4月2日晚，i黑马&BV百度风投联合主办的第二场“新基建”产业独角兽在线沙龙正式举行。创业黑马集团副总裁刘铮，BV百度风投执行董事任博冰，BV百度风投执行董事方鑫，以及湃方科技、江行智能、RealAI瑞莱智慧、升哲科技、希迪智驾、埃洛克、SandStar视达、赢识科技、麦飞科技、埃睿迪等十余家BV百度风投投资的产业独角兽企业创始人，在150余位创始人观众的在线围观下，一起参加了本次活动。他们进行了既有高度、又有深度的直播分享，以及现场气氛热烈的圆桌讨论，精彩观点频出，干货满满。BV百度风投执行董事任博冰在沙龙上做了题为《AI如何赋能产业》的主题分享。今天说的其实都是BV团队摸索的一些总结，希望对创业者们有一些帮助。新冠疫情正在让经济寒冬雪上加霜，但这个时间点，对于创业者或者投资人来说却是一个很好的机会。“寒冬是个格栅窗”。什么意思呢？寒冬并不是一个大阻碍或者大门槛，它是一个新窗口。格栅窗会筛掉一些可能不合适的人，但也会放一些人进去。能进去的人，就是能满足新效率模型要求的人。
整体来说，现在大部分行业都是一个旧效率模型。在经济形势好的时候，我们很难看出旧效率模型有什么问题。在数据采集、决策中，它显示出比较高的柔性，似乎能够跨越周期，到下一个时代。但事实上，在经济寒冬，很多效率模型都破裂了。很多效率模型做连锁性的布置，或者在打通同行业上下游的时候，遇到了问题。今天提升效率模型的最强动力就是AI。当然，也有一些其他的东西能够改变旧效率模型，但AI是这个时代提升效率最好的工具。
AI通过“四化”改变产业或者改变世界。哪四化？第一，物理世界的数字化。第二，数字世界可理解化。第三，可理解化之后的智能化。第四，智能化之后行业效率的提升化。从这几个点，我们可以看到，AI从数据提取到形成一个新的决策系统，再通过决策系统改变世界。举个例子，最近西昌出现的森林大火造成了很大的影响。事实上，国家花了很长时间、很多钱研究火灾，特别是森林大火的预警模型、执行模型。但在最后决策的时候，还是通过摄像头反馈给每一层的决策者、指挥者，再去做决策。这个流程牺牲了时间，缺少了数据轴，且决策的准确性并不高。这是一个传统的决策流程，带来的是大量人员的牺牲和人员的损失。这个事情能否提升？从对森林里外的多维数据采集，到火势的动态仿真和AI推演，到人机协作的部署和居民撤离方案，甚至在火情发生早期的预测与预案准备，都有AI带来的巨大效率提升空间和很多类似的事情。首先，AI带来了新的决策系统。决策系统之所以能够更高效或者更多维度，其前提是数据获取有了根本改变。数字化物理世界需要一个数据维度或者一个数据类型，AI时代到来之前，已经有了很大的改变了。为了AI服务，传感器公司也出现了。AI改变不同的算法模型，带来新的决策系统。其实，最后不一定是人在应用，也有可能是人机协同，或者应用到很多机器人身上。收集数据的效率提升100倍，决策效率提升100倍，执行中的成本效率和可靠性提升100倍，最后能够带来100万倍的效率提升。这其中有很多不同的机会，可以将其拆分为AI的四波效率提升。这四波效率提升里，有各种各样的机会。这四个阶段，也不是一个循序渐进的过程，其实是互相轮流发生的。这四个效率模型里，有两个会对行业有更多的改变，一个是系统效率提升，一个是产业效率提升。系统效率的提升能够产生新的商业模式。产业效率的提升，会出现甲乙方关系的变化，或者行业里出现新的经营者。节点效率提升，往往是把之前的很多节点，特别是人的要素，进行改变。我们可以看到AI最早改变的是安保行业。一个警察没有办法对广场中1000个人的不同行为去提取、分析，也没有办法对此做决策。这个问题可以用20个摄像头解决，在整体节点上，进行改变。工厂里，很多节点现在正在被机器人代替。机器人正在对工人的能力进行替代。但一个工人没有办法柔性地替代每个产线里的每一个环节，并对其进行快速地布置。工人要进行学习、培训，取得经验，能够胜任新职位，才能够有所提升。