過去八年總投資額超過1300億元人民幣、行業企業獲得投資幾率高於其他行業2-3倍，BAT與VC紛紛押“重注”入局……如果說能確切預見到的未來趨勢，人工智能是熱點之一。

從IT（Information Technology）轉向DT（Data Technology）的當下，任何行業和企業面對人工智能的發展都不敢怠慢，而就在今天宣佈“退休”的馬雲老師，也曾在演講中公開表示，希望倡導教育改革，幫助年輕人適應人工智能時代的來臨。

人工智能到底是什麼？

人工智能正在切實的解決哪些問題？

當下還有哪些值得關注的趨勢和投資方向？

近日，在2018“創響中國”創新創業大賽複賽頒獎典禮暨“人工智能&大健康”論壇上，華映資本合夥人章高男圍繞以上三個問題展開了分享。他認爲：AI不是風口，是現實。人工智能可以簡化成四個層次：

首先，人工智能需要利用已有的經驗， 這個經驗的載體是海量數據；其次，有了經驗以後，要通過各種數學模型去逼近這些經驗，即算法和算力層；通過模型預測未來，將預測應用到不同的領域，就是各種學科；把學科應用到場景，就變成了商業應用。

面對人工智能的發展，章高男看好以下三大投資方向：

AI+行業：強場景、強剛需，AI賦能升級產業模式。如智能物流，自動駕駛，無人倉儲，安防；無人零售（深蘭科技）等;

AI paas 平臺：能夠降低AI使用門檻，提升效率。如天雲大數據，第四範式等；

底層技術：AI 芯片，前端傳感器等。

以下爲章高男演講實錄（經整理）：

大家下午好，很高興今天能夠在這裏跟大家做一個關於人工智能的探討，其實人工智能對很多人來說已經是耳熟能詳了，但每個人對人工智能的理解以及層次是不一樣的。因爲今天在座的很多都不是技術出身，所以我儘可能把人工智能這個技術領域簡化成一個模型，方便大家去探討。

人工智能到底是什麼？

我把人工智能簡化分成四個層次：

首先人工智能要利用已有的經驗，而這個經驗的載體就是海量數據。大部分的人工智能依靠的機器學習方法，都是有監督的學習，或者半監督的學習。當然也有一些簡單的強化學習，但效果相對有限。既然是監督學習，首先要有數據，要利用已有的經驗。

第二步有了經驗以後，要通過各種數學模型去逼近這些經驗，這就是算法和算力層。算法是理論基礎，算力是工程實現。算法框架是人工智能的核心，所以國際領先的大公司都在不計成本打造，例如Tensorflow，Torch等。

第三步有了模型，下一步就是通過模型預測未來是怎麼樣的，這個預測應用到不同的領域，就是各種學科。例如，語音識別，計算機視覺，NLP，推薦，動態規劃等。

最後把學科應用到場景，就變成了商業應用。例如自動駕駛，滴滴的路徑動態規劃，頭條的信息流推薦，智能音響等等。今天下棋人類已經下不過機器，不僅是下棋，AI還可以去幫你做詩做曲，還有精準營銷，安防等等。

有人說AI是泡沫，有人說AI是風口，如果你真正瞭解什麼是AI，你會發現其實AI不是風口，AI已經在我們的工作生活中有了大量實際的應用，而且是廣泛的應用。按上述四個層面分類，如今每個層次都已誕生出百億千億級的大公司。比如數據層的雲計算，算法算力層的Tensorflow，TPU；學科層的商湯科技；應用層的今日頭條等等。

AI不是風口，是現實

我判斷AI已經成爲現實，有如下理由：

第一，在技術層面，AI行業已經高度工程化。首先AI需要海量數據，今天企業擁有TB (Trillionbyte：萬億字節）級的數據已經很容易，大量小微企業都擁有足夠多的數據，這在十年或者二十年以前是不可想象的，所以這是一個巨大的改變。今天企業擁有數據已經不是一個很大的門檻，都可以去做AI。

另外算法和算力也實現了大規模工程化。算法算力有國際大的公司的支持，他們已經提供了很好的平臺和應用的框架，這都是已經可以工程化的框架。所以我們使用AI的門檻會大大降低。

當然這些算法的能力是有限的，今天我們想指望AI去產生思想和思維還不太現實，但是你只要給它一個明確邊界，很多場景AI會比人做的好。譬如下棋是在死活約束和方格約束的前提下，需求最優面積的動態規劃問題。有了這個邊界，AI可以遠超於人。而且最重要的是隻要給出邊界，它們的算力算法都有很好的工程化的方案，所以今天應用AI已經不是很難的事情。

