滕杨：人有人的优势，我的AI方法论

图片来源@视觉中国

文 | 钛资本研究院

AI技术被认为是21世纪的三大尖端技术之一，涉及的学科、领域广泛。目前，我国已经把人工智能上升为国家战略，中国国务院印发的《新一代人工智能发展规划》中指出，到2030年，人工智能核心市场规模将超过1万亿元人民币。全球各大企业也都通过“软件+硬件+应用+芯片”的形式积极布局人工智能。

未来AI可能带来哪些技术发展和社会变革？有哪些投资方向及投资方法论？近期，钛资本邀请到众安资本科技投资负责人滕杨进行分享，主题是“人有人的优势，我的AI方法论”。滕杨作为众安资本科技投资负责人，转行一级市场4年多，主导5个科技项目投资（其中2个项目为AI项目），3个已上市（其中1个为AI项目）；此前，拥有10年二级市场工作经验和4年科技行业工作经验，是科技行业观察者和思考者。本次分享主持人是钛资本汪泽青，以下为分享实录：

今年，算法中参数的数量级的进展，即大模型受到大量关注。人们一直在关注AI是否会在未来实现真正的通用智能化，甚至在某一天取代人类。我通过观察整个技术的发展历程，发现人才是决定AI发展的核心因素。因此，需要以不同的视角重新思考AI技术在我们的生活和工作中的作用，从而指导自己的投资工作。

接下来，我简单介绍两个评估科技发展的重要逻辑。其中一个逻辑是“人类体力的延伸等于能量革命，可控核聚变是我们期望尽早落地的能量革命”。前段时间大家看到可控核聚变实验成功的新闻后，对可控核聚变的落地有了更多期待，如果能够实现，对于工业领域和许多场景将带来巨大的飞跃，相当于有了超低成本的能量供应。另一个逻辑是“人类脑力的延伸等于信息革命，AI革命是我们当前正在经历的新一轮信息革命，AI重点解决的是信息处理的效率问题”。今天的分享将重点就这个逻辑延伸展开。

换一个视角看待科技，不妨回到最原始的社会，大家可以看一下原始社会的日常生活场景，人类最初发明工具时，是如何定义工具、使用工具？原始社会中，是不是原始人的需求和使用的工具放在一起，为何工具是如此，一目了然？回到现代社会，科技飞速发展，许多技术的问世需要我们通过应用形式或者实现结果来评估这些科技是否带来了一些颠覆性的东西。通过类比，更容易看到工具本身在我们生活中的价值。

01 AI即工具

从1956年到现在，AI的发展已有多年历史。

1997年，IBM的Deep Blue已经与俄罗斯国际象棋冠军进行了对弈；2016年，谷歌的AIphaGo在围棋方面取得了重要突破。从1997年的国际象棋，到2016年的围棋，AI战胜人类棋手都是在封闭性的场景中。封闭场景的定义使整个规则以及输赢的定义非常清晰。在这种场景下，基于算力以及算法和一定的数据基础，电脑的计算速度超过人类大脑。

另外，大家也会注意到，今年OpenAI在图像生成和语言对话方面的表现，似乎很像人类，但在2011年，IBM的沃森在医疗场景下或者更早的智力问答场景下进行了展示。IBM在早期的下棋和问答方面取得的成果使用的技术，和我们目前看到的谷歌和微软采用的技术是不同的技术流派，一个是符号主义，一个是神经网络。这两个流派代表了不同的方法，但本质上都是某种形式的统计学，通过强大的计算能力呈现出较好的展示结果。

但无论是哪种流派，即使有再多的标注数据，也无法总结出“苹果从树上掉下来的原因是万有引力”这样的观点。因为抽象发现理论的过程是人类智能的一种体现——通过观察现象能够总结背后的本质原因，即使是小样本也可以实现总结、归纳、检验，但AI是不可能完成的，所以也不存在所谓的技术“涌现”。

AI的情况不同，目前可以看到，很多标注人员还需要绘制图表或者对语法进行分析。说明，这些新技术背后仍然需要大量人力进行数据的拆解工作，让计算机通过强大的算力更快地呈现出类人的表达结果，或者说，这个情况就是“土耳其机器人”的现代版，这方面亚马逊比较坦白一些。从IBM过去新技术的尝试对股价和市值影响来看，相较于其他科技巨头并不理想，没有带来多少收入的提升。而谷歌和微软作为搜索和桌面操作系统领域的龙头，现在也在这方面进行一些尝试，希望实现商业化应用。这两家公司的技术还在演示、探索和部分应用阶段，呈现出的结果更多是让科技行业的人感到惊奇，但对于了解人工智能发展历程的人来说，这些结果都是随着基础设施的升级实现的。

