为什么BAT干不掉海康威视？——关于人工智能的思考

　　大家好 ， 我是迅雷创始人程浩 ， 现在专注科技领域的投资 。 今天跟大家聊聊人工智能领域的创业和创新 ， 包括如何选择赛道 、 团队的搭配 、 以及如何应对巨头的挑战 。

　　为此我从投资人的视角 ， 给大家总结了人工智能创业的 6 大核心问题 。

　　第一个问题 ： 为什么应关注人工智能而非互联网 ?

　　首先如果今天大家选择创业 ， 我建议更应该关注人工智能 ， 而非互联网 。 为什么这么讲 ?

　　1. 互联网的流量红利已经消失 ;

　　以 PC 来说 ， 全球 PC 出货量连续 5 年下滑 。 大家知道国内最后出现的一个 PC 互联网独角兽是谁吗 ? 是知乎 ， 大概是 2011 年初推出 ， 这么多年过去 ， 再也没有 PC 互联网的独角兽出现 。 做个类比 ， 我们知道 2015 年移动互联网的渗透率和竞争程度和 2011 年的 PC 互联网类似 ， 以此类推 ， 2015 年以后再做移动 APP ， 也很难出独角兽了 。

　　毕竟中国连续两年手机出货量都在 5 亿多台 ， 增长放缓 ， 代表无线流量基本已走平 ， 你多卖一台 ， 我就少卖一台 ， 是存量竞争 。 今天创业者再做一个纯互联网的 APP ， 投资人问的第一个问题就是你怎么获客 。 因为现阶段流量格局已定 ， 首屏就那几个 APP 。

　　2. 互联网 + 的机会同样有限 ;

　　主要在于互联网最大的价值 ， 是解决信息不对称和连接 。 所以对于电商特别有价值 。 淘宝用皇冠 、 钻石等信用体系解决了信息不对称 ， 同时又把全国有这么多买家和卖家连接在一起 。 这个是互联网的价值 。

　　但很多行业信息和连接并不是痛点 。 拿医疗举例 ， 中国三甲医院的大夫就那么多 ， 你把全国 13 亿人民都和这些大夫连接上了也没用 ， 因为一个医生一天还是只能看那么多病人 。 互联网并没有提高医生看诊的效率 。 在诸如餐饮 、 医疗这些传统领域 ， 互联网的帮助是很有限的 。

　　也包括滴滴打车 ， 互联网解决了打车难的问题 ， 但是没解决打车价格的问题 。 事实上 ， 补贴去掉之后 ， 大家都发现了滴滴一点都不便宜 ， 道理很简单 —— 不管是专车还是出租车 ， 还是需要由人来开 ， 人工成本降不下来 ， 就不可能便宜 。

　　3. 真正能够提高社会生产力 ， 解决供需关系不平衡的就是人工智能 ;

　　人工智能将给社会生产力带来的提高 ， 以及对人类带来的影响将远远超过互联网 。

　　还是拿医疗来说 ， 很多基层医院水平不高 ， 那未来完全可以通过人工智能来辅助医生读 CT 、 X 光等医疗影像 。 像今年 ， IBMWatson 对皮肤黑色素瘤的诊断 ， 准确率已提高至 97% ， 远远超过了人类专家 75%-84% 的平均水平 。

　　未来 ， 人工智能无论是在无人车 、 机器人 、 医疗 、 金融 、 教育还是其他领域 ， 都将爆发巨大的社会效益 ， 这点毋庸置疑 。 我认为下一波大趋势和大的红利不是互联网 + ， 而是人工智能 + 。 我建议现在的创业者更应该关注人工智能领域的创业机会 。

　　第二个问题 ： BAT的巨大优势

　　人工智能主要分三层 。 最底层是基础架构 ( Infrastructure ) ， 包括云计算 、 芯片以及 TensorFlow 这样的框架 。 在基础层之上是中间层 ， 叫通用技术 ( EnablingTechnology ) ， 例如图像识别 、 语音识别 、 语义理解 、 机器翻译这些 。

　　基础层和中间层 ， 是互联网巨头的必争之地 。 比如芯片领域 ， Intel 、 英伟达 、 高通都投入巨资 ， 竞争极其激烈 。 同样云计算 、 框架也是一样 ， 都不是小公司能够涉足的领地 。

