AI算法工程师薪资高已是行业共识，也成为影响AI创业公司发展的重要难题。不给高薪，或难以找到高质量人才，可能错失商业机会；给出高薪，又可能影响公司内部的稳定与平衡。36氪此前接触的多家AI 初创公司均曾面临这样的难题。2018年8月，阿里巴巴携手36氪，启动了“AI赛道明星班”项目。8月20日，“AI赛道明星班”第一次集结，开启为期四天的培训课程。活动第二天，金沙江创业投资基金董事总经理朱啸虎分享对AI领域创业投资趋势的见解之外，也向现场的36名创业者提出一问——AI算法工程师这么贵，公司如何平衡他们与其他员工的关系？包括云估价CEO孙杰、鲸仓CEO李林子、随身听CEO汤巍敏、深维科技CEO樊平、极熵科技CEO孙东来、友杰智新CEO杨汉丹、测评学CEO刘劲松、火星盒子CEO聂迪、高新兴机器人CEO柏林、知量科技CEO武继坤、看看社保CEO耿敢超、蛙声科技CEO辛鑫、哈哈零兽CEO樊伟、重庆小爱科技CEO龙汝倩、喜圈科技CEO熊伟、怡水科技CEO阮晨海、找大状CEO尚宏金、百芯网络CEO宋俊纬、精臣科技CEO李颇、Speakin CEO陈昊亮、简寻CEO何斌、存信数据CEO黄敏强、极光物联CEO高明、闪宝科技CEO曾金鹤、鼎纳自动化CEO秦应化、米卡迪智能CEO陈顺军、时代拓灵CEO孙学京、盒盒搭CEO杨立东、小立教育CEO牛晓莉、MatchU CEO钱宝祥、氦氪CEO苏立挺、头等舱CEO张鑫、圈圈网络CEO许峰、卓视智通CEO吴柯维、擎朗智能CEO李通在内的36名学院参与了讨论，并分享了他们的实战经验。 一、开源招聘到优秀的AI算法工程师，并通过策略避免因为算法工程师薪资太高影响团队稳定，需要从“开源”、“转化”、“留存”三个方面入手。开源，即是发现优秀人才。除了平时正常的招聘网站、猎头等常规招聘途径，还可以通过做活动，诸如举办大赛来发现优秀的人才。这个过程很类似互联网运营中的“拉新”。1、硅谷的高端人才便宜虽然大量的AI公司注册在中国，但招聘则可以将目光投向海外。对比中美，硅谷的AI算法工程师更加便宜。举例来说，，挖国内BAT中的人，往往需要200-300万元人民币总有。但在硅谷，类似背景的人，很可能只有三四十万美元，高端的人才硅谷其实更便宜，反而是中国因为BAT中P9、P10这样的称号，带给AI算法工程师很高的溢价。2、引入外部科研院所合作除了自己招聘团队做外，也有可能通过与外部科研院所合作。多名CEO认为，可以与关系比较好的科研院所或者高校合作，即可以获得技术上的支持与帮助，也有可能一起申请相关经费做研发。当然，一般来说，与科研院所的团队直接接触并洽谈合作，会比与学校本身合作投入要少至少一个数量级。3、通过相关的技术工具解决当前，AI公司算法工程师太贵，但有一些技术与解决方案已经开源，或者被其他公司做成了标准化产品。创业公司要善于应用这些工具。二、转化1、重视数据对算法工程师的吸引力AI技术实现的观点在于算法、算力、数据三点，其中数据是否关键，只有给到AI算法工程师足够多的数据，才能挖掘出真正的价值，否则也很可能是英雄无用武之地。有足够多场景数据的公司，则可以以此吸引一些算法工程师。2、用企业的价值观感染算法工程师初创公司往往要与大公司及其他公司竞争AI算法工程师领域的人才。创业者应该像给投资人介绍公司一样，给算法工程师们讲清楚公司的价值，让员工真正知道公司要干嘛，怎么去兑现价值。当把这个过程梳理清楚以后，算法工程师特别是高端人才往往会非常认同。三、留存1、设立研究院这样的机构为了平衡内部薪资的差异，可以设置研究院这样的机构。哪怕这个研究院的规模很小，但是至少在公司内部制造一个研究院的人，应该拿更高的薪水，在公司层面先做一个平衡。2、合理设计期权在设置了研究院这样的机构后，可以研究院设立了一个单独的期权，对其他人的期权不共享。拿未来的钱来吸引这些算法工程师。原创文章，作者：石亚琼。转载或内容合作请点击 转载说明 ，违规转载法律必究。寻求报道，请 点击这里 。本文图片来自：视觉中国 正版图库

