凤凰号出品
致焦虑的VC投资人：除了充电宝和AI，还能投什么？
“最近除了充电宝和人工智能还能投点什么？”这是我半年来被同行友人问及最多的问题。这恐怕是中国 TMT 风险投资历史上最焦虑的一段时光，在经历了
年的泡沫期后，许多没有完整经历过“投”“管”“退”周期的新人从一线基金分裂出来创立了自己的基金品牌，而同时间部分一线基金的规模也飞速膨胀，甚至一些基金的人民币募集额度已经远远超过了原有美元基金的体量。两周前，一个老牌母基金的合伙人给我分享了一组数据，数据的结果简单而直接，在他们过去十多年投资的风险投资基金组合里，基金的规模、投资速度和回报率呈现出非常强的负相关关系，尤其是单期基金超过四亿美元和投资周期低于两年的那些基金。那么问题又来了，我们都听说过对冲基金经理在二级市场顶点主动还钱给 LP、缩减基金规模的故事，为什么在风险投资行业却似乎只有不断扩大资产规模这一个选择？2008 年我刚进入风险投资业的时候，Y Combinator 的创始人 Paul Graham 曾经写过一篇博客，告诫年轻的投资人要牢记早期投资的四大标准：市场、壁垒、团队、资本效率。如今九年过去了，当下的市场环境却真正告诉我什么叫“知易行难”。一个共享单车项目可以在一年内融上四轮钱，但管理层可能都无法了解公司的车都去了哪里，故障率是多少，一天被骑行了几次，作为资产属性如此强的一个产品可以从免押金甚至到免费骑行，没有人再考虑资产回报率和网络效应，毕竟为了持续融资增加订单量才是最重要的。我的投资经历告诉我，每隔两三年投资行业总会出现这样一个低谷期，新的驱动力没有出现，投资主题青黄不接，这种时候耐心和克制显得尤为稀缺和重要。今天，我想分享两个故事。这两个故事也是我自己不断反思总结后对同事们讲的，也希望能给焦虑的风险投资人们一点启发。1故事一：快？慢？2014年蓝湖刚成立的时候，IT 驱动的供应链效率提升是一个我们投入大量精力研究的领域。一次周会上一位同事举荐一个项目叫饭店联盟，彼时这仅仅是一个从新发地给中小餐厅运输农产品的电商公司，举荐这个项目的同事认为美国的对标公司Sysco （注：北美最大的食品服务销售企业，为餐厅，饭店，学校，医院等提供餐食。）市值做到了几百亿美金，且饭店联盟正在以月环比翻倍的速度增长，我们应该快速出手不要错过这个投资机会，我今天依然记得当时的建议是给这家公司一次性投入 1000 万美金。在被问及我的态度时，我问了项目团队几个问题：1. 中国和美国不一样，线下已经有成熟的批发市场分销模式，饭店联盟的模式为什么代表着更高的效率？如果是，那么这件事为什么至今才发生，外部的什么驱动因素发生了改变？2. 作为一个供应链生意，Sysco 成长的过程经历了多轮融资和并购，其投入资本的回报效率是否适合VC的资金？一亩田（注：国内一家农产品诚信交易平台。）这样的轻模式是否更合理？3. 创始团队的 DNA 是否有能力管理好快速增长的销售和供应链团队？如果不能，投资人能改变吗？那次周会上，项目团队无法回答这些问题，于是我们忍着丢失投资机会的焦虑暂时放下了饭店联盟这个项目。接下来的两三周时间，两位合伙人带领团队密集做了 Sysco 的案例学习和国内行业研究，幸运的是这些研究让我们对这条赛道有了非常强的信心，在这个过程中要感谢真格基金的 Grace 给我引荐了菜来了（美菜前身）的创始人刘传军，感谢项目团队在做了几家竞品的访谈后正确选择了传军，更要感谢高瓴资本的张磊先生给美菜引进了前沃尔玛中国的 CEO 作为顾问，并在其后帮助公司组建了非常强大的供应链管理团队。在经历了三年发展后，如今美菜已经是一个年收入近百亿、稳定进入盈利周期的行业领导者。