人工智能公司的估值怎么算，这里列出了几个公式
加入峰瑞资本做投资之前，我在人工智能领域创业。下面，我从投资与创业交叉的角度和大家分享自己最近的一些观察，也欢迎随时交流。
先简单介绍一下，峰瑞资本是一家新基金，成立于2015年8月。我们希望做成一家研究型导向的全链条基金，不看风口，长期持有。我们比较早就开始看人工智能领域，已经投资了十余家AI领域的初创公司。
下面切入正题。
技术、人才红利都迅速放缓过去在人工智能能领域创业的时候，大家会问我这些问题：
你的算法到底是什么？是不是深度学习的算法？
你是不是用了神经网络？神经网络多少层？
这是投资者或大众关注的第一点——“算法如何”？
然后，大家还会问：
你的团队里有PHD吗？有BAT研究院出来的人吗？有高校教授吗？
人工智能能刚刚起步时，大家的焦点基本集中在两个方面：算法和人才。
这两张图反映了我过去一段时间对这两个方面的观察。
第一张图，我称之为“技术的红利”。这张图是在ImageNet历年图像分类任务中获得第一名的算法的错误率。2013年的时候，获得第一名的算法错误率是13%，2014年时是7%，2015年时是3.6%，到2016年时变成3.0%。大家可以看到，从2013年到2014年，错误率下降了近一半，从2014年到2015年，又下降了近一半，而2015年到2016年的时候，下降的幅度就变得很小了。
做技术的人应该都知道，在深度学习的框架下，以现有的技术处理图像分类任务的能力，错误率继续下降的空间已经不多了。看到这个结论，我非常吃惊。技术放缓的速度远比我们自己想象的要快。
第二张图，我称之为“人才的红利”。
横坐标是时间，纵坐标是工资。过去，人工智能公司招人都很贵。最近，我随机选取了一家非常知名的人工智能公司的招聘列表，2017年时，这家公司招聘图像识别处理工程师的薪水是15—30K/m，已经和普通的IOS工程师差不多。
目前，大家普遍的认知是：人工智能领域，所做事情的框架已经日趋清晰明了，但人才缺口比较大，学校的供给不够。任何一家人工智能公司招人，都更倾向于熟练的、很快能将想法实践落地的人，倾向于招有一定专业院校和学术背景的人才。
通过上面两张图，我想说的是：人工智能技术跟其它技术一样，到了一个阶段性平台期，技术红利放缓的速度非常快，人才供给发展的速度非常快。
对投资人来说，在人工智能创业的第一阶段，公司的估值就是“算法x人才”。它们的乘积，大概就是你的公司在市场当中的价值。而目前，这个乘法的两端都在快速地下降，这是我们对第一阶段人工智能创业的的判断。
AI公司估值的阶段论我把人工智能赛道上的公司分成5个阶段：
1.提供狭义技术的阶段
2.提供解决方案的阶段
3.提供模块化产品的阶段
4.提供整体产品的阶段
5.业务闭环数据循环阶段
大部分创业公司处在“狭义细分技术”的阶段。这一阶段，判断公司的标准就是我们刚刚提到的公式：“估值 = 算法x人才”。我们可以看到，这个公式下的公司，价值在被快速地拉平。在我看来，这一波的机会红利已经基本结束。
在这一阶段的人工智能创业浪潮中，获利最大的科学家创业团体，现在在创业上的优势不会那么大了。接下来，我相信机会仍然会留给产品经理、工程师和商业人才。过去的估值方式，过去的价值判断方式，和过去的技术、人才红利都已经基本结束。
现在，很多公司都已经进入第二阶段了。不论是图像公司还是语音公司，大家都开始进入提供解决方案的阶段。
