原 2017-05-08 刘玮玮 星河融快

　　“

　　大家好猛龙队依靠团队合作，连续胜利，我是刘玮玮。

　　前不久，我做了一次线下分享，内容主要是讲我们眼中人工智能领域的一些新变化，并且给创业者提了几个建议。我认为创业者无论是把人工智能当做噱头也好，加分项也罢，项目都应该回到创业的本质——解决问题。作为创业者首先要根据自己所在行业的场景，去根据问题寻找人工智能的解决方案，而不是反过来拿着火热的概念到处去找还能再拿人工智能“+”什么？

　　在2017下半年，那些单纯依靠算法、SDK讲故事的项目，需要加快商业模式验证的速度。并且，软硬件的整体解决方案将会对客户有更直接的价值。在技术能力之外，创业者的行业纵深与渠道拓展能力，将会越来越重要。

”

　　在上一期的《AI创业者要回归商业规律》中星河互联合伙人、人工智能事业部总经理刘玮玮推断了2017年的下半年，将会迎来AI行业的第一波洗牌。资本将会把第一波商业模式迟迟不能验证的炒概念项目清洗掉。

　　而对于AI领域的投资人，因为该领域独特的专业性壁垒，大家在技术验证时可能会遇到一些困难，如何能真正的看清AI项目的技术壁垒在哪里？今天我们就和刘玮玮一起为大家分享关于人工智能领域项目技术验证的方法，希望对你有所帮助。

　　星河融快（ID:rongkuai888）还将通过专业的分析，持续与你分享“有趣的”产业互联网干货。欢迎你在下方留言和我们分享有趣的观点，自荐或推荐优质产业互联网项目，同时也欢迎你来上地18号和我们聊聊。

　　以下，供你参考。

　　我先给大家一个技术验证的总观点——使用科学的态度进行技术验证。那么究竟什么是科学的态度？我认为翻译过来其实就是八个字：

　　大胆假设，小心求证

　　你可以对过程中的任何感觉不合理的地方进行存疑，并且小心求证，绝不能武断的下结论，错杀好项目。无论人工智能领域还是其猛龙队依靠团队合作，连续胜利他前沿科技领域，我们在鉴别项目时，都会关注其团队、产业、商业模式、运营、竞争、技术等方面。

　　具体讲技术验证，我有以下分享的点：

　　第一

　　团队要有学术积累和行业纵深能力

　　这里面我们要特别强调一下，我们说的团队具备的能力，不是指能力都集中在某一个人（比如创始人、CEO等）身上，而是说希望能通过合伙的形式，使核心团队整体具备技术、工程、行业经验、运营等核心能力。

　　1、有无优秀学术背景

　　团队需要有技术带头人，比如第四范式的杨强教授是AAAI的fellow猛龙队依靠团队合作，连续胜利；商汤科技、旷视科技、格林深瞳、地平线等等，都有其技术带头人。

　　除了团队带头人履历外，团队的技术背景还可以通过顶会（ICCV、CVPR、ECCV等）和顶级的Paper发表情况来进行识别。

　　此外，专利情况也是需要了解的内容。可以通过专利，看一下团队之前的技术分布领域。之前有一些所谓的科学家创业，翻看其多年的专利积累和学术论文，发现其研究方向和本项目并不是强相关，这种情况需存疑并进行进一步验证。

　　2、工程实践能力

　　我们回顾一下2016年人工智能的创业项目，会发现大量的天使期项目都是以团队具备算法能力作为切入点，进行天使轮、PreA轮融资，比如人脸识别SDK、手势交互SDK、基于开源框架做的分类器等等。

　　很多SDK以及软件平台当时只是实验室产品，没有考虑成本、计算资源、特定领域的识别效果、客户场景的可集成度等因素，距离真正的商用还有差距。因此，需要团队中有必要的工程实践能力与经验，能快速处理工程中问题。

　　除了技术方面之外，快速跟进客户需求，快速迭代、上线发布的能力，也是项目的工程实践能力的另一方面。

　　3、行业纵深能力

　　行业纵深能力是指，团队中有没有该领域的渠道资源、客户资源、上下游合作的资源。这个能力对于产品能否快速商业落地极其重要。不同的产业有其相应的壁垒和特点，被技术改造和合作的难度是不一样的。比如，以无人驾驶/辅助驾驶对应的汽车产业链举例，大量的从视觉算法切入的初创项目，在和主机厂、一级供应商寻求前装落地过程中，都是不占优势的，未来还会面临各种传感器的数据融合，算法的打通，挑战巨大。