点击这里回顾9月27日上午开发者峰会精彩内容 蚂蚁金服在过去的十几年中用技术重塑金融服务，主要工作集中在金融级交易支付技术和金融级数据智能技术两个领域。 除了和传统大数据相同的需求之外，金融数据智能还有一些独特的需求： 实时性要求高：实时数据增长非常迅速，在线决策越来越多，数据时效性对业务发展非常重要。 计算场景复杂多样：从简单统计和决策规则发展到复杂图、AI模型以及复杂决策。 数据链路长，全链路研发调试：模型研发横跨18个系统，需要掌握多种研发模式，对研发团队提出了巨大挑战。 计算存储高可用：需要实现跨域容灾，高可靠的计算服务。 数据安全，监管合规，风险防控：严格的数据安全、等级体系，保护用户隐私，遵守监管合规，全面风险的防控。 为了应对金融数据智能的需求，蚂蚁金服的计算技术也经历了漫长的演进和发展过程。针对海量数据，需要使用像MapReduce/RDD这样的批处理计算引擎。时效性要求高，因此也需要做实时计算。数据分析的需求越来越多，于是也实现了交互式分析。同时，计算技术也会面临一些挑战，比如多种计算模式带来了研发效率问题，多套系统带来了多样存储需求，需要花费额外成本，并且还需要不同的容灾要求并保障数据安全，并带来了复杂度上升的问题。 开放计算架构 可能对于工程师们而言，想要解决上述问题最理想的方案就是构建一套统一的系统，但是难点在于系统是什么，如何确定系统的边界以及如何对系统进行抽象。首先，因为计算引擎本身与业务是强相关的，而在现阶段没有一个引擎能够满足蚂蚁金服所有的业务需求，并且业务仍在不停地进行创新，也在不停地提出新的需求。因此，蚂蚁金服希望能够拥有开放的计算架构，能够容纳各种各样的计算引擎。 在开放的计算架构之下，存储也需要统一起来。数据存储可以有各种各样的格式，可以有多个副本和复制，可以针对计算引擎进行各种各样的优化，但是在底层需要使用统一的存储，同时要有统一的全站式安全管控措施。 数据安全管控必须是全站的，金融数据智能体系需要提供全站统一的元数据管理、接入规范、安全等级以及隐私保护体系。只有在统一的数据安全规范之上，才可以将不同计算引擎接入进来。并且，针对每个引擎也需要能够提供不同的安全管控策略。 在开放架构、统一存储和统一数据安全规范的基础之上，蚂蚁金服还希望统一编程模型。蚂蚁现在的做法是统一基于一套标准SQL及扩展让用户直接面对底层数据来写自己的业务逻辑。可以想象为将引擎和存储抽象出来，对业务而言，不需要关注流计算与批计算，而只需要关注需要数据做什么以及数据的时效性即可，其他的部分则由引擎以及存储层自动优化和解决。此外，在统一编程模型中真正实现了面向数据的编程，业务同学面向抽象出来的数据编写业务逻辑，而不需要关注具体细节，这就是数据虚拟化的过程。统一编程模型是蚂蚁金服基于现有的计算模式和经验总结而成的，它能够为用户带来研发体验的巨大提升。 以上的这些就形成了蚂蚁金服所认为的能够支撑未来金融业务持续发展的一整套金融数据智能体系。而如今最为火热的话题就是人工智能技术，蚂蚁也需要考虑如何在金融智能业务中应用人工智能。 人工智能系统的现状基本上就是先有一个数据集，经过数据仓库清洗数据，然后将数据放在模型平台上进行训练并且输出训练好的模型，最终将模型推给线上的服务。在整个流程里面，肯定需要多套系统，并且数据也需要复制多份，这就有可能造成数据安全风险以及存储效率低下的问题。此外，因为模型本身的限制，这一过程很难做到实时，但是实时性在金融系统正在变得越来越重要。对于用户而言，需要做数据仓库，需要掌握机器学习平台，还需要将模型部署上线，整套过程非常复杂和烦琐。而蚂蚁金服在金融数据智能新体系里面直接插入了机器学习引擎。 蚂蚁金服SQLFlow的初衷是希望用SQL来表征和描述所要做的机器学习内容，使用SQL将数据和机器学习串联起来，可以让机器学习变得像SQL一样简单。用户只需要了解SQL就能够完成机器学习训练以及模型预测。 ElasticDL是蚂蚁金服开源的基于弹性调度的AI引擎，它完全基于开源的TensorFlow，但在TensorFlow的基础之上实现了容错以及弹性调度。同时，ElasticDL与SQLFlow进行了集成，使得用户训练模型更加简单。 金融级图计算 在蚂蚁金服业务中存在一些图计算的典型场景，比如实时反套现、社交分析以及营销圈人等。这些场景在蚂蚁金服的金融数据智能体系下实现起来也是非常简单的，相当于在体系中插入了一个图计算引擎。这样一来，不仅提供了离线和在线的图计算引擎，同时将流计算、批计算打通，实现了混合计算引擎。此外，蚂蚁还希望进一步优化金融数据智能体系，通过SQL

