我也經(jīng)常跟投資人聊這個(gè)事，經(jīng)過觀察國內(nèi)十幾年的產(chǎn)業(yè)周期發(fā)現(xiàn)：以往多數(shù)項(xiàng)目均為 2C 產(chǎn)品，都是以產(chǎn)品創(chuàng)新和微創(chuàng)新為鮮明特征。中國沒有經(jīng)歷通過技術(shù)創(chuàng)新為主的經(jīng)濟(jì)增長模式，而硅谷等地已經(jīng)歷過好幾波技術(shù)創(chuàng)新，這在中國很少見。中國大部分投資機(jī)構(gòu)和創(chuàng)業(yè)者，并不善于技術(shù)類投資以及做 To B 這種生意，所以大家還不太習(xí)慣對這類公司進(jìn)行估值。
我們一談到投資和創(chuàng)業(yè)，永遠(yuǎn)面對新的產(chǎn)業(yè)方向，然而在面對新的產(chǎn)業(yè)方向即便是海外專業(yè)投資公司也不一定看得準(zhǔn)，所以也能看到像投資 MagicLeap 這樣的新型公司都是有爭議的。
11. AI 科技評論：當(dāng)下很多投資機(jī)構(gòu)和媒體都把人工智能捧在手里，你認(rèn)為這會推動 AI 更快發(fā)展，還是過度溺愛會讓它墮落？ AI 從純技術(shù)和純學(xué)術(shù)話題轉(zhuǎn)變?yōu)槿鐣懻摰脑掝}，使得專業(yè)的聲音很有可能被淹沒，這是我所擔(dān)心的。投資機(jī)構(gòu)和媒體的所有動向都會影響到產(chǎn)業(yè)的發(fā)展，AI 從業(yè)人員卻難控制。
AI 在內(nèi)部環(huán)境受到 VC 和媒體的萬千寵愛，但外部的環(huán)境是很殘酷的、理性的、不相信眼淚的。在這種情況下，企業(yè)應(yīng)保持冷靜，抓準(zhǔn)切入的點(diǎn)，保證服務(wù)價(jià)值從而構(gòu)建自己的護(hù)城河。整個(gè)行業(yè)的發(fā)展一定是由理性驅(qū)動，一定是由實(shí)實(shí)在在的需求和價(jià)值來驅(qū)動，因此我個(gè)人并不是特別擔(dān)心投資機(jī)構(gòu)和媒體過多溺愛這個(gè)行業(yè)從而致其墮落。當(dāng)然，大浪淘沙一定會有所選擇，真正能夠平心靜氣把創(chuàng)業(yè)當(dāng)作艱苦修行而非豪華盛宴的創(chuàng)業(yè)者會走到最后。
12. AI 科技評論：對 2017 年人工智能行業(yè)的格局和發(fā)展做個(gè)展望和預(yù)測。
我對 2017 年充滿了期待，希望這幾大方向有著一定的進(jìn)展：
希望人工智能處理器硬件行業(yè)會有大的突破。
算法上繼續(xù)持續(xù)創(chuàng)新。
應(yīng)用場景上的重大突破：如醫(yī)療、自動駕駛、智能家居等。
從整個(gè)創(chuàng)業(yè)投資角度講，明年下半年 VC 應(yīng)該會更加冷靜、理性地思考，這里并不是指降低投資力度，而是聚焦投資范圍。同時(shí)對未來發(fā)展方向和路徑會考慮地更加清楚，把資本注入重點(diǎn)方向和具有價(jià)值的團(tuán)隊(duì)。
群友問答環(huán)節(jié) ：1.怎么看待近期谷歌無人車事業(yè)部拆分成獨(dú)立公司？這個(gè)案例可否理解為自動駕駛已經(jīng)遇到天花板了？
從百度到地平線，我都做過自動駕駛的事情。根據(jù)我自身觀察，谷歌無人車事業(yè)部拆分這件事一點(diǎn)都不奇怪。谷歌一直存在幾個(gè)嚴(yán)重問題：
商業(yè)策略：谷歌沒有思考清楚商業(yè)模式，到底該提供整車，還是成為技術(shù)服務(wù)商、供應(yīng)商。
技術(shù)路線：谷歌的計(jì)劃很激進(jìn)，想一步跨到不需要方向盤的無人駕駛水平。事實(shí)上谷歌的雖然目標(biāo)很大，但技術(shù)路線較為很保守，導(dǎo)致目標(biāo)與技術(shù)路線并不匹配。谷歌無人車是基于高精度地圖的自動駕駛方案，該方案有很大局限性，需要事先對整個(gè)環(huán)境做出全面感知，這使得其在處理不確定性事件方面有所欠缺。這種不確定性體現(xiàn)在長尾情況，而不是常見情況，而在長尾挑戰(zhàn)層面，谷歌在技術(shù)線上沒有很好地去處理這個(gè)問題。
2.如何看待近期比較熱的強(qiáng)化學(xué)習(xí)和遷移學(xué)習(xí)，他們在應(yīng)用方面的發(fā)展現(xiàn)狀怎么樣，以及所面臨的挑戰(zhàn)？
強(qiáng)化學(xué)習(xí)現(xiàn)在面臨的主要挑戰(zhàn)是怎么 Handle Long-term Dependence 的問題，如果最后它 Reward 很長時(shí)間才顯現(xiàn)，它怎么去影響當(dāng)前的 Policy ，是一個(gè)很大的問題。強(qiáng)化學(xué)習(xí)的代表 AlphaGo 實(shí)際上運(yùn)用了巧妙的方法如 Learning From Experience 去下圍棋，這一點(diǎn)很有意思 。那么未來如何在理論上有一個(gè)優(yōu)美的框架，我覺得還是挺值得探討的。
另外，強(qiáng)化學(xué)習(xí)的框架相對而言是一個(gè)比較黑箱的系統(tǒng)，這與感知不同，在感知方面黑箱一點(diǎn)也可以，但在決策上一定要用白箱的、可理解的方式去做，尤其是自動駕駛領(lǐng)域。
關(guān)于遷移學(xué)習(xí)這一問題，其實(shí)深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)天然就擁有遷移學(xué)習(xí)的特性，比如用 ImageNet 去訓(xùn)練網(wǎng)絡(luò)結(jié)構(gòu)，實(shí)際上它的很大一部分參數(shù)在其他問題上可以復(fù)用。在參數(shù)領(lǐng)域的遷移學(xué)習(xí)，大家都搞的比較清楚，但在結(jié)構(gòu)方面的遷移學(xué)習(xí)，現(xiàn)在還并不太清楚。結(jié)構(gòu)反映了更高層的學(xué)習(xí)問題，基于模型結(jié)構(gòu)的遷移學(xué)習(xí)將會是下一個(gè)熱點(diǎn)。