这是青年投资家俱乐部的第1782篇推送
国内最大的投资人俱乐部

创投专业服务平台
【点击图片】申请加入俱乐部
YOUNG INVESTOR CLUB
AI未来的发展和投资方向如何，
投资人又将何去何从？
寒冬将至，燕园的街道上落叶飘零。
资本市场也如这天气，略显一丝萧条。
曾经甚嚣尘上的AI投资也随着这股寒流趋向保守，AI未来的发展和投资方向如何，投资人又将何去何从？
AI的前世今生
从文艺复兴开始，人类开始运用科学改变世界，改善自己的生活。
人类开始观察并模仿自然界的生物，运用仿生学的原理模拟动物生物特性，为人类社会提供了大量现有成熟的技术和产品。
比如超声、红外以及雷达的发明，大幅度提高了人类社会的生产力。
但是到了科学昌明的今天，仅仅依靠模仿自然界的生物已经不足以满足人类社会的发展。
计算机科学和脑科学等领域的蓬勃发展使得人类有可能实现对自身思维系统的模拟从而实现机器智能化（智人化），从而在更大程度上使得人类从重复劳动中解放出来以及更好的解决现有人类世界中面临的困境，包括科学理论和现实需求。
在这一背景下，AI恰逢其时的出现并被推上了风口。
  • AI是什么？
既然AI是对人类自身思维系统的模拟，那么AI其实就可以被理解为一个抽象的大脑。
AI等于芯片+算法+数据，芯片类似人的大脑物理实质，算法类似人类的学习方式，学习方法，数据类似人类的知识储备，书本知识，社会经验等。
与人类的大脑有聪明和愚笨类似，AI也有优劣之分。
判断的方法基于芯片、算法和数据三个方面。
芯片应用主要评判标准是能耗和性价比。
在移动设备中，元器件的能耗是厂商们必须要考虑的一个重要因素。
相对人类大脑，芯片的能耗显著偏高，AlphaGo虽然在与韩国棋手李世石的对弈中胜出，但从能耗的角度衡量却是完败。
一局对弈中，人脑的能量消耗只有几十瓦，AlphaGo则高达几千瓦。性价比是芯片好坏的另一个衡量指标。
芯片行业虽然技术壁垒非常高，但在某些细分领域应用中性价仍是重要指标。
就手机芯片而言，目前国内的芯片普遍只有价格优势，相对高通一枚芯片动辄500人民币以上的价格，国内芯片的价格不足40人民币。
但是就性能而言，完全达不到行业要求。
算法的主要运行机制包括反馈和概率。
反馈即通过结果逆向推导并进一步优化算法。
概率即通过大量数据的积累形成先验经验后开始推导。
数据的应用方式包括监督学习和无监督学习。
监督学习需要人工事先在数据进行标注从而机器才能够进行学习。
无监督学习：无需人工进行标注，机器有能力自行分类并学习。
无监督学习是整个行业的努力方向，代表着中长期的发展路径，监督学习是目前行业内主流的数据应用方式，更贴近于应用，从科技到产品的转化率相对更高。
  • AI的意义
AI的出现主要解决两类问题：
一是重复性、基础性工作。
中短期内，AI将主要用于将人类从重复性基础性工作中解放出来，如：数据原始收集和简单处理，AI在这个过程中也将实现自身优化（软件和硬件）并为下一步更智能化产品提供基础积累。
二是创造性、探索性问题。
经历过AI早起积累后，AI将有能力在人类的指挥下分析逻辑问题亦或有部分自学习能力，从而依靠自身强大的算力对人类社会产生更深刻的影响，如可控核聚变，量子力学与相对论的统一等。
除了技术性问题，也包括人类伦理方面的问题。
  • AI的发展路径
 随着云计算、大数据、算法技术等条件的成熟，人工智能（AI）在产品优化、消费提升、攻克顽疾、应对气候变化等方面表现出无所不能的魅力，成为宏观和微观主体争相布局的领域。
中短期内，人机交互是AI的主要发展路径，主要用于解决现实问题。
一是应用于现有产品体系，改造和优化现有产品性能和体系。
二是面向个人消费市场开发基于人工智能的软硬件产品，并集成已有产品，抢占用户入口。
三是面向行业市场开发应用，拓展产品线。
长期内，机机对抗是AI的主要发展路径，重要用于对客观世界的探索，如量子力学量子力学与相对论的统一。
AI的发展方向
  • 传统芯片之殇
从计算机诞生起，人们就不断要求它的计算能力提升，随着芯片集成性越来越高，CPU与内存之间的性能差距越来越大。
基于冯诺依曼结构的计算机结构呈现的缺点也愈加明显，也有人称这为内存墙，意思是说CPU再快，也要等内存。
相比之下，人脑却没有此类问题出现，据研究表明，人类大脑平均每秒可执行 1 亿亿次操作，所需能量只有 10～25 瓦特。
传统芯片主要以冯诺依曼架构为主流，但目前这类架构模式正在面临挑战。
