近日，機器學習與金融風險投資機構 DCVC 的合伙人 Bradford 寫的一篇博客在國外引起了極大的關注，他認為 2017 年人工智能領域內的創業將會發生 5 大變化。這篇文章也許能為投資者提供一些洞見。

　　Bot 公司將破產；深度學習商品化；人工智能成為風險投資的「清潔科技」翻版；MLaaS 將陷入第二次停滯；全棧垂直人工智能創業公司有發展。

　　隨著對 AI 的狂熱追逐日趨放緩，2017 將是重新梳理的一年。純炒作趨勢將不攻自破。矛盾的是，小部分垂直型 AI 創業公司在滿足了相關專業知識、獨特數據和使用 AI 傳遞其核心價值觀的產品的需求之后，將解決全棧產業問題，因此 2017 同時又是取得突破性勝利的一年。

　　Bot 將陷入破產

　　過去一年升起了一股對 bot 的狂熱追逐。

　　在技術社區，當談到機器人時，我們通常指的是軟件代理，且通過 4 個關鍵概念進行定義，從而與任意程序（arbitrary programs）代理、環境反應（reaction to the environment）代理、自主（autonomy）代理、目標導向和持續性的代理進行區分。

　　業界盜用了原指任何形式的業務流程自動化的術語「bot」，并創造了新術語 RPA——機器人流程自動化。

　　當然，業務流程自動化將會在未來的幾十年內持續發揮作用，如今表現為「bot」（包含語音和聊天功能的對話式界面）的機器人狂熱將在 2017 年開始冷卻。原因如下：

　　消費互聯網領域內的社會化與個性化之爭提供了一個很好的借鑒。最后勝出的是個性化平臺 Facebook，同時也是一個社交平臺。人們依然喜歡在大多數事情上與人交流，我猜測許多 chatbot 將采用與非社交媒體平臺相同的方式，試圖在沒有社交策略的情況下押注個性化。圍繞著 bot 的很多思考是膚淺的功利主義，缺少社交智能來辨識人們之間相互交流所滿足的人類需求。由于這個原因，大多數 bot 很難留住用戶，即使在一開始吸引了他們。

　　全球通訊 App 的大爆發，比如 Slack 的崛起和中國的微博等特定社交平臺的成功釋放了很多誤導性信號。很多人據此推斷并押注諸如 AI 驅動的數字個人助手等平臺。根據第一條，這些社交平臺正在解決人們的功利與情感需求。但據此推斷可以將其應用于純功利的 AI chatbot 上，這尚不明了。

　　相比于其他更可視化的解決方案，會話式界面在完成任務方面不總是那么有效。會話式界面很有趣，并在在 HCI 社區中已存在了幾十年。在一些應用中會話式界面表現絕佳，但是在現實中，我認為有做事效率跟高的界面可用于絕大多數應用。

　　注意，我并沒有說過 AI 還不夠好。像 siri 等大多數系統存在的更多問題是執行欠佳。我們用現代技術打造了很多有趣的機器人界面，隨之我心中出現了一個更大的問題：機器人并不清楚我們想使用它們。

　　深度學習商品化

　　現在深度學習非常盛行。對于那些不了解其他 AI 術語的人來講，深度學習是機器學習的一部分，機器學習是人工智能的一部分。深度學習并不是一個新鮮事物，它只是一系列為很多重要問題提供了最好的答案的很酷工作，人們可以正確地從中受益。

　　深度學習初創公司已經取代了 5 年之前的 iOS 移動應用創業公司。許多公司都為深度學習的能力感到意外，尤其是產生優越成果并解決新問題的計算機視覺。結果，我們看到了谷歌、Facebook、推特、Uber、微軟和 Salesforce 積極采取并購策略填補空缺。

　　因此，如果深度學習如此重要并高受追捧，為什么我認為它今年會商品化？原因在于 2016 NIPS 會議及其他所有會議。很明顯深度學習現在無處不在，在這方面有很多畢業生。4 年之前的情景卻大不相同。如今，市場已經作出調整以創造更多的人才供給。

　　現在，我要對上述所言做一個清晰的聲明。我認為今年在機器學習人群中，深度學習會成為更大的社區，但是我并沒有說機器學習本身會商品化。機器學習人才依然炙手可熱。我們在過去幾年中看到的深度學習初創公司被收購而帶來的收益，將在第二層技術公司和外部技術公司（如底特律的公司）完成目前的收購浪潮后崩潰。我預計今年一群數量穩定的遲到者將會帶著傻錢進入，但此后我們也許看到并購浪潮開始放緩。

