LIVE 已结束
本次直播将于5月26日上午9点30准时开始，请提前收藏本页面，以便随时查看论坛现场第一手动态及干货资讯。
论坛议程：9：30-9：35 主办方致辞——王兰9：35-9：45《腾讯AI加速器》——冯豪9：45-10：10《深度学习重构视觉计算》——刘威10：10-10：35《人工智能创业的风险与机遇》——程浩11：00-11:25《AI在Fintech领域的创业机会》——杨永智11：25-12：00圆桌论坛：智能商业时代，企业如何“AI＋”？主持：孙业林嘉宾：王兰、刘威、姚欣、程浩、杨永智
创客猫已抵达现场
开场致辞：腾讯开放平台副总经理、腾讯众创空间总经理 &王兰
王兰：欢迎行业专家和投资家、创业小伙伴和媒体认识，来到今天2017腾讯AI加速器初试（华南区）现场。我简单说一下为什么今年腾讯众创空间会做AI加速器这样新项目，其实腾讯从2011年以来，在这样的平台上培育了400万开发者，已经成为国内最大的创业者生态，我们在全国拥有25个城市30个众创空间，我们整个众创空间的投资、金融大学、创业服务平台、818创业节已经在创投当中有非常大影响。在这么大覆盖度和影响力的基础上，我们在思考作为腾讯众创空间第二年，我们要做怎样的事情，能够帮助到我们的创业者，所以今年我们希望在某些重点领域发掘更多能够帮助创业生态的东西，其中就是AI。
王兰：为什么是AI？刚才主持人说到今年AI非常火，我觉得有两个原因，第一，无论热门与否，AI代表的可能是在未来创新甚至是所有互联网公司背后的生产力，也就是以后的生态，不管是移动互联网的生态，多屏的生态，不管前面界面是什么，AI是最重要的元素，所以对于创业者生态来说也是创业生态当中必须掌握的，AI对创业者的加速已经是我们今年重点培育的。第二，腾讯今年，包括去年，甚至前年开始一直在悄悄自己在磨炼内功，也就是对于AI领域，腾讯做了非常多布局、发力以及积累。其实腾讯这样的公司将来在AI的领域一定会去发力的，这个判断是对，也是不全面。其实作为腾讯这样的公司，我们希望将来做到是什么呢，把我们自己底层的AI能力、数据开放出来，所谓开放出来是我们做好算法、能力但是对于细分的场景、应用我们希望更广大的生态去应用和开发的。所以你可以认为AI加速器是以AI战略的前导或者中间去发现最优秀的创业者，我们希望把我们在自己实践中发现的机会也拿出来跟我们创业者分享。谢谢大家。
主题演讲：《腾讯AI加速器》演讲嘉宾：腾讯AI开放平台负责人&冯豪
冯豪：回望过去几年，腾讯与众多合作伙伴取得优异成绩，从2011年走来，成功打造了PC生态，2013年移动生态，2015年提供全方位的复制，与我们投资人、创业者、创业媒体等伙伴进行紧密联系，2017年我们希望与大家一起构建一个新技术平台。今年三月份由我们研发的“绝艺”机器人斩获冠军，2017年优图实验室获得一系列冠军，可能大家对它的了解可能相对少一些，在我们内部，无论是优图、微信腾讯云等有非常多的技术积累，在团队中也汇聚了非常多的人才。每次提到AI大家知道数据是一个非常重要的基础，腾讯在游戏、内容领域非常多积累，通过我们的合作伙伴更多去推动产业的进步，这也是我们为什么推出腾讯AI加速器，通过腾讯的力量让AI深入到各行各业去，为AI的技术进步贡献一分力量。通过AI加速器我们希望为学员提供最专业的定制、最广泛的舞台，我们也邀请了4位行业顶级技术专家作为我们加速器的导师，全程参与与学员的交流与互动，帮助大家理解AI与下一个趋势的发展历程，你将会参与10堂AI技术课程了解AI技术的结合点，也可以与超过10位的顶级专家交流。我们希望探讨AI技术与各个创业项目有怎样好的结果，它怎样给我们生活带来改变，我们通过四天的企业私董会提供深度企业剖析，给予他们更深度的指导，在整个过程中也超过20位腾讯产品技术大牛为大家提供一对一的指导交流、碰撞，我们也会帮助项目更好对接产业上下游资源我们希望为学员提供更广泛的舞台。
冯豪：我们打造TGPC国内顶级的行业盛会，获得腾讯科技和相关领域顶级自媒体的报道，我们也会通过资本的力量帮助项目更好成长，去推动整个行业的进步。刚刚提到，腾讯AI加速器是腾讯AI战略非常重要的一环，今年腾讯AI开放平台6月将会进行内部发布，一起推动一个时代的到来。2017让我们一起携手共创未来，谢谢！
主题演讲：《AI创新趋势与早期投资》演讲嘉宾：PPTV创始人、蓝驰创投合伙人 姚欣
姚欣：AI为什么会火，AI现在到底在什么阶段，或者我怎么去看AI。要看见未来，首先要看历史是什么，我自己是80后，经历过三个不同的时代，一个是PC时代，为什么PC能够繁荣，最基本根源是来源于CPU摩尔定律，计算机成为个人电脑，乔布斯去偷学了交互界面，让PC也走向了千家万户，最后形成了英特尔联盟。第二，互联网时代，它甚至是多媒体的交互和互动、分享的终端，视音频服务结合起来，我自己创办PPTV也是从这个时代开始了。现在已经人手一台手机，我们走入移动互联网时代，可以说iphone是一个非常有突破性的产品设计，它在交互能力、计算能力来讲又再一次提升，今天我们的手机存储空间没有PC大，但是我们可以通过云的能力，可以看到每一个时代的变迁，其背后的推动力量是来自于计算、交互和连接这三种科技能力的提升。
