近日，爱分析在京举办2019爱分析·中国科技创新大会。BV百度风投CEO刘维受邀发表了以“人工智能十年投资展望”为主题的演讲。

现将刘维的主题演讲实录分享如下：

今天不是一个很好的时点谈十年展望，我们曾经不断谈AI的十年、二十年，说AI技术有大量的发展，因为有大量发展，所以AI未来无所不能，这是一种很乐观的情绪，过去几年资本市场也的确洋溢着乐观情绪。

今天的时点很不好，悲观的情绪远远胜于乐观的情绪，也是因为这种心情，我自作主张加了一个副标题——关塞极天唯鸟道，江湖满地一渔翁，这句诗是很悲伤的心情，没什么路走。但我从这句诗中也读出另一层意思，正如未来的十年，悲观中还是孕育着机会，关塞极天唯鸟道，还是有一条道的，这条道就是人工智能— 渡过这一轮寒冬周期最大的希望。

今年所有人都感受到了经济寒冬，寒冬是什么寒冬？我自己理解就是效益模型的寒冬。我们在过去几十年内不断享受非常充沛的，挖掘一下就有，或者少付一点环保成本就能得到的要素，所有这样非常充沛的要素已经不富裕了。我们的要素逐渐走向边界，不仅不能再充沛的增加，而且随着人力成本环保成本等的上升，渐渐到了一个要素越来越昂贵的时期。但人类的需求、人的欲望没有对应的下降，我们的要求越来越高，我们愿意为同等的产品和服务付出的钱反而在减少。这两个之间的背离导致整个经济体出现越来越多无效的效率模型。

在这个阶段，我们有很多充满想象力的效率模型无法落地——很多新模型VC愿意砸钱，通过几年的投入形成一个闭环，达到一些成本的摊薄，实现一个新效率模型，但很多本身效率就是存在障碍的模型，再烧钱也跑不通。我们也希望满街都是非常好的共享自行车，招手即来，但是当他们运维成本远远大于预期的时候，这样的效率模型不赚钱。

在这个阶段，我们也有很多在小范围运营效率还可以的模型，扩不起来——高质量的咖啡师和医生，教师和技工，都是付出几倍代价也找不到两倍供应量的状态，让高质量的产品服务总是小而美，良币驱逐不了劣币，反而被高速扩张的劣币驱逐。

在这个阶段，更严重的是今天看起来习以为常的效率模型撑不住——人力成本的上升，包括其它要素成本的上升，如果你的业态不能把效率模型拉到一个更高的程度，把一些成本降下来一些收益提上去，只是维持在原有的水平，那在经济的寒冬，走向明天就会有非常尖锐的问题。工业，农业，服务业中很多的业态，都在被更高效的模型争夺走了人力要素。

悲观如此，但我们对AI又为什么充满希望，因为AI的春天一定会开满大量新的效率模型之花，AI就是为了效率模型所打造，所设计的。而且更激进看，AI和人类历史上所有的工具和技术都不一样，原来的技术都是为了更好优化一个人和人的组织，在人的模型上打补丁，而今天的AI，利用AI对物理世界的感知能力、决策能力，可以达到千人千面乃至千人万面的个性化能力，可以串联起所有的感知设备、决策设备、输出设备，再和人形成一个很好的人机混合体，并且这个混合体能在历史的周期内，不是随着规模的扩大而边界效率递减遇到瓶颈，而是相反，随着规模扩大越具有可复制性，所有时间的积累让我们的决策变得更加准确，所有通过空间的扩张、数量的扩张能使得成本逐渐降低，并且能得益于整个技术进步。底层技术进步给我们带来越来越便宜的芯片，越来越便宜的传感器，越来越便宜的机器人。

今天的AI还在蹒跚学步。虽然在过去十年诞生了一批独角兽公司，应该说他们都是初步证明了AI在一个非常微观的层面，比如人脸识别替代警察卡口这样一个微观的层面证明了AI能做一些人类做得了或做不了的事。包括自动驾驶，某种意义上今天也只是证明一辆传统的车背着很多昂贵的传感器，在不考虑效费比的情况下技术上可行，但未来几年真正将迎接的是随着效率模型的不断改善，这些行业真正将被AI驱动的新效率模型所代替。

我自己理解，未来十年中，我们渐渐会看到四波效率模型提升的机会，将很多行业重新带入良性的增长循环。

第一波，节点效率的提升。

所谓节点效率的提升，第一步当然是简单的代替人，这也是今天看到最直接，包括我们投资行业有很多朋友分析哪个行业的人力成本高，哪个行业对高质量人才的培养跟不上，我们去替代一部分人力成本，这个是非常必要的，这是其中小小的第一步。

