雷锋网新智造按：最具权威性的人工智能与机器人创新公司榜单「新智造成长榜 2017 」评选正在进行中。本文来自星河互联人工智能事业部总经理、合伙人刘玮玮，他也是本次雷锋网新智造成长榜的评委。在文中，他分享了对人工智能创业项目进行技术验证的方法。在某种程度上，这也是他评选具有成长潜力公司的标准，对有融资需求的AI创业公司以及有项目需求的投资公司也有借鉴意义。点击“链接”可了解关于雷锋网新智造成长榜的详细消息。欢迎广大企业报名参与。
大家好，我是刘玮玮。
前不久，我做了一次线下分享，内容主要是讲我们眼中人工智能领域的一些新变化，并且给创业者提了几个建议。我认为创业者无论是把人工智能当做噱头也好，加分项也罢，项目都应该回到创业的本质——解决问题。作为创业者首先要根据自己所在行业的场景，去根据问题寻找人工智能的解决方案，而不是反过来拿着火热的概念到处去找还能再拿人工智能“+”什么？
在2017下半年，那些单纯依靠算法、SDK讲故事的项目，需要加快商业模式验证的速度。并且，软硬件的整体解决方案将会对客户有更直接的价值。在技术能力之外，创业者的行业纵深与渠道拓展能力，将会越来越重要。
我先给大家一个技术验证的总观点——使用科学的态度进行技术验证。那么究竟什么是科学的态度？我认为翻译过来其实就是八个字：大胆假设，小心求证。
你可以对过程中的任何感觉不合理的地方进行存疑，并且小心求证，绝不能武断的下结论，错杀好项目。无论人工智能领域还是其他前沿科技领域，我们在鉴别项目时，都会关注其团队、产业、商业模式、运营、竞争、技术等方面。
具体讲技术验证，我有以下分享的点：
第一，团队要有学术积累和行业纵深能力
这里面我们要特别强调一下，我们说的团队具备的能力，不是指能力都集中在某一个人（比如创始人、CEO等）身上，而是说希望能通过合伙的形式，使核心团队整体具备技术、工程、行业经验、运营等核心能力。
1. 有无优秀学术背景
团队需要有技术带头人，比如第四范式的杨强教授是AAAI的fellow；商汤科技、旷视科技、格林深瞳、地平线等等，都有其技术带头人。
除了团队带头人履历外，团队的技术背景还可以通过顶会（ICCV、CVPR、ECCV等）和顶级的Paper发表情况来进行识别。
此外，专利情况也是需要了解的内容。可以通过专利，看一下团队之前的技术分布领域。之前有一些所谓的科学家创业，翻看其多年的专利积累和学术论文，发现其研究方向和本项目并不是强相关，这种情况需存疑并进行进一步验证。
2. 工程实践能力
我们回顾一下2016年人工智能的创业项目，会发现大量的天使期项目都是以团队具备算法能力作为切入点，进行天使轮、PreA轮融资，比如人脸识别SDK、手势交互SDK、基于开源框架做的分类器等等。
很多SDK以及软件平台当时只是实验室产品，没有考虑成本、计算资源、特定领域的识别效果、客户场景的可集成度等因素，距离真正的商用还有差距。因此，需要团队中有必要的工程实践能力与经验，能快速处理工程中问题。
除了技术方面之外，快速跟进客户需求，快速迭代、上线发布的能力，也是项目的工程实践能力的另一方面。
3. 行业纵深能力
行业纵深能力是指，团队中有没有该领域的渠道资源、客户资源、上下游合作的资源。这个能力对于产品能否快速商业落地极其重要。不同的产业有其相应的壁垒和特点，被技术改造和合作的难度是不一样的。比如，以无人驾驶/辅助驾驶对应的汽车产业链举例，大量的从视觉算法切入的初创项目，在和主机厂、一级供应商寻求前装落地过程中，都是不占优势的，未来还会面临各种传感器的数据融合，算法的打通，挑战巨大。
行业纵深能力举例：面对汽车复杂的产业链，仅仅依靠算法优势期望切入汽车前装市场，是很艰难的。
第二，技术及产品验证，黑盒验证尽量充分
