恰好和文因互聯@鮑捷、順為資本@孟醒 、聲智科技和經緯的朋友交流過這個問題，總結了人工智慧創業的一些坑。
雖然是心靈雞湯，背後其實也是一些公司血的教訓。
第一個坑：做大公司重點會做的事情
創業公司都是在大公司的陰影下生存。
很遺憾的是，很多時候大公司並不是紙老虎，一方面大公司有大量的人工智慧人才，有良好的人才儲備，另一方面是大公司有大量的資料，此外大公司還有眾多的渠道和流量。
初創公司和大公司正面對抗，結局是可以想象的。巨頭公司以近乎“碾壓”的方式將很多初創公司趕出了局。比如Google釋出了神經機器翻譯系統（GNMT），並且將其投入到了難度係數頗高的漢語-英語翻譯應用中，準確率得到了相當程度的提升，這使得一些國內機器翻譯的創業團隊被無情碾壓。
作為一個佐證，矽谷某大公司收購一個人工智慧初創企業後，發現各種指標跑下來，效能還不如內部的產品，於是被收購的團隊全部派去做產品了，而不是研發。
所以一定要思考好大公司的產品路線圖，不要螳臂當車。
那麼，哪些是大公司一定會做的事呢？
基本有兩大規律：
第一是，越是底層的東西，巨頭越會去做
人工智慧產業鏈中，基礎層是構建生態的基礎，價值最高，大公司會長期進行戰略佈局。在基礎計算能力、資料，通用演算法、框架和技術方面佈局，聚集大量開發者和使用者，這基本是兵家必爭之地。
比如谷歌、亞馬遜、微軟都紛紛推出了自己的人工智慧的基礎設施、API和開源框架，包括了計算機視覺、語音、語言、知識圖譜、搜尋等幾大類。
第二是，越是通用型的產品，越是大公司會做的。
對於通用型的產品，大公司會貫徹人工智慧優先的策略，來提升效率、改善使用者體驗，對於通用技術層，這是構建大公司護城河的基礎，大公司也一定會佈局。
比如谷歌貫徹AI First的策略，改進智慧助手（語音和NLP）、谷歌翻譯（機器翻譯）、YouTube（推薦演算法）、圖片搜尋（計算機視覺）等等。
這也導向了一個新的結論，也是順為資本副Quattroporte及入駐企業家孟醒總結的，越是純網際網路的產品，越是大公司會做的。這背後的邏輯是網際網路產品具有網路效應，也更通用。所以從這個角度上看，面向大眾的純網際網路產品並不是人工智慧初創公司創業的好方向。
實際上重投入和一眼就能看得見巨大價值的專案，都不是初創公司的理想的選擇。
難道創業公司就沒有機會了嗎？
網際網路大公司都在發力人工智慧，依靠強大的實力做平臺，做入口，把持流量和服務，連線關鍵節點，難道創業公司就沒有機會麼？
慶幸的是巨頭也有侷限，它很難在每個垂直領域都做的非常深，因為這未必是他們的核心業務。
創業公司可以選擇做垂直領域的先行者，積累使用者和資料，結合技術和演算法優勢，成為垂直領域的顛覆者。
不過即使是做垂直領域，也不建議和傳統公司硬碰硬，而是迂迴包抄，邊緣突破。
創業公司也可以專注於細分場景應用，做窄品類的應用，提供解決方案，直戳行業痛點。
總結一下，創業公司應該不斷從邊緣創新，在巨頭看不見或者不屑的地方進行創新，不斷擴大創新的邊界，從而成長為一個價值中心，走農村包圍城市的路線。
第二個坑：只追求技術不重視產品體驗或經濟效益
一個產品落地，內部的鏈條很長，除了技術和研發，剩下70%的人可能是做產品、銷售、生產、渠道。如果是硬體，需要考慮硬體以年計的開發週期。如果是面向企業的解決方案，還需要考慮不同企業和客戶的繁瑣需求。
人工智慧領域很多科學家創業，擁有很好的技術背景，“這個領域的確很適合科學家創業，但技術往往只是必要不充分條件。”
科學家創業也往往面臨一個問題，學術能力強的科學家往往發的最好的Paper,而最好的Paper往往都是研究最通用的問題。
正如我們之前講的，做一個通用的東西，未必能立馬應用於工業實踐，即使有用，這往往也是大公司要做的（或者極少數明星創業者能融一大筆錢做的）。
不過擁有技術優勢這個起點是對的，得把這個滾動起來。技術突破，產品落地，技術再突破，越卷越大，像滾雪球似的一步一步地發展壯大起來。
“這個滾雪球的過程是非常必要的，因為純粹的機器學習演算法優勢並不會持續多久，最多一年，甚至三個月”