姚欣：第一个讲到计算，真正在PC早期的时候，我们那个时候所谓网络是分布式的，一开始没有这个中心，直到互联网诞生，所有的单机都连接到中心服务器去，随着未来新的计算平台，我们现在提出边缘计算，比如以后的车联网，汽车不可能把所有的信息放在云中心再返回，它可能在本地，所以我们看到特斯拉跟英伟达合作，相当于很多普通计算机的能力，未来的分布式的计算、边缘式的计算是我们看到的能力。这个是我用到去年的报告，让我们看到最早的计算机的诞生，包括打卡的方式，再到后来iphone用触摸的方式，未来可能会用语音等其他更加直观的交互方式来诞生，这个趋势是什么呢？我们的趋势是越来越从外界的交互变成以人为本的交互方式，而且我们看到每一代交互方式的革新其实也是每一个新的时代和产品诞生的标志，所以我们也很期待今年交互方式上能不能有更进一步的革新。
姚欣：再往后谈到连接到联网，连接的主题在过去的十多年没有变化，简单的讲就是更快、更强、更省钱，我们从有线到无线，从2G、3G到4G是这样的发展趋势，我们未来的连接不仅是要把全球50亿人连上网，我们更多是要把百亿、千亿的物体连上网。其实今天主流互联网巨头核心业务就在于连接，王总也在说腾讯也主要在做连接，是人与人的连接，阿里是人与商务的连接，因为连接才有网络效应，才有商业模式的创新、叠加。我们看到，如果未来的连接在走向物联网连接，走向不是人与物的连接，而是物与物的连接，我们创新世界的发展将是什么样的方向？我自己的思考是，我觉得今天的物联网可以简称为人联网，其实将人各种信息信息化、虚拟化，无论是衣食住行，通过一系列跟APP的连接可以获得，各种行为、金融消费、阅读习惯可以建立应用来获得，本质上是把人的各项行为、各项属性信息化、虚拟化。下一步的物联网时代就是要将物理世界虚拟化。我们整个信息科技就是将我们所有传统或实体东西逐步虚拟化，并且将会调动。我们现在很热论共享经济，共享经济的本质是什么，比如说共享房子，房子物理空间没法搬离它，但是我们第一步将它虚拟化。可以看到未来物联网可能会发生的事情，就是将更多物理世界的东西通过传感器、联网能力等把它虚拟化，虚拟化以后可以打开更大的商业思考和空间。
姚欣：PC时代，非常典型的设计是Windows，Windows的界面成为主流，基本上垄断。到互联网，那个是浏览器，在浏览器诞生之前我们上网方式很多元，我们通过不同方式来实现不同上网，同样iphone也成为移动互联网标准化的设计。下一个时代如果我们称为智能时代，这个智能时代的标准化设计和标准化商业模式是什么？我做了一点小小推论，一个是刚刚讲到的AI，但是更重要的我们看到的趋势，因为我们交互以人为本，所以去屏化，未来我们交互不仅仅有这个屏幕，只用我们视觉来获得信息可能是不足够的，可能要更多元的方式来实现。到今天为止，计算、交互、连接的核心还是数据，其实这一波人工智能的崛起很核心一点就是跟数据有关，数据的能力可能成为未来商业竞争核心的能力。今天的巨头唯独关注的不是用户还是数据，如何把数据聚合到我的平台里面，而对于所有的创业者来讲，你能不能在上述的环节里具有一定的数据处理或数据搜集能力，可能会成为未来商业模式构建的基础。所以这是我们看到的商业发展模式和方向。
姚欣：我最近半年也在看跟AI相关的投资，我们也在思考，什么样的创业者在当今阶段、热潮、泡沫过程中存活下来的，我自己作了一点总结。首先，AI进步的驱动力，今天新的计算方式的引入，并行计算、新的算法的突破，深度学习，前两项能力并不稀缺，可以用钱买到，但第三种能力有钱不一定买得到，我后面基本上以数据为核心来论证，产业是分阶段发展的，像互联网产业或今天智能时代，第一步是基础设施，AI基础设施最近几年在迅速普及提升，比如最近有一个股票在迅速提升，基础设施层面是最先成熟，然后再是平台工具等，而且很有趣，我画的是倒三角，越往底层能参与的公司越小，越往上层能参与的公司越多，越往上层专有、复杂、定制、爆发、迭代快。
姚欣：如果今天我们从数据视角来看，如果你今天还想进入基础设施来讲，一定要做大公司看不起的事情，今天在云端的处理和芯片上大公司已经做得非常多，无论是GPO也好，还是做加速也好，各家巨头都有自己的方法，都有自己的学习框架，这个创业者很难，但是我们可以在终端、应用端可以有一些软硬结合的，更多在性能、公号、体积、价格可能存在更多机会，这是我们可以切入的地方，这是我们看基础设施有机会的地方。第二，工具平台层，今天如果是做语音识别引擎，对不起，你也没机会了，你可以看到我们必须避开巨头的战略，我们需要做他们做不到的事情。BAT今天不会做的一个事，数据开放（数据开源）。微软当年不可能对开源软件网开一面，今天所有的商业逻辑都建立在数据上，所以能力可以提供，数据不可以提供。其实有很多看起来很低端的活，同样你可以成为很好的服务，虽然很笨，但是你可以建立早期的数据，逐渐形成数据网络，甚至让创业公司也拥有跟大公司一般的数据积累和数据合作、数据网络的能力，这是创业的机会。