第二點，除了技術工程化，AI要被廣泛應用還要有剛需。事實上目前AI已經是企業裏最大的剛需之一了。主要有兩個原因：

首先，今天企業擁有的數據的維度，跟過去比，已經大大豐富。過去十年二十年前，企業裏的數據很簡單，無非是ERP和財務數據，擁有這些數據的企業已經是很好的企業了。但今天不一樣，譬如企業要通過線上去賣東西，那麼你選擇天貓還是京東，產品的排位等等， 都有大量的數據需要商業決定。

當企業的數據維度有幾百維的時候，很難用簡單的BI（Business Intelligence）用因果關係類來分析了。這個問題要去解決，就必須應用到機器學習的方法了。

另外，今天企業擁有大量非結構化數據。比如說語音、視頻、文字，圖象，這些非結構化的數據只有機器學習的方法去做，用BI是沒法處理這些數據的。比如我們的客服對銷售的影響越來越重要，但是客服的通話記錄是文字你怎麼去優化呢？如果會用NLP和分類的方法，它可以產生更多的銷售。

所以從上述兩點講企業對AI有強烈的需求。我們也看到很多傳統行業，會有很多優化的需求。

這是我剛纔的一個觀點，這個觀點還需要有一些數據的支持。下圖是整個AI在過去幾年投資的金額和項目數，黃色的曲線線是投資金額，去年已經投了將近600億在AI相關的企業。

再看第二個圖，是從16年跟17年一對比，就會明顯發現，16年投資集中在在早期，B輪、C輪，而17年到高點是C輪、D輪，這說明他們成長的很好，行業向成熟發展。

再看一下人工智能公司，是資本的絕對熱點。人工智能獲投的公司以及未獲投的公司，它的比例已經超過50%，也就是意味着每兩家人工智能公司，就有一家會融到錢，這個在別的行業幾乎無法想象的。無論是國內還是國外，投資機構都在對AI下重注。如果是一到兩家這樣做，那可能是去賭，但如果所有人去做，這說明了什麼？大家可以思考一下。

再從另一個維度，即企業端的態度來看AI。大家印象最深的是百度all in AI，其實何止百度，谷歌，跟微軟， IBM，還有國內的阿里，包騰訊都在AI是全產業鏈佈局的。無論從最底層的算力層，還是核心的到基礎框架層，再到應用層，今天國內外最值錢的公司，他們都是在AI不計成本去投資佈局的。

尤其在算法框架層，因爲算法框架層是機器學習的核心，整個AI裏面最核心的部分，但是這部分基本上由國外巨頭主導，這個差距我們必須得認。當我們發現全球所有最成功的企業都在AI做大量佈局，而不是一兩家公司在賭，這說明AI的趨勢確定性。

作爲頂級的企業，你重注AI，你未必能夠成功，但如果你不部署AI，你一定不成功。未來誰佔裏這個高地不知道，但是如果你不佔領的話，也許很快會被被顛覆。

AI領域投資，我們看好三大方向

既然AI是剛需，大公司有都重注投入，那麼從投資的角度，大企業都在部署AI，應該怎麼去投呢？

我給一些自己的理解和建議：

第一，是跟場景結合。

目前，在國外多出手純技術類公司，不考慮短期商業模式，因爲他們相對鼓勵原創，有很強的技術辨別和趨勢預測能力，而目前中國的投資還是以商業模式判斷爲主。

所以在中國，AI企業要想存活，必須要跟一些場景結合。在投資AI企業的時候，建議去找一些傳統行業，AI只是一個技術，我們要找那些行業裏面做得比較好的，創始人可能不是做AI的，但他用到了AI，而且AI給產生很好的效果，這種公司值得我們去關注。這種公司有可能通過這一輪技術創新，對整個行業某種程度上進行革新和洗牌。所以不要爲了AI去看AI，你要去行業裏面看AI的因素是不是很強，真的幫企業提高效率，產生更大的價值。

第二，是利用AI幫企業賦能，降低企業使用AI的門檻。

這些企業主要是技術驅動，雖然沒有直接的場景，但是能在不同垂直行業賦能，或者幫企業降低使用AI的門檻。因爲AI要用好它，對企業還是有較高門檻的，首先要有數據的存儲和分佈，把它變成一個分佈式系統。其次，還得懂算法和業務，算法和業務結合通常要花較多時間成本。第三，最重要的是工程實現。如果你沒有做過，會趟無數的坑。這層面的人才都集中在之前擁有大量數據的大公司，人才很難獲得。所以現在市面上出現一些做AI的中間件，讓企業接近傻瓜式的使用AI。比如做物流，需要大規模路徑規劃，只要告訴目標，提供數據源，可以直接幫企業優化這個業務。華映最近投資的天雲大數據，就是做AI paas平臺，幫助企業降低AI的使用門檻。

第三，底層技術也值得關注，譬如算法芯片。

任何算法的硬件實現都有一定的侷限性，很能適用所有的算法，所以大公司不會那麼激進，這就給初創公司很好的從邊緣切入中心的機會。

以上就是我對人工智能發展的一些觀點，再次感謝！

（編輯：冉一方）