执行概要

在一个 之前的帖子, 我为有兴趣在这个领域投资的投资者介绍了人工智能领域的基础知识. 特别是, 我讨论了为了做出更明智的投资决策，每个投资者都应该知道的几个基本要素:

• 什么是人工智能?
• 当前的人工智能浪潮有什么特别之处?
• 成功的人工智能应用程序的四个关键组成部分是什么?

如前所述，全世界对这一话题的兴趣激增. 不出所料，投资资金也遵循了类似的路径. 根据 CB的见解, 自2012年以来，人工智能初创公司的交易和资金一直在上升, 2016年，投资资本大幅增长60%，达到50亿美元. Statista 估计2017年，全球人工智能初创公司获得了15美元.投资20亿美元，比2016年增长了300%. 此外，大型科技公司正在收购人工智能初创公司，以在人工智能竞赛中占据领先地位.

这篇后续文章旨在为投资者提供更实用的指导 评估投资前景 在太空中. 特别是，我将介绍评估人工智能相关投资的五个关键步骤:

1. 客户需求(该业务是否解决了一个有价值的客户问题)?)
2. 商业可行性(企业能否赚到足够的钱)?)
3. 技术上的可行性(它能实际工作吗，在规模上?)
4. 与人工智能相关的常见(且容易夸大的)误解
5. 财务和业务指标

请注意:我将使用一些知名的上市公司的例子. 我不支持也不鼓励读者投资这些公司.

第一步:客户需求

在我看来， 这一步是最重要的 本文概述的五种中的一种. 首先，你需要问自己 企业试图用人工智能技术解决什么问题? 例如, 自动驾驶汽车可以通过提高安全性来改善出行体验, 更方便, 等. 机器翻译使人与人之间的交流更加容易. 相比之下，人工智能业务是不可取的，当:

• 它针对的是一个没有多少人关心或支付不起的问题.
• 它瞄准了一个痛点，但要解决这个痛点需要解决太多的问题.
• 它试图同时解决太多的问题.

另一个棘手的问题是当企业试图解决 关键问题. 我的意思是这个问题的解决方案对错误的容忍度非常低. 例如，如果自动驾驶汽车人工智能软件的误差为0.001%，即使客观上已经是一个很低的错误率，仍然是不可容忍的. 0.001%意味着它每行驶1000小时就会发生1起事故，并可能造成生命损失. 正相反, 如果你得到了错误的亚马逊或Netflix推荐，哪怕只有1%的几率, 没有人会死. 关键任务项目的潜在风险和回报, 比如自动驾驶汽车或医疗应用.g. 医学诊断, 手术机器人), 都比非关键任务大吗, 这使它成为一个更难处理的问题.

第二步:商业可行性

对于花钱开发人工智能应用程序的成熟企业来说，他们应该有一个 稳健的业务案例 为了证明前期投资的合理性. 例如，IBM首席执行官罗睿兰希望IBM沃森能够生成 年收入100亿美元 在2024年之前. 对于一家人工智能初创公司，尤其是尚未盈利的公司，我经常会问的一个重要问题是: 这个市场够大吗 公司正在解决的问题类型? 例如, 如果该公司正在为特定国家的特定行业开发人工智能应用程序，每年的最大市场潜力为100万美元, 你会投资吗?

您需要考虑的另一个方面是 投资期限. 更深入的人工智能技术需要更长的时间来开发产品. 例如，Waymo(谷歌的自动驾驶汽车公司)一直在 测试 这项技术自2009年以来一直没有发布商业产品. 更深层次的人工智能科技公司也可能需要很长时间才能获得市场认可和随后的投资回报. 以英伟达(NASDAQ: NVDA)为例. 英伟达提供最受欢迎的芯片, gpu, 用于计算许多计算机视觉应用中使用的神经网络算法, 包括自动驾驶汽车. 看看下面的股票价格图表, 你可以清楚地注意到在许多创新企业中看到的著名的“S曲线”模式. 但时机很重要:如果你是在英伟达1999年IPO之后投资的, 直到2016年之后，你才会看到他的回归, 当深度学习人工智能成为“时尚”时.

步骤3:技术可行性

在我的 另一篇文章, 我认为机器学习(包括深度学习)产品的成功有四个关键组成部分:定义良好和令人满意的问题, 数据干净、标签清晰, 健壮的算法, 以及广泛的计算能力. 后三项决定了人工智能业务的技术可行性. 在这里，我将简要讨论这些组成部分的含义以及作为投资者如何进行尽职调查.

首先，开发机器学习算法需要访问干净且标记良好的数据. 这是因为, 如前所述, 这些算法是通过向不同的统计模型提供大量标记良好的数据来建立必要的预测关系来构建的. 当你研究人工智能业务时，你需要知道 他们是否能获得可用的数据, 他们是如何得到它的, 以及他们能否继续获得这样的数据. 或者，如果他们还没有数据，他们收集这些数据的计划是什么? 消费者数据民主化的趋势和开放银行等举措将为新的人工智能应用提供大量机会.

其次，人工智能业务需要开发健壮的、可扩展的算法. 为了实现这个目标, 有三点是必须具备的:上面讨论的大量标记良好的数据, 合适的人才, 还有自信 深度学习 合适的技术能解决这个问题吗. 因此，一个关键问题是: 企业能吸引到合适的人才吗? 顶尖AI人才, 尤其是数据科学家、工程师和程序员, 被谷歌等科技巨头抢走了吗, 脸谱网, 微软, 和IBM, 留给其他公司和初创公司的很少. 为了吸引顶尖人才，他们不仅需要准备好支付高额的薪水.g. 谷歌DeepMind实验室员工的平均收入为 ~US $345,000 p.a.)，他们还需要一个令人信服的愿景. 除了, 你需要问深度学习是否是最适合解决商业问题的技术. 例如，对于用于散户投资者资产配置的机器人顾问应用程序， 与深度学习算法相比，基于规则的程序开发成本更低，实施起来也更容易. 与此形成鲜明对比的是, 一种机器学习算法，能够从过去的错误和胜利中学习, 它可以继续自我改进, 是对冲基金投资算法更好的候选人吗. 目前, 目前取得突破最多、最适合深度学习技术的领域是自然语言处理.g. 机器翻译)，计算机视觉(e.g. 面部识别，无人驾驶汽车)和游戏(e.g. AlphaGo，进化投资决策).

