虎嗅注：本文来自迅雷创始人程浩的分享。他以从投资人的视角，对人工智能领域的创业和创新进行了一番解读，包括如何选择赛道、团队的搭配、以及如何应对巨头的挑战。原文谈到了人工智能创业的6大核心问题，想看原文，不妨点击《迅雷创始人程浩：人工智能创业的6大核心问题》。
以下为虎嗅对其中3个问题的摘编：
第一个问题：关键性应用 vs 非关键性应用
谈到人工智能领域的创业，很多人都会有个误解，就是如果团队没有斯坦福、MIT的博士坐镇，我都不好意思讲在人工智能方面创业。其实这个认知是错的。因为在人工智能领域，算法到底有多重要，完全取决于你要进入哪个行业。
根据行业和应用场景不同，我认人工智能的创业本质上有mission-critical和non-mission-critical之分。为了方便大家理解，我们简称为“关键性应用”和“非关键性应用”。
“关键性应用”要追求99.9%小数点后的多个9，做不到就没法商业化。比如大家认为，99%可靠度的自动驾驶能上路吗？肯定不能，意味着100次就出1次事故。99.9%也不行，1000次出一次事故。
千万记住，99%和99.9%的可靠度差距并不是0.9%，而是要反过来算，差距是10倍。也包括手术机器人，听起来99.9%可靠度已经很高了，但只要1000次中出了一次医疗事故，放在美国，医院可能就得被巨额索赔搞得破产。
所以“关键性应用”领域，就是一丁点儿错都不能犯的人工智能领域，必须要有技术大牛、科学家或算法专家坐镇。同时，这类项目研发周期都很长。
“关键性应用”的普遍特点就是这样，项目通常很贵，研发周期巨长，离赚钱非常远，需要持续的融资能力，团队怎样才有持续融资？起码要有非常好的简历和非常好的背景。这个是能够持续融资的必要前提。所以大家可以看到，今天做无人驾驶的创业团队都是高富帅。因为不是高富帅，你都熬不到产品真正商业化应用那天。
当然，如果在人工智能领域都是“关键性应用”，那就没大多数创业者什么事了。实际上，人工智能领域的创业，95%都是“非关键性应用（none-mission-critical）”。简单来讲，这些领域AI的可靠度只要过了基础线，高一点低一点区别不大。
最简单的例子，现在很多公司的门禁开始用人脸识别。你今天带个帽子，明天戴个墨镜或口罩，识别率没法做到99%。可即使没识别出来也没问题，因为所有带人脸识别的门禁都有地方让你按指纹。即使指纹也刷不进去，问题也不大，公司不还有前台嘛。
这就是“非关键性应用“。这类项目不追求99%后面的很多个9。 “非关键性应用“不追求高大上，简单、实用、性价比高更重要，这样的项目通常比拼综合实力。包括：
对行业的洞察理解，要熟知行业痛点；
产品和工程化能力，光在实验室里搞没意义；
成本控制，不光能做出来的产品，还得便宜地做出来；
供应链能力，不光能出货，还要能批量生产；
营销能力，产品出来了，你得把东西卖出去。团队里有没有营销高手，能不能搞定最好的渠道是关键。
所以大家在创业组团队时，一定要想好你选择的赛道处于哪个领域，不同的赛道对于团队的要求是不一样。“关键性应用”必须有技术大牛坐镇，“非关键性应用”则要求团队更加综合和全面。
第二个问题：技术提供商 vs 全栈服务商
现在很多人工智能创业者都是技术背景出身，创业的第一个想法通常是做技术提供商。技术提供商作为创业的敲门砖可以。但如果只定位做技术提供商，未来路会非常窄。原因有几点：
1. 首先通用技术一定是大公司的赛道，BAT未来一定会开放免费
人家大公司会免费提供人脸识别、语音识别、语义理解、机器翻译这类EnablingTechnology，你还打算怎么靠API调用赚钱呢？也许现在还可赚点小钱，但很难成为一个长久的生意。
2. 依托于算法的技术壁垒会越来越低
未来随着基础计算平台和开源平台的丰富成熟，技术方面的壁垒会越来越不明显，整个人工智能的技术准入门槛会越降越低。就像2008年你想招个iOS开发者，当时很难，现在却很容易，所有技术的演进都遵循这一规律。很多大学的计算机专业都纷纷开设机器学习课程，未来人才不缺，会拉低整个行业的进入门槛。
同时随着谷歌TensorFlow等生态系统的成熟，很多领域都会有训练好的模型用来参考（出Demo会更快），创业者只要有足够的数据来训练算法就好了。所以未来算法的壁垒会越来越低，如果这个公司的核心竞争力只是算法，那将非常危险。
3. 技术提供商如果不直接面向用户/客户提供整体解决方案，则非常容易被上下游碾压
