人工智能投資入門：評估人工智能交易流的實用指南（第二部分）

執行摘要

在之前的一篇文章中，我為有興趣在該領域投入資金的投資者介紹了人工智能領域的基本入門。 特別是，我討論了每個投資者應該了解的一些基本要素，以便做出更明智的投資決策：

• 什麼是人工智能？
• 當前的AI浪潮有什麼特別之處？
• 成功的 AI 應用程序的四個關鍵組成部分是什麼？

正如所討論的那樣，世界見證了對該主題的興趣爆炸式增長。 不出所料，投資資金也遵循了類似的路徑。 根據 CB Insights 的數據，自 2012 年以來，人工智能初創公司的交易和資金一直在增加，2016 年投資資本猛增 60%，達到 50 億美元。Statista 估計，2017 年，全球人工智能初創公司獲得了 152 億美元的投資，呈指數級增長比 2016 年增長 300%。此外，大型科技公司正在搶奪 AI 初創公司以在 AI 競賽中領先。

這篇後續文章旨在為正在評估該領域投資前景的投資者提供更實用的指南。 特別是，我將通過五個關鍵步驟來評估與人工智能相關的投資：

1. 客戶期望（該業務是否解決了有價值的客戶問題？）
2. 商業可行性（企業會賺到足夠的錢嗎？）
3. 技術可行性（它真的可以大規模工作嗎？）
4. 與人工智能相關的常見（和容易被炒作的）誤解
5. 財務和業務指標

請注意：我將使用一些知名上市公司的例子。 我不支持或不鼓勵讀者投資這些公司。

第 1 步：客戶需求

在我看來，這一步是本文概述的五個步驟中最重要的一步。 首先，您需要問自己——企業試圖用人工智能技術解決什麼問題？ 例如，自動駕駛汽車可以通過使其更安全、更方便等來改善移動體驗。機器翻譯使人類更容易相互交流。 相反，在以下情況下，人工智能業務是不可取的：

• 它針對的是一個沒有多少人關心或可以支付的問題。
• 它針對的是一個痛點，但需要解決太多問題才能解決該痛點。
• 它試圖同時解決太多的問題。

另一個棘手的問題與企業何時嘗試解決關鍵任務問題有關。 我的意思是_問題的解決方案對錯誤的容忍度非常低_ 。 例如，如果自動駕駛汽車AI軟件的誤差為0.001%，即使客觀上已經是非常低的誤差率，但仍然是不能容忍的。 0.001% 意味著它每行駛 1000 小時就可能發生 1 起事故，並可能導致生命損失。 相反，即使只有 1% 的時間你得到了錯誤的亞馬遜或 Netflix 推薦，也沒有人會死。 自動駕駛汽車或醫療應用（如醫療診斷、手術機器人）等關鍵任務項目的潛在風險和回報都比非關鍵任務項目更大，這使其成為一個更難處理的問題。

第 2 步：商業可行性

對於花錢開發人工智能應用程序的成熟企業來說，他們應該有一個強大的商業案例來證明前期投資的合理性。 例如，IBM 首席執行官 Virginia Rometty 希望 IBM Watson 在 2024 年之前產生 100 億美元的年收入。對於一家 AI 初創公司，尤其是尚未有收入的初創公司，我經常問的一個重要問題是：市場是否足以應對這類問題公司正在解決？ 例如，如果公司正在為特定行業的特定國家開發人工智能應用程序，每年最大市場潛力為 100 萬美元，你會投資嗎？

您需要考慮的另一個方面是投資期限。 更深入的人工智能技術需要更長的時間來開發產品。 例如，Waymo（谷歌的自動駕駛汽車公司）自 2009 年以來一直在測試這項技術，至今仍未發布商業產品。 更深層次的人工智能科技公司也可能需要很長時間才能獲得市場認可和後續的投資回報。 以英偉達（納斯達克股票代碼：NVDA）為例。 Nvidia 提供最流行的芯片 GPU，用於計算許多計算機視覺應用（包括自動駕駛汽車）中使用的神經網絡算法。 看下面的股價圖表，可以清楚地註意到您在許多創新業務中看到的著名的“S曲線”模式。 但時機很重要：如果你從 1999 年 IPO 開始就投資 Nvidia，那麼直到 2016 年深度學習 AI 成為“時尚”之後，你才會看到豐厚的回報。

