百度风投CEO AI投资就是冲着创造新业务系统去的

AI 技术及其简单的商业化，并不是好的投资主题。直到今天，市场上还大量存在着一类机器视觉创业公司，只是单纯地围绕某一领域或者产品做视觉识别。大家可以想想，它们打败大公司或者中型的视觉公司吗?刘维认为不太可能。本文转载自微信公众号“42章经”，作者刘维，百度风投CEO，原标题《BV百度风投丨刘维：发明新业务系统是AI创业的最大机遇》。

以下BVCEO刘维在42章经活动上做的关于AI与产业结合探索路上感受分享，以下是分享节选：以前大家都在科普AI如何改造各行各业，而今天我更多想讲的是对AI终局的预测。从前几年的预热到现在的极热，这说明AI已经到了转型的关口。BV百度风投把AI作为投资主题，我们在这个新旧动能转换的阶段也很困惑，但同时也有了一些思考，接下来分享给大家。

(一)AI 技术及其简单的商业化，并不是好的投资主题

我们第一个感悟是，AI技术及其简单的商业化并不是好的投资主题。

比如头像识别、AI芯片技术等，放在十年前，这些可能是好的投资主题，因为当时AI还不热，大家对AI的认知都很浅。但问题是，这个时间节点已经过去了。而且，这些年做技术投资，很多创业者以“有订单”作为产品需求的唯一衡量点。但有时候出现了一个创新技术，但其实用户的痛点并没有那么深。

以火花塞为例，它对于上一代汽车来说，是一项非常关键的技术，但从历史节点上看，却并不是一个好的投资主题，因为火花塞只是一个单点技术。

首先，一个创业公司要把这项技术做得比大公司好很多，非常难。原因在于，工业化过程中会出现很多问题。要革新这一单点技术，你必须要让整个产业链协同推动，同时还要考虑如何量产和成本问题。而且，就算创业公司真的做起来了，等大公司轻松入场后，最后也只是沦为先烈。其次，优化后的火花塞无外乎两种结果。

第一它能很好地在原有发动机上使用，确实提升了效率，有一定竞争力，但也很有可能原来的技术已经基本满足工业化流程了。这个时候你就要问一问，这小小的改进是否是关键性的?能否让甲方付更多的钱?

第二它的确带来了大改变，但不符合原有设备的条件，这意味着整个汽车产业链的上下游都要跟着改，这个时候你也要问问，它值不值得让整个产业链冒这么大的风险?

最后就算这些问题都解决了，但在整个汽车行业里，火花塞这样的单点技术是一个客单价很低的生意，你的竞争对手推出的产品客单价在500-4000美金，而你的只有3美金。同时，能跑多快、给多少补贴，怎么获客等都是问题。

所以，如果不是从0到1彻底颠覆一个产业，而做的是从1到100的事，只是对原有业务进行效率上的提升，这将很难创造大的价值。

机器视觉也是一个典型的例子。直到今天，市场上还大量存在着一类机器视觉创业公司，只是单纯地围绕某一领域或者产品做视觉识别。大家可以想想，它们能革新上一代的技术，提高门槛去打败大公司或者中型的视觉公司吗?我认为不太可能，因为未来总有一天，大中型公司会选择将业务横向拓展到各个领域，甚至实现端到端的系统变革，自己做芯片和传感器，优化所有工程效率。所以如果“藏身”的点不够深，就很容易被大公司所淹没。

所以说，AI技术及其简单的商业化并不是好的投资主题。

(二)AI 的核心能力，是以更小的代价去支撑更复杂的系统

那为什么我们还在积极投资AI领域呢?

因为我们坚信AI的核心能力。上面的案例我们聊的是单点技术，把AI当成一个已有业务中的小补丁，去提升单点效率，但AI真正的核心能力是：以更小的代价去支撑更复杂的系统。

拿人脸识别来说，如果从单点看，appletoapple技术的准确率远没有RFID或者NFC高，而且成本也相差很大，那人脸识别的优势到底在哪里?从系统设计的角度，它的优势是付出一些“识别不准确”的代价，进而大大提高系统效率，提供便利，并节约成本。也就是说，它在识别你的脸的同时，做Re-ID，理解你的动作、意图，这有助于我们设计出更复杂多元的系统。我们在美国投了一些广义上的AR技术(中国这方面的技术很少)，就是在物理世界上叠加虚拟和逻辑世界，或者工业软件信息，最后再投射回物理世界。

举个具体的场景，建筑工人原来需要自己划上1.6米高度的标记，利用AR技术后，只需要打一个1.6米的激光，在加工过程中，也会有系统进行实时纠正。其实手术等场景也一样。这看上去简单，但并不是一件容易的事。假设AI系统感知位置或者投射激光是通过工人的头盔，但每位工人身高都不同，也就意味着每个人的位置不固定，这就需要AI有快速理解环境，并进行快速补偿的能力。

所以综合来看，我认为过去几年AI在技术上实现了进步，但应用层面还没有奏效，但或许未来5到10年，我们能看到有相应的应用。

(三)我们的投资主题只有一个，发明新业务系统，实现 0 - 1

作为AI基金，我们的投资主题只有一个，就是发明新业务系统。

如果你的团队中有很多技术牛人，能最早感知到前沿技术的边界，并且有信心提前大公司三到五年把产品做出来，这当然很厉害，但也只是一个入口，出口还是要落到新业务的效率模型。就像只发明一个火花塞是不够的，我们需要发明一辆汽车，或者一种新的交通工具。那该怎么做呢?如果我们选择一些细分领域，去重新梳理业务系统之间的逻辑，就会发现大量从0到1的机会。