姚欣：另外一块来讲，如果我们再往上走一走，应用服务层，第一挣钱的事，离钱近的行业，我们做了AI创业营，发现一个是金融，第二个是安防，如果你真的能解决这个行业部分效率提升问题就可能换到一些钱和收入，还有数字营销。错过上半场，痛点依然存在的领域就是教育和医疗，如果能够用新技术、新手段来进行革新，比如教育如何解决真正名师的供应，或解决这个行业资源不匹配的问题，名师和名医永远太少，每个人都要付出巨大的时间才能找到最适合他的人，不一定最好但最适合他的人，现在用AI去辅助，让普通的老师、医生变成名师一般的能力，对用户行为的理解来去推荐真正适合他的名师或名医，我们看到这里也存在创新和改变的机会。
姚欣：如果是2C领域，主题也是两个，第一个进一步做人的虚拟化，刚才我讲到人的大量行为被虚拟化了，还有一些还没被虚拟化，比如人的指标，手环原来也做了，还有直接获得虹膜、内在属性和能力，还有把人各种交互行为也记录下来，跟他进行交互和对话把他个人语言能力去学习和模仿，从人的虚拟化的角度怎么去积累数据。另外，我们也可以把我们的传感能力、算法全部装在一个机器上，进行重新建模，比如去看自动驾驶，激光雷达和对物理空间的感知，乃至对机器人，对于今天感知能力的使用，毕竟我们今天主要的AI的突破也到了感知能力，用已有的成熟技术来实现可能部分商业场景的痛点和需求，这是我们需要去考虑的事情。
主题演讲：《深度学习重构视觉计算》演讲嘉宾：腾讯AI Lab计算机视觉负责人 刘威
刘威：很高兴在这里跟大家一起探讨一下比较有意思的话题，就是关于AI的想法，AI开放与构建。我主要做算法比较多，我今天分享主要关于深度学习非常成功的视觉上的算法和突破。众所周知，刚刚前面的姚欣总讲到做了图像识别的问题，因为视觉是很难的问题，在五年前、十年前是很难商用的，2010年我参加一个学术会议，有一个学者报告就说，图像识别的事情不要搞了，搞了那么久，只能在智能相机出现人脸框来。很多学者也是做了很长时间，到了2012年，有一篇论文，语音识别上得到很大的突破，马上在视觉、图像识别上有很大的突破，做图像识别的人挺多的，2012年整个视觉计算突飞猛进，尤其国内很多，创业公司可能有几十家，至少五六家是做图像识别的。
刘威：深度学习重构，为什么用重构这个词，呆会我解释一下。有两个应用，视觉、语音和自然语言处理。很多学者教授说，机器学习像什么，或者深度学习学习就像火箭引擎，我们的数据基本上应用的场景，数据就像火箭燃料，目前用这个核心推动三个应用领域，视觉、语音和自然语言处理。同时我们做一些新的探索，第一是强化学习，比如我们的决策，能做很多非常难的决策，难指的是环境很难，在非常生态、噪音很大的环境里如何做出决策；第二，生态式模型，可以处理各种数据，尤其是多媒体数据，甚至模型。我们仿真一些高质量的图像和图形，有助于大规模训练，非常依赖精准的数据，而精准的数据是非常昂贵的。最后我们结合别的学科来做认知科学。主要是三个方向，决策、创造、理解，理解是更加跨学科上的理解，我们需要有物理、神经科学、生物学等的理解。
刘威：我为什么要用深度学习来重构计算机视觉呢？因为我遇到很多人，有的是别的领域的不是计算机领域的教授，他跟我说好像计算机是伪需求，深度学习兴起之后，有的学者跟我说，深度学习摧毁了计算机视觉，用了destructs，我第一次听了这个说法也觉得挺有道理，挺有感触的，深度学习来说，把很多核心应用领域重新重解一遍，比如图像分割，像美图软件P图，把脸割出来再分化，分割在很长时间做得很差，用深度学习分割已经做得非常精准，在智能手机客户端就可以做到非常高精度，所以说这个说法有道理，但是我把这个词改了一下，我认为不应该叫摧毁，而是叫“重构”。以前的模型策划还是有用，现在我们所做的事情是把传统和现在重构在一起，如何重构后面会展开来讲。图像识别如何被深度学习推动，ImageNet，ILSVRC识别，我们用训练理论模型和算法，应用到十几万的测算看你的识别率高还是我的识别率高，痛苦的错误率，2010年没有深度学习，错误率都是挺高的，到ImageNet出来以后，一直到年错误率大大降低了，图像识别突飞猛进。这个任务基本上被终结了，不再举办任何比赛，只是停留在学术研究。这个是不可想象的，我第一次看到这个数据库，人都很难做到，机器做到。我们有各种各样的网络，微软、Facebook等搞的都是挺不错的想法和模型。
刘威：我讲的是卷积神经网络，除了图像识别之外，我们更多想做一些多媒体的探索，比如视频识别，从一帧图到多帧图，从静到动，视频蕴含的信息非常多，还有一些运动信息，从图像到视频这个特征是很难弄，到2014年我们才做出像样的模型，深度学习超过非深度学习，用非深度学习的传统学习方法，到2014年这个错误率虽然降低一点，深度学习第一次超过非深度学习方法，尤其是年做了很多工作，一直到2017年也发了一篇论文，识别的错别率目前做到最低，UCF做的101类视频行为识别。我们用一个卷积神经网络就解决了问题，只要我定义清楚，识别1000类，我只要训练一个卷积神经网络，你的网好还是我的网好，到视频识别一个卷积神经网络解决不了问题，所以是多道神经网络，我们用两道卷积神经网络来做。这就是两个突破，代表最近几年非常大的进展。我们AI Lab想干什么事情？我们想在几个方向探索，我们想从以前图像AI过渡到多媒体，尤其是视频AI，我们图像是静态无结构的数据，现在我们想处理动态的半结构/结构的大数据，在多媒体AI我们想做渗透式的计算或任何时候的计算，我们时刻在我们社交平台处理多种数据除了图像、视频，还有用户的评论等。
