从Siri和阿尔法狗（AlphaGo）、Alexa成为家喻户晓的产品，苹果公司最近宣布推出其新款HomePod智能扬声器，人工智能终于以使未来科幻世界的跳跃方式直接进入了我们自己的生活。
氧分子网（www.yangfenzi.com）奥巴牛报道 随着人工智能技术逐步渗透到公众的日常生活之中，互联网科技公司也竭力炒作，强调产品的人工智能方面。每家都声称是一个AI公司或者战略转向AI，相继展示他们的技术应用或其机器人。但是，由于是细分领域的专业聚焦，这些公司往往缺少对AI大格局的认知。谁能拥有完整数据（用户行为分析）的公司，将决定了它的市场地位。
AI是一个整体过程
要建立有意义的AI系统，您必须拥有大量的数据实践，软件工程和用户体验设计实践。只有这样，您的AI才能演变成一个有用和实用的工具，可以与其他应用程序进行通信。您还需要创建一个循环反馈机制，用来确定您的AI系统所做出的决定是否对使用它的人员有所帮助。
创建后台规则和算法，使AI系统能够“思考”。为了验收成果，仅靠已有知识是不够的，还需要了解软件工程，使AI系统能够用在对客户有用和可用的交流前沿方面。如果想要有效，就需要掌握完整的端到端一体化解决方案。
寻求开发成功的AI公司，还需要掌握每个级别的解决方案：大数据，数据分析和用户体验（UX），机器人或算法不能独立存在。
趋势驱动的AI错过了大局
市场目前对AI趋势的热忱，我们可以从中学习。1990年以前，风险投资就涌入人工智能。早在1986年，慕尼黑的大学研究人员成功测试了自驾车。
然而，在二十世纪九十年代，现实的市场对AI感到厌倦，其产品的泡沫发生爆裂，甚至在公司BP中提到这个词会影响创业公司的估值。但这并不意味着公司停止对AI探索的脚步 ，他们只是停止炫耀。他们用“大数据”或“智能算法”这样的口号替代了术语，它们仍然是AI堆栈中的一部分，只是没有考虑到全部图像。
这种只关注科学的一个方面，使公司避开失去AI潜力较大的风险。在商业上，这意味着错过了建立持久产品的机会，而不是趋势驱动的产品。
以全方位方式前进
为了真正成为主流人工智能，它需要与人们已经生活的宇宙相配合，这对于将人工智能置于自己的宇宙中心的行业领导者来说，这些公司倾向于将机器人或算法视为终端游戏，而不是意识到这些产品本身并不能解决更多问题。
人们用户于与以前从未有过的技术相结合，从我们的手腕到我们的恒温器到工业装配线的终点。这意味着，AI终于有了充分发挥其潜力的网络，如果开发人员能够成功整合，真正可以改进和简化我们已经在使用的设备。
直到最近，只有最强的公司和机构有技术能力通过阅读，解析和发送大量的信息来处理和分析大数据。然而，今天云计算和高级计算能力使大型数据集的工作变得更加容易，更实惠，更易于访问。更多AI解读：www.yangfenzi.com/tag/ai
此外，在人造智能的用户体验方面，由于构建模块的广泛使用，用户友好的软件包（如响应式移动应用程序）日益成为可能。以前，这些必须从零开始进行编码。
为什么拥有完整数据的AI公司，还是非常罕见
虽然最近的进展有助于平衡立场，但并不意味着AI堆栈容易构建。数据，特别是证明是困难的许多公司希望加入俱乐部。这很难获得，它是凌乱的，它是不准确的，它是不完整的。分析师可以查看数据池，并提出相关性和洞察力，但是知道这些见解如何应用于现实生活中的问题是产业链的另一个部分：用户体验（UX）。没有UX设计的AI作为核心竞争力只会有一个微小的影响， 即它会回答“数据说什么”的问题，但是“现在我们该怎么办？，却无法做出解答。
完整的数据AI是未来的方式
随着行业将人造智能集成到我们日常技术使用的各个方面，一个全面的AI公司将处于最好的发展阶段。这是因为提供单个AI组件的公司将成为最终用户的商品。相比之下，完整数据AI企业将会了解到他们的产品如何适应并提出完整的解决方案。此外，他们还将能够在经济上利用与知识相关的垂直进行整合。
·氧分子网（http://www.yangfenzi.com）延伸阅读：
➤ 哥伦比亚大学教授：机器学习胜过人类编程？AI 终极挑战是创造力
➤ 曹政：AI是一场革命，不要笑我是认真的|20年后还有司机 收银员?
