AI Investment Primer: คู่มือปฏิบัติในการประเมินข้อตกลงด้านปัญญาประดิษฐ์ (ตอนที่ II)

บทสรุปผู้บริหาร

ในโพสต์ก่อนหน้านี้ ฉันได้ศึกษาพื้นฐานเบื้องต้นเกี่ยวกับ AI สำหรับนักลงทุนที่สนใจนำเงินไปใช้ในพื้นที่ โดยเฉพาะอย่างยิ่ง ฉันได้กล่าวถึงองค์ประกอบสำคัญบางประการที่นักลงทุนแต่ละรายควรรู้ เพื่อประกอบการตัดสินใจลงทุนอย่างมีข้อมูลมากขึ้น:

• AI คืออะไร?
• กระแส AI ปัจจุบันมีความพิเศษอย่างไร?
• องค์ประกอบที่สำคัญสี่ประการของแอปพลิเคชัน AI ที่ประสบความสำเร็จคืออะไร

ตามที่ได้พูดคุยกัน โลกได้เห็นความสนใจในหัวข้อนี้เพิ่มมากขึ้น และไม่น่าแปลกใจเลยที่เงินดอลลาร์เพื่อการลงทุนได้ดำเนินไปในทางเดียวกัน จากข้อมูลของ CB Insights ข้อตกลงและดอลลาร์สำหรับสตาร์ทอัพด้าน AI นั้นเพิ่มขึ้นตั้งแต่ปี 2555 โดยมีการลงทุนเพิ่มขึ้นอย่างมาก 60% เป็น 5 พันล้านดอลลาร์ในปี 2559 Statista ประเมินว่าในปี 2560 สตาร์ทอัพ AI ทั่วโลกได้รับเงินลงทุน 15.2 พันล้านดอลลาร์ ซึ่งเป็นตัวเลขที่เพิ่มขึ้นอย่างมาก เพิ่มขึ้น 300% จากปี 2559 นอกจากนี้ บริษัทเทคโนโลยีขนาดใหญ่กำลังแย่งชิงสตาร์ทอัพ AI เพื่อก้าวไปข้างหน้าในการแข่งขัน AI

โพสต์ติดตามผลนี้จัดทำขึ้นเพื่อเป็นแนวทางปฏิบัติสำหรับนักลงทุนที่กำลังประเมินโอกาสการลงทุนในพื้นที่ โดยเฉพาะอย่างยิ่ง ฉันจะดำเนินการผ่านห้าขั้นตอนที่สำคัญในการประเมินการลงทุนที่เกี่ยวข้องกับ AI:

1. ความต้องการของลูกค้า (ธุรกิจนี้แก้ปัญหาลูกค้าได้อย่างคุ้มค่าหรือไม่)
2. ความอยู่รอดทางการค้า (ธุรกิจจะทำเงินเพียงพอหรือไม่)
3. ความเป็นไปได้ทางเทคนิค (ใช้งานได้จริงในขนาดหรือไม่)
4. ความเข้าใจผิดที่พบบ่อย (และมีแนวโน้มสูง) ที่เกี่ยวข้องกับ AI
5. ตัวชี้วัดทางการเงินและธุรกิจ

โปรดทราบ: ฉันจะใช้ตัวอย่างของบริษัทที่ซื้อขายในตลาดหลักทรัพย์ที่มีชื่อเสียงบางแห่ง ฉันไม่สนับสนุนหรือกีดกันผู้อ่านให้ลงทุนในบริษัทเหล่านี้