　　现在对于中间层的通用技术 ， BAT 也极其重视 。 因为大家都相信人工智能是下一波工业革命浪潮 。 对腾讯 、 阿里 、 百度这些巨头来讲 ， 要想在大浪中屹立不倒 ， 必须要构建出人工智能的生态系统 ( Ecosystem ) 。 而核心就是要依靠这些 Enabling Technology 技术 。

　　相比创业公司 ， BAT 的最大优势是什么呢 ? 第一 ， 不缺数据 ; 第二 ， 为了构建自己的生态系统 ， 未来通用技术一定全部是免费的 ; 第三 ， 虽然通用技术免费 ， 但 BAT 有羊毛出在身上的猪机会 。 这是典型的互联网打法 。

　　这里的猪是什么 ? 猪就是云计算 。 例如百度的 ABC 策略 ， 分别代表人工智能 ( AI ) 、 大数据 ( Big Data ) 和云计算 ( Cloud Computing ) 。 AI 我可以不赚钱 ， 开放给大家 ， 那么大家想享受我的服务 ， 就来买我的云吧 。

　　而对于创业企业来说 ， 只做图像识别 、 语音识别 、 语义理解 、 机器翻译这些通用技术 ， 指望通过 SDK 卖钱 ， 未来路会越来越窄 ， 特别是 BAT 都免费的压力下 。

　　所以从这个角度讲 ， 创业公司做下面两层风险比较大 。 我认为创业公司的机会在最上层 ， 就是拿着下两层的成果去服务垂直行业 ， 也就是我们所谓的人工智能 + 。

　　第三个问题 ： 海康威视相对BAT的优势在哪里 ?

　　深入垂直行业的人工智能 + ， 又可细分为两类情况 ： 即“ 人工智能 + 行业 ” 和 “ 行业 + 人工智能 ” ， 他们间有明显的区别 。

　　“ AI + 行业 ” 简单讲就是在 AI 技术成熟之前 ， 这个行业 、 产品从未存在过 。 比如自动驾驶 ， 亚马逊的 Echo 智能音箱 、 苹果的 Siri 语音助手 。 在人工智能技术未突破前 ， 不存在这样的产品 。 因为 AI ， 创造出了一条全新的产业链 。

　　“ 行业 + AI ” 就是行业本身一直存在 ， 产业链条成熟 ， 只是以前完全靠人工 ， 效率比较低 ， 现在加入 AI 元素后 ， 使得行业效率有了明显提高 。 比如安防 、 医疗等领域 。

　　客观讲 ， 这两个类别都有创业机会 。 但“ AI + 行业 ” ， 因为是一条新的产业链 ， 创业公司与互联网巨头实际是处在同一起跑线上 。 巨头们坐拥数据优势 。 所以从这个角度 ， “ 行业 + AI ” 相对对创业公司更为友好 ， 也更容易构建出壁垒 。

　　我认为 ， 未来行业壁垒才是人工智能创业最大的护城河 。 因为每个行业都有垂直纵深 ， 尽管 BAT 技术好一点 、 并不关键 。 拿医疗 + AI 举例 ， 什么最重要 ? 大量准确的被医生标注过的数据最重要 。 没有数据 ， 再天才的科学家也无用武之地 。

　　但在国内 ， 这个医疗数据拿出来非常困难 。 所以 BAT 做医疗一点优势都没有 ， 因为他们要把这些数据 ， 从各医院 、 各科室搞出来也很累 。 相反 ， 如果一个创业者在医疗行业耕耘很多年 ， 也许拿起数据来比大公司更容易 。

　　这要求创始团队的合伙人中 ， 必须有懂行业 、 有行业资源的人才 。 这与互联网 + 一样 ， 一旦细分到具体行业 ， 并不是说你百度 、 腾讯有资金 、 有流量 ， 投入人才就什么都能做 ， 比拼的还有行业资源和人脉 。

　　之所以跟大家聊这个话题 ， 是因为前一段去百度大学跟大家交流 ， 他们提到百度人工智能在无人车和 DuerOS 的应用 。 同时又问我 ， 人脸识别在国内安防领域的应用价值非常大 。 像海康威视有近 3000 亿人民币的市值 ， 每年光净利润就有近百亿 。 百度在 AI 方面是不是该考虑进军这个领域 。 我回答说千万别 ， 因为安防是典型的 、 有巨大壁垒的“ 行业 + AI ” 领域 。