➤ Google的AlphaGo在AI上取得了又一个胜利：自我学习进化
➤ AI学术界与产业界中间隔了40步，而中科视拓山世光正在路上
➤ 从概念提出到走向繁荣：人工智能AI、机器学习和深度学习的区别
➤ 人工智能历史十大里程碑:神经网络 人机对话 奇点理论 自动驾驶…
➤ 微软亚洲研究院院友会成立，李开复 张亚勤 沈向洋 洪小文论剑AI
➤ 雷鸣对话吴恩达：超级大咖深度解析人工智能的发展现状与未来
·氧分子网（http://www.yangfenzi.com）原创报道
小储（天方燕谈作者）
近两个月，不断有人工智能技术被成功应用于生活场景中。
先是iPhoneX的3D脸部识别解锁惊艳了科技粉们；然后是AlphaGo Zero（被译为阿法狗·零），在完全不借助人类棋谱，全靠自己左右手互搏自学的情况下就做到了打遍天下无敌手，震撼了普通人；最后是全球首列智轨公交列车在湖南株洲开跑，实现了无人驾驶，振奋了老爱国者和小粉红们。
不仅如此，中国大地已经热得如火如荼的AI产业也注入了一剂强心针，大大小小的从业者再次坚定了内心的选择–人工智能前途无量，这个产业确实值得投入啊。
作为计算机科学界的“圣杯”，人工智能在2016年世界经济论坛报告里被预测为第四次工业革命的核心技术代表，并由此引发了国内外互联网巨头和资本的跑马圈地，成为了创业新风口。近两年来，中国资本和创业者们更是对AI产业激情投入、无怨无悔，营造出国内人工智能创业欣欣向荣的气象。
一切看起来都很美好，但还有一个摆在所有创业者面前的现实问题：理想和情怀已经狠狠地催熟了AI产业，那么人工智能距离挣钱变现还有多远呢？
一，AI终于能落地创造价值了吗？
如果你了解人工智能发展史，你就能理解今天创业者和资本为何为AI如此痴狂。
和VR一样，人工智能并不是一个新概念，它已经经历了几十年的发展，交替历经了几次红利期与苦行期。
1，60年代：第一个红利期+苦行期
人工智能的第一个红利期出现在60年代，当时的科学家们自信而又疯狂，“二十年内，机器将能完成人能做到的一切工作”成为当时科学界的主流声音。
70年代因为人工智能的预言无法兑现，研究经费中断而进入低谷期，随后进入苦行期。
2，90年代：第二个红利期+苦行期
人工智能的第二个红利期出现在90年代，典型的标志就是IBM 的“深蓝”战胜国际象棋世界冠军卡斯帕罗夫，影响绝不亚于今天的AlphaGo的围棋大战。20世纪初再次进入苦行期。
3，当下：新的红利期
当下堪称人工智能的又一个红利期。一方面，图像识别、深度学习、语音合成等人工的核心算法日渐成熟，并开始大范围商业化应用的尝试；另一方面，人工智能的研究走出了实验室，科技公司开始成为人工智能的主要推动者。
几乎以往每一次苦行期后，通过新的研究方法和逻辑的不断试错，人工智能的研究者们都会带来惊喜，诸如控制论与早期的神经网络、新逻辑学和模态逻辑、Prolog语言和专家系统、Nouvelle AI与嵌入式推理等等。
不同以往的是，这一次红利期以“商业化”为特征标签之一，不管是行业巨头还是创业者都承担了两个角色，即人工智能技术的研究者和实践者，这就意味着人工智能离象牙塔越来越远，正在日渐成为更加实用的科学技术。同时，各路资本的积极参与也推动了人工智能日渐走入人们的生活，为人类服务。
人类终于要真正地消费AI了，这一次的红利期真的可以为人类的日常生活创造价值、能为商人和资本带来能变现的红利吗？