第三步：技術可行性

正如我在另一篇文章中所討論的，我認為機器學習（包括深度學習）產品的成功有四個關鍵組成部分：定義明確且理想的問題、乾淨且標記良好的數據、穩健的算法和廣泛的計算能力。 最後三個決定了人工智能業務的技術可行性。 在這裡，我將簡要討論這些組成部分的含義以及作為投資者如何進行盡職調查。

首先，開發機器學習算法需要訪問乾淨且標記良好的數據。 這是因為，如前所述，這些算法是通過向不同的統計模型提供大量數據而構建的，這些數據經過良好標記以建立必要的預測關係。 在研究人工智能業務時，你需要知道他們是否可以訪問可用的數據，他們是如何獲得的，以及他們是否可以繼續獲得這些數據。 或者，如果他們還沒有數據，他們收集這些數據的計劃是什麼？ 消費者數據民主化的趨勢和開放銀行等舉措將為新的人工智能應用提供大量機會。

其次，人工智能業務需要開發強大的、可擴展的算法。 要實現這一點，必須具備三個條件：上面討論的大量標記良好的數據、合適的人才以及對深度學習是解決問題的合適技術的信心。 因此，一個關鍵問題是：企業能否吸引到合適的人才？ 頂尖的人工智能人才，尤其是已經在人工智能方面有經驗的數據科學家、工程師和程序員，被谷歌、Facebook、微軟和 IBM 等科技巨頭搶走，而其他公司和初創公司則寥寥無幾。 為了吸引頂尖人才，他們不僅需要準備好支付高額薪水（例如，谷歌 DeepMind 實驗室的員工平均年薪約為 345,000 美元），還需要令人信服的願景。 此外，你需要問一下深度學習是否是最適合解決商業問題的技術。 例如，對於散戶投資者資產配置的機器人顧問應用程序，基於規則的程序的開發成本可能比深度學習算法低得多，並且更容易實施。 相比之下，能夠從過去的錯誤和勝利中學習並能夠不斷自我改進的機器學習算法是對沖基金投資算法的更好候選者。 目前，取得突破最多、最適合深度學習技術的領域是自然語言處理（如機器翻譯）、計算機視覺（如人臉識別、無人駕駛汽車）和遊戲（如AlphaGo、進化投資決策）製造）。

第三，業務需要具備獲取廣泛計算能力的能力。 正如我在之前的文章中詳細討論的那樣，來自云計算或自己的 GPU 服務器的計算能力是昂貴的。 這方面的勤奮你需要問兩個關鍵問題：1）這個業務的典型任務需要多少計算能力？ 這種計算能力今天可用嗎？ 這對於需要實時處理但實際設備上只有有限的可用空間來容納 GPU 和電池（例如無人機）的應用程序尤其重要。 2）企業能否負擔得起這樣的計算能力？ 例如，李開復在他的《人工智能》一書中講述了一個有趣的故事，他投資的一家深度學習初創公司在前 3 個月花費了 700 萬元人民幣（約合 100 萬美元），只是為了購買深度學習計算服務器。 他進一步強調，如今，典型的深度學習模型訓練任務需要一台或多台計算機，配備四到八個大容量 GPU。 許多計算機視覺任務需要成百上千個 GPU 集群，並且發出的熱量是普通服務器的 10 倍。 這些領域的一些初創團隊不得不重新設計空調系統或購買大塊冰來冷卻服務器。

