關於 專案成本 預 估 方式 有 哪些 ，我們在網路上蒐集到這些相關的討論、資訊與評價

Netflix的「AI顧客科學」

2021-03-04 14:33 聯合新聞網 / 能力雜誌
【文／廖志德　圖片提供／達志影像】

直接與消費者進行互動是企業的重要工作，唯有如此，我們才能深入理解顧客的需求、渴望、不安、疑慮與痛苦，並且從中尋求開發新產品及新服務的正確切入點，進而提昇顧客整體的消費體驗。因此，「直面顧客」是品牌創新的關鍵要點，絕對不能假手他人，一定要親力親為才能挖掘出隱藏於市場深處的成功祕笈。

過去，想要直接與顧客進行溝通與互動相對困難，企業不可能一一拜會或致電顧客，因為需要動員的人力及成本太高，往往只能退而求其次，採取間接的方式來與消費者進行互動。或是經由代理商、經營商、零售通路來負責銷售服務；或是由外包客服中心幫忙接聽顧客來電；又或者採取抽樣市場調查來理解顧客的基本圖像，這使得企業洞察顧客需求宛如瞎子摸象，往往只能知道市場部分的情況，不能全盤且深入的掌握市場全貌。

現在，隨著數位科技的快速推進，企業擁有越來越多元的訊息溝通管道與消費者直接互動，加上人工智慧(Artificial Intelligence, AI)從旁協助，市場的顧客圖像變得越來越清晰，越來越可視化，消費者的行為模式不再撲朔迷離且難以掌握。

根據微軟預測，到了2025年將有95％的顧客互動管道是通過AI來完成，如果預測成真，表示企業對於消費者旅程的理解能力將大幅度增強，無論是在搜尋、方案、選擇、下單、取貨、服務、維修、客訴的階段，顧客圖像都能夠取得更高的解析度，經營市場不用像過去一樣，在迷霧當中踽步前行。

市場藝術家vs.科學家

擁有清晰的顧客圖像，能幫助企業規劃出更加貼心的消費者旅程，屆時經理人評估經營績效時，不會再局限於單一層面，例如：訂單轉換率，而是可以更加細緻地從不同的角度與階段來剖析消費者的行為偏好。過去由於市場資訊嚴重不足，企業只能從銷售數字來評量市場成果，或者憑藉行業經驗與直覺來預估消費者的行為動向；現在由於人們對於數位科技的廣泛運用，使得企業更容易掌握顧客在實體與虛擬世界的數位足跡，無論是在實體商店、網站、APP、LINE、Facebook、Instagram、Youtube等線上線下互動點，我們都可以取得比過去更多元的消費數據。消費者瀏覽過那些商品資訊？關注的要點是什麼？考察過哪些「關鍵意見領袖」(Key Opinion Leader, KOL)的看法？分享的使用體驗是正面還是負面？是否進行重複採購？

實測驗證需求

唯有「直面顧客」才能了解顧客，然後做出正確的服務體驗設計。啟動永無止境的追蹤使用者的偏好與習慣，並且經由實地測試來驗證顧客洞察的結果，是影音串流龍頭Netflix能夠在市場異軍突起的關鍵要素。正確使用數位科技使得Netflix在殺成一片紅海的影音市場開創出新藍海，這是Netflix創辦人哈斯廷斯(Reed Hastings)刻意培養出來的企業傳承。如果說賈伯斯(Steve Jobs)是「市場藝術家」，那麼哈斯廷斯就是「市場科學家」。賈伯斯所帶領的Apple基本上不做市場調查與分析，而是著重於創建起獨特的美學風格及培養敏銳的顧客感知能力；哈斯廷斯認為自己並不具備與賈伯斯同等的市場洞察力，因此，在其掌舵下的Netflix另闢「顧客科學」(Consumer Science)的新航向以抵達賈伯斯的美麗境界。

同樣是「直面顧客」，Apple與Netflix的做法南轅北轍，不過條條道路通羅馬，只要能夠取得顧客歡心就是正確的道路，並沒有優劣之分，就像我們無法比較莫札特(Wolfgang Amadeus Mozart)與貝多芬(Ludwig Van Beethoven)的好壞；無法論斷李白與杜甫的高低，重點是找到適合自己的成長路徑，感性成分比較多的經理人可以考慮培養賈伯斯般的直覺感知；如果思維模式偏向於邏輯與數理思考，哈斯廷斯就是最佳的學習典範。學習不是全然的模仿，而是啟發自己內在本來就具備的潛能，至於採取何種直面顧客的演化路徑，最終還是要經營者不斷的在現場探索才能進行實證。

相對而言，賈伯斯的做法是比較難模仿的，除了認真、用心、努力外，多少要具備某種與生俱來的天賦。因此，我們鼓勵大部分的經理人採取類似Netflix「顧客科學」的做法來設計服務體驗，畢竟不需要感性天賦的標準作業流程比較容易學習、理解與模仿，包含蒐集資訊、形成假設、定性定量、市場調查、A／B測試等階段的「顧客科學」方法是有一定的邏輯可以掌握，可以不斷的進行複製並且形成相同結果，想要效法賈伯斯以心印心的感性思維模式，恐怕要有相當高的悟性，沒有一定的感性天賦很難求成。

迷戀顧客的5種途徑

哈斯廷斯希望Netflix的產品經理能夠建立起大量實驗的組織文化，進而發展出令人驚嘆的顧客洞察力，從Netflix不斷的推進A／B測試就可以看出端倪。Netflix的產品團隊會由不同的市場定位與品牌展現方式發展出不同的行銷方案，並且每2個星期就要針對非會員拜訪的網頁進行A／B測試，借助消費者進行評價與判斷的反覆驗證，Netflix設法調整出有效的內容呈現方式，前Netflix產品副總裁吉布森(Gibson Biddle)表示，Netflix希望藉此持續不斷的提昇以下2項衡量指標：