刘威：这是计算机视觉的几个方向，这是我们AILab总结的，可能别的有不同的看法，我们综合了不同的文献，我们认为计算机视觉的研究方向有四个方面，第一是图像处理，最成功的是P图神器。第二是物体检测与识别、图像语意分割，主要是图像语义信息的探索，我们想做的是从图像里找到一些行为、关系，可以简单理解为从名词到动词，或者更广泛，更丰富是，我们想从上面找到更完整的语意，就是我们想翻译成一句话，或者翻译成一段话，从以前没有语意到有语意，从名词再到稍微复杂的动词，再更更复杂的一句话，计算机视觉诞生之后，有人认为图像是有语意的，这是非常难的，我认为有点空洞的感觉，连图片像素都没有搞清楚怎么找到语意，结果发现计算机视觉出现以后一步一步实现了，我们确实从图片找到了语意。图像处理，基于大数据的端到端解决方案，从以前的分步来做，通过端对端的训练，不像以前做了很多预处理，应用创新出了一个非常火的APP，就是俄罗斯的，输入图像和风格化图像或者滤镜图像，另一端输出风格化图像，这两个图像从数据图象里找到你的内容，我们从风格图像或滤镜图像找到你的风格，我们自己也做了自己原创性的艺术风格转化，一个是手机QQ，我们做的探索是从图像AI过渡到视频AI。
刘威：这是我们做视频滤镜的DEMO，滤镜是线条化，把整个视频线条成这样子。抽象化，红色比较多，大家注意它的落叶，做得比较有意思。我们视频既有专利，也有论文，论文已经发表，我们现在也在做产品化，大家打开手机QQ的时候，打开摄像头里面有各种滤镜，把实拍风格化，有线条，还有别的。图像物理识别的检测分割。这四个图，分类、定位、检测、分割。第一个图是不是猫？第二个图猫在哪里？第三个图有哪些动物？在哪里？第四个图动物在哪些像素？传统方法来说，我们开发各种手工的特征，只是图像的局部，我们再搞一些中层特征，用中层特征丢到分析器里，我们用得最多的就是逻辑回归，大家可以看到把直接任务分开两块来解决。有了深度学习之后，特征表示与任务联合学习，检测任务、定位任务分割学习。
刘威：我们最近的探索是，首先我们在图像的深度学习上做了双向搜索，这是我们的DEMO，把文本跟图像通过端对端的匹配来表示，没有文本我们搜图像，没有图像我们搜文本。这是我们另外一个尝试，图像描述生成。我觉得我们在图像局部注意上做得特别好，比如蓝天下的雪山，而微软忽略了蓝天只注意到雪山。视频分类、视频描述生成和视频缩略，给视频打标签，我们对一个视频出一段话来描述这个事情，我们看了很多新闻，我们自动对新闻进行总结，我们把新闻换成视频，也可以进行总结，也用了视觉里面对视频进行高度抽象，里面有很多网。最后一个是视频缩略，我们希望代替人工去看一段很长的视频，把视频自动剪辑成非常短的视频，要求能够包括里面主要情形，而且足够连贯，我们用了半个小时，用户应该不想看那么长，或者看那么长电视剧之前想知道故事梗概。最后讲我们对视频分析理解。我们刚才讲了有各种模型，右边是以前尝试过的模型，我们又做了很大的突破，这是我们的方法，我们做了很多反馈，前馈把整体丢到神经网络里，通过捕捉多个时间尺度的信息，因为我们这套算法取得目前业界领先。
圆桌论坛：智能商业时代，企业如何“AI+”？&主持：原华为高级副总裁、华诺创投创始人、珊瑚群董事长 孙业林嘉宾：腾讯开放平台副总经理、腾讯众创空间总经理 王兰PPTV创始人、蓝驰创投合伙人 姚欣腾讯AI Lab计算机视觉负责人 刘威迅雷创始人、松禾远望基金创始合伙人 程浩阿博茨金融CEO、海豚浏览器创始人 杨永智
主持人：各位嘉宾好，接着刚才刘总的演讲，先问刘总一个问题，你刚才给我们做了非常好的科普，我想请您介绍一下在计算机视觉2C领域除了腾讯以外，还可能有什么应用场景，另外在2B层面又有哪些？刘威：长期以来我都是做2B的安防业务，视频监控，监控车辆、人的异常行为，以及办公室监控，还有安检，会有虹膜识别，通过瞳孔比对，因为我发现人脸识别做了很久，但是要做高精尖还是很难的比指纹识别差一些，而且每个人虹膜非常独特，不容易变。监控来说识别难度更大，暴动等，目前难度挺大，这些全是2B的业务，人脸识别可能政府没投太多钱，对于监控政府投了很多钱做了事情。主持人：会有商业机会吗？刘威：人脸识别已经非常接近商业，可以在手机端实现，但是监控很难。微软现在也在跟很多国内安防企业工作，你刚才强调了2C，我看到中国的商业模式基本上都是做社交类，这也是Facebook能做起来，它是做PC时代的图像社交，我们现在从PC时代的图像社交到移动端的图片社交，2C目前比较好。
