- 文丨吴杨可月 -
- 指导丨张罗 -
- 小饭桌创业研究院出品 -
❖ 关注小饭桌公众号,回复暗号【AI】即可查看PDF版本的完整报告;
❖ 长扫二维码识别群秘微信,等待邀请加入小饭桌新媒体互动群,目前仅对创始人&联合创始人开放,了解群规后可加入
AI现阶段的创业机会在应用层面
AI的基础是数学原理——统计学,把信息通过规则和逻辑进行编程,获得精准结果,进而指导新的决策
(数据来源:公开信息整理)
To B应用是技术驱动,To C应用是产品驱动
To B 应用之:医疗
千亿美金市场规模,趋势是全球化、巨头垄断
千亿美金市场规模
预计2020年,全球AI应用市场规模$2,000亿,医疗约占50%,即$1,000亿。
全球化、巨头垄断
仅今年前3个季度,IBM在认知解决方案领域的收入就达$129亿,占其整体收入的22%。
(数据来源:CBInsight,COMETLABS,《互联网迎来AI时代,海外科技巨头争先布局》长城证券)
巨头开源+买买买,创业企业在细分领域深耕
(数据来源:Crunchbase,IT桔子)
1
IBM Watson Health率先从肿瘤辅助诊疗领域切入
Watson的主要应用在医疗和金融——医疗领域,率先切入肿瘤,通过学习影像和诊疗信息,成为医生的智能助手。
Watson包含90台IBM Power750服务器(每台服务器含有一个3.5GHz的POWER7八核处理器,每核4个线程),2,880个POWER7处理器线程,数据处理速度500GB/秒,内存16TB。
(数据来源:IBM大会公开)
数据获取是一大门槛
AI训练需大量数据,除API开源外,IBM还采取收购+合作+铺设信息系统的措施,打通病例、影像、医药、研究数据。
数据获取成本高昂,仅对Merge和Truven的两项收购,耗费就高达$40亿。
(数据来源:Crunchbase,公开信息整理)
训练方式:“输入”——“学习”——“考试”,发现不足并不断优化
Watson的实际运用也是训练的一部分,通过新病例和治疗方案不断指导优化和更新。
已与多家医院合作,可覆盖90%的癌症人群
辅助诊疗:与医生合作,共同完成诊断和治疗。
诊断过程:输入病患症状——Watson输出数据——医生诊断、治疗。
Watson的输出数据包括三类四项。
快速发展,拿下多个单子——国外癌症治疗领域前三的医院;国内多个综合三甲医院和肿瘤专科。
(数据来源:公开信息整理)
除了肿瘤,也在其他医疗领域小试牛刀
(数据来源:公开信息整理)
除辅助诊断,慢病管理、新药研发、流程优化也有机会
辅助诊断:
◆ 降低误诊率,提高效率——治疗方面综合医院基本都能满足,差异主要在诊断上,医生诊断需查阅大量资料
◆ 首选肿瘤、心血管病,需精准治疗、治疗费用大
慢病管理:
◆ 通过用药提醒+软件+硬件的身体数据收集,帮助优化医疗服务
◆ 首选糖尿病、精神健康,治疗时间长、治疗费用大、治疗难度大
新药研发:
◆ 通过计算机模拟制药过程,改善药品研发周期长、成本高(研发成本占药企收入5-20%)的弊端
◆ 首选抗肿瘤药、心血管药、孤儿药、经济欠发达地区常见传染病药
流程优化:
◆ 通过SaaS进行院内流程优化+效能评估,降低医疗资源浪费——医院25%的资源是被浪费掉的
◆ 主要应用:急诊、ICU、手术室
(数据来源:参考制药公司信息,公开信息整理)
To B 应用之:金融
市场巨大,但切入点和方式尚在探索阶段
目前创业公司可以尝试的5个方向:身份识别、风控、个性化电子银行、保险、投资决策。
身份认证:
◆ 通过人脸识别等替代人工审核——但市场规模较小,仅¥14亿/年
风险控制:
◆ 降低坏账:以消费信贷为例,国内市场¥15.4万亿,坏账率1%-10%
◆ 防范人工操作带来的腐败风险、不合规风险
◆ 迅速适应监管变化,减少信息跟进、业务检查的人力成本,¥1.8万亿
个性化电子银行:
◆ 缩减营业费:银行营业费用占整体收入的40%,其中一半是职工费用
保险:
◆ 防止过度医疗(健康险)、过度维修(车险)带来的高额赔付——保险赔付占收入的50-60%,约¥8万亿/年
◆ 缩减理赔的人员费用,以及人工模糊判断带来的腐败风险
投资决策:
◆ 市场规模不好估量