对TS之前的PreDD阶段的技术验证，一般不会接触到实际代码，算法层面的调研都比较少。一般以黑盒测试和专家验证、第三方机构验证为主。投资人也要熟悉细分领域基本的技术原理和判别指标。
1. 关于数据源
人工智能的三要素：算法、计算力、大数据。目前的人工智能算法大都基于深度学习实现，深度学习训练神经网络模型是基于海量的训练集，同时需要训练集中的数据具有多样性和完备性。
随着各种深度学习算法的框架的开源，相信未来的基础框架层的竞争壁垒会越来越低。同时，专有的GPU、FPGA芯片、专用ASIC等也会慢慢攻克本地化、扩展性等问题。
现在的深度神经网络训练大多是监督学习模式，所以需要对每个学习样本依照完成的任务建立相应的监督标签，这是耗时耗人力的工作，海量数据训练集变成了各个厂家比拼的核心资源。
像安防、医疗、金融等领域均拥有海量结构化的带标记的数据，成为了人工智能技术上最先落地的领域。因此，基于行业的独有的海量训练数据集便成为稀缺资源，投资人看项目时，需要仔细甄别、查看数据源的质量、真实性等维度。
2. 黑盒测试，应明确测试条件
上文我们谈到，在PreDD阶段，很难接触项目的代码层和过于详细的算法层。那么，一个充分的黑盒测试就显得极其重要。
以往在看项目时，往往会听项目介绍如下：
“我们的算法在XX比赛中场景识别准确率达到XX%”
“我们的摄像头在多种测试场景下，物体识别准确率达到XX%”
“我们的语音识别准确率达到XX%”
如果大家之前做过软件或者硬件测试就会知道一个常识，即一切不谈测试条件的测试结论都是无意义的。不能说项目故意误导，但作为投资人必须要对测试条件进行详细的鉴别。
明确了测试条件后，如果有条件，可以现场进行简单测试。比如，测试远场麦克风阵列，就可以根据麦克风阵列标定的远场距离进行唤醒测试、交互测试等等。
3. 投资人应提供独立的测试集，并尽量现场测试
我们在看模式识别的一些项目时，会发现项目核心其实就是分类器。比如，一个医疗人工智能看片项目，我一般会要求项目使用我提供的样片，并且现场上传到项目的SaaS中。可以的话，让机器当场操作，出结论，并与实际结果进行比对，验证分类器的准确率。
如果投资人不提供独立测试样本，一般项目会提供它之前训练好的测试样本进行展示。就好比一个人用准备好的10道题目来证明自己的知识水平，很难讲是真实的水平还是提前背好的。
举例：黑盒测试一个客服机器人
以基于深度学习的XX客服机器人项目举例：通用测试—1000个问题的测试集。
第三，上下游访谈，要尽量做到充分、客观
上文提到，要对算法模型进行充分的技术验证。那么，如果无法黑盒测试，怎么办？举个例子，如果我们要测试激光雷达，或者ADAS系统。理想中相对充分的测试应该是在一台前装车上进行全工况测试，但现实中行业的发展以及车厂资源很难协调独立第三方测试。那么，这时，一些投资人会更多的通过专家判断、上下游客户访谈等方式进行验证。
1. 行业内专家判断要避免单一化，要覆盖全
比如，对无人驾驶项目的判断，既要访谈看好这个方向的专家，也要访谈看空这个方向的专家，多与各领域专家保持沟通合作，充分沟通交换信息，得出结论。
2. 上下游合作伙伴要按利害关系，进行访谈
还是以无人驾驶/辅助驾驶为例，既要访谈主机厂，也要访谈一级供应商；如果已经和项目有合作，则可多询问一些项目细节，具体合作内容等等。
技术验证只是评价项目的一个方面。特别的，对于一些前沿领域，在项目未上线之前，产品上没有太多可测试验证的内容。这时，往往对于行业的判断，对于商业模式可行性的判别比单纯的技术验证更为重要。
星河互联旗下华空科技正在与PNP联合发起加速营，可以帮助AI早期项目进行技术验证、赋能、帮忙投资人进行早期项目的Pre-DD，给出专业技术验证结论。欢迎有需求的项目与投资人与我们联系。
正在生成分享图...
赵青晖