主持人：我想再接着问一个问题，因为你是从美国回来，目前从全球来看，中国在计算机视觉、AI领域处于什么地位，未来要领先我们要在哪些方面做工作？刘威：我跟很多从业者都有一个很大感觉，几年前我们做的事情不会认为是做AI，我也很少跟别人说我是AI工程师，我们是行业细分领域，做大数据的说做大数据，做图像的说做图像，做深度学习的说做深度学习，但是因为AI行业太好了，所有的都说在做AI，没有深度学习的AI的不靠谱的，我通俗的说一下，有了深度学习的AI就靠谱了，能商用了。中国跟欧洲、美国来说，差距不小，但如果狭义到深度学习或者计算机视觉，我可以讲一讲，如果针对深度学习中国跟美国的差距没有那么大，中国提出了很多原创性的算法，得到主流学者的承认，再说计算机视觉，我甚至认为中国要强于美国，当然有很多原因，有人戏称中国图片很便宜，中国公司标注图像容易，从一个意义上解决了中国的计算机视觉可能比美国还要强，我们数据很多而且很精准，第二我们人口基数很大，我们每天有几十亿、几百亿的数据在流淌，首先数据肯定比美国丰富，然后深度学习算法不比美国差多少，甚至说这个时代AI一定要开放，不开放是做不好AI的，前面有很多先驱者，不像以前藏着掖着，Photoshop几乎不开源了，无论是算法模型还是整个框架都是开源的，包括腾讯自己也开源了，所以在这些情况下我们有数据、平台，我们算法不比别人差，深度学习算法就算美国领先一点，也最多领先半年，半年之后就超过它了。既然是计算机视觉是应用层面的事情，综上所述我认为中国要比美国强的，这就是为什么一个概念、思想在论文创造出来中国能够率先把它商业化，我认为计算机视觉比美国还要走在前面一点。
主持人：刚才您介绍了AI加速器，在过去一年中，整个腾讯在海外做了很多布局，在美国、欧洲、以色列都做了很多布局，我想问一下腾讯全球性的支持创业平台，在AI领域有什么其他可能性能够更好帮助已经入驻的AI创业团队或者将来的创业团队。冯豪：围绕AI这块，我要提AILab，因为它今年成立一个新的研究基地，以AILab为一个核心，后面在波士顿、韩国、新加坡等各地陆续成立AI的众创空间，我前面也分享到为什么成立加速器，我们做算法一定要到商业层面才能推动AI进一步发展，其实我们不论是加速器还是开发生态也好，其实跟在座一样，跟更多合作伙伴拿AI技术深入这个行业。具体海外，国内外本身技术和交流，我们会帮助海外的项目，看它跟国内的差异，同时加速器我们会安排一次跨界交流，引进海外项目就它的发展以及商业上的碰撞进行交流，其他的创业大赛我们陆陆续续也通过公共平台发布，也请大家期待。
主持人：现在您在全职在做投资，我想请您简单介绍一下投资之后，在AI领域看到特别显著的创业机会。程浩：AI从去年已经很火了，在过去我们大概投了6、7支相关的项目，总体来讲从AI创业者来讲，首先在视觉领域创业者最多，其实很容易理解，因为视觉领域技术相对技术，首先就是安防，这确实是有中国特色，包括金融、巡检等，包括无人便利店，很多垂直领域的应用，视觉领域应用最广。除此之外，我们还看到人工智能，特别是大数据在企业方面的应用，其实也是非常多，所以总体来讲我们看到人工智能+，人工智能+金融，人工智能+医疗等，这是主要方向。
主持人：跟我们分享一下在创业过程中的重要机会，或者作为在AI领域创业，因为你有一次成功创业经验，有什么需要特别避免的误区。杨永智：我这是第二次创业，整个创业大环境是非常大的改变，其实最主要的变化是在于机会，我上次创业是抓住移动互联网的机会，、2012年，那几个创业只要坚持下来，就跟美国西部大开发一样，只要一直跑。现在人工智能比较火，但是对于我们有过一次创业经历人来说也是比较大挑战，因为以前是做移动互联网，做2C的，现在做创业主要是在2B不是在2C，做人工智能要数据，做2C的创业数据再怎么拼也拼不过2B，所以选2C通用领域是很难有机会的，可能在某一些局部领域有机会，比如说像刚才姚欣讲的虚拟助理这些，但这些窗口也很短，最后变成很多垂直领域，我自己比较看好的是AI跟金融、医疗、教育这些行业结合，原因就在于金融离钱很近，相对数据比较公开，第二金融行业数据非常大；像有些行业数据获取非常困难，比如说医疗，比如喝三瓶茅台酒也不一定拿得出来，这就是做互联网创业的人还真不见得适合干这个事，除非你有非常好的团队结合，能够把这些数据弄到手上，尤其像以前做互联网，现在做人工智能创业，你的基因要进化，必须要与时俱进去学习，无论是拿大数据还是把客户拿下，这是一个非常大的挑战。第二，一个比较大的挑战是人才。现在创业门槛变得越来越高了，为什么？因为这几年双创，投资者越来越多，其实机会变得越来越少，相对来说门槛变得越来越高，尤其在AI里面，比如北京开了100万美金的offer你要不要，每个月工资抵我们一年工资，我估计在深圳更难找，我自己觉得深圳腾讯太强大了，中间的公司太少，没有生态流动系统，北京林子大了什么鸟都有，全国也能往那里跑，北京还容易招虽然很贵。所以人才也是做AI创业一个非常大的挑战。第三个问题，因为现在伪AI比较多，假AI也不少。因为以前的VC很多都是看商业模式，其实没有什么VC是会技术的，我觉得现在去融资估值也很高、很贵，这是我看到的挑战。我自己认为创业，短期可能我没那么乐观，我长期还是很乐观，我觉得这个事情不会像移动互联网一样的，比如年是中国智能手机迅速超过50%，这三年时间创业是最好的，现在这个时间窗口可能拉得比较长一些，不会有那么快，但是长期我还是非常看好这件事情，这是我个人观点。