ขั้นตอนที่ 1: ความต้องการของลูกค้า

ในความคิดของฉัน ขั้นตอนนี้สำคัญที่สุด ในห้าข้อที่สรุปไว้ในบทความนี้ อันดับแรก คุณต้องถามตัวเองก่อน ว่า ปัญหาใดที่ธุรกิจกำลังพยายามแก้ไขด้วยเทคโนโลยี AI? ตัวอย่างเช่น รถยนต์ที่ขับด้วยตนเองสามารถปรับปรุงประสบการณ์การเคลื่อนไหวโดยทำให้ปลอดภัยขึ้น สะดวกขึ้น ฯลฯ การแปลด้วยคอมพิวเตอร์ทำให้มนุษย์สามารถสื่อสารกันได้ง่ายขึ้น ในทางตรงกันข้าม ธุรกิจ AI ไม่พึงปรารถนาเมื่อ:

• เป็นการกำหนดเป้าหมายปัญหาที่ไม่ค่อยมีคนสนใจหรือสามารถจ่ายได้
• เป็นเป้าหมายที่จุดปวด แต่ปัญหามากเกินไปจำเป็นต้องแก้ไขเพื่อแก้ไขจุดปวดนั้น
• กำลังพยายามแก้ปัญหามากเกินไปในเวลาเดียวกัน

ปัญหาที่ยุ่งยากอีกประการหนึ่งเกี่ยวข้องกับเมื่อธุรกิจพยายามแก้ปัญหา ที่สำคัญต่อภารกิจ จากนี้ ฉันหมายความว่า _ วิธีแก้ปัญหามีความทนทานต่อ error_ ต่ำ มาก ตัวอย่างเช่น หากข้อผิดพลาดของซอฟต์แวร์ AI ของยานยนต์อัตโนมัติคือ 0.001% แม้ว่านั่นจะเป็นอัตราความผิดพลาดที่ต่ำมากอย่างเป็นกลางแล้ว แต่ก็ยังไม่สามารถยอมรับได้ 0.001% หมายความว่าสามารถเกิดอุบัติเหตุได้ 1 ครั้งในทุกๆ 1,000 ชั่วโมงที่ขับไป และอาจทำให้เสียชีวิตได้ ในทางกลับกัน หากคุณได้รับคำแนะนำจาก Amazon หรือ Netflix ที่ไม่ถูกต้อง แม้แต่เพียง 1% เท่านั้น จะไม่มีใครตาย ความเสี่ยงและผลตอบแทนที่อาจเกิดขึ้นสำหรับโครงการที่มีความสำคัญต่อภารกิจ เช่น รถยนต์ที่ขับด้วยตนเองหรือการใช้งานทางการแพทย์ (เช่น การวินิจฉัยทางการแพทย์ หุ่นยนต์ผ่าตัด) มีทั้งขนาดใหญ่กว่าที่ไม่มีความสำคัญต่อภารกิจ ทำให้เป็นปัญหายากขึ้นในการจัดการ

ขั้นตอนที่ 2: ความมีชีวิตเชิงพาณิชย์

สำหรับธุรกิจที่เป็นผู้ใหญ่ใช้จ่ายเงินเพื่อพัฒนาแอปพลิเคชัน AI พวกเขาควรมี กรณีธุรกิจที่แข็งแกร่ง เพื่อพิสูจน์การลงทุนล่วงหน้า ตัวอย่างเช่น เวอร์จิเนีย โรเมตตี ซีอีโอของ IBM ต้องการให้ IBM Watson สร้างรายได้ 10 พันล้านดอลลาร์ต่อปีก่อนปี 2024 สำหรับสตาร์ทอัพ AI โดยเฉพาะหากเป็นรายได้ก่อนกำหนด คำถามสำคัญที่ฉันมักถามอยู่เสมอ คือ ตลาดใหญ่เพียงพอ สำหรับประเภทของปัญหาหรือไม่ บริษัทกำลังแก้ไข? ตัวอย่างเช่น หากบริษัทกำลังพัฒนาแอปพลิเคชัน AI สำหรับประเทศที่เฉพาะเจาะจงมากในอุตสาหกรรมหนึ่งๆ ที่มีศักยภาพทางการตลาดสูงสุด 1 ล้านดอลลาร์ต่อปี คุณจะลงทุนกับมันหรือไม่

