2017年人工智能大行其道。年过大半，市场回归冷静。在经历热浪之后，投资人们开始用理性的角度判别其中奥妙。
2017年9月26日下午，由中关村天使投资协会发起并主办，启迪之星、北航科技园、品途集团、创投圈等多家创业服务机构联合主办，共同发起「星耀计划」暨人工智能专场首场活动在清华科技园幸福科技实验室举行。
九家优秀创业公司参与路演，它们分别是：
北京未来智控科技有限公司
宾果智能
灵犀智能
北京豌豆派教育科技有限公司
北京蝶翼智能科技有限公司
蜂巢航宇科技（北京）有限公司
北京深度未来科技有限公司
北京云汉通航科技有限公司
北京眸视科技有限公司
会场气氛热烈，观众积极踊跃。通过评委嘉宾打分与报名投资人投票，现场选出最佳人气星和最佳潜力星。
最后，北京深度未来科技项目获得人气星、北京云汉通航项目获得潜力星。
路演环节过后，诸多投资人就人工智能话题展开了广泛讨论，以下是圆桌实录。
本文由投资人说独家整理
圆桌嘉宾（从左至右）：
腾业创投合伙人 孙敬伟
熊猫资本合伙人 毛圣博
启迪之星创投总经理 刘博清
华大学信息交叉学院教授 李建
1
如何看待人工智能投资的逻辑或者打法？
毛圣博：
我个人觉得人工智能最后还是要有用，这个我觉得是根本性的东西，就是你到底解决了什么问题。我自己原来也做技术，我也是计算机系毕业的。人工智能到最后还是要看你到底能解决一个什么样的实际问题，其实看一个短期是很难很难的事情，这就是为什么投资很难，但看得更远一些反倒简单，你不知道年5年内会发生什么，但是50年以后会是什么样你可能更清楚，更简单。因为50年，500年以后肯定人已经不干自己不喜欢干的事情。
500年后我相信人类不应该是自己在扫地，打扫卫生这个事儿肯定不是人类在干了，也不是什么阿姨在干了，应该是机器在干了，看得很远我们是可以的，但是看三年、五年最难。往远了看，人类要变的更自由，这是人类一个持久的追求，从古到今都是大家的一个追求，包括饿了么送外卖也是为了变的更自由，我就不想出去吃饭，人类把时间用在他真正想用的地方。所以，我一直觉得未来机器人这个市场肯定是很大很大的。但是从远期往现在看回来，到底你这个人工智能能解决什么样的人类的问题，怎么样才能让人变的更自由，我自己看到现在，我觉得好像人工智能能解决一部分人类劳动力的问题，比如扫地机器人，虽然效果现在还不是特别的好，但至少可用。家里电线不是特别多扫的还挺干净，但是桌子肯定擦不了，有个机器人帮你维护维护，本来一个星期要扫三次地，现在一个月扫两次地，但桌子你还是要自己擦，但它至少解决了一个实际的问题。
我们这种理工男出来创业，我提醒大家第一市场调研要做好，到底这个需求够不够大，够不够准确，你满足这个需求满足的够不够好，你跟以往的竞争对手差异到底在什么地方，你这种差异是你为了创新而创新还是真的有一个需求。我觉得凡是在我们机构里我问的第一个问题肯定是需求，到底满足一个什么需求，这是我们应该想明白的。当然B端用户跟C端用户还不大一样，B端用户很理性，他的需求就是我怎么降成本，怎么增加收入，这个也要问问自己到底这个B端为什么买你的产品，你的产品能够标准化，不要变成一个项目公司，这个公私要做很大你要卖标准化的产品，不是那么靠关系。2B还是有一些关系，有销售成分在里面。但我觉得最终你要变成一个很大的公司你肯定还是靠产品来支撑的的。
刘博：
说到人工智能，我刚干投资的时候大概是2010年，当时接到的第一个case是一家做流媒体的架构的一个项目，后面在一家上市公司主要是研究它上市之后未来的发展方向，做了两年，在大数据和云计算还有移动支付方面的行业研究。所以，我觉得今天的人工智能跟当年的BI非常非常像，实际上从大数据的角度来讲，我们2011和2012年的时候我们分析大数据里有几个重要的要素。
第一个是数据源，第二个是架构，就是怎么能让非结构化的数据通过更好的方式进行挖掘、清洗，还有计算。第三个是算法，第四个是应用。
在中国大家公认的数据源是非常非常丰富的，第二个是在架构层面中国的能力可能照欧美大的IT公司还差一定的阶段，算法在当时还没有，第四在应用阶段，中国市场在应用方面是特别多的。所以，真正我们能看到未来有价值的就是在数据源端和应用端，数据源端相对来说是比较垄断的，不管是互联网的信息数据，当时移动互联网没有起来，不管是互联网BAT掌握的数据，还是线下的一些结构化的数据，包括非结构化的数据全部都是由巨头垄断的，怎么跟巨头合作产生应用是一些初创公司在那个时候所谓的创新价值。
技术发展都有一个发展的曲线，实际上人工智能的技术也好，数据的质量也好，现在中国数据的质量在很多行业非常非常差，根本就没有办法把它做标注，或者标注的能力也非常非常差，也没有办法把它形成一个好的模型形成到一个好的应用里。
这个都是需要时间来发展的，并没有大家想象的那么快就能做到负责完美的状态，在没有这么完美状态的时候初创企业应该做到哪一些？就是围绕着一个真正有价值的点，能够用它现有的方式让市场理解它，同时要具备在人工智能也好，大数据处理也好，这方面的技术积累，不断的迭代和更新自己的技术，在这个技术上，在市场逐步的培育和成长过程中通过技术去进行未来的可持续成长。