主持人：谢谢永智。从长远来看这些方法，非常核心和重要。下面问姚欣问一个假设性问题，因为你也是一个非常成功的移动互联网的创业者，也做了大量的工作，如果你要再一次创业，在AI领域会具体做什么事，然后怎么样做？姚欣：这不是假设，早上还在讲，我说所有的努力都是为了下一次更好的创业。我们这里也有二次创业者，再次创业考虑的东西比较多，第一，不仅仅是为了做更大的公司、更多的钱，要寻找更长期的动力，第一我是信仰技术，最好我做PPTV是因为我自己做技术，我觉得技术要改变世界，我一直在喊：寻找，改变生活的力量，这是过去一直做的事情。最近这几年模式创新遇到很多挑战，科技创新在各种领域都在做。第二，成就感，创业不仅仅获得财富的回报，更重要的是你做的事情对于世界或者周边的人实现某种影响和改变，你也觉得这种事情你的付出是有回报的，我们看到今天毫无疑问，如果跟2C的事相关你的成就感会很强。早期我也在一家公司坚持过，这事如果不出事你永远不知道你的存在，出了事就是很大的问题，很多2B就是这样，你可能钱挣到；2C成就感比较强。在信息行业找机会，最近的趋势是数据驱动，我都不想用AI这个名词，用数据改变传统的算法，用数据驱动来做复杂的算法，看各个行业跟风口，如果跟2C结合就跳进去。刚才演讲提到我的观点和看法，今天绝对不是单一的技术，几个观点，第一，你要做2C，其实是伴随着技术的过剩，那个时候技术稀缺，但是真正进入到2C的时候，技术过剩是2C的一个标志，现在还不到，以后大学生都能当好科学家的时候就接近了；第二，还需要一系列相关的能力，这里面计算只是其中之一，你需要有别的能力的积累，无论是从当年的PC、Windows；最后是商业模式的东西，如果用原有的商业模式在巨头下是做不出什么东西，现在看到在组合里来讲，无论是新的能力还是新的方式已经出现了，现在做AI创业也好跟大家交流，希望能够尽快感知到可能会发生到的趋势。主持人：接下来请各位嘉宾能不能举一到两个真实的案例，我们传统行业怎样跟AI结合，我们知道的真实案例或者我们认为有机会的。程浩：我举一个最简单的跟视觉相关的，大家知道去停车场停车，现在直接扫你的车牌，然后到里面扫微信，然后出来再扫，这是离我们最近的一个例子。还有很多。
主持人：有没有看到在全球、中国或国外，AI已经做得非常有成功趋势的？程浩：传统，不知道怎么定义传统，工业领域最简单的就是残次品检测，比如以前做生产一个iphone，能不能在每一部通过视觉检测一下简单的问题，这个在中国已经在某些领域深入，人工智能与传统行业的应用已经非常多，包括无人零售，这个东西直接落在中国可能有一些问题，但是基于这个想法，中国已经有很多类似的，当然打法不完全一样，我觉得很多。主持人：无人零售相当于人工智能跟零售结合。冯豪：我想到几个案例，如果对于传统行业跟AI最好的结合，法律应该算一个，在法律来讲初级的律师就是分析案例，他需要看以往的大量的案例，有可能两个律师花几个月时间去做这样的工作，现在通过AI的技术可以快速把跟你案子相关的卷宗做一些分析，而且放到平台上，从它结果来看并不知道背后产生这么大的变化，但是实实在在给法律行业带来变化，而且给初级律师包括翻译带来冲击。相对互联网，在细微行业我们看到变化，以前我们一些论坛是有字幕的，以往通过同声传译去做，现在很多行业公司把这个技术做到通用。我跟一些技术人员交流过，北航大道在安防领域应用最广，它可以通过车子的特征以及特殊的位置去锁定你这台车、人，甚至滨海大道怎么判断车里坐一个人还是两个人，不把它作为一个行业或一个领域，我们认为AI会潜移默化跟日常生活中各种各样的公司、行业结合，它确确实实要渗透我们生活当中。
杨永智：我举一个金融领域的例子，尤其是车险理赔，还有欺诈也比较多，我看过有些公司做得比较有意思，这是当出现车祸时，用手机去拍，大家知道这个车是什么样的车子，零部件损伤是什么样，这个在保险领域将来可以节省大量的人力成本，就是做定损，尤其现在像新型的保险，我认为计算机视觉在保险车险防欺诈、理赔领域。还有一个可能跟教育相关的，如果数据足够多的话，可以海量做训练，不断给你新的题目加强训练，这类型公司也是用AI做学生知识点的分析，也是一个机会吧。刘威：尤其是我刚才说的三大方向，图像识别、语音识别、自然语言处理，叫外卖也好，用语音跟他交互等，都是用人工智能做插件功能，如果用人工智能改变端对端，我个人总结三大特点，更精准、更高效、更强。AI能够开发成功，也有很多新的商业模式，具体一点，我知道一个人，是我的校友，他搞了一套基于机器学习的课程或课表安排的程序，我们怎么做呢，每个学生新入学或快毕业了，每个学生都有一个诉求，哪天有空、哪天想学什么课，满足大多数学生和老师的要求，要高效很多，这是利用人工智能的高效。第二，在安防得到淋漓尽致的体现。我想说大局观的问题，尤其是博弈类，在有对手情况下你怎么做决策，我们用人工智能大局观可以提前一年或两年做出判断。更多的不细说，比如银行业，可以搞出机器人能够看、听，能够跟人交流，也就是把准确性、高效性用上去。