　　人工智能成為風險投資的「清潔科技」翻版

　　讓我們回想一下最近「清潔科技」公司破產的主要原因，這同樣適用于人工智能。

　　清潔技術不是一個市場。它是一個交叉問題。氣候變化和可持續發展是非常嚴肅的問題，絕對值得人們作為事業和盈利性業務認真對待。交叉問題并不是一個生意，生意是提供產品或服務，消費者想要買。特斯拉和 Solar City 無疑是清潔科技領域的成功案例，但需要注意的是它們是全棧生意——分別是一個汽車公司和一個太陽能公司。所以當一個包含有清潔技術元素的全棧公司向真實市場出售真實產品時，這是可行的，但純粹為了自身目的的清潔技術并不奏效。因為它無法滿足消費者需求。偉大的商業皆以滿足消費者需求為起點。偉大的使命性商業從由消費者需求定義的愿景開始，并包含有充分滿足需求的任務。一個具有社會使命卻沒有滿足消費者需求愿景的組織最多是一個還算有效的慈善組織。偉大的商業把消費者需求放在第一位，而不是交叉的科技趨勢，即使它是有使命感的。

　　綠色能源不是一個市場，但能源是。太陽能由于經濟化運作，成為了市場第一，并且快速增長。當巴菲特和馬斯克就這一市場競爭時，很可能表明這是一樁好生意。雙方都將可持續發展看作一項使命，但同時又理解只有將其看作一項生意并把消費者放在優先位置，這樣才有意義。只有在滿足消費者和被雇傭者需求的服務中，使命才能被完成。沒有沒一個帶有可持續發展使命結果卻沒有持續的商業更諷刺的了。

　　自我重視并拯救世界的心態。在清潔技術之中充斥著典型的自大自傲的技術狂熱特點。在過去人工智能發展的兩年中，我們開始看到自我擴張的人工智能倫理委員會，以及討論機器取代所有工作我們怎么辦等諸如此類的人們。正因為我們在致力于一項至關重要的事，在人工智能圈工作的人有責任去引領人類發展進程才是該有的態度。驕傲自大使人們看不到這個事實：他們深陷這樣一個回聲室，其中大家關心的是技術趨勢而不是消費者需求和商業經濟。正是這個有害的現實扭曲場力把很多聰明但自我感覺重要的人帶進了即將發生的網絡末日之中。

　　清潔技術和人工智能都是深刻的技術問題。經常被消費互聯網和瑣碎的 SaaS 服務灌輸思想的創業與風投社區逐漸難以評估深度技術領域內的投資機遇。在前文概述的自傲狀態的驅使下，讀了篇博文、聽了幾句只言片語之后就一頭扎了進去。Linked 上的檔案隨機更新，一個臨時專家的時代來臨。

　　那么，這是如何發生的呢？

　　我有一個理論，經濟的信息時代從根本上改變了我們在人類歷史上經歷的狂熱-恐怖的循環周期。作為一個前對沖基金從業人員，我閱讀了有關金融歷史和市場心理學的所有名著。探索事情是如何自 90 年代中期朝著不同方向進展很有趣。我認為社交活動和線上信息擴展的急劇增長創造了一種 self-heisenberging 效應，在商業周期還沒開始之前就將其推到其面前。消費者互聯網是一個巨大的例證，就在實體經濟剛開始的時候，90 年代的預狂熱導致了 2000 年的大崩盤。兩年后的 2002 年，谷歌，一家注冊于 1998 年的公司，在經濟谷底期雇傭了所有的人才，并且定義了消費者互聯網真實的商業周期。

　　在連線雜志宣布清潔科技死亡的 4 年里，太陽能一直是最環保最廉價的能源資源。馬斯克和巴菲特都很熱衷它。特斯拉和 Solar City 成為了一個全棧清潔技術帝國。因此我認為我們正處在對人工智能創業公司狂熱的前夕。我看到的絕大多數正以人工智能創業公司 10 年來一直失敗的同樣方式走向失敗。這是一個由有人工智能創業公司 10 余年經驗的人組成的一個小社區。

　　這群處在狂熱期前夕最頂端的人正在重蹈清潔技術之覆轍。他們眼里只有人工智能，而沒有消費者需求。

　　現在的人工智能創業公司絕大多數是釘釘子的錘子。在接下來的 1-2 年內這會變的越發明顯。大公司精疲力竭，并減少了對人工智能人才的需求，就像他們對移動應用開發商所做的那樣。我猜想我們開始看到創始人和風投者意識到一些東西在落幕。在這一點上，我將在 linkedin 上更少聽到在過去的 1 年中決定加入人工智能創業公司的聲音。

