本文來自：騰股創(chuàng)投，本文內(nèi)容來自硅谷全球數(shù)據(jù)研究機(jī)構(gòu) PitchBook 發(fā)布的報(bào)告：Real potential for AI。由騰股創(chuàng)投編譯整理。
關(guān)鍵要點(diǎn)
1、作為一種通用技術(shù)，人工智能（AI）和機(jī)器學(xué)習(xí)（ML）在幾乎每個(gè)行業(yè)都有潛在的用例，并能夠重塑人們生活和經(jīng)營(yíng)方式。 近十年來深度學(xué)習(xí)的突破，使得人工智能在日常生活中的應(yīng)用越來越廣泛，為該領(lǐng)域的進(jìn)一步發(fā)展鋪平了道路。
2、VC 在垂直行業(yè)的投資呈現(xiàn)持續(xù)增長(zhǎng)的趨勢(shì)，比 2008 年的水平高出 12 倍。2017 年，在AI / ML 領(lǐng)域的 643 個(gè) VC 投資事件中投資總額達(dá) 60 億美元。 同與此同時(shí)，在經(jīng)過多年缺少退出企業(yè)之后，過去兩年的流動(dòng)性大幅上升，轉(zhuǎn)而進(jìn)入 AI / ML 退出環(huán)境的新階段。
3、目前，幾乎所有商業(yè)上成功的 ML 應(yīng)用都使用監(jiān)督式學(xué)習(xí)，其中包括大量的應(yīng)用，但僅限擁有清晰標(biāo)記數(shù)據(jù)的領(lǐng)域。創(chuàng)業(yè)公司將面臨來自科技巨頭通過云提供的低成本產(chǎn)品服務(wù)的激烈競(jìng)爭(zhēng)， 但他們可以專注于更多的細(xì)分領(lǐng)域或細(xì)分?jǐn)?shù)據(jù)集。
引言
在過去的十年中，AI / ML領(lǐng)域吸引了業(yè)界極大的興趣，相關(guān)應(yīng)用和商業(yè)整合快速發(fā)展。如今人們普遍認(rèn)識(shí)到的人工智能的概念。然而，這個(gè)領(lǐng)域內(nèi)已經(jīng)出現(xiàn)了幾次停滯。所謂的“人工智能冬天”往往是由于技術(shù)，基礎(chǔ)設(shè)施或方法的局限性而產(chǎn)生的。 AI / ML 的最新突破始于 2006 年左右，隨著深度學(xué)習(xí)的發(fā)展，受人腦生物學(xué)的啟發(fā)，ML 的一個(gè)子集以分層神經(jīng)網(wǎng)絡(luò)（NNs）為基礎(chǔ)出現(xiàn)。深度學(xué)習(xí)技術(shù)是 AI / ML（如圖像識(shí)別，搜索引擎，藥物發(fā)現(xiàn)，深度強(qiáng)化學(xué)習(xí)）幾乎所有當(dāng)前前沿研究和成功應(yīng)用的背后的技術(shù)。 ML 問題的新研究方法，計(jì)算能力的巨大進(jìn)步，數(shù)據(jù)數(shù)字化和可用性的急劇增長(zhǎng)，使這一進(jìn)展成為可能。
人工智能（AI）屬于計(jì)算機(jī)科學(xué)領(lǐng)域，專注于創(chuàng)建一個(gè)能夠感知其環(huán)境并做出決策的智能機(jī)器，以最大限度地實(shí)現(xiàn)其目標(biāo)。 機(jī)器學(xué)習(xí)（ML）是人工智能和數(shù)據(jù)分析的一個(gè)子領(lǐng)域，它使計(jì)算機(jī)能夠反復(fù)學(xué)習(xí)，改進(jìn)預(yù)測(cè)模型，并從數(shù)據(jù)中發(fā)現(xiàn)洞察力，而不需要人類編程。 作為個(gè)人，我們已經(jīng)每天與語(yǔ)音助理對(duì)話，使用面部識(shí)別技術(shù)，接收電影或餐廳推薦以及許多其他實(shí)例，已經(jīng)與 AI / ML 應(yīng)用進(jìn)行交互。 ML 可以根據(jù)訓(xùn)練算法的方法分成三個(gè)子類別：
