常春藤资本施麒：AI企业商业模式的关键是什么？

施麒，常春藤资本副总裁，负责大数据、人工智能的早中期投资，有多年德勤会计师事务所审计经验和国富基金PE/VC投资、投后管理经验。

5月6日，Xtecher杭州第四期私享会在浙大玉泉校区展开，常春藤资本副总裁施麒在活动上做了主题分享。

作者｜伍小仙

编辑｜陈光

网址｜www.xtecher.com

微信公众号ID｜Xtecher

施麒在分享中，与语音技术应用相类比，分析了语义领域的应用、图像识别的应用、AI+工业的发展、AI+教育的发展。当提及AI+金融时，他与大家分享了自己的几点看法：

1、量化交易确实有效并且广泛使用，资金、情绪，直接做可行，智能投顾不可行；

2、基本面策略为时尚早，噪音数据太大，真有用的工具，迅速被整个市场接受；

3、快速读报告和语义搜索是目前还是靠人在做，但这相对容易变现的。

与之类比，施麒同样提出了自己对AI+医疗的观察：

1、样本量不需很大，且确实有效

2、好的样本集中在最好的医院里

3、影像需要与医生深度绑定，做标注

4、变现方式正在探索，与设备/信息系统厂商绑定是最有可能的，那么问题来了：设备厂会不会直接做这个事？

最后，他在自己的PPT上进行了一次总结，AI的关键词为：经济效益、可扩展性、可演进性，最重要的是，要接地气。

以下是Xtecher整理自施麒忆的分享：

今天比较随意，只是把我之前看的一些AI项目、一些感想跟大家分享一下。

我的分享分为四个部分，首先是AI投资的现状，其次是我们关注的一些公司的特征，第三是三大应用（语音、语义和图像，李总讲了很多语音的东西，我就不细讲了），第四是AI+垂直行业的情况。

首先讲第一部分，现在AI投资挺热的，每十几个小时就会有一家新的AI创业公司诞生，投资人都很关注算法，但也有一些投资人不看，会觉得一个公司，特别期望用深度学习或者各种机器学习，用很多牛逼的模型去解决一些问题，但有时候一些问题的最好的解决方案并一定是那些很牛逼、很高大上的算法，很可能只是需要一些简单的统计分析和人的经验以及一些机器学习的东西。

现在AI投资很热，很多投资公司在看，但大家关注的点各有不同，我们是觉得好的AI公司应该有以下一些特征：

首先，产品，也即它的产品边界、技术边界和工程落地。

AI公司整体是非常缺乏产品经历的，只是知道生产技术能够解决什么样的问题，它的边界在哪里，可以怎样跟产品结合，这个产品要怎样才能通过好的工程手段去落地。在这个过程中你没有数据怎么办？你有数据，你配了一些规则，但是这些规则冲突了怎么办？还有许多类似的问题，都需要公司摸着石头找出一条路。

其次，商业模式问题。

AI公司的商业模式跟之前的移动互联网以及其他一些类型的公司很不一样。AI整体是一个比较早期的技术，它离钱相对比较远，更多的AI公司只是在目前有一个着眼点，这个点很重要，这个点不太可能一下子很大——如果这个市场一下子很大，要么BAT会做，要么这个点根本不存在。因此，AI公司应该通过一个比较窄的切入点拿到一些数据，打磨自己的团队和产品以及工程落地的能力，慢慢地建立一个护城河，顺便也赚点钱，这点也很重要。一个AI公司在PreA、在天使的时候，可以靠讲故事、有产品去吸引一部分钱，但是投资人到了A轮、B轮肯定需要看一些业务数据，尤其是toB类的公司，如果它存在需求，存在愿意为之买单的客户，就OK了。

第三是组织实施的能力。

组建什么样的团队，团队里面有哪些核心的人物。比如，一个语音项目里，有没有语音学专家和心理学家？一些语料，如果你只是从互联网上去扒取，去贴吧、去微博，这些地方得到的数据非常脏，需要进行很多清洗，能不能做好，我也不知道，需要打一个比较大的问号。

第二部分，我们关注的一些公司的特征。

AI公司要做好，正向的关键词有三个。

一，可以解决现实中的痛点，这个痛点切实存在，尽管它的市场不一定很大，但它加起来有几千万或者小几个亿，一般的大公司不屑去做，但小公司把这事儿做好就可以成为一个还不错的公司，那就可以把自己的护城河建立好且获得一定经济价值，这是第一点。