三、业务 需要有能力获得广泛的计算能力. 正如我在前一篇文章中详细讨论的那样, 云计算或自己的GPU服务器的计算能力是昂贵的. 在这方面，您需要问两个关键问题:1)该业务需要多少计算能力的典型任务? 这样的计算能力今天可用吗? 这对于需要实时处理但实际设备上容纳gpu和电池的可用空间有限的应用程序尤其重要.g. 无人机). 2)企业能负担得起这样的计算能力吗? 例如，李开复在他的书里讲了一个有趣的故事， 人工智能, 他投资的一家深度学习创业公司在头三个月就花了700万元人民币(约100万美元)购买深度学习计算服务器. 他今天进一步强调了这一点, 一个典型的深度学习模型训练任务需要一台或多台拥有4到8个高容量gpu的计算机. 许多计算机视觉任务需要成百上千个GPU集群，并且发出的热量是普通服务器的10倍. 这些领域的一些初创团队不得不重新设计空调系统，或者购买大块的冰块来冷却服务器.

步骤4:与AI相关的常见误解

1. 有些公司只是在发展 新型数字业务 (e.g. 银行的流程自动化)，或者基于规则的非机器学习算法， 却声称它们是人工智能因为人工智能业务得到了关注和更好的估值. 在你的尽职调查中, 你可以试着通过问他们一些问题来找出这些伪装，比如他们使用了什么底层技术? 如果他们没有聘请一整个团队的数据科学家和人工智能工程师，因为他们声称他们使用“人工智能”, 无论是通过与其他科技公司签约还是内部合作, 这可能是一个危险信号.
2. 有时候，机器学习+人为干预比人工智能更有效. 例如, 最近, 中文翻译技术公司, iFlytek, 当他们的同声传译设备被发现只是在听和复制人类同声传译的声音时，引发了一场争议. 科大讯飞后来解释说，实时翻译目前还不可能达到所需的速度和准确性. 他们认为人类和机器智能的结合会带来最好的解决方案.
3. 最后, 我从创业经历中学到的主要教训(也是对有抱负的企业家和投资者的警示)是 科学的人工智能原型和商业上可扩展的解决方案之间存在很大差异. 通常，一个科学原型可以由一个有才华的数据科学家使用快速原型软件(如.g. MatLab)，在短短几个月内使用，例如，1000到10,000个数据点. 商业上可扩展的原型, 如前所述, 需要:1)聘请人工智能专家(数据科学家)的资金, 架构师, 软件工程师, 产品经理), 2)数千万个数据点的训练数据集, 计算机程序.g. Python, C++, 等), 4)在亚马逊AWS上购买深度学习计算机服务器或云计算解决方案的资金, 谷歌云, 微软Azure, 等.

步骤5:财务和业务指标

最后，你应该对人工智能业务进行尽职调查。 金融统计及其非金融业务视角, 然后像对待其他科技公司一样对它进行评估. 参见下表所示的示例分析.

衡量企业价值的传统财务和非财务指标包括收入, 净收入/现金流量, 收入增长率, 比率(P / E, P/S, 等), 宏观经济学, 竞争对手, 监管, 等. 科技公司也有自己独特的特点. 一个例子是，增长率可能比盈利能力更重要. 对于早期的科技创业公司, 活跃用户和预订量等用户统计数据比收入或现金流更重要. 由于对此类投资的需求，估值可能会更高. 例如, 英伟达(Nvidia)的市盈率约为30倍, 而麦当劳(McDonald 's)的市盈率约为20倍.

有很多关于如何评估公司价值的投资书籍，所以我不打算在这里深入研究太多细节. 如果它是一家上市公司, 您可以从财务报告等公开文件中获得这些详细信息, 或者从谷歌财经(Google 金融)或彭博社(Bloomberg)等市场数据提供商那里获取数据. 如果是私人公司，你可以联系公司管理层获取必要的细节.

结论

总之，在我看来，我认为 这是人工智能投资最理想的属性 在中短期内(因此，什么是好的人工智能投资)，是: 1)解决一个定义明确的理想问题;2)非关键任务(如果失败了，没有人会死). 这些案例包括智能客户服务领域，如聊天机器人(不完全基于规则)。, 医学影像诊断, 面部识别, 机器翻译, 人工智能财务顾问, 电脑游戏, 等. 当然, 从长期来看，高风险/高回报的关键任务问题 (e.g. 无人驾驶汽车) 这些奖品是许多人想要的吗. 一旦你确定他们有需要解决的问题, 你可以分析它们的商业可行性, 技术可行性, 金融统计数据, 商业指标.

你还需要考虑你想要投资的特定AI垂直领域. 不同的人工智能垂直领域有不同的客户需求紧迫性和技术准备程度, 因此不同的投资回报和风险. 你可以投资硬件vs. 软件与. 平台和. 服务业，以及金融、教育、医疗保健、工业等不同行业. 在随后的文章中, 我将讨论如何开始投资人工智能，包括最有前途的垂直行业和技术, 投资风格(被动vs .被动. 活动)和地理位置(美国vs. 中国对. 世界其他地区).