在第二阶段，判断公司市场价值的方式也会发生变化。我自己列了一个公式，就是从“算法x人才”演变成“估值=算法+数据x商业价值”。算法后面是一个加号，主要原因在于，大家都还没有数据和商业价值的时候，比的是算法，但是当大家都有了数据和商业价值后，商业价值的重要性会迅速地超过算法，所以算法所占的比重会越来越少。
人工智能并不是互联网的下一代互联网在过去做的最主要的事情是解放渠道，释放渠道的效率。所以我们看到，过去的创新型模式都是为了让产品能够直接抵达消费者。不论是电商打掉中间的零售商和经销商的渠道，还是滴滴打掉出租车的渠道，其实都是在渠道上做文章。
我觉得人工智能并不是互联网的下一代，也不是互联网的替代者。这两者是并行的。因此，移动互联网、互联网的机会依然有，并且依然非常大。互联网这条线本身会继续往前发展，人工智能做的事情则更偏向底层——在生产端提高生产效率。
这也是我们现在为什么觉得toC端的机会比较难：生产端还没有被改造，于是就不太会有新的产品出来；没有新的产品出来，用户端体验也就不会有特别大的提升。
这波人工智能的浪潮，凸显的是“数据x商业价值”。我们从 toB 和toC两个角度来分析。
toB端，我的判断是人工智能会向行业的纵深端去发展。从生产端来看，不论是服务业、农业还是工业，大家对效率提升的需求是非常明显的：在医疗领域，提升诊断的效率；在金融领域，提高金融数据服务的效率……需求和商业空间是巨大的。于是我们的挑战不再是技术被拉平了，而在于对行业需求的理解和产品的设计。
另外提到一点：大数据。这个词其实是老生常谈了。从企业服务端来看。美国企业服务市场的路径是：传统软件→IT服务→云计算→大数据→人工智能，最后才有了人工智能。所以，在美国做人工智能领域的创业，好处是基础设施非常成熟、完善，但很多事情都被大公司做了，初创公司需要在大公司的夹缝中寻找生存空间。
在中国，企业端基础设施还是非常落后的，是一片空白。因此，中国有一个特有现象：跨越式的发展。在电商、本地服务、金融支付等行业，跨越式发展的例子比比皆是。
toC端，我的观点是：想用人工智能去提升消费者的体验，通过一个单点去突破比较困难，更多是一个系统化的工程。比如，车载语音的交互体验，智能家居体验等。它需要的不仅仅是产品本身做得多好，更是整体的居家环境、车载环境。这些基础的传感器和基础的服务、数据足够完整之后，我们才会有一个体验足够好的东西出来。反之，现在做这个事情，就会感觉很累或者说撬不动，因为基础设施和服务没起来。
互联网领域，单点做个小APP就能撬动一个很大的空间。但在人工智能领域，这几乎不可能。关于这个结论，我自己心里也有个问号，我也很好奇人工智能里能够单点突破的产品到底是什么。
这是我对于AI创业第一个阶段和第二个阶段的一些投资思考和笔记。
人工智能没有网络效应最后，回答四个疑问：
第一个疑问是：人工智能是不是可以理解为互联网或者移动互联网后的下一个创新，或者是替代品？
我认为这是不对的。人工智能和互联网是并行的，相对独立的。照套互联网的思维方式是很危险的。
比如，人工智能是没有网络效应的，也几乎没有马太效应。这句话是什么意思呢？马太效应基于网络效应，因为网络效应能快速地集聚资源、拉开与竞争者的差距，所以会出现行业通吃的情况。而人工智能是基于生产效率的提升，它本身没有网络效应。至少现在看起来，行业通吃的事情可能不存在。不见得谁比谁快、谁能把谁灭了，而是大家都能找到自己的一块地盘。
第二个疑问是：人工智能领域创业有没有势能？
我们可以看到，在互联网、移动互联网的窗口期，创业公司要打仗，要迅速融资。但是看起来，在人工智能领域似乎没有所谓的“势能”。技术有它固定的规律和速度，不太可能用融资的方式拔苗助长。在同一个人工智能细分领域，谁先做、谁后做差异并不会特别大，能够扎扎实实把事情做好倒是更加重要。在传统互联网领域或在移动互联网领域，或许可以在四年之内做出一个上市公司，但是在人工智能领域，这基本是不可能的。