作为投资机构，我们并不关注哪种流派更好，侧重点在于：项目中的技术是否为社会带来了生产力的提升（即是否是高效生产力工具），是否能够实现盈利，是否能够实现更快的营收增长，以便项目在将来退出时为投资人带来良好的回报。能否工具化决定了AI是否能应用；而工具化后被使用的广泛程度决定了商业规模和收入。

综上所述，尚未工具化的AI在当前没有商业价值。通俗的解释，现在的AI等于人类智能的工具化。就像牛顿看到苹果掉到地上后发现背后的规律是万有引力，这种案例体现的就是人类智能，许多数学、物理等学科规律的发现都是通过人类智能才能实现的。

人类智能中的一部分可以通过工具的形式固化下来，即人工智能，这一部分即可重复工作，也符合封闭场景下的实际需求。不论是体力还是脑力的工作，都可以具象化成工具。例如前面提到的下棋或对话场景，AI的工具形象化就是棋手模拟器或聊天机器人模拟器。

真正实现商业化的技术，都可以转化成现实社会中的某种物品或人的形象。因此，前面所说的没有工具形象化的AI没有商业价值，实际上是对能够商业化的技术进行的抽象总结。就如大家经常听到的一句话：拿着一把锤子，觉得什么都是钉子，但实际上却发现找不到任何能够真正被钉下去的东西。如果我们将AI的工具形象化设定为一把“锤子”，那么要找到的就是真正匹配这把锤子的“钉子”。

02 AI工具的三个要素

如何解决AI工具是否有用（即是否能钉钉子和钉到钉子）这个问题呢？下面将通过大家都知道的AI的三个要素：数据、算力和算法，并以工具化角度对其进行评估。

需要注意的是：

数据要素即锤柄（数据量越大，锤柄越长），从互联网时代到移动互联网时代，再到现在的物联网时代，每天产生的数据都非常庞大。其中一些数据具有价值，而另一些则没有价值，不能仅凭数据量来衡量其真正用途。特别在垂直领域，数据的行业特征明显，即使通过大量的标注员都不一定能解决高质量标注的问题。

算力要素即锤头（算力越强，锤头越重），算力的量级越来越强，可以处理更多的数据，但是受限于数据的质量，越高质量的数据，反而数据量越少，算力反而不是瓶颈。

算法要素即人手（算法越有效，越能钉不同的钉子），随着不同行业，不同商业场景的不断变化，各个AI创业公司都在尝试不同的算法，并没有一个算法可以解决各种问题，需要找到算法最佳落地的场景，这需要公司能够在技术之外真正理解场景中的需求。

最终需要将创业公司具备的三要素资源落地到一个“钉子”上，如果没有“钉子”，数据、算力和算法是相互割裂的，看着都很大，但就是没地方落地，或者换个角度，没有办法组合成一个锤子。再次强调，锤子和钉子是同时存在的，任何单一讨论算法，或者算力，或者数据的，都不是在讨论一把完整的锤子，肯定是不能钉钉子的。

现在让我们回到商业本质或投资本质来看待这个问题，必须找到真实适用的场景，就是数据、算力和算法三者交汇的地方，也是“钉子”的本质。如果找不到真实适用的场景，即使训练的数据量级再大也属于牛头不对马嘴、算力再强也属于大炮打蚊子，算法再多也属于闭门造车，没有真正解决问题的产品，也必然找不到客户为此付费的商业化路径。

我们对许多技术已经习以为常，比如手写识别、语音转文字和文字转语音，这些都是早期人工智能发展的成果。在技术发展过程中，随着应用的普及化，我们不断将一些新的技术定义为常规工具。然而，正是这种常规工具决定了它在我们日常工作和生活场景中的效率价值和商业价值。

在封闭场景下，工具的最佳解决方案得以形象化展示。在这种情况下，我们可以清晰地看到人工智能与人之间的对比，即重复性劳动和创造性劳动。

03 AI评估的三个维度

在发现了锤子和其对应的钉子后，如何评估这对组合的价值，或者说如何评估这个人工智能工具的实用性和商业性呢？我们给出三个要求作为评估维度。

首先是普适性要求，即技术应该能够让普通人轻松获得并且容易学会使用。比如，微信的语音输入功能，即使一个人不会打字，也可以通过微信的语音输入与朋友进行流畅的沟通，并且通过听取别人的语音来获取信息并进行反馈。

