关于AI创业，你必须知道的七件事

我们正处在一个AI大革命的开端，每周都有新的创新出现。例如Tetra利用语音识别技术，从你的手机中生成详细的笔记；Hyper Science通过利用OCR从表单中轻松提取数据；Jet Lore利用消费者行为作为一个模型的输入，输出结构化数据。在本期视频中，我将结合自己的创业经验，告诉你们如何启动一个AI的创业项目。

现在是2018年，如果你希望今年加入创业大军的话，首先就要学习AI。如果你自己不了解这个神奇的技术是怎么工作的话，你不可能创造出AI解决方案。如果你刚刚开始看教程，记得按照这个顺序——先学习面向数据科学的python，然后是Tensorflow的介绍，接着是Deep Learning的介绍，最后是关于人工智能的数学知识。

另外，Andrew Ng的最新Deep Learning课程是必选项，Jeremy Howard的Fast.Ai 课程也非常棒。我最喜欢的关于深度学习的书是lan Goodfellow著的Deep Learning。这本书的电子版是免费的，它对你理解关于Deep Learning的数学知识非常有帮助.Deep Learning被证实在广泛的范围内，可以帮助每一个其他的机器学习模型。

所以，关于AI的炒作是有道理的。然而你需要确切地知道，其他机器学习模型是怎么工作的。在无法获取大量数据的情况下，你只能建立一个简单的预测模型。这种情况下，支持向量机，甚至一个简单的决策树，都比深度神经网络更有用。

知道什么时候用什么模型的唯一方法是，建立关于AI的直觉——这种直觉在学习和掌握大量AI 知识资源后才能得到。当掌握了构建AI算法的全貌时，你需要找到一个激发你浓厚兴趣的问题去研究——世界上大多数成功的公司都是从解决问题开始的。

记录你和你朋友面临的问题，以及在生活中亟待解决的问题吧，这会是非常好的选择。这些问题困扰着你关心的人，于是你就会有解决它的热情。

如果没有好的想法，你可以使用社交网络主动寻找想要寻找解决方案的人。利用关键字或关键词，找到人们发布的遭遇很大挫败感的话题，例如我该怎么做，寻找问题解决方案，或者关于这个工作做的不好等。你可以在Reddit或Twitter等社交媒体上找到这些信息。

我认为最好发现问题的方法是旅行，和不同人接触。我在前几年曾历时三个月环游欧洲，在伦敦偶然碰到了Alex macaw，他给了我启发，让我在大学前几年的主修方向，从商学转为计算机科学。这是我这一生最重要的改变，才能让我成立了机器人创业公司Lucid Robotics。

我在剑桥读三年级的时候，在南亚和东南亚旅行了四个月。这次旅行帮助我以不同的角度看待同一个事物。离开硅谷以后，我会亲自去发现人们面对的问题，他们日常的生活问题，关系到基础设施、商业活动，当然还有教育，对我的影响非常大。当地人进行许多简单的交流，最终形成了我自己的想法，形成了一个大的计划——即关于AI的教育。

像马斯克说过：“创业就像披荆斩棘，筚路蓝缕”。如果你对解决一个问题没有热情，你就无法坚持。当遇到不论多少负面的评论。我总持保留意见，因为这不是针对我的，而是针对解决AI问题的。一旦你有了待解决的目标问题，就该做一些市场调查，包括你的客户，他们在哪里购买，他们的承受能力，这是产品还是服务，配置的花销，市场的历史怎么样等等。

这方面的内容可以参考dot.com（互联网）和大数据分析公司。根据公布的关于一般AI创业公司的报告，AI型创业公司大致分为两类：第一类是水平方向的AI创业公司，主要针对服务于不同行业的基础问题，比如自然语言处理；第二类是垂直方向的创业公司，针对非常具体的客户群体，为他们解决问题，属于一类具体的行业。

每个主流的技术公司都非常注重AI，他们雇佣AI方面的大牛，从Hinton到LeCun都是天才。他们多年来从用户那收集了大量数据，而这些只对他们自己的研发团队开放，因此这些科学巨人拥有巨大的优势。他们建立水平方向的产品，可以被用在很多行业，例如图像识别，语言翻译或者其他的基础设施。