第三个疑问和第四个疑问其实是连在一起的：投资人们都喜欢问，人工智能公司会变成什么？到底能做多大？这个行业到底能做多大？
大家以前对这类公司的期望是做成一个技术平台公司。技术平台公司的意义更多的是，怎么把算法和数据整合成一个产品，或者整合成一个服务。云计算就是很典型的一个例子。但现在看来，“技术平台”只是其中一种选择，还有许多其它方式。
从人工智能领域公司的壁垒来看，要从算法开始，让你的公司从一个技术平台公司做到一个数据产品服务公司，然后再抽象到一个更高层面的技术平台公司。
人工智能很难像互联网一样从单点突破，做横向整合。它做大做深最大的可能性是纵向整合，整合整条产业链里不同的生产者、生产资料，再往上整合到产品层面。这比较抽象。举个例子，比如你做人脸识别，是只做人脸识别？还是做人脸识别加上人脸识别摄像头？还是做人脸识别、人脸识别摄像头，还要再加上人脸识别系统，做成一整个产品？它不是只做一个人脸识别就把所有人脸识别都做全了，而是做人脸识别可以选择从产业链下游往上做，也可以从上游往下做。
这是人工智能领域创业的状态和规律，它和现在的互联网公司完全不一样，我的一点思考供大家参考。
【钛媒体作者介绍：峰瑞资本；作者朱祎舟，峰瑞资本早期项目负责人】
更多精彩内容，关注钛媒体微信号（ID：taimeiti），或者下载钛媒体App
人工智能公司的估值怎么算
你的算法到底是什么？是不是深度学习的算法？
你是不是用了神经网络？神经网络多少层？
你的算法到底是什么？是不是深度学习的算法？
你是不是用了神经网络？神经网络多少层？
这是投资者或大众关注的第一点——“算法如何”？
然后，大家还会问：
你的团队里有PHD吗？有BAT研究院出来的人吗？有高校教授吗？
人工智能能刚刚起步时，大家的焦点基本集中在两个方面：算法和人才。
这两张图反映了我过去一段时间对这两个方面的观察。
第一张图，我称之为“技术的红利”。这张图是在ImageNet历年图像分类任务中获得第一名的算法的错误率。2013年的时候，获得第一名的算法错误率是13%，2014年时是7%，2015年时是3.6%，到2016年时变成3.0%。大家可以看到，从2013年到2014年，错误率下降了近一半，从2014年到2015年，又下降了近一半，而2015年到2016年的时候，下降的幅度就变得很小了。
做技术的人应该都知道，在深度学习的框架下，以现有的技术处理图像分类任务的能力，错误率继续下降的空间已经不多了。看到这个结论，我非常吃惊。技术放缓的速度远比我们自己想象的要快。
第二张图，我称之为“人才的红利”。
横坐标是时间，纵坐标是工资。过去，人工智能公司招人都很贵。最近，我随机选取了一家非常知名的人工智能公司的招聘列表，2017年时，这家公司招聘图像识别处理工程师的薪水是15—30K/m，已经和普通的IOS工程师差不多。
目前，大家普遍的认知是：人工智能领域，所做事情的框架已经日趋清晰明了，但人才缺口比较大，学校的供给不够。任何一家人工智能公司招人，都更倾向于熟练的、很快能将想法实践落地的人，倾向于招有一定专业院校和学术背景的人才。
通过上面两张图，我想说的是：人工智能技术跟其它技术一样，到了一个阶段性平台期，技术红利放缓的速度非常快，人才供给发展的速度非常快。