◆ 底层配置还是人工,没有到“机器配置”——价值只是省略销售费用
◆ “只要能比人工配置收益率高1%,全球所有的资产都会到那里去”
(数据来源:博思数据研究中心,内部研究-参考工行财务年报 2015,保监会)
AI巨头、互联网金融巨头、创业公司齐上阵
(数据来源:Crunchbase,IT桔子)
2
强调产品层面的优化,以及BD能力
综合应用场景多、操作方便等因素,人脸识别是比较通用的身份认证方式
◆ 人脸识别使用方便:可非配合,不需接触,没有侵犯性,容易接受
◆ 人脸识别设备通用:使用通用设备,摄像头、PC机、手机、平板
技术层面基本达标,且很难再有质的突破
◆ 目前人脸识别,机器的正确率是99.5%(高于人眼的75%)
◆ 在远程开户、柜台对比等业务已经够了
◆ 但替代密码、卡、证件进行存取还有一定难度
可以在产品指标、可用性上做一些优化
同时需要强BD能力——例:云从科技,银行业的第一大供应商
(数据来源:公开信息整理)
3
从细分市场切入——应对监管变化的风险控制
以往计算机只能处理结构化信息,AI能处理非结构化信息。
除了监管条例跟踪研究,未来还将拓展金融风险建模、监督及反洗钱等业务。
(数据来源:IBM公开会)
4
虚拟客服
传统是机器选择+人工的方式,只能做到问题分类,用户需要一级一级的做选择,然后才能得到答疑,AI无需选择直接回答,且能替代人工。
个性化产品/服务推荐
传统电子化仅能完成产品集成和分类,AI帮助实现“推荐”功能。
5
除了虚拟客服、产品推荐,还能实现理赔业务的规范化、自动化
理赔是非标的,很难通过电子化实现自动化和效率提升,需要依赖人工进行资料搜寻,以及经验判断。
AI可以替代人工进行资料搜寻,并极大程度上形成判断。
(数据来源:IBM公开会)
6
根据用户资金量和风险承受能力,进行自动化资产配置
资产端雇佣4家ETF基金机构进行产品池设置——底层还是人工(基金经理),不会由机器直接购买股票、债权等产品。
To C天花板较高,但通常更适合大公司来干
天花板较高:可想象空间大
用户群不局限于某一特定领域。
作为流量入口延展多类业务,多重变现方式。
更适合大公司来干
创业公司的问题:早期很难变现;需要长时间的积累。
大公司的优势:基于庞大的用户量和全面的产品线;AI是对现有产品的提升,而不是重新找寻需求、重新占领用户群。
巨头改进原有产品,创业公司深入挖掘需求
(数据来源:Crunchbase,IT桔子)
从出门问问的尝试,看创业公司可能的难点
(备注:信息参考出门问问CEO演讲整理)
小公司的一些挑战与机会
一早就从可以变现/看得到变现的地方切入
Wish、今日头条就是好的例子:一个是电商,卖货;一个是媒体,卖广告。
理论上本地生活也可以,但缺乏数据源——目前是美团比较有机会,创业公司在数据源多样化、数据处理方法上做些取巧的创新,利用巨头间互不合作的小空子,可能是有机会的。
电商还有空间,尤其是从非标品类突破(二手、衣服……)。二手这个领域,目前是闲鱼比较有机会;其他领域创业公司也有机会。
媒体也依然有空间,比如视频媒体——但是要面对强大的对手:今日头条、Google等未来可能也会涉入。垂直内容推荐有机会做好的,比如稀土掘金,专注互联网技术内容发现和分享的平台。
产品不单是要好用,还要形成系统性突破
产品层面很难有大的差异化。
◆ 技术层面:底层是近似无差异化的——都是接入别人的API接口(例:锤子接入科大讯飞的语音API),而不是自行开发
◆ 功能层面:
实用性高的大众化产品差异化空间也很小(需求和场景无非就那几种);但小众产品,如果需求够刚性,价值足够高,有一些小机会
◆ 实用性低的产品变现难(例:娱乐功能,目前没有可见的有效变现模式)
在单一产品上难形成竞争优势——打组合拳,形成系统性突破。
联系方式
BP请投:bm@xfz.cn
欢迎交流,作者微信:vikie0523
小饭桌&明势资本首届人工智能创业班
12月14日起,小饭桌联合明势资本共同举办首届人工智能创业班。本届邀请科大讯飞轮值总裁胡郁、中科视拓创始人山世光、明势资本创始合伙人黄明明、神策数据CEO桑文锋、CreditX创始人朱明杰、易航智能CEO陈禹行、小饭桌CEO李晶等数位导师。
联系客服