二，国内AI产业中泡沫几多？
政府的号召、资本的聚光和媒体的追捧都在不断地催熟人工智能在中国的产业化进程。正如以往的一波波创业潮一样，在AI的弄潮群体中，已经投身或即将投身AI的人们兴奋着、困惑着、在摸索中有些盲目地前行着。
由于AI领域的求学者暴增，围绕人工智能的学科教育体系正在形成，正规院校纷纷开设人工智能专业，各种非科班的人工智能职业培训速成班也“忽如一夜春风来，千树万树梨花开”，让人想起几年前遍地开花的“互联网思维”培训班的盛况：也是在须臾之间，不知从哪里冒出来好多互联网专家，他们的课堂下面坐着很多叱咤风云的著名企业家学员，一丝不苟地记着笔记。
热情相似，疯狂相似，但不同的是，比起其他培训班的鱼目混杂，人工智能培训班的学员多数是理工科班学生，并且多数都有过一些AI相关的知识基础和工作经验，比如做过码农。在学费接近2万的80天速成班中，报名情况异常火爆，很多人交过钱后必须耐心等待排期才能轮得上，而教职人员和学员也都异常努力，周末的早上，经常连9点都不到，培训班外面的走廊上已经可以听到教室里讲师高亢的讲课声。
很多培训班都声明，他们不但讲技术，还会免费推荐安排就业，相关合作企业会过来招聘，通常是一个班还没毕业就已经有十几家企业预定几十个学生，学生供不应求。不言而喻，人工智能教育的火爆正是得益于大量创业者对这个领域的趋之若鹜。
任何新兴行业的发展，必然要历经从开始的一窝蜂、过热，到慢慢冷静、聚焦，再到最后成熟的过程。泡沫的发生，即代表着产业的关注度高、是一片丰饶的海域，又说明该产业去伪存真的空间较大，需要通过大浪淘沙留下那些真英雄。
阿里巴巴的前CEO卫哲曾说：“人工智能的泡沫巨大无比，媒体吹捧，市场过热，迎来的是“VC太晚，PE太早”的尴尬局面。市面上很多公司号称自己是“人工智能”公司，但是真正拥有人工智能技术的公司其实非常少。估算有九成的人工智能公司，都是“伪人工智能”。
的确，O2O、VR、分享经济……不管以往的哪次风口浪尖，都会有一些伪创业者挂羊头卖狗肉、蹭热度骗投资，人工智能这次也不例外。不少创业公司的商业计划书里都会标榜“人工智能”，似乎不为自己贴上这样的标签就不好意思见投资人，就像几年前如果不在BP中提及O2O就会觉得丢脸一样。有人随便搞了些数据，就叫大数据，然后号称做的是大数据建模、大数据风控之类的东西，其实那些数据很可能是从网上扒来的、过时的数据。还有一些公司将产品中虚假植入人工智能的元素，为的是提升公司品牌的关注度、提升产品的销量、甚至提升股票的价格。
但这些浑水摸鱼者在以往每个风口都存在，并将会在未来的风口继续存在。如果将这些伪创业者和虚假广告者视为人工智能领域的泡沫，那么这些泡沫的存在并不会影响AI技术的持续发展，也不会影响真创业者将AI应用于生活场景的决心。然而，它能切切实实影响到的，却是投资者和股民们的判断，比如暴风科技的股票就是一个典型的风口炒作股票的案例。
所以，泡沫实际上是一个金融概念。泡沫的破灭是商业周期的变化，是人类金融社会机制的正常现象，泡沫的出现与否都不能掩盖机器智能快速发展的事实。
而人工智能可不止是一个风口，更是历史大趋势。