但AI更会创造新的节点— 取消原有的节点，增加新的，带来新的成本结构和新的质量水平。现在的行业节点是因为人的能力边界设立的，人类无法在广场上追踪千百个过客所以我们需要设置很多通道和卡口来做检查，人类无法随时切换加工的工法所以我们设置了流水线来做分工。但AI节点会突破这些边界，利用更多来自于新的边缘采集的数据，利用高级的语义理解能力，利用各种被知识化的非结构数据和结构化数据，AI节点理解复杂的环境，做出识别和判断驱动智能机器去完成任务，或者通过三维重建和呈现，例如利用未来的AR投影到我们的真实世界里，引导人去配合完成任务，形成全新的人和虚拟的联合的互动。

我们未来的工厂流水线，大家可能会看到有很多的工人既不是说被机器人完全替代，也不是说只是按照一个IT系统形成的工单去操作的员工，而是在AI的时代，可能是人和一个机器手协同，在加工的地方用三维重建的AR全息投影，投到这个部件上，每一个部件过来，人不再需要去判断属于哪个部位、属于哪个订单，实现完全的柔性化。再下一步，每一个工人擅长加工的东西不一样，每一个工人的身高体重也不一样，如何真的挖掘他们的擅长？我们投的一些项目在美国已经开始在做建筑行业的应用，每一个工人的情况不一样，我们结合以往工作所带来的绩效评估，结合对他们身体条件的分析，非常个性化地引导工人应该怎么做好这个节点，把原本需要专业技工完成的工作让AI赋能的普工可以高质量完成，进而改变了整个环节的工序设计。所有这一切会给我们带来更加充沛的节点供应和更加高质量的完成，这种质量绝不只是今天把这个工作简单完成，而是在人机的混合下，无论这个机器用于引导，还是用于监理，还是用于加强，还是用于机器人的物理做工，总之能把节点的质量达到一个标准化的程度，达到今天人类最佳实践的标准化，节点效率会大大提升。

第二波，系统效率的提升。

当节点逐渐被AI渗透之后，整个业务系统可以被AI的感知和决策能力所覆盖，带来系统效率的提高。我们今天都在享受着互联网带来的每一个行为节点都被数字化之后，所带来的精准推荐系统效率，避免了流量的浪费。但在真实物理世界里我们的系统效率实在太低了。在农业种植过程中，腐烂的没有及时去摘的损失占百分之三十；我们多打农药，不知道每一个苹果的状况怎么样，只能所有苹果打类似的药或多打百分之二十，浪费掉的农药或者农药给社会造成的损失非常巨大。我们的医疗，所有人都在按照同样的标准检测、同样的标准服药，没有考虑每个人的不同。我们的工业，在每个环节都有一定的误差容忍，到下个环节又是按标准的工艺去加工，不考虑对上一个环节误差的补偿。这些有决策的难度，也有很大的个性化作业对人的巨大挑战的难度，标准化都很难，何谈个性化。

传感器和数据的成本在节点效率提升的过程中被承担，跨节点的数据却在更长的未来发挥着价值— 通过跨节点的误差补偿、资源调度、根据出口需求的全程精准化，来做到全局的效率提升。进而，利用AI对跨节点多元数据的发现能力，发现新的规律，找到提高系统效率的最佳决策，从标准化再反过来走向更高程度的个性化。

系统效率的提升，更大的意义在于可以规模化，可以适应扩张中的区域差异、要素差异，实现品质维持的规模化。太多的业态死于扩张中的要素不可复制，死于任何的需求或者供应差异就打破了原来的固定模型— 无论是餐厅还是农业还是高品质工厂。而AI时代的系统模型本身就是基于要素差异进行整体补偿和配置的模型，不断在复制的差异化过程中学习和提升，不断通过新的数据来更好的提高判断准确性。放眼未来，这种差异会越来越大。

第三个阶段，产业效率提升。

AI的更大想象力在于通过打造新的效率模型，改变行业的集中度、打造新的业态，真正去提升产业效率，重塑产业格局。

没有人规定AI时代的创业只能做乙方，很多人可以做甲方，我们在美国投资的农业智能化领域发展比较快的一家公司，他在过去三年内已经开始这样做，这个行业格局分散，一个一个去给中型客户做销售是比较辛苦的，但正是这样的行业，为什么不能应用AI能力去打造一个新的集中度呢？既然能打造最优秀的效率模型，既然这种效率模型远远超过了今天的甲方，为什么不能自己拉上最优秀的甲方变成新效率模型的运用者？这个时代甲乙方的关系会变得微妙。这家公司过去一年从给不同农场卖解决方案，变成自己创立了品牌，代表着一个打农药很少、交期很准、质量很高的农产品提供商，售价可以做的很高，损耗可以降的很低，他自己变成一个农业品牌，传统的甲方反而变成了他的加盟商，变成给他提供劳动力，提供土地要素的乙方，甲乙方颠倒的过程中，大家共同在向市场要最大的空间，向消费者要最大的购买力，同时把行业集中度大大提升。所以第三个阶段，AI非常大的机会在很多看上去传统、看上去细分的行业有新的集中度，甚至有新业态的打造。

