近兩個月，不斷有人工智能技術被成功應用于生活場景中。有人說理想和情懷狠狠地催熟了AI產業，那么人工智能距離掙錢還有多遠？政府的號召，市場的驅動，不斷在加快人工智能的進程，人類需要多久才可以真正的消費AI呢？

　　先是iPhoneX的3D臉部識別解鎖驚艷了科技粉們；然后是AlphaGo Zero（被譯為阿法狗·零），在完全不借助人類棋譜，全靠自己左右手互搏自學的情況下就做到了打遍天下無敵手，震撼了普通人；最后是全球首列智軌公交列車在湖南株洲開跑，實現了無人駕駛，振奮了老愛國者和小粉紅們。

　　不僅如此，中國大地已經熱得如火如荼的AI產業也注入了一劑強心針，大大小小的從業者再次堅定了內心的選擇--人工智能前途無量，這個產業確實值得投入啊。

　　作為計算機科學界的“圣杯”，人工智能在2016年世界經濟論壇報告里被預測為第四次工業革命的核心技術代表，并由此引發了國內外互聯網巨頭和資本的跑馬圈地，成為了創業新風口。近兩年來，中國資本和創業者們更是對AI產業激情投入、無怨無悔，營造出國內人工智能創業欣欣向榮的氣象。

　　一切看起來都很美好，但還有一個擺在所有創業者面前的現實問題：理想和情懷已經狠狠地催熟了AI產業，那么人工智能距離掙錢變現還有多遠呢？

　　一，AI終于能落地創造價值了嗎？

　　如果你了解人工智能發展史，你就能理解今天創業者和資本為何為AI如此癡狂。

　　和VR一樣，人工智能并不是一個新概念，它已經經歷了幾十年的發展，交替歷經了幾次紅利期與苦行期。

　　1，60年代：第一個紅利期+苦行期

　　人工智能的第一個紅利期出現在60年代，當時的科學家們自信而又瘋狂，“二十年內，機器將能完成人能做到的一切工作”成為當時科學界的主流聲音。

　　70年代因為人工智能的預言無法兌現，研究經費中斷而進入低谷期，隨后進入苦行期。

　　2，90年代：第二個紅利期+苦行期

　　人工智能的第二個紅利期出現在90年代，典型的標志就是IBM 的“深藍”戰勝國際象棋世界冠軍卡斯帕羅夫，影響絕不亞于今天的AlphaGo的圍棋大戰。20世紀初再次進入苦行期。

　　3，當下：新的紅利期

　　當下堪稱人工智能的又一個紅利期。一方面，圖像識別、深度學習、語音合成等人工的核心算法日漸成熟，并開始大范圍商業化應用的嘗試；另一方面，人工智能的研究走出了實驗室，科技公司開始成為人工智能的主要推動者。

　　幾乎以往每一次苦行期后，通過新的研究方法和邏輯的不斷試錯，人工智能的研究者們都會帶來驚喜，諸如控制論與早期的神經網絡、新邏輯學和模態邏輯、Prolog語言和專家系統、Nouvelle AI與嵌入式推理等等。

　　不同以往的是，這一次紅利期以“商業化”為特征標簽之一，不管是行業巨頭還是創業者都承擔了兩個角色，即人工智能技術的研究者和實踐者，這就意味著人工智能離象牙塔越來越遠，正在日漸成為更加實用的科學技術。同時，各路資本的積極參與也推動了人工智能日漸走入人們的生活，為人類服務。

　　人類終于要真正地消費AI了，這一次的紅利期真的可以為人類的日常生活創造價值、能為商人和資本帶來能變現的紅利嗎？

　　二，國內AI產業中泡沫幾多？

　　政府的號召、資本的聚光和媒體的追捧都在不斷地催熟人工智能在中國的產業化進程。正如以往的一波波創業潮一樣，在AI的弄潮群體中，已經投身或即將投身AI的人們興奮著、困惑著、在摸索中有些盲目地前行著。

