高捷資本黎蔓：AI領域還有哪些創投新機會？

鈦媒體注：本文為高捷資本創始管理合伙人黎蔓在“青桐大咖說”第38期上的重點分享內容，他分享了多年來AI領域的投資心得，以及現階段值得關注的細分賽道。

AI的發展階段，近期泡沫化

AI不是一個新命題，從60多年前的達特茅斯會議以來，AI已經經歷了起起伏伏的多次周期。

從2012年以來，隨著神經網絡深度學習的快速發展，加之計算存儲的能力提升成本下降，人工智能熱度持續攀升。Alpha Go的勝利，更是引發這個領域內外乃至整個社會的興奮。

正是因為過去五六年的快速發展，使得最近整個創投圈好像有一種風氣，不談“AI”都不好意思去融資去投資。我覺得，最近AI創業的短期泡沫化非常嚴重。和其他科技一樣，AI在發展熱度期的時候大家都非常感興趣甚至膨脹，過一段時間如果沒有達到預期就會快速冷卻。

我比較擔心泡沫破滅以后，很多人會覺得AI也就是一個故事而已，就像當年共享單車、團購等一波一波浪潮一樣。

其實在我看來，AI本身并不是一個具體賽道，它展示的是一個很有前景的未來， 這個未來實際上才剛剛開始。目前AI雖然已經展現了很大的發展前景，但還有相當的局限性。在機器視覺和自然語言理解方面，我們還有很多問題沒有解決，需要更多的機器學習來實現。

AGI（Artificial general intelligence），可以拋開AI只會歸類不了解其中內涵的局限性，能更接近人大腦的智能。人的智能包括推理、歸納、總結、計劃等等這些能力，不僅僅是歸類。很多人預測，可能未來二三十年，甚至五十年我們都不一定能達到這樣的智能程度。

AI底層基礎，重點關注半導體

整體布局來說，AI從底層中層到頂層應用，都是高捷資本關注的領域。

在AI底層的主要關注點就是半導體，以下幾類半導體是我們投資時比較關注的。

1.計算。怎么算的更快更便宜更低功耗？低功耗主要是在Apps端，就是邊緣端那些用電池支撐的IoT這個領域，它們需要更多低功耗的這些計算。

2.存儲。數據要計算必須要存儲，這是一個非常基礎的功能。隨著世界越來越數字化，大量的物理、實體、事件、關聯關系等都會變成數字化存下來。現在都是分布式，都在云端，這些怎么存的更便宜取的更快？

現在存儲領域，不管是SRAM，DRAM等世界幾大巨頭，還是美光、LG、Hynix、三星，國內的兆易實際上都占據了不少份額。我們更關注的是有沒有新的賽道，能同時具有Flash的便宜和SRAM的速度，解決一些具體的場景。我們也關注存算一體的進展，因為算和存之間經常因為吞吐速度不夠快，影響整個效率。

3.感知。感知是非常重要的一環，人工智能必須感知外界的物理信號。人對外界的感知基本上70%左右是視覺感知，20%左右是聽覺感知，10%左右是嗅覺味覺觸覺等其他感知。要把外界的這些物理信號感知下來數字化，才能被計算機和IT世界理解。

在這個領域，我們比較關注3D感知。現在發展比較快的就是蘋果的DOE，它解決了手機的3D識別、人臉識別，這代表了一個發展方向。

感知傳感器還是一個比較重要的領域，很多是運用MEMS技術來實現，歐洲做的都比較好，國內也有人做，但是做的都不太好。所以，我們也在看有沒有新起之秀。其實還有一點，就是怎么通過傳感器能夠感知到，比如說在醫療領域，感覺到腦電信號，血壓，血流速度等，如何能感知到這些微弱的身體信號，是佩戴手環還是用別的方式？

4.通訊。通訊分為兩種，端對端，端對云。第一種端對端，比如在汽車領域，如果說我們能做到汽車與汽車之間的通訊，汽車與信號燈之間的通訊，我們就能避免很多交通事故。第二種端對云，手機也好IoT也好，會把它的信號傳到云端，云端可能更有運算能力和交換能力，能把這些從端出來的信號在云里面進行計算，再發出回復或者指令。

在通訊領域，我們比較關心比如Lora，5G、WiFi、BLE、NB-IoT等。當然NB-IoT可能是華為和中國移動在做，可能對于小公司不一定機會很多，但是我們也在關注。

5.服務。半導體產業鏈還是需要很多第三方服務的。一般一個半導體公司剛開始的時候10幾個人，不可能面面俱到，需要第三方的服務。比如說，他善于設計MCU，但是計算能力比較強，他需要懂得如何去傳輸，如何去進行電源管理，怎么低功耗，這些都要去別人的庫實現。我們也一直在關注，是否有適合中國的半導體設計軟件能夠慢慢的脫穎而出。

半導體底層還有新一代的設備、材料，這些設備基本都是國外大廠壟斷的，存在很多年了。我們看到的機會是，有沒有新一代運用到人工智能的設備，來幫助更好的進行封裝測試與檢測，或者新一代的半導體材料，是不是能夠提高各方面的性能，把半導體延續下去。

AI中層，機會不多

在AI中間這層，我們認為機會不是特別多。

1.數據。數據是AI的糧食，但小公司不容易掌握到數據源。

AI需要大量的數據，中國之所以有機會超越美國，實際上是因為中國有更多的數據。美國有更多的隱私保護，數據并不是那么開放，并不是那么多。中國本來人口就多，上網的人也多，數據也相對容易獲取，我們也沒有那么敏感。所以數據實際上是我們非常重要的一個優勢。

