В предыдущем посте я прошел базовый курс по искусственному интеллекту для инвесторов, заинтересованных в том, чтобы заставить деньги работать в космосе. В частности, я обсудил несколько важных элементов, которые должен знать каждый инвестор, чтобы принимать более обоснованные инвестиционные решения:
Как уже говорилось, в мире наблюдается взрыв интереса к этой теме. И неудивительно, что инвестиционные доллары пошли по тому же пути. По данным CB Insights, с 2012 года количество сделок и долларов, вложенных в стартапы в области ИИ, росли с огромным скачком на 60% вложенного капитала до 5 миллиардов долларов в 2016 году. По оценкам Statista, в 2017 году глобальные стартапы в области ИИ получили инвестиции в размере на 300 % больше, чем в 2016 году. Кроме того, крупные технологические компании скупают стартапы в области ИИ, чтобы вырваться вперед в гонке ИИ.
Этот последующий пост призван стать более практичным руководством для инвесторов, которые оценивают инвестиционные перспективы в космосе. В частности, я рассмотрю пять важнейших шагов для оценки инвестиций, связанных с ИИ:
Обратите внимание:я буду использовать примеры некоторых известных публичных компаний. Я не одобряю и не отговариваю читателей вкладывать средства в эти компании.
На мой взгляд, этот шаг самый важный из пяти, описанных в этой статье. Для начала вам нужно задать себе вопрос:Какие проблемы компания пытается решить с помощью технологии ИИ? Например, беспилотные автомобили могут улучшить мобильность, сделав ее более безопасной, удобной и т. д. Машинный перевод облегчает людям общение друг с другом. Напротив, бизнес ИИ нежелателен, когда:
Еще одна сложная проблема связана с тем, когда компания пытается решить критически важную проблему. . Под этим я подразумеваю, что _ решение проблемы имеет очень низкую устойчивость к ошибкам_ . Например, если ошибка программного обеспечения искусственного интеллекта автономного транспортного средства составляет 0,001%, даже если объективно это уже очень низкий уровень ошибок, это все равно недопустимо. 0,001% означает, что на каждые 1000 часов вождения может попадать 1 авария, что потенциально может привести к гибели людей. Напротив, если вы получите неправильную рекомендацию Amazon или Netflix даже в 1% случаев, никто не умрет. Потенциальные риски и прибыль для критически важных проектов, таких как беспилотные автомобили или медицинские приложения (например, медицинская диагностика, хирургические роботы), больше, чем у некритичных, что усложняет решение проблемы.
Для зрелых компаний, которые тратят деньги на разработку приложения ИИ, у них должно быть надежное экономическое обоснование. чтобы оправдать первоначальные инвестиции. Например, генеральный директор IBM Вирджиния Рометти хочет, чтобы годовой доход IBM Watson к 2024 году составил 10 млрд долларов. Для запуска ИИ, особенно если это предварительный доход, я всегда задаю важный вопрос:достаточно ли велик рынок. сильный> для типа проблем, которые решает компания? Например, если компания разрабатывает приложение ИИ для очень конкретной страны в конкретной отрасли с максимальным рыночным потенциалом в 1 миллион долларов в год, стали бы вы инвестировать в него?
Еще один аспект, который необходимо учитывать, — это инвестиционный горизонт. . Более глубокая технология искусственного интеллекта требует больше времени для разработки продукта. Например, Waymo (компания Google по разработке автономных транспортных средств) тестирует эту технологию с 2009 года и до сих пор не выпустила коммерческий продукт. Компаниям, занимающимся технологиями более глубокого ИИ, также может потребоваться много времени, чтобы получить признание на рынке и последующую прибыль от инвестиций. Возьмите Nvidia (NASDAQ:NVDA) в качестве примера. Nvidia поставляет самые популярные чипы, графические процессоры, для вычисления алгоритмов нейронных сетей, используемых во многих приложениях компьютерного зрения, включая беспилотные автомобили. Глядя на приведенный ниже график цен на акции, можно ясно заметить известную модель «S-образной кривой», которую вы видите во многих инновационных компаниях. Но время имеет большое значение:если бы вы инвестировали в Nvidia с момента ее IPO в 1999 году, вы бы не увидели солидную прибыль до 2016 года, когда искусственный интеллект с глубоким обучением стал «в моде».
Как обсуждалось в другой моей статье, я считаю, что успех продукта машинного обучения (включая глубокое обучение) состоит из четырех ключевых компонентов:четко определенные и желаемые проблемы, чистые и хорошо помеченные данные, надежные алгоритмы и обширная вычислительная мощность. Последние три определяют техническую осуществимость бизнеса ИИ. Здесь я кратко расскажу, что означают эти компоненты и как можно провести комплексную проверку в качестве инвестора.
Во-первых, для разработки алгоритма машинного обучения требуется доступ к чистым и хорошо размеченным данным. Это связано с тем, что, как упоминалось ранее, эти алгоритмы строятся путем подачи в различные статистические модели большого количества данных, которые хорошо помечены для установления необходимых прогностических взаимосвязей. Изучая бизнес ИИ, вам необходимо знать, есть ли у них доступ к пригодным для использования данным, как они их получили и могут ли они продолжать получать такие данные. . Или, если у них еще нет данных, каковы их планы по сбору таких данных? Тенденция к демократизации потребительских данных и такие инициативы, как открытое банковское обслуживание, откроют множество возможностей для новых приложений ИИ.
