人工智能估值太高都投不起 但质量却良莠不齐 人工智能公司估值很高吗为什么不涨

人工智能估值太高都投不起 但质量却良莠不齐

（原标题：人工智能互联网消费金融“伪应用”调查）

本报记者陈植上海报道

“现在人工智能估值很高，我们想投都投不起。”一位互联网消费金融机构负责人感慨说，此前他们打算参股投资一家基于人工智能提升风控效率的机构，一问估值吓了一跳，比他们整个平台的估值还高出不少。

如今，他更庆幸自己当初没有投资。

究其原因，人工智能的迅速崛起，难免导致行业良莠不齐——尤其是人工智能在互联网消费金融领域的“伪应用”日益增多，比如一家人脸识别机构宣称可以为消费金融平台开展远程面签，人脸识别成功率超过90%，但不少平台测试后发现，借款人所处场景的灯光角度对人脸识别准确性产生不小冲击，导致平台只能重新采取线下面签方式评估借款人是否存在欺诈行为。

21世纪经济报道记者也注意到，在美国股权投资机构也开始对人工智能在消费金融领域的“伪应用”日益警惕。尤其是一些标榜“人工智能”的美国消费金融机构，其风控核心仍然是基于采取人工经验判断，对借款人贷款风险进行评估。此外，不少宣称图像识别、语言识别准确度极高的消费金融平台，并没有因此有效降低运营成本提升运营效率。

“伪应用”悄然兴起

在这位大型消费金融机构首席技术官看来，人工智能在互联网消费金融领域的应用，主要集中在获客、客服、风控、催收等环节。

比如在风控环节，人工智能通过大数据分析与机器深度学习，不断优化风控效率降低坏账率同时，还能给予借款人更精确的风险定价；在催收环节，人工智能可以针对不同资产、职业、年龄的逾期借款人设定个性化的催收还款方案，在合适的时间给借款人发出催款信息，既能顾及借款人面子又能提醒他们尽早还款，提高催收效率；在获客环节，基于人工智能的人脸识别、语音识别技术可以协助平台完成远程面签，降低线下人工运营成本。

“不过，人工智能是否很好兑现这些预期，的确存在不小的挑战。”他直言。

多位互联网消费金融机构负责人向21世纪经济报道记者直言，他们都曾遭遇人工智能伪应用现象，比较常见的是人工智能机构抓住平台担心暴力催收的“心理”，推荐基于人工智能的催收模式，宣称能大幅缩减催收团队人数。

“但它的实际应用效果不够理想。”一位消费金融平台负责人告诉21世纪经济报道记者记者。后来他了解到，这家机构是照搬美国的人工智能催收技术，但中美两国消费金融环境截然不同——美国有着成熟的个人征信体系，借款人违约就会被列入黑名单，导致日常生活、旅游举步维艰；中国个人征信体系不够完善，导致欺诈型借款人增多，加之违约成本较低，美国的人工智能催收模式未必适合中国国情。

“其实，国内消费金融领域还存在很多黑中介，他们针对一些人工智能的面签、风控流程，会专门制作培训教材教导借款人如何通过风控审核，若消费金融平台完全依赖人工智能风控技术，很可能会遭遇大量坏账。”他进一步指出。事实上，国内不少标榜人工智能的风控模型，其核心风控评估标准依然是借款人是否拥有人民银行征信记录，芝麻信用分是否超过660分，难以凸显其对风控效率的提升作用。

在上述大型消费金融机构首席技术官看来，人工智能要在互联网消费金融领域发挥作用，需要三大条件，一是海量大数据，包括借款人社交、以往消费行为、职业、社会缴金记录、婚姻状况、年龄等，并且平台能够从中找出有价值的数据，作为评估借款人还款意愿与还款能力的重要依据；二是平台需要拥有一个合适的风控模型，与这些数据相匹配并通过大数据分析不断优化风控、获客、催收、客服效率；三是平台要有足够多的专业人才，对人工智能技术不断完善，确保整个业务赶得上市场变化。

理想和现实间的巨大差距

在业内人士看来，服务互联网消费金融领域的人工智能机构之所以能获得很高估值，另一个重要原因是不少消费金融平台对人工智能的机器深度学习抱有相当高的期望值。

不少机构甚至认为，尽管很多人工智能技术现在看起来算是伪应用，但随着机器深度学习能力的不断增强，有朝一日它或许能大幅提升平台的运作效率，成为平台的新核心竞争力。

“不过，机器深度学习有时也会起到双刃剑作用。”这位大型消费金融机构首席技术官指出，比如在智能风控领域，机器深度学习得出的风控结论，往往是难以解释的。

上述消费金融平台负责人对此也感同深受。此前他们专门为小微企业主研发了一款线下消费信贷产品，当时产品研发团队认为有房有车的小微企业主还款风险不高。但人工智能风控模型得出截然相反的结论——没有房产的小微企业主坏账率会低于有房产的。