这是Jerry在SAP成都研究院内部用英文做的一个演讲，这里把底稿分享给大家： With the accellerated evolution of mobile hardware, application developers tend to reconsider the importance of the Augmented Reality technology

王啸认为：**1、从传统互联网到智能互联网的演进背后是从流量经济到效率经济2、2018年AI创业公司融资现状：融资热退去，头部效应明显，落地仍是关键3、给AI创业者的2018生存指南36氪认为这部分内容很有价值，因此也对分享做了详细梳理。以下为对分享的整理。** 步入智能互联网2.0阶段我觉得人工智能只是一个方法，其实我们现在处在的时代，从互联网发展的角度来看，应该是智能互联网的时代。如果我们从用中国的时间轴来看的话，九几年开始，中国进入了PC互联网时代，这个时代大概是在2010年左右基本结束。其实从08、09年开始的话，随着智能手机的普及，整个移动互联网时代开启，基本是从2010年开始到去年。我们认为2016、2017年开始往后走的，现在还没有准确的定义，现在大家说是AI时代，或者是大数据，或者是IOT，本质来讲，就是智能互联网的时代。互联网和移动互联网解决的是连通的问题，把人和互联网连起来，最基础的问题产生了大量所谓的BAT的巨头公司，但是连接产生的数据的价值如何充分发挥和使用，是下一步创业最主要的主战场。恭喜大家在主战场做事情。如果势都接不上，全靠自己牛，其实基本上做不成事。 首先讲智能互联网宏观角度的思考。所谓的互联网和智能互联网核心的本质概念，是流量模型、经济模型到效率模型的转化过程。其实移动互联网包括PC互联网，核心做的事无外乎把人群汇集之后，导给电商摆货，卖道具、或者产品，导给广告，核心本质是汇集流量。但现在智能互联网时代，什么样的公司能成为巨头现在还不是很清楚，但是有一点很清楚，就是解决效率问题是本质。从逻辑上来讲的话，从数据层开始，到技术层到消费层，都有可能产生创业公司，但大的互联网公司在数据上非常有优势。从行业角度看，掌握行业数据的人还不知道数据的价值，比如政府，这些数据对很多公司非常有价值。2018年AI投资进入下半场现在来看，2018年AI投资进入下半场。首先纯技术创业向行业深度结合转变。体现在：(1)单纯靠技术和算法的红利期已经过去。不再过多的谈论AI概念与技术本身,而是更多的关注AI与产业的结合与落地重点；(2)行业壁垒是创业公司最大的护城河,也是抵挡BAT的关键。创业者需要找到巨头没有杠杆的地方；(3)中国偏向应用层，美国偏基础层和技术层。其次，收入方面，绝大部分AI公司还在发展期，目前会比较难以产生正向现金流。再次，融资方面，融资企业数量放缓，融资规模依旧增大，创业公司估值或回调。此外，从退出机制看，To TMD 或成新退出机制。给AI创业者的2018生存指南（一）融资早期深科技公司最大风险就是公司账上缺乏足够现金来维持运营。科技类公司人员开销相对大一些，这种情况下的话，收入的产生需要一点时间。早期的科技公司，最怕的是做到一半没钱了，把人裁了，其实只要裁一次人，人员的稳定性和版本连续的迭代性就没了。现在，受限于经济形势和市场环境，融资的难度也再不断增加。建议创业者认真融资。(1)永远不要太被动。在上一轮融资的钱花了一半的时候,就要开始融资。(2)当数据表现好的时候(确立了市场地位/比较优势/留存变好),不管有钱没钱,都可以开始融资。(3)控制好固定开支 。一般来说， 在早期科技产品领域(VR/AR、人工智能、大数据等), 投资人分价格敏感型和怕错过机会型。 科技公司要向赛道投资人展示:机会是不是足够大、可延展性和未来是不是足够让他动心,对未来足够看好。技术型公司前期应注重发展潜力、市场规模，构建自己的技术壁垒和比较优势。（二）业务 从业务上看，技术+产品+行业落地是AI初创公司的胜负关键。VC 判断一家人工智能公司能不能投，一般主要看 ：(1)数据，包括直接数据和二次加工数据； (2)核心算法； (3)场景；(4)销售能力。对于AI初创公司来说，行业壁垒是人工智能创业最大的护城河，要抓住行业里最大的客户；与此同时，不止是做技术服务商，还要形成产品经理和技术专家为主导的产品级公司。此外，公司还需遵循发展规律，想清楚是To B还是To C。九合创投会建议创业者从To B起步，做好供应链、产品及市场推广三件事。偏 B端行业标杆用户的树立很关键，一定的高端订单会对行业产生影响力。事实上，目前在大部分行业,人工智能的To C模式尚不成熟，我们也期待今年看到新发展。 （三）管理从管理上看，CEO的商业敏感度与学习能力非常重要。对于创业公司来说，人才不可能一步到位,找合适的人先顶进来；团队要相对完整，不能缺一块，必须要多元化人才搭建；而不合适的人坚决换掉