对投资人来说，在人工智能创业的第一阶段，公司的估值就是“算法x人才”。它们的乘积，大概就是你的公司在市场当中的价值。而目前，这个乘法的两端都在快速地下降，这是我们对第一阶段人工智能创业的的判断。
/02/
AI公司估值的阶段论
我把人工智能赛道上的公司分成5个阶段：
1.提供狭义技术的阶段
2.提供解决方案的阶段
3.提供模块化产品的阶段
4.提供整体产品的阶段
5.业务闭环数据循环阶段
大部分创业公司处在“狭义细分技术”的阶段。这一阶段，判断公司的标准就是我们刚刚提到的公式：“估值=算法x人才”。我们可以看到，这个公式下的公司，价值在被快速地拉平。在我看来，这一波的机会红利已经基本结束。
在这一阶段的人工智能创业浪潮中，获利最大的科学家创业团体，现在在创业上的优势不会那么大了。接下来，我相信机会仍然会留给产品经理、工程师和商业人才。过去的估值方式，过去的价值判断方式，和过去的技术、人才红利都已经基本结束。
现在，很多公司都已经进入第二阶段了。不论是图像公司还是语音公司，大家都开始进入提供解决方案的阶段。
在第二阶段，判断公司市场价值的方式也会发生变化。我自己列了一个公式，就是从“算法x人才”演变成“估值=算法+数据x商业价值”。算法后面是一个加号，主要原因在于，大家都还没有数据和商业价值的时候，比的是算法，但是当大家都有了数据和商业价值后，商业价值的重要性会迅速地超过算法，所以算法所占的比重会越来越少。
/03/
人工智能并不是互联网的下一代
互联网在过去做的最主要的事情是解放渠道，释放渠道的效率。所以我们看到，过去的创新型模式都是为了让产品能够直接抵达消费者。不论是电商打掉中间的零售商和经销商的渠道，还是滴滴打掉出租车的渠道，其实都是在渠道上做文章。
我觉得人工智能并不是互联网的下一代，也不是互联网的替代者。这两者是并行的。因此，移动互联网、互联网的机会依然有，并且依然非常大。互联网这条线本身会继续往前发展，人工智能做的事情则更偏向底层——在生产端提高生产效率。
这也是我们现在为什么觉得toC端的机会比较难：生产端还没有被改造，于是就不太会有新的产品出来；没有新的产品出来，用户端体验也就不会有特别大的提升。
这波人工智能的浪潮，凸显的是“数据x商业价值”。我们从toB和toC两个角度来分析。
toB端，我的判断是人工智能会向行业的纵深端去发展。从生产端来看，不论是服务业、农业还是工业，大家对效率提升的需求是非常明显的：在医疗领域，提升诊断的效率；在金融领域，提高金融数据服务的效率……需求和商业空间是巨大的。于是我们的挑战不再是技术被拉平了，而在于对行业需求的理解和产品的设计。
另外提到一点：大数据。这个词其实是老生常谈了。从企业服务端来看。美国企业服务市场的路径是：传统软件→IT服务→云计算→大数据→人工智能，最后才有了人工智能。所以，在美国做人工智能领域的创业，好处是基础设施非常成熟、完善，但很多事情都被大公司做了，初创公司需要在大公司的夹缝中寻找生存空间。
在中国，企业端基础设施还是非常落后的，是一片空白。因此，中国有一个特有现象：跨越式的发展。在电商、本地服务、金融支付等行业，跨越式发展的例子比比皆是。
toC端，我的观点是：想用人工智能去提升消费者的体验，通过一个单点去突破比较困难，更多是一个系统化的工程。比如，车载语音的交互体验，智能家居体验等。它需要的不仅仅是产品本身做得多好，更是整体的居家环境、车载环境。这些基础的传感器和基础的服务、数据足够完整之后，我们才会有一个体验足够好的东西出来。反之，现在做这个事情，就会感觉很累或者说撬不动，因为基础设施和服务没起来。