而你所拥有的优势，是可以根据一个独立的问题，针对垂直方向的领域展开快速的行动。他们没有时间去处理简单的小问题，但是你有。

总的来说， 他们关注客户多过于关注企业，你可以帮助企业，建立个人主页，描述你的产品，注册获得发布版本，在社交网络上发布它。一个提升你产品认知度的方法，是提升你自己的形象，把自己包装成一个AI思想领袖，建立博客或者其他形式回答AI的基础问题。当你注册时，让观众看到，如果你做的非常好，你产品的价格也会跟着增长——它和你可以提供的成正比，这至关重要。

如果你将AI从公司剥离，但如果在正确的轨道上的话，它仍是一个有价值的产品。如果AI是你唯一的东西，没有消费者或者投资者会满意的。当你开始市场调研，就是建立你产品的最佳时机。建立模型的时候，你需要尽可能地组织和标注你的数据——高质量的数据经常是机器学习流水线中最重要的部分，重要程度甚至超过模型结构——在垃圾中分析垃圾什么也得不到。

最简单的方法是寻找公布的数据，Github上有非常棒的数据库，California Irvine有巨大的ML数据资源库，Kaggle也有很多很棒的数据。如果这些都不管用，用你已有的数据建立自己的数据库，例如当你尝试着对手写字体进行分类，你可以通过增加噪声的方法，从已经存在的数据中生成新的数据。如果你有未标注数据，通过Amazon的Mechanical Turk进行众包是一个好的选择。你可以找人来标注他们。另外还有像data circle这样的数据市场，你可以直接从其他人手中购买或者交换数据。

最后，如果你够有创意，可以利用scrapy库或者web service来编写python脚本实现自动抓取数据，就像在diggernaut.com 上一样。当你开始建立模型，Tensorflow仍然是最能经受考验的机器学习框架。Tensorflow的生态圈有一大堆的工具，比如产品化的Tensorflow Serving。建议一个模型，用你的数据通过 AWS google cloud 或者 FloydHub 来训练这个模型。利用你的模型进行预测——这就是你的产品。数据越多意味着算法越智能，同时也意味着产品更优秀，用户更多以及数据越多，这个环状结果往复循环。

融资是一个加速拓展业务的方法，或许ICO圈子现在非常热门，但如果你长时间处身其中，可能产生法律问题，这里就不谈了。我的一个朋友——Aetherium的第一个设计者，他不希望给他的公司做ICO，于是采用众筹的方法筹钱。

我们可以发现他的做法很具有启发性，我有一篇文章，详细地描述了这件事。风险投资（VC）是另一选项，通过重复使用一些流行语来使VC投资人相信你的产品很棒。其中，最好的VC投资人可以很好地理解你的产品，所以你需要准备好向他们解释其中的技术。

如果你可以在一些高档的地方和VC投资人交流，说明你已经获得了一些现金流；如果没有，就不用。这就是我在纽约被那么多VC投资人拒绝的原因——我还没证明我的机器人能够有很好的销售市场，因此我并没有得到很多的投资，我所做的是建立一个受众群体。我可以接受被挑剔，但是我现在不关注融资。

接下来是招聘。极少数的天才分布在全球各地，所以从kaggle的全球排行榜招人是有道理的，即最招最有用的人——我很难找到适合帮助我编辑视频的人。如果你真心喜欢一件事情， 是很难放弃的。如果你找到合适的人，事情变得简单了。

Steve Jobs说过，最高兴的事情是你拥有一个核心团队——可能是10个优秀的人。它是可以自控的，某种程度上，你可以选择退出。不论之后是被Aqua或其他的大型技术公司雇佣，还是被IPO雇佣，如果都没有，可以走咨询公司这条路，只是没有开发产品那么具有诱惑力，但是找几个朋友开一家咨询公司总能填饱肚子，得到一些初始用户，慢慢做好品牌，证明自己。

视频原址：

https://www.youtube.com/watch?v=9bbS-trc8ys