1、監(jiān)督學(xué)習(xí)
監(jiān)督學(xué)習(xí)是方法，通過機(jī)器學(xué)習(xí)算法，在一組標(biāo)記的數(shù)據(jù)上進(jìn)行訓(xùn)練（例如用標(biāo)記的圖像訓(xùn)練圖像識(shí)別系統(tǒng)以識(shí)別狗的圖像）。
2、無監(jiān)督學(xué)習(xí)
在無監(jiān)督學(xué)習(xí)中，算法用未標(biāo)記的數(shù)據(jù)進(jìn)行訓(xùn)練，并且必須確定數(shù)據(jù)集的基本結(jié)構(gòu)以及如何對(duì)其進(jìn)行分組（例如通過將手寫數(shù)字分為 10 組來進(jìn)行識(shí)別）。
3、強(qiáng)化學(xué)習(xí)
強(qiáng)化學(xué)習(xí)從沒有訓(xùn)練數(shù)據(jù)開始，這意味著機(jī)器必須通過經(jīng)驗(yàn)和迭代試錯(cuò)來學(xué)習(xí)執(zhí)行任務(wù)，同時(shí)最大化長(zhǎng)期獎(jiǎng)勵(lì)。
在近期內(nèi)，我們認(rèn)為 AI-ML 中的監(jiān)督學(xué)習(xí)應(yīng)用將繼續(xù)在面向消費(fèi)者的方法中發(fā)展和完善，專注于任務(wù)自動(dòng)化，幾乎到了無處不在的地步。 在接下來的一年里，這些公司將生產(chǎn)出最具商業(yè)可行性的 AI / ML 產(chǎn)品，并將發(fā)生許多垂直行業(yè)的收購(gòu)。 然而，我們認(rèn)為最大的 AI / ML 市場(chǎng)前景將來自潛在的擴(kuò)張到大量的企業(yè)應(yīng)用和新行業(yè)。
無監(jiān)督和強(qiáng)化學(xué)習(xí)的機(jī)會(huì)在垂直領(lǐng)域出現(xiàn)。雖然這些技術(shù)的擴(kuò)散仍有相當(dāng)多的障礙，但是這些技術(shù)的可能性可以解決越來越多的問題提供解決方案。強(qiáng)化學(xué)習(xí)最重要的早期成就之一是來自Google 的 DeepMind 的 AlphaZero。這個(gè)算法純粹模擬下圍棋。進(jìn)一步的潛在強(qiáng)化學(xué)習(xí)用例可以改善傳統(tǒng)的解決方案，包括資源分配問題，大量的個(gè)性化用戶界面（醫(yī)療保健，標(biāo)題，廣告等內(nèi)容），以及在機(jī)器人和自動(dòng)駕駛汽車中的應(yīng)用。雖然將這些技術(shù)應(yīng)用于商業(yè)產(chǎn)品方面存在障礙，但 AI / ML 最新的概念證明可以吸引大量投資。這已經(jīng)通過流入自動(dòng)駕駛車輛領(lǐng)域的資金量得到證明。以風(fēng)險(xiǎn)投資支持的企業(yè)和投資人最能適應(yīng)以人工智能為中心的世界。
也就是說，由于問題的復(fù)雜性和所需的計(jì)算能力，許多應(yīng)用將需要更多的時(shí)間來實(shí)現(xiàn)。 針對(duì)這些問題，硬件：量子/高性能計(jì)算和混合計(jì)算（GPU / CPU / FPGA / TPU）以及分解技術(shù)將復(fù)雜問題分解為可管理的部分正在取得進(jìn)展。
VC趨勢(shì)