来看看集装箱的例子。集装箱其实是在1940年左右，才被正式标准化并投入使用。它最大的成功在于其产品的标准化，以及由此建立的一整套运输体系，这大大降低了物流成本，提升了运输效率。回到那个时间点，我们会发现当时每一个物流链上的节点，都有大量的人在卸货、包装、装货，非常复杂。而当有了集装箱，装货、卸货，包括整个商品包装行业的上下游，都发生了改变。所以，当我们重新发明一个“容器”，整个行业的很多节点和链条其实都改变了，它代替了很多原有节点，又诞生了新的节点。

发明新业务系统的机会是无处不在的。你去改变一件人类基本可以做到、但稍微有些困难的事，并不是终局。但是你能让它实现从0到1的改变，就要比大多数人类高一个量级。我想人类的历程其实就是不断地利用前沿技术和对行业的理解，去发明一些新的工具，去重塑节点和业务流程。人类的组织进化，就是先标准化，再个性化的过程。从这个角度来看，AI技术还有很大空间。

以医疗技术为例，有大量潜在的数据轴需要AI去挖掘，比如扫描、成像技术，因为图像获取上存在很大误差，没办法达到通过认证的标准，必须要经过更复杂和个性化的调试才能得出一个更好的参数，或者通过其他数据轴的情况进行实时调整，做多轮次的感知技术，比如体内传感器。这在原来完全不可解，但在AI时代，就是一个有着发明新业务系统机会的垂直领域。

(四)如何抓住AI投资机会

不可避免要做加法，有机会的是垂直领域的新效率模型公司

但是要抓住这样的变革机会，就不可避免地要做加法。做加法，就要做大乙方。该过程不需要让技术100%落地，理解了技术边界就可以去找场景，往系统变革的方向去跃升。所谓大乙方，就是不满足于对单点的替代，而是和客户一起去重新定义端到端的模型，利用AI技术定义一个全新的业态。

比如零售，如果我选择融入传感器技术，做一个货架，加人脸识别的探头，其实你会发现，最终的客户营销漏斗还是没变。但如果用AI技术赋能会怎么样?我这里做个猜想：零售可不可以不是一家店，而是一块靠近通道，能够快速捕捉客户兴趣的互动屏幕，再加上一个后端的前置仓?一定会出现这样的可能性，就像超市也并不是与生俱来就有的，而是人类发明的新系统。

我认为，对于创业者来说，最惊险一跃的机会，永远是在技术尚未成熟时，比如提前3-5年去打造一个冒险的业态。在当时可能无法理解，但几年后，就是业态上的优势。不过对很多行业来说，大乙方可能还不够。我们现在非常鼓励创业者去尝试做新甲方，或者用新甲方的心态去考虑自己能不能做乙方和技术供应商。

用苹果举例。三、五年前，我们在美国投了很多农业AI项目，现在他们普遍转型，自己当甲方。在美国，农业领域的传统甲方是一些分散的中型农场，光赋能补上了其中一环，甲方在别的环节水平跟不上，也没有办法快速地把优势发挥出来——这和中国的SaaS发展不起来逻辑上是一样的。

所以美国的农业项目，通常是先拿这些甲方练手，站在大乙方的角度，去设计一个端到端的解决方案——根据下游供应链的订单来决定提前几天、去哪个区域摘苹果，以及怎么调控灌溉的时间——对苹果的整个生产环节进行数字化配置，搭建提升农场运营效率的模型。这实际上相当于树立了一个新的苹果品牌。这其实就是AI非常大的系统优势，因为AI能够让每一个苹果的每一个生产环节，都实现数字化配置。

假设全果园有6657423个苹果，我到底要摘哪一个?如果是人工，肯定会根据“看上去很红”的标准，但如果使用AI技术，借助冒泡算法，我可以很确定地摘第50个红苹果，来保证交期。不仅如此，还可以减少农药的喷洒量和水的使用量。

这样，甲乙方的关系慢慢就会发生转变，原来的甲方变成大乙方的加盟商。为什么呢?因为如果让传统甲方赋能AI系统，因其滞后的供销渠道，就不能把价值发挥到最大。所以现在的模式主要是，新甲方承诺给传统甲方会提供什么样的水果质量，并且负责统购统销，传统甲方只要按照规定的流程，就能实现双赢。我们今天知道的品牌商，比如Dule，其实就是这个定位。

但新甲方有一个必要的条件，就是要素得充分开放，否则打不过原来拥有要素的老甲方。就像上一轮的房地产，老甲方只要把房子囤着就好，并不需要把它造得更好。

目前很多行业其实都存在这样的机会，尤其是今天的中国，因为中国拥有经济周期上的优势，大量的行业要素都已经充分开放、充分竞争、可交易，且需求还在快速变化且增多。

那SaaS为什么不算一个好机会?做SaaS是利用了别人已经做过的计算机服务器，所以渗透的机会有一些是属于创业者的，但也有很多属于大公司。相反，一些大家不愿意碰的垂直领域，如果你从0开始布局传感器和硬件技术，围绕该品类算法做大量的开发和优化，机会就来了。

所以我认为，10年后，中国并不会出现一批AI平台公司类机会，真正有机会的是那些垂直领域的新效率模型公司。