做早期投资和创业有一点很像，（投黑马专注于文创领域的众筹平台）要想明白业务背后的核心驱动要素和要素发生的时间点，就像更便宜的电池组之于 Tesla，更简洁友好的交互体验之于苹果。在美菜的案例里，如果我们没有想明白上述的那些问题，那么我们即使在美菜的仓库里蹲上一个星期也无法有足够的信心扣动扳机，更何况和创始团队一起坚持走过资本市场的低谷期，合作十年甚至更久。今天很多风险投资人简单地认为早期投资有那么多不确定性，考虑得太周密没有意义，甚至有人把问题简化成只要投对团队就好了，反正好团队再怎么转型总能做出来的。我认为这样的想法是非常错误的，根据Cambridge Associates 的统计数据，70%的早期投资错误都是发生于对需求真实性（product market fit）的误判。我也尝试了复盘过去自己做过的 20 多个投资，其中 9 个估值超过 5 亿美金的公司都自始至终延续了最初的业务模式，无一例外。我想说的是，早期投资扣动扳机的一刻必然有很多风险因素是要放下的，但作为合格的投资人应该想清楚那些放下的风险是否是应该承担的，或者是有信心能够帮助管理团队解决的。很多时候，慢就是快。2故事二：有所为有所不为2015 年，一家叫映客的移动直播 app 在资本市场大热。蓝湖的一位同事在 A 轮把这个项目带到了投委会上，他的观点是，秀场直播是一个被验证的赚钱模式，移动端的秀场产品都刚刚起步，公司已经有 10 万的 DAU，流量和收入快速增长，很多投资机构给了 term sheet，蓝湖应该快速参与这场竞争。在那次投委会上，我同样问了项目团队几个问题：1. 竖屏秀场直播相比传统直播产品的体验提升点是什么？能否持续构成差异和壁垒？2. 公司增长固然迅速，但隔月留存率持续只有10%，是什么原因？长期是否可以改善？3. 创始人看起来对秀场模式的需求敏感，但并不是我们认为的 A 类的产品经理，是否是我们愿意合作十年的创始人？项目团队给我的反馈是，因为竞争激烈来不及做调研，有些答案当下也想不通，但我们现在不拍板公司就和别人签协议了。于是那一次我们放弃了这个投资机会。后来映客拿到融资后，经历了一轮非常迅猛的增长，在 app store 很长一段时间排名免费榜第一，蓝湖举荐这个项目的同事微信问我是否后悔，我只回了七个字“有所为有所不为”。我这样回答的道理其实很简单，作为基金的管理人，我需要在基金内部营造具有高度一致性的投资标准，而不是让团队陷入 momentum driven （注：源自股票市场的概念，即当股票收益或股票收益和交易量同时满足过滤准则就买卖股票的投资策略）的浮躁之中。也许映客能够成为一个不错的赚钱的公司，甚至在 A 股上市短期内拿到 100 倍的市盈率，但一个无法想明白长期竞争壁垒的公司，即使数字再诱人，蓝湖也不应该开枪，因为过去我们经历过的增长陷阱和教训实在太多了。后来的故事大家应该很清楚，流量大户陌陌、斗鱼、奇虎都快速切入了这个产品形态。而根据蓝湖的监测，映客因无法在头部主播的供给端形成控制，进而流量也出现了明显的下跌，百度指数更是暴跌了 70%。我时常提醒自己和蓝湖的同事们，早期投资绝不是一个简单的依靠覆盖和概率来取胜的游戏，必须有坚定的价值系统才可以不被市场上的各种风口扰乱了心神。年轻的投资人总会倾向于较高的风险偏好，认为一年投出十多个项目才能提高独角兽的击中率，而全然不考虑几年后投后管理的巨大压力以及失败率较高的积重难返。我们应该为自己的每一次决策负责，认清这是一个漫长的个人信用积累的过程，做早期投资的人注定无法成为规模驱动的资产管理者，但依然可以依靠远高于市场平均回报的 IRR 来赢得长期出资人的尊重。（文章来源于：蓝湖资本摘编）
本文来自凤凰号，仅代表凤凰号自媒体观点。
用微信扫描二维码