另一个是质量要求，即该技术应让普通人在使用后获得更高质量的信息。如付费的专家门诊，当我们去医院就诊时，希望得到更高质量的信息，以便更好地做出决策。

第三个是成本要求，即在达到前面两个目标的情况下，技术应消耗更少的资源。所以更多地应该关注我们的目标是什么，以及使用什么样的工具去实现成本合理，即付费能力可接受，而不是我现在有一个新的工具，我一定要用新的。

基于以上三个要求，可以看到OpenAI在第一个要求方面已经取得了一定的进展，人们基本上可以通过拟人对话框（工具化形态）习惯性地进行输入，但是需要具备一定的高质量输出提示词的门槛。

但是在质量要求和成本要求方面，OpenAI还存在着很大的不足。

首先，OpenAI所收集的信息来自于互联网，其来源和准确性存疑。它通过检索互联网信息，生成一段结论或话语，如果我们自身的知识水平不足以辨别其质量好坏，很容易被结果误导。使用者会认为它在一本正经地说胡话，原因是其所使用的数据本身存在问题。

另外，针对成本要求，每次训练模型需要的数据都需要大量的人工进行标注，这背后的人力成本非常昂贵，算力成本也非常昂贵，并且训练处理的模型还没有达到被各行各业广泛应用的阶段，仅在部分小场景下可以应用。

通过以上三个要求对应的评估维度，能够衡量一个AI公司的团队对于场景的理解、对生成结果质量的判断以及资本运用方面的决策，如招聘研发人员、市场人员或是与大公司合作等，这些维度都是非常重要的定性分析指标。投资人可以跳出单一的数据、算力、算法中参数的数量级评估，更关注该公司产品落地的可行性对应的维度评估。

04 人有人的优势

1、基于AI评估维度的案例示范

回到评估AI优势的角度，我们会将人类和AI进行比较，人类相较于AI的优势在于其具备抽象思考能力。比如，我在进行GP业绩的评估、对比工作时，发现GP提供的材料非常繁杂，我想通过最简单、最直观的方式把GP的业绩展示出来并进行对比，只用一张纸和一支笔，将一级股权基金的业绩制作成一张展示图。任何人都能轻松看懂业绩的对比。如果我输入以上的要求文字，AI是无法完成的，因为这个方法过去没有人用过，互联网也没有这样的记录，它自然无法生成。

2、打靶图的制作

举个例子，如果有四个基金，它们的成立时间、投资方向、投资轮次接近，我们进行一次抽象转换，将一级业绩评估中的投资眼光准不准转换为打靶准不准。而这种抽象转换，AI是无法实现的，只有人类的思维方式才能够实现。

在这个例子中，我们通过项目所在位置离圆心的远近和所处的象限来区分投资的不同轮次、方向。这个展示图是颗粒度最大的，展示的是在基金清算时的情况，退出的项目位于靶心，清算时仍未退出的项目则在边缘。通过对比后，我们会很容易地发现哪个基金是自己想选择的。

这种创新方式是人脑实现的，并且只需极少的功耗——一张纸、一支笔，再加上大脑的思考就可以完成。当然，一旦形成了这种制作的方法论，通过科技手段可以快速制作出颗粒度更小的图表，并且可以根据需求调整不同的颗粒度，这就是科技的优势所在。

在过去的发展阶段中，人工智能都是在人类先设计出一种生成结果的方式之后，再让算法去实现这样的结果，某种程度上可以理解为专家经验的工具化。由于人工智能算力更强大，所以实现的效率会比人类高。无论是现在还是未来，我们判断人工智能能够做到的事情，都是基于人类先做到了什么事情，然后看人工智能如何学习、重复人类的脑力或体力工作，最终呈现出高效率的生产力结果。

05 回归常识，聚焦利润

最后，总结一下判断人工智能赛道的核心逻辑：回归常识、聚焦利润；如无场景，其他皆空。

在投资中，我们有时会重视团队成员的亮眼履历，但如果创业时没有找到具体的应用场景，发展的过程将非常艰难。离开场景，所拥有的资源，例如GPU的数量、数据的准备，以及算法的积累，都将毫无意义，属于资本浪费。这些东西都是孤立的，无法产生商业价值，对上游的被采购方倒是有商业价值。只有回归到具体场景中，看能否解决实体经济企业发展中的各种问题，才能证明公司的商业模式是否可行。而场景中用户的付费能力是衡量人工智能公司估值的核心指标。