1. 試用比率

非會員網頁的訪客中，約有2％選擇免費試用Netflix。

2. 付費轉換率

當免費試用結束，約有90％顧客會轉變成Netflix付費會員。

對於Netflix而言，提昇試用及轉換比率的做法不能僅止於「聚焦顧客」(Customer Focus)，而是要發展到「迷戀顧客」(Customer Obsession)的更高經營標準，此時落實策略佈局的重點不單是傾聽顧客怎麼說，不再是停滯於顧客現在的渴望與需求，不再是只追求顧客滿意。吉布森表示，「迷戀顧客」是要善用「組合式的研究技巧」(Mix of Research Techniques)，將顧客安放在你做的每一件事情上，並且開始透過顧客的視角來看產品。吉布森發現利用科學方法來形成及測試假設，正是建立「迷戀顧客」文化的最佳途徑，這項努力使得Netflix在取悅顧客的做法上很難被競爭者複製。想要發展出「迷戀顧客」的組織文化，企業可以參酌吉布森所提出的建議，採用5種不同的途徑來超越過去聚焦於顧客的做法：

1. 經由顧客科學的方法來進行測試與學習

2. 創造並落實非預期以及未來的市場需求

3. 追求長期的顧客喜悅

4. 成為新領域的先鋒以減少競爭

5. 顧客喜悅為先，確保難以複製，較高利潤就會來

這5個直面顧客的原則表面上很容易懂，不過要正確的執行並不簡單，因為有太多的主觀意識在影響經理人的判斷，Netflix的高層就曾經犯下這樣的思維錯誤。回顧2004年之際，Netflix在哈斯廷斯強力的支持下，推出Friends功能，Netflix的開發團隊堅信使用者必定樂於接受朋友的建議，而隨著使用這項功能的人越來越多，所形成的網絡效應就越強大。假設前提是藉由提昇顧客的好友推薦率，Netflix可以有效的降低行銷成本，取得穩固的市場口碑，建立起難以複製的品牌定位。

6年的失敗教訓

然而，事與願違，事後證明Netflix高層想當然耳的直覺判斷是錯誤的，其實該公司最終的績效目標是提昇「顧客留存率」，而好友推薦率似乎是最好的先行指標。當顧客將產品及服務至少推薦給1位好友的比率越高，應該「顧客留存率」就越高吧？這個命題並沒有經過測試證明是正確的，但是在眾人樂觀的想像之下，使得Friends社群開發專案得到長期的投資與支持，長達6年的時間裡，Netflix的高層都以為社群策略是相當值得投入的關鍵項目，絕對不能半途而廢，他們堅信只要下定決心就能做出成績來，更何況該公司已經在社群專案投資這麼多的時間與資金，加上沒有人願意將創始人充滿熱情的提案扼殺於搖籃之中，於是Friends這個專案就這麼堅持許久。

直到2010年，Netflix高層才痛下決心關閉這項功能，開發團隊終於意識到想要透過好友推薦來提高「顧客留存率」並沒有想像中容易，根據推算至少要達到20％的好友推薦率才有可能實現。但Friends上線的初期只達到2％推薦率，再經過4年的努力也不過達到8％而已，離理想目標可說是遙遙無期。如果Netflix早些採用顧客科學的驗證方法來評估Friends的市場價值，或許可以有效排除直覺的偏見，訂定類似迷戀顧客的5種途徑不會太難，但是要落實原則往往會遭到人性謬誤的干擾。

經營企業要完全不犯錯很難，關鍵是要建立起自我校正的管理機制，而直面顧客正是幫助我們不斷調整市場策略的最佳驗證途徑，Netflix在好友推薦上面的努力並沒有完全白費，最終證實使用者對於分享電影並沒有想像中熱切，況且有時候他們不過是根據自己的偏好來進行推薦，結果親友反過頭來吐槽使用者的品味太差，這一點恐怕是Friends開發團隊事前無法察覺的情境。同時，正因為如此，使得許多人並不太願意全然公開自己收視的影片。犯錯不一定是壞事，失敗是學習必然的過程，有助於我們察覺潛藏於市場深處的商業祕密，沒有Friends專案，誰知道朋友會吐槽我們自己呢？

AI顧客科學

經營過程中的失敗是常態，通常只要大方向是正確的，並不會影響企業在市場上的藍海佈局。多年來Netflix運用「顧客科學」針對直面顧客的行銷方案進行測試，充分發揮去蕪存菁的功能，有助於積極推升Netflix的品牌形象及產品開發的成效，該公司的影音串流服務因而獲得無數消費者的選擇與青睞。此外，近年因為新冠肺炎(COVID-19)肆虐，導致許多人寧願待在家裡觀看影集打發時間，Netflix的影音服務平台因此成為市場最佳的選擇方案，光是2020年的第1季，Netflix就增加了1,600萬名顧客，使得該公司全球使用者增加到1.8億名，更有效將Netflix的股價一舉推上492美元的歷史新高峰。

談完失敗個案，讓我們來談談Netflix的成功故事，除吉布森所強調的「消費者試用率」及「付費轉換率」，如果再加上前文提及的「顧客留存率」，這3大績效衡量指標可說是Netflix最重視的市場經營指導方針，其中又以「顧客留存率」最為多數公司所經常採用，由於Netflix採取的是按月扣款的訂閱模式，如果訂戶對於平台所提供的服務感到不滿意就很容易退訂，因此，如何避免顧客流失就成為Netflix經營的關鍵要務，其實最簡單易懂的做法就是讓使用者永遠有好戲可看，保持每天追劇的良好習慣，然而說來容易，做起來可是困難重重。

Netflix運用的是大數據追蹤術，每當用戶進入Netflix的影音平台，他的一舉一動就被「顧客科學」完全掌握，無論是活動時段、搜尋電影、觀賞類型、收看清單、中斷收看、觀賞時長、演員喜好、內容評論等都將會列入追蹤，種種數據經過AI演算法處理之後，Netflix就會自動生成推薦內容，就算是推薦同一部電影給不同的人，電影選單所展現的演員介紹海報也是擁有個別化差異的。其實Netflix的底層基因和Google很類似，2家公司主要目的都是讓顧客很容易找到自己想看的內容，當然最好是能達到完全不用找，想要看的內容就能自動上門來的境界。