即使是在人工智慧領域，技術在很多場合也不是最重要的東西，一方面是大家的技術都差不多，沒有顯著差異，另一方面是有眾多其他的因素影響使用者體驗和購買選擇。
第三個坑：摸不清誰會為你的產品買單
人工智慧創業者一定要謹慎痛點低的偽需求，滿足誰的需求是一定要思考好的問題，在人工智慧領域，要麼是2B（面向企業），要麼2C（面向消費者）的方向，各有利弊。
2C 的優勢在於可以打造自主品牌，而且使用者購買決策是在相對市場化的競爭環境中，一但成功容易形成規模效應，成長為巨頭。2C 的劣勢在於可能需要更長時間的積累，需要更龐大的團隊，而且競爭更激烈，因為要消費者掏出真金白銀。
2C也可以分為兩大類，一類是新硬體新產品，第二類是既有產品的改造。
新硬體新產品可能是一片藍海，也可能是一個偽需求，我們需要關心的是市場能有多大，量有多大，如何教育消費者，如何獲取使用者，需要關注週期有多長，能否撐到爆發的那天。
既有產品的改造我們要正面和傳統產品對抗。需要思考好我們產品效率的提升或者使用者體驗的改善是否足夠讓使用者放棄已有的成熟產品。我們是注重於存量市場還是增量市場，團隊是否能夠抗衡傳統公司幾年甚至數十年積累的市場、品牌和渠道。
2B 的優勢在於相對容易變現，因為從企業使用者更容易收費，此外團隊也更專注在某些問題，這些點上更適合創業團隊；2B 的劣勢在於規模效應不一定明顯，2B的週期也可能很長，此外2B弊端是某些領域採購決策市場化程度可能很低，需要拼企業資源或者政府資源。此外，2B的切入點也非常重要，找不好切入點就非常容易碰壁。
2B還是2C這是一個問題，目前來看大多數垂直領域的應用都是2B。現在的人工智慧領域創業者找到一個合適的行業，充分了解這個行業的需求，看準這個行業在某個時間點產生變革，變革是什麼，然後提供2B的服務，可能會比突擊2C的機會要更快或者更容易。
的確，在2B領域找到一個方向，幫助企業或商家提升效率或者省錢或者創收，都是一個很好的方向，“這是一個經濟問題”，用孟醒的話說。
無論做2B還是2C,都要想好壁壘在哪裡，優勢在哪裡。比如如果優勢是行業資源，如何找到合適方向切入。如果壁壘在於資料，第一波資料從哪裡來，如何把資料優勢滾動起來，都是要思考的問題。
第四個坑：人員結構不合理
把握好研發團隊和產品工程團隊的比例，也是在人工智慧初創公司裡不斷湧現的一個問題。
很多人工智慧初創企業由於團隊基因等原因，一味地追求演算法和技術上的領先，招募大批科研人才，而工程人才欠缺。擁有大量科研人才有利於做公關，也利於吸引VC的投資，但這一方面可能帶來過高的成本，牛人扎堆後更難管理，誰也不服誰，可能會因為學術興趣不同而造成“神仙打架”，導致產品方向的偏差。
畢竟初創公司不是研究院，不以促進學術發展為目的，不以發paper為目的，而是要以產品為核心的商業機構。
做2C的創業，需要創始團隊非常有產品思維，而這往往是科學家出生的團隊最缺乏的，而做垂直領域的應用，也要求創始團隊有行業資源。這些都需要尋找合作伙伴來補齊。
第五個坑：不懂得如何把握節奏
在國內講風口，在矽谷也講timing，在大部分投資都有投資回報期要求的情況下，創業公司要控制業務的方向和節奏，找好合適的時機。
在網際網路和移動網際網路創業的時代，都有視窗期的概念，錯過了視窗期會很難做大，進入過早也會死的快。在人工智慧領域，時機和節奏感的把握都很重要。
時機的判斷非常關鍵，比如在當前語音的發展已經完全可以商業化的時候應該做些什麼，比如對視覺領域的技術發展的判斷，又比如對無人車領域前景的判斷，找準時機點及其關鍵，不同階段要做不同的事情。
而節奏感的控制除了來自對人工智慧技術發展程度的判斷，還有來自對融資環境的判斷，對市場發展速度和變化的判斷，對競爭對手的判斷。有這幾個方向的判斷，就大概能知道是否步子應該邁得大一些。
最後，想說的是，人工智慧領域的創業除了技術驅動更明顯，好像和其他領域創業也沒有多大的區別，這些坑希望人工智慧領域的創業者要謹慎對待。
恰好和文因互聯@鮑捷、順為資本@孟醒 、聲智科技和經緯的朋友交流過這個問題，總結了人工智慧創業的一些坑。
