奇績創壇分享：從科學家到創業者的科技創新

引言：近期，朱瓏博士受邀在奇績創壇分享《科技創新：從科學家到創業者》。朱瓏博士是依圖科技創始人，人工智能科學家，加州大學洛杉磯分校統計學博士，曾在麻省理工學院人工智能實驗室、紐約大學Courant研究所擔任博士后研究員。

本文要點

• 科技和創業：從企業、遠見、戰略、市場、產品5個角度出發，科研項目如何轉化為創業公司，在商業化層面需要做什么準備。
• AI 新黃金時代：朱瓏博士認為，AI 新黃金時代已來臨，即將開啟物理材料構建智能體的篇章。

科技和創業

Enterprise = Vision | Strategy | Product x Market

第一部分是關于科技和創業。

用一橫一縱的圖描述企業。

縱軸Vision|Strategy|Product是不同時間跨度關心的事情，分別是遠見看十年，戰略看五年和產品看三年，從遠到近，從模糊的正確到具體的執行。

企業基本上以V|S|P為軸，把長短期目標連接起來。

橫軸展現企業以什么組織形式，其重心以產品x市場張成組織結構的底，具體結構取決于什么樣的產品陣列以及服務什么樣的客戶，大體分為ToB、ToC市場。

橫軸從右到左是由表及里的拆分，其中比較重要的是財務和人事。財務以數字化指標來指導企業運營，基礎指標：收入、利潤、現金流和增長率，用來衡量企業運營效率和產品競爭力。人事關心以什么樣的組織薪酬結構匹配業務需求，在A輪B輪等不同發展階段定制不同KPI激勵團隊達到更好的財務指標。最右側也是最表層容易被感知的企業運營。最左側最底層的是創始人的使命、價值觀和方法論，支撐遠見的達成。

創新路徑有很大不確定性，作為CEO，相比于管理層更需要Be comfortable with uncentainty。

Vision is a unique perspective about big things

遠見是一個非常獨特的看行業變革的視角perspective，本質上只要有不同的角度，就會產生不同的Vision。

但Vision要討論BigThing是什么。比如英偉達CEO Jensen Huang 30年前對圖形卡的展望，隔十年對圖形卡和計算卡的演進關系是怎么構想的，對摩爾定律在不同時代與同行有什么獨到的見解。

獨到的遠見非常珍貴，深刻的行業洞察很有幫助，但更多時候還靠企業家的直覺instinct和偏執，很難短期訓練形成。遠見指導形成差異化的戰略。

Strategy = Maximize ROI = Maximize Efficiency

商業領域非常關心戰略。戰略就是用方法論把模糊的遠見具體成產品路徑。在早期，戰略等同于產品策略，最開始要去找特定niche market，盡量在其中尋求高占有率，極度專注地通過產品獲得差異化競爭力，且能夠隨著時間擴大，而不是衰減。

值得特別注意的一點是，技術往往不是時間的朋友。技術的商業價值不在于第一個的出現和領先，而是在于優勢的持續性。

另外可能容易混淆技術的整體社會價值和特定機構的商業價值，比如AI對社會的價值大不大，很大！那特定的公司在AI領域里分到的價值大不大？這是兩個命題。技術必須和市場和商業化的過程相結合，才能構建競爭力和壁壘。

戰略最重要的是對市場規模預測。Scale is everything。市場最好有規模效應，占有者容易形成對比優勢。容易忽略的是節奏。半導體領域有眾所周知的摩爾定律，18個月翻一倍。這個定律本身不是在談一個物理規律， 其實是在談行業的供需周期或者競爭規律。比如說手機、芯片、服務器、汽車都有各自不同的行業節奏。很多創業團隊從最快節奏的互聯網領域來。但技術應用到其他行業，像是制藥，醫療，企業服務等行業，智能化的改造節奏沒有那么快，但多年訓練習慣是快節奏，與行業的慢節奏產生錯位匹配。所以太快和太慢都會成為問題，節奏是戰略中非常重要的一環。

創業要面對很多創新。但沒有討論風險的創新往往是假的。只有管理團隊把風險計算清楚，才可能對創新的本質和邊界有更好的把握。風險的計算是重要的基本技能，需要培訓和練習。快速試錯并以非常低成本試錯是創新的重要方法。