根據使用者的數位旅程來分析顧客的行為偏好是目前的顯學，有助於企業創造個人化的貼心服務體驗，而且隨著AI工具的越來越平民化，顧客科學不再是Amazon、Google、Netflix這樣的大公司才能實踐的商業模式，未來有一天，就算是最不起眼的小公司也能操作同樣的工具。不過或許Netflix提出的「迷戀顧客」的5大途徑才是策略求勝的最終決戰點，畢竟取悅顧客才是最高指導原則，顧客科學則是強大的管理工具，誰是主，誰是從，我們應該分辨清楚才成。

資料來源：https://udn.com/news/story/6868/5294010?from=udn-relatednews_ch1015

訓練AI模型，要多少數據？拆解企業人工智慧專案為何難落地

2020.12.09 by 若水AI Blog

企業導入AI似乎已成為一種趨勢，但是訓練AI模型，需要多少數據？其背後的商業命題與成本又該如何解決？帶你來一起窺探AI專案背後的秘密！

企業的AI專案在釐清問題本質、找到命題之後，首先會面臨到一個問題：收集數據（Data Collection）和建立AI模型（Model Establishing），該以什麼作為評估基準？

訓練一個AI數據模型，需要多少數據？

訓練AI數據模型時，其實有三個要素，彼此互相影響。分別是： 商業問題的複雜度 、 AI模型複雜度 （Model Complexity），以及 數據複雜度 （Data Complexity）。

因此，如果想知道需要多少訓練數據（Training Data），建議先釐清：這個AI專案到底要處理什麼問題，以及這個問題有多複雜？確定之後，再來判斷應該選用哪種程度的模型來做訓練。根據不同的商業命題複雜度，用不同複雜度的模型和精準數據彼此搭配，找出最佳平衡，才能讓AI專案順利落地。

但光憑想像，很難評估實際的AI數據量和成效，所以開始AI的第一步，需要先透過POC概念驗證（Proof of Concept）實驗來找答案。

簡單來說，就是針對不同複雜程度的商業問題，嘗試選用不同複雜度的模型搭配測試，直到模型跑出來的曲線，符合理想目標。

一般狀態下，假設商業問題本身的複雜度很高，我們會預期要選擇複雜度較高的模型。但是如果數據量不足，那麼選擇複雜度較高的AI模型，反而會比用簡單的AI模型效果還差。（上圖左上、右上，分別代表複雜度10和複雜度50的問題，可以明顯看出複雜的模型曲線比較接近學習數據集（Dataset），但是在測試數據集上的誤差 Eout，反而比簡單模型還差了許多。）

上圖的左下和右下，是以不同複雜度的模型去做POC，跑出來的結果曲線圖。藍色線代表的是學習數據（Training Data）成效，紅色線代表的是測試數據（Testing Data）成效。最理想的POC目標，應該是兩條曲線很貼近彼此，而且位置越低越好。

我們會發現，左下這張圖的兩條曲線雖然彼此貼近，但是就算增加數據，也無法降低誤差。這表示模型偏誤（Bias）高，效果不佳，應該要增加模型複雜度 （Model Complexity）。

增加模型複雜度之後，就會像右下這張圖，藍色曲線（學習數據）雖然數值很低，但在學習數據不足的情況下（灰色區塊），紅色曲線（測試數據）卻「飄」得太高。這表示模型變異誤差（Variance）高，應該要增加學習數據。最後在慢慢增加模型複雜度以及學習數據之後，我們就可以達到理想的結果（兩條曲線很貼近彼此，而且位置越低越好）。

數據哪裡來？發展AI人工智慧之前，先建立數據流

先前我在文章裡提到，很多企業會急著開發AI模型，但AI專案落地經驗的三大關鍵之一，其實是先確認：是否已經準備好數據了？如果沒有這樣的能力，談AI落地其實有點好高騖遠。

AI數據收集（Data Collection）最大的挑戰，在於針對不同型態的命題，會產生不同的AI數據需求，因此需要建立的「數據流」（Data Pipeline），AI數據處理 （Data Processing）和數據標註（Data Annotation）的模式及流程也會有所不同。

發展AI之前，如果能建立起從數據收集（Data Collection）、數據處理（Data Processing）到AI模型學習的數據流（Data Pipeline），並確保可以順暢運行，實際訓練AI模型時才會省力很多。

數據不夠或太多怎麼辦？

Google開設的機器學習（Machine Learning）課程中，第一項原則就開宗明義地指出：「Don’t be afraid to launch a product without machine learning」。

如果你的產品或業務不一定需要用到機器學習（Machine Learning），那就別用，除非你有AI數據。有數據，再來談機器學習（Machine Learning）。但在業界的實際狀況，大家不是沒有數據，而是只有一些些，這時候該怎麼辦？我會建議，先從小地方開始做起，也就是從POC專案著手。

POC專案要有具體成效，除了要注意設計專案、實驗模型的指標（Metrics），企業最重要的是要先定義清楚：AI專案要達到什麼樣的指標，才算是成功？這樣最後做出來的成果，才會真正符合商業目標。

如果今天不是沒有AI數據，而是數據很多，又該從何下手呢？

我建議，嘗試減少訓練AI人工智慧時的「 數據大小 」和「 數據筆數 」。

過去曾經處理過一個AI專案，數據多達2億筆。第一次實驗，把數據全部餵進AI模型，取得結果。第二次，只拿其中有代表性的500萬筆出來訓練人工智慧。

猜猜結果如何？兩次實驗的表現，只差異不到1%。

所以，如果企業對於AI數據的品質和數量有一定程度的自信根據，其實不用把數據全部餵進AI模型訓練（Model Training），只用有代表性的AI數據來訓練就可以了。市面上很多常見的AI工具（Cluster），可以做到這點，幫助省時省力。

