一只蚂蚁被压路机轮胎无情的碾压，而压路机根本都没有注意到它。

     类似这样的事情在人工智能领域其实已经出现了，巨头公司以近乎“碾压”的方式将很多初创公司赶出了局。

     比如Google发布了神经机器翻译系统（GNMT），并且将其投入到了难度系数颇高的汉语-英语翻译应用中，准确率得到了相当程度的提升，这使得一些国内机器翻译的创业团队被无情碾压。

（谷歌CEO劈柴在发布会上展示其产品强大的中译英能力）

探长走访了国内顺为资本、声智科技、文因互联等人工智能领域投资机构和公司，总结了人工智能创业的一些坑。

第一个坑：做大公司会做的事情

     创业公司都是在大公司的阴影下生存。

     很遗憾的是，很多时候大公司并不是纸老虎，一方面大公司有大量的人工智能人才，有良好的人才储备，另一方面是大公司有大量的数据，此外大公司还有众多的渠道和流量。初创公司和大公司正面对抗，结局是可以想象的。作为一个佐证，硅谷某大公司收购一个人工智能初创企业后，发现各种指标跑下来，性能还不如内部的产品，于是被收购的团队全部派去做产品了，而不是研发。又比如上面提到的例子，某机器翻译创业团队，在谷歌发布新版神经机器翻译系统后，发现自家产品翻译的准确性全面落后于谷歌。

       所以一定要思考好大公司的产品路线图，不要螳臂当车。

那么，哪些是大公司一定会做的事呢？

基本有两大规律：

第一是，越是底层的东西，巨头越会去做

      人工智能产业链中，基础层是构建生态的基础，价值最高，大公司会长期进行战略布局。在基础计算能力、数据，通用算法、框架和技术方面布局，聚集大量开发者和用户，这基本是兵家必争之地。比如谷歌、亚马逊、微软都纷纷推出了自己的人工智能的基础设施、API和开源框架，包括了计算机视觉、语音、语言、知识图谱、搜索等几大类。

第二是，越是通用型的产品，越是大公司会做的。

       对于通用型的产品，大公司会贯彻人工智能优先的策略，来提升效率、改善用户体验，对于通用技术层，这是构建大公司护城河的基础，大公司也一定会布局。比如谷歌贯彻AI First的策略，改进智能助手（语音和NLP）、谷歌翻译（机器翻译）、YouTube（推荐算法）、图片搜索（计算机视觉）等等。这也导向了一个新的结论，也是顺为资本副总裁及入驻企业家孟醒在采访中强调的，越是纯互联网的产品，越是大公司会做的。这背后的逻辑是互联网产品具有网络效应，也更通用。所以从这个角度上看，面向大众的纯互联网产品并不是人工智能初创公司创业的好方向。

实际上重投入和一眼就能看得见巨大价值的项目，都不是初创公司的理想的选择。

难道创业公司就没有机会了吗？

      互联网大公司都在发力人工智能，依靠强大的实力做平台，做入口，把持流量和服务，连接关键节点，难道创业公司就没有机会么？

庆幸的是巨头也有局限，它很难在每个垂直领域都做的非常深，因为这未必是他们的核心业务。

创业公司可以选择做垂直领域的先行者，积累用户和数据，结合技术和算法优势，成为垂直领域的颠覆者。

不过即使是做垂直领域，也不建议和传统公司硬碰硬，而是迂回包抄，边缘突破。

创业公司也可以专注于细分场景应用，做窄品类的应用，提供解决方案，直戳行业痛点。

总结一下，创业公司应该不断从边缘创新，在巨头看不见或者不屑的地方进行创新，不断扩大创新的边界，从而成长为一个价值中心，走农村包围城市的路线。

第二个坑：只追求技术不重视产品体验或经济效益

“2C产品上，消费者不会为算法和技术买单，技术必须转化为产品，用于改善产品体验或者提升效率”，声智科技合伙人&副总裁李智勇在采访中表示。一个产品落地，内部的链条很长，除了技术和研发，剩下70%的人可能是做产品、销售、生产、渠道。如果是硬件，需要考虑硬件以年计的开发周期。如果是面向企业的解决方案，还需要考虑不同企业和客户的繁琐需求。

