0
雷鋒網按：本文作者待字閨中陳老師，主要談了自己對于如何考量一個好的創業公司的三個標準。
現在，人工智能很火，應該是相當的火，很多創業公司不管是不是真有智能都號稱自己是人工智能公司，投資人追逐人工智能拼命的砸錢到這些公司生怕失去賺錢機會，媒體自媒體跟時髦不分青紅皂白不追根問底更是火上加油。那么，到底應該怎么去考量一家人工智能創業公司呢？
談談個人想法，如何去看一家人工智能創業公司。是的，純屬個人思考良久的看法，希望能有幫助。
第一，看創始人和團隊的背景，之前是否有人工智能相關的教育，訓練，和從業經驗和實踐。
人工智能畢竟是高科技，不相信看看幾本書，讀讀幾篇文章，參加幾次高端會議，就能成為專家，就能打造人工智能產品。
聽過一萬小時定律嗎？它是作家格拉德威爾在《異類》一書中陳述的：“人們眼中的天才之所以卓越非凡，并非天資超人一等，而是付出了持續不斷的努力。一萬小時的錘煉是任何人從平凡變成超凡的必要條件?！?。要成為某個領域的專家，需要10000小時，按比例計算就是：如果每天工作八個小時，一周工作五天，那么成為一個領域的專家至少需要五年。
對于人工智能從業者，一萬小時可能有點多，但是沒有長時間在人工智能領域錘煉的創始人和團隊，號稱用人工智能打造產品，應該是不那么現實的。所以，第一個考察點，是創業公司的團隊和創始人的相關經歷和經驗。
第二，看有沒有自己IP的人工智能算法，算法有沒有說得出的創新點。
用了深度學習，或是其它機器學習算法，不一定就是人工智能吧，必須要有自己的創見，自己的革新，自己的特色。
Google當初發明PageRank的時候，其他搜索公司都在計算鏈接被引用的次數，并且把次數作為權重來指導排名。但是，PageRank把鏈接之間的關系抽象成了隨機行走（Random Walk）模型，而不是簡單的計數。這就是洞見，產品出來就超過了競品，好評如潮。
AlphaGo和其他棋類算法一樣也使用了蒙特卡羅搜索，但是，首創通過引入深度學習算法來指導剪枝和評估棋盤的優劣，從而超過之前任何別的算法，達到新的高度。
算法很重要，但需要理性的看待算法的壁壘。算法一般存在于人腦中，存在著被泄密的風險，開始可能有優勢，時間長了，保不準被員工泄露，從而被競爭對手抄襲了，可見算法的風險也高，不是一勞永逸的東西。另外，算法調優中積累的經驗也很重要，但有可能隨著員工的流失而流失。
第三，看有沒有有優勢的數據，數據可能是長期積累的行業和通用大量數據，可能是很多的行業專家知識以規則或是知識圖譜的形式存在。
沒有積累的大量數據，沒有專家整理的知識，數據沒有很好的清洗結構化甚至標簽化，號稱自己是人工智能公司，不知道智能能從哪冒出來。
IBM的Watson能做精準醫療，他們在之前買了很多的醫療數據公司，積累和分析了大量的期刊，論文，病例，藥品，治療方案，等等數據，從而能使Watson能利用算法創造奇跡。
Google，如果沒有大量的歷史用戶搜索和點擊數據，再清理分析這些點擊數據，建立用戶點擊模型，然后使用模型來提高搜索結果的排序，Google的搜索結果也不會讓很多用戶滿意，眼前一亮。
當一個公司做了很多基礎數據收集和積累工作，數據和知識積累得越來越多，才有可能往人工智能邁向一步。而且，這些大量數據，比如，Terabytes，Petabytes，Exabytes，Zettabytes 數據，還怕數據被泄漏，被偷走嗎？這種數據的壁壘，將是長期的可持續的競爭優勢。而且數據越多，在沒有overfit的情形下，模型會越精確，體現出的智能會出人意料。
經驗的團隊，獨特的算法，優越的數據，特別是數據，用這三個準則去看一個號稱是人工智能的公司是否真正名符其實。如果這三個東西都沒有，都說不清楚，還是別給自己貼個時髦的人工智能標簽了吧。當然，最后是不是人工智能不重要，做出有用的讓人驚艷的產品才能證明一切。
雷鋒網注：本文由待字閨中授權雷鋒網發布，如需轉載請聯系原作者，并注明作者和出處不得刪減內容。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