刘博认为：**1、每个机构与投资人对项目和创业者的判断标准都不一样。2、不同行业、不同阶段，对创始人的要求亦不同3、最看重的创始人兼具家国情怀、学者智慧、商业思维、江湖行动能力4、评估团队时会从匹配性、互补性、合理性、稳定性考量5、基于总结过去失败经验，有16种情况一定不投36氪认为这部分内容很有价值，因此也对分享做了详细梳理。以下为对分享的整理。** 每个机构与投资人的判断标准都不一样实际上每个投资人真的不一样。刚才有一位同学问你们投资机构怎么看估值。其实每个机构不一样，我可以告诉你，每个机构的资金、投资范围，都是由他的背景、经验、习惯和他所见到的东西决定的，所以每个机构都不一样。大家不要以为这个机构这样，那个机构那样，但是有普遍规律，不代表一切，因为投资的事情，相对来说慎重、偶然的。 实际上我们这么多年形成的投资的策略，包括以下几条。第一就是要有技术，今天三位我们投的企业也比较典型，基本上都是在各自的技术领域，表现的非常顶尖这样的团队，我们所投的项目，所打交道的人，基本上都是这样的人。当然跟市场上很多机构不一样，因为很多机构他也很喜欢市场，商业化能力非常强的人，但是源于我们这样的基因，所以我们这么多年来，打交道的人，基本上都是背景，或者是学术，或者在工作，在各自领域，都相对来说比较顶尖的一批人，他拥有的技术，基本上都还是创新的，或者在这个领域的技术，最好的实验室，或者在这个领域这个技术，最好的行业，最好的公司出来的人，这样的人居多，所以我们比较关注技术。第二是人。早期投资技术固然重要，但是技术的壁垒，技术的领先性是有时限的，最重要的还是这个人，他到底能走多远，否则再好的技术走不远也没用。实际上，虽然启迪之星是围绕着科技做投资，但也最关注团队。第三，虽然我们不追求快速的赚钱，但是我们也是追求赚钱。很多项目其实启迪在萌芽期投的，但是过了两年变成风口了。再一个阶段，当有一些产业向下沉淀的时候，我们基本上进入的时机就在这。但是这也有特殊性，这时潜在创业者基本上都在实验室、研究院所和大集团里面。概括来说，就是投背景经验这样的判断，以及能创业的决心和商业化的能力，在这个阶段更多是大浪淘沙下来，比较坚持的人。所以投资人这两个阶段进入，后面还有上升的空间。投资技术公司的节奏，实际上不同的行业，不同的阶段，对人的要求不一样的，并不是千篇一律的。充分条件更多的就是在不同的阶段，不同的创始人需要什么样的要素，现在创始人有没有，将来能不能扩展。 不同行业、不同阶段对创始人的要求亦不同另外我想分享另一个非常重要的观点：不同的行业，不同的阶段，对人的要求不一样。2B、2C看的人不一样的，没有一类人一定好，一类人一定不好。我们首先要分析这个行业的关键要素是什么，这个行业在不断阶段他需要什么样的人，这个人有没有现在这样的能力，在下一个阶段他能不能快速学习到需要的能力。当然对于投资来讲，成长性是唯一不变的标准。不管在哪个行业，包括2B也有成长性和扩展性，整个2C很难，但是2B也有很大的企业。中国过去最大的市场是2G，上市公司大多数都是做信息化的厂商。这个市场可以和美国企业服务市场对标的。每一个行业逻辑不一样的，所以我觉得企业服务这件事情，虽然中国在赶超美国，但是在过去的十年，也有中国自己的逻辑。像技术类的企业，我们必须关注，有没有持续的创新能力，创新体系，创新架构。像运营类的企业，就看团队能不能大，最后能不能活下来，打了之后，能不能坚持下来。运营类的行业是非常苦的行业，剩者为王，所以在运营类的企业里面，我们需要一个高执行力的团队。当然还有一类企业叫行业型企业，市场非常大，相对比较成熟，行业饱和性非常强，政策驱动性非常强，对资源的要求非常强，所以在这类企业的投资上面，我们更看重创始人对自己行业升级的理解，对这个行业资源的整合。