您現在的位置:首頁 -> 新聞中心 -> 行業動態 -> 研究觀點 | 人工智能股權投資進入冷靜區與深水區

                      研究觀點 | 人工智能股權投資進入冷靜區與深水區

                      日期:2019年6月28日 16:46

                          近日,清華大學全球私募股權研究院研究主管劉星,清華大學信息科學技術學院研究生李開帝在FT中文網上公開發表了題為《人工智能股權投資進入冷靜區與深水區》的研究報告。

                          近五到十年,人工智能技術取得飛速發展,隨著硬件發展節奏放緩和技術漸趨成熟,產業重心由技術開發逐漸轉向垂直應用。從人工智能產業布局來看,美國全面領先于中國,尤其是在基礎芯片、算法架構和數據處理上??萍季揞^基于前期占據的基礎設施優勢,構建了技術壁壘。新進入創業企業更傾向于選擇巨頭難以覆蓋的細分行業領域探尋機會。
                          中國人工智能創業現狀與挑戰    
                          中國人工智能借助全球的開源基礎,利用中國市場垂直應用行業規??捎^的用戶群體產生的大量數據,尋求自身的創新乃至突破;加之地方性、行業特定領域的扶持政策,以及各高??蒲袡C構的探索性嘗試,中國人工智能行業應用不斷涌現具有單點突破能力的創業團隊,形成了中國人工智能在各領域全面開花的發展局面。
                          從2014-2018年中國人工智能領域新成立的創業團隊分布來看(參見圖1),初創企業傾向于選擇數據量需求大、相關技術成熟度處于中等水平的細分領域,如金融、營銷、醫療等行業應用。