雖然是心靈雞湯，背後其實也是一些公司血的教訓。
第一個坑：做大公司重點會做的事情
創業公司都是在大公司的陰影下生存。
很遺憾的是，很多時候大公司並不是紙老虎，一方面大公司有大量的人工智慧人才，有良好的人才儲備，另一方面是大公司有大量的資料，此外大公司還有眾多的渠道和流量。
初創公司和大公司正面對抗，結局是可以想象的。巨頭公司以近乎“碾壓”的方式將很多初創公司趕出了局。比如Google釋出了神經機器翻譯系統（GNMT），並且將其投入到了難度係數頗高的漢語-英語翻譯應用中，準確率得到了相當程度的提升，這使得一些國內機器翻譯的創業團隊被無情碾壓。
作為一個佐證，矽谷某大公司收購一個人工智慧初創企業後，發現各種指標跑下來，效能還不如內部的產品，於是被收購的團隊全部派去做產品了，而不是研發。
所以一定要思考好大公司的產品路線圖，不要螳臂當車。
那麼，哪些是大公司一定會做的事呢？
基本有兩大規律：
第一是，越是底層的東西，巨頭越會去做
人工智慧產業鏈中，基礎層是構建生態的基礎，價值最高，大公司會長期進行戰略佈局。在基礎計算能力、資料，通用演算法、框架和技術方面佈局，聚集大量開發者和使用者，這基本是兵家必爭之地。
比如谷歌、亞馬遜、微軟都紛紛推出了自己的人工智慧的基礎設施、API和開源框架，包括了計算機視覺、語音、語言、知識圖譜、搜尋等幾大類。
第二是，越是通用型的產品，越是大公司會做的。
對於通用型的產品，大公司會貫徹人工智慧優先的策略，來提升效率、改善使用者體驗，對於通用技術層，這是構建大公司護城河的基礎，大公司也一定會佈局。
比如谷歌貫徹AI First的策略，改進智慧助手（語音和NLP）、谷歌翻譯（機器翻譯）、YouTube（推薦演算法）、圖片搜尋（計算機視覺）等等。
這也導向了一個新的結論，也是順為資本副Quattroporte及入駐企業家孟醒總結的，越是純網際網路的產品，越是大公司會做的。這背後的邏輯是網際網路產品具有網路效應，也更通用。所以從這個角度上看，面向大眾的純網際網路產品並不是人工智慧初創公司創業的好方向。
實際上重投入和一眼就能看得見巨大價值的專案，都不是初創公司的理想的選擇。
難道創業公司就沒有機會了嗎？
網際網路大公司都在發力人工智慧，依靠強大的實力做平臺，做入口，把持流量和服務，連線關鍵節點，難道創業公司就沒有機會麼？
慶幸的是巨頭也有侷限，它很難在每個垂直領域都做的非常深，因為這未必是他們的核心業務。
創業公司可以選擇做垂直領域的先行者，積累使用者和資料，結合技術和演算法優勢，成為垂直領域的顛覆者。
不過即使是做垂直領域，也不建議和傳統公司硬碰硬，而是迂迴包抄，邊緣突破。
創業公司也可以專注於細分場景應用，做窄品類的應用，提供解決方案，直戳行業痛點。
總結一下，創業公司應該不斷從邊緣創新，在巨頭看不見或者不屑的地方進行創新，不斷擴大創新的邊界，從而成長為一個價值中心，走農村包圍城市的路線。
第二個坑：只追求技術不重視產品體驗或經濟效益
聲智科技合夥人&副Quattroporte李智勇說過，“2C產品上，消費者不會為演算法和技術買單，技術必須轉化為產品，用於改善產品體驗或者提升效率”。一個產品落地，內部的鏈條很長，除了技術和研發，剩下70%的人可能是做產品、銷售、生產、渠道。如果是硬體，需要考慮硬體以年計的開發週期。如果是面向企業的解決方案，還需要考慮不同企業和客戶的繁瑣需求。
人工智慧領域很多科學家創業，擁有很好的技術背景，“這個領域的確很適合科學家創業，但技術往往只是必要不充分條件。”
科學家創業也往往面臨一個問題，學術能力強的科學家往往發的最好的Paper,而最好的Paper往往都是研究最通用的問題。
正如我們之前講的，做一個通用的東西，未必能立馬應用於工業實踐，即使有用，這往往也是大公司要做的（或者極少數明星創業者能融一大筆錢做的）。
不過擁有技術優勢這個起點是對的，得把這個滾動起來。技術突破，產品落地，技術再突破，越卷越大，像滾雪球似的一步一步地發展壯大起來。