二，我们关注的是技术的可延展性，很多时候，一项技术解决的第一个问题可能是一个比较LOW的问题，比如一个智能客服的问题，但是当我们把这个客服的问题解决好之后，很多工程落地的边界也打磨好了，未来它可以做好别的方向，比如推荐引擎，比如企业及服务的领域。用同一项技术可以解决很多问题，第一个问题只是它的着眼点，是试金石，这个试金石不一定能创造很多收入，但是它未来可以做的二三四五是我们看中的一个方向。

三，可引进性。可扩张性是移动互联网比较流行的一个概念，可引进性是其浅表。可扩张性的意思就是说，同样的一件事，未来可以复制到很多类型的公司中。综合来说，我们关注的就是，一个AI公司可以用很多办法解决一个特定的问题，出现三个特征，我们会认为这是一家比较接地气的公司，我们会对它的估值给予一定宽容度，因为我们认为团队和商业模式比一个公司的估值更重要（当然，这可能也是我们安慰自己的话，因为在目前的情况下，基本不可能找到一家便宜的AI公司）。

第三部分，讲几种应用。

语音的部分（因为李总讲得比较详细）这里直接跳过。

讲讲语义。第一是人机交互，比如三角兽之类的公司就拿到了比较大的融资，市场中，客服、娱乐、教育、个人助理比较多，上周我在北京看了一个项目，他们做的是个人助理，已经在乐视手机上有一个小应用。我们的感觉是，首选人机交互作为切入口，这毫无疑问是一个不错的商业模式，目前，这是C端比较能接受的一种模式，当你把它定位为娱乐的时候，不太会有人很严肃地对待这个人机交互产品，你也不需要去解决非常详细、复杂的问题，而只需要把它当成一种调侃或者游戏。

举个例子，比如狗尾巴草，他们说自己是AI公司，其实他们是游戏公司、娱乐公司，他们做的就是我们十几年前、几年前玩的恋爱养成，只是把恋爱养成游戏从PC上，手机上搬到了全息或者AR这么一个投影下去做交互。

在语义当中，还有一些别的应用，比如搜索引擎，百度不必说，除了百度，还有也有很多团队在做很多垂直行业中的搜索引擎。再比如推荐系统，近日头条赖以生存的重要基石就是推荐。

我们也投了一家做图像数据库的公司，这种需求是存在的，目前这类公司在金融、安防乃至军队领域都大范围存在，只是现在的技术还比较原始，只能做一些比较简单的画像或者低维度的人群行为的处理，所以一步步来，这种商业也是比较好的。

再讲讲语境分析和事件传播，这件事的市场在于，政府也好、大学也好都会有这类需求，比如学校提出想看看学生在校园里干了什么事情，当出现一个话题时学生的反应是什么，政府则希望在一些大型事件中做舆情监控。只是这个方向目前还没有做得特好的公司。

再者是企业接待服务，这个空间挺大，只是大家切入点比较窄。你要做好一个很大的市场，恐怕还要五年或者十年，目前的切入点有智能搜索、基于公开的数据库，如工商、诉讼等数据给企业做画像，又或者提供一些异常事件的第一时间的预警等等。

而图像呢？大样本的数据量及算法导致图像数据最近几年特别火，局限是很多创业公司在工程落地当中踏踏实实干的并不是特别多。在我看过的创业公司里，能够处理好脏数据的公司不超过十家。视频识别难度会更大一些，因为它高了一个维度，在视频识别的应用中还存在局限。应用，一是人脸、二是图片搜索、三是视频对象的提取，每一个市场都非常大，有很多创业公司在做，我们看过一些，综合来说，我们的感觉是如果它的素材是基于互联网素材提取然后基于创业公司加工是比较危险的。第三类，也即视频对象的提取，需求比较大。现在我们搜索视频，好像只能通过标题，其实视频中还有很多可以提取的数据。这个业务有很多创业公司在做，阿里也在做，阿里有取之不尽用之不竭的数据，且有比一般创业公司高一到两个量级的计算能力，所以这是不是一个好的创业方向需要打问号。

人脸识别现在也非常火，安防当中非常多，也有刚需，大家都往里面挤，已经出现好几家独角兽了。在这个市场中，大家的方向可以有两个，一个是切入一个类型的场景和任务的时候，把它做得特别好；另一个是往后端做，有一些摄像头数之后切入到后端，把很多元异构的数据库打通，去做数据服务。