戰略需要具體執行，就需要量化。有一個基礎但很重要的量化概念叫投入產出比ROI。美團非常好地把戰略等價于在某一時空下最大化ROI。憑借商業直覺衍生出的看似抽象的戰略變得可量化，可推導，可比較，可驗證。但戰略可選擇的空間強依賴于企業自身的組織能力，需要有耐心成長組織能力并等待與之匹配的戰略窗口。

商業領域另一個解讀戰略的經典視角：唯一有效的企業戰略就是提高經營效率。效率是用利潤率加增長率這樣的財務數字來量化企業的競爭力，也叫效率公式效率=利潤率+增長率。效率指數40%是值得參考的基線準則，比如說追求高增長率，可以的配比是利潤率-20%+增長率60%，或者平衡一些20%+20%。總之兩項相加作為指數度量企業競爭力，這在財務數字上把企業的宏觀戰略連接到微觀運營。效率公式在數學本質上和ROI相同，例如保持20%的利潤率6年約等于ROI=3。利潤率20%或ROI=3恰好都是行業巨頭業務決策的指導標準。

利潤率可以根據產品毛利率減去運營成本計算獲得。毛利率是非常重要的度量產品競爭力的指標。雖然不同行業的產品會落在不同的毛利率區間，軟件、服務、系統、硬件，芯片等產品形態有些差異，但總的來說60%毛利率是全球市場很好的經驗指導值，行業第一的毛利率大概都會在此之上，高毛利率讓企業利潤率能夠在20%以上，例如微軟、谷歌、蘋果、英偉達、英特爾等。如果是比全球市場小些的市場，指導值相應調低至50%。海康就在此區間，同時也非常出色地做到了高利潤率。第二名因為市場占有規模更小成本更高，毛利率與第一名的差距略小于10%，利潤率因此也受一定擠壓。再往下接近30%就是一個產品公司能夠盈利的底線。毛利率下降也反映競爭的加劇。生產制造比較重的行業例如汽車，毛利率會低很多，如何維持好的利潤率就非常考驗運營效率。

最近科技創業的商業化受到廣泛關注。分析一下毛利率就可以理解為什么市場對很多技術企業的擔心和質疑，很多產品并沒有體現出差異化的競爭力。當然，從另一角度看，技術找到市場規模化的支撐是艱辛的歷程，也需要更多的耐心和理性的支持。

Market = SaaS | PaaS | IaaS x Cloud | Edge

創業很重要的一個環節是市場和產品的匹配（product-market-fit）。越是創新的商業模式或產品品類意味著剛開始沒有客戶。行業格局的分析有助于定位在什么樣的上下文討論。

以大的IT行業格局為例進行拆解，分為橫軸和縱軸，橫軸左側是云中心，右側是邊緣端，有代表性的公司的產品形態以及產品所構成的產業鏈條從上到下為SaaS | PaaS | IaaS，依次從偏軟的應用服務到操作系統，到偏硬的服務器、芯片，最后到生產制造。

整個IT行業的幾十年的演化，大概就是橫軸和縱軸或分裂或整合的過程。合縱連橫的歷史中，橫向的有云和端之爭；縱向的有軟和硬之爭；內部有操作系統之爭，有芯片架構路線之爭，有計算機控制權之爭；還有垂直整合系統和開放平臺的模式之爭。

總的來說，機會往往出現在Gravity of innovation shifts。從產業格局圖分析裂變和整合的規律，預測重大時點和條件，指導市場切入的時機和形式。

Product is an art of tradeoff between performance and cost

給定一個行業市場后，非常重要的就是產品定位和路線。

產品策略圖用兩個軸展示：橫軸是性能即先進性，縱軸是成本。根據產品定價和成本即可計算毛利率，反之亦然。紅線是用戶能夠接受的最低成本，這是一個非常重要商業化的指導線。越過紅線的右下區間，就是可盈利區間。最右下的這一條綠線，是科學原理指導下極致成本的底線，也可以稱為第一性原理線，類似特斯拉CEO Elon Musk談到的新能源車，火箭發射等。紅線和綠線之間的金線是商業歷史大概率會發生的線。金線的右下區間就是世界超一流公司的高毛利率區間。金線上方和紅線中間是盈利區，但比60%高毛利率低一點。