“起初我们也想不通为何会有这样结论。”他回忆说，后来大家多方讨论认为，人工智能的逻辑是不少小微企业主喜欢拿房产去不同机构重复借款，导致坏账风险骤增。不过，人工智能风控模型通过哪些风险因子与借款人数据得出这样的观点，他们至今都没搞明白。

“深度学习还可能存在过度弥合问题。”这位大型消费金融机构首席技术官透露，比如不同借款人是否有公积金缴款记录，以及不同借款人在京东、天猫不同电商平台的消费记录，都会通过人工智能得到完全不同的风控结论，不少风控结论在实验论证阶段看似相当有道理，但经不起实践考验。

在他看来，机器深度学习模型能否行之有效，关键在于技术团队能否对人工智能进行有效干预，通过有效调整风险因子参数，让风控模型及结论更贴近实际环境。

“其实，不少消费金融机构也知道人工智能机器深度学习技术的瓶颈，但他们还是刻意放大它的积极作用，因为这有助于提升消费金融平台的整体估值，获得更多的股权融资。”多家消费金融机构负责人直言，这也是互联网消费金融领域人工智能企业估值持续走高的最大驱动力之一。

（编辑：闫沁波）

峰瑞资本朱祎舟：人工智能公司的估值怎么算

本文由峰瑞资本(微信ID：freesvc)授权前瞻网发布

朱袆舟本科期间做过一段时间机器人，2012年从斯坦福毕业回国后，参与创办人工智能公司“出门问问”。目前，他重点投资人工智能、智能硬件、新能源，新材料等以核心技术为驱动的创业项目。

文章要点

AI创业的技术、人才红利都迅速放缓。

互联网这条线会继续往前发展，AI做的事情则更偏向底层——在生产端提高生产效率

AI技术有它固定的规律和速度，不太可能迅速通过融资拔苗助长。

在人工智能创业的第一阶段，公司的估值是“算法x人才”;进入第二阶段后，AI公司的估值=算法+数据x商业价值。

↓下文详解↓

AI公司估值的阶段论

口述/朱祎舟

来源/朱祎舟在Xtecher杭州私享会上的分享

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。

/01/

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。

/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。

人工智能公司的估值怎么算

从人工智能领域公司的壁垒来看，要从算法开始，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。

本文来源：丁彦皓(ID:dyh6953)，华尔街见闻专栏作者

朱祎舟（峰瑞资本）：人工智能公司的估值怎么算？

朱袆舟本科期间做过一段时间机器人，2012年从斯坦福毕业回国后，参与创办人工智能公司“出门问问”。目前，他重点投资人工智能、智能硬件、新能源，新材料等以核心技术为驱动的创业项目。

AI创业的技术、人才红利都迅速放缓。

互联网这条线会继续往前发展，AI做的事情则更偏向底层——在生产端提高生产效率。AI技术有它固定的规律和速度，不太可能迅速通过融资拔苗助长。在人工智能创业的第一阶段，公司的估值是“算法*人才”;进入第二阶段后，AI公司的估值=算法+数据*商业价值。

AI公司估值的阶段论

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。

1、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的。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*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。

2、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*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*人才”演变成“估值=算法+数据*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。

3、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*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。

4、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。

首阳智能是一家由复旦大学、上海财经大学、华盛顿大学以及同济大学等著名高校计算机、金融等专业的校友发起，以区块链、人工智能、大数据与云计算等技术为基础的量化交易服务平台，主要对股票、数字货币、期货、ETF与期权等领域的二级市场投资提供量化智能投顾服务。

其核心理念是以人工智能与大数据为依据，利用计算机技术，为数字货币、期货与期权等领域的客户提供程序化交易的模型、数据库以及社群的操作。主要避免人工交易过程中由于情绪波动带来的非理性决策行为，同时利用计算机的无休眠、高频等优势，发掘能够产出大概率的超额收益交易方式，帮助客户赚取低风险与稳定的收益。

丁彦皓首阳智能与珂芯资管董事长，房地产金融学博士、投资学（量化对冲方向）博士后，专注资本市场，负责量化对冲、权益投资、资本运作、股指期货与数字货币等领域的投资，关注国际关系、历史、哲学与宗教。

原标题《朱祎舟（峰瑞资本）：人工智能公司的估值怎么算？》

-------------------------------------

如果您有优质的、符合见闻调性的原创文章，欢迎以个人的名义投稿入驻华尔街见闻名家专栏。

投稿方式：请将个人简介以及代表作品发送至zhuanlan@wallstreetcn.com，并附上电话和微信以便做进一步沟通，在主题中标明:申请入驻见闻专栏+投稿人名字

特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。

Notice:Thecontentabove(includingthepicturesandvideosifany)isuploadedandpostedbyauserofNetEaseHao,whichisasocialmediaplatformandonlyprovidesinformationstorageservices.