姚欣：刚才大家都讲得很好，我讲一个观点，今天并不一定要把AI挂到嘴上，其实在很多领域已经把这类技术已经应用，但是感知不到，我举一个例子，网易云音乐，大家知道在音乐战场上竞争非常激烈，版权各家垄断，比如去网易云音乐，根据你的习惯推荐一个歌曲，它推荐一些尽量有版权又符合你的习惯，对于公司的经营来讲，可能今天的成本没有像其他人投那么大，但是获得足够用户停留，我们不一定把技术非要显示在外面，如何高达上、科技化，把它里面数据驱动，这是很核心的，运用在某些感知环节里极大提高你的商业效率。主持人：谢谢各位嘉宾刚才的分享。我们看到在AI自身就有很多创业机会，AI也可以跟很多传统行业做特别深入的结合，刚才各位嘉宾给予我特别多的启发。我自己也亲身经历了很多事情，也参与推动了发展，过去是信息、科技、通讯和存储等结合在一起推动发展，ABC，A就是人工智能，它广泛渗透到几乎生活方方面面里面去，另外一个A是自动化的东西，再加上IOT；B是区块链，它是第二块互联网，可以彻底颠覆我们很多东西；C就是我们云端的计算领域和终端的计算领域在集聚。在ICT的驱动下产生大量的小而美的公司，在ABC的驱动下会产生更多大的公司和小而美的公司。今天的论坛到这，谢谢大家！
主题演讲：《人工智能创业的风险与机遇》演讲嘉宾：迅雷创始人、松禾远望基金创始合伙人 程浩
程浩：先讲第一个，大家在创业的时候通常有一个误区是什么呢，我们这个团队如果非常酷的科学家就没法做，对不对呢？显然这个想法不准确，为什么？首先整个人工智能这个算法的技术准入门槛越来越低。第二，相对于算法而言，在很多领域，海量的、准确的、标注过的数据更有价值。我简单把这个领域切成两块，一块叫关键性应用，什么叫关键性应用？我举一个例子，自动驾驶或手术机器人，关键性应用就是要追求绝对不能出错，在这种领域里头，你做不到99.99…%之后你无法商业化，必须要有精通算法的科学家级别的人来干，而且普遍这些领域离钱比较远，研发周期比较长，没有非常好背景的科学家无法融资。举一个例子，门禁人脸识别，比指纹、手机都方便一些，但是人脸识别属于非常典型的非关键性应用，为什么呢？首先就是你即使识别得没有那么准确，所有人脸识别的门禁通常都会有一个模块允许你刷手的，万一没有指纹或者指纹识别不出来怎么办，不还有前台嘛，这属于典型的非关键性应用，错一次不重要。所以这些领域我们都把它叫非关键性应用。非关键性应用里头最关键是不追求99.99…%。
程浩：对于非关键性应用核心竞争力在哪里，除了算法之外，第一点，行业洞察，你得真正在这个行业干过，你得非常清楚这个行业的痛点；第二点，产品化能力，光实验室做了不算，实验室做出来的东西不在乎花多少钱，但是批量生产就要考虑，产业化和工程化极为重要；第三点，成本能力，不光要把它造出来，而且要把它很便宜造出来，你做出来的东西再好但很贵，这是很难普及；第四点，就是供应链能力，几十个、几百个供应商是不是同时间提供高质量模组，老罗很擅长营销，核心问题就是供应链能力；第五点，营销能力，如果是2B必须要有Top sales。非关键性应用算法只是其中一部分很小的部分，更多的是综合，就看你动不动行业，能不能产品化，还有成本控制、供应链能力和营销能力，这是我分享的第一部分。
程浩：在人工智能领域创业，只做技术提供商我认为死路一条，为什么这样讲？首先技术提供商很多是大公司的赛道。其次，是基于API的商业模式没有扩展性。第三，数据很多情况下比算法重要多，最核心是它大量的研究，学者、开发公司也好，所以上面有很多这样的东西和算法，拿来直接用，这种用只是DEMO，商业化肯定是有距离，整体来讲算法壁垒越来越低。第四，极易被上下游挤压，只做算法生存空间是非常小的。在此我提出“一横一竖”理论，必须找到垂直应用，提供端对端的服务，同时把你的技术服务开发给其他行业应用，原因很容易理解，如果你不找这样的垂直应用，未来很可能会被挤压，上游就把你这个事干了，如果不在其他行业开放，你会面临数据越来越少，只能依赖自己提供数据，开放第三方，第三方为你提供数据，对你算法有好处。你还要选一到两个你认为比较擅长的行业做全套。所以简单讲，技术提供商一定要做全栈，光提供API这样的公司没有任何价值，必须把你的技术产品化，形成一套解决方案，同时提供给你的客户实现商业价值，获得客户或商业伙伴给你的数据，同时夯实自己，形成一个正反馈，有技术、形成产品方案、商业化，最后收集数据，所以技术提供商一定要做全栈。
程浩：那么做全栈，怎么选这种垂直领域，刚才说一横已经做了，怎么选择一竖，这是要考虑的。跟大家分享一下，第一个是市场空间，做一竖肯定选市场最大的。第二，行业集中度。你作为一个技术提供商，因为头部越集中越有垄断效应，它就越有动力把你的事做了。第三，提供的技术服务到底是改良性还是革命性的。第四，双方的壁垒，特别是上游的壁垒。第五，团队基因。你做得了技术服务的事，不代表你做得了垂直领域的事。