AI模型訓練，記得校準商業目標

企業發展AI人工智慧的最終目的，還是希望能 達到商業目標，創造價值 。

所以，訓練AI模型時，團隊如果不知道如何判斷哪個指標，對AI模型學習來說比較重要，建議回歸初心，重新釐清「 這個專案想達到的商業目標是什麼 」。

比方，趨勢科技（Trend Micro）要開發一個能夠判斷電腦病毒的AI，但是勒索病毒（denial-of-access attack）和廣告病毒對客戶的傷害程度大不相同。這時候，工程師就會針對這個命題，餵給AI模型不同病毒種類的數據，讓它學會判斷不同病毒的重要性，分辨出哪些病毒比較嚴重不能有判斷錯誤，而哪些病毒比較無害，不一定要做到一百分。

最常見的訓練方法，是用成本函數（Cost Function）的方式，訓練完再回去調整AI模型的評分（Rating），用加扣分的方式，告訴機器它的學習表現是好是壞，做對就加分，做錯就扣分。

上述評分原則的制定，和企業的商業價值考量息息相關，所以一般在組織分工，會由PM專案團隊負責判斷哪些項目重要，請資料科學家設計在上述Cost Function裡面。

很多人以為，AI人工智慧開發要做到很完美才行，但其實根據我們的經驗，只要AI開發成本符合預算、AI模型表現可接受（大約做到60–70分），而且結果有助於降低成本，就可以算是達到商業目標。反過來，即使AI模型表現非常好（高達90分），但成本卻遠超出預算，就不建議執行。

另外，因為POC階段會做很多的實驗，需要拿兩個穩定且可以互相比較的基準做A/B Test，所以做好基礎建設非常重要。

如果一個團隊裡面有三位工程師，但三個人做出來的結果都無法互相比較，那麼這個實驗就會變得霧裡看花，導致AI專案難以落地。

AI數據小學堂：模型指標（metrics）

在做模型實驗時，通常會用混淆矩陣（Confusion Matrix）的四種指標：TP（True Positive）、TN（True Negative）、FP（False Positive）、FN（False Negative），以及Count、Unique和Accuracy等等函數，來判斷這個模型的表現好不好。

P或TN值，代表模型辨識的答案正確，和預期結果一致。例如：模型正確判斷出「這是一隻貓」、「這不是一隻貓」。而FP或FN值，則代表模型的判斷錯誤，例如「明明是貓，模型卻說不是貓」、「明明不是貓，模型卻說它是貓」。

附圖：AI模型 若水國際
AI模型的POC概念驗證實驗怎麼做？

資料來源：https://www.bnext.com.tw/article/60440/ai-strategy-04?fbclid=IwAR1SOhjjGxypdGgOGfaBIl_a1IsZFJAQZ8J2aeDd98spbUfOdg7hiPQP7UA

本文來自：量子位微信公眾號 QbitAI

李開復周遊列國AI後分享，誰會吃掉最大紅利？

“見過最瘋狂的中國創業者是馬雲”、“一個群裏辨別 AI 的方式是發紅包”、“120 歲打算退休”……以及準備開始基於科學的科幻創作計畫。

以上熱議“段子”，或許前幾天你已經被刷屏了，但這都並非段子，而是創新工場董事長兼 CEO 李開復博士在 MEET2020 智能未來大會上開場對談內容的截取。

面對量子位主編李根的提問，李開復博士分享了對於人工智慧發展現狀和未來的看法，比如政府政策對AI研發與落地運用的支持、對 AI 公司價值重估的趨勢、對 AI 賦能傳統領域帶來新邊界的看法，以及人才驅動的新格局的展望等等。

為了完整展現李開復博士最新的所想所感，量子位精校了現場訪談速記，希望周遊列國 AI 後的開復所思，同樣能給你帶來啟發。

在這次訪談中，李開復博士將提到：

 2019年最大感悟是全球政府都在積極擁抱AI。
 AI行業正在回歸理性，需要回歸商業本質。
 AI跟傳統企業不是誰顛覆誰的問題，而是賦能的問題。
 AI賦能的本質決定了AI公司不會To C式爆發成長，而會像To B企業一樣穩定壯大。
 互聯網和移動互聯網依靠前端紅利壯大，AI最大的機遇是後端創新。
 技術公司要接受傳統公司掛帥，要有服務心態，落地為王。
 今年見到最酷的黑科技是3D列印心臟。
 基於科學的科幻作品，能夠用想像力啟迪科技人尋找方向。

訪談實錄：

李根：謝謝開復老師的到來，聽說您前兩天剛過了生日，收到特別的一份禮物是今年新書《AI未來》的斯洛文尼亞版成為他們國家暢銷榜第一，這個國家我們瞭解的不是很多，聽說第一方面是個歐洲的小國家，另外一方面可能足球踢的比中國好，更多就不知道了……

李開復：還有出了一個美國第一夫人，現任特朗普總統的夫人。（現場笑）

李根：所以今天還是想圍繞您的新書開始，大家也看到了部分展示，聽說有21個國家和地區的版本，都是暢銷書。所以今年周遊列國AI之後最直觀的感受是什麼？

李開復：直觀的感受可以按時間來說。在2017年，我覺得AI最火的領域就是VC，所有的VC都要把自己包裝成AI投資人，看到某一個博士出來了就瘋狂的搶專案。2018年看到的更多的是所有的企業，尤其傳統行業開始醒來，發現不擁抱AI可能就會有很大的麻煩。到2019年——正好是我出書這一年，我覺得最多的是全球政府都在擁抱AI，每個國家都要出一個國家戰略書。

講一個小故事，有一天我接到一個電話，一早，他說他們的President想和我講話，我問他來自哪家公司，他說他來自阿根廷，他們的總統要跟我講話，所以可以看出全球政府在推動，我們就可以很必然地看到AI正在全球範圍內得到最重要的支持，這也讓我們一定可以把這個領域推到更高的高度。