（谷歌为其人工智能机器人研制的芯片）

人工智能领域很多科学家创业，拥有很好的技术背景，“这个领域的确很适合科学家创业，但技术往往只是必要不充分条件。”孟醒在采访中表示。

科学家创业也往往面临一个问题，学术能力强的科学家往往发的最好的Paper,而最好的Paper往往都是研究最通用的问题。

正如我们之前讲的，做一个通用的东西，未必能立马应用于工业实践，即使有用，这往往也是大公司要做的。

不过拥有技术优势这个起点是对的，得把这个滚动起来。技术突破，产品落地，技术再突破，越卷越大，像滚雪球似的一步一步地发展壮大起来。

“这个滚雪球的过程是非常必要的，因为纯粹的机器学习算法优势并不会持续多久，最多一年，甚至三个月”，李智勇强调。

即使是在人工智能领域，技术在很多场合也不是最重要的东西，一方面是大家的技术都差不多，没有显著差异，另一方面是有众多其他的因素影响用户体验和购买选择。

第三个坑：摸不清谁会为你的产品买单

人工智能创业者一定要谨慎痛点低的伪需求，满足谁的需求是一定要思考好的问题，在人工智能领域，要么是2B（面向企业），要么2C（面向消费者）的方向，各有利弊。2C 的优势在于可以打造自主品牌，而且用户购买决策是在相对市场化的竞争环境中，一但成功容易形成规模效应，成长为巨头。2C 的劣势在于可能需要更长时间的积累，需要更庞大的团队，而且竞争更激烈，因为要消费者掏出真金白银。

2C也可以分为两大类，一类是新硬件新产品，第二类是既有产品的改造。

（Amazon Alexa语音助手系列产品）

新硬件新产品可能是一片蓝海，也可能是一个伪需求，我们需要关心的是市场能有多大，量有多大，如何教育消费者，如何获取用户，需要关注周期有多长，能否撑到爆发的那天。既有产品的改造我们要正面和传统产品对抗。需要思考好我们产品效率的提升或者用户体验的改善是否足够让用户放弃已有的成熟产品。我们是注重于存量市场还是增量市场，团队是否能够抗衡传统公司几年甚至数十年积累的市场、品牌和渠道。

2B 的优势在于相对容易变现，因为从企业用户更容易收费，此外团队也更专注在某些问题，这些点上更适合创业团队；2B 的劣势在于规模效应不一定明显，2B的周期也可能很长，此外2B弊端是某些领域采购决策市场化程度可能很低，需要拼企业资源或者政府资源。此外，2B的切入点也非常重要，找不好切入点就非常容易碰壁。

（针对企业的人工智能服务，图片来自Raconteur）

2B还是2C这是一个问题，目前来看大多数垂直领域的应用都是2B。现在的人工智能领域创业者找到一个合适的行业，充分了解这个行业的需求，看准这个行业在某个时间点产生变革，变革是什么，然后提供2B的服务，可能会比突击2C的机会要更快或者更容易。的确，在2B领域找到一个方向，帮助企业或商家提升效率或者省钱或者创收，都是一个很好的方向，“这是一个经济问题”，用孟醒的话说。

无论做2B还是2C,都要想好壁垒在哪里，优势在哪里。比如如果优势是行业资源，如何找到合适方向切入。如果壁垒在于数据，第一波数据从哪里来，如何把数据优势滚动起来，都是要思考的问题。

第四个坑：人员结构不合理

      把握好研发团队和产品工程团队的比例，也是在人工智能初创公司里不断涌现的一个问题。很多人工智能初创企业由于团队基因等原因，一味地追求算法和技术上的领先，招募大批科研人才，而工程人才欠缺。拥有大量科研人才有利于做公关，也利于吸引VC的投资，但这一方面可能带来过高的成本，牛人扎堆后更难管理，谁也不服谁，可能会因为学术兴趣不同而造成“神仙打架”，导致产品方向的偏差。

毕竟初创公司不是研究院，不以促进学术发展为目的，不以发paper为目的，而是要以产品为核心的商业机构。

做2C的创业，需要创始团队非常有产品思维，而这往往是科学家出生的团队最缺乏的，而做垂直领域的应用，也要求创始团队有行业资源。这些都需要寻找合作伙伴来补齐。

第五个坑：不懂得如何把握节奏

在国内讲风口，在硅谷也讲timing，在大部分投资都有投资回报期要求的情况下，创业公司要控制业务的方向和节奏，找好合适的时机。

在互联网和移动互联网创业的时代，都有窗口期的概念，错过了窗口期会很难做大，进入过早也会死的快。在人工智能领域，时机和节奏感的把握都很重要。

      时机的判断非常关键，比如在当前语音的发展已经完全可以商业化的时候应该做些什么，比如对视觉领域的技术发展的判断，又比如对无人车领域前景的判断，找准时机点及其关键，不同阶段要做不同的事情。而节奏感的控制除了来自对人工智能技术发展程度的判断，还有来自对融资环境的判断，对市场发展速度和变化的判断，对竞争对手的判断。有这几个方向的判断，就大概能知道是否步子应该迈得大一些。

最后，想说的是，人工智能领域的创业除了技术驱动更明显，好像和其他领域创业也没有多大的区别，这些坑希望人工智能领域的创业者要谨慎对待。