本文来自：腾股创投，本文内容来自硅谷全球数据研究机构 PitchBook 发布的报告：Real potential for AI。由腾股创投编译整理。
关键要点
1、作为一种通用技术，人工智能（AI）和机器学习（ML）在几乎每个行业都有潜在的用例，并能够重塑人们生活和经营方式。 近十年来深度学习的突破，使得人工智能在日常生活中的应用越来越广泛，为该领域的进一步发展铺平了道路。
2、VC 在垂直行业的投资呈现持续增长的趋势，比 2008 年的水平高出 12 倍。2017 年，在AI / ML 领域的 643 个 VC 投资事件中投资总额达 60 亿美元。 同与此同时，在经过多年缺少退出企业之后，过去两年的流动性大幅上升，转而进入 AI / ML 退出环境的新阶段。
3、目前，几乎所有商业上成功的 ML 应用都使用监督式学习，其中包括大量的应用，但仅限拥有清晰标记数据的领域。创业公司将面临来自科技巨头通过云提供的低成本产品服务的激烈竞争， 但他们可以专注于更多的细分领域或细分数据集。
引言
在过去的十年中，AI / ML领域吸引了业界极大的兴趣，相关应用和商业整合快速发展。如今人们普遍认识到的人工智能的概念。然而，这个领域内已经出现了几次停滞。所谓的“人工智能冬天”往往是由于技术，基础设施或方法的局限性而产生的。 AI / ML 的最新突破始于 2006 年左右，随着深度学习的发展，受人脑生物学的启发，ML 的一个子集以分层神经网络（NNs）为基础出现。深度学习技术是 AI / ML（如图像识别，搜索引擎，药物发现，深度强化学习）几乎所有当前前沿研究和成功应用的背后的技术。 ML 问题的新研究方法，计算能力的巨大进步，数据数字化和可用性的急剧增长，使这一进展成为可能。
人工智能（AI）属于计算机科学领域，专注于创建一个能够感知其环境并做出决策的智能机器，以最大限度地实现其目标。 机器学习（ML）是人工智能和数据分析的一个子领域，它使计算机能够反复学习，改进预测模型，并从数据中发现洞察力，而不需要人类编程。 作为个人，我们已经每天与语音助理对话，使用面部识别技术，接收电影或餐厅推荐以及许多其他实例，已经与 AI / ML 应用进行交互。 ML 可以根据训练算法的方法分成三个子类别：
1、监督学习
监督学习是方法，通过机器学习算法，在一组标记的数据上进行训练（例如用标记的图像训练图像识别系统以识别狗的图像）。
2、无监督学习
在无监督学习中，算法用未标记的数据进行训练，并且必须确定数据集的基本结构以及如何对其进行分组（例如通过将手写数字分为 10 组来进行识别）。
3、强化学习
强化学习从没有训练数据开始，这意味着机器必须通过经验和迭代试错来学习执行任务，同时最大化长期奖励。
在近期内，我们认为 AI-ML 中的监督学习应用将继续在面向消费者的方法中发展和完善，专注于任务自动化，几乎到了无处不在的地步。 在接下来的一年里，这些公司将生产出最具商业可行性的 AI / ML 产品，并将发生许多垂直行业的收购。 然而，我们认为最大的 AI / ML 市场前景将来自潜在的扩张到大量的企业应用和新行业。
无监督和强化学习的机会在垂直领域出现。虽然这些技术的扩散仍有相当多的障碍，但是这些技术的可能性可以解决越来越多的问题提供解决方案。强化学习最重要的早期成就之一是来自Google 的 DeepMind 的 AlphaZero。这个算法纯粹模拟下围棋。进一步的潜在强化学习用例可以改善传统的解决方案，包括资源分配问题，大量的个性化用户界面（医疗保健，标题，广告等内容），以及在机器人和自动驾驶汽车中的应用。虽然将这些技术应用于商业产品方面存在障碍，但 AI / ML 最新的概念证明可以吸引大量投资。这已经通过流入自动驾驶车辆领域的资金量得到证明。以风险投资支持的企业和投资人最能适应以人工智能为中心的世界。
也就是说，由于问题的复杂性和所需的计算能力，许多应用将需要更多的时间来实现。 针对这些问题，硬件：量子/高性能计算和混合计算（GPU / CPU / FPGA / TPU）以及分解技术将复杂问题分解为可管理的部分正在取得进展。
VC趋势
AI / ML 领域的风险投资清楚地表明了过去十年来在垂直领域的发展和不断增长的热度。 在 AI / ML 的 643 次 VC 投资中，2017 年已经公布 60亿 美元的投资。
美国 AI / ML 领域投资事件数量和金额变化情况