分享至好友
用微信扫描二维码
分享至朋友圈
凤凰争鸣微信号
来点暖心的！扫这里04:33:01 UTC
新智元编译
| 微信号 AI_era |来源：
|翻译：刘小芹
【新智元导读】今天上午全国人大闭幕会上表决通过政府工作报告决议草案。这是“人工智能”首次被纳入政府工作报告，表明中国政府对人工智能研发之重视。本文从中国的数据生态、AI研发和风险投资等角度分析了中国的人工智能生态。
3月5日，在全国人民代表大会开幕式上，李克强总理宣布中国将加快人工智能等新兴产业的研发工作。这是中国最高的全国会议首次将人工智能纳入政府工作报告。这表明人工智能成为中国经济议程的优先级，政府决定支持其增长。
近年来，中国的领导层越来越重视中国在 AI 领域的竞争地位。中国在政府政策中加速推进人工智能的发展始于2014年，在中国科学院第十七次全国代表大会开幕式上，习近平主席提出包括人工智能在内的科技创新和科技突破的要求。
2014年之后，一系列国家经济计划纷纷出台，包括“十三五规划”（2015年3月），中国制造年5月），机器人产业发展规划（2016年4月）和互联网+人工智能规划（2016年5月），都提出了一系列促进AI发展的指导方针。
在2017年两会开幕前，中国最高经济规划机构，国家发展和改革委员会（NDRC）启动了一个专门研究和应用“深度学习”的国家工程实验室，由中国的技术巨头公司百度牵头。创建国家人工智能实验室只是国家发改委加强人工智能的研发的一步。而在2016年，国家发改委曾宣布，到2018年将建成一个价值超过152.6亿美元的人工智能市场。
有了政府的大力激励，现在可能是投资中国人工智能产业的黄金时间。因此，了解为什么中国的AI市场将会成功，以及是什么使中国的 AI 行业具有值得投资的前景变得极为重要。
中国的数据生态
在当今的技术前沿，AI 的本质是使计算机程序运行大量数据，并对这些信息进行模式识别和数据分析。拥有越多可以学习的数据，AI 程序的表现就越高效。换句话说，数据的规模从根本上决定了人工智能程序的产出。
根据2017年1月中国互联网中心报告，截至2016年12月，中国有7.31亿互联网用户，其中95.1％是智能手机用户。有4.96亿互联网用户使用智能手机进行数字支付，1.68亿用户使用智能手机的叫车服务。两类互联网用户的年增长率都超过30％。庞大的互联网用户基数为中国的科技公司提供了大量的原始数据，可以用于运行他们的算法以及改进他们的AI程序。
此外，现有的互联网用户也构成了未来AI应用的巨大市场。例如中文搜索引擎百度，第三方支付应用支付宝，移动消息服务微信和中文拼音输入系统搜狗输入法等应用程序都形成了自己的庞大用户群。
在 AI 应用足够好之后，这些应用程序可以在它们的服务中应用 AI 技术。例如，阿里巴巴在支付宝应用程序上添加了一个人脸识别工具，有1.5亿用户已经开始使用这项人脸识别功能。鉴于中国的互联网大部分对外国公司例如谷歌和 Facebook 有限制，中国的科技公司可以独家访问中国互联网用户的数据，测试它们的算法，并巩固自己的用户群，没有外部的竞争对手。
中国的 AI 研发
中国人工智能研究的发展之迅速是有目共睹的。2016年10月美国白宫发布的报告显示，在2016年，中国在深度学习领域发表的学术研究论文数量超过了美国研究人员发表的论文数量。此外，最近日经亚洲评论的研究显示，2010年至2014年间，中国在 AI 方面的专利申请达到 8410 项，比 2005 - 2009 这五年增长了186％。
通常情况下，中国在 AI 方面获得的突破不会被西方主流媒体报道。百度研究院首席科学家解释说，在某些情况下，美国媒体报道的 AI 发明其实已经先在中国有了，然后在海外得到发展。在深度学习研究领域，中国也在快速追赶。随着中国科技巨头在研发上的投入增加，预计在未来几年这种增长还将持续。