AI / ML 領(lǐng)域的風(fēng)險(xiǎn)投資清楚地表明了過去十年來在垂直領(lǐng)域的發(fā)展和不斷增長(zhǎng)的熱度。 在 AI / ML 的 643 次 VC 投資中，2017 年已經(jīng)公布 60億 美元的投資。
美國(guó) AI / ML 領(lǐng)域投資事件數(shù)量和金額變化情況
與當(dāng)代的技術(shù)突破并駕齊驅(qū)，投資數(shù)量以幾乎呈指數(shù)級(jí)增長(zhǎng)，比 2008 年的水平高出 12 倍。所有輪次的投資都在增加，但絕大多數(shù)的增長(zhǎng)都是來自天使和種子的早期階段。盡管最近主流媒體對(duì) AI / ML 的曝光率已經(jīng)大幅上升，但很明顯，垂直領(lǐng)域仍處于早期階段。即使在市場(chǎng)上仍然存在細(xì)分市場(chǎng)。一些較大的公司已經(jīng)在執(zhí)行商業(yè)產(chǎn)品，例如在線貸款商 Avant 和舊商品交易市場(chǎng)，而其他許多公司正在努力改進(jìn)工具，擴(kuò)大其應(yīng)用和產(chǎn)品供應(yīng)。理論和實(shí)踐研究已經(jīng)提供了基礎(chǔ)，但是許多企業(yè)還處于確定可行性和用例的初始階段。此外，由于每個(gè)數(shù)據(jù)集的獨(dú)特性，AI 和 ML 技術(shù)在企業(yè)中的執(zhí)行通常需要高度的定制化，這阻礙了早期的廣泛采用。
美國(guó)不同投資階段 AI / ML 投資事件
人工智能企業(yè)的估值增長(zhǎng)速度與風(fēng)險(xiǎn)投資市場(chǎng)相似。 不同之處在于后期階段。 造成這種異常的一個(gè)原因是 2013 年和 2014 年有大批 AI / ML 公司獲得投資，其中包括 Palantir 多個(gè)輪次的融資，并且還有大量的后續(xù)輪次的跟進(jìn)。 此外，垂直市場(chǎng)仍然受到早期階段公司的支配。
不同階段美國(guó) AI / ML 公司的估值中位數(shù)
退出
經(jīng)過多年稀少的退出事件，過去兩年代表了 AI / ML 退出環(huán)境的新時(shí)期。 直到最近，AI / ML的退出才成為典型的風(fēng)險(xiǎn)投資周期的一部分，因?yàn)轱L(fēng)險(xiǎn)投資通常會(huì)在開始增長(zhǎng)的時(shí)候流入垂直市場(chǎng)，隨后企業(yè)需要花費(fèi)數(shù)年的時(shí)間才能獲得戰(zhàn)略收購(gòu)方。 這是關(guān)鍵的，因?yàn)?AI / ML 退出目前幾乎完全是通過戰(zhàn)略收購(gòu)來實(shí)現(xiàn)退出的。我們預(yù)計(jì)這一趨勢(shì)將持續(xù)下去，因?yàn)槟壳暗目萍季揞^正在努力支持他們內(nèi)部人工智能產(chǎn)品。隨著在軟件/互聯(lián)網(wǎng)領(lǐng)域以外的公司意識(shí)到將 AI 整合到其業(yè)務(wù)中的潛力，將進(jìn)一步推動(dòng)收購(gòu)事件。
美國(guó) AI/ML 市場(chǎng)退出事件
2016 年和 2017 年的最大的退出事件都發(fā)生在自動(dòng)駕駛領(lǐng)域，通用汽車以 10 億美元的價(jià)格收購(gòu)了 Cruise Automation，Aptiv 收購(gòu)了 NuTonomy。 同樣重要的是要指出，Cruise 被收購(gòu)占到了 2016 年 AI / ML 退出金額的近 40％。
美國(guó)收購(gòu) AI/ML 公司最多的企業(yè)
局限性