互联网领域，单点做个小APP就能撬动一个很大的空间。但在人工智能领域，这几乎不可能。关于这个结论，我自己心里也有个问号，我也很好奇人工智能里能够单点突破的产品到底是什么。
这是我对于AI创业第一个阶段和第二个阶段的一些投资思考和笔记。
/04/
人工智能没有网络效应
最后，回答四个疑问：
——————————
第一个疑问是：人工智能是不是可以理解为互联网或者移动互联网后的下一个创新，或者是替代品？
我认为这是不对的。人工智能和互联网是并行的，相对独立的。照套互联网的思维方式是很危险的。
比如，人工智能是没有网络效应的，也几乎没有马太效应。这句话是什么意思呢？马太效应基于网络效应，因为网络效应能快速地集聚资源、拉开与竞争者的差距，所以会出现行业通吃的情况。而人工智能是基于生产效率的提升，它本身没有网络效应。至少现在看起来，行业通吃的事情可能不存在。不见得谁比谁快、谁能把谁灭了，而是大家都能找到自己的一块地盘。
第二个疑问是：人工智能领域创业有没有势能？
我们可以看到，在互联网、移动互联网的窗口期，创业公司要打仗，要迅速融资。但是看起来，在人工智能领域似乎没有所谓的“势能”。技术有它固定的规律和速度，不太可能用融资的方式拔苗助长。在同一个人工智能细分领域，谁先做、谁后做差异并不会特别大，能够扎扎实实把事情做好倒是更加重要。在传统互联网领域或在移动互联网领域，或许可以在四年之内做出一个上市公司，但是在人工智能领域，这基本是不可能的。
第三个疑问和第四个疑问其实是连在一起的：投资人们都喜欢问，人工智能公司会变成什么？到底能做多大？这个行业到底能做多大？
大家以前对这类公司的期望是做成一个技术平台公司。技术平台公司的意义更多的是，怎么把算法和数据整合成一个产品，或者整合成一个服务。云计算就是很典型的一个例子。但现在看来，“技术平台”只是其中一种选择，还有许多其它方式。
从人工智能领域公司的壁垒来看，要从算法开始，让你的公司从一个技术平台公司做到一个数据产品服务公司，然后再抽象到一个更高层面的技术平台公司。
人工智能很难像互联网一样从单点突破，做横向整合。它做大做深最大的可能性是纵向整合，整合整条产业链里不同的生产者、生产资料，再往上整合到产品层面。这比较抽象。举个例子，比如你做人脸识别，是只做人脸识别？还是做人脸识别加上人脸识别摄像头？还是做人脸识别、人脸识别摄像头，还要再加上人脸识别系统，做成一整个产品？它不是只做一个人脸识别就把所有人脸识别都做全了，而是做人脸识别可以选择从产业链下游往上做，也可以从上游往下做。
这是人工智能领域创业的状态和规律，它和现在的互联网公司完全不一样，我的一点思考，供大家参考。
注：本文来源峰瑞资本，作者：朱祎舟，编辑：Fynlch（王培），数据观微信公众号（ID:cbdioreview），欲了解更多大数据行业相关资讯，可搜索数据观（中国大数据产业观察网www.cbdio.com）进入查看。
注：本文来源峰瑞资本，作者：朱祎舟，编辑：Fynlch（王培），数据观微信公众号（ID:cbdioreview），欲了解更多大数据行业相关资讯，可搜索数据观（中国大数据产业观察网www.cbdio.com）进入查看。返回搜狐，查看更多
人工智能技术导论——博弈树搜索
我在之前整理过一篇博客关于博弈论和纳什均衡的几个例子https://www.cnblogs.com/wkfvawl/p/11725263.html
这里来介绍博弈树搜索。