　　即使百度技术好 ， 在人脸识别率方面比海康威视高一个百分点 ( 实际不一定 ， 海康背后有几百人的 AI 研发团队 ) 。 但这并不代表百度就能替代海康 。 因为安防是“ 非关键性应用 ” ( non-mission-critical ) ， 100 个犯人我识别了 95 个 ， 你比我多识别了一个做到了 96 个 ， 其实没那么重要 。

　　而反过来 ， 海康对比百度有什么优势 ? 首先海康是做摄像头的 ， 用自己的硬件跑自己的算法 ， 是很自然的事儿 。 就像苹果手机 ， 软硬一体体验更好 。 其次 ， 海康做了这么多年的安防 ， 积累了非常多的数据 ， 人脸的数据 、 环境的数据 …… 在安防领域有数据优势 。 最后 ， 海康给公安系统做了很多类似警务通 、 基站信息采集 、 视图档案管理等 SaaS 平台的东西 ， 以及警用云系统 。 我们可以认为公安系统的 IT 化 ， 其中有一部分就是海康威视参与的 。

　　这些东西可能不赚钱 ， 但却为海康构建了壁垒 。 因为底层的基础设施都是我建的 ， 那前端的东西就只能用我的 ( 我可以有 100 个理由 ， 说竞品与我不兼容 ) 。 而且海康做了这么长时间 ， 积累了大量的客户资源 ， 特别是政府公安局的资源 ， 开拓这些资源非常需要时间 。

　　这些就是所谓的行业纵深 。 所以即使对 BAT 而言 ， 想进入“ 行业 + AI ” 领域 ， 选择垂直赛道时 ， 同样要非常谨慎 。 在巨大的行业壁垒面前 ， 真不是说我的算法比你好一些 ， 市场就是我的 ， 只有技术优势仍然差的很远 。

　　回归“ AI + 行业 ” 和“ 行业 + AI ” ， 通常来讲前者的行业纵深会比较浅 ， 而后者则有巨大的行业壁垒 。 而行业壁垒 ， 则是创业公司最大的护城河 ， 也是抵挡 BAT 的关键 。

　　第四个问题 ： 为什么技术可能并不重要 ?

　　谈到人工智能领域的创业 ， 很多人都会有个误解 ， 就是如果我团队没有个大牛的科学家 ， 比如斯坦福 、 MIT 的博士坐镇 ， 我都不好意思讲在人工智能方面创业 。 其实这个认知是完全错的 。 因为在人工智能领域 ， 算法到底有多重要 ， 完全取决于你要准备进入哪个行业 。

　　根据行业和应用场景不同 ， 我认人工智能的创业本质上有 mission-critical 和 non-mission-critical 之分 。 为了方便大家理解 ， 我们简称为“ 关键性应用 ” 和 “ 非关键性应用 ” 。

　　“ 关键性应用 ” 要追求 99.9 …… % 后的多个 9 ， 做不到就没法商业化 。 比如大家认为 ， 99% 可靠度的自动驾驶能上路吗 ? 肯定不能 ， 意味着 100 次就出 1 次事故 。 99.9% 也不行 ， 1000 次出一次事故 。

　　千万记住 ， 99% 和 99.9% 的可靠度差距并不是 0.9% ， 而是要反过来算 ， 差距是 10 倍 。 也包括手术机器人 ， 听起来 99.9% 可靠度已经很高了 ， 但意味着 1000 次出一次医疗事故 ， 放在美国 ， 医院还不得被巨额索赔搞得破产 。

　　所以“ 关键性应用 ” 领域 ， 就是一丁点儿错都不能犯的人工智能领域 ， 必须要有技术大牛 、 科学家或算法专家坐镇 。 同时 ， 这类项目研发周期都很长 。

　　正如以色列做 ADAS( 高级驾驶辅助系统 ) 解决方案的 Mobileye 公司 ， 今年 3 月被 Intel 以 153 亿美金收购 。 大家知道这家公司研发周期有多长吗 ? Mobileye 成立于 1999 年 ， 到他们推出首款产品 、 挣到第一桶金已是 2007 年 。 长达 8 年的研发周期 。 这在互联网创业里不可想象 。 包括谷歌无人车从 2009 年开始研发 ， 到现在一直没有商业化 ; 达芬奇手术机器人从启动研发到 2000 年拿到美国食品药品管理局 ( FDA ) 的认证 ， 花了十年时间 。

