Union Square Venture 的 Fred Wilson 对 2017 年“预测”第 5 条：投资者第一个问题会是“你们 AI 战略是什么”，并对“没 AI 战略”公司保持谨慎（详见硅发布报道《顶级投资人Fred Wilson预测》）。
千真万确，现在源源不绝的创业公司都自称 AI，对投资者挑战是：如何去芜存菁找到真正的 AI 公司？来看下美国顶级投资机构 Canaan Partners 的 Rayfe Gaspar Asaoka 撰写的一个“方法论”，其主要投利用 AI 全新、独特数据来破坏旧商业模式的初创公司。以下是我们翻译简写。
AI 已经过热，但也仅仅是个开始。
从初创、大企业甚至到好莱坞，AI 无处不在。过去两年，对“深度学习”搜索频率增加了 4 倍，AI 似乎是每篇学术论文、行业研讨和创业公司主题，感觉已“言过其实”，但穿越“炒作”，AI 的确是下代创新浪潮——且还仅仅是个开始。
复合驱动：平台、算法和结果
过去几年 AI 平台迅猛发展，尤其是其子领域“深度学习”：其传播算法背后的微分方程足以令大多数开发者头晕目眩，但开源库 TensorFlow（注：谷歌开源人工智能系统）却能让任何人得以建立最新分类和复杂的 ConvNet。今天我们有一把开源选择，如学术机构研发的 Theano、Caffe 和 DyNet；商业化公司提供的 TensorFlow、CNTK 和 MXNet。她们竞相成为开发平台时也互相推动改进功能，这场竞争其实也是企业内部的“特洛伊木马”，随平台变得更易使用，AI 也会日益成为企业核心。
当算法从经典的“Rules-based AI”（专家系统），到 Regressions（机器学习），到多层网络（深度学习），到现在的强化学习，我们看到 AI 渗透进企业的各种新方法。如深度学习重新定义了使用非结构化数据的领域（如：计算机视觉和语音）；强化学习有了更广泛应用领域，从时间序列数据领域（如：金融和安全）到多步骤过程（如：机器人和物流）。对初创，去部署利用多代算法建立专有数据和模式的护城河已刻不容缓。
那么带来结果是什么？AI 第一次在“规模化”上，实现在真实产品和服务中提供真实结果。像谷歌、Facebook 和百度等已在 Geoffrey Hinton、Yann Lecun 和吴恩达等科学家帮助下对 AI 展开应用研究。谷歌高管 Jeff Dean 最近谈到谷歌内部对 AI 使用增加——不仅是研究领域，还包括“生产”。许多方面，这与 20 年前“软件优先”及 10 年前“手机优先”相似，下代成功公司将是“AI 优先”。
去芜存菁的投资
源源不断的创业公司都自称 AI，对投资者和创始人的一个挑战是：如何去芜存菁找到真正的 AI 公司？对“应用层面上构建 AI 解决方案的公司”尤其如此。为穿越“炒作”，我用一个简单的 2X2 框架来说明我们机构如何做这种潜在评估。
在一个轴上，我寻找具差异化数据集（如：有唯一标记的数据、专有数据）或算法的公司，它们将通过改进 Train、Process 和提高模型获得长期竞争优势；第二个是商业模式创新，特别是，那些将颠覆耗时耗力的人工程序的以 AI 为中心的应用。
如果一个公司在一方面很强，但另一方面几乎没有，它可能会获得短期成功，但有更优质数据或更独特商业战略的竞争者会在未来利用他们弱点“弯道超车”。下代 AI 赢家将是这两方面都有优势的公司，不仅会改变一个行业对自己业务模式观点，且当竞争对手发现并试图挑战时，想打破他们数据和算法”防御壁垒“为时已晚。
举例说明：我们投的 Ladder，它有差异化数据集和独特 AI 模型能实时处理人寿保险申请，而传统保险业需 6-8 周处理一个申请，这使购买保险便捷/易用。而当他们继续从消费者获得更多数据，实时包销模型将获得指数级改进，从而得到数据护城河和商业模式的双重优势。
最后阶段：AI 民主化
我们正进入人工智能生态系统的一个关键转折点，“平台”、“算法”和“结果”的力量不是彼此孤立，它们紧密相连且产生病毒网络效应。AI 依然非常早期（尽管已大肆宣传），该新兴产业大部分价值创造仍有待实现，但毫无疑问，AI 潜力和广阔领域是真实的。
PS：点击相关阅读
美政府或限制中国对硅谷投资，尤其在人工智能领域
最近一篇美国创投圈热文: 计算产业的下一步将走向何方？
顶级投资人Fred Wilson预测: 2017年科技 IPO 将大热
