星河互联刘玮玮实战教程：不懂技术的投资人如何看清AI项目？

本篇文章3169字，读完约8分钟

雷锋。(公开号码:雷锋。新智能创造出版社:人工智能和机器人创新公司最权威的名单“2017年新智能创造长名单”的评选正在进行中。本文来源于星河互联网人工智能事业部总经理兼合伙人刘威葳，他也是雷锋新智能引发的长长名单的评判者。在这篇文章中，他分享了人工智能启动项目的技术验证方法。在某种程度上，这也是他选择有增长潜力的公司的标准，也可以为有融资需求的人工智能初创企业和有项目需求的投资公司提供借鉴。点击“链接”了解更多关于雷锋的新智慧造成的长名单。欢迎企业报名参加。

大家好，我是刘威葳。

不久前，我做了一个线下分享，主要是谈谈我们眼中的人工智能领域的一些新变化，并给创业者一些建议。我认为企业家应该回到解决企业家问题的本质上来，不管他们是把人工智能作为一个噱头还是增加额外的点数。作为一个企业家，首先，根据他自己行业的情况，他应该根据问题寻找人工智能的解决方案，而不是带着热门的概念四处寻找，他还能拿人工智能“+”做什么？

在2017年下半年，那些仅仅依靠算法和sdk来讲述故事的项目需要加快业务模型验证。此外，软件和硬件的整体解决方案将对客户产生更直接的价值。除了技术能力，企业家的行业深度和渠道拓展能力将变得越来越重要。

首先，我给你们一个技术验证的总体观点——用科学的态度进行技术验证。那么什么是科学态度呢？我认为翻译其实是八个字:大胆假设，仔细验证。

在这个过程中，你可以怀疑任何感觉不合理的事情，并仔细核实。你绝不能妄下结论，错误地终止这个项目。无论是在人工智能领域还是其他前沿科技领域，我们在确定项目时都会关注其团队、行业、商业模式、运营、竞争和技术。

具体关于技术验证，我有以下几点要分享:

首先，团队必须具备学术积累和行业深度能力

在这里，我们应该强调团队的能力并不意味着能力集中在一个人身上(比如创始人、首席执行官等)。)，但我们希望核心团队能够通过合作关系拥有核心能力，如技术、工程、行业经验和运营。

1.你有优秀的学术背景吗

团队需要技术领导者。例如，第四范式的杨强教授是aaai的研究员；；上塘科技、蔑视科技、格林的深瞳、地平线等等，都有自己的技术领导者。

除了团队领导的简历，团队的技术背景也可以通过高层会议(iccv、cvpr、eccv等)确定。)和顶级纸质出版物。

此外，专利情况也是需要了解的。通过专利，我们可以看到团队之前的技术分布领域。一些所谓的科学家之前就开始创业了。纵观他们多年的专利积累和学术论文，我们发现他们的研究方向与本项目没有太大的关系。这种情况需要怀疑和进一步核实。

2.工程实践能力

回顾2016年人工智能的启动项目，我们会发现大量天使项目都是基于团队的算法能力，进行天使轮和预轮融资，如人脸识别sdk、手势交互sdk、基于开源框架的分类器等。

许多软件开发工具包和软件平台当时只是实验室产品，没有考虑成本、计算资源、特定领域的认可效果、客户情景的整合等因素。，与真正的商业用途仍有差距。因此，团队必须具备必要的工程实践能力和经验，能够快速处理工程中的问题。

除了技术方面，快速跟进客户需求、快速迭代和在线发布的能力是项目工程实践能力的另一个方面。

3.行业深度能力

行业深度能力是指团队在该领域是否拥有渠道资源、客户资源和上下游合作资源。这种能力对于产品的快速商业着陆极其重要。不同行业有各自的障碍和特点，技术改造和合作的难度也不同。例如，以无人驾驶/辅助驾驶对应的汽车产业链为例，大量从视觉算法切入的启动项目在寻求与原始设备制造商和一级供应商的前装和着陆过程中并不占主导地位，未来还将面临各种传感器的数据融合，算法的开放将带来巨大挑战。