ด้านที่คุณต้องพิจารณาก็คือ ขอบฟ้าการลงทุน เทคโนโลยี AI ที่ลึกกว่านั้นใช้เวลานานกว่าในการพัฒนาผลิตภัณฑ์ ตัวอย่างเช่น Waymo (บริษัทรถยนต์ขับเคลื่อนอัตโนมัติของ Google) ได้ทำการทดสอบเทคโนโลยีนี้มาตั้งแต่ปี 2009 และยังไม่ได้เปิดตัวผลิตภัณฑ์เชิงพาณิชย์ บริษัทเทคโนโลยี AI ที่ลึกกว่านั้นอาจใช้เวลานานกว่าจะได้รับการยอมรับจากตลาดและผลตอบแทนจากการลงทุนในภายหลัง ยกตัวอย่าง Nvidia (NASDAQ: NVDA) Nvidia จัดหาชิป GPU ที่ได้รับความนิยมมากที่สุดสำหรับการประมวลผลอัลกอริธึมเครือข่ายประสาทเทียมที่ใช้ในแอพพลิเคชั่นคอมพิวเตอร์วิทัศน์จำนวนมากรวมถึงรถยนต์ที่ขับด้วยตนเอง เมื่อดูจากกราฟราคาหุ้นด้านล่าง คุณจะเห็นรูปแบบ “S Curve” ที่มีชื่อเสียงที่คุณเห็นในธุรกิจนวัตกรรมมากมายได้อย่างชัดเจน แต่จังหวะเวลาก็สำคัญ หากคุณลงทุนใน Nvidia นับตั้งแต่การเสนอขายหุ้นในปี 2542 คุณจะไม่เห็นผลตอบแทนที่ดีจนกระทั่งหลังปี 2016 เมื่อ AI การเรียนรู้เชิงลึกกลายเป็น "แฟชั่น"

ขั้นตอนที่ 3: ความเป็นไปได้ทางเทคนิค

ตามที่กล่าวไว้ในบทความอื่นของฉัน ฉันเชื่อว่ามีองค์ประกอบหลักสี่ประการในความสำเร็จของผลิตภัณฑ์แมชชีนเลิร์นนิง (รวมถึงการเรียนรู้เชิงลึก) ได้แก่ ปัญหาที่ชัดเจนและน่าพึงพอใจ ข้อมูลที่ชัดเจนและติดป้ายกำกับอย่างดี อัลกอริธึมที่แข็งแกร่ง และพลังการประมวลผลที่ครอบคลุม สามตัวสุดท้ายกำหนดความเป็นไปได้ทางเทคนิคของธุรกิจ AI ในที่นี้ ผมจะกล่าวถึงสั้น ๆ ว่าองค์ประกอบเหล่านี้หมายถึงอะไร และเราจะตรวจสอบสถานะนักลงทุนได้อย่างไร

ขั้นแรก การพัฒนาอัลกอริธึมการเรียนรู้ด้วยเครื่องจำเป็นต้องเข้าถึงข้อมูลที่สะอาดและมีป้ายกำกับอย่างดี เนื่องจากตามที่กล่าวไว้ก่อนหน้านี้ อัลกอริธึมเหล่านี้สร้างขึ้นโดยการป้อนแบบจำลองทางสถิติต่างๆ จำนวนมากของข้อมูลที่มีการติดป้ายกำกับอย่างดีเพื่อสร้างความสัมพันธ์เชิงคาดการณ์ที่จำเป็น ในขณะที่คุณค้นคว้าเกี่ยวกับธุรกิจ AI คุณจำเป็นต้องรู้ ว่าพวกเขาสามารถเข้าถึงข้อมูลที่ใช้งานได้หรือไม่ ได้รับมาอย่างไร และสามารถรับข้อมูลดังกล่าวต่อไปได้ หรือไม่ หรือหากยังไม่มีข้อมูล มีแผนจะเก็บข้อมูลดังกล่าวอย่างไร? แนวโน้มของการทำให้ข้อมูลผู้บริโภคเป็นประชาธิปไตยและการริเริ่ม เช่น การธนาคารแบบเปิดจะมอบโอกาสมากมายสำหรับแอปพลิเคชัน AI ใหม่

