互联网产品本质比较像是基础设施，类似于水电煤气。如果人类的基本需求的成本降到非常低，就会如同基础设施产品一样，开始不区分客户。当这种情况发生的时候，无论软件还是硬件，都会开始通过标准化、低成本、统一规格、大量生产的方式，来追求流量、规模、垄断——UBER、滴滴、ofo，都是如此。那么未来的人工智能硬件，比如无人汽车，不可避免都会变成服务而不是产品。
过去的互联网创业大潮都依赖于PC和智能设备这两大载体：大公司和大品牌大量制造和销售硬件和操作系统，创业公司开发出的应用程序所能够触及到的终端设备数以亿计，挑战只在于如何赢得消费用户或者企业用户的心。
这个背景下所产生的是各种“非垂直整合”的创业公司，有专注做网络广告的流量导向价值链的，有开发某种产业应用的通用API的，有开发爬虫去爬数据再包装成用户需要格式的，甚至有单纯做聚合的。
这些精益创业的公司特色都在于他们只需专注在一条完整价值链中的一环，除了架在微信平台上的应用类别会有平台风险以外，大多数创业公司和他们的潜在用户之间都没有任何中介者，因此可以挑软柿子吃。换句话说，创业公司可以只专注在他们觉得最有利可图的那一块（纯软件），载体反正会有大厂去搞定。
这种违反自由市场直觉的“众人皆醉我独醒”心理谬误，让各式各样的创业公司在无人机和VR这两个也是由创业公司掀起的浪潮中狠狠栽了个跟头。
无人机虽然是大疆DJI打下的天下，但3DR以及大量国产山寨厂商同样起到很大的作用，开源的架构以及更多创业公司开发操作系统和应用软件，迅速拉低了门槛。
问题是无人机不同于智能手机，外面并不已经存在几亿台设备在等着这些软件公司推销自家产品——他们觉得无人机硬件无利可图，若是事实，那么硬件开发商和代工厂一定比他们更清楚，也不会傻傻地抢入这样一个非刚需的高价硬件市场。
一年过去，两年过去，纯粹做软件的公司开始慌了，因为日复一日的养着软件开发团队，却迟迟没有其他傻子愿意赔钱出货一亿台无人机到全世界的消费者手上去，好轮到他们赚快钱，于是很快转向一边卖硬件一边布局软件。
但供应链算盘打得比谁都精，创业公司要么付出大笔头款，要不就傻傻地签下无法真正大量出货的小厂，到最后还是狠狠地砸了自己的脚。
到头来唯一一家大赚其钱的，是从硬件到操作系统到应用程序全面垂直整合的大疆，独霸市场。可悲的是，创业公司连被大疆收购的幻想都破灭了。做自动驾驶的创业公司还有机会，因为汽车巨无霸有很多家，抢亲的机率很高，反观无人机里只有大疆这么一家独角兽，只要静静地等待这些创业公司烧完现金再去淘宝，吃完连骨头都不用吐。
VR的世界也是类似的问题，只是结构不同。Oculus引爆热潮后，果不出其然大量的软件创业公司出现了，有的专注在开发内容，有的开发各种API，每个人都认为头戴式VR设备成本很高，苦工给别人去做就好。
然后一年两年过去，市场上出现了成千上百家的纯软件VR创业公司，但有能力大量出货（靠谱的货）的却只有SONY、三星和Oculus等区区数家。
其中三星和Oculus都是PC平台，理论上各种纯软件创业公司都有机会，但这两家的头戴设备都需要高配置PC，短期来说只有超级电脑游戏玩家们是可触及的市场。对于手头上已经有了笔电、智能手机和平板电脑三种移动设备的一般消费者来说，为了VR得专门买一台高级电脑，别说预算是个问题，光是那一大台主机放在家里看了都烦！
唯一本来就有主机的SONY则同时拥有平台，因此创业公司并没办法像在智能手机上那样，无视于平台地直接进攻消费者，还是得乖乖遵循古老的游戏开发商模式，没有太多弹性策略可以采用。
了解到无人机和VR软件创业公司现在不胜唏嘘的现实后，我们如果来看人工智能创业公司，也不难发现他们有许多都犯下了同样的错误。
现在蓬勃发展的其实是很狭义的“深度学习”，在这个领域里，有明确的“输入”和可定义的“输出”，开发者建立复杂的数学模型，使用足够数据量的“训练集”，反复喂入多层的非线性算法单元，从而提炼出一个人工神经网络，今后再有新的输入数据时，就可以直接汇入这个人工神经网络，来得到输出。
