0
雷鋒網新智造按：最具權威性的人工智能與機器人創新公司榜單「新智造成長榜 2017 」評選正在進行中。本文來自星河互聯人工智能事業部總經理、合伙人劉瑋瑋，他也是本次雷鋒網新智造成長榜的評委。在文中，他分享了對人工智能創業項目進行技術驗證的方法。在某種程度上，這也是他評選具有成長潛力公司的標準，對有融資需求的AI創業公司以及有項目需求的投資公司也有借鑒意義。點擊“鏈接”可了解關于雷鋒網新智造成長榜的詳細消息。歡迎廣大企業報名參與。
大家好，我是劉瑋瑋。
前不久，我做了一次線下分享，內容主要是講我們眼中人工智能領域的一些新變化，并且給創業者提了幾個建議。我認為創業者無論是把人工智能當做噱頭也好，加分項也罷，項目都應該回到創業的本質——解決問題。作為創業者首先要根據自己所在行業的場景，去根據問題尋找人工智能的解決方案，而不是反過來拿著火熱的概念到處去找還能再拿人工智能“+”什么？
在2017下半年，那些單純依靠算法、SDK講故事的項目，需要加快商業模式驗證的速度。并且，軟硬件的整體解決方案將會對客戶有更直接的價值。在技術能力之外，創業者的行業縱深與渠道拓展能力，將會越來越重要。
我先給大家一個技術驗證的總觀點——使用科學的態度進行技術驗證。那么究竟什么是科學的態度？我認為翻譯過來其實就是八個字：大膽假設，小心求證。
你可以對過程中的任何感覺不合理的地方進行存疑，并且小心求證，絕不能武斷的下結論，錯殺好項目。無論人工智能領域還是其他前沿科技領域，我們在鑒別項目時，都會關注其團隊、產業、商業模式、運營、競爭、技術等方面。
具體講技術驗證，我有以下分享的點：
第一，團隊要有學術積累和行業縱深能力
這里面我們要特別強調一下，我們說的團隊具備的能力，不是指能力都集中在某一個人（比如創始人、CEO等）身上，而是說希望能通過合伙的形式，使核心團隊整體具備技術、工程、行業經驗、運營等核心能力。
1. 有無優秀學術背景
團隊需要有技術帶頭人，比如第四范式的楊強教授是AAAI的fellow；商湯科技、曠視科技、格林深瞳、地平線等等，都有其技術帶頭人。
除了團隊帶頭人履歷外，團隊的技術背景還可以通過頂會（ICCV、CVPR、ECCV等）和頂級的Paper發表情況來進行識別。
此外，專利情況也是需要了解的內容。可以通過專利，看一下團隊之前的技術分布領域。之前有一些所謂的科學家創業，翻看其多年的專利積累和學術論文，發現其研究方向和本項目并不是強相關，這種情況需存疑并進行進一步驗證。
2. 工程實踐能力
我們回顧一下2016年人工智能的創業項目，會發現大量的天使期項目都是以團隊具備算法能力作為切入點，進行天使輪、PreA輪融資，比如人臉識別SDK、手勢交互SDK、基于開源框架做的分類器等等。
很多SDK以及軟件平臺當時只是實驗室產品，沒有考慮成本、計算資源、特定領域的識別效果、客戶場景的可集成度等因素，距離真正的商用還有差距。因此，需要團隊中有必要的工程實踐能力與經驗，能快速處理工程中問題。
除了技術方面之外，快速跟進客戶需求，快速迭代、上線發布的能力，也是項目的工程實踐能力的另一方面。
3. 行業縱深能力
行業縱深能力是指，團隊中有沒有該領域的渠道資源、客戶資源、上下游合作的資源。這個能力對于產品能否快速商業落地極其重要。不同的產業有其相應的壁壘和特點，被技術改造和合作的難度是不一樣的。比如，以無人駕駛/輔助駕駛對應的汽車產業鏈舉例，大量的從視覺算法切入的初創項目，在和主機廠、一級供應商尋求前裝落地過程中，都是不占優勢的，未來還會面臨各種傳感器的數據融合，算法的打通，挑戰巨大。
行業縱深能力舉例：面對汽車復雜的產業鏈，僅僅依靠算法優勢期望切入汽車前裝市場，是很艱難的。
第二，技術及產品驗證，黑盒驗證盡量充分