“這個滾雪球的過程是非常必要的，因為純粹的機器學習演算法優勢並不會持續多久，最多一年，甚至三個月”
即使是在人工智慧領域，技術在很多場合也不是最重要的東西，一方面是大家的技術都差不多，沒有顯著差異，另一方面是有眾多其他的因素影響使用者體驗和購買選擇。
第三個坑：摸不清誰會為你的產品買單
人工智慧創業者一定要謹慎痛點低的偽需求，滿足誰的需求是一定要思考好的問題，在人工智慧領域，要麼是2B（面向企業），要麼2C（面向消費者）的方向，各有利弊。
2C 的優勢在於可以打造自主品牌，而且使用者購買決策是在相對市場化的競爭環境中，一但成功容易形成規模效應，成長為巨頭。2C 的劣勢在於可能需要更長時間的積累，需要更龐大的團隊，而且競爭更激烈，因為要消費者掏出真金白銀。
2C也可以分為兩大類，一類是新硬體新產品，第二類是既有產品的改造。
新硬體新產品可能是一片藍海，也可能是一個偽需求，我們需要關心的是市場能有多大，量有多大，如何教育消費者，如何獲取使用者，需要關注週期有多長，能否撐到爆發的那天。
既有產品的改造我們要正面和傳統產品對抗。需要思考好我們產品效率的提升或者使用者體驗的改善是否足夠讓使用者放棄已有的成熟產品。我們是注重於存量市場還是增量市場，團隊是否能夠抗衡傳統公司幾年甚至數十年積累的市場、品牌和渠道。
2B 的優勢在於相對容易變現，因為從企業使用者更容易收費，此外團隊也更專注在某些問題，這些點上更適合創業團隊；2B 的劣勢在於規模效應不一定明顯，2B的週期也可能很長，此外2B弊端是某些領域採購決策市場化程度可能很低，需要拼企業資源或者政府資源。此外，2B的切入點也非常重要，找不好切入點就非常容易碰壁。
2B還是2C這是一個問題，目前來看大多數垂直領域的應用都是2B。現在的人工智慧領域創業者找到一個合適的行業，充分了解這個行業的需求，看準這個行業在某個時間點產生變革，變革是什麼，然後提供2B的服務，可能會比突擊2C的機會要更快或者更容易。
的確，在2B領域找到一個方向，幫助企業或商家提升效率或者省錢或者創收，都是一個很好的方向，“這是一個經濟問題”，用孟醒的話說。
無論做2B還是2C,都要想好壁壘在哪裡，優勢在哪裡。比如如果優勢是行業資源，如何找到合適方向切入。如果壁壘在於資料，第一波資料從哪裡來，如何把資料優勢滾動起來，都是要思考的問題。
第四個坑：人員結構不合理
把握好研發團隊和產品工程團隊的比例，也是在人工智慧初創公司裡不斷湧現的一個問題。
很多人工智慧初創企業由於團隊基因等原因，一味地追求演算法和技術上的領先，招募大批科研人才，而工程人才欠缺。擁有大量科研人才有利於做公關，也利於吸引VC的投資，但這一方面可能帶來過高的成本，牛人扎堆後更難管理，誰也不服誰，可能會因為學術興趣不同而造成“神仙打架”，導致產品方向的偏差。
畢竟初創公司不是研究院，不以促進學術發展為目的，不以發paper為目的，而是要以產品為核心的商業機構。
做2C的創業，需要創始團隊非常有產品思維，而這往往是科學家出生的團隊最缺乏的，而做垂直領域的應用，也要求創始團隊有行業資源。這些都需要尋找合作伙伴來補齊。
第五個坑：不懂得如何把握節奏
在國內講風口，在矽谷也講timing，在大部分投資都有投資回報期要求的情況下，創業公司要控制業務的方向和節奏，找好合適的時機。
在網際網路和移動網際網路創業的時代，都有視窗期的概念，錯過了視窗期會很難做大，進入過早也會死的快。在人工智慧領域，時機和節奏感的把握都很重要。
時機的判斷非常關鍵，比如在當前語音的發展已經完全可以商業化的時候應該做些什麼，比如對視覺領域的技術發展的判斷，又比如對無人車領域前景的判斷，找準時機點及其關鍵，不同階段要做不同的事情。
而節奏感的控制除了來自對人工智慧技術發展程度的判斷，還有來自對融資環境的判斷，對市場發展速度和變化的判斷，對競爭對手的判斷。有這幾個方向的判斷，就大概能知道是否步子應該邁得大一些。
最後，想說的是，人工智慧領域的創業除了技術驅動更明顯，好像和其他領域創業也沒有多大的區別，這些坑希望人工智慧領域的創業者要謹慎對待。