　　由于AI領域的求學者暴增，圍繞人工智能的學科教育體系正在形成，正規院校紛紛開設人工智能專業，各種非科班的人工智能職業培訓速成班也“忽如一夜春風來，千樹萬樹梨花開”，讓人想起幾年前遍地開花的“互聯網思維”培訓班的盛況：也是在須臾之間，不知從哪里冒出來好多互聯網專家，他們的課堂下面坐著很多叱咤風云的著名企業家學員，一絲不茍地記著筆記。

　　熱情相似，瘋狂相似，但不同的是，比起其他培訓班的魚目混雜，人工智能培訓班的學員多數是理工科班學生，并且多數都有過一些AI相關的知識基礎和工作經驗，比如做過碼農。在學費接近2萬的80天速成班中，報名情況異?；鸨?，很多人交過錢后必須耐心等待排期才能輪得上，而教職人員和學員也都異常努力，周末的早上，經常連9點都不到，培訓班外面的走廊上已經可以聽到教室里講師高亢的講課聲。

　　很多培訓班都聲明，他們不但講技術，還會免費推薦安排就業，相關合作企業會過來招聘，通常是一個班還沒畢業就已經有十幾家企業預定幾十個學生，學生供不應求。不言而喻，人工智能教育的火爆正是得益于大量創業者對這個領域的趨之若鶩。

　　任何新興行業的發展，必然要歷經從開始的一窩蜂、過熱，到慢慢冷靜、聚焦，再到最后成熟的過程。泡沫的發生，即代表著產業的關注度高、是一片豐饒的海域，又說明該產業去偽存真的空間較大，需要通過大浪淘沙留下那些真英雄。

　　阿里巴巴的前CEO衛哲曾說：“人工智能的泡沫巨大無比，媒體吹捧，市場過熱，迎來的是“VC太晚，PE太早”的尷尬局面。市面上很多公司號稱自己是“人工智能”公司，但是真正擁有人工智能技術的公司其實非常少。估算有九成的人工智能公司，都是“偽人工智能”。

　　的確，O2O、VR、分享經濟……不管以往的哪次風口浪尖，都會有一些偽創業者掛羊頭賣狗肉、蹭熱度騙投資，人工智能這次也不例外。不少創業公司的商業計劃書里都會標榜“人工智能”，似乎不為自己貼上這樣的標簽就不好意思見投資人，就像幾年前如果不在BP中提及O2O就會覺得丟臉一樣。有人隨便搞了些數據，就叫大數據，然后號稱做的是大數據建模、大數據風控之類的東西，其實那些數據很可能是從網上扒來的、過時的數據。還有一些公司將產品中虛假植入人工智能的元素，為的是提升公司品牌的關注度、提升產品的銷量、甚至提升股票的價格。

　　但這些渾水摸魚者在以往每個風口都存在，并將會在未來的風口繼續存在。如果將這些偽創業者和虛假廣告者視為人工智能領域的泡沫，那么這些泡沫的存在并不會影響AI技術的持續發展，也不會影響真創業者將AI應用于生活場景的決心。然而，它能切切實實影響到的，卻是投資者和股民們的判斷，比如暴風科技的股票就是一個典型的風口炒作股票的案例。

　　所以，泡沫實際上是一個金融概念。泡沫的破滅是商業周期的變化，是人類金融社會機制的正?，F象，泡沫的出現與否都不能掩蓋機器智能快速發展的事實。

　　而人工智能可不止是一個風口，更是歷史大趨勢。

　　相對同樣打科技牌的VR來說，人工智能的底子要厚太多，想做人工智能的大企業也遠遠比VR多。人工智能在B端的盈利能力，已經得到了市場的印證；人工智能牽扯到的行業前景和錢景，也都是VR所望塵莫及的。以信貸業務為例，京東金融的機器自動化放貸便是一個成功案例：全平臺沒有一個人工信貸審核，每單的變動成本近乎等于零。京東金融陳生強說：“供應鏈金融產品‘京保貝’可以做到3分鐘放貸，交易系統具備1秒鐘處理幾十萬筆交易的能力，這在過去的金融服務中是不可想像的?！庇捎诿繂蔚淖儎映杀編缀鯙榱悖云髽I有能力也愿意從事普惠金融。