对于技术提供商和算法类公司，如果你的技术壁垒不够高，上游很可能直接把你的事做了。这样的例子比比皆是，比如给海康威视提供人脸识别算法的公司。问题就在于，海康在用你算法的时候，人家也有庞大的研发团队在研究自己的算法。现在用你是人家还没准备好，一旦准备好立刻会把你替换掉。
即使在有一定技术门槛的行业，技术提供商的日子同样并不好过。举个例子，苹果、三星、华为，还有现在的小米，都选择了自己做手机CPU。所以联发科、高通这些技术提供商，其实日子过得挺痛苦的。
这其实是一个产业链通用规律：产业链上的垄断者会吃掉所有利润，而且他们非常有动力往上游或下游扩展。既然做纯技术提供商没有出路，那怎么办？浩哥提出“一横一纵”理论。前期做技术服务可以，但是不能一辈子做技术服务。
“一横”就是指你提供的技术服务。通常“一横”能服务很多行业，一定要找到1、2个，你认为最有市场机会，最适合的垂直领域，深扎进去做“全栈”——把技术转化为产品，然后搞定用户卖出去，实现商业变现，再通过商业反馈更多的数据，更加夯实自己的技术。一句话讲，要做技术、产品、商业和数据四位一体的“全栈”，这就是“一纵”。这才是健康的商业模式。
在垂直外的行业，因为没有利益冲突，你仍可老老实实的做技术服务。这样的话，商业上你能吃透一个垂直行业，技术上你还能通过横向合作，形成更多的数据回路，从而夯实你的技术。这个就是“一横一纵”理论。
那么对于技术创业公司，从“一横”走到“一纵”，要选哪个垂直领域，取决5个关键因素：
市场空间够不够大？
行业集中度如何？
技术是改良还是革命？
双方壁垒谁更高？
跟团队基因是否相符？
第三个问题：2C vs 2B
科技成熟都需要一定的时间。因为从任何技术普及演进的角度，都延续了先是从军工（航天）、到政府、到企业、到B2B2C、再到2C这个规律。人工智能也一样，目前人工智能在2C市场还不是很成熟。
在个人消费者市场，出货量大的机器人只有4类产品：扫地机器人、无人机、STEAM教育类机器人和亚马逊Echo为代表的智能音箱。为什么2C市场早期的普及有一定的困难，简单讲几个原因：
1. 产业链不成熟
我做一个创新的东西，成品有10个部件。每一个部件都得自己做，而且因为出货量不大，每个部件都没有规模效应，这就导致每个部件都很贵，那你最后做出成品一定很贵。这是非常大的问题。
2. 2C是额外花钱
这也是很重要的一个问题，2C端的用户因为自掏腰包、额外花钱，所以对价格通常比较敏感，产品很贵就是一个很大的门槛。
3. 2C产品的用户期待度高
用户买了这么贵的东西，自然对产品的期待度会更高很多。大家觉得我买一个机器人回来，恨不得什么都能干：又能唱歌、又能跳舞、又能聊天、又能清洁、又能讲英语。但这是不现实的，现在的技术成熟度离此还有些远。
相对于2C端，这些问题在2B端却不是问题。
1. 2B端对价格承受能力更高
首先，企业对价格的承受能力显然比2C强很多。你说一个机器人2万，2C消费者不可能买，但企业问题不大，企业对成本承受能力高。
2. 2B的核心目的是降成本
举例工业机器人，10万块钱一个，听起来很贵。但一个工业机器人替代你2个岗位。这2个岗位一年也得10万块钱，还不算四险一金。然后这工业机器人能工作4年，这一下成本只有你原来的25%，甚至可能不到25%。那么企业就会算一下账，觉得还是工业机器人便宜。
3. 2B可以采取人机混合模式
还有2B端的机器人应用更简单一些。一方面大多是单任务，机器人只要做好一件事就行了，实现起来简单。另外，很多都是以“人机混合”的模式在作业。也就是以前需要10个人干活，现在我用机器人替代一半人。简单重复的工作用机器人替代，复杂的用剩下的5个人，这就是"人机混合"模式。
举个例子，现在国内外已有很多安保机器人，按固定路线去巡逻。你可以理解为移动的摄像头，当然算法上肯定加入了一些识别的技术。固定绕路线巡逻，这个完全可以交给机器人来做。难的是，在巡逻的过程中，如果发现有老太太摔倒了，让机器人扶起来，这个目前还做不到。
但这不重要，你们后台不还有5个人么，让他们过来就好了。所以“人机混合”是2B比较主流的模式，这大幅降低了机器人普及的难度。
最后再说一点，目前大多数AI创业公司都是技术专家主导，这很容易理解，因为现在技术还有壁垒，技术专家主导起码保证产品能做出来。不过未来随着技术门槛的降低，特别在“非关键应用”领域里，团队的核心主导，会慢慢过渡到产品经理和行业专家为主，因为他们离用户需求最近。“非关键应用”领域，懂需求比技术实现更重要。长期来看，人工智能创业和任何其他领域的创业一样，一定是综合实力的比拼。