本文共5657字，预计阅读6分钟
科技驱动产业生长分成哪六个阶段？当前的人工智能处于哪个阶段？在杨歌“产业时钟”的概念中我们找到了答案。
杨歌毕业于清华大学工程力学系，从2004年起，他先后创立北京东信康达数字科技有限公司等七家企业，分别从事经营社区互联网、物联网与数字医疗等业务。在毕马威任咨询师后，他转向大江投资、北国投做投资工作。2015年初，杨歌创立星瀚资本从事风险投资，并合作创建英谊资本与主序控股集团，出任合伙人董事。
杨歌对鲸媒体透露，星瀚资本最开始只是一个投种子/天使轮的小基金，而现在基金发展到了第三期，并成立了集团控股公司。
星瀚资本重点关注民生产业、精神消费、深科技应用（AI、生物医药技术等）、金融等方向的投资。技术专业出身的杨歌为什么说现代社会很大的问题是知识迭代速度太快？技术和实体产业的泡沫类型有何区别？
AI处于“产业时钟”的哪个阶段？
Q
&
A

鲸媒体：我们了解到，星瀚资本投资了一些AI公司，您对AI也有一定了解，现在很多看中间层和应用层的VC都有一个感觉，有些场景可以用AI做一些简单的识别、问诊、质检等，比如用AI给钢厂做质检，能提高效率，但从VC角度看，投资这些事好像倍数不够。您怎么看？
杨歌：首先要看场景适应性，要看赛道有多大，比如您说的钢材行业，或者是我在前两天看过的一个公司，做螺钉螺母的自动化生产线，实际上它们第一步的入口是图像识别。这个行业的门槛其实并不是特别高，最重要的是要有足够的被训练对象，针对有效的训练对象算法给谁做其实都是一样的。如果能把同一种有效素材收集几十万个样例，不夸张的说我也可以训练出相应的结果，其实它的算法技术门槛是十分有限的。
AI行业里存在一个比较普遍的问题是，现行算法的适用性场景比较窄，通常属于应用层的范畴，由于目前AI技术中的中间模块层和基础数学物理层还不够成熟，所以很重要的一点是需要判断应用算法的鲁棒性够不够强。【鲸媒体注：鲁棒性即系统的适应性，它是在特异情况下系统存续的关键。】
第二，要看末端“毛细血管”的应用场景，是否能形成算法的标准化和模块化。科大讯飞的技术具有很高的价值是因为它是一个通用型的应用，而图像识别质检等刚才所提到的都是相对专项的应用，可拓展性和复制性相对较弱，太过于终端的应用，我们在投资的选择上会相对谨慎。
Q
&
A
鲸媒体：能不能这么认为，太过场景型或者应用层太基础的东西，走到最后发现它可能并不是技术驱动型的生意，可能是渠道驱动型等等？
杨歌：对，我总结了一个概念叫“产业时钟”，即科技驱动产业生长的时期分六个步骤。
最开始是技术研发期，技术为王；第二个时期是摸索成长期，产品为王；第三是上升红利期，商业模式为王；第四是产业升级期，渠道和运营为王；然后就进入增长泡沫期，资本为王；最后是政策为王。这是一个周期，科技驱动的产业兴衰在这个周期中不断循环。
现在人工智能处在一个从技术为王走向产品为王的过程和阶段。刚才提过的那些场景应该是AI成熟之后很小的一部分应用，不应该把它们作为一个前沿的、驱动整个行业的东西，这是不对的。
Q
&
A

鲸媒体：目前AI各方面的进展其实是不一样的，在图像识别、语音识别、语义识别、自然语言处理等方向上，图像识别好像发展得靠前一些，在自然语言处理这个方向上您怎么看？尤其是中文，跟英文还不太一样。
杨歌：这两年AI大爆发的主要驱动算法是神经网络，而神经网络爆发的主要原因是这两年收集到的图文影像材料越来越多，这是互联网和电子化交易发展的产物。