                          圖. 近五年內人工智能各領域各層次創業企業分布與技術就緒度
                          來源:IT桔子,信通院,清華電子系王生進教授報告,清華PE研究院整理
                          就醫療領域而言,盡管創業熱度較高,但是,人工智能技術仍有很大提升空間,特別是在滿足疾病的復雜性要求的醫學圖像識別算法,可穿戴醫療設備傳感器性能,醫療大數據標注的可靠性,以及醫療數據隱私保護的技術手段等方面,均面臨不同程度的挑戰。
                          相比之下,自動駕駛和工業生產領域,所需算力高,技術就緒度偏低,創業企業更傾向選擇在行業應用層切入市場。具體而言,自動駕駛領域的人工智能技術面臨的主要挑戰包括傳感器智能化程度尚不達要求,自動駕駛的魯棒性未得到證明,激光雷達等傳感器成本居高不下,以及尚無明確的法律法規和事故責任判定。在以智能制造為代表的工業生產領域,則面臨著信息技術的集成化應用有待深入,芯片、視覺、定位等深度學習技術有待突破等技術瓶頸。
                          此外,盡管智能家居領域的技術就緒度相對較高,但是,各產品間的信息和數據整合不足,操作系統繁雜、不實用,用戶體驗差,市場缺乏統一標準,品牌不兼容,信息安全存在漏洞,以上方面均有很大提升空間。
                          中國人工智能股權投資與退出情況    
                          綜合IT桔子和私募通等數據源,2014年至2018年,中國人工智能領域共發生2800-2900起股權投資事件,涉及近700家企業,總投資金額超過1500億元人民幣。2015年是中國人工智能股權投資快速增長的騰飛之年,投資總額和投資案例數均呈現高速增長;2015年后至今,人工智能股權投資金額一直保持增長,但投資案例數趨于平緩。
                          企業服務、汽車交通、文化娛樂、醫療健康、教育、金融等是人工智能股權投資熱門領域。其中,自動駕駛和AI醫療領域股權投資數量增速迅猛,復合年增長率(CAGR)分別超過200%和100%。
                          2014年至2018年,中國人工智能領域共發生126起退出事件,數量僅為同時期的投資事件的1/20。其中,IPO退出占四成,回報僅為1.83倍。相比之下,并購退出的回報倍數則較為樂觀,達到5.59。這一組退出數據也初步反映出二級市場對于人工智能的近期發展仍存疑,人工智能在中國尚需要更長的產業孵化周期。
                          中國人工智能股權投資進入冷靜期  
                          (一)產業落地難,資金端收緊,AI企業估值回落明顯
                          一方面,人工智能產業在經歷了新一輪的政策和資本助推之后,產業進一步落地難的現象已經逐漸顯現出來。清華大學微電子研究所所長魏少軍教授曾點評:“車載自駕系統的爆發時間太長,安防行業巨頭系統生態綁太緊,醫療系統壁壘不易突破,軍警系統水很深,工商業應用碎片化須要長期抗戰。”
                          另一方面,2018年國內資金端收緊,進入2019年,中美貿易爭端引發美元基金先揚后抑,股權投資機構募資受挫,出手更加慎重,對投資標的的篩選變得更為謹慎甚至挑剔。
                          兩方面因素疊加,致使現階段人工智能企業股權投資總體估值回落明顯。自2018年起,全球范圍內的股權投資紛紛進入估值修正期,人工智能領域尤其突出。有的AI創業企業由于在關鍵業績指標上沒有達到既定目標,進而觸發了保護性投資條款,或者是在新一輪融資談判中,估值直接打六折、五折,無論那種情形,對于創業企業和已經“進場”的投資機構而言,都難免會出現“雙輸”的局面。當然,從長期來看,估計逐步走向合理區間,還是有利于行業的良性、健康發展。
                          (二)加強場景認知,打造系統型能力,利用成熟的AI技術尋求產業落地
                          股權投資機構在篩選人工智能領域的投資標的時,更加注重企業具備全站式、系統型能力,基于場景的認知優化。例如對于做AI醫療的創業項目,核心創始團隊成員里,是否有人對醫療應用場景有足夠深入的理解,已經成為投資機構篩選項目標的的重要考量指標。對于場景的認知,不僅包括對現有行業痛點的深刻理解,也包括對完善和建設中的行業標準的跟蹤。否則,對于眾多處于人工智能應用層的初創公司,僅僅利用時間差,在數據層面建立優勢或難持續。
                          人工智能領域的大型公司往往是研發、開發和應用緊密結合。對于初創型公司,一方面可使用相對成熟的人工智能技術(如語音識別和圖像識別),利用中國市場的數據和算力優勢,積極需求產業落地。另一方面,更要時刻關注/參與基礎研究的進展和技術迭代。
                          (三)理解To G - To B - To C的產業落地梯次
                          有業內人士認為,初創型人工智能企業在尋求產業落地方面,可以參考To G 到To大B到To小B 再到To C的梯次。例如,世紀晟的人臉識別技術支持不同人種識別,獲得廣東省公安廳的認可,打入安防領域。格林深瞳將對工程師的考核指標從參加學術競賽和發表學術文章,轉到積極備戰公安部舉辦的競賽,從而獲得銀行安防領域僅次于??档拇箢~訂單,在2018年實現了全年盈利。當然,這并非說人工智能企業加強在學術前沿的研究和曝光率是無效的。此前提到的賽靈思收購深鑒科技,恰恰看重的是深鑒科技團隊在算法方面的創新能力。因此,創業企業要結合自身的資源稟賦,制定有效的產業落地梯次。
                          中國人工智能股權投資進入深水期
                          (一)算法突破性研究壁壘高