ประการที่สอง ธุรกิจ AI จำเป็นต้องพัฒนาอัลกอริธึมที่แข็งแกร่งและปรับขนาดได้ เพื่อให้บรรลุเป้าหมายนั้น จำเป็นต้องมีสามประการ: ข้อมูลที่มีป้ายกำกับจำนวนมากซึ่งกล่าวถึงข้างต้น พรสวรรค์ที่เหมาะสม และความมั่นใจว่าการเรียนรู้เชิงลึกเป็นเทคโนโลยีที่เหมาะสมในการแก้ปัญหา คำถามสำคัญคือ ธุรกิจสามารถดึงดูดผู้มีความสามารถที่เหมาะสม ได้หรือไม่ ? พรสวรรค์ด้าน AI ชั้นนำ โดยเฉพาะอย่างยิ่งนักวิทยาศาสตร์ข้อมูล วิศวกร และโปรแกรมเมอร์ที่มีประสบการณ์เกี่ยวกับ AI ถูกแย่งชิงโดยยักษ์ใหญ่ด้านเทคโนโลยี เช่น Google, Facebook, Microsoft และ IBM เหลือเพียงเล็กน้อยสำหรับองค์กรและบริษัทสตาร์ทอัพอื่นๆ เพื่อดึงดูดผู้มีความสามารถระดับสูง ไม่เพียงแต่พวกเขาจะต้องเตรียมพร้อมที่จะจ่ายเงินเดือนจำนวนมาก (เช่น พนักงานของห้องปฏิบัติการ DeepMind ของ Google มีรายได้โดยเฉลี่ยประมาณ 345,000 เหรียญสหรัฐต่อปี) พวกเขายังต้องมีวิสัยทัศน์ที่น่าเชื่อถือ นอกจากนี้ คุณต้องถามว่าการเรียนรู้เชิงลึกเป็นเทคโนโลยีที่เหมาะสมที่สุดในการแก้ปัญหาเชิงพาณิชย์หรือไม่ ตัวอย่างเช่น สำหรับแอปพลิเคชัน Robo-advisor สำหรับการจัดสรรสินทรัพย์ของผู้ลงทุนรายย่อย โปรแกรมที่อิงตามกฎอาจมีต้นทุนที่ถูกกว่ามากในการพัฒนาและนำไปใช้ได้ง่ายกว่าอัลกอริธึมการเรียนรู้เชิงลึก ในทางตรงกันข้าม อัลกอริธึมแมชชีนเลิร์นนิงที่มีความสามารถในการเรียนรู้จากความผิดพลาดและชัยชนะในอดีต และสามารถปรับปรุงตัวเองต่อไปได้ เป็นตัวเลือกที่ดีกว่าสำหรับอัลกอริธึมการลงทุนในกองทุนเฮดจ์ฟันด์ ในปัจจุบัน พื้นที่ที่มีความก้าวหน้ามากที่สุดและเหมาะสมที่สุดสำหรับเทคโนโลยีการเรียนรู้เชิงลึก ได้แก่ การประมวลผลภาษาธรรมชาติ (เช่น การแปลภาษาด้วยเครื่อง) คอมพิวเตอร์วิทัศน์ (เช่น การจดจำใบหน้า รถยนต์ไร้คนขับ) และการเล่นเกม (เช่น AlphaGo การตัดสินใจลงทุนเชิงวิวัฒนาการ การทำ).

