编者注：本文作者Rayfe Gaspar Asaoka毕业于南加大、斯坦福大学电气工程专业，在本文中向我们具体介绍了AI风潮中的投资机会。
诚然，AI是过度炒作，但也是方兴未艾的一个概念。
从初创公司到大型企业，甚至到好莱坞，人工智能（AI）无处不在。“深度学习”一词的搜索频率在过去两年中增长了4倍。人工智能似乎成为了每一篇文章、每一次会议、每一家初创公司不可避免的主题。这一切看起来都有些过度炒作的意味，尽管如此，当你试图看穿这种炒作风潮时，你不得不确定AI就是新一波创新浪潮，而且目前仅仅是一个发展开端。
在过去的几年中，我们亲眼见证了AI平台的高速发展。尤其是在DL的子领域，在这些领域中反向传播（B－P）背后的微分方程使大多数开发者目眩神迷，开放源码库TensorFlow几乎让所有人都能够搭建最新的分类器和各式各样复杂的转换网。现如今开源选择都有几十种，从高校牵头的研发项目，诸如Theano、Caffe以及DyNet到公司企业的研发产品，诸如TensorFlow、CNTK以及MXNet。恰恰是因为他们作为开发平台之间的相互竞争，多种开源选择之间相互促进、推动了功能的进步和革新。这种竞争实际上是一种企业内的特洛伊木马，随着这些平台可操作性的逐渐增强，AI将逐步成为企业的中心。
随着算法从基于经典规则的AI（专家系统），到回归机器学习，再到多层次网络（深度学习），最后到现如今的增强学习，我们看到了AI渗透到企业的新路径。例如，深度学习领域通过非结构化数据（诸如计算机视觉以及计算机语音）得到了新的定义。增强学习则具有更广泛的适用性，从诸如财务、安全等时间序列数据领域到诸如机器人、物流等多步骤过程领域等均有应用。
比赛的哨声已经吹响，这场竞赛是为了让初创公司更好地研发下一代算法，同时搭建一个具有防御性能的专用数据库及算法模型。准备好了么？敌人还有三十秒达到战场！
至于这场比赛的结果如何？这将是AI*次大规模提供真正的产品和服务。
诸如谷歌、Facebook和百度这样公司已经欣然接受了类似于Geoffrey Hinton、 Yann LeCun和 Andrew Ng等人所在企业内部应用研究的核心精神。Jeff Dean最近谈到了谷歌内部AI使用普遍化的问题，这不仅仅是用于研究，而是用于生产。在很多方面这与二十年前软件运动有相似之处，成功的公司接受了这种新的范式，并将其业务视为软件先行。
十年前，优秀的企业移动优先，而下一代成功的公司将是AI先行的。
在AI炒作潮之中如何理智投资？
现如今不乏初创公司自称是AI公司，投资者和创始人都要面对的挑战是如何剥开层层迷雾找到真正意义上的AI公司，这一点对于在应用层面提供AI解决方案的公司来说尤为重要，这也是我公司Canaan投资的主要精力投入所在。
为了帮你在各种炒作之中擦亮慧眼，我提出了一个简单的2*2框架来评估AI创业公司的潜力如何。在横轴上，我用该公司是否具有差异化数据集（即*标记数据、专有数据）或算法来作为判断标准，因为具有差异化数据集的公司在技术壁垒上更有优势，他们能够通过更好地训练、处理来改进算法模型。在纵轴上，我认为同样重要的判断因素是该公司是否具有商业模式创新。尤其是当我看见一家公司研发的以AI为基础的应用程序能够从根本上打败使用人工且耗时的传统行业时，我感到非常振奋。
如果一家公司只满足上述两个判断标准中的一个，他可能会在短期内获得成功，但是一旦出现拥有更好的数据集或独特商业策略的竞争对手的时候，他很快就会被抓住弱点然后走向灭亡。AI行业下一代的赢家一定是在上述两个因素中都具有优势的公司，他们不仅会改变行业对其商业模式的固有看法，同时也能够让竞争对手在试图突破他们的技术壁垒之时遗憾地发现一切都太晚了。
最近获得Canaan投资的一家名为Ladder的公司，就是在上述两个因素中均有优势的一个优秀案例。该公司同时拥有差异化的数据集和独特的AI模型，这两点让他们能够实时承保人寿保险，而不是行业6-8周的平均耗时，这大大拓展了该产品的实用性和购买率。同时随着他们持续不断地从消费者处获得的大量数据，他们的实时承保模式将会呈现指数级增长。千万记得，评估一家AI公司时一定要思考一下该公司是否具有数据集技术壁垒和商业模式的创新。
最终游戏：AI的民主化
目前我们正在进入AI生态系统进程中的关键性拐点。
平台、算法和结构的聚合力量并不是相互孤立的，它们密切相关，且相互之间能够产生病毒式的网络效应。我们需要明白的是，尽管AI炒作之势如火如荼，但这一切仍然是处于早期阶段，这个新兴行业的主要价值创造仍在路上。不过毫无疑问的是，AI的潜力和广泛的影响力是真实存在的。在Canaan，我们希望投资那些能够利用AI来打破旧有商业模式，将之替换为新奇且独特的商业模式的初创公司。