程浩：第三个风险，2C市场还不成熟，从技术创新和技术演进的路线来讲，通常都是先军工、国防，然后2B、2C，为什么先国防？因为产业链不成熟，做起来很贵，所以先国防买单。产业链不成熟，价格贵，用户承受能力弱，一个机器人拿回家，小孩恨不得又能讲故事，又能早上叫我起来，现实意义不大。2B机会还很多，包括企业对成本的承受能力高，2C买一个人工智能成本是额外花一些钱，但是2B买这个产品目的是为了省钱，比如工业机器人，一个工业机器人代替4个人，每年10万，听起来还挺贵的。买任何一个2B机器人只干一件事，包括2B可以采用混合模式，小区巡逻机器人，这个地方有一个老太太摔倒，但是一个机器人把老人扶起来还是挺难的。
主题演讲：《AI在Fintech领域的创业机会》演讲嘉宾：阿博茨金融CEO、海豚浏览器创始人 杨永智
杨永智：Fintech是什么？Fintech不等于互联网金融，所有涉及到钱的，只要涉及到资金的，比如说P2P，把传统的金融搬到互联网去做，Fintech涉及到钱的，只是涉及到一套工具，所以要把Fintech和互联网金融要有所区分。大家比较熟悉的Fintech的几大领域，包括银行、移动支付、金融搜索、智能投顾、数字货币等。这个AI应该是广义的AI，在银行做风控、客服服务，证券里是投研、量化，涉及到技术就是各种各样的技术。
杨永智：智能投研就是国外的一家公司Automated Insights、Yesop，这个公司的使命就是用人工智能干掉分析师，可以问它各种各样的问题，就可以帮助你做投资市场分析。证券分买方和卖方，卖方的分析师都是比较贵的分析师通常从非常好背景学校毕业的，我知道一个例子，清华毕业的，加入券商，三年左右年薪到100万。你输入各种各样的问题，比如iphone有摄像头、存储器、芯片，不同部件的供货商是谁，在iphone4、5的股价是多少，然后预估iphone7、8的股价，国内这种起码有10家公司。还有一个市场就是智能投顾，国内做智能投顾公司非常多，包括前段时间招商银行、长江证券等，现在很多银行、券商都在做智能投顾的业务，这个领域创业公司也非常多，但是这个领域我主要说一下这个领域的问题，因为做投顾跟美国有点不一样，还有资产配置的概念可以做配置，但是中国没有太多可以去做配置，所以这个在中国是不存在的。第二，对于智能投顾对中国客户来说，最主要是帮他赚钱。
杨永智：你做一个算法和策略出来，它有两个天花板，第一个是它管的规模是有限的，比如10个亿，可能到20个亿收入就急剧下降了，这个策略比如过去三年运行得很好，但到第四年碰到黑天鹅事件，可能让你前三年赚到的钱亏进去，能够慢慢赚到钱我觉得这个是扯淡的，主要做资产配置和避税，在中国是没有这个的，主要做2B的解决方案，帮助销售提高产能，还有站在客户服务角度给客户提供更好的投资服务，但是如果说能做得很准，这是非常困难的事情，这个领域肯定是有机会的，而且是2B的机会，如果做2C做得很大是非常难的，我刚才讲中国市场不大一样，这里有一个悖论，有人赚钱必然有人亏钱，人人都赚钱谁去亏钱呢。所以这是金融投顾这一块的分析。
杨永智：量化交易，2008年金融危机，从前二十年看赚了非常多钱，做量化交易我觉得可能离钱很近的事情，更适合金融创业，不太适合互联网创业，互联网创业希望以科技驱动，然后IPO市值，但是这个如果很赚钱，你估计也不愿上市，对于像美国的基金，号称非常大的，像中国市场股灾之前还非常好做，原先100手交易，最后限制10手交易，目前这个交易也没完全放开，但从更长远角度来看，量化交易是非常大的。还有一个是做搜索的公司，它是以更快速获取信息、数据为主，像老的公司，像Bloomberg、Wind，比如说中国和美国的基金对比，把过去十年的基金找给你，你一级一级去点然后去使用，搜索加上智能处理更便捷、快速，离用户更近，还有市场上有非常多的非结构化数据，包括各种报告、财经新闻，其实都可以聚合起来，通过搜索检索出来，比如国外有一家公司Alphasense就是典型的代表，它也是一个搜索，但是跟前面讲得不太一样，前面是偏分析，这个是偏重信息的获取，但这两个在某一个点会有交集。
杨永智：这个的挑战就是在建立知识图谱，最后发现用技术方法很难解决问题，今天云计算、大数据、深度学习算法的出现，深度学习在图像、翻译领域甚至超过人，但是在深度学习还跟人的水平差距太大，所以想用目前的技术去做非常好的知识图谱做搜索还有非常大的差距。像谷歌花13亿美金买了一家公司，但是它相对整个人类来讲，目前也有很多公司在做这个领域的创业。
本次直播到此结束，我们下次再会！
扫描二维码关注，第一时间获取创业现场干货
&&|&&&&|&&&&|&&&&|&&
项目报道：
项目计划书投递：
工作时间：周一至周日 09:00-18:00
&&&&创客猫-创业现场第一媒体&&厦门创客猫网络科技有限公司&&