柯洁与AlphaGo的比赛受到了所有AI创业公司和投资者的关注。那到底什么样的AI创业公司才能受到投资者的青睐？

MMCVentures是英国著名的专注于技术领域投资的机构，其投资和研究院总监David Kelnar介绍了他们对初创企业进行判断的17个要素，涉及价值创造的潜力、实现价值的能力、对竞争的防御力三个决定性问题。（此评判标准主要是针对专注于“应用”的机器学习公司，不适合通用的解决方案公司。）

以下，将以这三个决定性问题为主线，进行逐一介绍。

一：拥有价值创造的潜力

这一问题MMC Ventures考虑六方面的因素。

1、价值释放

我们通过以下为客户创造收入的能力来判断企业的价值释放：

提高驱动收入的因素的增量，如转化率、收益率、吞吐量、价格等；
降低流失率——提供更多的个性化、更好的客户服务、更少的客户摩擦或提高品牌忠诚度；
创造新收入来源——识别新客户、增加向上行销或交叉行销的机会、创造新的市场机会。

我们还通过以下为客户降低成本的能力来判断企业的价值释放：

减少多余的花费、超额的资源或核心资源的需求——提高预测效率、流程效率或过程自动化；
减少经济损漏——如增强合规性。

2、具有颠覆性

机器学习主导的企业如何简化现有用户流程（优化范围），吸引新类别用户使用服务（颠覆性）？例如AI助理。根据PayScale的数据，人类助理的薪水已达到2.5万英镑／年，虽然AI助手只能替代一定人员的一小部分工作，但对于许多中小企业来说可以减少很多费用。助理只是一个小领域的颠覆，但可能通过规模化产生很大效果。

3、替代品稀少

现在，机器学习成为了很多人力资源的替代品，被替代的这些人力资源，他们越是稀缺、昂贵，机器学习就越有价值。

我们看到，在英国，机器学习初创企业最集中的领域恰恰是人力薪资最高的三个行业——金融、IT和公用事业。

4、机器学习的适用性

机器学习非常适用于艰巨、复杂和深不可测的任务：

艰巨的问题：在人类的能力范围内、可以通过编程来解决，但需要花费难以想象的时间和精力；
复杂的问题：在人类的能力范围内，但无法通过很有效的编程来解决的。例如人类可以通过人类的规则判断出一辆汽车的照片，但很难通过编程来有效的制定识别的规则；
深不可测的问题：超出人类能力范围的问题。在这些领域，人类无法组织数据来进行判断或预测，但利用神经网络的深度学习方法，就可以解决此类问题。

机器学习不太适合无限问题和因果推理问题，因为：

• 机器学习离开了数据几乎无法使用；
  机器学习主要是描述数据的相关性，而不是因果关系。 

5、达到一定性能的路径

从实践的角度来看，机器学习并不需要做到100%，只需要提供接近人类或比人类稍好的性能水平即可。更重要的是，我们要依据现有的条件来判断是否有一条达到这样性能的路径。

例如美国94%的交通事故是人为失误，自动驾驶汽车不需要100%的安全，只需提供相当或稍优于这一安全率即可。

6、合适的数据

机器学习需要合适的数据进行训练和部署，我们将数据操作分为两个阶段，并以此衡量数据的实用性：

选择：数据的可获得性、数据的现有差距和可复制性、数据标签质量和数据偏差性；
处理：数据碎片、数据清洗要求，数据采样，数据转换的需求、分解和聚合。

我们还需要衡量数据的保留价值。如果历史数据来对改进迭代算法有用，则拥有保留价值。例如反欺诈公司，它们的客户历史数据可以有效的来测试算法的准确性是否得到改善。

二：具有实现价值实现的能力

如果一个企业有潜力创造价值，那么如何实现这个价值？根据我们的经验，价值实现需要判断五个因素。

1、创业团队的商业心态

机器学习为主的初创企业中，许多创始人都拥有精湛的技术，但商业智慧将会在其业务的长期发展中发挥巨大的作用。大多数B2B软件公司迟早要建立销售团队，如果不这样业务是不会自动扩大的。因此，具有商业心态的创始人会有很强的建立销售团队的能力、快速进入市场的迫切需求以及建立一个大企业的野心。

2、可量化的投入产出

在B2B市场，具有可量化投入产出的解决方案通常可以获得更多的使用、更短的销售周期和很少的用户教育成本。在销售和营销方面，也可以轻松评估销售转化率的改善。在英国，大多数初创企业都将重点放在具有可证明投入产出的领域：