与当代的技术突破并驾齐驱，投资数量以几乎呈指数级增长，比 2008 年的水平高出 12 倍。所有轮次的投资都在增加，但绝大多数的增长都是来自天使和种子的早期阶段。尽管最近主流媒体对 AI / ML 的曝光率已经大幅上升，但很明显，垂直领域仍处于早期阶段。即使在市场上仍然存在细分市场。一些较大的公司已经在执行商业产品，例如在线贷款商 Avant 和旧商品交易市场，而其他许多公司正在努力改进工具，扩大其应用和产品供应。理论和实践研究已经提供了基础，但是许多企业还处于确定可行性和用例的初始阶段。此外，由于每个数据集的独特性，AI 和 ML 技术在企业中的执行通常需要高度的定制化，这阻碍了早期的广泛采用。
美国不同投资阶段 AI / ML 投资事件
人工智能企业的估值增长速度与风险投资市场相似。 不同之处在于后期阶段。 造成这种异常的一个原因是 2013 年和 2014 年有大批 AI / ML 公司获得投资，其中包括 Palantir 多个轮次的融资，并且还有大量的后续轮次的跟进。 此外，垂直市场仍然受到早期阶段公司的支配。
不同阶段美国 AI / ML 公司的估值中位数
退出
经过多年稀少的退出事件，过去两年代表了 AI / ML 退出环境的新时期。 直到最近，AI / ML的退出才成为典型的风险投资周期的一部分，因为风险投资通常会在开始增长的时候流入垂直市场，随后企业需要花费数年的时间才能获得战略收购方。 这是关键的，因为 AI / ML 退出目前几乎完全是通过战略收购来实现退出的。我们预计这一趋势将持续下去，因为目前的科技巨头正在努力支持他们内部人工智能产品。随着在软件/互联网领域以外的公司意识到将 AI 整合到其业务中的潜力，将进一步推动收购事件。
美国 AI/ML 市场退出事件
2016 年和 2017 年的最大的退出事件都发生在自动驾驶领域，通用汽车以 10 亿美元的价格收购了 Cruise Automation，Aptiv 收购了 NuTonomy。 同样重要的是要指出，Cruise 被收购占到了 2016 年 AI / ML 退出金额的近 40％。
美国收购 AI/ML 公司最多的企业
局限性
在垂直领域，主导的情绪是积极的; 但是，有一些限制可能会减缓 AI / ML 在所有行业的进一步发展。 AI / ML 对我们生活的影响往往伴随着宏伟论调，即过度地强调短期影响力，暗示着失败是不可能的。 这种思维方式可能是危险的，因为现实的预期时间和有效的失败管理应该成为实施企业 AI / ML 技术的一个组成部分。 例如，涉及自动驾驶车辆的事故或
其他算法错误可能会损害公众对该技术的认知并导致一系列其他问题，包括延迟执行。
AI / ML 的另一个常见问题是人类不知道机器在想什么，例如我们无法解释深度学习网络做出任何一个驾驶决策的原因，即使是设计它的工程师也不能。假如有一天，自动行驶中的汽车突然撞向一棵树，或者在绿灯亮起时犹豫不决，不肯前进，那我们连找出原因，进行解释的手段都没有。 这被称为“黑匣子”问题的情况，这掩盖了审计和机器行为的责任。
AI/ML 能够减轻人类处理艰巨任务的负担，但是广泛采用这种做法可能会带来更广泛的社会影响。其中之一就是人工智能将抢走人类工作。虽然这可能最终发生在一些职业上，但人工智能的进步很可能会改变工作的性质，而不是消除工作。就像在互联网应用泛滥之前没有人拥有“社交媒体经理”或“主播”这样的职位，AI / ML 的出现将会产生以前不为人知的行业和职业。
展望未来
作为一种通用技术，AI / ML 几乎在每个行业都有潜在的使用案例，并有能力重塑人们的生活和经营方式。 因此，人工智能被深度学习的先驱吴恩达称为“新的电力”，因为它有可能革新商业和日常生活，类似于互联网和数据库技术。 尽管 AI / ML 公司和投资激增，但许多大型市场仍有待探索。
目前，几乎所有商业上成功的 ML 应用都使用监督式学习，市场很大，但仅限于具有清晰标记数据的领域。 创业公司面临来自谷歌，亚马逊，微软，百度和 Salesforce 等庞大规模和高度发展的分销渠道、数据低成本云计算巨头的巨大竞争。 对于暴力破解应用（例如语音/对象/面部/图像识别和翻译）来说，拥有大型数据集的公司优势明显。 因此，专注于边缘或特定领域、数据集的 AI / ML 初创公司可能是竞争和茁壮成长的最佳选择。 例如，最近在许多医疗记录和扫描数据数字化方面取得的进展，使得医疗保健处于特别有利的位置，以便进一步渗透 AI / ML 应用。 然而，即使有了现在的资源，AI / ML的许多潜在用途也因缺乏可操作的学习数据而受到阻碍。（来源：腾股创投）