　　“ 关键性应用 ” 的普遍特点就是这样 ， 项目通常很贵 ， 研发周期巨长 ， 离钱非常远 ， 需要持续的融资能力 ， 团队怎样才有持续融资 ? 起码要有非常好的简历和非常好的背景 。 这个是能够持续融资的必要前提 。 所以大家可以看到 ， 今天做无人驾驶的创业团队都是高富帅 。 因为不是高富帅 ， 你都熬不到产品真正商业化应用那天 。

　　当然 ， 如果在人工智能领域都是“ 关键性应用 ” ， 那就没大多数创业者什么事了 。 实际上 ， 人工智能领域的创业 ， 95% 都是“ 非关键性应用 ( none-mission-critical ) ” 。 简单讲对这些领域 ， AI 的可靠度只要过了基础线 ， 高一点低一点区别不大 。

　　最简单的例子 ， 现在很多公司的门禁开始用人脸识别 。 你今天带个帽子 ， 明天戴个墨镜或口罩 ， 识别率没法做到 99% 。 可即使没识别出来也没问题 。 因为所有带人脸识别的门禁都有地方让你按指纹 。 即使指纹也刷不进去 ， 问题也不大 ， 公司不还有前台吗 。

　　这就是“ 非关键性应用“ 。 这类项目不追求 99% 后面的很多个 9 。 实际上 ， 国内人工智能和机器人方向的创业 ， 大部分领域都是“ 非关键性应用 ” 。 当然并不是说 ， 在这个领域算法不重要 ， 你天天认不出来也不行 ， 所以一定要过了基础的可用性门槛 ， 偶尔出现问题可以容忍 。 “ 关键性应用 ” 则不能容忍 。

　　“ 非关键性应用“ 不追求高大上 ， 简单 、 实用 、 性价比高更重要 ， 这样的项目通常比拼综合实力 。 包括 ：

　　对行业的洞察理解 。 要熟知行业痛点 ;

　　产品和工程化能力 。 光在实验室里搞没意义 ;

　　成本控制 。 不光能做出来的产品 ， 还得便宜的做出来 ;

　　供应链能力 。 不光能出货 ， 还要能批量生产 ;

　　营销能力 。 产品出来了 ， 你得把东西卖出去 。 团队里有没有营销高手 ， 能不能搞定最好的渠道是关键 。

　　所以大家在创业组团队时 ， 一定要想好你选择的赛道处于哪个领域 ， 不同的赛道对于团队的要求是不一样 。 “ 关键性应用 ” 必须有技术大牛坐镇 ， “ 非关键性应用 ” 则要求团队更加综合和全面 。

　　第五个问题 ： 产业链上的赢家通吃与行业壁垒优势

　　现在很多人工智能创业者都是技术背景出身 ， 创业的第一个想法通常是做技术提供商 。 技术提供商作为创业的敲门砖可以 。 但如果只定位做技术提供商 ， 未来路会非常窄 。 为什么说未来只做技术提供商价值会越来越小 ? 原因有几点 ：

　　1. 首先通用技术一定是大公司的赛道 ， BAT 未来一定会开放免费 。

　　人家大公司会免费提供人脸识别 、 语音识别 、 语义理解 、 机器翻译这类 EnablingTechnology ， 你还打算怎么靠 API 调用赚钱呢 ? 也许现在还可赚点小钱 ， 但很难成为一个长久的生意 。

　　2. 依托于算法的技术壁垒会越来越低 。

　　未来随着基础计算平台和开源平台的丰富成熟 ， 技术方面的壁垒会越来越不明显 ， 整个人工智能的技术准入门槛会越降越低 。 就像 2008 年你想找个 IOS 开发者 ， 很难 ， 现在却很容易一样 ， 所有技术的演进都遵循这一规律 。 特别随着今天各大学的计算机专业 ， 都纷纷开设机器学习课程 ， 未来人才不缺 ， 这会拉低整个行业的进入门槛 。

　　同时随着谷歌 TensorFlow 等生态系统的成熟 ， 很多领域都会有训练好的模型可以用来参考 ( 出 Demo 会更快 ) ， 创业者只要有足够的数据来训练参数就好了 。 所以未来算法的壁垒会越来越低 ， 如果这个公司的核心竞争力只是算法 ， 那将非常危险 。