一、博弈树的概念在博弈过程中,任何一方都希望自己取得胜利。因此,当某一方当前有多个行动方案可供选择时,他总是挑选对自己最为有利而对对方最为不利的那个行动方案。此时,如果我们站在A方的立场上,则可供A方选择的若干行动方案之间是“或”关系,因为主动权操在A方手里,他或者选择这个行动方案,或者选择另一个行动方案,完全由A方自己决定。当A方选取任一方案走了一步后,B方也有若干个可供选择的行动方案,此时这些行动方案对A方来说它们之间则是“与”关系,因为这时主动权操在B方手里,这些可供选择的行动方案中的任何一个都可能被B方选中,A方必须应付每一种情况的发生。 这样,如果站在某一方(如A方,即在A要取胜的意义下),把上述博弈过程用图表示出来,则得到的是一棵“与或树”。描述博弈过程的与或树称为博弈树,它有如下特点： (1)博弈的初始格局是初始节点。 (2)在博弈树中,“或”节点和“与”节点是逐层交替出现的。自己一方扩展的节点之间是“或”关系,对方扩展的节点之间是“与”关系。双方轮流地扩展节点。 (3)所有自己一方获胜的终局都是本原问题,相应的节点是可解节点；所有使对方获胜的终局都是不可解节点。
二、极小极大值分析法在二人博弈问题中,为了从众多可供选择的行动方案中选出一个对自己最为有利的行动方案,就需要对当前的情况以及将要发生的情况进行分析,从中选出最优的走步。最常使用的分析方法是极小极大分析法。其基本思想是： (1)设博弈的双方中一方为A,另一方为B。然后为其中的一方(例如A)寻找一个最优行动方案。(2)为了找到当前的最优行动方案,需要对各个可能的方案所产生的后果进行比较。具体地说,就是要考虑每一方案实施后对方可能采取的所有行动,并计算可能的得分。 (3)为计算得分,需要根据问题的特性信息定义一个估价函数,用来估算当前博弈树端节点的得分。此时估算出来的得分称为静态估值。 (4)当端节点的估值计算出来后,再推算出父节点的得分,推算的方法是：对“或”节点,选其子节点中一个最大的得分作为父节点的得分,这是为了使自己在可供选择的方案中选一个对自己最有利的方案；对“与”节点,选其子节点中一个最小的得分作为父节点的得分,这是为了立足于最坏的情况。这样计算出的父节点的得分称为倒推值。 (5)如果一个行动方案能获得较大的倒推值,则它就是当前最好的行动方案。
倒推值的计算
在博弈问题中,每一个格局可供选择的行动方案都有很多,因此会生成十分庞大的博弈树。据统计,西洋跳棋完整的博弈树约有1040个节点。试图利用完整的博弈树来进行极小极大分析是困难的。可行的办法是只生成一定深度的博弈树,然后进行极小极大分析,找出当前最好的行动方案。在此之后,再在已选定的分支上扩展一定深度,再选最好的行动方案。如此进行下去,直到取得胜败的结果为止。至于每次生成博弈树的深度,当然是越大越好,但由于受到计算机存储空间的限制,只好根据实际情况而定。
例一字棋游戏。设有如图(a)所示的九个空格,由A,B二人对弈,轮到谁走棋谁就往空格上放一只自己的棋子,谁先使自己的棋子构成“三子成一线”谁就取得了胜利。
一字棋
设A的棋子用“a”表示,B的棋子用“b”表示。为了不致于生成太大的博弈树,假设每次仅扩展两层。估价函数定义如下： 设棋局为P,估价函数为e(P)。 (1)若P是A必胜的棋局,则e(P)=+∞。 (2)若P是B必胜的棋局,则e(P)=-∞。 (3)若P是胜负未定的棋局,则e(P)=e(+P)-e(-P)其中e(+P)表示棋局P上有可能使a成为三子成一线的数目；
e(-P)表示棋局P上有可能使b成为三子成一线的数目。
例如,对于图(b)所示的棋局,则
按照棋盘上红色连线安放棋子a使得三子成一线，共6条连线。