这类架构在进行逻辑理解面存在较大难度，随着处理单元功能的强大，两个单元之间的传输成为限制芯片效能的主要因素，穿透芯片架构能耗大大高于人脑耗能。
因为以上的限制因素，将“脑的理解能力和计算机的计算能力”结合在一起成为了一种新型芯片的设计思路。
因而研究员们正转向模拟人类大脑研究，试图通过模拟人脑运转机制，使计算机能低能耗高功效地进行计算，甚至使计算机优于类人的智能。
  • 类脑芯片
类脑芯片架构就是模拟人脑的神经突触传递结构。
众多的处理器类似于神经元，通讯系统类似于神经纤维，每个神经元的计算都是在本地进行的，从整体上看神经元们分布式进行工作的，也就是说整体任务进行了分工，每个神经元只负责一部分计算。
在处理海量数据上这种方式优势明显，并且功耗比传统芯片更低。
比如IBM的TrueNorth芯片每平方厘米功耗消耗仅为20毫瓦。
2011年8月，IBM率先在类脑芯片上取得进展，他们在模拟人脑大脑结构基础上，研发出两个具有感知、认知功能的硅芯片原型。
英特尔Loihi芯片可以像人类大脑一样，通过脉冲或尖峰传递信息，并自动调节突触强度，通过环境中的各种反馈信息，进行自主学习、下达指令。
高通Zeroth芯片不需要通过大量代码对行为和结果进行预编程，而是通过类似于神经传导物质多巴胺的学习完成的。
国内也开始了类脑芯片的研究，除清华等知名高校开设研究院外，也出现了专注类脑芯片研发的创企，代表企业如上海的西井科技，其生产的DeepSouth 是一款可商用化的芯片，它能模拟出高达 5000 万级别的“神经元”，总计有 50 多亿“神经突触”。
该芯片除了具备“自我学习、自我实时提高”的能力外，还可以直接在芯片上完成计算，不需要通过网络连接后台服务器，可在“无网络”情况下使用。
浙大“达尔文”类脑芯片是国内首款基于硅材料的脉冲神经网络类脑芯片。这款芯片可从外界接受并累计刺激，产生脉冲进行信息的处理和传递。
  • GAN（生成对抗神经网络）+一般性问题
生成式对抗网络（GAN, GenerativeAdversarial Networks ）是一种深度学习模型，是近年来复杂分布上无监督学习的方法之一。
模型通过框架中两个模块：生成模型（GenerativeModel）和判别模型（Discriminative Model）的互相博弈学习产生相当好的输出。
原始GAN 理论中，并不要求 G 和 D 都是神经网络，只需要是能拟合相应生成和判别的函数即可。
但实用中一般均使用深度神经网络作为 G 和 D 。
一个优秀的GAN应用需要有良好的训练方法，否则可能由于神经网络模型的自由性而导致输出不理想。
以AlphaGo为例，其经历了从AlphaGo到AlphaGo Master再到AlphaGo-Zero的过程。
其中AlphaGo&AlphaGoMaster依赖人类历史数据训练和自我博弈；AlphaGo-Zero则有了质变，不是依赖人类数据而是依靠神经网络自身进化。
AlphaGo&AlphaGoMaster通过对历史棋谱的深度学习完成策略网络的构建，采用深度学习技术训练一种有监督学习型走棋策略网络，类似于我们的观察学习获得的第一反应。
通过自我对战强化学习来提高博弈水平，采用强化学习技术来优化先前的走棋策略网络，通过自我博弈的强化学习迭代结果，来提升前面的策略网络。
即与之前的“自己”不间断训练以提高下棋的水平，这个过程有点类似于人类的巩固学习和理解贯通阶段。
通过深度回归学习构建估值网络，用来预测自我博弈强化学习数据集里局面的预期结果，即预测那个策略网络的局面会成为赢家。
结合蒙特卡洛树（MCTS）搜索压缩搜索空间，降低了搜索时间复杂度， MCTS决策有效结合了策略网络和估值网络，类似于人类的判断决策过程。
AlphaGoZero做了较大改进，一是完全抛弃了历史棋谱的学习，训练学习从无到有；
二是改进了原强化学习的形式，只使用一个神经网络而不是两个神经网络，通过将这个神经网络与MCTS搜索算法相结合，通过左右互搏自娱自乐，按设定的走棋规则随机开始围棋小白式的学习，靠激励、惩罚的强化学习机制来纠正学习过程中的错误，调整提升学习能力。
这种机制已经很接近完全无监督学习，摆脱了对人类标注数据的依赖。
将“GAN”（生成对抗神经网络）这类机机对抗模式从任务导向性延伸至逻辑问题或一般性问题研究，此类AI的应用将会更加强广泛。
AI投资方向：
由小到大，由易到难
  • 厚积薄发
AI投资可以从技术成熟和产品落地。
技术层面有“+AI”和“AI+”两种模式。
“+AI”模式如是垂直领域应用AI需要依据行业不同特性进而将针对性开发芯片或算法。