相对同样打科技牌的VR来说，人工智能的底子要厚太多，想做人工智能的大企业也远远比VR多。人工智能在B端的盈利能力，已经得到了市场的印证；人工智能牵扯到的行业前景和钱景，也都是VR所望尘莫及的。以信贷业务为例，京东金融的机器自动化放贷便是一个成功案例：全平台没有一个人工信贷审核，每单的变动成本近乎等于零。京东金融陈生强说：“供应链金融产品‘京保贝’可以做到3分钟放贷，交易系统具备1秒钟处理几十万笔交易的能力，这在过去的金融服务中是不可想像的。”由于每单的变动成本几乎为零，所以企业有能力也愿意从事普惠金融。
三，哪些细分领域离变现更近？
对于AI的创业者和从业者来说，与其关注金融现象，不如多思考如何理解人工智能发展的规律，从而加以利用，把握先机。
在如今人工智能这个异常热闹的领域中，机器学习、深度学习、数据挖掘、数据科学、大数据……光是这些热门词就让人觉得分不清，它们所涉及到的技术更是让人眼花缭乱。对于想进入行业的求学者来说，学习R还是Python？Spark那么火，Hadoop还要不要学？Caffe、Tensorflow、PyTorch、Keras、MXNet等流行的深度学习框架，该学哪一个？即使是对于人工智能科班出身的学生来说，这样的困惑也一点都不会少。
那么对于那些对人才和技术都如饥似渴的AI创业者来说，人工智能中哪些细分领域可以更好地商业化？哪些可以更好地转化为可消费的产品呢？
恐怕当前的创业者们对此比从业者更加茫然与纠结。今日头条创始人张一鸣曾经放话：“人才的水平有多高，我们的薪酬就有多高。”但到底哪些人才符合需求呢？依图科技的医疗副总裁倪浩说，“正像互联网中大家常说的，我们并不知道哪里是猪，哪里是羊毛，但只要人工智能可以有所帮助，就一定是能收到钱……目前，我们最坚定的标准就是人工智能要带来价值。” 对于什么样的人才才能带来价值，创业者本身的懵懂导致公司往往是抓到什么样的人才都去扔到实践中去检验，结果试错成本未免太大，成为创业的一大阻力。
其实，只要搞清楚人工智能与大数据的关系，创业公司对人才和目标市场的选择就会清晰很多。
任何智能的发展，其实都需要一个学习的过程。而近期人工智能之所以能取得突飞猛进的进展，不能不说是因为这些年来大数据长足发展的结果。正是由于各类感应器和数据采集技术的发展，我们开始拥有了以往难以想象的的海量数据，同时，也开始在某一领域拥有深度的、细致的数据。而这些，都是训练某一领域“智能”的前提。
换言之，这一波AI红利的主要原因是：一方面，之前互联网时代积累的大数据到了一个临界点，足可以支撑运算出比较好的学习结果；另一方面，计算机的运算能力过剩，正好可以用来计算；此外，Google和云计算公司以及业界积累了大量的分布式集群运算的经验。是这些合力带来了人工智能的井喷式发展。
如果我们把人工智能看成一个嗷嗷待哺的婴儿，那么某一领域专业的、海量的、深度的数据就是喂养这个天才婴儿的奶粉。奶粉的数量决定了婴儿是否能长大，而奶粉的质量则决定了婴儿后续的智力发育水平。所以，任何机器智能的发展都不是可以一蹴而就、立刻成形的，即使不依靠人类棋谱的阿法狗·零也要依靠程序员为它输入基本规则来自行揣摩学习，然后将自己高速模拟出的海量棋局总结成数据，从中得出规律。其实，打败阿法狗·零的方法很简单，那就是改变规则但不为其更新数据。所以，能够真正掌握算法，并且能将其应用到真实商业环境的人，才是AI市场最需求的人才。
同理，我们也可以得出结论，只有符合以下条件的细分市场才是值得在Ai上面投入、并更容易实现商业变现的行业领域：
1，拥有海量可用的优质数据的行业领域