ประการที่สาม ธุรกิจ จำเป็นต้องมีความสามารถในการรับพลังการประมวลผลที่กว้างขวาง ดังที่อธิบายในรายละเอียดในบทความก่อน พลังประมวลผลจากคลาวด์คอมพิวติ้งหรือเซิร์ฟเวอร์ GPU ของตัวเองนั้นมีค่าใช้จ่ายสูง มีคำถามสำคัญสองข้อที่คุณต้องถามเพื่อความขยันหมั่นเพียรในด้านนี้: 1) พลังการคำนวณเป็นงานทั่วไปที่จำเป็นสำหรับธุรกิจนี้มากเพียงใด? พลังการคำนวณดังกล่าวมีอยู่ในทุกวันนี้หรือไม่? นี่เป็นสิ่งสำคัญอย่างยิ่งสำหรับแอปพลิเคชันที่ต้องใช้การประมวลผลตามเวลาจริงแต่มีเพียงพื้นที่ว่างบนอุปกรณ์จริงที่จำกัดเพื่อรองรับ GPU และแบตเตอรี่ (เช่น โดรน) 2) ธุรกิจสามารถจ่ายพลังการประมวลผลดังกล่าวได้หรือไม่? ตัวอย่างเช่น Kaifu Lee เล่าเรื่องที่น่าสนใจในหนังสือ Artificial Intelligence ของเขาว่าสตาร์ทอัพเชิงลึกที่เขาลงทุนไป 7 ล้านหยวน (~1 ล้านเหรียญสหรัฐ) ในช่วง 3 เดือนแรกเพียงเพื่อซื้อเซิร์ฟเวอร์ประมวลผลเชิงลึก เขาเน้นย้ำว่าวันนี้ งานฝึกอบรมโมเดลการเรียนรู้เชิงลึกโดยทั่วไปต้องการคอมพิวเตอร์หนึ่งเครื่องหรือหลายเครื่องที่มี GPU ความจุสูงสี่ถึงแปดเครื่อง งานคอมพิวเตอร์วิทัศน์จำนวนมากต้องการคลัสเตอร์ GPU นับร้อยนับพันและปล่อยความร้อนมากกว่าเซิร์ฟเวอร์ปกติ 10 เท่า ทีมสตาร์ทอัพบางส่วนในสาขาเหล่านี้ต้องออกแบบระบบ AC ใหม่หรือซื้อน้ำแข็งก้อนใหญ่เพื่อทำให้เซิร์ฟเวอร์เย็นลง