按照棋盘上蓝色连线安放棋子b使得三子成一线，共4条连线。e(P)=6-4=2
另外,我们假定具有对称性的两个棋局算作一个棋局。还假定A先走棋,我们站在A的立场上。 下图给出了A的第一着走棋生成的博弈树。图中节点旁的数字分别表示相应节点的静态估值或倒推值。由图可以看出,对于A来说最好的一着棋是S3,因为S3比S1和S2有较大的倒推值。
一字棋极小极大搜索
在A走S3这一着棋后,B的最优选择是S4,因为这一着棋的静态估值较小,对A不利。不管B选择S4或S5,A都要再次运用极小极大分析法产生深度为2的博弈树,以决定下一步应该如何走棋,其过程与上面类似,不再重复。
三、α-β剪枝技术
上述的极小极大分析法,实际是先生成一棵博弈树,然后再计算其倒推值。这样做的缺点是效率较低。于是,人们又在极小极大分析法的基础上,提出了α-β剪枝技术。 这一技术的基本思想是,边生成博弈树边计算评估各节点的倒推值,并且根据评估出的倒推值范围,及时停止扩展那些已无必要再扩展的子节点,即相当于剪去了博弈树上的一些分枝,从而节约了机器开销,提高了搜索效率。具体的剪枝方法如下:
(1)对于一个与节点MIN,若能估计出其倒推值的上确界β,并且这个β值不大于MIN的父节点(一定是或节点)的估计倒推值的下确界α,即α≥β,则就不必再扩展该MIN节点的其余子节点了(因为这些节点的估值对MIN父节点的倒推值已无任何影响了)。这一过程称为α剪枝。(2)对于一个或节点MAX,若能估计出其倒推值的下确界α,并且这个α值不小于MAX的父节点(一定是与节点)的估计倒推值的上确界β, 即α≥β,则就不必再扩展该MAX节点的其余子节点了(因为这些节点的估值对MAX父节点的倒推值已无任何影响了)。这一过程称为β剪枝。
认真品味上面的两句规则，下面给出一个具体的α-β剪枝的实例。
使用ScreenToGif截的PPT图，关于ScreenToGif的使用说明参见https://www.cnblogs.com/wkfvawl/p/11625823.html
这里来说一下剪枝过程，F下的第一个节点是K，其值为4，这时作为MIN节点的F上确界β为4，F下的第二个节点L和第三个节点M的值都拿来比较，但都大于4，所以F节点MIN值还是4。这时MAX节点C的下确界α为4，并将α传递给MIN节点G。
G下的第一个节点为1，此时作为MIN节点G的上确界β为1，留意到此时G的α=4＞β，所以无需再探索G的剩余子节点，把未探索的子节点通过α剪枝剪掉。
这里C的父节点A是一个MIN节点，A的估计上确界β便是4。接着我们对A的右子树进行查找，并将β传递下去。
对于MIN节点H，其下的第一个子节点P值为5，大于4，因而接着比较第二个子节点Q值为8，也大于4，因而H节点MIN值的上确界β便是5，P的父节点D是一个MAX节点，因而此时D的下确界α值为5。
由于D的父节点A是一个MIN节点，A的估计倒推值的上确界β为4，小于D的下确界5，因而就不必去扩展MAX节点D的其他子节点了，进行了β剪枝。
这是就可以确定节点A的父亲节点S0，其为MAX节点的下确界α为4，这就对S0右子树进行查找。并直接将下确解α沿着S0->B->E->I传递，深入到I。
对于MIN节点I，其下的第一个子节点R值为0，这时作为MIN节点I的上确界β为0，留意到此时I的α=4＞β，所以无需再探索I的剩余子节点，把未探索的子节点通过α剪枝剪掉。
I的父节点是一个MAX节点，更新其父节点E的下确界α为0。将E的α传递给J。