積累數據，其實對公司就積累了價值。阿里有很多電商的數據，百度有很多搜索的數據，騰訊有很多個人聊天的數據，這些都是很有價值的數據源。但是，一般小公司開始創業不太容易掌握一個數據源，所以在數據層面，我們覺得不太容易找到機會。

2.算法。算法是AI的武器，但由于開源，壁壘不高。

實際上現在整個世界的算法軟件都在開源，大家可以去學，只要你有一定的聰明才智，都能學懂。只是應用到具體場景里面，可能需要進行改變，需要自己把這個思路重新再編一編，編成適合你的具體場景。

我們不會專門投一個算法公司，因為算法本身壁壘并不是特別高，如何利用數據算法解決實際的場景問題，才是更有價值的事。

3.架構。架構需要更符合具體應用場景。

前幾年，伯克利教授提出了RISC-V指令集，它完全開源免費，可以自由地用于任何目的，允許任何人設計、制造和銷售RISC-V芯片和軟件。

它更多是挑戰了ARM在移動端在IoT端的霸主地位。大家都知道，你要想用ARM的架構來開發芯片，需要交高額的授權費，對于小公司來講，資金是一個很大的挑戰。

而RISC- V的開源體系為廣大的創業小公司提供了一個很好的平臺。我們也非常看好RISC- V在架構這個領域的突破。

AI頂層的應用，關注智能制造和服務業

一.智能制造業

AI的頂層應用是大家最關心的，也是底層中層頂層三大領域中最關鍵的。在頂層，它有一個很大分支是智能制造，其中包括核心部件、系統、視覺檢測、工業機器人、工業互聯網等。

1.核心部件。主要應用在機器人項目，包含伺服電機、減速器、控制器、工業雷達、本體等。目前，國內中高端的核心部件基本被海外壟斷，我們對國內有競爭力的核心部件生產企業保持非常高的關注。

2.系統。系統也就是集成，智能制造最本質的目的是為了解決細分行業問題。例如煙草、3C、汽車、紡織、食品、藥品等等。AI領域很多上市公司都是從集成開始，將市面上的部件、自己的技術融合去解決具體的問題，從而形成競爭力。所以，系統集成是一個值得我們關注的賽道。

3.視覺檢測/分揀。電商的繁榮對視覺檢測/分揀的需求非常大，因為人工分揀容易失誤、也無法長時間工作。除去電商，視覺檢測可以應用在工業品質量檢測方面，目前所使用的抽檢方式并不完美，后來出現的AIO（全自動光學檢測）也不能解決像紡織品這些紋路復雜的材料檢測，而深度學習與視覺檢測則能夠應用在很多領域。

4.工業機器人。工業機器人是一個非常大的賽道，它實際上是一個系統。我們重點關注企業研究的方向是否符合具體的場景。我們觀察了很多AGV廠家，發現這并不是一個容易的賽道，但我認為還是有機會在快速發展中找到有潛力的選手。

5.工業互聯網。目前設備檢測是定時檢修，如果臨時損壞就只能找廠家，重要機器還需要找國外廠家或代理商，維修周期長、甚至會導致工廠停工。如果能提前通過傳感器來檢測機床、數字、設備等運行狀態，提前發現并預防，就能夠保證生產順利進行。

二.服務業

AI頂層的應用還有一個重要的分支是服務。AI將為眾多行業賦能，例如農業、NLP、安防、教育、醫療、物流等。

1.農業。我國目前農業還是小規模生產，85%以上的耕地小于15畝。據我們調查，由于年輕人外流去城市工作，現在我國農民的平均年齡近60歲。隨著國家推行的土地流轉政策的實施，我國超過50畝的農場已有300多萬戶，并且還在不斷擴大。

耕地面積大就可以應用到科技，使用人工智能幫助精準施肥、噴藥、滴灌、種植等，不僅讓農產品更有質量也有效避免生產資料的浪費。

2.自然語言理解（NLP）。這是AI領域比較難的賽道。人的語言非常復雜，思維跳躍性強，對機器來說很難理解，即使百度、谷歌的翻譯，也不太準確。我認為在NLP技術成熟之前，可以把領域縮在細分的賽道中，比如智能營銷、智能客服、分析等，幫助提升客服人員效率。

3.智能安防。智能安防已經發展很久了，它不僅僅要解決人臉正面識別，還要通過識別聲音紋、運動軌跡等，在復雜環境、遠距離情況下精準識別，對社會安全起到積極的促進作用。安防領域的快速發展和應用已經得到了商業界的廣泛認可。

4.教育。在AI教育領域，個性化學習是一個趨勢。因為每個人能力、掌握知識的程度不同，就需要通過采集數據、建模、應用算法實現因材施教。

5.醫療。比較熱門的是圖像分析，應用在比如肺部、腦瘤、動脈等。同時我們也非常關注基因編輯，通過算法發現疾病與哪些基因相關聯、找到病因所在，以研究合適的診療方案。

6.物流。物流行業總費用占我國GDP的15%左右，這是一個十幾萬億的市場，蘊藏著很多機會。這不僅包括電商崛起帶來的機會，還包括經濟發展、人口流動、對外貿易等因素。通過無人機、倉儲機器人、智能分揀提高效率是我們所關注的。

總體來說，AI在未來十到二十年是一個黃金機會，但目前還處在非常初始的階段。近幾年，計算能力提升和數據大量普及使得AI迎來爆發期，但真正要達到人的智能，還需要不同機器學習的算法，與現有及未來的相融合。