未来将有强劲增长
近年来，中国市场对 AI 创业公司的风险投资呈现爆炸性增长。根据毕马威的一份研究报告，在2016年，202家中国的 AI 创业公司一共募集了大约10亿美元。毕马威的研究还显示，2016年风险投资的趋势已经从大数据转向人工智能，预计在未来几年针对 AI 行业的投资还将继续增加。
虽然有许多中国科技公司在某些专业技术领域取得了技术突破，但实现人工智能技术的实际应用仍需要几年的时间，而且在这些应用的成熟度足以实现盈利之前可能需要更长时间。但是，科学家们经常将人工智能比作下一波工业化浪潮的核心，任何领导人工智能行业前沿的人都将在未来实现强劲的增长。因此，对长期回报感兴趣的人来说，投资AI行业是一个战略性选择。IDG对于人工智能的投资逻辑是什么？|人工智能|机器人|算法_新浪科技_新浪网
IDG对于人工智能的投资逻辑是什么？
　　这几天中午很多人都不能好好吃饭了，更重要的事是围观一场 “人机世纪大战”——Google 旗下 DeepMind 团队研发的围棋人工智能程序 AlphaGo （已击败欧洲围棋冠军樊麾），对决全球最顶尖的围棋选手李世石欧巴。代表人类一方的欧巴命运将会如何？（心疼欧巴），人类自己研究出来的机器是否已经能超越人类？人类的未来将走向何方？
　　为此，我们采访了IDG 内部最神秘最科技最智能的技术小组：他们怎么看这次大战？IDG 对于人工智能的投资逻辑又是什么？
　　一、关于人机大战
　　Q1：怎么看人工智能的进步？
　　“是否能保住人类最后的智力骄傲” 这个问题这两天大家讨论的尤其火，其实通过人类智慧开发出来的智能机器战胜了自己，本身就是一个骄傲。相反，如果再经过多年努力，人工智能还没有实质性的突破，那对于人类科技发展来说，才是个巨大的打击。
　　劝大家不必太悲伤看待，因为凡是可以分步骤、定规则、可运算的，机器超越人类只是时间问题，从 1952年 会下井字棋、1996年“深蓝” 赢了国际象棋、到 2011年 Watson 赢了 Jeopardy，拜摩尔定律所赐，这种提升速度看似比人类智力进化快了许多，但实则是人类多年智力进化成果的一种转移和表现形式。就拿这次的 alphaGo 来说， 就是在人工制定的基本规则框架下，对历史上很多很多人类下棋规律的统计，得到现在的表现的。换句话说，人工智能，关键还是在人工。还是那句话，21 世纪什么最重要，人才！
　　Q2：人工智能还有哪些地方需要攻克？
　　根据维基百科的定义：“智力或智能是指生物一般性的精神能力。这个能力包括以下几点：理解、计划、解决问题，抽象思维，表达意念以及语言和学习的能力。”
　　理解了人工智能就是人工的表现形式，你就会明白，即使在围棋上胜出，也并不代表机器的 “智力” 已经全面超出人类的。近些年，人类已经在自然语言处理（听、说）和机器视觉（看）上取得了长足的进步，你也能看到越来越多的产品标榜了这些功能。但是人工智能还有很长很长的路要走，或许当未来某一天，AlphaGo 在某项智力比赛中赢了人类，然后心花怒放并喜形于色的时候，这才真正的恐 （hao） 怖 （wan） 的时代。
　　二、关于人工智能的 ABC
　　（业内人士可直接到文末看 IDG 的投资逻辑）
　　Q1：铺天盖地的人工智能？到底啥是人工智能？