看重的创始人=家国情怀+学者智慧+商业思维+江湖行动今天说怎么投人，如果是简单分享的话，一句话提炼就够了：家国情怀，学者智慧，商业思维，江湖行动。家国情怀就是使命，是后来能够坚持下来很重要的原因，包括你的担当，你的责任，你的胸怀，都原自于你是不是真正的想做这件事情。我们投的项目，大多数非常好的创业者有非常好的知识的底蕴和经验，所以呢，学者智慧这点上，我们投的不太缺，但是很多人缺商业思维和江湖行动。有人问我，什么叫江湖行动。我觉得一个是对江湖凶险的理解，另外一个就是要有较快的市场的理解能力、融合力，适应力和抗挫折的能力，这就是江湖能力。比如金融行业，风险很高，很多做到半路就很难转行或者停下。 对于人尤其是创始人的评估，我们有四个维度，第一个是人性，第二个是能力，第三个是经验，第四个知识。这是一个金字塔结构，越往上越难改变。下面的问题，对投资人只是看不同阶段不同行业的问题，但是上面的问题，是根本性的问题。所以我们投人的时候会把它分成不同的层次看，到底缺哪些能力，哪些能不能改。在人性方面，显然就很难改变。这我们希望他是一个有担当、诚信、有道义、感恩、充满着情怀、有开拓精神、能够冒险、在曲折的路上能够坚持、坚信、有利他精神的人。另外，我们觉得他成长的能力很关键。不管是自己还公司的，都有清晰的定位，能自己挑战自己，在挑战自己的时候，有一些总结性的感悟，能够帮助自己成长，同时在这个过程中是利他的，能够聚焦到更多的一帮人。很多上市公司做不大，都是因为创始人的格局和胸怀不够。从能力方面，决策能力非常重要。很多创始人在早期的时候，他的选择非常多，我们认为一个创始人能够有所为有所不为，能够在关键的时候决策，这是一个非常重要的能力。刚才提到换位思考，实验调整的能力，都非常重要，其实核心还是能不能快速学习，快速成长，快速调整的能力。经验的话，更多的是看和你干的事是不是匹配，你的经验是不是这个行业最需要的。另外，我们看到的最多的问题，就是经验限制了想象力，很多人因为有了经验不敢去做，失去了开拓精神。一般在投资的时候，见创业者的时候，都会问你过去的经历是什么，我们聊天的时候都是很轻描淡写的，但是后面其实都还是有我们自己判断的想法和逻辑的。第四个就是知识，这个层次是最简单的，我们在投资的时候，我们见的人基本上在他的知识和技术领域都是非常强的。我们看的时候，第一就看知识是不是你相关的知识，比如说有一些人学机械的，最好稿电子，有没有相关性。第二就是知识的壁垒、高度和长度，因为所有的东西，都是可以被超越的，我们要去判断这个知识到底能领先多长时间，他长持续多长时间，他有没有持续创新的能力。第三就是他的知识体系是否有系统性，这个与能否可持续的创新有相关性。 评估团队：匹配性+互补性+合理性+稳定性我们在看团队的时候，比较看这几点：匹配性、互补性、合理性、稳定性。第一就是匹配性。很多人讲项目的时候，我基本上都问你们是什么背景，为什么要干这件事情。我们希望有限的钱，能投到我们筛选出来概率比较高的项目上，所以我们基本要求对团队一定有相关的经验和相关的背景。第二就是互补性，一个团队，光一个人打拼肯定不行，在未来的成长当中，肯定需要有一个比较好的团队。对于特别早期的项目，可能更多的就是考验创始人的格局和影响力，在稍微成长一点，有商业模式的时候，就要看是不是团队作战的团队，团队里面是不是技术、市场、管理、运营能够互补。第三是合理性。创业公司融资的时候，经常被问你们的股权现在是什么样的情况，它涉及到公司能够发展多长远。第四是稳定性，稳定性就是这个团队有没有默契，有没有背景。我们发现，在创业公司快生快死的创业公司里面，大多数的问题都是创始人不合，包括性格上、价值观上。所以在投资的时候，我们就会判断，到底是什么样的缘分让他们走到一起，他们的性格是不是互补的，能不能调整，在他们驱动力方面，价值观方面，是不是保持一致，有时候细节的事谈不明白，就要从价值观的角度去谈。 坚决不投的类型刚才讲的都是成功的规律，但是我觉得成功都是偶然的，失败基本上还是有一些规律可寻的，所以这些企业我们不投，可能连看也不用看了。第一，人云亦云。第二，创业决心不足,不投钱不干。这种我们基本上不投，因为没有创业决心。第三，单打独斗、 没有团队。目前为止，我们投的有一百多个企业里面，有两三个表现不好的，过了两三年都还是一个人，核心团队都是一个人，股权都还在自己的手里，这样基本上做不成事。