李开复 科学家创业的优势和短板

Posted 2022-05-31 howard2005

一、科学家创业的优势和短板

• 精益创业之父Steve Blank曾培训了500个科学家团队，辅导了261个成型创业项目，但总共只融资了4 900万美元。他总结了导致这个结果的一个很重要的原因—很多科学家往往很不愿意承认自己不具备把技术商业化的洞察力与能力。

• 在科研环境里成长的科学家，一部分人的一大特质是追求科研突破，要做前所未有的东西出来，“别人没做过”才是他们的唯一衡量标尺，至于能不能创造价值、能不能赚钱，这些因素反而考虑得不够深入。因此我们也不必惊讶于以这样的心态做出来的产品往往不接地气、难以赢利。科学家的另一个特质是学术严谨，就像博士生们往往需要3～5年的时间才能完完整整地完成自己的博士论文，而创业则要快、要快速迭代，如果美团、小米没有快速迭代，它们就不可能在这么快的时间内创造出如此有价值的公司。我们甚至可以说，科学家的训练难以直接造就一位伟大的创业家，所以读完博士再创业的读者要注意，你们往往缺少一些产品化、商品化的能力。

• 其实一些学术界的教授也持有“唯技术至上”的观点，认为顶级的论文比顶尖的产品或者应用要有价值得多。但是这样持有以学术为核心的人，往往难以创造出伟大的商业公司，他们的思维方式也可能会影响其学生。

• 这是一个分工的问题，无关对错。企业需要不断寻求利润点，需要快速迭代，需要把用户当作上帝，这是企业家该做的事情。但是如果所有人都做这样逐利的工作，谁来发明下一个“深度学习”呢？我们需要能仰望学术星空的人才，同时也需要能脚踏实地把技术落地到使用场景的人才。所以我们的分工就是，学术界不断探索科技高峰，不考虑短期利益得失，而更看重长远发展。学术界不需要考虑商业应用，一旦考虑商业应用，就会跨进商业领域，而在商业领域就要做这个领域最需要的事情。因此，这不仅是分工的问题，也是选择的问题。让科学家做他们该做的事情，让企业家、投资人和商人做该他们做的事情。对于正在攻读博士的读者来说，你们必须要知道，你们接受的教育是让你成为一个学术界的科学家，如果你真的想进入创业界，那就要“换个大脑”，要学习很多不同的思维方式。

• 科学家除主导关键技术外，还需要补齐商品化、产品化方面的能力，这部分能力的缺失会导致科研成果向商业化转化的比例降低，这一点中国跟美国有很大差距。很多科学家因为太钻研自己的科研，会相对低估了科研之外的能力，然而除科研外，要做好一个产品还需要做行业探索、市场开拓、初期产品和市场化（用户的获取），每一项都是一个新知识点，很多科学家往往不具备这些能力。

• 如果想要运营好一个公司，要么自己学习，但是学习的过程会很漫长，要么寻找合适的人来补足。要注意，这里不是一个简单的商业化，更不是简单地雇一个懂商业的人来处理。一个公司取得成功，其科技的领先性虽然至关重要，但它可能只是十个重要技能里的一个，还有另外九个技能需要补齐，这一跨领域的技术难度超过了大部分纯粹做科研的人的想象。

二、四因素降低AI产品化、商业化门槛

• 积极的信号是，有四个因素让今天的AI技术落地更顺遂，商业化门槛也因此降低了。

（一）在软件层面

• 以TensorFlow和PyTorch为代表的深度学习框架迅速成熟，绝大多数深度学习模型及核心开发工具以开源形式发布，大大简化了科研与工程复杂度。

（二）在硬件层面

• 以NVIDIA的GPU（GraphicsProcessing Unit，图形处理单元）系列、Google的TPU（Tensor Processing Unit，张量处理单元）系列、华为的昇腾系列等AI加速芯片构成的硬件生态日趋完善，服务器端和边缘计算端目前都拥有成熟的AI加速方案，能够让我们更好地使用这些芯片。

（三）在集成层面

• 云平台、容器、虚拟环境等技术大幅降低了AI算法的实施与部署成本，现有的大数据平台、商业智能平台或传统商业系统与AI算法之间的连接越来越容易。

（四）在人才层面

• 纯科研型的人才结构已经转变为科研型、工程型、产品型和商业型的复合人才结构，比如DeeCamp训练营能帮助营员们跨越科研和产业，而且工程型、产品型、商业型人才在AI落地的过程中，越来越容易处于关键位置。
  
• AI门槛降低，同时也意味着AI“黑科技”发明期已经过去，过去我们认为的“技术领先就能成功”的认知在今天已经很难成立。我们要认识到，今天的AI已经不是“黑科技”，它的普及度已经相当高，更多的AI机会是找到行业应用。卷积神经网络（Convolutional Neural Networks，CNN）技术从发明到商业化普及花了30年时间，但Transformer模型从发明到大规模的普及只花了两年，这里的“两年”不是指发明了Transformer模型的Google 花了两年时间把它变成产品，而是Google发明了Transformer模型之后，Google和它的竞争对手，以及一些创业公司，能在两年之内把Transformer模型用于自己的产品。 我们看到，字节跳动、腾讯、阿里、百度等公司，都已经用上了Transformer模型。如今一个有关新技术的论文在发表之后，无论是不是开源（Open Source），都会很快被其他公司学习，所以现在很难再有一个公司因为有大批顶级博士而独占某一项技术的现象发生——这个概率越来越低。因此，从AI的创业、赋能和使用来说，未来可能不会出现更多的AI“黑科技”公司。未来AI的赋能其实在很大程度上就像其他相对成熟的技术的赋能，比如，Database的赋能、网络安全的赋能。
• 河小象公司，它是教育领域的一家创业公司。河小象之所以成功并不完全在于有领先的技术，比如，它的一个产品是教小孩子写字，可能一些具有较强计算机技术背景的读者在看到这个产品之后都会说很棒，但是实际上河小象的成功主要源于优质的内容和服务，这也是教育的核心，而AI只是辅助优质内容的重要技术。我们也看到很多教育行业的公司可以把技术做得很酷，但是它们没有考虑产品的核心内容，最终都以失败告终。在河小象团队其实只有10%的人是做技术的，而它在内容上的投入则更高。河小象CEO非常重视内容，在创始团队中安排了专人负责内容，同时召集了一些技术方向的合伙人共同创立并发展了这家公司。所以，AI固然重要，但往往未必是公司核心，AI是帮助把产品做得更好、更强的赋能工具。