▍AI公司面臨價值重估，回歸理性的時刻

李根：今年AI在中國進入了一個新的階段，之前有很多的博士精英，有很多的黑科技，比賽冠軍的數目。今年更被關注在商業落地、營收方面比拼。

李開復：這是最火的領域，包括當年的互聯網都經歷了這樣的過程。但用博士的數量、或者AI得獎的次數做一個公司的估值都不理性。當年還有很多不理性的做法，比如為了抬高自己的估值，不找一家領投，用10家各出2000萬，無領投者，大家就是沾光投上某某著名的博士，這種做法導致的後果非常直接——當你沒有領投者，大家都不會覺得這是我必須要花全力的專案，只是花2000萬買個名而已。

AI公司重估的問題，我在2017年第一次被問到，但當時一切才開始，大家要接受這種混亂的現象，可能少數的公司被過高估值了，但是未來還是非常好的。

到2018年初我被問這個問題，我預測2018年底會有泡沫來臨，而且確實大約在2018年9月-12月大多數公司面臨了挑戰。

再到今年，有AI公司上市、Pre-IPO，這就是退潮時刻，誰在裸泳一眼便知。每個公司都必須面對最後一輪投資人，或者上市之後必須要回歸商業本質。所以之前估值AI公司的方法，或是過不了上市這一關，或是上市後很難持續。

所以我覺得今天毫無疑問在回歸理性。而大家在過去一年經受了很多估值受到挑戰、下一輪很難融等等的問題，都是這種回歸理性的表現。

今天我們看到出來融資的AI公司，也比當年更明確地去瞭解自己需要落地、需要產生收入。並且也越來越明確：人工智慧是很偉大，但它跟互聯網、跟移動互聯網不一樣。

在移動互聯網和互聯網的時代，我們是在重構一個完整的介面，它可以推動和顛覆各種傳統業態。而人工智慧的本質是提升效率，降低成本、創造價值，AI跟傳統企業不是誰顛覆誰的問題，而是賦能的問題。

如果你接受了這個觀點，你也不可能期待說人工智慧什麼時候會有美團、滴滴、阿裏出來，因為它本質上不是一個爆發式成長的to C的公司，而是穩定成長的to B公司，更需要我們沉下心來把這個公司慢慢做出來，而不是看到一個巨大的拐點、指數級的增長。

所以現在更是需要回歸理性、回歸商業本質的時候，雖然會讓一些公司面臨挑戰，但應該會讓我們有更好的健康發展。

李根：您在世界人工智慧大會上的主題演講，也提到了AI+的階段，說告別精英創業的階段，現在的AI是不是走過了技術創新的階段，可以進入商業模式創新階段了？

李開復：我覺得是的。在那個大會上我講了AI的四個階段，其實就是互聯網的四個階段。

 第一個階段就是黑科技階段，做出來的東西大家都看不懂，誰有厲害的科技就會被追捧。
 第二個階段是嘗試商業化to B的階段。
 第三個階段是AI賦能，把AI注入傳統行業來產生價值。當年也是互聯網注入傳統公司。
 最後是遍地開花。

從互聯網發展來看AI階段，第一個階段可能就是在網景的創業，第二個階段是大家賣一點互聯網的軟體、伺服器、編輯工具等等。

第三個階段就像微軟，當時我在微軟創造了一個互聯網部門，有一個首席互聯網專家，然後測定公司在什麼地方應該引入互聯網。但是最終這個部門就被取消了，因為整個公司都要擁抱互聯網。那麼AI也是一樣，在初期是曠視、商湯各種黑科技公司，再下一批可能是B2B公司，像第四範式、創新奇智這樣的公司。第三個階段，有海量的傳統公司會看到AI可以創造的價值，而且今天中國面臨的巨大的機會和挑戰。

一方面，互聯網和移動互聯網的發展，把前端的紅利——最核心的是人口紅利吃掉了，能夠實現指數增長。

但另一方面， 其實後端有非常多低效的效果，比如說海量的夫妻店，有非常低效的物流，在零售、製造方面，在三四線城市後端都需要提效，要不然的話是沒有辦法支撐其他的90%的經濟的成長。

而後端效率的提升，就很需要AI的賦能。

所以AI的賦能，就是傳統公司和AI公司最好的合作點，這是現在面臨的下一個AI賦能的機會。

這些公司要尋找一個像行業顧問，或者AI公司合作夥伴也好，或者自身建設AI部門也好，讓AI賦能，在業務和流程中實現降低成本、增加效率。

在這些傳統的公司慢慢擁抱AI之後，再過幾年就會和互聯網一樣，每一個公司的每一個部門不考慮AI幾乎都沒有辦法生存了，行業的期待就是你不用AI就會效率低下。

而且在越是分散的行業，每個公司的都有很多成本的問題，哪一個公司能夠增效或者降低成本3%、5%，就可能會勝出。

於是在行業整合的時候，可能本來有10家10%份額的公司就會有一家勝出，這時候除了有AI帶來的效率、市場整合的能力，還有更大的規模帶來的更多的效率，以及行業龍頭甚至壟斷者帶來的機會……

所以AI的四個階段，每個階段都充滿著機會。今天更是尋找傳統行業比如醫療、製造、零售等等這些行業怎麼樣去賦能的時機，能夠創造更多的價值。

李根：所以聽起來不僅是AI公司正在2019年經歷重塑，可能傳統公司、傳統企業也在經歷重塑。

李開復：對的。

▍誰吃掉最大紅利？

李根：聊到的傳統公司的問題，今年有兩種聲音，第一種就是有一些技術的公司，比如說自己找到一個落地的場景，然後就能吃掉AI時代的最大紅利。也有一些來自於場景數據的公司，覺得一開始技術沒那麼強，但是接下來的時間有後發優勢，也可以吃掉AI最大的紅利，在您看來誰會吃掉AI的最大紅利？

李開復：在國內創業，競爭環境都是非常劇烈的，大家都在尋找最成熟的果實。但這些最大的果實在初期的AI前面落地的第一、第二階段都被摘掉了。

什麼是AI最容易使用的行業呢？一定是那些已經有海量的數據，而且數據被結構化整合的行業。

另外，這些數據還能直接關聯到具體的商業指標，作為它的目標函數。比如說金融界、互聯網，這些行業應該都已經被吃掉了，所謂“被吃”，大的意思就是這些公司都發現了AI真的好用，能夠幫我賺錢、省錢，我自己需要擁有這個東西。

