以下为机器人e资讯对其中4个问题的摘编：

第一个问题：人工智能 vs 人工智能+

人工智能主要分三层。最底层是基础架构（Infrastructure），包括云计算、芯片以及TensorFlow这样的框架。在基础层之上是中间层，叫通用技术（EnablingTechnology），例如图像识别、语音识别、语义理解、机器翻译这些。?

基础层和中间层，是互联网巨头的必争之地。比如芯片领域，Intel、英伟达、高通都投入巨资，竞争极其激烈。同样云计算、框架也是一样，都不是小公司能够涉足的领地。

现在对于中间层的通用技术，BAT也极其重视。因为大家都相信人工智能是下一波工业革命浪潮。对腾讯、阿里、百度这些巨头来讲，要想在大浪中屹立不倒，必须要构建出人工智能的生态系统（Ecosystem）。而核心就是要依靠这些Enabling Technology技术。?

相比创业公司，BAT的最大优势是什么呢？第一，不缺数据；第二，为了构建自己的生态系统，未来通用技术一定全部是免费的；第三，虽然通用技术免费，但BAT有羊毛出在身上的猪机会。这是典型的互联网打法。

这里的猪是什么？猪就是云计算。例如百度的ABC策略，分别代表人工智能（AI）、大数据（Big Data）和云计算（Cloud Computing）。AI我可以不赚钱，开放给大家，那么大家想享受我的服务，就来买我的云吧。?

而对于创业企业来说，只做图像识别、语音识别、语义理解、机器翻译这些通用技术，指望通过SDK卖钱，未来路会越来越窄，特别是BAT都免费的压力下。

所以从这个角度讲，创业公司做下面两层风险比较大。我认为创业公司的机会在最上层，就是拿着下两层的成果去服务垂直行业，也就是我们所谓的人工智能+。

第二个问题：人工智能+ vs +人工智能

深入垂直行业的人工智能+，又可细分为两类情况：即“人工智能+行业”和“行业+人工智能”，他们间有明显的区别。

?“AI+行业”简单讲就是在AI技术成熟之前，这个行业、产品从未存在过。比如自动驾驶，亚马逊的Echo智能音箱、苹果的Siri语音助手。在人工智能技术未突破前，不存在这样的产品。因为AI，创造出了一条全新的产业链。?

“行业+AI”就是行业本身一直存在，产业链条成熟，只是以前完全靠人工，效率比较低，现在加入AI元素后，使得行业效率有了明显提高。比如安防、医疗等领域。

客观讲，这两个类别都有创业机会。但“AI+行业”，因为是一条新的产业链，创业公司与互联网巨头实际是处在同一起跑线上。巨头们坐拥数据优势。所以从这个角度，“行业+AI”相对对创业公司更为友好，也更容易构建出壁垒。

我认为，未来行业壁垒才是人工智能创业最大的护城河。因为每个行业都有垂直纵深, 尽管BAT技术好一点、并不关键。拿医疗+AI举例，什么最重要？大量准确的被医生标注过的数据最重要。没有数据，再天才的科学家也无用武之地。

但在国内，这个医疗数据拿出来非常困难。所以BAT做医疗一点优势都没有，因为他们要把这些数据，从各医院、各科室搞出来也很累。相反，如果一个创业者在医疗行业耕耘很多年，也许拿起数据来比大公司更容易。

这要求创始团队的合伙人中，必须有懂行业、有行业资源的人才。这与互联网+一样，一旦细分到具体行业，并不是说你百度、腾讯有资金、有流量，投入人才就什么都能做，比拼的还有行业资源和人脉。

之所以跟大家聊这个话题，是因为前一段去百度大学跟大家交流，他们提到百度人工智能在无人车和DuerOS的应用。同时又问我，人脸识别在国内安防领域的应用价值非常大。像海康威视有近3000亿人民币的市值，每年光净利润就有近百亿。百度在AI方面是不是该考虑进军这个领域。我回答说千万别，因为安防是典型的、有巨大壁垒的“行业+AI”领域。?

即使百度技术好，在人脸识别率方面比海康威视高一个百分点（实际不一定，海康背后有几百人的AI研发团队）。但这并不代表百度就能替代海康。因为安防是“非关键性应用”（non-mission-critical），100个犯人我识别了95个，你比我多识别了一个做到了96个，其实没那么重要。?