在垂直領(lǐng)域，主導(dǎo)的情緒是積極的; 但是，有一些限制可能會(huì)減緩 AI / ML 在所有行業(yè)的進(jìn)一步發(fā)展。 AI / ML 對(duì)我們生活的影響往往伴隨著宏偉論調(diào)，即過度地強(qiáng)調(diào)短期影響力，暗示著失敗是不可能的。 這種思維方式可能是危險(xiǎn)的，因?yàn)楝F(xiàn)實(shí)的預(yù)期時(shí)間和有效的失敗管理應(yīng)該成為實(shí)施企業(yè) AI / ML 技術(shù)的一個(gè)組成部分。 例如，涉及自動(dòng)駕駛車輛的事故或
其他算法錯(cuò)誤可能會(huì)損害公眾對(duì)該技術(shù)的認(rèn)知并導(dǎo)致一系列其他問題，包括延遲執(zhí)行。
AI / ML 的另一個(gè)常見問題是人類不知道機(jī)器在想什么，例如我們無法解釋深度學(xué)習(xí)網(wǎng)絡(luò)做出任何一個(gè)駕駛決策的原因，即使是設(shè)計(jì)它的工程師也不能。假如有一天，自動(dòng)行駛中的汽車突然撞向一棵樹，或者在綠燈亮起時(shí)猶豫不決，不肯前進(jìn)，那我們連找出原因，進(jìn)行解釋的手段都沒有。 這被稱為“黑匣子”問題的情況，這掩蓋了審計(jì)和機(jī)器行為的責(zé)任。
AI/ML 能夠減輕人類處理艱巨任務(wù)的負(fù)擔(dān)，但是廣泛采用這種做法可能會(huì)帶來更廣泛的社會(huì)影響。其中之一就是人工智能將搶走人類工作。雖然這可能最終發(fā)生在一些職業(yè)上，但人工智能的進(jìn)步很可能會(huì)改變工作的性質(zhì)，而不是消除工作。就像在互聯(lián)網(wǎng)應(yīng)用泛濫之前沒有人擁有“社交媒體經(jīng)理”或“主播”這樣的職位，AI / ML 的出現(xiàn)將會(huì)產(chǎn)生以前不為人知的行業(yè)和職業(yè)。
展望未來
作為一種通用技術(shù)，AI / ML 幾乎在每個(gè)行業(yè)都有潛在的使用案例，并有能力重塑人們的生活和經(jīng)營(yíng)方式。 因此，人工智能被深度學(xué)習(xí)的先驅(qū)吳恩達(dá)稱為“新的電力”，因?yàn)樗锌赡芨镄律虡I(yè)和日常生活，類似于互聯(lián)網(wǎng)和數(shù)據(jù)庫(kù)技術(shù)。 盡管 AI / ML 公司和投資激增，但許多大型市場(chǎng)仍有待探索。
目前，幾乎所有商業(yè)上成功的 ML 應(yīng)用都使用監(jiān)督式學(xué)習(xí)，市場(chǎng)很大，但僅限于具有清晰標(biāo)記數(shù)據(jù)的領(lǐng)域。 創(chuàng)業(yè)公司面臨來自谷歌，亞馬遜，微軟，百度和 Salesforce 等龐大規(guī)模和高度發(fā)展的分銷渠道、數(shù)據(jù)低成本云計(jì)算巨頭的巨大競(jìng)爭(zhēng)。 對(duì)于暴力破解應(yīng)用（例如語(yǔ)音/對(duì)象/面部/圖像識(shí)別和翻譯）來說，擁有大型數(shù)據(jù)集的公司優(yōu)勢(shì)明顯。 因此，專注于邊緣或特定領(lǐng)域、數(shù)據(jù)集的 AI / ML 初創(chuàng)公司可能是競(jìng)爭(zhēng)和茁壯成長(zhǎng)的最佳選擇。 例如，最近在許多醫(yī)療記錄和掃描數(shù)據(jù)數(shù)字化方面取得的進(jìn)展，使得醫(yī)療保健處于特別有利的位置，以便進(jìn)一步滲透 AI / ML 應(yīng)用。 然而，即使有了現(xiàn)在的資源，AI / ML的許多潛在用途也因缺乏可操作的學(xué)習(xí)數(shù)據(jù)而受到阻礙。（來源：騰股創(chuàng)投）