图片来源@视觉中国
钛媒体注：本文为高捷资本创始管理合伙人黎蔓在“青桐大咖说”第38期上的重点分享内容，他分享了多年来AI领域的投资心得，以及现阶段值得关注的细分赛道。
AI的发展阶段，近期泡沫化
AI不是一个新命题，从60多年前的达特茅斯会议以来，AI已经经历了起起伏伏的多次周期。
从2012年以来，随着神经网络深度学习的快速发展，加之计算存储的能力提升成本下降，人工智能热度持续攀升。Alpha Go的胜利，更是引发这个领域内外乃至整个社会的兴奋。
正是因为过去五六年的快速发展，使得最近整个创投圈好像有一种风气，不谈“AI”都不好意思去融资去投资。我觉得，最近AI创业的短期泡沫化非常严重。和其他科技一样，AI在发展热度期的时候大家都非常感兴趣甚至膨胀，过一段时间如果没有达到预期就会快速冷却。
我比较担心泡沫破灭以后，很多人会觉得AI也就是一个故事而已，就像当年共享单车、团购等一波一波浪潮一样。
其实在我看来，AI本身并不是一个具体赛道，它展示的是一个很有前景的未来， 这个未来实际上才刚刚开始。目前AI虽然已经展现了很大的发展前景，但还有相当的局限性。在机器视觉和自然语言理解方面，我们还有很多问题没有解决，需要更多的机器学习来实现。
AGI（Artificial general intelligence），可以抛开AI只会归类不了解其中内涵的局限性，能更接近人大脑的智能。人的智能包括推理、归纳、总结、计划等等这些能力，不仅仅是归类。很多人预测，可能未来二三十年，甚至五十年我们都不一定能达到这样的智能程度。
AI底层基础，重点关注半导体
整体布局来说，AI从底层中层到顶层应用，都是高捷资本关注的领域。
在AI底层的主要关注点就是半导体，以下几类半导体是我们投资时比较关注的。
1.计算。怎么算的更快更便宜更低功耗？低功耗主要是在Apps端，就是边缘端那些用电池支撑的IoT这个领域，它们需要更多低功耗的这些计算。
2.存储。数据要计算必须要存储，这是一个非常基础的功能。随着世界越来越数字化，大量的物理、实体、事件、关联关系等都会变成数字化存下来。现在都是分布式，都在云端，这些怎么存的更便宜取的更快？
现在存储领域，不管是SRAM，DRAM等世界几大巨头，还是美光、LG、Hynix、三星，国内的兆易实际上都占据了不少份额。我们更关注的是有没有新的赛道，能同时具有Flash的便宜和SRAM的速度，解决一些具体的场景。我们也关注存算一体的进展，因为算和存之间经常因为吞吐速度不够快，影响整个效率。
3.感知。感知是非常重要的一环，人工智能必须感知外界的物理信号。人对外界的感知基本上70%左右是视觉感知，20%左右是听觉感知，10%左右是嗅觉味觉触觉等其他感知。要把外界的这些物理信号感知下来数字化，才能被计算机和IT世界理解。
在这个领域，我们比较关注3D感知。现在发展比较快的就是苹果的DOE，它解决了手机的3D识别、人脸识别，这代表了一个发展方向。
感知传感器还是一个比较重要的领域，很多是运用MEMS技术来实现，欧洲做的都比较好，国内也有人做，但是做的都不太好。所以，我们也在看有没有新起之秀。其实还有一点，就是怎么通过传感器能够感知到，比如说在医疗领域，感觉到脑电信号，血压，血流速度等，如何能感知到这些微弱的身体信号，是佩戴手环还是用别的方式？
4.通讯。通讯分为两种，端对端，端对云。第一种端对端，比如在汽车领域，如果说我们能做到汽车与汽车之间的通讯，汽车与信号灯之间的通讯，我们就能避免很多交通事故。第二种端对云，手机也好IoT也好，会把它的信号传到云端，云端可能更有运算能力和交换能力，能把这些从端出来的信号在云里面进行计算，再发出回复或者指令。
在通讯领域，我们比较关心比如Lora，5G、WiFi、BLE、NB-IoT等。当然NB-IoT可能是华为和中国移动在做，可能对于小公司不一定机会很多，但是我们也在关注。
5.服务。半导体产业链还是需要很多第三方服务的。一般一个半导体公司刚开始的时候10几个人，不可能面面俱到，需要第三方的服务。比如说，他善于设计MCU，但是计算能力比较强，他需要懂得如何去传输，如何去进行电源管理，怎么低功耗，这些都要去别人的库实现。我们也一直在关注，是否有适合中国的半导体设计软件能够慢慢的脱颖而出。
半导体底层还有新一代的设备、材料，这些设备基本都是国外大厂垄断的，存在很多年了。我们看到的机会是，有没有新一代运用到人工智能的设备，来帮助更好的进行封装测试与检测，或者新一代的半导体材料，是不是能够提高各方面的性能，把半导体延续下去。
AI中层，机会不多
在AI中间这层，我们认为机会不是特别多。
1.数据。数据是AI的粮食，但小公司不容易掌握到数据源。
AI需要大量的数据，中国之所以有机会超越美国，实际上是因为中国有更多的数据。美国有更多的隐私保护，数据并不是那么开放，并不是那么多。中国本来人口就多，上网的人也多，数据也相对容易获取，我们也没有那么敏感。所以数据实际上是我们非常重要的一个优势。