起初先有幾家公司跑了出來，同時大部分的互聯網公司都自己擁有AI團隊，接著保險公司、銀行也開始有這樣的傾向，於是造成第一批有得天獨厚優勢的傳統行業擁抱了AI。

再接下來的AI落地就會有挑戰了。比如說在製造、零售、健康、醫療、教育這些領域，數據和落地基礎並非一蹴而就。

你問的問題就是在這些領域裏，到底誰比較有優勢？我們做AI的人必須意識到一個很清楚的事實：學習運用AI這件事情是越來越容易的，也就是門檻越來越低了。

這就是為什麼創新工場能夠在4周的時間（DeeCamp夏令營）培訓600個電腦的學生，讓他們4個禮拜培訓以後就變成了所謂的神奇的AI工程師。

在五年前，這是不可能的，因為那時候的演算法還要自己寫代碼，現在已經有很多大公司，包括國內的百度、阿裏、騰訊，都在提供AI框架，讓AI的門檻降得越來越低。

所以這個結果很明確：最終一定是傳統公司擁抱AI的難度，遠遠低於AI技術公司去學零售、學制藥，後者都是遙不可及的事情。

如果從AI紅利目前是一杯水半空的角度來看，傳統公司會是最大的獲利者，AI公司很難獲得最大的利潤。

但是從一杯水是半滿的角度來看，這些傳統公司現在並不知道怎麼去擁抱AI，所以你如果是個好的AI公司，你在未來的三五年還是有機會跟他們共贏的，只要你的收費他們可以接受，也就是說你的價值大於你的收費。在未來的三五年AI公司賦能傳統行業是有機會的。

從更宏觀的角度來看，畢馬威預測在2030年的時候AI帶給全世界的GDP應該是差不多1萬億人民幣。這裏面可以看到，他們的90%以上都還是把這個數字給了傳統行業，也就是說真的是在為了傳統行業賦能，最後得到的紅利必然是傳統行業的。

那麼一個傳統行業得到了某一個領域的1000億賦能，或者降低成本。這1000億裏面有可能有5%-10%給了AI公司。

所以我們AI公司還是要面對現實，作為一個AI的創業公司，你去顛覆傳統公司的概率是低的——雖然在有些領域是有可能的。

對傳統公司來說，應該把AI公司當做最好的朋友。

我覺得也不排除有很多新的模式跟打法，但中國的整體現實就是這樣。而且美國是不可參考的，美國很多傳統行業的數據積累得很好，參考美國參考AI賦能，在中國是不成立的。

所以中國公司還是要尋找最有創意的方法，來找到我們能吃到的最大紅利。

舉兩個例子，一個是創新工場分出去的創新奇智。當時我們看到這樣的一個機會，尋找了一個企業家，而不是博士來領導這個公司，然後針對製造業和零售業去做賦能的工作，現在做出來了一個最快速的成長，得到最高收入的一個AI公司，因為他從一開始就把自己當做傳統公司賦能的合作夥伴。

另外一個角度，從創新工場本身來說，我們2019年幾乎沒有再投AI黑科技公司了，當然偶爾還會看到一兩個，但是我們投了很多行業AI公司，比如說在健康領域、制藥領域、教育領域，做的公司其實是AI教育、AI制藥，或者是AI醫療大數據。這些公司的領導者一般不是AI專家，而是行業的專家，同時搭配AI方面的合夥人。

李根：之前有很多人問到技術的精英更像是空軍，對於傳統的公司——陸軍，會有一些新的方法上的不適應。

李開復：我們要接受，最後的元帥還是傳統的公司，我們的空軍還是給傳統公司賦能，提供價值的。不要認為我們空軍跟他們陸軍是平等的，還是要放下心態，1萬億的市場很大，我們能吃5%-10%就已經很好了。服務心態，落地為王。

▍AI邊界：Android還是IOS？

李根：技術公司也開始有新邊界，今年的現象是之前很多語音、視覺為主的公司，開始做到晶片，也有AI晶片的公司開始向上打造語音演算法。所以大家之前更多在講社會化分工，現在AI時代裏現在看起來並不是這樣。Android還是IOS？這是一個問題。

李開復：對，這個過去幾年也變了好幾次。剛開始的前10家AI公司都號稱自己是AI平臺，現在很少有公司這麼說了。

因為AI平臺這個詞本身可能就是一個偽概念，在AI注入各個行業過程中，它的應用不一樣，一個通用的AI平臺，除非是TensorFlow這樣底層框架，否則很難。

我覺得當前業態裏有這樣的變化，可能還是跟資本環境變化有關，大家本來走的道路不好走了，需要轉型。但是也融了很多錢，所以希望用這樣的機會來轉型。

這些轉型我覺得可以支持，但它不見得是一個良性的發展，所以當你轉型的時候還是謀定而後動，我覺得如果發現自己原來的市場沒有想像的那麼好，但是有幸在前一兩年AI很火的時候融了很多錢的公司，不妨可以把已有的壁壘從上游到下游來拓寬，然後形成一個IOS的形態，我會覺得是一個比較穩妥的打法。這樣去做一個平臺型的公司，我覺得好像機會比較大。

而轉型，比如從語音到視覺，從視覺到晶片，從安防到醫療等等，這些探索我覺得如果是商業驅動必需的，裏面有核心技術可以支持，也不妨可以做。

但整體上，我會抱比較保留的態度。因為我們還是應該去尋找最大的商機，不是被逼的走路走不通了，看誰最火做什麼。

尤其是晶片方面的切入，挑戰更大。因為做晶片這件事，不是寫過論文就可以能出晶片的，真正跑出來的晶片公司非常少。

這也是為什麼中國晶片沒有過一個特別高速成長的紅利期的原因。因為它需要一個特別大的資本推動，從回報上跟軟體行業、互聯網，AI是不可比的，所以這不是很好做，也不是很容易拿到投資。