對TS之前的PreDD階段的技術驗證，一般不會接觸到實際代碼，算法層面的調研都比較少。一般以黑盒測試和專家驗證、第三方機構驗證為主。投資人也要熟悉細分領域基本的技術原理和判別指標。
1. 關于數據源
人工智能的三要素：算法、計算力、大數據。目前的人工智能算法大都基于深度學習實現，深度學習訓練神經網絡模型是基于海量的訓練集，同時需要訓練集中的數據具有多樣性和完備性。
隨著各種深度學習算法的框架的開源，相信未來的基礎框架層的競爭壁壘會越來越低。同時，專有的GPU、FPGA芯片、專用ASIC等也會慢慢攻克本地化、擴展性等問題。
現在的深度神經網絡訓練大多是監督學習模式，所以需要對每個學習樣本依照完成的任務建立相應的監督標簽，這是耗時耗人力的工作，海量數據訓練集變成了各個廠家比拼的核心資源。
像安防、醫療、金融等領域均擁有海量結構化的帶標記的數據，成為了人工智能技術上最先落地的領域。因此，基于行業的獨有的海量訓練數據集便成為稀缺資源，投資人看項目時，需要仔細甄別、查看數據源的質量、真實性等維度。
2. 黑盒測試，應明確測試條件
上文我們談到，在PreDD階段，很難接觸項目的代碼層和過于詳細的算法層。那么，一個充分的黑盒測試就顯得極其重要。
以往在看項目時，往往會聽項目介紹如下：
“我們的算法在XX比賽中場景識別準確率達到XX%”
“我們的攝像頭在多種測試場景下，物體識別準確率達到XX%”
“我們的語音識別準確率達到XX%”
如果大家之前做過軟件或者硬件測試就會知道一個常識，即一切不談測試條件的測試結論都是無意義的。不能說項目故意誤導，但作為投資人必須要對測試條件進行詳細的鑒別。
明確了測試條件后，如果有條件，可以現場進行簡單測試。比如，測試遠場麥克風陣列，就可以根據麥克風陣列標定的遠場距離進行喚醒測試、交互測試等等。
3. 投資人應提供獨立的測試集，并盡量現場測試
我們在看模式識別的一些項目時，會發現項目核心其實就是分類器。比如，一個醫療人工智能看片項目，我一般會要求項目使用我提供的樣片，并且現場上傳到項目的SaaS中。可以的話，讓機器當場操作，出結論，并與實際結果進行比對，驗證分類器的準確率。
如果投資人不提供獨立測試樣本，一般項目會提供它之前訓練好的測試樣本進行展示。就好比一個人用準備好的10道題目來證明自己的知識水平，很難講是真實的水平還是提前背好的。
舉例：黑盒測試一個客服機器人
以基于深度學習的XX客服機器人項目舉例：通用測試—1000個問題的測試集。
第三，上下游訪談，要盡量做到充分、客觀
上文提到，要對算法模型進行充分的技術驗證。那么，如果無法黑盒測試，怎么辦？舉個例子，如果我們要測試激光雷達，或者ADAS系統。理想中相對充分的測試應該是在一臺前裝車上進行全工況測試，但現實中行業的發展以及車廠資源很難協調獨立第三方測試。那么，這時，一些投資人會更多的通過專家判斷、上下游客戶訪談等方式進行驗證。
1. 行業內專家判斷要避免單一化，要覆蓋全
比如，對無人駕駛項目的判斷，既要訪談看好這個方向的專家，也要訪談看空這個方向的專家，多與各領域專家保持溝通合作，充分溝通交換信息，得出結論。
2. 上下游合作伙伴要按利害關系，進行訪談
還是以無人駕駛/輔助駕駛為例，既要訪談主機廠，也要訪談一級供應商；如果已經和項目有合作，則可多詢問一些項目細節，具體合作內容等等。
技術驗證只是評價項目的一個方面。特別的，對于一些前沿領域，在項目未上線之前，產品上沒有太多可測試驗證的內容。這時，往往對于行業的判斷，對于商業模式可行性的判別比單純的技術驗證更為重要。
星河互聯旗下華空科技正在與PNP聯合發起加速營，可以幫助AI早期項目進行技術驗證、賦能、幫忙投資人進行早期項目的Pre-DD，給出專業技術驗證結論。歡迎有需求的項目與投資人與我們聯系。