第四，年龄偏大、 身体不好、眼神飘忽。我们投过的企业里面有两位创始人去世了，创始人一旦去世，或者一旦离开，对整个公司的影响是致命性的，所以我们现在要求45岁以上的创始人，在拿投资的时候做体检。第五，没有契约精神,不诚信, 不靠谱。第六，狂妄自大、 好高骛远、华而不实。第七，情绪不稳定、 缺乏自控力。第八，凡事找外因。第九，同时做多家公司，不专注。第十，不懂尊重、 不知感恩、缺乏分享精神。第十一，沉迷玩乐 (喝酒、德扑、 高尔夫)。第十二，思维僵化保守、视野格局不够。第十三，满足于赚生意钱、缺乏远见和战略思维 。第十四，报喜不报忧、 沟通不顺畅。第十五，异想天开，没有相关经验和积累。第十六，不能言简意赅清晰表达自己。 原创文章，作者：石亚琼。转载或内容合作请点击 转载说明 ，违规转载法律必究。寻求报道，请

资本寒冬中，抗周期变得越来越重要了2018年8月，阿里巴巴携手36氪，启动了“AI赛道明星班”项目。8月20日，“AI赛道明星班”第一次集结，开启为期四天的培训课程。活动第二天，金沙江创业投资基金董事总经理朱啸虎也分享了对AI领域创业投资趋势的见解。朱啸虎认为：**1、金沙江看好企业服务市场，在美国企业服务公司的总市值已经超过消费互联网2、中国企业服务领域依然有机会，独角兽正在涌现3、AI领域创业在技术、基础设施、新商业模式、新应用方向有创业机会4、资本寒冬里，教育、企业应用和人工智能是“吉祥三宝”36氪认为这部分内容很有价值，因此也做了详细梳理。以下为对分享的整理。** 看好企业服务市场过去十年，虽然中国的VC在企业服务市场赚到的钱没有在消费互联网上多，但美国企业服务公司的总市值已经超过消费互联网。其实，美国消费互联网方面，已经出现了诸如Facebook、Twitter这样体量的大公司，但美国企业服务类公司的总市值仍超过消费互联网。在美国，消费互联网有几个巨头市值在几百亿到几千亿美元，几十亿美元市值的消费互联网公司是比较少的。但在企业服务市场，虽然很少有公司超过千亿美元市值，但估值几十亿到两百亿公司的公司非常多。可以说，消费互联网真的是一将功成万骨枯。但企业服务市场，有很多做垂直细分市场的公司能做到几十亿美元估值，且过程中只需要融很少钱，VC的风险也很少，所以赚钱更多。这是在美国过去十几年的一个非常明显的趋势。但是中国的VC并没有从企业服务市场中赚到更多钱。这是因为，过去十年，中国的企业服务应用大部分还是基于PC端，正版付费率还是比较低的，企业还很难体会到企业服务应用的价值。但这种情况，今后十年肯定会发生变化。我们认为，今后十年，虽然中国企业服务的市场超过消费互联网还有难度，但占比达到30%肯定是没问题的。首先，当前，基于移动互联网的软件是很难盗版的。其次，中国现在一线的移动互联网公司发展得非常非常快，企业应用在未来十年是大有可为。十年前，我刚开始做VC的时候，中国的企业估值还是很低的，十年前差不多做同样事情的公司，美国公司估值是中国公司的十倍。十年前，腾讯的估值都很低。但今天，基本上公开市场比较大的投资基金都认为中国公司和美国公司估值应该是1：1，虽然现在还有点差距，但总体未来趋势都是中国和美国做同样事情的公司估值应该是1：1的。为什么这十年会发生这么大的变化？企业这十年确实有很大的变化，一个很大的变化就是移动互联网的出现和普及。PC互联网我们认为没有充分发挥出中国的人口红利，大部分的中国人口没有时间去经常上网。但是移动互联网随时随地都可以上网。所以可以看到微信的用户是超过了十亿，移动互联网充分发挥出了中国人口红利。二是，用户付费能力比以前强很多。今年以前，互联网上很多人都不愿意付费，十年前，优酷、土豆这些视频网站没人付费，今天爱奇艺、腾讯视频，包括优酷付费用户都很大；今天知识付费很多，而且都很赚钱；现在90后、00后虽然没有大钱，但是为小钱付费是非常容易的，而且养成了付费习惯。所以现在中国公司的估值和美国公司基本做到1：1了。这里面有一个是不太公平的地方。即使将Facebook这样的特例剔除，中国公司估值还是低于美国公司的。但是最近几年，新成立的公司中，中国的独角兽数量远远超过美国，估值可能稍微有点差距，但是数量上来说要远远超过美国。中国消费互联网过去几年创新非常多，还有很多的商业模式在美国是没有的。