积累数据，其实对公司就积累了价值。阿里有很多电商的数据，百度有很多搜索的数据，腾讯有很多个人聊天的数据，这些都是很有价值的数据源。但是，一般小公司开始创业不太容易掌握一个数据源，所以在数据层面，我们觉得不太容易找到机会。
2.算法。算法是AI的武器，但由于开源，壁垒不高。
实际上现在整个世界的算法软件都在开源，大家可以去学，只要你有一定的聪明才智，都能学懂。只是应用到具体场景里面，可能需要进行改变，需要自己把这个思路重新再编一编，编成适合你的具体场景。
我们不会专门投一个算法公司，因为算法本身壁垒并不是特别高，如何利用数据算法解决实际的场景问题，才是更有价值的事。
3.架构。架构需要更符合具体应用场景。
前几年，伯克利教授提出了RISC-V指令集，它完全开源免费，可以自由地用于任何目的，允许任何人设计、制造和销售RISC-V芯片和软件。
它更多是挑战了ARM在移动端在IoT端的霸主地位。大家都知道，你要想用ARM的架构来开发芯片，需要交高额的授权费，对于小公司来讲，资金是一个很大的挑战。
而RISC- V的开源体系为广大的创业小公司提供了一个很好的平台。我们也非常看好RISC- V在架构这个领域的突破。
AI顶层的应用，关注智能制造和服务业
一.智能制造业
AI的顶层应用是大家最关心的，也是底层中层顶层三大领域中最关键的。在顶层，它有一个很大分支是智能制造，其中包括核心部件、系统、视觉检测、工业机器人、工业互联网等。
1.核心部件。主要应用在机器人项目，包含伺服电机、减速器、控制器、工业雷达、本体等。目前，国内中高端的核心部件基本被海外垄断，我们对国内有竞争力的核心部件生产企业保持非常高的关注。
2.系统。系统也就是集成，智能制造最本质的目的是为了解决细分行业问题。例如烟草、3C、汽车、纺织、食品、药品等等。AI领域很多上市公司都是从集成开始，将市面上的部件、自己的技术融合去解决具体的问题，从而形成竞争力。所以，系统集成是一个值得我们关注的赛道。
3.视觉检测/分拣。电商的繁荣对视觉检测/分拣的需求非常大，因为人工分拣容易失误、也无法长时间工作。除去电商，视觉检测可以应用在工业品质量检测方面，目前所使用的抽检方式并不完美，后来出现的AIO（全自动光学检测）也不能解决像纺织品这些纹路复杂的材料检测，而深度学习与视觉检测则能够应用在很多领域。
4.工业机器人。工业机器人是一个非常大的赛道，它实际上是一个系统。我们重点关注企业研究的方向是否符合具体的场景。我们观察了很多AGV厂家，发现这并不是一个容易的赛道，但我认为还是有机会在快速发展中找到有潜力的选手。
5.工业互联网。目前设备检测是定时检修，如果临时损坏就只能找厂家，重要机器还需要找国外厂家或代理商，维修周期长、甚至会导致工厂停工。如果能提前通过传感器来检测机床、数字、设备等运行状态，提前发现并预防，就能够保证生产顺利进行。
二.服务业
AI顶层的应用还有一个重要的分支是服务。AI将为众多行业赋能，例如农业、NLP、安防、教育、医疗、物流等。
1.农业。我国目前农业还是小规模生产，85%以上的耕地小于15亩。据我们调查，由于年轻人外流去城市工作，现在我国农民的平均年龄近60岁。随着国家推行的土地流转政策的实施，我国超过50亩的农场已有300多万户，并且还在不断扩大。
耕地面积大就可以应用到科技，使用人工智能帮助精准施肥、喷药、滴灌、种植等，不仅让农产品更有质量也有效避免生产资料的浪费。
2.自然语言理解（NLP）。这是AI领域比较难的赛道。人的语言非常复杂，思维跳跃性强，对机器来说很难理解，即使百度、谷歌的翻译，也不太准确。我认为在NLP技术成熟之前，可以把领域缩在细分的赛道中，比如智能营销、智能客服、分析等，帮助提升客服人员效率。
3.智能安防。智能安防已经发展很久了，它不仅仅要解决人脸正面识别，还要通过识别声音纹、运动轨迹等，在复杂环境、远距离情况下精准识别，对社会安全起到积极的促进作用。安防领域的快速发展和应用已经得到了商业界的广泛认可。
4.教育。在AI教育领域，个性化学习是一个趋势。因为每个人能力、掌握知识的程度不同，就需要通过采集数据、建模、应用算法实现因材施教。
5.医疗。比较热门的是图像分析，应用在比如肺部、脑瘤、动脉等。同时我们也非常关注基因编辑，通过算法发现疾病与哪些基因相关联、找到病因所在，以研究合适的诊疗方案。
6.物流。物流行业总费用占我国GDP的15%左右，这是一个十几万亿的市场，蕴藏着很多机会。这不仅包括电商崛起带来的机会，还包括经济发展、人口流动、对外贸易等因素。通过无人机、仓储机器人、智能分拣提高效率是我们所关注的。
总体来说，AI在未来十到二十年是一个黄金机会，但目前还处在非常初始的阶段。近几年，计算能力提升和数据大量普及使得AI迎来爆发期，但真正要达到人的智能，还需要不同机器学习的算法，与现有及未来的相融合。