举例来说，如果我们想要的人工智能应用是自动驾驶，我们可以先分析人类开车的方法：用眼睛接受路况（输入），用大脑和经验法则进行判断（人工神经网络），然后用手脚去控制方向盘、油门、刹车和换挡（输出）。因此直觉来说，要开发自动驾驶的深度学习系统，就得把大量的路况数据——包含高速行驶中看到的行道树、突然从人行道冲出来的小狗、没打方向灯就换车道的白痴车主⋯⋯等——喂入深度学习算法中，进而提炼出一组可以代替人类驾车的人工神经网络，将这个网络植入到自动驾驶车中，让它可以针对未来新的输入数据（路况），去自动控制方向盘、油门、刹车和换挡等。
看起来非常合乎逻辑，所有数学很好的人工智能专家都跃跃欲试，但这里面有一个天大的问题：没有任何一家创业公司在成立之初，就有庞大的路况数据库可以用来训练自己的机器——你可以拥有爱因斯坦的智商，也熟稔所有深度学习的理论和编程，甚至可能你的论文指导教授就是Yann LeCun大神，但只要手头上没有谷歌累积了十几年的路况数据，都是巧妇难为无米之炊。
这样一来大家应该可以理解为什么明明是软件巨头，亚马逊却要自行开发并销售Echo，明明市面上已经有无数安卓手机，谷歌却仍持续开发自家产品，另外还收购智能家庭设备创业公司Nest，并推出Google Home和亚马逊竞争。原因在于他们理解持续累积的庞大数据库才是人工智能的决胜战场，他们除了自己已经有的、由他们的用户自愿提供的纯网络数据（用户的消费习惯和搜索历史），连实体环境中的数据他们都想要！
换句话说，当一个美国家庭的小孩在吵杂的厨房中开口：“Alexa，世界最长的河流是哪一条？”时，亚马逊得到的并不只是可以销售亚马逊河相关旅游书籍给这个家庭的数据，而是立刻多了一组自然环境中的人声数据，可以喂入其深度学习系统，协助Alexa进一步提升语音识别和回答能力。
如果理解到这一点，创业者就应该仔细查看自己的应用情境：可以轻松入手的输入数据库是否存在？
在某些领域，这样的数据库的确是存在。以Deep Mind来说，输入数据库是固定的围棋规则以及几千年来人类历史累积的棋谱，这是最单纯的应用情境，决胜完全在于团队的智商（和谷歌的资金）。
文字界面的智能型创业公司，某种程度也是由（语言）规则和容易取得的文字数据库所构成，但即便如此我们仍然看到简单如“安排行事历”这样的应用，在创业公司烧掉大笔资金后所产生的产品都仍然远远不如我们预期。
另外一个公开数据很丰富的是股票交易，不过这部分市场早就在对冲基金的竞争下千锤百炼，战场已经转移到关于上市公司的非公开信息，非金融背景的创业公司不见得有优势。
此外最众所皆知的人工智能相关数据库是斯坦福大学的ImageNet，这也是许多深度学习研究者的战场。但大家都有就等于没有，随着深度学习的普及化，同样使用ImageNet开发深度学习的创业公司彼此间的性能差异（准确度和速度）会越拉越近，而静态图像识别到底有多少可以应用在其他领域，那又是另一个问题。
去掉这几个“输入”相对容易取得的领域后，创业公司能够入手的有用的数据真的寥寥无几。
想用人工智能管理商业大楼？传感器开发商不会笨到拱手把辛苦收集到的用电、用水、湿度、温度等数据让给你；想用人工智能进行安全管理？Nest旗下的云端监视器龙头Dropcam肯定已经自己在开发；想用人工智能管理农业？把IoT传感器安装到几百公顷范围的科技公司，会把宝贵数据转手交给你？……更不用说国内BAT等大公司全都盯着这一块，既把控数据又自研算法。
换句话说，有大量数据是需要新的实际载体去收集的，这些实体载体目前不见得存在，存在的话也不见得像电脑或者手机那样是任何软件创业公司都可以直接使用和布局的。
如果不想啃硬骨头，人工智能创业公司永远不会有任何有意义的产出，两三个人的小公司，骗骗不懂行的VC可以，就不用自欺欺人了。
联系客服