比如说今年比较火的“拼多多”，已经两百亿美元市值。现在，拼多多火了后，现在很多公司在做社区拼团，这些在美国都没有。具体到AI领域，中国的人才优势比较明显。美国的AI人才和技术多出自斯坦福、MIT这类大学研究室，或者Google、Facebook这样的大公司，里面的工程师基本上都是华人，而且很多教授都是华人。过去三年，金沙江在企业服务应用上投的项目已经超过了移动互联网。我们真正感受到了转变——中国的企业服务类公司在崛起，其中一些企业的收入增长很快。过去做四五年，涨到一两千万，再往上涨很难，但过去两年，我们投的很多项目，可能今年大几千万人民币收入。企业非常愿意为企业应用软件付钱，这个趋势已经很明显了。被投公司收入快速增长，投资人的信心会更强大，所以我觉得会有更多的投资者来投资这个企业应用。AI领域创业在技术、基础设施、新商业模式、新应用方向有创业机会我昨天还和另外一个人讲，教育、企业应用和人工智能是现在资本寒冬里的“吉祥三宝”。这三个领域不随着资本的冷热变化而波动，永远都有机会。任何一个大的趋势来的时候，都有它自己的节奏。我们发现任何一个大的浪潮来的时候，首先肯定是行业的基础技术和基础设施。PC互联网时代，第一个最火的公司是思科，2000年的时候曾经有几个月成为全世界市值最高的公司，因为当时所有人上网都要买路由器。今天人工智能时代，节奏也很像，NVIDIA的股票过去两年涨了数倍，市值超过几千亿美元了。之后是一些新的商业模式和新应用。互联网时代的大公司都是雅虎、谷歌、亚马逊这类公司，对互联网的基础设施要求不高。Facebook更晚，在此之前的很多社交网络挂掉了，是因为之前PC互联网的PC用户数量还不多，所以做社交网络的很累。Facebook出现后，大家猜相信社交网络是一个商业模式。人工智能时代也是一样的。我们最近发现，首先，在芯片上有很多机会，最近金沙江投资的公司深鉴科技刚刚卖给了赛灵思，深鉴科技主要在芯片上做深度学习网络的加速，解决AI对算力要求很高的问题。另外，AI对于应用的提升作用非常明显。我们投资的小红书在上线了AI应用以后，数据变化是非常非常明显的，包括活跃用户数、用户使用时长基本都翻番了。所以AI确实不仅是对企业应用，对消费互联网也有非常显著的效果。但是纯AI类的消费互联网应用，可能还需要一段时间。去年开始，手机开始增加AI芯片，第一次在终端上实现了对AI的算力支持，我感觉可能需要两三年的时间才会成为主流，用户基数足够高后，才会有AI赋能的消费应用出来。类比移动互联网，十年前当智能手机出现后，第一款触屏游戏到2009年才出来。虽然消费应用需要一点时间，但是一旦出来，就会增长很快。2016年，金沙江投了12个AI相关的项目，去年投了几个，加在一起过去三四年投了二十几个AI项目，包括深鉴科技、DeepMap、DataAdvisor、Zingbox、地平线等。这些项目差不多一半在国内，一半在硅谷，总体来说硅谷还是相对来说人才实力更强一点。 原创文章，作者：石亚琼。转载或内容合作请点击 转载说明 ，违规转载法律必究。寻求报道，请 点击这里 。

摘要：2019云栖大会大咖有约，斑马网络高级技术总监张燕昆带来“计算机视觉在智联网汽车领域的应用”的演讲。本文主要介绍了AR-Driving2.0产品的三个特性，并从AR-Driving立项开始谈起，讲解了AR-Driving项目遇到的问题，并对AR-Driving3.0作出了展望。 直播回放请点击 以下是精彩视频内容整理： 斑马主要是一个做智慧出行的智联网汽车技术公司。目前，自动驾驶异常火热，但是斑马做的事情与自动驾驶是有区别的，汽车摄像头有对外和对内的摄像头，对外摄像头有一个前视摄像头，我们不是去做安全域的ADAS，而是用行车记录仪的摄像头来做一些产品，另外还有倒车辅助用的前体360环视影像，我们利用360环视影像做智能辅助的东西。对内摄像头常见的是做DMS和Face ID。 AR-Driving 斑马在2017年从事AR-Driving的开发工作，在2018年产出了全球首款AR-Driving1.0产品，在2019年8月产出了AR-Driving2.0产品。AR-Driving即所谓增强现实中的技术应用到增强导航中，简单的说，是将大家开车应用的地图导航的信息叠加成增强导航，2.0中还有增强的ADAS和增强的POI。 