ขั้นตอนที่ 4: ความเข้าใจผิดทั่วไป (และมีแนวโน้มมาก) ที่เกี่ยวข้องกับ AI

1. บางบริษัทกำลังพัฒนา ธุรกิจดิจิทัลใหม่ๆ (เช่น กระบวนการอัตโนมัติสำหรับธนาคาร) หรืออัลกอริธึมการเรียนรู้แบบไม่ใช้เครื่องตามกฎเกณฑ์ แต่อ้างว่าเป็น AI เนื่องจากได้รับความสนใจและการประเมินมูลค่าธุรกิจ AI ที่ดีขึ้น ในความขยันเนื่องจากของคุณ คุณสามารถลองค้นหาการปลอมแปลงเหล่านี้โดยถามคำถาม เช่น เทคโนโลยีพื้นฐานที่พวกเขาใช้เทคโนโลยีอะไร หากพวกเขาไม่ได้จ้างนักวิทยาศาสตร์ข้อมูลและวิศวกร AI ทั้งทีมตั้งแต่อ้างว่าพวกเขาใช้ “AI” ไม่ว่าจะผ่านการทำสัญญากับบริษัทเทคโนโลยีอื่นหรือภายในองค์กร ก็อาจเป็นสัญญาณอันตรายได้
2. บางครั้งแมชชีนเลิร์นนิง + การแทรกแซงของมนุษย์อาจทำงานได้ดีกว่าแค่ AI ตัวอย่างเช่น เมื่อเร็ว ๆ นี้ บริษัทเทคโนโลยีการแปลของจีน iFlytek ได้ทำลายข้อโต้แย้งเมื่อพบว่าอุปกรณ์แปลภาษาด้วยเครื่องพร้อมกันของพวกเขาถูกค้นพบว่าเป็นเพียงการฟังและคัดลอกเสียงของผู้แปลพร้อมกันของมนุษย์ iFlytek อธิบายในภายหลังว่าขณะนี้การแปลตามเวลาจริงไม่สามารถทำได้ด้วยความเร็วและความแม่นยำที่ต้องการ พวกเขาคิดว่าการผสมผสานระหว่างความฉลาดของมนุษย์กับเครื่องจักรทำให้เกิดทางออกที่ดีที่สุดสำหรับผลลัพธ์
3. สุดท้ายนี้ บทเรียนหลักที่ได้เรียนรู้จากประสบการณ์การเริ่มต้นธุรกิจ (ยังเป็นคำเตือนสำหรับผู้ประกอบการและนักลงทุนมือใหม่) ก็คือ มีความแตกต่างอย่างมากระหว่างต้นแบบ AI ทางวิทยาศาสตร์กับโซลูชันที่ปรับขนาดได้ในเชิงพาณิชย์ โดยทั่วไปแล้ว ต้นแบบทางวิทยาศาสตร์สามารถพัฒนาได้โดยนักวิทยาศาสตร์ด้านข้อมูลที่มีพรสวรรค์คนหนึ่งโดยใช้ซอฟต์แวร์สร้างต้นแบบอย่างรวดเร็ว (เช่น MatLab) ในเวลาเพียงไม่กี่เดือนโดยใช้จุดข้อมูล เช่น 1000 ถึง 10,000 จุด ต้นแบบที่ปรับขนาดได้ในเชิงพาณิชย์ตามที่กล่าวไว้ก่อนหน้านี้ต้องการ: 1) เงินทุนเพื่อจ้างผู้เชี่ยวชาญด้าน AI (นักวิทยาศาสตร์ข้อมูล สถาปนิก วิศวกรซอฟต์แวร์ ผู้จัดการผลิตภัณฑ์) 2) ชุดข้อมูลการฝึกอบรมที่มีจุดข้อมูลนับสิบล้าน 3) โปรแกรมคอมพิวเตอร์ (เช่น Python, C ++, ฯลฯ ), 4) กองทุนเพื่อซื้อเซิร์ฟเวอร์คอมพิวเตอร์เชิงลึกหรือโซลูชันการประมวลผลแบบคลาวด์บน Amazon AWS, Google Cloud, Microsoft Azure เป็นต้น

ขั้นตอนที่ 5: ตัวชี้วัดทางการเงินและธุรกิจ

สุดท้ายนี้ คุณควรตรวจสอบ สถิติทางการเงินของธุรกิจ AI และมุมมองทางธุรกิจที่ไม่ใช่ทางการเงิน และประเมินว่าคุณจะทำเพื่อบริษัทเทคโนโลยีอื่นๆ อย่างไร ดูตัวอย่างการวิเคราะห์ดังแสดงในตารางด้านล่าง

ตัวชี้วัดทางการเงินและที่ไม่ใช่ทางการเงินแบบดั้งเดิมเพื่อสร้างมูลค่าให้กับธุรกิจ ได้แก่ รายได้ รายได้สุทธิ/กระแสเงินสด อัตราการเติบโตของรายได้ อัตราส่วน (P/E, P/S ฯลฯ) เศรษฐศาสตร์มหภาค คู่แข่ง กฎระเบียบ ฯลฯ บริษัทเทคโนโลยีก็มี ลักษณะเฉพาะของตนเอง ตัวอย่างหนึ่งคืออัตราการเติบโตมีความสำคัญมากกว่าความสามารถในการทำกำไร สำหรับสตาร์ทอัพด้านเทคโนโลยีในระยะเริ่มต้น สถิติผู้ใช้ เช่น ผู้ใช้ที่ใช้งานอยู่และการจองมีความสำคัญมากกว่ารายได้หรือกระแสเงินสด การประเมินมูลค่าอาจสูงขึ้นเนื่องจากความต้องการในการลงทุนดังกล่าว ตัวอย่างเช่น อัตราส่วน P/E สำหรับ Nvidia (NVDA) อยู่ที่ ~30x P/E ในขณะที่ McDonald's (MCD) ซื้อขายที่ ~20x