而反过来，海康对比百度有什么优势？首先海康是做摄像头的，用自己的硬件跑自己的算法，是很自然的事儿。就像苹果手机，软硬一体体验更好。其次，海康做了这么多年的安防，积累了非常多的数据，人脸的数据、环境的数据……在安防领域有数据优势。最后，海康给公安系统做了很多类似警务通、基站信息采集、视图档案管理等SaaS平台的东西，以及警用云系统。我们可以认为公安系统的IT化，其中有一部分就是海康威视参与的。

这些东西可能不赚钱，但却为海康构建了壁垒。因为底层的基础设施都是我建的，那前端的东西就只能用我的（我可以有100个理由，说竞品与我不兼容）。而且海康做了这么长时间，积累了大量的客户资源，特别是政府公安局的资源，开拓这些资源非常需要时间。

这些就是所谓的行业纵深。所以即使对BAT而言，想进入“行业+AI”领域，选择垂直赛道时，同样要非常谨慎。在巨大的行业壁垒面前，真不是说我的算法比你好一些，市场就是我的，只有技术优势仍然差的很远。

回归 “AI+行业”和“行业+AI”，通常来讲前者的行业纵深会比较浅，而后者则有巨大的行业壁垒。而行业壁垒，则是创业公司最大的护城河，也是抵挡BAT的关键。

第三个问题：关键性应用 vs 非关键性应用

谈到人工智能领域的创业，很多人都会有个误解，就是如果我团队没有个大牛的科学家，比如斯坦福、MIT的博士坐镇，我都不好意思讲在人工智能方面创业。其实这个认知是完全错的。因为在人工智能领域，算法到底有多重要，完全取决于你要准备进入哪个行业。

根据行业和应用场景不同，我认人工智能的创业本质上有mission-critical和non-mission-critical之分。为了方便大家理解，我们简称为“关键性应用”和“非关键性应用”。?

“关键性应用”要追求99.9……%后的多个9，做不到就没法商业化。比如大家认为，99%可靠度的自动驾驶能上路吗？肯定不能，意味着100次就出1次事故。99.9%也不行，1000次出一次事故。

千万记住，99%和99.9%的可靠度差距并不是0.9%，而是要反过来算，差距是10倍。也包括手术机器人，听起来99.9%可靠度已经很高了，但意味着1000次出一次医疗事故，放在美国，医院还不得被巨额索赔搞得破产。

所以“关键性应用”领域，就是一丁点儿错都不能犯的人工智能领域，必须要有技术大牛、科学家或算法专家坐镇。同时，这类项目研发周期都很长。

正如以色列做ADAS （高级驾驶辅助系统）解决方案的Mobileye公司，今年3月被Intel以153亿美金收购。大家知道这家公司研发周期有多长吗？Mobileye成立于1999年，到他们推出首款产品、挣到第一桶金已是2007年。长达8年的研发周期。这在互联网创业里不可想象。包括谷歌无人车从2009年开始研发，到现在一直没有商业化；达芬奇手术机器人从启动研发到2000年拿到美国食品药品管理局（FDA）的认证，花了十年时间。

?“关键性应用”的普遍特点就是这样，项目通常很贵，研发周期巨长，离钱非常远，需要持续的融资能力，团队怎样才有持续融资？起码要有非常好的简历和非常好的背景。这个是能够持续融资的必要前提。所以大家可以看到，今天做无人驾驶的创业团队都是高富帅。因为不是高富帅，你都熬不到产品真正商业化应用那天。

当然，如果在人工智能领域都是“关键性应用”，那就没大多数创业者什么事了。实际上，人工智能领域的创业，95%都是“非关键性应用（none-mission-critical）”。简单讲对这些领域，AI的可靠度只要过了基础线，高一点低一点区别不大。

最简单的例子，现在很多公司的门禁开始用人脸识别。你今天带个帽子，明天戴个墨镜或口罩，识别率没法做到99%。可即使没识别出来也没问题。因为所有带人脸识别的门禁都有地方让你按指纹。即使指纹也刷不进去，问题也不大，公司不还有前台吗。