Во-вторых, ИИ-бизнесу необходимо разработать надежные, масштабируемые алгоритмы. Для этого необходимы три условия:большой объем хорошо размеченных данных, о которых говорилось выше, правильный талант и уверенность в том, что глубокое обучение — это подходящая технология для решения проблемы. Таким образом, ключевой вопрос заключается в следующем:может ли компания привлечь нужные таланты. ? Лучшие специалисты в области ИИ, особенно специалисты по данным, инженеры и программисты, уже имеющие опыт работы с ИИ, перехватываются технологическими гигантами, такими как Google, Facebook, Microsoft и IBM, и очень немногие остаются для других корпораций и стартапов. Чтобы привлечь лучшие таланты, им нужно не только быть готовыми платить огромные зарплаты (например, сотрудники лаборатории Google DeepMind зарабатывают в среднем около 345 000 долларов США в год), но и убедительное видение. Кроме того, вам нужно спросить, является ли глубокое обучение наиболее подходящей технологией для решения коммерческой задачи. Например, для приложения робота-консультанта по распределению активов розничных инвесторов программа, основанная на правилах, может быть намного дешевле в разработке и проще в реализации, чем алгоритм глубокого обучения. . Напротив, алгоритм машинного обучения, способный учиться на прошлых ошибках и победах и способный продолжать самосовершенствоваться, является лучшим кандидатом для алгоритма инвестирования в хедж-фонд. В настоящее время областями, которые добились наибольшего прорыва и которые наиболее подходят для технологий глубокого обучения, являются обработка естественного языка (например, машинный перевод), компьютерное зрение (например, распознавание лиц, беспилотные автомобили) и игры (например, AlphaGo, эволюционное инвестиционное решение). изготовление).
В-третьих, компания должна иметь возможность приобретать большие вычислительные мощности. . Как подробно обсуждалось в моей предыдущей статье, вычислительная мощность облачных вычислений или собственных серверов с графическим процессором стоит дорого. Есть два ключевых вопроса, которые вам нужно задать для усердия в этом аспекте:1) Какая вычислительная мощность требуется для типичной задачи для этого бизнеса? Доступна ли сегодня такая вычислительная мощность? Это особенно важно для приложений, которые требуют обработки в реальном времени, но имеют только ограниченное доступное пространство на фактическом устройстве для размещения графических процессоров и аккумуляторов (например, дроны). 2) Может ли бизнес позволить себе такую вычислительную мощность? Например, Кайфу Ли рассказывает интересную историю в своей книге «Искусственный интеллект» о том, что стартап глубокого обучения, в который он инвестировал, потратил 7 миллионов юаней (~ 1 миллион долларов США) за первые 3 месяца только на покупку серверов вычислений для глубокого обучения. Он также подчеркивает, что сегодня для типичной задачи обучения модели глубокого обучения требуется один или несколько компьютеров с четырьмя-восьмя графическими процессорами высокой емкости. Многие задачи компьютерного зрения требуют сотен и тысяч кластеров графических процессоров и выделяют в 10 раз больше тепла, чем обычный сервер. Некоторым командам стартапов в этих областях пришлось перепроектировать системы кондиционирования воздуха или купить огромные куски льда для охлаждения серверов.
Наконец, вам следует тщательно изучить финансовую статистику бизнеса ИИ и его нефинансовые бизнес-перспективы и оценить ее так же, как вы бы сделали это для любой другой технологической компании. См. пример анализа, показанный в таблице ниже.
Традиционные финансовые и нефинансовые показатели для оценки бизнеса включают выручку, чистую прибыль/денежные потоки, темпы роста выручки, коэффициенты (P/E, P/S и т. д.), макроэкономику, конкурентов, регулирование и т. д. Технологические компании также свои уникальные особенности. Одним из примеров является то, что темпы роста могут быть более важными, чем прибыльность. Для технологических стартапов на ранней стадии пользовательская статистика, такая как активные пользователи и заказы, важнее, чем доходы или денежные потоки. Оценки могут быть выше из-за спроса на такие инвестиции. Например, коэффициент P/E для Nvidia (NVDA) составляет ~30x P/E, а McDonald's (MCD) торгуется примерно в 20x.
Существует множество инвестиционных книг о том, как оценивать компанию, поэтому я не буду вдаваться в подробности. Если это публичная компания, вы можете получить эти сведения из общедоступных документов, таких как финансовые отчеты, или от поставщиков рыночных данных, таких как Google Finance или Bloomberg. Если это частная компания, вы можете связаться с руководством компании, чтобы получить необходимую информацию.
Подводя итог, я считаю, что наиболее желательные атрибуты для инвестиций в ИИ в краткосрочной и среднесрочной перспективе (и, следовательно, то, что делает хорошие инвестиции в ИИ), являются:1) решение четко определенной желаемой проблемы и 2) некритическое значение (никто не умрет, если он потерпит неудачу). К таким случаям относятся области интеллектуального обслуживания клиентов, такие как чат-боты (не только основанные на правилах), диагностика медицинских изображений, распознавание лиц, машинный перевод, финансовые консультанты с искусственным интеллектом, компьютерные игры и т. д. Конечно, в долгосрочной перспективе критически важные проблемы с высоким риском и высоким вознаграждением (например, беспилотные автомобили) призы, на которые многие смотрят . Как только вы определите, что у них есть желаемая проблема, которую нужно решить, вы можете проанализировать их коммерческую жизнеспособность, техническую осуществимость, финансовую статистику и бизнес-показатели.
Вам также необходимо подумать о конкретных вертикалях ИИ, в которые вы хотите инвестировать. Различные вертикали ИИ имеют разную срочность потребительского спроса и технологическую готовность, и, следовательно, разные доходы и риски инвестиций. Вы можете инвестировать в оборудование, программное обеспечение, платформу или услуги, а также в различные отрасли, такие как финансы, образование, здравоохранение, промышленность. В следующей статье я расскажу, как вы можете начать инвестировать в ИИ, включая наиболее перспективные вертикали и технологии, стиль инвестирования (пассивный или активный) и географическое положение (США, Китай или остальной мир).