数据的优质，指的是多维度、多形式并且精准有效。并不是一堆数据就一定能产生价值，这也是为什么领英（Linkedin）被天价收购的原因。
2，拥有大量跨界双边人才的行业领域
虽然貌似看起来各大公司都提供了硬件（云计算）和软件（各类接口），但实际上只有既精通机器学习、又理解业务和用户的跨界双边人才能在实践中创造价值。
现在最常见的状况就是资本流向了不少搞机器学习的人，以深度学习为多，但他们往往开发出一堆华而不实的东西，大多数只能作为一个api去调用，但却做不出一个完整的解决方案。虽然产品看起来很神奇，但却没有几个人愿意为之付费，因为产品偏离用户太远。
而懂业务懂用户的人，虽然了解客户需求，但却往往够不到人工智能的技术门槛。首先，机器学习本来就不是一个容易的学科，对机器智能的理解力需要时间来沉淀；其次，人工智能不只是算法，要打通很多理解上的壁垒而成为一个解决方案需要融汇很多认知。
3，拥有大量生活或工作应用场景、可以形成刚需的产品领域
具体说，产品必须应用于封闭可控的场景，能辅助人类完成重复性的具体工作，以及在应用中有可实现的切入点。
以客服销售领域为例。客服是电商时代一个不可或缺的重要角色，即便是一个月流水只有五六十万的淘宝店，往往也需要配备5人以上的客服团队。事实上，客服场景中往往有大量的重复性工作需要消耗太多人力，对企业来说这无疑是一种资源浪费。目前阿里、京东等已经将人工智能引入客服系统，也出现了网易七鱼、Udesk等第三方智能客服云服务，前景都比较乐观，尤其是在很多具有数据门槛的垂直行业。
4，数据成本不很昂贵的行业领域
人工智能应用的价值= 数据通过你的机器智能产生的价值 – 数据的成本
机器智能产生的价值= 在具体服务中对于用户为此支付的成本 （用户的注意力+时间+钱 ）
数据的成本=收集成本（直接获取或者购买）+分析成本 （雇佣数据科学家的成本）
无须多言，如果数据成本过于昂贵，盈利就会相对减少，变现就会艰难。
四，2B还是2C？这是个问题
虽然政府的理想和技术宅们的情怀让人工智能在中国大地激情燃烧了起来，但是无论从技术还是应用来讲，人工智能在中国都尚处于初级阶段，不管投资还是创业，其技术及资金门槛都较高。
目前称得上对人工智能研究相对成熟的机构，除了致力于军事及国家战略的国家科研组织，国内只有华为研究院、百度、阿里、腾讯等研究机构，而相对成熟的人工智能技术方向也只有语言识别与自然语言处理技术、人脸识别技术、底层大数据的挖掘及计算，以及机器学习与神经网络技术。
从创业及投资的实际情况来看，目前一定是用于2B领域的企业创业可能最先活下来，比如有面向航空公司做迎宾的机器人，和用于物流领域搬运的机器人等。
以智能投顾产品为例，面向B端的优势显而易见：既能够在内核算法技术上充分倚靠，也能够凭借B端丰沛的客服经验在产品体验上充分满足用户需求。而针对C端的同类产品不但无法逃脱前沿科技产品冷启动的宿命、要从零开始聚集人气，在做产品体验的逻辑上也会相对贫乏薄弱。相比之下，B端用户则恰恰可以在这两个方面扬长避短：机构原有的用户基础、或者线下实体门店都给了纯互联网化的智能投顾一个从“巨人肩膀上”开始的机会。最关键的是，除了数量上的“热启动”，B端自身的基础和积累还能大幅度降低AI这种前沿科技与用户理念不匹配带来的智能投顾顽疾：获客成本。在足够多的用户基础上，一方面投入的获客边际成本会越来越低；另一方面，新用户的进入意愿也会相对更高。