　　A：现阶段产品端能见到所谓的人工智能，绝大部分指的是机器与人之间拟人的交流方式，主要就是 “听得见、听得懂，看得见、看得懂”，再进一步，就是好像还能 “记点事儿”。其中 “听得见” 和 “看得见” 是硬件解决的，换句话说就是话筒和摄像头的事儿，所以智能主要体现在 “听得懂”（语音识别 + 语义理解）和 “看得懂”（图像识别）。大家经常看到的 “机器学习”、“神经网络”、“深度学习”，都是解决这类问题的一些具体的算法。P.S。那篇很火的知乎问答《如何看待谷歌人工智能 AI 击败欧洲围棋冠军？》就提到了 “神经网络”。
　　Q2：能解释一下你刚刚提到的各种高大上的名词吗？
　　A：按照便于大家理解但是并不严谨的方式来说，“机器学习” 就是统计，在大量数据中统计出来一些具体的参数；“神经网络” 简单说就是 “分级优化”；“深度学习” 是机器学习的一个分支，经常和神经网络一起出现，可以简单的理解为分级优化中每一级的内容都是从数据中统计出来。这些名词我们放在具体的例子中就比较好理解了。
　　Q3：给我们讲讲语音识别？
　　A：我们先从语音交互的第一步，“语音识别” 开始。（如图所示）声音从源头发出（声源），被话筒接收，转化成电信号。这个电信号放大来看，是一些连续的波形信号。我们把这个连续的信号截成一小段一小段的，每一小段通过一种方法转换成一小串数字，这样才能进行后面的处理。
　　转换的方法是这里面最重要的一步了。这套规则，可以是依据经验人为制定的，也可以是通过大量数据的统计，辅助制定和优化的。后面这种方法就是我们所谓的深度学习，我们放到图像识别里面讲，更好理解一些。
　　转换了以后就是一个与标准库比对的过程了。比如说，现在这个音，转换完以后是（前半音）XXX XXX XXX XXX +（后半音）Y YYY YYY YYY，然后标准库里面 A 的发音对应特征值是 XXY YYX XXX XXX+YYY YXX YYS YYZ，B 的发音对应特征值是 XXY YYY YYY YYY+YYX YYX XXX YYY，那我们就知道这个音与 A 更接近（75%），不太可能是 B（17%）。
　　更高级一点，还可以根据先后顺序的关系进行匹配，比如按人类的语言习惯，A 之后接 B 的概率更高，接 K 的概率很低，把这个概率算进去，准确率能进一步提升。
　　Q4：这个标准库怎么来？
　　A：比如说，你找 100 个人读 1000 次 A，然后让机器把这每一个都转换成特征值，总的一起取个平均值，就出来 A 的标准库了。这个标准库是基于大量数据统计出来的结果（取平均值也是一种统计方法），这个过程就像是机器自己听了很多遍学会了一样，所以称为 “机器学习”。除了读音，各种组合的前后关系，也都是统计出来的。
　　标准库的建立要尽量的复合实际场景，这样才能找出更符合使用场景的统计规律，从而达到更精准的识别。高大上的产品，比如说科大讯飞，多年的积累使得其可是支持多种方言，比如说出门问问，能支持几十个场景。说白了，这个是一个劳动量密集的体力活。大公司，钱多人多，可以做大而全；小公司，有限资金有限工作量，在有限场景下，用户感知不出来任何区别。
　　Q5：语音识别和语义理解是什么关系？
　　A：可以这么理解，所谓语音识别，是把音翻译成字和句；语义理解，则是针对句子，给予反馈。语义理解可以分为两种类型，一种是命令 / 数据索取式的，有明确答案的；一种是聊天式的，开放性答案的。
　　第一种，比如问：北京今天空气质量如何？答：空气指数 356。这个回答与问题的对应关系，称之为 “规则”。问同一个问题有比较多种问法，为了扩大每一个规则的适用范围，需要做一些语言结构的拆分重构，主谓宾定状补，灵活调整。
　　比如顺序的调换：北京今天空气质量如何？VS 今天北京空气质量如何？
　　比如替换同近义词：北京今天空气质量如何？VS 北京今天天气质量如何？
　　更进一步的，可以增加上下文理解。比如记住上一句话的内容，替换一个下一句话的词汇。