（因材施教）“AI+”如是平台型AI则需要在迭代改良方面预留出足够空间，针对不同应用需求可以进行调整（模块化设计）。
产品落地应遵循的客观规律：从非关键性应用到关键性应用
非关键性应用包括智能家居等容错率较高的领域，关键性应用包括自动（辅助）驾驶、智能医疗等容错率低的领域。AI行业本质上是一种新兴业态，AI行业的发展也应该遵循商业发展的普遍规律。
目前AI的商业模式有To B和To C两种。
ToB具有客户单价高和客户粘性好等特点，但进入大厂供应商名录需要较长的流程。
To C具有市场天花板高和爆发性好等特点，但容易走入烧钱模式。
无论以上哪种模式，单个模式中都具有明显的缺陷，都存在一定的风险。
将二者相结合的模式相对于前两种独立模式都有较高的安全边际。
AI领域目前还处于早期阶段，无论技术还是商业模式还都需要不断的完善，因此AI的应用方向应该从容错率大和非关键性领域开始，当技术得到充分验证后再进入关键性应用领域。
AI行业既需要健康发展也需要有足够的爆发力，To B或者To C并不绝对，需要根据自身情况及外部环境综合决策。
最终将形成大数据-AI-物联网闭环生态循环：
物联网或其他硬件终端提供数据，数据不断优化算法，优化后的算法灌入硬件终端优化用户体验。
  • 案例分析--乐视VS小米
乐视是理念的先行者，执行的掉队者。
乐视成立于2004年，创始人贾跃亭，乐视致力打造基于视频产业、内容产业和智能终端的“平台+内容+终端+应用”完整生态系统。
乐视垂直产业链整合业务涵盖互联网视频、影视制作与发行、智能终端、大屏应用市场、电子商务、互联网智能电动汽车等；
旗下公司包括乐视网、乐视致新、乐视影业、网酒网、乐视控股、乐视投资管理、乐视移动智能等。
就理念而言，乐视非常超前，但具体执行却面临相当大的困难，供应链上话语权不强，生产线难以磨合，硬件产业中生产过程中的复杂性和连续性最终拖垮了乐视。
与之相反，小米通过不完美的产品搭建了完美的生态。
小米公司在互联网电视机顶盒、互联网智能电视，以及家用智能路由器和智能家居产品等多个领域颠覆了传统市场。
小米公司旗下生态链企业已达百余家，其中紫米科技的小米移动电源、华米科技的小米手环、智米科技的小米空气净化器、加一联创的小米活塞耳机，纳恩t的九号平衡车等均在短时间内迅速成为影响整个中国消费电子市场的明星产品。
小米生态链采取开放、不排他、非独家的合作策略，成功的塑造了小米生态，虽不完美但相对成功的搭建了整个生态网络。
二者对于技术和商业模式重视程度的不同导致了目前两家企业不同的境遇。
寄语未来
互联网、AI和区块链等技术终极目标是提高人类生产力，但各自技术特点的不同导致了各种技术发展路径的不同。
在不同的路径中，不论创业者还是投资人都要对基本的产业规律和基本的经济规律给与足够的重视和尊重。
互联万产业没改变的是供需关系基本原理，改变的是大大缩短了一个企业或者一个行业的周期，在短时间内聚集资源以满足供需双方的需求。
因此能够解决行业内现存痛点的企业和领域应该是互联网创业者们和投资人们长期关注的方向，相反，被创造出来的需求应该谨慎对待。
AI的终极目标是实现资源的最优配置，在与不同行业的融合方面AI和互联网有相同之处，但AI对于产业的改造会更为深刻。
AI领域投资目前存在的泡沫是多方面因素综合作用的结果，未来创造着和投资人应该更多关注技术可行性和产品解决方案完整性两方面。
*本文来自Tim老师在青年投资家俱乐部的主题分享，欢迎报名「青年投资家PE/VC/FA训练营·第9期」，5大课程模块，热门投资行业剖析，投资项目实战，丰富社交沙龙活动，报名学员可获由知名投资机构颁发的机构实习证明↓↓↓（戳【图片】了解详情）
无论你是985、211，还是双非院校，只要你喜欢金融，热爱投资，30天就能实现职业投资人的完美蜕变，快快扫码加入吧！
青年投资家·PE/VC/FA训练营
本次课程通过下方二维码报名
↓↓↓11.11优惠最低价↓↓↓
扫码立即加入！
▲任何课程问题都可咨询助教微信【umiedu3】

「青年投资家俱乐部」
-the young investor club-
中国青年投资家俱乐部成立于2012年2月12日，由国内最具影响力的年轻投资人组成。秉承“成就新生代投资家”的宗旨、俱乐部已涵盖来自上万家投资机构的16万投资人群体，成为投资行业最活跃的俱乐部之一。合作约访来邮：[email protected].
↓↓↓加入「青年投资家PE/VC/FA训练营」
继续阅读
阅读原文