所以，我们以前做过一个分析，大多数的技术，99%的技术是失败的，市场的曲线永远是跟技术的曲线是交叉的，最前沿的技术永远都是最大的市场，基本上在这个技术经历了几年，迭代了几年，中间的技术产生了最大的市场，在这个市场里再更新迭代出更好的技术，是这样一个发展过程。
所以，在这个发展过程里更好的理解市场，理解市场上用户的需求，这个是很重要的。
刚才毛总也讲了2B和2C的理论，我们主要还是以投2B为主，所以，能理解B端的需求很重要，因为B端和C端不一样，C端是感觉、感受，我喜欢我就买，有的时候他会是一种营销的策略，一种影响力，但是在B端来讲，很多B端他也是要创造价值，那他怎么去降低它的成本，提升它的效率，提升它的价值或者达到他的一些需求，这是它重点的东西。所以，我就讲人工智能企业，我们投的速感，王老师也讲了，它原来做室内定位我们很熟，它技术驱动型的公司。速感是非常典型的，它在人工智能，速感是咱们交叉信息学院的？不是。它是非常典型的我觉得非常理解市场的一个大学生创业项目，因为速感的技术可以在国内，不管是在单目、双目，还是在更工业级的运算方法上做VC案做的都非常好，别人测试，包括英特尔是他的供应商，英特尔测完了它的跟英特尔所有的下游企业推荐他的算法，因为他的算法的精度非常非常好。但是它并不强在技术，而是强在理解市场的能力，它找到了一个市场就是扫地机器人，扫地机器人第一可以量产，但是对于扫地机器人来说并不是它的精度越高越好，而是它能识别出电线还是狗屎就可以，基本上你只要不到哪儿把电线绞起来或者你把狗屎倒完之后，大家都在开这个玩笑说这个问题，实际上它通过这个能解决这个问题，而且它现在的人工智能的技术可以通过大量的量产和大量的布局之后不断的优化，现在是95%的清扫率，通过人工智能它自己在板子上不断自己的迭代就能达到99%的清扫率，这个都不关键，这是它技术方面的优势，最关键的是他非常理解扫地机器人的痛点，因为扫地机器人的售价是一两千块钱，原来这个板子的成本在500-700，对于扫地机器人来说加500-700的成本为了满足客户的精准率它可能卖不出去或者量特别小。所以，他理解到这个痛点以后他就想办法把它做小，想办法把它做智能，想办法把它成本低，最后他们想办法把这个成本控制在200块钱以内，那对于扫地机器人就不敏感了，很快一年就拿到几十万片的定单。所以，我觉得这个是理解市场的表现。当他有几十万片的板子在外面跑，他的算法一定是领先于市场的，他未来在工业级也好，跟随机器人也好，我相信他在算法也好，在应用方面会更加的领先，我觉得这个就是你领先于市场的不断发展的动力。所以，我觉得作为投资人我们更从宏观的角度看问题，中国我们有很好的数据，因为中国的移动互联网很发达，移动互联网很多数据，中国的物联网在未来也会很发达，因为现在所有的人都在谈智能制造2025中国互联网数据也非常发达，因为中国有这么几个大的公司，中国在传感层方面，不管在语音语义、视觉，还有很多方向上我们都涌现出很多的高科技公司，从感知数据上，从大数据层面我们有非常好的积累。
另外，我们现在看到90后，看到00后，真的特吓人，他不但技术能力强，学识好，视野还特别好，基本上还有国际化的工作经验。所以，人力资本我们在人工智能这个领域在全球也还是有一定的竞争实力的，应用领域伴随我们资本和创业环境，包括市场环境的驱动，我觉得将来这个方向一定会涌现出来在世界上能够非常领先的这样的技术公司，也希望我们今天在座的公司能够成为将来可能是其中之一。
2
如何理解人工智能的技术路线？
李健：
大家听到“人工智能”这个词感觉跟智能相关的一些东西都算，尤其人工智能比较火以后，原来各行各业的人都说人工智能，原来不是做人工智能的，原来他也不说，尤其人工智能比较冷的时候，他根本不说。
我们还要看具体的个例是不是有技术含量，确实人工智能有个阶段非常冷，而且神经网络那个阶段非常冷，神经网络很早就出现了，40年代，50年代就出现了，学术界限有关一段时间非常非常冷，论文也不被录取，也没有什么用，只有几个科学家，其中人工智能一个最重要的科学家，他自己和他的小组在坚持做这件事情。那个时候有一些人在做人工智能相关的，但他从来不说我是做人工智能的，至少他是做机器学习的，做机器学习的人从来不说他做人工智能的，有一段时间，你去问他你做什么的？我做机器学习不做人工智能。为什么这么说呢？因为人工智能在那个之前有一段时间非常火，大家对人工智能抱着太大的希望，就认为人工智能过几天要超过人类了，要毁灭地球，终结者。
现在大家期望特别高，认为人工智能什么都能干，以后我们就什么不用干了，但科学发展了几十年，一点动静都没有，感觉大家期望有点落差。同时，又有其他几个方法跟深度神经网络不同的方法又起来了，那个时候数据挖掘这些领域也起来了。