當然今天國家有晶片的需求，這是一個機會，能更容易融到錢，或者說幫助中國發展，以及美國潛在的挑戰——脫鉤的問題，做出商業的彌補。

但是從商業的本質來說，一個軟體公司做晶片，獲取成功的概率依然是偏低，挑戰很大。

▍為什麼MSRA創辦可以改變中國科技格局？

李根：今年還有一個關鍵字是新格局。但AI創業公司、巨頭的格局，其實都源自微軟亞洲研究院，螢幕上您周圍的戰友，後來都各有各的身份，還有好幾位今年都退休了，不知道您有沒有這樣的計畫？

李開復：有，差不多120歲的時候就退休，但是還比較遙遠。（全場笑）

李根：所以這是今年投了一些AI制藥生物公司的原因？

李開復：對，我們投的一個公司很有意思，我們年會的時候請了一個我們投的科技制藥方面的專家來演講，我就問他，我到底還能幹多少年，他說你只要再能撐20年，我們就有可能有抗衰老的藥，讓你撐更久。所以我現在努力地活20年，不要生病，先達到這個目標。

李根：所以回顧21年前，您創辦的微軟亞洲研究院的時候，中關村還是一個很荒蕪的地方，會預料到今天會有這麼大的變化嗎？或者MSRA成為「黃埔軍校」？

李開復：當時我們有很大的自信和期待，這批人是會為國家、科技領域做出特別大的貢獻的。因為我們真的非常有幸——在正確的時候做正確的事情。

在中國即將崛起的時候，在中國科技即將崛起的時候，帶來了一個全球頂級的品牌（微軟），一個不要求回報的科研投資（微軟研究院），一個很寬鬆的環境，一個特別好的學習環境，特別大的資源，很自然的就把國內最優秀的一批人吸引來了。

而且正好也碰到了海外有一批特別優秀的，有十年左右經驗的大牛：像張亞勤、張宏江、沈向洋，正好把他們拉了過來，這麼一對接之後就有火花。

所以對研究院培養的過去21年來的5000人，他們今天的貢獻我覺得是必然的、可期待。

但無論如何，回過頭去看，對於今天中國整個科技的規模，快速成為世界巨頭的速度，依然超過了我過去的想像。

李根：今年也是創新工場創辦十周年，站在這個時間點回顧，哪些事情是被預料到的？哪些趨勢是之前沒有預料到的，但是給現在的產業格局帶來很大變化。

李開復：我覺得十年前可以預測AI的發生，但是實際發生在哪一年比較難預料。

當年創新工場第一次募資的時候，很大的挑戰就是，你憑什麼覺得中國還會再出三到五個獨角獸？

你要融兩億美元，至少要投中兩三個獨角獸，你作為一個基金投兩三個獨角獸，意味著中國有二三十個獨角獸，怎麼可能呢？這是很多投資人挑戰我們的問題。

但現在回頭看過去十年，不但出了幾百個獨角獸，而且是超級獨角獸，100億美金的，甚至500億美金的都出了好多個，所以我覺得中國是一個很獨特的大市場。有海量用戶、資金、提供幫助的VC，以及一批很強悍的創業者，最後創造更好的市場並且閉環滾動。這樣的迴圈我們當年可以預測，但是迴圈帶來最終的價值依然超乎想像。
快問快答

李根：回國20年最自豪的是什麼？

李開復：創新工場。

李根：創業十年裏印象最深刻的是什麼？

李開復：是我生病的時候整個公司到臺北來看我。

李根：如何判斷一個群裏的開復老師是不是AI？

李開復：這是真實情況，我常常到一個群裏，人家說你是真的李開復嗎？然後我就自拍，他們說現在可以做假，我就錄一段語音，他們說也可以作假。我說怎麼自證呢？「發個紅包」。

李根：今年見到最酷的技術產品或者應用是什麼？

李開復：應該有幾個，一個是特斯拉的自主召喚接駕——你購物之後，自己來找你，這是很聰明的應用，但並沒有特別強的黑科技。

如果講真的是黑科技的話，3D列印的心臟，雖然還有很長時間的發展，但還是比較震撼的，以後我們的壽命延長、內在的移植都會得到很大的顛覆。

李根：我知道您很喜歡喬布斯之前說過的一段話，「那些瘋狂到以為自己能改變世界的人……才能真正改變世界」，那麼問題來了，誰是您見過中國最瘋狂的創業者？

李開復：還是馬雲。原因是能夠有這麼大的想像力做一個如此大的事情，最後還實現了。

很多中國創業者還是比較理性，強方法論，把事情一步步滾動出來。從李彥宏、馬化騰、王興、程維，都是戰略家、策略家、企業家，只是真正有瘋狂氣質的還是馬雲。

李根：最後一個問題，您是非常科學的人，但也愛好科幻作品，怎麼看二者關係？《AI未來》這麼暢銷，是否考慮一下科幻作品？

李開復：科幻小說和電影其實對整個AI行業的推動非常巨大。

我們看當年《2001電影漫遊》、《銀河系漫遊指南》，甚至有些很負面的作品……都很成功地預測了今天，比如《星際迷航》裏很多東西都開始發生了。

所以我覺得科幻電影是用想像力來幫助我們這些科技人尋找到方向的。

但是我一直對科幻電影有保留，特別是過去這五年，AI再度復興，大家熱情高漲，於是想像太豐富，尤其是對AGI（通用人工智慧），對人能愛上機器，對機器想要控制人類的欲望，有過度解讀。
我們需要明確，AGI還遙不可及。過度強調AGI會導致整個社會對AI有一個負面的影響，今天在美國做調查已經超過50%的人聽到了AI覺得是負面，而不是正面的事情，這是很可惜的。

我覺得作為一個小說電影的愛好者，也作為一個AI人，我會希望能夠描述一些故事，這些故事基於真實科學能力，比如說20年之內是80%會發生的技術，然後用這些去更好地推動我們的創業者和科學家。