มีหนังสือการลงทุนมากมายเกี่ยวกับวิธีการให้มูลค่าบริษัท ดังนั้นฉันจะไม่ลงลึกในรายละเอียดมากเกินไปที่นี่ หากเป็นบริษัทมหาชน คุณจะได้รับรายละเอียดเหล่านี้จากการยื่นต่อสาธารณะ เช่น รายงานทางการเงิน หรือจากผู้ให้บริการข้อมูลการตลาด เช่น Google Finance หรือ Bloomberg หากเป็นบริษัทเอกชน คุณสามารถติดต่อฝ่ายจัดการของบริษัทเพื่อขอรายละเอียดที่จำเป็นได้

บทสรุป

โดยสรุป ในความคิดของฉัน ฉันคิดว่า คุณลักษณะที่เป็นที่ต้องการมากที่สุดสำหรับการลงทุน AI ในระยะสั้นและระยะกลาง (และสิ่งที่ทำให้การลงทุน AI ดี) คือ: 1) การแก้ปัญหาที่กำหนดไว้อย่างชัดเจนและ 2) ไม่ใช่ ภารกิจสำคัญ (ไม่มีใครตายถ้าล้มเหลว) กรณีเหล่านี้รวมถึงพื้นที่ของการบริการลูกค้าที่ชาญฉลาด เช่น แชทบอท (ไม่ใช่ตามกฎทั้งหมด) การวินิจฉัยภาพทางการแพทย์ การจดจำใบหน้า การแปลด้วยเครื่อง ที่ปรึกษาทางการเงิน AI การเล่นเกมคอมพิวเตอร์ ฯลฯ แน่นอนว่า ในระยะยาวมีความเสี่ยงสูง /ปัญหาสำคัญต่อภารกิจให้รางวัลสูง (เช่น รถยนต์ไร้คนขับ) เป็นรางวัลที่หลายคนจับตามอง เมื่อคุณพิจารณาว่าพวกเขามีปัญหาที่น่าจะต้องแก้ไขแล้ว คุณสามารถวิเคราะห์ความเป็นไปได้ทางการค้า ความเป็นไปได้ทางเทคนิค สถิติทางการเงิน และตัวชี้วัดทางธุรกิจ

คุณต้องคิดถึงแนวดิ่ง AI เฉพาะที่คุณต้องการลงทุนด้วย AI ประเภทต่างๆ มีความเร่งด่วนในความต้องการของลูกค้าและความพร้อมด้านเทคโนโลยีที่แตกต่างกัน ดังนั้นผลตอบแทนและความเสี่ยงจากการลงทุนจึงต่างกัน คุณสามารถลงทุนในฮาร์ดแวร์ เทียบกับ ซอฟต์แวร์ เทียบกับ แพลตฟอร์ม เทียบกับ บริการ และในอุตสาหกรรมต่างๆ เช่น การเงิน การศึกษา การดูแลสุขภาพ อุตสาหกรรม ในบทความต่อๆ ไป ฉันจะพูดถึงวิธีที่คุณสามารถเริ่มลงทุนใน AI ซึ่งรวมถึงประเภทธุรกิจและเทคโนโลยีที่มีแนวโน้มมากที่สุด รูปแบบการลงทุน (แบบพาสซีฟเทียบกับแบบแอคทีฟ) และภูมิศาสตร์ (สหรัฐฯ กับจีน เทียบกับส่วนที่เหลือของโลก)