　　三，哪些細分領域離變現更近？

　　對于AI的創業者和從業者來說，與其關注金融現象，不如多思考如何理解人工智能發展的規律，從而加以利用，把握先機。

　　在如今人工智能這個異常熱鬧的領域中，機器學習、深度學習、數據挖掘、數據科學、大數據……光是這些熱門詞就讓人覺得分不清，它們所涉及到的技術更是讓人眼花繚亂。對于想進入行業的求學者來說，學習R還是Python？Spark那么火，Hadoop還要不要學？Caffe、Tensorflow、PyTorch、Keras、MXNet等流行的深度學習框架，該學哪一個？即使是對于人工智能科班出身的學生來說，這樣的困惑也一點都不會少。

　　那么對于那些對人才和技術都如饑似渴的AI創業者來說，人工智能中哪些細分領域可以更好地商業化？哪些可以更好地轉化為可消費的產品呢？

　　恐怕當前的創業者們對此比從業者更加茫然與糾結。今日頭條創始人張一鳴曾經放話：“人才的水平有多高，我們的薪酬就有多高。”但到底哪些人才符合需求呢？依圖科技的醫療副總裁倪浩說，“正像互聯網中大家常說的，我們并不知道哪里是豬，哪里是羊毛，但只要人工智能可以有所幫助，就一定是能收到錢……目前，我們最堅定的標準就是人工智能要帶來價值?！?對于什么樣的人才才能帶來價值，創業者本身的懵懂導致公司往往是抓到什么樣的人才都去扔到實踐中去檢驗，結果試錯成本未免太大，成為創業的一大阻力。

　　其實，只要搞清楚人工智能與大數據的關系，創業公司對人才和目標市場的選擇就會清晰很多。

　　任何智能的發展，其實都需要一個學習的過程。而近期人工智能之所以能取得突飛猛進的進展，不能不說是因為這些年來大數據長足發展的結果。正是由于各類感應器和數據采集技術的發展，我們開始擁有了以往難以想象的的海量數據，同時，也開始在某一領域擁有深度的、細致的數據。而這些，都是訓練某一領域“智能”的前提。

　　換言之，這一波AI紅利的主要原因是：一方面，之前互聯網時代積累的大數據到了一個臨界點，足可以支撐運算出比較好的學習結果；另一方面，計算機的運算能力過剩，正好可以用來計算；此外，Google和云計算公司以及業界積累了大量的分布式集群運算的經驗。是這些合力帶來了人工智能的井噴式發展。

　　如果我們把人工智能看成一個嗷嗷待哺的嬰兒，那么某一領域專業的、海量的、深度的數據就是喂養這個天才嬰兒的奶粉。奶粉的數量決定了嬰兒是否能長大，而奶粉的質量則決定了嬰兒后續的智力發育水平。所以，任何機器智能的發展都不是可以一蹴而就、立刻成形的，即使不依靠人類棋譜的阿法狗·零也要依靠程序員為它輸入基本規則來自行揣摩學習，然后將自己高速模擬出的海量棋局總結成數據，從中得出規律。其實，打敗阿法狗·零的方法很簡單，那就是改變規則但不為其更新數據。所以，能夠真正掌握算法，并且能將其應用到真實商業環境的人，才是AI市場最需求的人才。