第 4 步：與 AI 相關的常見（且容易被炒作的）誤解

1. 一些公司實際上只是在開發新的數字業務（例如銀行流程自動化）或基於規則的非機器學習算法，但聲稱它們是人工智能，因為人工智能業務得到了關注和更好的估值。 在您的盡職調查中，您可以通過向他們詢問諸如他們正在使用哪些底層技術之類的問題來嘗試找出這些偽裝。 如果他們在聲稱自己使用“人工智能”後沒有聘請整個數據科學家和人工智能工程師團隊，無論是通過與其他科技公司簽約還是在內部簽約，那麼這可能是一個危險信號。
2. 有時機器學習+人工干預可以比人工智能更好。 例如，最近，中國翻譯技術公司科大訊飛（iFlytek）爆發了一場爭議，因為他們所謂的同聲機器翻譯設備被發現只是在聽和復制人類同聲翻譯的聲音。 科大訊飛後來解釋說，目前無法以所需的速度和準確性進行實時翻譯。 他們認為人類和機器智能的結合為結果帶來了最佳解決方案。
3. 最後，我從我的創業經歷中學到的主要教訓（也是有抱負的企業家和投資者的警示故事）是科學 AI 原型和商業可擴展解決方案之間存在很大差異。 通常，一個有才華的數據科學家可以使用快速原型製作軟件（例如 MatLab）在短短幾個月內開發出科學原型，例如使用 1000 到 10,000 個數據點。 如前所述，商業上可擴展的原型需要：1) 聘請 AI 專家（數據科學家、架構師、軟件工程師、產品經理）的資金，2) 訓練具有數千萬數據點的數據集，3) 計算機程序（例如Python、C++ 等），4）資金在 Amazon AWS、Google Cloud、Microsoft Azure 等上購買深度學習計算機服務器或云計算解決方案。

第 5 步：財務和業務指標

最後，你應該仔細研究 AI 業務的財務統計數據及其非財務業務的觀點，並評估它，就像你對任何其他科技公司所做的那樣。 請參閱下表所示的示例分析。

評估業務的傳統財務和非財務指標包括收入、淨收入/現金流、收入增長率、比率（市盈率、市盈率等）、宏觀經濟學、競爭對手、監管等。科技公司也有有自己獨特的特點。 一個例子是增長率可能比盈利能力更重要。 對於早期的科技初創公司來說，活躍用戶和預訂等用戶統計數據比收入或現金流更重要。 由於對此類投資的需求，估值可能會更高。 例如，英偉達 (NVDA) 的市盈率約為 30 倍市盈率，而麥當勞 (MCD) 的市盈率約為 20 倍。

有很多關於如何評估公司價值的投資書籍，所以我不會在這裡過多地深入研究。 如果它是一家上市公司，您可以從財務報告等公開文件或谷歌財經或彭博社等市場數據提供商處獲得這些詳細信息。 如果是私人公司，您可以聯繫公司管理層以獲取必要的詳細信息。

結論

總而言之，在我看來，我認為中短期人工智能投資最理想的屬性（以及什麼是好的人工智能投資）是： 1）解決一個明確定義的理想問題和 2）非關鍵任務（如果失敗，沒有人會死）。 這些案例包括智能客服領域，例如聊天機器人（並非純粹基於規則）、醫學影像診斷、人臉識別、機器翻譯、AI理財顧問、電腦遊戲等。當然，從長遠來看，高風險/高獎勵關鍵任務問題（例如無人駕駛汽車）是許多人眼中的獎品。 一旦您確定他們有一個理想的問題需要解決，您就可以分析他們的商業可行性、技術可行性、財務統計數據和業務指標。

您還需要考慮您想要投資的具體人工智能垂直領域。不同的人工智能垂直領域對客戶需求和技術準備的緊迫性不同，因此投資回報和風險也不同。 您可以投資於硬件、軟件、平台和服務，以及金融、教育、醫療保健、工業等不同行業。 在隨後的文章中，我將討論如何開始投資人工智能，包括最有前途的垂直領域和技術、投資風格（被動與主動）和地域（美國與中國與世界其他地區）。