　　3. 技术提供商如果不直接面向用户 / 客户提供整体解决方案 ， 则非常容易被上下游碾压 ：

　　对于技术提供商和算法类公司 ， 如果你的技术壁垒不够高 ， 上游很可能直接把你的事做了 。 这样的例子比比皆是 ， 比如给海康威视提供人脸识别算法的公司 。 问题就在于 ， 海康在用你算法的时候 ， 人家也有庞大的研发团队在研究自己的算法 。 现在用你是人家还没准备好 ， 一旦准备好立刻会把你替换掉 。

　　即使在有一定技术门槛的行业 ， 技术提供商的日子同样并不好过 。 比如专注嵌入式的视觉处理芯片的 Movidius ， 大疆无人机一直在用他们的芯片 。 但自从大疆统治了消费级无人机市场后 ， 大疆现在也很自然地开始研发自己的芯片 。

　　按说芯片的技术壁垒并不低 ， 但只要行业集中度高 ， 赢家就会选择通吃 。 比如做手机的厂商 ， 出货量到了一个阀值 ， 都有动力自己做芯片 。 像苹果 、 三星 、 华为还有现在的小米 ， 都选择了自己做手机 CPU 。 所以联发科 、 高通这些技术提供商 ， 其实是挺痛苦的 。

　　这其实是一个产业链通用规律 ： 产业链上的垄断者会吃掉所有利润 ， 而且他们非常有动力往上游或下游扩展 。 拿 PC 产业链举例 ， 内存 、 硬盘 、 整机 、 显示器 …… 都不赚钱 。 钱被谁赚走了 ? Windows 和 Intel 却赚走了绝大部分利润 。

　　

 

　　既然做纯技术提供商没有出路 ， 那怎么办 ? 浩哥提出“ 一横一纵 ” 理论 。 前期做技术服务可以 ， 但是不能一辈子做技术服务 。

　　“ 一横 ” 就是指你提供的技术服务 。 通常“ 一横 ” 能服务很多行业 ， 一定要找到 1 、 2 个 ， 你认为最有市场机会 ， 最适合你的垂直领域 ， 深扎进去做 “ 全栈 ” ： 把技术转化为产品 ， 然后搞定用户卖出去 ， 实现商业变现 ， 再通过商业反馈更多的数据 ， 更加夯实自己的技术 。 一句话讲 ， 要做技术 、 产品 、 商业和数据四位一体的“ 全栈 ” ， 这就是“ 一纵 ” 。 这才是健康的商业模式 。

　　在垂直外的行业 ， 因为没有利益冲突 ， 你仍可老老实实的做技术服务 。 这样的话 ， 商业上你能吃透一个垂直行业 ， 技术上你还能通过横向合作 ， 形成更多的数据回路 ， 从而夯实你的技术 。 这个就是“ 一横一纵 ” 理论 。

　　那么对于技术创业公司 ， 从“ 一横 ” 走到 “ 一纵 ” ， 要选哪个垂直领域 ， 取决 5 个关键因素 ：

　　市场空间够不够大 ?

　　做垂直领域的全栈 ， 还是做横向的技术提供商 ? 取决市场空间哪个更大 。 找对垂直领域 ， 即使只占一点点市场份额 ， 也可能比做“ 一横 ” 全归你的收益大 。 拿美图公司举例 ， 他们有美图秀秀 、 美拍 、 美颜相机等 APP ， 同时还会跟很多手机厂商合作 ， 提供相机拍摄的美颜效果 ， 你可以理解这就是技术服务 。

　　但研究 2016 财报后 ， 大家知道美图秀秀选的“ 一纵 ” 是什么吗 ? 就是美图手机 。 以上提到的技术服务都远没有垂直做美图手机赚钱 。 美图手机占了公司全部营收的 93% 。 虽然美图手机去年的销量大约在 74.8 万台 ， 仅仅只占国内手机市场全年销量 5 亿多台的不足 0.15% 。

　　行业集中度如何 ?

