围绕人工智能（AI）带来的巨大机遇，媒体在最近几个月进行了大量报道和宣传，让人觉得有点“第二轮淘金热”的意味。与1849年的淘金热一样，2017年也有很多人希望进军人工智能市场。就像当年的淘金者一样，他们也要挥锹抡镐，苦苦挖掘，在沙砾中寻找黄金。

如果你对当下的人工智能淘金热视而不见，没有像其他科技狂热者一样创建人工智能公司，完全可以理解。但你必须意识到，狂热的背后确有真材实料。先进的机器学习能力和庞大的专有数据集以及易于获取且具有经济可承受性的运算能力，将不可避免地改变我们的生活和工作方式。

2017年11月1日，索尼发布人工智能机器狗Aibo。

笔者是人工智能的信徒，相信这项技术拥有巨大潜力，能够让企业发生革命性变化。为了撰写这篇文章，笔者专门拜访了多家擂响人工智能大鼓的公司，但只有少数几家能够提供可扩展并且具有防御机制的人工智能解决方案。如何才能从人工智能狂热中找到金矿？你需要回答一系列问题，其中包括：你要解决哪些具体问题？重点为谁解决问题？从何处获取专有数据？如何解决客户问题？由谁来为你设计解决方案？无论是潜在的求职者还是投资者，都需要向拥抱人工智能的创始人提出这些问题。此外，它们也能充当一个指南，帮助企业家更好地制定他们的计划。

你要解决哪些问题？

在人工智能前的淘金热时代，创业公司创始人在描述他们的企业时往往侧重于能够解决客户的哪些问题。当前的人工智能热也将目光聚焦看似简单，但却至关重要的理念——企业的自我定位。在对任何一家公司进行评估时，第一步往往都是了解他们希望解决哪些问题，所提供的解决方案能否开创一项令人兴奋的业务。

在这方面，Textio公司堪称典范。Textio利用人工智能帮助企业撰写招聘信息，填补空缺岗位的速度提升了20%。不过，它并非一家人工智能公司，而是一个写作强化平台，侧重于提高招聘结果。人工智能只是这项技术的一个组成部分，帮助解决这个业务问题。

如果你打算将自己的创业公司定位为一家“人工智能公司”，最好放弃这个想法。因为这样一来，在自我介绍时，你就无法称自己是一家Python公司或者Apache公司。不管你研发的人工智能技术具有多么重要的意义，它只是你的技术堆栈的一部分。

为谁解决问题？

“正确聚焦”对创业公司非常重要，尤其是利用人工智能的公司，它们往往错误聚焦。立基于人工智能的公司需要一个特定领域的数据集，以获取有意义的洞察。采用水平数据集的通用机器人公司往往无法兑现它们的承诺，因为“一刀切”式的解决方案几乎不具有任何可能性。相比之下，PrecisionLender这样的公司则能提供准确的用户洞察。他们利用一个关于特定借贷者想定的数据集对机器人进行训练，所提供的机器人专门用于帮助商业银行进行贷款定价。

人工智能创业公司最常见的失败之路是，利用他们的技术为客户提供定制分析服务。虽然某些成功的企业利用这种方式，靠一己之力获取早期数据集，但进行定制分析对一家专业服务公司来说时间太长，更不用说一家研发可扩展软件的公司。

创业公司之所以在这条错误道路上迈进是因为没有正确聚焦。如果最初未能缩小所要解决的问题以及服务人群的范围，让人工智能产品化几乎是不可能的。IBM的人工智能系统“沃森”是错误聚焦的典型。尽管投入了大量资金，但IBM依然未能让“沃森”实现产品化，而是将其变成世界上最昂贵的咨询公司。

从哪里获得专有数据？

很多企业家错误地强调算法的独特性和差异化竞争。我们认为创始人首先要考虑的是商品化，很多最优秀的机器学习框架可由开源平台提供，例如谷歌的TensorFlow。我们认为下一代软件的长期竞争优势来自于专有数据和拥有生成这些数据的用户网络。在这个新世界，最优秀的企业家会找到一条更聪明的途径，获取他们的专有数据。以Textio为例，这家公司追踪招聘网站上的招聘信息通常会挂多久，而后评估填补一个给定空缺岗位所需的时间。这种做法让Textio快速准确锁定潜在客户。随着客户的增多，他们的数据集不断丰富，推荐引擎愈发完善。

一旦找到如何获取专有数据，下一步便是打造生成数据的用户网络。Chorus.ai公司为销售代表提供培训，让他们学习如何与潜在客户打交道。这项服务让他们得以获取一家公司所有销售代表的信息，了解他们对潜在客户的每一次拜访。每当有新的用户加入这个网络，都会让其他所有用户受益。随着这个网络的壮大，数据质量不断改进，培训效果自然随之提高。

如果能够用于整个客户群体，这个网络将发挥更大作用。这意味着如果对数据进行合理抽象化，系统从一名客户身上获取的信息可以用于针对另一名客户的培训。我们认为用户产生的专有数据网络能够孕育出一家Facebook级别的人工智能公司。

如何解决客户问题？

绝大多数所谓的人工智能公司并不真正部署这项技术。他们利用基于规则的引擎，基本上就是美化版的IF-THEN语句。基于规则的引擎在很多方面具有宝贵价值，尤其是在产品的早期阶段，但它们需要人工操作，因此不具有可扩展性。

在解决业务问题方面，当前最成功的人工智能分支是有人监督的机器学习。该系统利用打上标签的输入内容，在一个自动学习循环生成结果。通过追踪各种情境下的输入/输出对，输出结果的质量随时间推移不断改进。

如果想知道一家创业公司是否真的运用人工智能技术，简单的方式便是询问这些输入/输出对到底是什么。如果企业家无法准确描述，说明他们并没有真正运用人工智能技术。另一个方式就是，询问客户他们获得的结果是否随时间推移不断改进。如果答案是肯定的，说明确有一个自动化的学习循环。这意味着你有更大的机会，挖到金矿。

由谁设计解决方案？

人工智能领域的招聘所面临的挑战超过其它领域。首先，这一轮的淘金热导致对人才的需求激增。其次，有经验的人才短缺，因为数据科学毕竟是一个新学科。很多人工智能团队由直接从学术界招聘的人才构成。虽然很多学者做出了引人注目的努力，不断推动人工智能和机器学习理论的边界，但绝大多数人工智能团队缺乏将理论应用于实践的经验。

有时候，大学的研究人员在帮助企业开拓业务时，会让企业走上一条成本更高并且更为复杂的道路。最理想的人才莫过于那些深入了解你所要解决的业务问题以及最佳解决方案。除了数据科学方面的丰富学识，相关领域的经验也非常重要。

人工智能公司要确保数据科学与工程团队之间无缝交流互动，这一点非常重要。最优秀的团队往往存在一些“多面手”，既了解数据科学，也熟悉工程学，能够充当一座桥梁，消除团队内的技术、文化和实践差异。

如果以上这些问题都得到令人满意的答案，祝贺你！你可能有机会挖到金矿。人工智能矿场的挖矿才刚刚开始。祝你好运。（本文图片来源网络）

编辑：Bixby

本文为未来图灵（futureturing）独家文章，转载请申请授权并注明来源。