斑马AR-Driving2.0产品有三个features，AR-NAVI、AR-ADAS和AR-POI。增强导航就是，当大家开车开到很复杂的十字路口时，前面有左转、右转、前方、左前方、右前方，如果你是第一次开过去，传统导航提示你左前方时，你是很容易迷糊的，因为有6条岔路口，不容易变道，但是如果把传统导航和图像识别结合起来，我们做了一些地面语义分割，然后融合IMU信息做定位，就可以精确的把你引导过去；AR-ADAS跟传统的ADAS差不多，但是我们更直观，我们把它放到AR这种方式来呈现，比如压线、前方车辆启动提醒、前方碰撞提醒，可以很直观的在视频上显示出来；AR-POI就是感兴趣点。我们是一个车联网公司，我们要做生态，我们还做了驾驶员的身份验证，即Face ID，比如你买车，上车后会自动识别是你开还是你爱人或是亲戚开，可能你喜欢星巴克的咖啡，你爱人喜欢Costa的咖啡，当你开车到了某条街，如果我们能自动判别是你还是你爱人开车，我们就可以把星巴克或者Costa的店很自然的推荐给你，这样我们就形成了一个生态闭环。 AR-Driving立项及遇到的问题 大家可能对自动驾驶比较感兴趣，早些年我们也做过自动驾驶，但是我们是创业公司，主要做产品，我们要保证做的东西能够迅速落地到产品上去，对于我们来说，计算资源是一个很大的瓶颈。2017年，我们做AR-Driving时，我们接到上汽的一款车，它所用的芯片是J6P，即双核+两个800M的DSP，其中一个DSP给360环视用掉了，剩给我们所有计算机只有一个DSP，一个DSP把AR-Driving做出来还是很难的，现在深度学习非常火，但是复杂的深度学习模型在这个配置下运行是不太现实的，我们巧妙的把传统的计算机视觉算法和深度学习算法做一个互补。 我们为什么没有做AR-Hud，而转而做AR-Driving，是因为AR-Hud的硬件不成熟，以及成本比较高，对于国内10-20W的车来说，成本特别高，所以AR-Hud大多都装配在豪华车上。上汽当时给我们的汽车只有行车记录仪的摄像头，要求我们做一个AR-Hud的东西，我们的产品就想到了折中方案，将AR-Hud的硬件拿掉，改为在仪表上进行显示，我们当时经过了多次讨论，还是接了这个项目，做这个项目遇到了很多瓶颈，比如将我们的算法一开始放到车上的平台上，每秒只能跑到3帧，相当于300ms，因为我们要达到实时处理，这对我们形成了巨大的压力，产品都到外面去找方案，把很多创业公司的算法拿过来做比较，评估后发现我们的硬件根本不能跑这些算法，主要是就是这些算法对硬件要求比较高。于是我们对自己之前的算法进行了大量的优化，还把TI的专家直接请到公司做培训，在TI芯片上进行算法优化。到2018年8月份，我们做出了Marvel X上的系统，很多人认为Marvel X只是一个噱头，因为它只是做了一些简单的导航，这是因为计算能力受限制，这款车一发布，在业界就引起了轰动，很多大公司都在跟随我们在做，有的做的很复杂，有的做了单独的盒子，车厂对成本是非常看重的，如果你想推一个上千块的东西，是很难的，我们给车厂做东西，都是车厂确定硬件，然后告诉我们要帮他们做什么，而不是我要做什么，车厂就会提供给我们什么样的硬件，尤其现在各大车厂都在降成本，这个情况就尤为突出，我们既要考虑技术的先进性，又要考虑技术能不能产品化。 AR-Driving的思考与展望 AR-Driving1.0一发布，在业界引起了轰动。上汽等其他车厂也意识到硬件资源问题，开始逐渐将一些硬件资源给了我们做AR DRIVING，我们自己也把360环视做了，这样就可以很好控制它的资源占用，对我们来说，两个DSP同时任我们切换调度，就可以最大化利用车厂给我们的硬件资源。于是，我们就从去年就开始做了AR-Driving2.0，并于2019年8月在上汽的一款车上正式发布了。下一步我们想对存量车来做，现在芯片研发很热，阿里、华为等都积极研发并推出了一些芯片，车分为前装和后装，AR-Driving3.0偏向于后装，现在行车记录仪或后视镜的计算能力是很强的，AR-Driving3.0将会使用更多的目前流行的深度学习方法，AR-Driving3.0可以提供更加丰富的道路环境的语义信息，这些信息可以提供给图商做实时地图更新，同时我们我也可以做更加丰富的生态闭环。