　　做“ 一横 ” 技术提供商时 ， 最担心的是你的上游或下游过于集中 ， 或者说头部效应越明显 ， 对技术提供商就越不利 。 举个简单的例子 ， IDC 时代 ， HP 、 DELL 等厂商卖服务器 ， 都是直接卖给各 IT 公司 ， 大家日子过的都很滋润 。 但 2010 年之后就很难做了 ， 因为云计算出现了 。

　　提供云计算的厂商就那几个 ， 两只手就能数出来 。 而且头部效应极其明显 ， 仅阿里云一家占了 50% 以上份额 。 如果你是一个技术提供商 ， 在跟这么垄断的行业去谈判 ， 你会发现没有任何筹码 。 所以现在就很悲催 ， 假设我是阿里云 ， 会让你列出 BOM 成本 ， 我就给你 5% 或 10% 的利润 ， 这个生意就很难做了 。

　　在这种情况下 ， 你当然有意愿也往上游走 。 但带来的问题是什么 ? 如果上游集中度高 ， 说明这事的壁垒很高 ， 你作为技术提供商想往上走 ， 同样很困难 ; 如果这个上游集中度低或客户很零散 ， 对你是件好事 。 但是你也没有太大动力往上游走 ， 因为这个市场本来就很零散 ， 你即使杀进去 ， 可能只有 1% 的市场份额 ， 而且使得 99% 的人都变成你的竞争对手了 。 这是个悖论 。

　　技术是改良还是革命 ?

　　如果你的技术创新对这个垂直领域是革命性的 ， 就越有机会走到上游 。 如果只是改良性的 ， 你就老老实实在下游赚个辛苦钱算了 。 越是颠覆性的东西 ， 越有机会往上游走 。 因为上游越离不开你 ， 意味着你有机会做他的事 。

　　打个异想天开的比方 ， 如果你能提供一个“ 待机一礼拜 ” 的电池 ， 那你就可以考虑自己做手机 ， 你的手机只打一点 ： 一星期不用充电 ， 而且是全球唯一 ! 就这一点可能就够了 ， 因为这个技术是革命性的 。 相反 ， 如果是改良性的技术 ， 例如你的电池待机只是比以前多了 10~20% ， 那你还是老老实实卖电池吧 。

　　双方壁垒谁更高 ?

　　技术提供商的壁垒和上游客户的壁垒哪个更高 ， 也决定做“ 一纵 ” 的成败 。 拿比较火的直播平台而言 ， 现在都有美颜功能 ， 例如给女孩长出个耳朵那种 ， 这个通常都是第三方提供的技术 。 技术本身的壁垒并不高 ， 很多公司都能提供 ， 虽然效果有一些小的差异 ， 但你没有明显优势 。

　　可是直播的壁垒相当高 ， 这事有网络效应 ， 用户越多会吸引更多的美女主播 ， 因为能赚到更多钱 ， 美女主播越多 ， 也会带来更多的用户 。 同时你舍得花钱 ， 需要很多资金来买流量以及签约很 NB 的主播 。 所以这个事壁垒很高 。 你做技术提供商壁垒不高 。 这种情况下 ， 虽然技术提供商只能赚个辛苦钱 ， 但是仍然完全没有机会往上游走 。

　　到底跟团队基因相符不相符 ?

　　能做得了技术服务 ， 不代表能做垂直解决方案 ， 做全栈 ， 因为团队不一定有行业经验 ， 这是很大的问题 。 亚马逊的无人便利店 Amazon Go 出来之后 ， 国内不少技术团队也想提供类似的技术 ， 甚至想做 2C 的便利店 。

　　与他们聊完后 ， 我都会劝他们再考虑一下 ， 你的技术再好 ， 对于用户而言 ， 他买东西的时候 ， 会看这个便利店有人还是无人的吗 ? 不会 ， 这不是优先选项 。 他首要考虑的还是 —— 哪个便利店离我更近 ， 以及我想买的东西这个便利店有没有 。

　　从这个意义讲 ， 这又回到了零售的本质 。 所以如果团队没有零售的基因 ， 没有懂零售的人 ， 就别考虑自己开便利店的事 。 这时候 ， 很多人可能会问“ 那我找个懂行业的高管不就行了么 ? ” 这事没那么简单 ， 如果 CEO 不了解行业本质 ， 其实是很难靠一个高管去弥补的 。

　　我特别相信基因决定论 ， 如果任何一个新的商业 ， BAT 找个懂行业的高管就能搞定了 ， 那中国互联网的生意就全是 BAT 的了 ， 就没创业公司什么事了 。 BAT ， 一个做搜索 ， 一个做电商 ， 一个做社交 。 其实他们 3 个都把对方的事情已尝试了一遍 ， 最后都不成功 。 所以大家能做什么 ， 不能做什么 ， 跟这个公司的基因是高度相关的 。