20%的英国机器学习初创企业都在服务市场营销和广告领域；
金融行业是使用机器学习最活跃的领域。 

3、客户准备程度

客户对一个产品或服务的准备程度通常会按照一个漏斗来评估：意识、了解、喜爱、被说服和购买。那么对于一个机器学习的产品或服务：

我们将准备程度添加到漏斗中作为一个阶段。一个客户是否准备好使用机器学习产品，要看两个方面，一是客户是否拥有合适的、可访问的数据集用于机器学习软件进行训练和部署，二客户是否能通过机器学习解决方案来优化或颠覆现有的流程；
如果客户达到了“喜爱”这个阶段，我们主要考虑的是信任和控制。信任是对机器学习的信心，例如自动操作和机器学习主导的医疗诊断。另外，即使在信任度很高的情况下，人们也希望参与解决方案。因此，如果维持高人力控制，那么价值实现和服务的可扩展性都会受到影响。 

4、是否符合监管

对于深度学习，Nuance的Nils Lenke曾经说过“它就像一个很盒子，你不知道里面发生了什么，它并不会告诉你它是如何得到结果的”。这就带来了监管的问题。

据报道，欧盟将在2018年将对“通用数据保护条例”立法，用户可以要求对一个算法作出解释。不仅如此，美国白宫也发布了“Preparing for the Future ofAI”的报告，里面也提到“研究人员必须了解系统，以便它们得出决策结果的过程透明且能被人们解释。”

在一些B2B行业，例如销售、市场，算法的透明度不是问题，但在其他方面，例如金融科技，可能对于算法的解释就比较困难。因此，我们需要仔细评估，这些机器学习初创企业可能面临的监管阻力的程度，以及他们打算如何回应。

5、部署可扩展性

部署困难会限制机器学习公司扩张的步伐。例如：

数据集成要求高，但这些数据集多在一个个孤岛里，可能会花费很长时间；对资源的需求大，限制了获客速度和利润。我们跟很多机器学习的公司沟通过，大多数的企业有1/3的员工都是部署人员。

机器学习公司要尽量减少部署的要求，或自动化数据收集、数据统一和部署，这样会扩张的快一些。

三：具备防御能力

机器学习初创企业如何有效的保证自己创造的价值不被竞争对手抢走？这里有六个要素。

1、与巨头的距离

谷歌、亚马逊、IBM和微软都提供基于云的机器学习服务，包括通用的计算机视觉、语音和文字处理等，而且这些服务的能力和范围将不断增加。离这些行业巨头核心领域越远，初创企业就将拥有更大的防御能力。

这一距离主要既体现在垂直领域，也体现在通用领域。垂直领域基本集中在医疗健康（谷歌、微软和IBM）和交通（谷歌），因此早期的机器学习初创企业最好避开这些领域，通用领域则包括计算机视觉、语音和文字处理等。

2、所选领域的复杂性

如果一个企业可选择的领域是动态复杂的，那么“护城河”就会很宽很深。

复杂的领域特点：需要广泛的行业专长，对合规敏感，具有特别复杂的技术壁垒。

3、是否形成数据的网络效应

好的机器学习企业会通过其数据创造网络效应，形成持续发展的竞争优势：为客户提供好的保障，从客户得到更多反馈和数据，用以改善机器学习产品，接下来为客户提供更好地保障，继续得到更多的数据……

但要注意的是，一家机器学习的企业只能访问和应用而不是拥有数据。有些依靠自有数据的企业，在发展初期可能会将获取数据作为第一位，免费提供软件，因此收入将会减少，这也是投资人需要注意的。

4、是否拥有专有算法

尽管在诸如TensorFlow等开源库中有更好的算法，但机器学习公司还是需要专有算法。

在许多领域，包括自然语言处理，数据不足不再是瓶颈。在其他领域，算法创新可以提高较小数据集的性能。因此一个专有算法可以提供：更好的准确性、更广泛的功能、更快的性能、更大的解释力，以及可以从较小的数据集中训练出结果。

5、机器学习人才

机器学习人才稀缺而昂贵，根据一项研究，在英国，2016年下半年普通数据科学家的招聘职位比上半年增长了32%，机器学习专家的薪资水平也是最高的。

很多机器学习专家都是从谷歌、亚马逊、IBM和微软出来的，初创企业不可能给他们提供同等的薪资水平。人才竞争激烈，初创企业必须表现出接受和留住高素质人员的能力。

6、强大的资本能力

在这个技术要求苛刻的领域，开发最小可行产品（MVP）所需的时间很长，销售周期长，机器学习人才成本更高，广泛部署需要资源，这些对资本有很大的需求。

好的机器学习初创公司会充分利用资本来增强竞争优势。他们会利用自动化来更快的进行部署，利用资本来加快变现，用有竞争力的薪酬来吸引高质量的人才，并将获客速度最大化。

未来十年，早期机器学习软件公司都会具有改变企业生态和积累价值的巨大潜力，在英国300个早期机器学习软件公司中，有些会成为未来行业的领导者。我们会通过这17个要素对他们进行评估和判断，当然任何企业都不会在每一个要素上都强大，成功因素在相对重要性上有所不同。不过满足越多的要素，越有成为行业领头羊的可能。让我们拭目以待。