所以我會希望做Science Faction——基於真實的科學的科幻。於是想寫這樣的一些東西。如果在座的各位有什麼想法能夠寫出又精彩又可行的AI技術——20年之內可行的未來，可以投稿到量子位，以後如果我寫書拍電影的話，一定會標注致謝。（全場笑）

#質詢日記 #財經 #20190411

【#高銀董事會 形同虛設！】

慶富旗下的慶峰水產，當時在進行虛擬增資時，居然用 21 年的漁船作信用擔保品，就向高銀成功申貸3億元。高雄銀行內部的漁船估鑑管理要點，規範 15 年以上漁船是不能辦理估鑑價，結果這這艘21年漁船未經自行鑑價就核貸 3 億元，結果慶富案爆發後，該船被強制拍賣，歷經 5 次流標，最後 在今年 3 月份以 1.28 億拍出，根本是賠本生意。

市議會慶富專案小組 3/7 時發文要求高雄銀行提供相關資料，等了一個月，終於在4/10總算由金管會函復可提供議會相關資料現閱。畢竟，市議會並非高銀監管機關，亦無調查權，但是，但是，高銀董事會獨立董事有權組成審計委員會，在授信戶逾放、資金流用穎問題時就應主動查核，但官股董事明明佔相對多數的董事會，卻一直沒有動作，董事會監督責任何在？另外，葉天營、梅再興作為高捷派去高銀的官派董事，派令是否有經過董事會同意？

結果高銀董事長張雲鵬果然坦承，當時因為時間緊迫，官派董事就只讓董事長先行核定了，事後才讓董事會追認。喪失監督效能的高銀董事會根本形同虛設！相關責任我會再於後續調查中釐清。

【#商圈發展 何去何從？】

2017 年時，高雄市議會、高雄市政府經發局等多個局處皆同行考察韓國三鐵共構與商圈發展，我詢問經發局長，至今有多少的參訪心得化為實質的政策改進？以韓國東大門為例，政府並非單採非採支援、輔導、補助的方式，而是有系統地扶植時尚產業，整合時尚設計、生產製造、批發零售的上下游，大眾運輸結合提貨與物流功能，非常值得後驛、長明等商圈來借鏡。

此外我詢問經發局長：「局長知道依法高雄有幾個商店街區嗎？」答案是「只有一個」。現行的《高雄市商店街區管理輔導自治條例》為 2012 年所公布施行，訂出街道長度、店家同質性等門檻作為認定商店街區的標準，當年的既有商圈則有 3 年的輔導期達到法規標準，結果 6、7 年過去了，原輔導的 19 個商圈僅三鳳中街符合法規標準。新的商圈進不來輔導範圍，舊的沒落商圈也沒有退場機制。

我再問，局長知道捷運獅甲站附近有個「南部時尚產業創新基地 - R7 創藝所在」嗎？R7 基地有 4 個跟成衣、鞋類設計及印刷、3D 列印有關的法人進駐，但是因為是經濟部工業局設立的，所以高雄市政府一直沒有善用 R7 基地的資源。

我要求局長一定要讓有心投入服飾業升級的年輕人及商圈店家，能夠互相認識合作，在鐵路地下化之後，打開的前後站聯通的交通便捷優勢，商圈發展如果能導入新的概念，才有轉型的可能！

【#公有市場活化】

高雄所有攤集場（就是路邊攤販）都是私有的，這種現象在全國是獨一無二。以台北市來說，所以的攤集場都是公營的（35 處），但是高雄 51 個立案登記的攤集場，卻都是民間自行管理，一方面對於傳統的市場攤商來說感到不公平（因為攤集場圍繞在市場外圍，對市場攤位生意必然有影響），另一方面，攤集場若無好好管理，在食物烹煮時所排的廢氣及廢水，都是社區環境的負擔。

我提出，公有市場卻逐漸凋零，未來有沒有可能提高公有市場的誘因，讓私有攤集場願意進去公有市場做生意？經發局長伏和中回應，有許多外部攤商不用負擔清潔成本，客人卻會使用市場內部的設施，讓乖乖繳納清潔管理費的攤商備感不公，會持續輔導攤商轉為合法進入市場。

此外局長表示，看現在去市場消費的人口年齡層組成，就可以知道目前市場運作恐怕跟時代趨勢有違，因此會積極媒合週邊的大專院校認養公有市場、協助規劃，幫助市場跟上潮流，活化逐漸凋零的公有市場。

【#22遊艇碼頭運補交通動線 應協調改進】

高雄已經在高雄展覽館辦了三屆的遊艇展，然而經營許久的 21、22 號遊艇碼頭，以及周邊餐廳，居然連一條車子能進入的運補路線都沒有！！導致遊艇垃圾、餐廳廚餘等都要用人力搬運，對於邀發展遊艇觀光的亞洲新彎區，這實在不可思議！

而目前有可能規劃運補車輛進入的路線，是中油預計作為停車場使用及公園綠地的空間。遊艇業及餐廳業者希望有條路走，還得自行跟中油協調。為了解決兩邊的困擾，我要求經發局來協調，讓高雄這個得天獨厚的海洋遊艇產業更完整，更能吸引國外遊艇停靠入港。局長允諾會再跟中油進一步溝通。

【#大社工業區 遷廠規劃】

上月底，大社工業區降編通過都審，大社的居民都非常的高興，高雄終於要跨出產業轉型的一大步。但是，經發局準備好了嗎？經發局有沒有做好溝通的角色，讓廠商充分知道自己的未來何去何從？

我詢問經發局長，在過去這麼多年來，經發局居中進行了哪些輔導與配套措施？如今，輔導廠商遷廠或轉為乙種標準是否有具體時程？遷廠的具體時間、地點、配套措施是什麼？局長表示，廠商未來去向會再持續跟經濟部討論，惟目前經濟部表態：希望可以讓廠商原地繼續生產營運，但高雄市副市長李四川在市長市政質詢時，已經承諾會落實 25 年前的決議，全面輔導降編為乙種工業，若無法轉型必須遷廠。市府行政一體，經發局應該必須朝這個方向來努力！