人工智能投资入门：评估人工智能交易流的实用指南（第二部分）

执行摘要

在之前的一篇文章中，我为有兴趣在该领域投入资金的投资者介绍了人工智能领域的基本入门。 特别是，我讨论了每个投资者应该了解的一些基本要素，以便做出更明智的投资决策：

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

正如所讨论的那样，世界见证了对该主题的兴趣爆炸式增长。 不出所料，投资资金也遵循了类似的路径。 根据 CB Insights 的数据，自 2012 年以来，人工智能初创公司的交易和资金一直在增加，2016 年投资资本猛增 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 152 亿美元的投资，呈指数级增长比 2016 年增长 300%。此外，大型科技公司正在抢夺 AI 初创公司以在 AI 竞赛中领先。

这篇后续文章旨在为正在评估该领域投资前景的投资者提供更实用的指南。 特别是，我将通过五个关键步骤来评估与人工智能相关的投资：

1. 客户期望（该业务是否解决了有价值的客户问题？）
2. 商业可行性（企业会赚到足够的钱吗？）
3. 技术可行性（它真的可以大规模工作吗？）
4. 与人工智能相关的常见（和容易被炒作的）误解
5. 财务和业务指标

请注意：我将使用一些知名上市公司的例子。 我不支持或不鼓励读者投资这些公司。

第 1 步：客户需求

在我看来，这一步是本文概述的五个步骤中最重要的一步。 首先，您需要问自己——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使其更安全、更方便等来改善移动体验。机器翻译使人类更容易相互交流。 相反，在以下情况下，人工智能业务是不可取的：

• 它针对的是一个没有多少人关心或可以支付的问题。
• 它针对的是一个痛点，但需要解决太多问题才能解决该痛点。
• 它试图同时解决太多的问题。

另一个棘手的问题与企业何时尝试解决关键任务问题有关。 我的意思是_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AI软件的误差为0.001%，即使客观上已经是非常低的误差率，但仍然是不能容忍的。 0.001% 意味着它每行驶 1000 小时就可能发生 1 起事故，并可能导致生命损失。 相反，即使只有 1% 的时间你得到了错误的亚马逊或 Netflix 推荐，也没有人会死。 自动驾驶汽车或医疗应用（如医疗诊断、手术机器人）等关键任务项目的潜在风险和回报都比非关键任务项目更大，这使其成为一个更难处理的问题。

第 2 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，他们应该有一个强大的商业案例来证明前期投资的合理性。 例如，IBM 首席执行官 Virginia Rometty 希望 IBM Watson 在 2024 年之前产生 100 亿美元的年收入。对于一家 AI 初创公司，尤其是尚未有收入的初创公司，我经常问的一个重要问题是：市场是否足以应对这类问题公司正在解决？ 例如，如果公司正在为特定行业的特定国家开发人工智能应用程序，每年最大市场潜力为 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）自 2009 年以来一直在测试这项技术，至今仍未发布商业产品。 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后续的投资回报。 以英伟达（纳斯达克股票代码：NVDA）为例。 Nvidia 提供最流行的芯片 GPU，用于计算许多计算机视觉应用（包括自动驾驶汽车）中使用的神经网络算法。 看下面的股价图表，可以清楚地注意到您在许多创新业务中看到的著名的“S曲线”模式。 但时机很重要：如果你从 1999 年 IPO 开始就投资 Nvidia，那么直到 2016 年深度学习 AI 成为“时尚”之后，你才会看到丰厚的回报。

第三步：技术可行性

正如我在另一篇文章中所讨论的，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：定义明确且理想的问题、干净且标记良好的数据、稳健的算法和广泛的计算能力。 最后三个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数据而构建的，这些数据经过良好标记以建立必要的预测关系。 在研究人工智能业务时，你需要知道他们是否可以访问可用的数据，他们是如何获得的，以及他们是否可以继续获得这些数据。 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强大的、可扩展的算法。 要实现这一点，必须具备三个条件：上面讨论的大量标记良好的数据、合适的人才以及对深度学习是解决问题的合适技术的信心。 因此，一个关键问题是：企业能否吸引到合适的人才？ 顶尖的人工智能人才，尤其是已经在人工智能方面有经验的数据科学家、工程师和程序员，被谷歌、Facebook、微软和 IBM 等科技巨头抢走，而其他公司和初创公司则寥寥无几。 为了吸引顶尖人才，他们不仅需要准备好支付高额薪水（例如，谷歌 DeepMind 实验室的员工平均年薪约为 345,000 美元），还需要令人信服的愿景。 此外，你需要问一下深度学习是否是最适合解决商业问题的技术。 例如，对于散户投资者资产配置的机器人顾问应用程序，基于规则的程序的开发成本可能比深度学习算法低得多，并且更容易实施。 相比之下，能够从过去的错误和胜利中学习并能够不断自我改进的机器学习算法是对冲基金投资算法的更好候选者。 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（如机器翻译）、计算机视觉（如人脸识别、无人驾驶汽车）和游戏（如AlphaGo、进化投资决策）制造）。