　　MLaaS將陷入第二次停滯

　　將機器學習打造成一個服務是我們近十年來就一直在考慮的一個想法，然而這個想法卻一直遭到挫折。

　　這個想法之所以不管用，是因為知道機器學習在干什么的人只是在使用開源代碼，而不知道的人怎么都做不到，即使使用 API。許多聰明的朋友都陷入了這種困境。一些人被大公司所獲得來增強機器學習團隊（IBM 的 Alchemy API、英特爾的 Saffron 、Salesforce 的 Metamind 等）。然而，建立 API 功能背后的機器學習模型所帶來的熱錢仍然吸引著大批開發者。

　　亞馬遜、谷歌和微軟都試圖通過出售 MLaaS 層作為他們云戰略的一個組成部分。我還沒有看到創業公司或大公司使用這些 API，但我看到了很多的人工智能應用，所以不太可能是因為我觀察到的樣本量太小的緣故。

　　來自大型云服務提供商的服務，其結局會和創業公司的情況一樣，因為今年他們的情況搖擺不定。

　　云服務提供商會留下這些服務項目，但是不會再在這上面掙大錢，MLaaS 創業公司會在今年開始迎接末日，因為增長情況的搖擺不懂，也沒有胃口再翻番了。

　　這里有一個 Lvery 實踐問題； MLaaS 解決方案沒有客戶細分——他們既為有能力（機器學習能力）的客戶細分服務，也為沒有機器學習能力的客戶細分服務。

　　就匹配的細分來說：你需要機器學習人員幫忙打造真的產品機器學習模型，因為很好地訓練和調試這些東西很難，而且，這也需要綜合地了解理論和實踐。這些機器學習人員趨于使用由 MLaaS 服務商提供的相同的開源工具。因此，這就淘汰了有機器學習能力的客戶細分了。

　　沒機器學習能力的客戶細分：沒有機器學習能力的細分客戶不會通過使用 API 讓機器學習運行。他們購買應用，解決更高層面的問題。機器學習不過是如何解決問題的一部分。在公司內部做機器學習的技術能力很難提上來，而且找到「數據產品」人才幫你找到問題并做出機器學習解決方案更難。沒機器學習能力的客戶細分包括科技公司之外，需要建立強大的機器學習與數據產品團隊的任何公司。是的，這意味著全球所有的產業，是相當大的一個細分。如果你認同「software is eating the world」理論，那也就意味著全球所有的公司或多或少都會是科技公司。同樣，也是數據公司。在頂級的科技公司與頂級的非科技公司之間已經有了很大的差距。在數據競爭力時代，這個差距會更大。

　　全棧式垂直人工智能創業公司有發展

　　在人工智能上，我已經干了 20 多年，其中有近 10 年是在硅谷創建人工智能初創公司。我是 DCVC（注重風險投資的人工智能與數據公司）的聯合創始人，我的經歷使我對全棧式垂直人工智能應用既激動又冷靜的看待。

　　我激動是因為我認為每個產業都會被人工智能轉變，冷靜是因為低層的基于任務的人工智能能更快的商品化。我認為如果你并未解決足夠高級的全棧式問題，你就會陷入低級人工智能服務的商品世界，最終由于缺乏動力而被收購或慢性死亡。

　　垂直人工智能創業解決全棧式產業問題需要與主題相關的專業知識、獨特的數據和使用人工智能傳遞其核心價值的產品。雖然大部分機器學習人才為消費型互聯網巨頭以及相關的科技公司工作，但大多數的問題都潛伏在科技產業外的主要產業中。如果你認同「software is eating the world」的假設，那每個產業中的每家公司都要變成科技公司了。

　　專注于垂直領域，你可以發現與人工智能非常吻合的高層級的消費需求，或者沒有人工智能無法得到的新需求。這些都是極好的商業機遇，但需要極大的商業悟性和專業知識。一般而言，大部分人工智能創業者要么沒有，要么意識不到，要么不夠謙遜，把商業與專業知識的需求帶入全棧之中（mov up the stack 或 go full stack）。

　　新的全棧垂直人工智能創業公司突然出現在了金融服務、生命科學、醫療、能源、交通、重工、農業、材料等領域。在擁有的數據、機器學習模型的支持下，這些創業公司將會解決高級別的領域內問題。2017 年至 2018 間，其中一些公司的會計收益率將達到 1 千萬美元。這些全棧式人工智能創業公司可能會成為「清潔科技」領域的特斯拉和 Solar City。