　　行业纵深能力举例：面对汽车复杂的产业链，仅仅依靠算法优势期望切入汽车前装市场，是很艰难的。

　　第二

　　技术及产品验证，黑盒验证尽量充分

　　对TS之前的PreDD阶段的技术验证，一般不会接触到实际代码，算法层面的调研都比较少。一般以黑盒测试和专家验证、第三方机构验证为主。投资人也要熟悉细分领域基本的技术原理和判别指标。

　　1、关于数据源

　　人工智能的三要素：算法、计算力、大数据。目前的人工智能算法大都基于深度学习实现，深度学习训练神经网络模型是基于海量的训练集，同时需要训练集中的数据具有多样性和完备性。

　　随着各种深度学习算法的框架的开源，相信未来的基础框架层的竞争壁垒会越来越低。同时，专有的GPU、FPGA芯片、专用ASIC等也会慢慢攻克本地化、扩展性等问题。

　　现在的深度神经网络训练大多是监督学习模式，所以需要对每个学习样本依照完成的任务建立相应的监督标签，这是耗时耗人力的工作，海量数据训练集变成了各个厂家比拼的核心资源。

　　像安防、医疗、金融等领域均拥有海量结构化的带标记的数据，成为了人工智能技术上最先落地的领域。因此，基于行业的独有的海量训练数据集便成为稀缺资源，投资人看项目时，需要仔细甄别、查看数据源的质量、真实性等维度。

　　2、黑盒测试，应明确测试条件

　　上文我们谈到，在PreDD阶段，很难接触项目的代码层和过于详细的算法层。那么，一个充分的黑盒测试就显得极其重要。

　　以往在看项目时，往往会听项目介绍如下：

“我们的算法在XX比赛中场景识别准确率达到XX%”

“我们的摄像头在多种测试场景下，物体识别准确率达到XX%”

“我们的语音识别准确率达到XX%”

　　如果大家之前做过软件或者硬件测试就会知道一个常识，即一切不谈测试条件的测试结论都是无意义的。不能说项目故意误导，但作为投资人必须要对测试条件进行详细的鉴别。

　　明确了测试条件后，如果有条件，可以现场进行简单测试。比如，测试远场麦克风阵列，就可以根据麦克风阵列标定的远场距离进行唤醒测试、交互测试等等。

　　3、投资人应提供独立的测试集，并尽量现场测试

　　我们在看模式识别的一些项目时，会发现项目核心其实就是分类器。比如，一个医疗人工智能看片项目，我一般会要求项目使用我提供的样片，并且现场上传到项目的SaaS中。可以的话，让机器当场操作，出结论，并与实际结果进行比对，验证分类器的准确率。

　　如果投资人不提供独立测试样本，一般项目会提供它之前训练好的测试样本进行展示。就好比一个人用准备好的10道题目来证明自己的知识水平，很难讲是真实的水平还是提前背好的。

　　举例：黑盒测试一个客服机器人

　　以基于深度学习的XX客服机器人项目举例：通用测试—1000个问题的测试集。

　　XX项目（80%）在通用测试准确率水平与百小度（86.5%）接近

　　第三

　　上下游访谈，要尽量做到充分、客观

　　上文提到，要对算法模型进行充分的技术验证。那么，如果无法黑盒测试，怎么办？举个例子，如果我们要测试激光雷达，或者ADAS系统。理想中相对充分的测试应该是在一台前装车上进行全工况测试，但现实中行业的发展以及车厂资源很难协调独立第三方测试。那么，这时，一些投资人会更多的通过专家判断、上下游客户访谈等方式进行验证。

　　1、行业内专家判断要避免单一化，要覆盖全

　　比如，对无人驾驶项目的判断，既要访谈看好这个方向的专家，也要访谈看空这个方向的专家，多与各领域专家保持沟通合作，充分沟通交换信息，得出结论。

　　2、上下游合作伙伴要按利害关系，进行访谈

　　还是以无人驾驶/辅助驾驶为例，既要访谈主机厂，也要访谈一级供应商；如果已经和项目有合作，则可多询问一些项目细节，具体合作内容等等。

　　总结

　　技术验证只是评价项目的一个方面。特别的，对于一些前沿领域，在项目未上线之前，产品上没有太多可测试验证的内容。这时，往往对于行业的判断，对于商业模式可行性的判别比单纯的技术验证更为重要。

　　星河互联旗下华空科技正在与PNP联合发起加速营，可以帮助AI早期项目进行技术验证、赋能、帮忙投资人进行早期项目的Pre-DD，给出专业技术验证结论。欢迎有需求的项目与投资人与我们联系。

　　往期回顾：

　　2017年，AI创业者要回归商业规律