1.3.3 四因素降低AI产品化、商业化门槛
积极的信号是，有四个因素让今天的AI技术落地更顺遂，商业化门槛也因此降低了：在软件层面，以TensorFlow和PyTorch为代表的深度学习框架迅速成熟，绝大多数深度学习模型及核心开发工具以开源形式发布，大大简化了科研与工程复杂度；在硬件层面，以NVIDIA的GPU（Graphics Processing Unit，图形处理单元）系列、Google的TPU（Tensor Processing Unit，张量处理单元）系列、华为的昇腾系列等AI加速芯片构成的硬件生态日趋完善，服务器端和边缘计算端目前都拥有成熟的AI加速方案，能够让我们更好地使用这些芯片；在集成层面，云平台、容器、虚拟环境等技术大幅降低了AI算法的实施与部署成本，现有的大数据平台、商业智能平台或传统商业系统与AI算法之间的连接越来越容易；最后，在人才层面，纯科研型的人才结构已经转变为科研型、工程型、产品型和商业型的复合人才结构，比如DeeCamp训练营能帮助营员们跨越科研和产业，而且工程型、产品型、商业型人才在AI落地的过程中，越来越容易处于关键位置。
AI门槛降低，同时也意味着AI“黑科技”发明期已经过去，过去我们认为的“技术领先就能成功”的认知在今天已经很难成立。我们要认识到，今天的AI已经不是“黑科技”，它的普及度已经相当高，更多的AI机会是找到行业应用。卷积神经网络（Convolutional Neural Networks，CNN）技术从发明到商业化普及花了30年时间，但Transformer模型从发明到大规模的普及只花了两年，这里的“两年”不是指发明了Transformer模型的Google 花了两年时间把它变成产品，而是Google发明了Transformer模型之后，Google和它的竞争对手，以及一些创业公司，能在两年之内把Transformer模型用于自己的产品。我们看到，字节跳动、腾讯、阿里、百度等公司，都已经用上了Transformer模型。如今一个有关新技术的论文在发表之后，无论是不是开源（Open Source），都会很快被其他公司学习，所以现在很难再有一个公司因为有大批顶级博士而独占某一项技术的现象发生—这个概率越来越低。因此，从AI的创业、赋能和使用来说，未来可能不会出现更多的AI“黑科技”公司。未来AI的赋能其实在很大程度上就像其他相对成熟的技术的赋能，比如，Database的赋能、网络安全的赋能。
接下来，我介绍四个AI创业落地的案例—两个成功的和两个不太成功的。
第一个案例是创新工场在2018年孵化和投资的公司—创新奇智，创新奇智的主要业务包括智能制造、金融、零售、公共服务。当时我们已经看得很清楚，AI“黑科技”发明期已经过去，所以我们抱着用AI解决商业化落地的心态，成立了创新奇智。我们需要有很好的技术，但更重要的是要实现商业化落地，所以我们建立了一个同时具有商业背景和技术背景的核心团队。正是这样的结合才让这家公司在第3年就成为“独角兽”公司，也是世界上最快成为“独角兽”的AI公司之一。对于想要做AI落地的创业者们，我认为创新奇智是一个值得学习的案例。在AI应用期，技术做得好是基础，除此之外团队成员更要有商业思维，要考虑如何能产生价值、如何能拿到订单、如何拿出客户需要的产品。当然，如今距离创新奇智创立又过去了3年，AI的普及率更高了，甚至我们再通过复现创新奇智的模式取得成功都很困难了，但是至少这其中的思路可以借鉴。
第二个案例是河小象公司，它是教育领域的一家创业公司。河小象之所以成功并不完全在于有领先的技术，比如，它的一个产品是教小孩子写字，可能一些具有较强计算机技术背景的读者在看到这个产品之后都会说很棒，但是实际上河小象的成功主要源于优质的内容和服务，这也是教育的核心，而AI只是辅助优质内容的重要技术。我们也看到很多教育行业的公司可以把技术做得很酷，但是它们没有考虑产品的核心内容，最终都以失败告终。在河小象团队其实只有10%的人是做技术的，而它在内容上的投入则更高。河小象CEO非常重视内容，在创始团队中安排了专人负责内容，同时召集了一些技术方向的合伙人共同创立并发展了这家公司。所以，AI固然重要，但往往未必是公司核心，AI是帮助把产品做得更好、更强的赋能工具。
接下来介绍两个反例。
第一个例子是一家来自医疗领域的创业公司。现在不少医疗影像读片技术公司都面临着很大的困境，因为它们找不到合适的商业模式。其实创新工场在早期就看到了这个问题，虽然我们非常认可医疗影像技术的成熟性，但考虑到产品在落地过程中还存在诸多问题，所以当时我们并没有做这方面的投资。
首先，第一个问题是，当时做医疗影像的一批科学家在创业时都采用的是同一套流程—通过标准数据库训练模型去识别皮肤癌、肺癌等疾病，再用模型参加比赛，得到好名次后以此去融资，之后他们会到医院寻求合作，这时医院会要求创业公司付费使用医院的数据。所以，他们从VC公司那里拿到的投资最后都给了医院，但是其实获取的数据很少，因为这只是一家医院的数据。
其次，另一个问题是这些公司没有很好地思考商业模式，也没有找出医院的真正痛点。创业者们认为，在技术上AI读片速度快、效果好，那么医院就应该付费购买，但是这与医院的采购流程和医院的KPI（Key Performance Indicator，关键绩效指标）相违背。如果医院现有的医疗器械和你的软件不能融合，那么医院为什么要买你的软件呢？同时，这些医疗器械厂商还可能跟你存在潜在利益冲突，不愿意支持你和医院合作，甚至这些厂商自身都在做AI读片，那么更不会为你开放仪器的数据接口。当然，有创业者还想过要自己做硬件，但是他忽略了开发成本，以及拿到许可证的难度。
最后，一家医院在一年中用于购买软件的预算其实并不高。所以一个不懂医院采购流程、医院KPI的科学家，虽然做出了效果比人工更好的影像识别技术，但是最终还是没有办法将项目落地并赚到钱。
第二个例子是教育方向的公司。一批做机器人的AI科学家认为虚拟老师是进军教育领域的新机会，于是他们开发了一个非常复杂的机器人，它可以拿粉笔在黑板上写字、跟孩子交流。不得不说，技术团队的实力很强大，但是我们并不看好，问题有三点：第一，脱离了市场需求；第二，教育核心是内容和服务，机器人输出的教育内容和质量远不及人类老师，产品缺乏应用场景；第三，忽略了家长接受度。耗费了如此大的精力和成本做出来的产品，家长是不是愿意买单呢？所以，与其做一个这样的机器人，还不如做一个卡通小猫跳出来教孩子英语和数学，而后者是我们实际投资了的公司。这就是科技很强，但是太不接地气的实例。
另外，还有很多AI科学家想做平台，这也是我读博士期间的梦想。但是，实际上所有的平台都是从单一场景入手再慢慢变成平台的，平台不可能是第一天就开始做。而且我们要考虑到目前AI技术本身的作用是对已有平台的赋能，是否能单独做成一个平台还没有被产业界证明，所以我们不要太过于乐观，不要觉得做平台就是“高大上”，而去钢铁厂、生产车间、零售商店为传统行业赋能就觉得低端，其实往往是看起来不那么高大上的才更接地气、更有实用价值。