第四个部分，我讲讲AI+垂直行业。

目前最能看到的，AI能够切入，产生明显的经济价值且赚很多钱的是金融，金融中的量化交易。但这事可能不太适合创业公司做，现在上海有很多对冲基金有团队在做这事儿而且确实很靠谱和可行，能赚很多钱，只是他们一般不会把这个模型拿出来跟别人分享，理由很简单，那就是一个模型用的人多了，它会失效、准确率会下降，而这类公司又是能够量化交易的模型。但是这个方向对于创业公司来说是不是一个好的方向还要再打一个问号。

然后是报告摘要和语义搜索，国内有很多这样的公司，同花顺也在做，还有些创业公司也在做，这确实是一个比较好的切入点，能够提升很多效率，而且因为我们公司有二级市场，所以我们确实也觉得这是靠谱的，它的市场不会特别大。

AI+金融，AI+工业呢？在座的创业公司基本上可以分为两类，也有可能都在做。第一个是生产线的监测和提前的预警，第二个跟设备有关，设备运行状态的监测，每个都会切一些垂直的行业。每个公司都会有些卖点，比如通过减少故障率，或者降低在发生故障的时候设备生产线的损失给客户带来经济价值。但是现在碰到的一个问题就是很多愿意付钱的客户，它目前的生产线本身就已经很精良了，它的设备都是通过一些大公司来采购，故障率本来就不高。那么你的工作相当于把原本999的东西提升到9999，999和9999到底有多大差别呢，算一下好像没有那么多，所以他不会愿意付很多钱，这是第一个会碰到的问题。

第二个会碰到的问题，其实这些工业企业它真正需要的是提升产品的良品率，哪些方案可以通过改良生产线去带来产品附加值的提升，这个痛点是更明确的，也有一些小公司在做的，团队其实一般，但是他们的切入点，围绕一个比较窄的工业行业去做延伸，我认为是相对来说比较靠谱。

而且工业的跟消费还不太一样，工业的这个数据实在是太专业了，每个工业细分领域的数据都不太一样，不是说简单地靠你放一些传感器采集一些噪音、震动、温度、湿度就可以解决问题的，有些数据，哪怕是同样做工业行业，另外一个细分行业的专家过来看，也不一定看懂。

AI+医疗，国内公司也很多，无外乎分成影像和病历入手的两类公司吧。这里举几个小的例子。总的来看，AI确实是能改善、提升医疗效率的，至少它能够在上万亿的垂直的病历的样本基础上面击败百分之六七十的医生，这个是可行的，这是第一个感想。第二个感想，我觉得现在好的样本都在数据里面，所以对于一个创业公司来说，找到比较好的医院，比如说一大堆切肿瘤的公司，那肿瘤就是在TOP的三甲医院，每一个细分的肿瘤，比如说乳腺癌，那乳腺癌全国做到最好的TOP10，你最少要进几个，因为最好的样本，特别是一些常见病历、罕见病历，他们那儿都是最多的，而且他们那边的专家的水平也是最高的，他们那儿的医生要跟你配合出来做标注，那个准确率也是最高的。变现方式呢？其实这类医疗的公司都是在探索，哪怕你拿到一些垂直行业的数据，你的技术也被验证下来是可行的，也能够提升诊断的准确率，能提升影像科或者检验科医生的效率，但是医院不太会为了这个事情付很多钱，医生个人更不愿意为这个事情付很多钱，互联网医疗平台的付费意愿是有的，但它的付费能力有没有也要打一个问号。

所以这个变现方式也是每个公司在逐渐摸索的，比如说跟设备一起卖，因为你如果直接进医院，你的收费名义是什么，这是挺难回答的一个问题，而且你不能直接用于临床，你只能作为医生的辅助诊断的工具，那就可能是搭着设备厂商，或者信息化厂商的便车，一块卖到医院里面去，打的名号就是我可以提升设备或者信息化系统的附加值，可以使得这些产品卖得更贵，这个倒也是一个路径，但是这个路径的市场，它的附加值到底最后能带来多少，很难说，而且会不会设备厂等等未来就自己做了？其实有些公司已经在自己做了，那创业公司到底在这里面的机会还有多少，也很难说。