语义是一个很有意思的事，所有的语言都是从历史发展过来的，比如这个词为什么叫晒太阳而不叫太阳晒，这是习惯性规律使然，在大量的场景里没法训练得出它的历史演变过程，所以只能通过很多Context（上下文）去训练它的意义，试图提取特征。
所以，图像识别最简单的特点是，这一个点的像素只跟周围几个点有逻辑关系。而语义与文章前后内容都可能存在隐含逻辑关系，其中的逻辑复杂程度要比图像识别复杂很多；而且对算力的要求也要大很多，你不知道拿多少篇文章训练后它才能学习得懂。比如让小孩看图片，他对图像看一会儿就会有一个初步的印象，而他学语言要到初中、高中才能真正学懂。
这两年图像识别模块已经被攻破了，语音模块也被攻破了，因为语音是对声纹的机械波的识别，比图像更简单，因为维度数更小。但语义是一个维度意义相对更多的模块。所以我这两年有个预言，当NLP（自然语言处理）一旦突破、模块化了，AI就将进入爆发期，所以NLP是中间技术模块层的最后一个“一夫当关”的节点。
Q
&
A
鲸媒体：在应用层或者比应用层再深一点，AI创业者、创业公司可能会在场景上遇到困惑，您有什么建议？
杨歌：我觉得现在的AI很像1960年前后的计算机应用，每一个新技术的出现，比如计算机、互联网、移动互联网，它都有一个特点，都会先进入TO B的行业得以发展。
1960年前后的特点是，晶体管计算机已经开始量产，大部分企业开始使用，但是市场上对此还没有太深刻的概念，大家也在寻求如何利用晶体管创业的机遇，直到出现比尔·盖茨、乔布斯，1973年、1975年的时候，才把晶体管计算机抬出水面。
当前阶段我给AI创业企业的建议是，应该和更多的TO B行业进行合作。其实某些行业的结构化数据远比NLP的语义结构化数据要好。比如量化金融、物流仓储，像京东就是把大量物流仓储的数据结构化，再进行优化训练，去调配它所有能看到的物流仓储运作的过程。
Q
&
A
鲸媒体：您曾提到星瀚关注的左半边是一些互联网、AI等为代表的技术方面，右半边是一些实体行业，目前这两方面是否都存在泡沫？
杨歌：我觉得实体行业泡沫相对少，互联网行业的泡沫相对多一些。互联网行业流量红利期已经过去，但有的朋友还在很“任性地逗留”，都想在互联网流量模式里分得最后一杯羹。其实在2015年时互联网红利的末班车就已经开走了。这两年需要寻求新的方向，而不要在这里过度逗留。在一个技术产业时钟里，比运营的时候是在相互打拼渠道和运营能力，比资本的时候就会发现存在大量泡沫。
这两方面的泡沫类型是不一样，互联网行业是一个大的、完整的泡沫，实体行业是有一个个细小的泡沫，在每个行业里，这些泡沫是由于单个公司的生产力、生产方法不够先进导致的低效泡沫，其实它通过优秀生产方法进行加工，可能会改革变成很有效的生产方法，能够有更多的产能。所以我们其实是在关注如何把小泡沫击碎，让它变成产能，赋予企业更强的战斗力。
为什么说知识迭代速度太快？
Q
&
A
鲸媒体：星瀚也关注消费升级，教育其实也是一个跟消费升级相关的产业，也有可能受到人工智能的影响，咱们基金在教育领域有何布局？
杨歌：教育领域星瀚投得相对比较少，只在我们资管公司层面上投资了启德教育。
我每年对外讲课大概在100场以上，但我觉得现在教育的内容和形态都在发生很大变化，边界不一样了。一个最典型的例子是，这两年上MBA的人少了，MBA其实是上世纪驱动金融发展的科班产物，是个高级工种。但现在很大的问题是，社会迭代速度太快，摩尔定律加上指数的奇点临近，导致社会化信息的迭代速度已经超过了传统教育知识的模式化。很多MBA传统的教学内容已经不能够支持新兴产业的发展，反倒是一些经验类型的人才通过实践得出了真知，所以这是现在对传统教育的一个很大的挑战，因为知识迭代速度太快了。