　　1 层对话像这样：
　　问：今天上海空气质量如何？答：空气指数 135
　　问：北京呢？答：空气指数 356
　　更高级的还可以有 2 层对话：
　　问：帮我在上海订一个今晚的酒店。答：好，在帮您预订
　　问：空气质量如何？答：空气指数 135
　　问：北京呢？答：空气指数 356
　　Q6：那聊天式的呢？
　　A：这种问题的答案通常是开放式的，比如说，问 “你在干嘛呢？”。
　　这种回答可以是事先人为设定好的规则，常见于一般的寒暄，用户会发现重复问机器人同样的问题，每次答案可能不同，比如 “我在陪你聊天啊”、“不告诉你”、“你猜” 等等，但问的次数多了就开始有重复了。
　　这种回答也可以是从巨大的真人对话库中进行搜索得来的，返回出现概率最大的回答。比如说，可以搜索同义的问题，如 “你干啥呢？”，“你弄啥咧？”，然后发现排名最多的回答是 “闲着”、“你猜”、“不告诉你”，那机器就会返回这些回答。
　　一般情况下，这两种方式在具体的产品中都会使用。具体到小冰，主要是使用的后者，对话库来源主要是在网络上爬取的（直接调用 MSN 信息可能会涉及隐私问题）。考虑到返回结果较随机，对其的二次理解较为困难，这类聊天机器人通常都是不含上下文理解的。
　　Q7：结合前面讲的语音识别一起总结一下？
　　A：语音识别，就是一个积攒数据，进行统计的过程，一个劳动密集型的活儿。语义理解，不管是命令式的，还是聊天式的，除非可获取优质聊天记录资源（世界上有这样数据资源的公司就那么几家，当然我也见过有人花钱买人过来陪机器人聊天的），不然就是人工制定规则的事儿，又是一个劳动密集型的活儿。工作量越大，机器人就显得越聪明。从公司维度来说，有限场景下，小公司深耕细作，有机会比大公司更好；大公司则能背靠资源，在更多场景下有所覆盖。
　　再用最精炼的话总结一下——多少人工，多少智能；就算聊天，也不智能。一般的壁垒就是工作量！语音是收集素材的工作量；语义是制定规则的工作量；在有限场景范围内，小公司在产品上比大公司没有劣势。
　　最后再提一句，机器学习 = 统计。
　　Q8：再说说图像识别？
　　A：嗯，我们先说最普通的图像识别是怎么做的。这里面我要盗用下 Andrew Ng 大神在 UCLA 的一次 talk 的 PPT（视频截图）。
　　人类在看一个物体时，大部分情况其实主要是看它的轮廓（并不是颜色或其他），所以我们希望机器也这么做。拿摩托车举例。第一步，通过图像处理算法，把摩托车的轮廓提取出来（美图秀秀类图像处理工具都有这功能）。第二步，我们把一幅图分成四份，分别统计 0°，45°，90°，135°四种的边的多少，然后把这些数字列在一起，我们称之为 “特征值”。这个特征值里面包含很多的信息，比如说，右下角的图中一般都有轮子，轮子是圆形的，也就是说，各个方向的边，应该都存在且比例相当；而右上角的图中，一般都有把手，所以某一个方向的边会比较多。通过这些数字的内在的关系，机器进行摩托车的判别。这样的方法看起来有些简单粗暴不合理，但目前许多机器确实就是这么识别的。
　　Q9：这确实看起来有点…。，那如果加上深度学习和神经网络呢？
　　A：用上深度学习和神经网络，那就彻底改观了。
　　仔细想一下，我们给别人介绍某人的长相时，很喜欢说，这个脸长得特别像谁谁谁，然后发型有点像谁谁。也就是说，人类是通过一些基本脸型的组合来认人的。数学一点来看，有几个基本脸，然后一个新的人脸，就可以被简化成一串数字，每个数字代表某一个基本脸所占比重。