第三，业务需要具备获取广泛计算能力的能力。 正如我在之前的文章中详细讨论的那样，来自云计算或自己的 GPU 服务器的计算能力是昂贵的。 这方面的勤奋你需要问两个关键问题：1）这个业务的典型任务需要多少计算能力？ 这种计算能力今天可用吗？ 这对于需要实时处理但实际设备上只有有限的可用空间来容纳 GPU 和电池（例如无人机）的应用程序尤其重要。 2）企业能否负担得起这样的计算能力？ 例如，李开复在他的《人工智能》一书中讲述了一个有趣的故事，他投资的一家深度学习初创公司在前 3 个月花费了 700 万元人民币（约合 100 万美元），只是为了购买深度学习计算服务器。 他进一步强调，如今，典型的深度学习模型训练任务需要一台或多台计算机，配备四到八个大容量 GPU。 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购买大块冰来冷却服务器。

第 4 步：与 AI 相关的常见（且容易被炒作的）误解

1. 一些公司实际上只是在开发新的数字业务（例如银行流程自动化）或基于规则的非机器学习算法，但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。 在您的尽职调查中，您可以通过向他们询问诸如他们正在使用哪些底层技术之类的问题来尝试找出这些伪装。 如果他们在声称自己使用“人工智能”后没有聘请整个数据科学家和人工智能工程师团队，无论是通过与其他科技公司签约还是在内部签约，那么这可能是一个危险信号。
2. 有时机器学习+人工干预可以比人工智能更好。 例如，最近，中国翻译技术公司科大讯飞（iFlytek）爆发了一场争议，因为他们所谓的同声机器翻译设备被发现只是在听和复制人类同声翻译的声音。 科大讯飞后来解释说，目前无法以所需的速度和准确性进行实时翻译。 他们认为人类和机器智能的结合为结果带来了最佳解决方案。
3. 最后，我从我的创业经历中学到的主要教训（也是有抱负的企业家和投资者的警示故事）是科学 AI 原型和商业可扩展解决方案之间存在很大差异。 通常，一个有才华的数据科学家可以使用快速原型制作软件（例如 MatLab）在短短几个月内开发出科学原型，例如使用 1000 到 10,000 个数据点。 如前所述，商业上可扩展的原型需要：1) 聘请 AI 专家（数据科学家、架构师、软件工程师、产品经理）的资金，2) 训练具有数千万数据点的数据集，3) 计算机程序（例如Python、C++ 等），4）资金在 Amazon AWS、Google Cloud、Microsoft Azure 等上购买深度学习计算机服务器或云计算解决方案。

第 5 步：财务和业务指标

最后，你应该仔细研究 AI 业务的财务统计数据及其非财务业务的观点，并评估它，就像你对任何其他科技公司所做的那样。 请参阅下表所示的示例分析。

评估业务的传统财务和非财务指标包括收入、净收入/现金流、收入增长率、比率（市盈率、市盈率等）、宏观经济学、竞争对手、监管等。科技公司也有有自己独特的特点。 一个例子是增长率可能比盈利能力更重要。 对于早期的科技初创公司来说，活跃用户和预订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 (NVDA) 的市盈率约为 30 倍市盈率，而麦当劳 (MCD) 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，所以我不会在这里过多地深入研究。 如果它是一家上市公司，您可以从财务报告等公开文件或谷歌财经或彭博社等市场数据提供商处获得这些详细信息。 如果是私人公司，您可以联系公司管理层以获取必要的详细信息。

结论

总而言之，在我看来，我认为中短期人工智能投资最理想的属性（以及什么是好的人工智能投资）是： 1）解决一个明确定义的理想问题和 2）非关键任务（如果失败，没有人会死）。 这些案例包括智能客服领域，例如聊天机器人（并非纯粹基于规则）、医学影像诊断、人脸识别、机器翻译、AI理财顾问、电脑游戏等。当然，从长远来看，高风险/高奖励关键任务问题（例如无人驾驶汽车）是许多人眼中的奖品。 一旦您确定他们有一个理想的问题需要解决，您就可以分析他们的商业可行性、技术可行性、财务统计数据和业务指标。

您还需要考虑您想要投资的具体人工智能垂直领域。不同的人工智能垂直领域对客户需求和技术准备的紧迫性不同，因此投资回报和风险也不同。 您可以投资于硬件、软件、平台和服务，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领域和技术、投资风格（被动与主动）和地域（美国与中国与世界其他地区）。