这就是“非关键性应用“。这类项目不追求99%后面的很多个9。实际上，国内人工智能和机器人方向的创业，大部分领域都是“非关键性应用”。当然并不是说，在这个领域算法不重要，你天天认不出来也不行，所以一定要过了基础的可用性门槛，偶尔出现问题可以容忍。“关键性应用”则不能容忍。

“非关键性应用“不追求高大上，简单、实用、性价比高更重要，这样的项目通常比拼综合实力。包括：

对行业的洞察理解。要熟知行业痛点；

产品和工程化能力。光在实验室里搞没意义；

成本控制。不光能做出来的产品，还得便宜的做出来；

供应链能力。不光能出货，还要能批量生产；

营销能力。产品出来了，你得把东西卖出去。团队里有没有营销高手，能不能搞定最好的渠道是关键。?

所以大家在创业组团队时，一定要想好你选择的赛道处于哪个领域，不同的赛道对于团队的要求是不一样。“关键性应用”必须有技术大牛坐镇，“非关键性应用”则要求团队更加综合和全面。

第四个问题：2C vs 2B

最后一个问题，简单说一下，科技成熟都需要一定的时间。因为从任何技术普及演进的角度，几乎都延续了先是从军工（航天）、到政府、到企业、到B2B2C、再到2C这个规律。人工智能也一样，目前人工智能在2C市场还不是很成熟。

简单说机器人，在个人消费者市场，出货量大的机器人只有4类产品：扫地机器人、无人机、STEAM教育类机器人和亚马逊ECHO为代表的智能音箱。为什么2C市场早期的普及有一定的困难，简单讲几个原因：?

1. 产业链不成熟

我做一个创新的东西，成品有10个部件。每一个部件都得自己做，而且因为出货量不大，每个部件都没有规模效应，这就导致每个部件都很贵，那你最后做出成品一定很贵。这是非常大的问题。

2. 2C是额外花钱

这也是很重要的一个问题，2C端的用户因为自掏腰包、额外花钱，所以对价格通常比较敏感，产品很贵就是一个很大的门槛。

3. 2C产品的用户期待度高

用户买了这么贵的东西，自然对产品的期待度会更高很多。大家觉得我买一个机器人回来，恨不得什么都能干：又能唱歌、又能跳舞、又能聊天、又能清洁、又能讲英语。但这是不现实的，现在的技术成熟度离此还有些远。

相对于2C端，这些问题在2B端却不是问题。

1. 2B端对价格承受能力更高

首先，企业对价格的承受能力显然比2C强很多。你说一个机器人2万，2C消费者不可能买，但企业问题不大，企业对成本承受能力高。

2. 2B的核心目的是降成本

举例工业机器人，10万块钱一个，听起来很贵。但一个工业机器人替代你2个岗位。这2个岗位一年也得10万块钱，还不算四险一金。然后这机器人能工作4年，这一下成本只有你原来的25%，甚至不到。那么企业一算账，觉得还是很便宜。

3. 2B可以采取人机混合模式

还有2B端的机器人应用更简单一些。一方面大多是单任务，机器人只要做好一件事就行了，实现起来简单。另外，很多都是以"人机混合"模式在作业。也就是以前需要10个人干活，现在我用机器人替代一半人。简单重复的工作用机器人替代，复杂的用剩下的5个人，这就是"人机混合"模式。

举个例子，现在国内外已有很多安保机器人，按固定路线去巡逻。你可以理解为移动的摄像头，当然算法上肯定加入了一些识别的东西。固定绕路线巡逻，这个完全可以交给机器人来做。难的是，在巡逻的过程中，如果发现有老太太摔倒了，让机器人扶起来，这个目前还做不到。

但这不重要，你们后台不还有5个人么，让他们过来就好了。所以人机混合是2B比较主流的模式，这个大幅降低了机器人普及的难度。

最后再说一点，目前大多数AI创业公司都是技术专家主导，这很容易理解，因为现在技术还有壁垒，技术专家主导起码保证产品能做出来。不过未来随着技术门槛的降低，特别在“非关键应用”领域里，团队的核心主导，会慢慢过渡到产品经理和行业专家为主，因为他们离用户需求最近。“非关键应用”领域，懂需求比技术实现更重要。长期来看，人工智能创业和任何其他领域的创业一样，一定是综合实力的比拼！