　　那好，基本脸从哪里来？脸的基础单元是部位，部位的基础是边，形状，是各种边的组合。所以要认脸，先找基础边。这些边怎么找？之前摩托车的例子中，边是认为定义的（4 种特殊角度）。人的设定，要么是偷懒，要么就是基于经验，而经验是大规模数据在人脑中统计之后得到的印象。如果换成机器自动做这个统计，那就叫机器学习。而这种由样本进行统计，一级一级的由简单的边开始，最终达到基本脸的机器学习（统计）过程，叫做深度学习。
　　具体来说，从左边第一张图，找到所有的边，再看第二张图，发现有些边重复的，就把这个关联变粗（用粗线表示，线越粗表示重复次数越多）。最终统计下来，有些边重复次数特别多，是重要的，就作为基础边。同样道理，我们从图中统计出来基础边的重要组合，就是基础部位，再深一层，就是基本脸。具体的运算过程会比较复杂，对应一种由节点（边、部位、脸）和节点间连线（粗细表示重要程度）的计算架构和相应算法，这个叫做神经网络。
　　Q10：总结一下图像识别吧？
　　A：图像和语音识别，核心都是特征值转换算法，即基础单元&数字表示。深度学习就是指基础单元库源于数据统计而非人为设定（合理，可解释）；神经网络指的是一级一级分级优化，权重连接（最简化基础单元库），这两个通常一起出现，使得结果既合理又简单。
　　大型神经网络价格较贵，每一个节点都是通过高性能 GPU 或者工作站进行实现，几百万美金的投入也就能购买几千个节点，所以这是大公司的游戏。小公司通常采用多个小神经网络，虽然识别准确率会受到一定的影响，但是在不较真的应用场景，比如说家用的人脸识别，中小规模公司用的门禁识别等等，已经可以足够好到用户分辨不出来了。
　　Q11：能否整体总结一下人工智能？
　　A：人工智能，首先是能听懂看懂（识别）。这一是收集数据（工作量），二是精进算法（可人工凭经验，或者大数据做统计）。对小公司来说，主要是工作量。
　　再进一步是能反馈（对话），除了天生有数据的以外，主要就是规则制定（工作量）和数据收集（工作量）。在比拼工作量的事情上，产品设计往往更为重要，该做什么不该做什么主要应该做什么，是小公司集中有限资源于一点突围的法宝。
　　再高一层，是有记忆。来过一次就记住你了，下次来直接就能叫出你名字；比如说你回家晚了，会主动的问候，这些都是产品设计的事情。
　　三、人工智能的投资逻辑
　　我们认为 To C 的人工智能，由于应用场景要求不十分严苛，且人才储备已经足够充足，已经由技术活更多的向产品活儿转变。所以在这个层面上说，我们愿意投资具有强大技术实力，但同时更是一个具有超强产品思维的团队，最鲜明的例子，就是 Rokid。如果你有机会尝试，想必你会被用户体验惊艳到。
　　至于 To B 的人工智能，图像识别在苛求精准度的应用场景下，还是非常需要高大上的技术团队，从这个层面上讲，我们投资了 Sensetime；语义理解需要在特定场景下的深耕细作，需要特定场景下的大量数据，在这个层面上，我们倾向于专一行业深耕细作，所以投资了智齿科技。
　　至于标题中的问题，我们想说的是：一、VC 的投资核心在于生产产品和提供服务的公司，能真正被大家所用的解决实际痛点问题的产品和服务，如果再有一个 DeepMind 一样的高技术公司摆在我们的面前，我们投资的逻辑，不是能不能下棋，而是它未来能提供更完美的落地的产品和服务；二、AI 现有阶段，在语音语义和图像识别上，已经从技术活儿变成产品活儿，进而是我们的投资热点
张朝阳在京召开媒体会，正式否认腾讯10亿美金入股搜狐视频的传闻...
马化腾表示，在文化产业中，文学和动漫将是今年发力的重点。同为...
之前在网络文学、动漫影视上出现过的IP热，正在向电子竞技这个过...
《乔布斯传》作者艾萨克森的《创新者》，为我们解答了一个问题：如何让创新发生？
用户反映“手机用了没几天就被锁了，跟块砖头没啥两样儿。”怎么解救？新浪手机支招。