                          現階段,基于深度神經網絡(DNN)的算法尚處于黑箱階段,輕微擾動導致的嚴重的對抗識別的范例尚無法得到有效解釋和解決。DNN算法的本質導致的可靠性問題,限制了其在工業場景的深入應用。圖靈獎得主、清華大學姚期智院士認為,隨著深度學習算法研究的持續開展,算法透明化和可解釋性有望取得突破,但結果可能“令人失望”,因為深度神經網絡能產生的價值有限。姚院士呼吁,與其陷入對現有算法模型的修補,中國更應加大人工智能的基礎研究,在強化學習、進化算法以及交叉學科多技術協作等方面探索新路徑,尋求突破。
                          然而,人工智能算法的開拓性研究有極高的壁壘,需要系統的科研配套、大量的資金支持和持續的產業孵化。例如,優步人工智能實驗室(Uber AI Lab)近期在深度進化算法方面的研究成果,消耗了相當多的計算資源——論文中的實驗是在720-3000 個CPU組成的大規模高性能計算集群上運行的。這種量級的計算能力要求,是領域內多數的研究者、創業企業無法企及的。因此,優步人工智能實驗室隨后開源了一組進化算法代碼,其特點是可以高速、廉價地進行進化策略研究,從而使更多的研究人員能夠著手研究。使用這些算法代碼訓練深度神經網絡玩Atari游戲,只需在一臺現代臺式電腦花費4小時,原來則需要在720個CPU組成的集群上花費1小時(來源:Accelerating Deep Neuroevolution: Train Atari in Hours on a Single Personal Computer, Uber Engineering)。訓練速度的提升,不僅有研究人員在算法方面的改進,也因其設計了谷歌架構平臺TensorFlow的定制應用程序。
                          對于處于應用層的眾多中國廠商而言,人工智能基礎研究的突破,將產生顛覆性的影響。因此,中小型人工智能企業即使不能參與到最前沿的算法研究,也要密切注視研究工作的進展,及時地將新技術應用到自己的產品中。
                          (二)針對行業痛點,應對數據、算力方面的挑戰
                          人工智能的進一步發展,在數據、算力等基本要素方面均面臨著不同程度的挑戰。只有有效應對/解決行業痛點的企業,才能獲得投資機構的青睞。
                          在數據方面,中國市場的縱深為人工智能提供了豐富充足的應用場景生成的數據信息,推進的重點是如何把海量數據轉換成有價值、可分析的數據,用以智能推理和預測。例如,多源數據結構化和聯通;滿足不同應用領域的智能終端的升級換代、性能提升并降低成本;行業標準的建立,符合行業規范和專業性要求的數據標注,以及數據信息安全。
                          在算力方面,各地政府的政策扶持、引導基金、財政補貼等,為提供強大算力建設大批高性能計算設備提供了較好的資源保障,階段性發展重點包括:(1)滿足算力的物理硬件基礎(如處理器、可編程邏輯設備、存儲器等)的國產化替代,產品性能/功能提升的節奏,穩定批量生產,新建產能的投資回收周期等;(2)配置算力軟件的模塊化,以提供對計算、存儲、網絡等基礎資源的管理和調用的高效、易操作的解決方案;(3)基于底層框架平臺結合行業應用屬性的深化和優化;(4)應對計算功耗和時延性的從云到邊的遷移,等等。
                          (三)借力產業投資機構的技術基礎和生態資源
                          人工智能領域的技術發展,對股權投資機構提出了更高的要求。投資機構紛紛引入具有深厚產業背景的中層管理者加入。盡管如此,由于人工智能所涉及的交叉學科和細分領域的深化,不乏股權投資機構在與創業者就技術進行深度交流時表示“看不懂”。相比之下,具有產業背景的投資機構(如企業戰略投資者CVC),可以通過調動內部技術團隊,來評估擬投資標的的技術水平,提高投資成功率。
                          因此,在全球范圍內,人工智能股權投資經常出現獨立投資機構(IVC)和戰略投資機構(CVC)聯合開展股權投資的案例。例如,2019年,諾基亞成長伙伴基金和高通風險投資參與投資美國人工智能企業Zinier;2018年,英特爾投資領投以色列人工智能初創企業Habana。
                          根據清科私募通數據資料,我們發現,CVC在機器人、教育、文化娛樂和云服務領域的人工智能布局,均比IVC更為活躍。進一步梳理人工智能領域活躍的戰略投資機構,我們總結出如下幾類:以百度、騰訊、阿里、京東為代表的互聯網巨頭;文娛傳媒類上市/明星公司,如奧飛娛樂、今日頭條、分眾傳媒、快手等;新興人工智能企業,例如科大訊飛、TalkingData、曠視科技等;智能制造類大型企業,如富士康、九陽股份等;以小米為代表的運用平臺優勢聚合創新力量的企業;部分從事戰略投資業務的金融集團,如復星;以及其他如教育、新能源行業的大型公司。
                          從CVC的角度來看,以股權投資的方式,獲取持續、創新的研發力量,建立新興領域的話語權和影響力,或者是對現有客群流量的進一步變現,也成為一種日漸興起的發展策略。
                          對于創業企業而言,引入產業背景的投資機構作為投資人,意味著加入了產業投資機構的產業生態,典型的如產業鏈供應商資源、用戶流量資源、技術架構平臺資源、數據資源、客戶渠道資源等等。為此,創業企業愿意接受更低的估值,這也有助于人工智能企業鍛造更加持續的生命力。
                          (本文摘錄自清華全球私募股權研究院《2019人工智能股權投資分析與展望》報告)

                       

                      所屬類別: 行業動態

                      該資訊的關鍵詞為:

                      • 地址:湖北省武漢市武昌區中北路9號長城匯T1寫字樓19-20層
                      • 電話:027-87440849 傳真號碼:027-87440849 郵編:430061
                      大发快速赛车稳赚技巧