注重理论研究的企业和在高校科研院所里注重实践的部门如果能结合起来，给出一些新的教育方式，我觉得是非常有意义的。
所以我希望参与其中，但现在还没有成型的结论，大家都在进行知识迭代，在探索如何把这套方式以一个比较合理、快速的方式传授给大众。这两年创新创业教育，再后来逐渐就迭代到行业分析、宏观分析以及一些实操方面的分析中了。
Q
&
A
鲸媒体：最近有公司用AI来判别中学生的作文，但也有人认为现在AI还不能识别中文或者英文作文的逻辑方面，您觉得目前已经发展到什么程度了？
杨歌：我觉得判断作文在逻辑层面还是有难度的。它有一定的辨识能力，但要想作为标准是很难的。
比如一个很特殊的情况，有个中学生写了一篇文言文作文，AI肯定识别不出来。它的识别维度比较有限，我觉得NLP技术还没有达到考虑应用场景的阶段，比如机器人、智能驾驶都特别典型，大家想用感官的方法去理解，或者想立刻投入使用，实际离应用还有很大距离，因为底层技术还没有完全搭建起来。
现在很多做图谱、做知识库的公司，更多的还是用传统机器学习的方法。大部分都是通过问题Q&A总结，用穷举法去做，这是很难行得通的，一定要进入到NLP的模块化，但这难度很大。
（星瀚资本创始合伙人 杨歌）
Q
&
A
鲸媒体：我们现在也能看到很多新的场景或形式出来，比如混沌（大学）是一种场景，传统的商学院仍然是一种场景等等，您觉得未来这几条路会怎么分化？
杨歌：现在可以用一句话形容，叫百家讲坛、各有其路。前两年有人戏称教育是大家都在讲宇宙大法，不讲具体内容。这是个问题，因为大家喜欢听自己听得懂的，对于深入的东西听不进去。所以市场化教育的一个大问题是专业化程度不足，很多平台都在摸索如何把宽泛的知识讲得更精细化。
这两年教育行业明显向两个方向深化，一是走向行业深度，剖析行业案例，把颗粒度打得更细，不再是泛泛而谈。二是专业性上的颗粒度，比如做产品的讲产品（知识）、做销售的讲销售（知识），有讲财务法务税务的知识，也有讲工商管理的等等，分得很细。
我和真格基金的王强老师（原新东方合伙人）创办了面向海归做创业服务的凤凰学院，每个行业课程都找最专业的人去讲。但我觉得在精度上还有提高空间，因为我聘请的人之间的联动性相对较低，另外我没有大量的时间投入去做结构化的课程体系优化，所以这也是个缓慢的过程。
Q
&
A
鲸媒体：很多人都知道美国的可汗学院、Altschool等，但国内似乎还没有特别好的类似机构，您觉得原因是？
杨歌：我觉得是综合性的，国内这几年正处于硬设施转向软设施的过程，美国一直比较重视对科技、软性知识、细节的培养。中国这两年正在转型，可以说中国的创业创新教育正从原来的一二产建设走向产业园区、孵化器、软性服务等。
同时，这也和经济驱动的基础有关，比如美国的一些企业能请到很好的导师进行内部培训，一呼百应，但中国的教育环境还没有完全形成。此外，中国管培的理念还没有建立起来，有些去讲课的创业者可能首先是由于PR驱动，之后才是专业驱动。
2018年技术的拐点越来越明显？
Q
&
A
鲸媒体：星瀚资本主要投资的方向有哪些？
杨歌：星瀚是一家专注于价值投资的风险投资基金，在天使、VC阶段投资为主。但我们团队整体又衍生出了其他品牌，现在是一个集团化的公司。