最近，我们看到OpenAI也在准备模型商店，希望通过其他开发者的参与，为不同的客户提供更好的实用工具。另外，腾讯的大模型技术应用于在腾讯会议的虚拟助理，也是一个很好的示范。

问答

Q1:根据应用场景，AI和AIGC的发展可以分为三类。一是狭义的AIGC，生成的内容包括图像和视频。二是利用AIGC的方法来合成并生成数据，再进行二次训练。三是替代现有的通用大模型，通过针对特定行业的调优来替代。结合这三类场景，在细分领域，有哪些值得关注的投资机会？

A:人工智能的发展已经经历了许多年，在过去几年中，容易发现和结构化的数据基本上已经被各大公司处理完毕。但在真实的工作场景中，还存在许多隐藏数据或抽象业务数据，这些数据是与业务流程相关的，这些业务流程与行业发展、公司发展息息相关，是发展过程中生成的个性化数据，具有明显的历史沿革特征。每个客户的数据生成历史不同，在处理这些数据时，创业公司的服务就变成了项目制的逻辑。而在大模型或通用模型中，更希望找到一些普适化的场景来实现大规模快速落地。对于创业公司来说，显然普适化的场景是实际不存在的，或者无法完成场景中的需求，同样，要找到容易触及的垂直场景也是非常难的。

现在国家已经建立了几个数据交易所，我认为未来可以解决许多行业数据的共享和授权使用，供一些创业公司进行处理。

另外，合成数据方面，通用场景下，我觉得AI生成的数据实际上没有太大的价值。因为现在AI输出的结果是基于统计学逻辑生成的，这些统计学的结果可能只能达到六七十分的水平，远不及专家给出的经验，而一到专家经验，又必然归属到了特定场景。如果要合成数据，更多的是要在特定场景下挖掘暗数据或者叫做行业专属数据的真正价值，基于这些数据生成的二次数据相对来说会更有价值，因为数据源的质量决定了后续生成数据的质量。如果一开始的质量很差，合成数据的质量只会越来越差。

第三，替代现有的AI成本，需要回归到工具的本质逻辑。始终要明白，面对所有TO B和TO C场景，最终要看客户是否愿意使用并付费。细分的场景很多，但是每个人能理解的场景的不多，只有从自己能理解的场景去找投资机会。

Q2:目前您认为有付费潜力的场景和潜在的阻碍有哪些？

A:金融行业是AI落地非常有潜力的场景之一。首先，金融行业很早就实现了数字化转型，而且大量数据已经标准化，并经过多年的积累，数据完整性和业务发展逻辑相对清晰。在这个领域，人工智能工具已经广泛应用于一些简单的问答和流程处理场景，包括人脸识别验证等。随着监管要求的增加和投资者日益专业化，未来智能投研、智能投顾、智能营销和智能合规等场景将变得更加重要。在这些场景中，金融机构需要有更好的工具帮助自己开展业务，投资者希望有更好的工具处理海量数据，找到符合他们需求的理财产品、基金或股票。AI公司需要进行深度挖掘、处理、生成数据以满足这些需求。

这些场景还存在一些阻碍。目前业务推进的需求统计仍然由业务人员主导，许多业务流程和难点只能由业务人员来表达。金融公司内的一些IT人员更多地从事系统维护，很少进行创新。除非是一些大型企业为了保持领先地位才会不断投入，并招聘相关人才解决产品创新问题。另外，第三方软件供应商或算法公司也面临着技术和业务之间的沟通问题，他们对金融场景和业务环节不够熟悉。要解决这些障碍，创业公司需要产品经理，既了解业务又了解技术，能够与客户业务部门对话，梳理出客户业务部门当前的需求，转换为技术语言，并与技术团队进行交流，而不是一些AI公司仅停留在闭门造车上，认为认知智能已经能够直接帮助人们做出决策。在解决数据和流程梳理问题之前，生成的决策是没有意义的。因此，我认为每个创业团队都需要在内部会议中充分讨论数据问题、业务流程等客户的真实需求，才能将其核心技术转化为有效的产品。

Q3:如何看待底层大模型的创业热潮。有诞生国产底层大模型的可能性吗？对于创业公司，他们的机会点在哪里？作为投资人，我们该如何评价和比较这类公司？

A:从美国的同行公司来看，训练大模型涉及到数据和算力等方面的巨大投入，我不太建议小型公司重复去造轮子。如果是在国内市场，大型公司在这方面处于领先地位，他们可以将自己的大模型技术应用于他们现有的实际场景中，比如前面提到的腾讯。中国有机会在这方面取得突破，因为中文的语法结构和欧美语言体系不同，中文处理文本时有其独特的逻辑，中文需要有自己的大模型。

