李杉 唐旭 编译自 Medium

　　量子位出品 | 公众号 QbitAI

　　本文作者David Kelnar是MMC Ventures的投资总监和研究主管。MMC Ventures是英国最活跃的风投公司之一，主要关注技术驱动型行业领域，尤其是金融与商业服务、商业软件、数字媒体以及电子商务。

　　这篇文章介绍了MMC Ventures对于概念炒得火热的机器学习公司的投资框架，详述了其投资这些公司时考虑的17种关键因素。

　　这些因素可以分为价值创造、价值实现和防御力三大部分，“价值创造”具体包括价值释放、颠覆性、适用性等；“价值实现”则包括管理团队的商业能力、可量化的投资回报率、部署的可扩展性等；“防御力”包括与巨头之间的距离、领域复杂度、创造网络效应的能力等。

　　

　　以下内容编译自David Kelnar发表在Medium上的原文：

　　人工智能——具体来讲，就是机器学习——是一种强大的“使能技术”，代表了软件能力的全面转变。但作为投资者，又该如何评估那些把机器学习作为其核心价值主张的软件公司呢？我会在本文介绍我们的机器学习投资框架。

　　我们的框架捕捉了早期机器学习公司的17个成功因素。由于可观的回报来自一家公司在价值创造、有效价值实现和防御力三方面的潜力，所以我们将这些成功因素归入这三个大类。如果使用另外一种归类方法，这17项因素则可以归入战略、技术、数据、人才、执行和资本6项能力。在与机器学习公司沟通时，我们会参考这套框架，但并不拘泥于此。除此之外，它还能为我们提供一套蓝本，以便我们为自己投资的机器学习公司提供支持。

　　MMC Ventures对应用型机器学习公司的投资框架

　　

　　△应用型机器学习公司的成功因素

　　我们的框架着眼于“应用型”机器学习公司——这些创业公司占比达到85%，它们针对具体的领域或职能发展由机器学习引导的解决方案。而基础、通用型机器学习技术领域的开发者成功因素则各不相同。

　　除了常见的创业公司评估因素外，我们在评估机器学习公司时还要考虑额外因素，另外还有一些需要额外强调的传统因素。这些额外因素（包括机器学习是否适合解决某个问题，以及通过数据获得的网络效应的适用范围）能够反映机器学习的特性。

　　我们着重强调的传统观点（例如投资回报率的可量化性和管理团队的商业能力），则反映了我们与90家英国机器学习创业公司会面时观察到的机器学习市场动态。没有一家公司能在所有领域表现优异，而成功因素的相对重要性也有所差异。

　　价值创造

　　

　　机器学习公司创造巨大价值的潜力有多大？我们考虑了6种价值创造的驱动力。其中3个（价值释放、颠覆程度和替代方案的可行性）与商业系统的影响有关，另外3个（机器学习的适用性、优于人类表现的路径和合适的数据集）与技术可行性有关。

　　1. 价值释放

　　通过预测成功或流程自动化，一家公司能在多大程度上借助为客户创造营收或节约成本来释放一套商业系统的价值？我们通过以下方面评估一家提供商为客户创造营收的能力：

　　提升转化率、产量、生产能力、价格，或其他能够直接推动营收增长的指标；

　　通过改善客户体验来降低用户流失率——利用更强的个性化、更好的客户服务、更低的客户摩擦或更强的品牌忠诚度；

　　创造新的创收机会——寻找新客户、增加向上销售或交叉销售机会，或者促成新的市场机会。

　　我们还通过以下方面考虑一家提供商为买家降低成本的能力：

　　通过提升预测效率、流程效率和流程自动化来降低过度开支、过度采购或核心资源需求；

　　通过改进合规性等方式来降低经济漏损。

　　2. 颠覆程度

　　除了短期影响外，我们还考虑一家机器学习公司的颠覆程度（吸引新型用户使用一项服务）和优化程度（为现有用户简化流程）。

　　以人工智能个人助手为例。虽然人工智能助手相对于人类而言只能承担一小部分任务，但他们却可以为商务用户自动安排会议。根据PayScale的数据，人类助手的平均年薪达到2.5万英镑，因此很多中小企业请不起个人助手。人工智能助手则适用于各种规模的企业，可以通过扩大目标市场来创造价值。

　　很少有企业具备颠覆性，而企业不需要具有颠覆性也可以拥有吸引力。但能够颠覆现状的企业或许可以通过规模创造超额产出。

　　3. 没有吸引力的替代方案

　　当替代方案的成本和可行性受限时，创造价值的空间就更大。在一些有吸引力的案例中，由于人工智能可以实现之前无法实现的事情，因此没有实际的替代方案。在多数情况下，我们都能借助对人或其他资源的充分投资找到替代方案。当一家企业的替代方案成本极高、十分稀少、无法获取或扩展时，价值创造的空间就显得尤为重要。

　　劳动力通常是数字化的直接替代方案，也是最贵的替代方案。多数英国机器学习创业公司关注的4大行业中，金融、IT和公用事业3个行业的年薪最高。我们认为专业服务领域有更多机会。

　　

　　△按行业类别分类的雇员年薪 4. 机器学习的适用性

　　机器学习与企业当前面对的挑战匹配性如何？机器学习很适合解决费力、复杂高深莫测的问题：

　　费力的问题指的是人类可以胜任，而且可以将解决方案编写成电脑程序的问题，但这么做却不切实际。

　　复杂的问题指的是人类可以胜任，但要将这种能力编写成电脑程序却很困难的问题。物体识别是个复杂的问题。人们很擅长识别汽车，但却无法针对这种任务编写有效的规则集。

　　高深莫测的问题指的是人类无法胜任的任务。在这些领域，人类无法通过标记或组织数据的方法来支撑一个预测引擎。借助神经网络，深度学习非常善于处理这些高深莫测的问题，因为神经网络可以确定需要优化的参数。

　　机器学习不适合解决没有边界的问题和因果推论问题。

　　机器学习算法不能超脱其所获取的数据之外来吸收知识。Anastassia Fedyk曾经用1990年代的一个例子生动地强调过这种困难：当时，匹兹堡大学的研究人员评估了一些用于预测肺炎死亡率的机器学习算法。“这些算法建议医生把同时患有哮喘的肺炎患者送回家，认为他们的肺炎死亡率较低。结果发现，提供给算法的数据集没有考虑哮喘患者都已经马上被送往重症监护室，他们之所以病情好转，完全是因为院方的额外关注。”只有在解决独立的问题时，机器学习才能起到效果。

转载请注明出处。