我们的投资理念是不追风口，投资真正有价值的企业，尊重所有产业的客观发展规律。我们比较喜欢投一些成长型、商业模式逐渐成型、我们能够帮助其去做运营管理和资源配送的公司。
投资方向按照人群来划分主要有三个：一是服务于大众人群的民生产业，对很多公司来讲，就是TO B供应链，服务于衣食住行的生产供应分销，降低成本、提供更加高效的供应链。
第二个方向是服务于大众中产闲暇时间的消费，我们叫做精神类消费，包括消费升级、文化娱乐等方面，这是星瀚第一年投资最多的一个方向。比如言几又、奢品汇·心上，都是比较典型的消费升级类企业。我们倾向于投平台，把IP聚集到某个平台上后，在平台进行流转交易、留存授权的过程。
第三个方向是深科技。我是清华力学专业毕业的，也写过很多程序。前两年从智能硬件到AR、VR，我有深入的了解，但都没出手投资，到2017年我认为人工智能的风口真实存在，国家也支持。另外，大数据积累程度和AI在整个市场中的需求情况也比较真实。
人工智能的三个层级我们也都在关注，基础数学物理层、中间的算法模块层、应用层都在看。
Q
&
A
鲸媒体：那在AI层级方面星瀚有偏好吗？
杨歌：我们认为现在考虑应用层的使用场景还偏早。虽然市场热度很高，政策也很支持，但是应用层强度依赖于中间模块层的成熟。
中间模块层包括图像识别、语音语义识别、运动机能识别等，我们一直在看。当然也有巨头，像科大讯飞已经做得非常好了。
这两年中国正处于引燃AI导火索的阶段，底层智能制造公司有一定机会翻身，比如我们投资的芯片公司鲲云科技，是很有机会成长起来的。IoT（Internet of Things，物联网）类型的公司我们投资了科百科技。科技行业我们主要看两大方向，一是人工智能、机器人方向，机器人其实是一个独立方向，是人工智能行业下的子行业；另一个是生物医药、基因治疗、细胞治疗类，但它比人工智能的爆发时间点更靠后一点，反射弧更长、时间周期更长。
Q
&
A
鲸媒体：星瀚资本2018年可能的投资重点是？您对于整个市场大环境有什么预测？
杨歌：这两年星瀚的投资重点其实是四个方向，除了刚才说的三个方向（民生产业、精神类消费、深科技应用），还有一个是金融，这四个方向的布局其实都比较稳健。
2018年的趋势肯定是科技行业的投入需要更多一点，这里面的主赛道就是人工智能。我们也非常关注，AI的应用场景是否合理，场景能否爆发，能否有大量实际的收入落地等等。
国家在既定2030年是中国发展AI的纲领性目标之后，最近又刚推出一个政策，做了细化，无人机行业、机器人行业、神经网络芯片是我们发展的重要方向，所以这是政策驱动的明确导向。2018年这方面肯定有很大的爆发。另外，我们还会深耕互联网在传统行业的升级，供应链、分销链的环节太多，中间环节不透明，这些问题中蕴含着传统行业转型升级的机会。
2018年技术的拐点已经越来越明显，除了人工智能，我们也很注重生物医药这一领域，我觉得基因技术细胞治疗等精细化生物医疗技术的爆发速度会越来越快。
拓展阅读：
创新工场张丽君：人工智能时代的教育巨头最有可能出现在线上
启明创投周凌霏：AI要解决重人力、低附加值，不是教育企业的“催化剂”
黑马基金胡翔：AI时代投资教育要“站在月亮看地球”
关注“鲸Media”公众号，回复关键词 “AI” 可查看教育+AI相关精彩文章
提供你的独家爆料
欢迎告诉我们你了解的消息，一经采纳将有丰厚礼品相送
▼点击阅读原文进入【鲸媒体小铺】，购买【创客教育行业全图】
继续阅读
阅读原文