对于创业公司而言，更重要的是找到自己的技术适合客户的具体场景。重点还是在应用，不要重复造轮子。

在当前的各行业创业热潮中，许多人会思考今年应该投资哪个方向，以及如何寻找新机会。当人工智能浪潮出现后，他们可能发现评估其中许多应用领域自身的知识有限，因此，会努力寻找解决这些问题的方法，例如招聘行业内的专业人才，这些都是很好的尝试，但最终作为投资人，关键是要看创业公司所选择的场景是否具备商业价值和真实的市场需求，以及他们是否有清晰的商业模式和可持续发展的能力。此外，需要评估公司团队的技术实力和专业知识，以及他们是否能够处理个性化行业数据和模型训练的挑战。同时了解创业公司在资本使用上的策略，比如可以低成本的通过租用现有的技术或平台，使用大厂的云服务来解决训练的问题，而不是自己去买大量的GPU，造成资本浪费。综合考虑这些因素，投资人可以对不同公司进行评估和比较，并选择具备潜力和可行性的投资项目。

我认为大型公司更多地朝着构建平台化逻辑的大轮子发展，而创业公司则更需要专注于特定的产业领域。如果创业公司想建立平台，并不是理性的选择，因为资金并不充裕。创业公司更应该寻找具体的需求，找到切实可行的解决方案从而成功商业化，这样投资人可能获得退出的机会。

Q4:对于创业公司的AI工具和软件产品，如何实现业务的规模化爆发？在商业化路径方面，有哪些策略可以采用？

A:我认为在AI工具和软件产品的商业化路径上，可以考虑两个不同的方向，即TO B和TO C。对于TO C来说，一些海外公司在尝试中取得了一些成功。在宅文化中，一些公司通过生成网络小说或图片来满足用户需求；在个人助理方面，一些软件可以获得授权读取电脑本地数据，生成用户的工作日志等等。这些功能通常借助笔记本电脑的计算能力或一些API接口实现。然而，我们还需要考虑个人用户的支付能力以及技术门槛，以确定后续发展过程中其他创业公司或者大公司是否容易追赶。TO C方向容易有用户注册数量提升带来的爆发的感觉，但是如果用户付费能力不强也是不足以支撑长期发展的。

针对TO B，无论是创业公司还是投资人，都需要回到具体的产业中研究其发展过程。例如金融行业经历了多年的发展，其中的流程、监管要求发生了转变。在TO B场景下，这将为创业公司带来巨大的应用潜力市场，高质量的研究工作仍然需要由专业人士来完成，发挥人脑的优势，而更多的是将重复的劳动交给AI去处理，成为使用者的助理。创业公司在商业策略上就是做更好用的助理工具的产品。TO B场景发展早期会比较慢，在实现了一定的标准化后，才会有规划化的可能。

Q5:在当下，没有一个明确模式和结果时，作为投资人怎样发掘潜在的机会？

A:我认为投资人首先要做到巴菲特和芒格所说的，找到自己的能力圈。作为投资人，我们总是希望能够抓住每个时代的浪潮，找到每个热点，并投资每个优秀的项目。但每个人的工作经历、学习经历和研究过程不同。因此，投资时，需要考虑投资资金背后的资金属性，和公司决策层对技术的理解程度，前者是能否接受新技术的风险，后面是能否判断新技术的风险和机会。作为投资人，我们应该在自己认知范围内或人脉范围内，寻找我们能够理解和发现的机会点。如果要在AI新浪潮中寻找机会，就应该专注于交集，算力、算法、数据交集对应的场景。只有在这些交集的地方才是一个封闭的场景。不要轻率地去追求某一个技术方向，如果因为不懂而盲目投资于这个行业的风口方向，那很可能会面临较大的投资风险。

钛资本研究院观察

当下，AI产业如火如荼，已在各行各业得到普及应用。全球范围内企业的AI使用率大幅提升，2022年有50%的公司部署了AI，远高于2017年的20%。对AI的资本投入也随使用率的提升而大幅增长。5年前约有40%的公司对AI投入了超过5%的总预算，而2022年已有超过一半的公司有此投入比例。可以说，各行各业对于AI的重视程度与日俱增。AI有望成为重塑中国关键产业的强大力量，企业有望在各应用场景领域找到大量的投资机会。未来，AI还有哪些投资机会？钛资本持续关注 AI 更多新用途以及技术迭代中的方法研究。返回搜狐，查看更多

责任编辑：