　　同理，我們也可以得出結論，只有符合以下條件的細分市場才是值得在Ai上面投入、并更容易實現商業變現的行業領域：

　　1，擁有海量可用的優質數據的行業領域

　　數據的優質，指的是多維度、多形式并且精準有效。并不是一堆數據就一定能產生價值，這也是為什么領英（Linkedin）被天價收購的原因。

　　2，擁有大量跨界雙邊人才的行業領域

　　雖然貌似看起來各大公司都提供了硬件（云計算）和軟件（各類接口），但實際上只有既精通機器學習、又理解業務和用戶的跨界雙邊人才能在實踐中創造價值。

　　現在最常見的狀況就是資本流向了不少搞機器學習的人，以深度學習為多，但他們往往開發出一堆華而不實的東西，大多數只能作為一個api去調用，但卻做不出一個完整的解決方案。雖然產品看起來很神奇，但卻沒有幾個人愿意為之付費，因為產品偏離用戶太遠。

　　而懂業務懂用戶的人，雖然了解客戶需求，但卻往往夠不到人工智能的技術門檻。首先，機器學習本來就不是一個容易的學科，對機器智能的理解力需要時間來沉淀；其次，人工智能不只是算法，要打通很多理解上的壁壘而成為一個解決方案需要融匯很多認知。

　　3，擁有大量生活或工作應用場景、可以形成剛需的產品領域

　　具體說，產品必須應用于封閉可控的場景，能輔助人類完成重復性的具體工作，以及在應用中有可實現的切入點。

　　以客服銷售領域為例。客服是電商時代一個不可或缺的重要角色，即便是一個月流水只有五六十萬的淘寶店，往往也需要配備5人以上的客服團隊。事實上，客服場景中往往有大量的重復性工作需要消耗太多人力，對企業來說這無疑是一種資源浪費。目前阿里、京東等已經將人工智能引入客服系統，也出現了網易七魚、Udesk等第三方智能客服云服務，前景都比較樂觀，尤其是在很多具有數據門檻的垂直行業。

　　4，數據成本不很昂貴的行業領域

　　人工智能應用的價值= 數據通過你的機器智能產生的價值 - 數據的成本

　　機器智能產生的價值= 在具體服務中對于用戶為此支付的成本 （用戶的注意力+時間+錢 ）

　　數據的成本=收集成本（直接獲取或者購買）+分析成本 （雇傭數據科學家的成本）

　　無須多言，如果數據成本過于昂貴，盈利就會相對減少，變現就會艱難。

　　四，2B還是2C？這是個問題

　　雖然政府的理想和技術宅們的情懷讓人工智能在中國大地激情燃燒了起來，但是無論從技術還是應用來講，人工智能在中國都尚處于初級階段，不管投資還是創業，其技術及資金門檻都較高。

　　目前稱得上對人工智能研究相對成熟的機構，除了致力于軍事及國家戰略的國家科研組織，國內只有華為研究院、百度、阿里、騰訊等研究機構，而相對成熟的人工智能技術方向也只有語言識別與自然語言處理技術、人臉識別技術、底層大數據的挖掘及計算，以及機器學習與神經網絡技術。

　　從創業及投資的實際情況來看，目前一定是用于2B領域的企業創業可能最先活下來，比如有面向航空公司做迎賓的機器人，和用于物流領域搬運的機器人等。

　　以智能投顧產品為例，面向B端的優勢顯而易見：既能夠在內核算法技術上充分倚靠，也能夠憑借B端豐沛的客服經驗在產品體驗上充分滿足用戶需求。而針對C端的同類產品不但無法逃脫前沿科技產品冷啟動的宿命、要從零開始聚集人氣，在做產品體驗的邏輯上也會相對貧乏薄弱。相比之下，B端用戶則恰恰可以在這兩個方面揚長避短：機構原有的用戶基礎、或者線下實體門店都給了純互聯網化的智能投顧一個從“巨人肩膀上”開始的機會。最關鍵的是，除了數量上的“熱啟動”，B端自身的基礎和積累還能大幅度降低AI這種前沿科技與用戶理念不匹配帶來的智能投顧頑疾：獲客成本。在足夠多的用戶基礎上，一方面投入的獲客邊際成本會越來越低；另一方面，新用戶的進入意愿也會相對更高。