所以我们感觉这里后面可能在仅仅从事检验的入手的这么一个工具，辅助诊断工具吧，对于医生来说还不是特别、特别地痛，可能会去从一些有处方权的治疗的医生这边来入手，因为这些好的医生，他们时间很短，如果能够提升他们的效率，给一个病人出方案、出planning、治疗planning的时间越短，他可以看的病人就越多，如果他院内没有接单能力，服务那么多病人的话，他就可以到院外去，那就可以创造一个多点执医或者是远程诊断的一个前提。

AI+教育，主要有两个方面（没有包含所有当中的类型）。

第一个是自适应教育，第二个就是自动做题、判卷，比如高考机器人，自动判卷也是一个痛点。但是这一块，因为教育里面你只是作为一个辅助的工具，要找到买单的人其实也挺难的，教育跟医疗也有很多相似的地方，相对来说你直接去做学校，可能它的空间会更大一点。高考机器人现在虽然非常火，但是我们跟很多在做高考机器人研发的团队，很多是在高校团队里面聊过，其实难度还挺大，比如说像数学，理解这个题干的难度就非常非常大，更别说解题了。

第三个就是主观题的判卷，可能比做题还要难，因为学生的逻辑思路是不一样的，你不能靠什么答案是一二三四，然后你就把一二三四全找出来之后就判对，老师不是这么批的，还要看学生的逻辑思维是怎么样，这个其实相当于来说你是一个完整的自然理解，要理解这个学生每一步的意图，可能比你自己答卷，你自己答卷只要有一个规则或者你有一条路是走通的，你就可以答对，判卷呢你要条条路都要知道这条路是对还是不对。

AI+加法律，也有一些创业公司在做，第一家叫无讼。他们切入点是两个，一个是把法律的知识流程做一个标准化，我们也投过一家做法律的公司，叫百事通，之前他想干的也是这个事，那时候AI没有火，是还挺久以前，2010年、2011年的时候；第二个，他的团队都是做法律出身的，不懂什么机器学习、深度学习，所以他配了很多规则，去解决这事，还是赚钱的。他们把很多关于消费者维权的案例拿过来，然后找好的律师讨论一下，把律师在应诉消费者维权案例时的环节，包括流程的环节和文书等等打散，然后形成一个相对标准化的系统，然后给很多小地方的律师用，这个需求确实是成立的，比如阿里每年有上万个case，最后是走到了诉讼环节，就是在淘宝上面诉讼用户、诉讼商家的，每年大概有上万例，现在法律规定，这些用户是可以在他们当地告阿里。阿里法务非常强，但是也经不住每年有几万例从全国各个地方打过来的官司，他所以它需要外包出去，外包给三四线的律师，那些水平一般都不行，而且律师分的也非常细，懂消费者维权的律师毕竟比较少，所以需要有一个工具，有一个创业公司提供这么一个工具去服务于第三方的律师，不管他之前是不是消费者维权的，不管他水平行不行，让他能够在快速的时间内上手，这个事情是百事通，我们之前投的项目在做的事，而且他们也靠这个事赚了一些钱，不过他只是处理简单的规则。

那么现在有没有可能通过一些统计加上规则的手段，把更多的法律的细分行业做标准化处理，这是我们现在认为还比较靠谱的一个点。

第二是裁判文书的搜索和生成，因为裁判文书是公开的，有一个叫裁判文书网的网站，有大量公开的法律文书，可以靠这里面的数据做一些文本的挖掘，而且能够提升包括律师、法官在内的一些法律从业人员的工作效率，它不仅能搜索，而且能生成，律师和法官每天自己要写的东西很多，所以它可以作为一个辅助工具，可以提供一个辅助判决的工具，相对来说会靠谱一点。所以我们其实最近也比较关注AI+法律这个领域。

常春藤资本成立于2007年，是一家专业全资产管理机构，业务涉及境内外股权投资、证券投资以及金融咨询服务。常春藤重点投资云计算、大数据、视频与视频流、机器人、人工智能等新兴产业领域的早中期企业，主要投资区域覆盖中国环渤海地区、长江经济带和珠江三角区，以及美国硅谷和以色列硅溪等全球性创新聚集高地。 曾获香港HFM杂志亚洲对冲基金表现奖、PEAS年度最佳投资机构 TOP10、CV Awards最具创新力综合性基金管理机构 TOP10、清科集团本土私募股权投资机构前50强等奖项。