我们继续讲农业的例子，我们设想一个未来的场景，其实在养殖领域已经出现了这样的例子，今天有很多很好品种的农作物，如果有机会试吃一下，真的觉得这个东西非常好，而且营养价值也非常高。只是效率模型现在非常不高效，因为这样的品种需要非常精细的照料，需要很长周期的劳动力投入或者其他要素的投入，这样的培养要花很长时间。但这就是AI的优势，我们建立一个非常精准的作业的模型，并且是个性化，能匹配到不同地方的土地、人员、口味等等要素环境，所以很多新业态在这个过程中能够得以打造，这个过程中AI公司的边界就不只是技术公司了，而是这些行业的缔造者。

第四个阶段，进一步的AI效率提升。

绕回来说技术，某种意义上讲，这几年积累下来的一些AI技术足以在很多传统行业掀起很大的风暴，但未来十年AI自身又将有极大的发展。AI赋能传统行业过程中减少了很多要素成本，但增加了AI的成本— 语义理解，传感器，机器人，很多能力今天还很昂贵，未来十年，AI自身的效率会有实质的进一步提高。

我放了两张图，右边是一个微小传感器，这个传感器放在一个美元硬币上，大概只有几百分之一的大小，是个全栈的传感器，具有感知、计算、传输、环境能量采集的能力，可以在五到十年持续工作。以一个那么小的体积，可以被放到眼底做青光眼的眼压监测，可以被放入工业领域的大量设备中，这些都是让AI边界扩张的利器。今天一个带电源的智能音箱的对话能力，十年后在一个微型无源模组里就有，voice-first能力将天生属于每一个设备。

左边是一个光学计算的芯片，我们今天仍然有极大的AI处理成本，哪怕做简单的图像识别还不要谈更高阶的语义分析、从几千路的摄像头里分析数据、高实时超高清数据中的分析— 这样的计算成本仍然是不可思议的一个数字，大大限制了今天AI落地的领域在一些高价值任务上。但未来的光学计算芯片，将带来几十个数量级的效率提升，让AI能力在同等约束条件下大大的跃升。

这样的例子还有很多，我们所投资的一批前沿技术公司，会在未来5-10年内逐渐成熟，拓展AI的能力边界，让人体内的数据采集和决策，让工厂内的人机协同智能机器人，让三维重建和虚拟化等技术成为现实。AI效率的提升还包括技术进一步成熟之后的平台化API化。比如说视觉，今天任何一个行业的公司，如果想很好利用视觉技术，还不得不自己花一些时间做开发，或者推动这些技术公司去做很多定制的事情，从最简单的图片训练，到为了获取物理世界的实时视频流所做的从传感器到算法的开发。未来十年会迎来这样一个时代，视觉传感器对空间的视觉识别和理解能力将平台化，成为一个随手可得的API，一个模组能对屋子里95%以上的空间有覆盖，对空间里95%以上的行为进行语义化，无处不在，随手可得。和互联网的发展一样，当AI已经不称之为一个话题的时候，效率提升达到极致，我们行业的应用空间又会大很多很多。

这四个阶段其实是相互轮流发生的，不是一个静态的过程。未来十年，我相信是AI的黄金十年，过去AI还是小圈子内的技术展示和能力试点，距离深入的行业变革还远。未来十年，却一定会深入各产业的核心业务系统，造就一批领先的产业公司。

同样未来十年也不是一帆风顺的，创业者必须要认识到舞台的主角变了，AI创业者和技术公司仍然是舞台上重要的主角，但不是一个单人的，不再是互联网去改造各个传统行业那种1+n的格局，不是改造，而是造就，是与产业公司携手去造就新效率模型的1+1。

未来的黄金十年属于领先的产业公司。什么是领先的产业公司，他们对行业有非常深的洞察，他们自身就是当前行业最佳实践效率模型的打造者，并且他们对使用技术充分改变这个行业有最深的理解和认识，只是受限于技术的渐进式发展，有很多想做的事做不到。有前瞻性的产业公司想打造新模型，有前瞻性的技术公司想去服务新模型的打造，只是快速发展的AI时代让信息不对称，大家彼此无法携手。

转发自：BV百度风投