AI所带来的数据分析、采集数据、语意理解、对非结构化数据的理解能力，能够对人本身进行替代。举个例子，建筑工程非常复杂，不同的施工对应不同的示意图。工人在工地上每天干着不同的活，除了工人，工地上还有监理等。他们每天所做的事情也要进行匹配。我们美国的被投企业建筑智能化公司OpenSpace，解决了工人的信息记录和图纸二维问题，通过三维重建和呈现，用头盔AR投影到工人的真实世界里，引导人去配合完成任务，形成全新的人和虚拟机器人的联合互动。这是一个典型的节点效率提升的案例。当节点逐渐被AI渗透之后，整个业务系统可以被AI的感知和决策能力所覆盖，带来系统效率的提高。节点数字化的成本在节点效率提升的过程中被承担，并且通过跨节点的误差补偿、资源调度、根据出口需求的全程精准化，做到全局的效率提升。系统效率的提升，更大的意义在于可以规模化，可以适应扩张中的区域、要素差异，实现品质维持的规模化。太多的业态死于扩张中的要素不可复制，死于任何的需求或者供应差异打破了原来的固定模型。举个例子，麦飞科技通过多光谱对作物进行数字化，也在作业试错中借助AI获得了可以规模化的单站、单田模型，在人力、时间和农药成本上形成了全面的效率提升，并且很容易跨地域、跨品种。又例如赢识科技可以借助AI对优质单店模型的泛化能力，为连锁在不同地区的门店都带来“明星店长”的管理水平。当不断有新的效率模型出现的时候，行业里还是有一些微妙的改变。AI的更大想象力在于通过打造新的效率模型，改变行业的集中度、打造新的业态，真正去提升产业效率，重塑产业格局。AI时代的2B创业者很多都是从乙方切入，但可以做到甲方。有时候，它的新效率模型比甲方更加优秀。它改变了其中重要的要素，比如人力成本的要素、时间的要素、资金的要素等等。当这些要素被大幅改变之后，其实整个商业模型或者是效率模型就变了。既然AI能打造最优秀的效率模型，既然这种效率模型远远超过了甲方，为什么不让最优秀的乙方变成新效率模型的运用者?甲乙方颠倒，提高行业集中度，打造新业态，就是第三个阶段。现在，我们可以看到一些例子，AI新药研发公司Atomwise、Insilico Medicine等，既帮助药厂加速研发，也会留一些不license out，与CRO公司合作自己做药。再往下，产业效率提升之后，还有一个提升是AI效率提升。AI赋能传统行业过程中减少了很多要素成本，但增加了AI的成本—语义理解，传感器，机器人，很多能力今天还很昂贵，比如现在机器人的成本不够低，很多甲方在采购的时候会遇到各种各样的问题。很多传感器也很昂贵，边缘计算产品的算力受到一些限制。最后，因为时效性问题、算力问题，其实损失了很多系统效率。未来十年，AI自身的效率会有实质的进一步提高。这需要依赖前沿技术的发展。全新数据采集能力、语义理解能力，将带来几十个数量级的效率提升，改变原有业务系统。我们看到很多芯片厂家、传感器厂家，为了不断提升AI某种算法或者某种数据提取的效率，改变过去的路径，为AI赋能，不断地延展AI的边界。举个例子，美国传感器公司Cubeworks，有毫米级的全栈传感器，具有感知、计算、传输和环境能量采集的能力，无需电池，可以在五到十年持续工作，可以用于眼底青光眼的眼压检测，也可以用于工业设备。最后总结看来，不断轮回的效率提升，其实是发明新的效率系统的过程。从效率系统进入到新的业务系统，也是一个提升。这也是对创业者的一个机会和挑战。当我们不断地追求整体效率模型的变化之后，我们能够从0到1实现整体行业的改变。我举一个集装箱的例子。集装箱最大的成功在于其产品的标准化，以及由此建立的一整套运输体系，这大大降低了物流成本，提升了运输效率。当时每一个物流链上的节点，都有大量的人在卸货、包装、装货，非常复杂。当有了集装箱，装货、卸货，包括整个商品包装行业的上下游，都发生了改变。
其实，在四个效率提升里面，我们可以看到很多行业都已经按照这样的方式被改变了。不断地有新的容器出现，不断地有新的链条被拆解，不断地有新的节点出现。我们觉得发明新的业务系统，是创业者的机会。