这时对于MIN节点J，其下的第一个子节点S值为-6，这时作为MIN节点I的上确界β为-6，留意到此时J的α=0＞β，所以无需再探索J的剩余子节点，把未探索的子节点通过α剪枝剪掉。
这时确定了E，E的父亲节点B是一个MIN节点，通过E其上确界β更新为0，但E的父亲节点的α为4，α=4＞β，所以无需再探索B的剩余子节点，把未探索的子节点通过α剪枝剪掉。
最终确定S0，搜索完成。
关于α-β剪枝的过程，还想要了解一个，可以参考这篇博客
https://www.7forz.com/3211/
http://web.cs.ucla.edu/~rosen/161/notes/alphabeta.html
一些碎碎念，今天给同学讲α-β剪枝，把他弄迷糊了，后来我想可能还是太官方了，这种剪枝策略其本质思想是朴素的，就是在确定父亲节点的一个上确界或下确界之后，如果子节点不在该外围内就不去探索了，这就是剪枝。
人工智能投资估值偏高 最先变现领域是计算机视觉
（原标题：人工智能产业投资估值偏高，最先变现领域是计算机视觉）
工信部赛迪研究院人工智能产业研究中心总经理张梓钧近日在高交会期间表示，预计2018年中国人工智能核心产业规模有望达到接近1000亿元。而随着产业未来的高速发展，到2020年甚至有可能超过1600亿元。
随着人工智能产业的发展，近三年人工智能的投资也非常火热。2017年中国人工智能领域的投资规模已达120亿元，2018年前三季度投资规模超过2016年、2017年的总和。
不过，国投创新投资总监吴国锋在高交会期间提醒说，AI（人工智能）估值偏高，动不动都是几十亿美元的融资。大家看好人工智能的前景，但这对创业公司来说并不是好事。当估值过高的时候，持续融资就有很大的压力。这一轮融资高估之后，下一轮投资机构进来就变得非常艰难。
“二级市场、一级市场，都需要合理的估值，健康的投资环境对创业者来说更好。现在只要带‘人工智能’几个字，动不动都是几亿美元起步，所以对于整个投资环境来说，目前不是特别健康。”吴国锋说。
面对火热的投资，人工智能需加快落地才能创造更多商业价值。以计算机视觉为例，2018年中国计算机视觉领域获得超过230亿元的投资，在中国人工智能领域的投资当中占比超过三分之一。
吴国锋认为，计算机视觉是目前变现最顺利的人工智能技术。根据中国信通院2018年2月发布的报告数据，2017年中国人工智能市场中计算机视觉占比37%，以80亿元的行业收入排名第一。
其中，安防影像分析是目前计算机视觉最大的应用，2017年占比约67.9%，但目前新的应用领域正在不断创新涌现，例如无人驾驶、医疗影像，但现在没有大规模普及，都还是在初级阶段。
视觉人工智能技术供应商虹软公司的CEO邓晖认为，在iPhoneX的引导下，未来人脸识别有望成为生物识别主导技术，未来市场潜力巨大。在物体和场景识别方面，技术成熟度较低，需要大量优质细分应用场景数据，不断迭代该特定应用场景的算法。
邓晖认为，随着智能终端设备数量的增长，采集的图片视频包含了大量的数据信息，计算机视觉将会扮演关键角色。
除智能手机、安防行业外，汽车行业也是虹软最为看重的一种应用领域。研究数据显示，到2020年，联网汽车预计达到1.6亿辆，而每辆汽车上面可能会有十几个摄像头及各种各样和视觉相关的应用，构成一系列控制系统和监控系统，以保证驾驶员在驾驶过程中的安全和方便。
邓晖预测，车载视觉将是视觉人工智能下一个增长引擎。未来，在制造业，比如大理石、木地板的挑选与制作环节，还有大量的视觉人工智能技术的应用空间。
因此，邓晖表示，虹软将开放视觉人工智能平台，希望两年内发展10万用户，加速应用落地以及生态形成。