2016年的人工智能发展比较迅猛，无论是从标志性的事件、巨头的布局以及投资的数据等，都可以看到发展极其迅猛，但整体还在初期。

从50年代起，人工智能就开始发展起来了，早期不叫“人工智能”，它有很多符合那个时代的技术属性的称谓，比如“人机交互、专家系统、模式识别、机器学习、深度学习”等等，都是人工智能所覆盖的领域。

2010年以后，以机器学习为代表的一些课题发展跟之前有什么不一样呢？可以发现，随着大数据的发展，越来越多的领域产生了分布化的大数据，这些数据可以训练算法模型。此外，FPGA、GPU甚至未来专用芯片的发展，也使得低成本的底层计算力成为可能。

在目前人工智能领域的基本架构中，底层是基础设施，包括数据、训练模型。中间是技术层，有算法以及各种框架，上层有在不同细分领域应用的解决方案。这个组成构成了目前人工智能的产业链。　　

从地理分布图可以看到，全球百分之六七十的项目都在欧美。从全球的AI项目成立的时间来看，大部分欧美的AI项目，成立在2013年、2014年。中国在2014年、2015年的时候，也有一批AI的天使期项目创建起来。从推断上来看，中国比美国整体的AI发展，应该慢半年到一年的时间，而其中的一些明星项目，那个时候都还不叫人工智能项目。

这是AI和各个领域的结合，比如医疗、营销、商业智能、安全、金融、IOT等等，它基本涉及了所有我们现在看到的科技领域以及传统行业的方方面面，我们认为AI的前景还是很广阔的，但目前技术相对成熟的是医疗、金融、垂直领域的智能客服、语音、安防等几个领域。

医疗有个典型特点，它的场景和应用比较封闭，数据偏结构化，如果拿到它的数据是很容易拿到训练模型的，这是它的天然属性。

还有一些开放的领域，进展就稍微慢一些。语音领域，现在实际上它是最有望全面落地的领域，可以从安静环境下测试集的测试准确率来看，基本上可以达到95%，但是非安静环境下，它的应用并不好，实际效果还是有很多的问题。还有一个问题是语意的理解，特别是对中文语意的理解，现在还很不成熟。

前面讲到了人工智能发展的火热，但从技术发展来看，人工智能确实还处于初期。从分布的象限来看，大部分领域才刚刚开始，语音可能快一些，那么还有一些比较有潜质的领域，比如智能机器人。从存在的项目数来讲，智能机器人应该是AI里大的一个细分领域。

从成熟度曲线来看，语音更靠前一点，然后是计算机视觉，特别是安防领域，封闭的场景，有一些孤岛化分布的大量数据可以用于训练，在这些领域它是有先发优势的。

刚才提到，在AI比较火热的同时，从2016下半年到现在我们也看到了很多变化，这是我们基于人工智能行业的演进和大环境分析，看到的一些行业的转变。

首先是IPO提速。这个变化对前沿科技领域有没有影响？未来会有很大影响。很多新三板项目纷纷摘牌，如果你的整个项目基本面比较好，连续三年盈利，那它可能就去IPO排队了。从数据来看，还是能看到一个IPO提速的趋势，也听到证监会的消息，说未来将会每周有十家项目通过IPO审核，按照这样的速率，一年就有500多个项目。

6

其次，国内成长期基金募集量已变为大。成长期的基金，在A轮左右、商业模式得到验证的项目今年会特别受到投资人追捧。实际上资本市场的关注点有向后移的趋势，这是我们从数据以及平时的业务过程中感受到的。

最后是在这样大的一个资本驱动力下，AI项目慢慢也会从早期的天使期随着时间的演进和资本的驱动力，过渡到A轮左右的趋势，大家可以看到早期项目融资数目量有降低的趋势。

　那么我们怎么看待这些转变？

我们从数据可以看到，有很多AI的项目估值很高，甚至说整个人工智能领域在去年有比较大的泡沫。随着IPO的提速、项目不断随着时间演进，高估值的项目退出将会面临巨大挑战。我们可以通过A股人工智能概念上的项目，以它作为尺子，看一下它的营收、商业模式以及PE、PS，实际上你就会看到，人工智能现在离全面商用还是很远的，也还远没有到全面盈利的阶段。

截止到2016年Q3的一个数据，以科大讯飞为例，全年科大讯飞营收在33亿左右，然后净利是4.9亿，我们以科大迅飞作为一个缩影看行业，那么跟科大迅飞类似的某些语音公司主营业务还没有盈利，整体还是在烧钱的状态。这么高的估值，投资人要以一个什么样的倍数或者期望去退出？这是一个很严肃的问题。

所以我们判断，在IPO提速以及高估值的双重作用下，我认为2017年AI行业将会出现第一波洗牌。那些商业模式长时间未被验证，估值又很高，烧钱又很凶的项目将会遭遇遭遇无人接盘、无法退出的风险。

最后，分享几个我们对于这个行业的整体观点，这些观点来自于我们对AI领域创业项目的长期跟踪、摸索、思考与沉淀。

　　第一，算法壁垒将会逐渐降低

在去年的时候，如果你有一个比较好的科学家和比较好的算法分析团队，可能很容易拿到天使轮甚至是A轮以前的融资，这是肯定的，包括我们去年也有很多这样的机会，当时很多项目我很犹豫，不知道它未来能长成什么样。团队很好，背景很好，很纠结。随着行业演进，随着你关注度越来越多、做得人越来越多，不断有科学家进入这个领域，算法和壁垒一定会慢慢降低，这是规律。

第二，项目在垂直领域要有纵深能力

除了算法之外，创业团队需要有行业纵深能力、市场实践能力，如果没有这些能力，项目落地起来还是做非常困难，非常单薄，可能会面临许多危机。

第三，解决需求更重要

在落地的应用场景中，解决需求比起算法创新来说更为重要，需要的能力也更为全面，创造的价值也，更容易实现。所以，核心的问题是，创业项目的产品，能够解决什么样的需求。

　第四，整体解决方案更有价值

软硬件的整体解决方案比单独算法更具价值，硬件项目比软件项目壁垒高一点，这是我们观察到的一个现象。所以说整体解决方案是极其重要的。比如说，在行业初期，给机器人提供核心的部件，光有算法或硬件是不够的，光提供软件，客户还要找硬件，光提供硬件还要找软件。好的能力是提供整套的软硬件解决方案，有这个能力，还是有一些机会。

第五，数据资源更稀缺

垂直领域的数据资源比单独的算法更稀缺，能不能搞到别人搞不到的带标记的数据训练集，比如在医疗领域，这个对于早期训练模型极其重要。

第六，ToB领域将率先落地，ToC落地还需5-10年

人工智能将在ToB领域率先落体，C端还很遥远。只有在B端相对成熟，能够为C端低成本解决需求的时候，C端才有落地的机会。

　第七，AI领域创新创业机会依旧很多

在这个领域，还有有很多创新机会，我们也在进行积极地创建和投资。

而对于AI创业公司来说，首先要考虑的问题是如何活下去，下面是4种生存方式：

寻找被并购机会；

加强生态合作，多与合作伙伴一起整合解决方案，形成高壁垒；

管控现金流，高效运营；

能拿钱就拿钱，不要一味追求高估值；

随着人工智能行业的发展，我们过多地关注了“人工智能”概念本身，而相对地弱化了创业规律。我相信在2017年资本和行业发展地驱动下，人工智能将会趋于理性发展，我们也欢迎那些真正回归创业规律的AI创业者与我们共同进步，改变未来。