　　第六个问题 ： 2C VS 2B

　　最后一个问题 ， 简单说一下 ， 科技成熟都需要一定的时间 。 因为从任何技术普及演进的角度 ， 几乎都延续了先是从军工 ( 航天 ) 、 到政府 、 到企业 、 到 B2B2C 、 再到 2C 这个规律 。 人工智能也一样 ， 目前人工智能在 2C 市场还不是很成熟 。

　　简单说机器人 ， 在个人消费者市场 ， 出货量大的机器人只有 4 类产品 ： 扫地机器人 、 无人机 、 STEAM 教育类机器人和亚马逊 ECHO 为代表的智能音箱 。 为什么 2C 市场早期的普及有一定的困难 ， 简单讲几个原因 ：

　　1. 产业链不成熟

　　我做一个创新的东西 ， 成品有 10 个部件 。 每一个部件都得自己做 ， 而且因为出货量不大 ， 每个部件都没有规模效应 ， 这就导致每个部件都很贵 ， 那你最后做出成品一定很贵 。 这是非常大的问题 。

　　2. 2C 是额外花钱

　　这也是很重要的一个问题 ， 2C 端的用户因为自掏腰包 、 额外花钱 ， 所以对价格通常比较敏感 ， 产品很贵就是一个很大的门槛 。

　　3. 2C 产品的用户期待度高

　　用户买了这么贵的东西 ， 自然对产品的期待度会更高很多 。 大家觉得我买一个机器人回来 ， 恨不得什么都能干 ： 又能唱歌 、 又能跳舞 、 又能聊天 、 又能清洁 、 又能讲英语 。 但这是不现实的 ， 现在的技术成熟度离此还有些远 。

　　相对于 2C 端 ， 这些问题在 2B 端却不是问题 。

　　1. 2B 端对价格承受能力更高

　　首先 ， 企业对价格的承受能力显然比 2C 强很多 。 你说一个机器人 2 万 ， 2C 消费者不可能买 ， 但企业问题不大 ， 企业对成本承受能力高 。

　　2. 2B 的核心目的是降成本

　　举例工业机器人 ， 10 万块钱一个 ， 听起来很贵 。 但一个工业机器人替代你 2 个岗位 。 这 2 个岗位一年也得 10 万块钱 ， 还不算四险一金 。 然后这机器人能工作 4 年 ， 这一下成本只有你原来的 25% ， 甚至不到 。 那么企业一算账 ， 觉得还是很便宜 。

　　3. 2B 可以采取人机混合模式

　　还有 2B 端的机器人应用更简单一些 。 一方面大多是单任务 ， 机器人只要做好一件事就行了 ， 实现起来简单 。 另外 ， 很多都是以“ 人机混合 ” 模式在作业 。 也就是以前需要 10 个人干活 ， 现在我用机器人替代一半人 。 简单重复的工作用机器人替代 ， 复杂的用剩下的 5 个人 ， 这就是“ 人机混合 ” 模式 。

　　举个例子 ， 现在国内外已有很多安保机器人 ， 按固定路线去巡逻 。 你可以理解为移动的摄像头 ， 当然算法上肯定加入了一些识别的东西 。 固定绕路线巡逻 ， 这个完全可以交给机器人来做 。 难的是 ， 在巡逻的过程中 ， 如果发现有老太太摔倒了 ， 让机器人扶起来 ， 这个目前还做不到 。

　　但这不重要 ， 你们后台不还有 5 个人么 ， 让他们过来就好了 。 所以人机混合是 2B 比较主流的模式 ， 这个大幅降低了机器人普及的难度 。

　　总结

　　最后再说一点 ， 目前大多数 AI 创业公司都是技术专家主导 ， 这很容易理解 ， 因为现在技术还有壁垒 ， 技术专家主导起码保证产品能做出来 。 不过未来随着技术门槛的降低 ， 特别在“ 非关键应用 ” 领域里 ， 团队的核心主导 ， 会慢慢过渡到产品经理和行业专家为主 ， 因为他们离用户需求最近 。 “ 非关键应用 ” 领域 ， 懂需求比技术实现更重要 。 长期来看 ， 人工智能创业和任何其他领域的创业一样 ， 一定是综合实力的比拼 !