十年也会实现，这个市场非常大。

　　我们投资的鲲云科技，它是典型的人工智能公司，评价人工智能芯片和 BAT 上一个很重要的基础技术特点，就是刚才所说的技术效率，单位计算量里边耗能是多少、生产成本是多少、一个边缘计算成本达到多少的计算力，这都是非常重要的基础，除此之外从商业上的角度来说，对人工智能芯片的评价手段是什么——就是通用性能否在多个场景中应用，所以我们对于人工智能芯片的挑剔程度是非常高的，在这个行业里面发展难度也是比较大的，这个过程大家有机会可以关注一下。

　　最后给大家分享技术的发展历程，我们关注了非常多的技术，今天所分析的人工智能和芯片只是其中的一个板块。

　　我们把技术发展分成六个阶段，从最开始的理论技术基础到技术产品化，到商业化，到一个产业爆发的升级过程，进入到泡沫期，最后形成工具，经历这六个过程。我们已经经历了计算机、PC、手机、互联网的阶段，每一个行业在发展进程中基本上都会历经这六个阶段。

　　人工智能和大数据目前正处在上升的阶段，正在从技术走向产品化的阶段，然后产品化的过程还在进行摸索。这是我刚才跟大家讲的 1960 年至 1970 年的因特尔，那个时候他的技术底层已经开源了，是否能够出现被整个市场所接受的标准协议和产品，目前来说人工智能还不能做到这一点。未来十年行业将在这里面投放更多的精力，找到前面几十家能够迅速标准化、商品化的公司，将它迅速推向市场，之后会迎来产业爆发期，这是我们对行业的预期。返回搜狐，查看更多