行业深度能力的例子:面对复杂的汽车产业链，仅靠算法优势很难打入汽车前装市场。

第二，技术和产品验证，黑盒验证尽可能全面

在ts之前的predd阶段的技术验证中，一般不接触实际代码，对算法层面的研究较少。通常，黑盒测试、专家验证和第三方验证是主要方法。投资者还应熟悉细分的基本技术原理和判别指标。

1.关于数据源

人工智能的三个要素:算法、计算能力和大数据。目前，大多数人工智能算法都是基于深度学习的。深度学习训练的神经网络模型基于大量的训练集，训练集中的数据需要多样性和完整性。

随着各种深度学习算法框架的开源，人们相信在基础框架层面的竞争壁垒将会越来越低。同时，专有的图形处理器、fpga芯片、专用集成电路等。将慢慢克服本地化和可伸缩性的问题。

目前，深度神经网络训练大多是监督学习模式，因此需要根据完成的任务为每个学习样本建立相应的监督标签，这既费时又费力，而大量的数据训练集已经成为每个制造商竞争的核心资源。

安全、医疗、金融等领域都有大量结构化的标记数据，这已经成为人工智能技术的第一个领域。因此，基于行业的独特的海量培训数据集已成为稀缺资源。当投资者看项目时，他们需要仔细筛选和检查数据源的质量和真实性。

2.对于黑盒测试，应规定测试条件

如上所述，在predd阶段，很难触及项目的代码层和算法层。那么，一个充分的黑盒测试是极其重要的。

过去，在看项目时，我经常听项目介绍如下:

"我们的算法在xx比赛中有xx%的场景识别准确率. "

"我们的相机在各种测试场景中的物体识别准确率为xx% . "

"我们的语音识别准确率达到xx% "

如果你以前做过软件或硬件测试，你会知道一个常识，那就是所有的测试结论都没有讨论测试条件是没有意义的。不能说该项目是故意误导，但作为投资者，有必要详细确定测试条件。

测试条件确定后，如果条件允许，可以在现场进行简单测试。例如，当测试远场麦克风阵列时，可以根据麦克风阵列校准的远场距离来执行唤醒测试、交互测试等。

3.投资者应提供独立的测试集，并尝试进行现场测试

当我们看一些模式识别的项目时，我们会发现项目的核心实际上是分类器。例如，对于一个医学人工智能看电影项目，我通常要求项目使用我提供的样本，并将其上传到项目的saas。如果可能，让机器现场操作，得出结论，并与实际结果进行比较，以验证分类器的准确性。

如果投资者不提供独立的测试样本，一般项目将提供其先前培训的测试样本进行展示。就像一个人用10个准备好的问题来证明他的知识水平一样，很难判断它是真的还是事先记住的。

例子:黑盒测试客户服务机器人

以基于深度学习的xx客服机器人项目为例:通用测试-1000道题的测试集。

第三，上游和下游访谈应该尽可能全面和客观

如上所述，有必要充分验证算法模型。那么，如果你不能黑盒测试呢？例如，如果我们想测试激光雷达或adas系统。理想情况下，应在全运行条件下对前装载车辆进行相对充分的测试，但实际上，行业发展和车辆段资源很难协调独立的第三方测试。然后，在这个时候，一些投资者将通过专家判断和与上下游客户的访谈进行验证。

1.业内专家判断要避免简单化，要覆盖整体

例如，要判断无人项目，不仅要采访对这个方向持乐观态度的专家，还要采访看到空这个方向的专家，并与各个领域的专家保持沟通与合作，充分交流信息，得出结论。

2.上游和下游合作伙伴应根据他们的兴趣进行访谈

以无人驾驶/辅助驾驶为例。有必要采访主机厂和一级供应商；如果你和这个项目合作过，你可以询问更多的项目细节，具体的合作内容等等。

技术验证只是评估项目的一个方面。特别是，对于一些前沿领域，在项目启动之前，产品上没有多少可测试和可验证的内容。此时，判断行业和商业模式的可行性往往比简单地验证技术更重要。

星河互联网的子公司华空科技将与pnp联合推出一个加速营，可以帮助ai早期项目进行技术验证和授权，帮助投资者进行早期项目的预dd，并给出专业的技术验证结论。欢迎有需要的项目和投资者与我们联系。

雷锋文章版权所有。严禁擅自转载。详情请参考转载说明。

来源：搜狐微门户