三類產品模式A，B，C對應不同產品策略。其中A是最成功的主流模式，表征是極強的產品力支撐著穩健的商業盈利能力，代表有蘋果的手機，英偉達的圖形計算卡，特斯拉的新能源車。路線就是從A到A’這個過程，用極高的技術實力貼近工程極限做出超高性價比產品，用戶能接受，商業上也很賺錢。

B是劃時代顛覆式創新者的早期，例如蘋果、英偉達、特斯拉，追求極度超前的性能區間而先忽略成本約束，后續目標是走進B‘的區間從用戶不能接受到用戶接受，再轉入高利潤的A區間。B模式顯然風險極高，原因來自該區間藍線極其陡峭的研發成本曲線以及不可預見性，需要極高的前瞻性、資源整合能力和偏執狂的毅力。B的極難模式很容易使企業進入生死邊緣，最考驗創新者的勇氣。正因為此，劃時代重復著激蕩人心的英雄故事。

大部分的產品在哪個區間呢？就是C區間，技術不是最先進的，但整體運營能力很強，達到很不錯的盈利能力。C相比A，產品性能因為自身能力策略性的選擇落后一些，但因為技術更可預見，該區間藍線對應的研發風險和成本相比A模式也大大降低。C持續增長的市場占有轉換成研發投入也能侵蝕轉入A區間。TSMC除了是Fabless模式的遠見者，更是靠扎實的運營積累從C向A突破的極佳案例。華為是另一個商業史上極其成功且能把方法論推廣通用到多個行業的從C到A躍遷的范例。

根據這樣的產品路線圖譜，分析各自站位，路線以及動態博弈，推演并制定產品應對策略。

AI新黃金時代

IT時代變遷

1970-1990 小型機時代, 個人無感。

1985-2005 PC時代, 讓個人擁有十核算力在桌面 — High frequency&multicore。

1995-2015 互聯時代, 讓個人擁有無窮數據在云間 — Search。

2000-2020 移動時代, 讓個人擁有百核算力在掌間 — Touch Screen&Battery。

2005-2025 云時代, 讓個人擁有萬核算力在云間 — Distributed Computing。

2015-2035 智能時代, 讓個人擁有智能體在身邊 — Intelligent Computing。

2025-2050 夢境時代, 讓個人擁有真實夢幻 — Simulation Computing。眼前的虛擬世界是過去真實世界的映射。

縱觀50年，算力躍遷是信息革命的內在驅動力。當前正處于AI的新黃金時代，將開啟物理材料構建智能體的篇章！

十年序曲

Al過去十年大概分三個階段。

從2012-15年處于起步階段。以深度學習在對大規模數據上的性能結果被工業界所認可作為起點，AlphaGo成為全社會討論熱點為重要里程碑。

從2016-18年為熱點時期。在各行業場景的應用蓬勃發展。

從2019-21年，AI為代表的高科技進入國際核心競爭領域。恰好在同一時期，也出現了對AI行業的質疑，無論技術商業化探索過程的曲折，還是市場合理的挑剔，在國際競爭大背景下，AI技術創業背負了超越一般商業化挑戰的艱辛。

創新者困境dilemma往往可以用四象限刻畫。右上角是勇敢且執著的創新者；右下角是自以為獅子的貓；左上角是自我懷疑者；左下角是泡沫中自我否定的沮喪心態。技術和市場的發展周期在不同階段，節奏上和行業內外的預期有巨大分歧時，總會分出這四象限人格，越是熱門行業，越有極端的表現。

新黃金時代

AI發展十年，當市場產生疑問時，看看世界前沿在思考什么？借用三位大師的名言描述一下對未來十年的展望。

第一位是數學家David Mumford，1974年的菲爾茲獎得主，曾是美國總統顧問。2020年他寫的一篇文章，“Al模型和人類大腦結構驚人的相似”，擁抱以新一代Transformer為主的算法架構。

第二位是計算機架構理論學家David Patterson，圖靈獎獲得者，RISC開創者，也是Google TPU的設計者。同年，他對AI有一個專門文章 “計算機架構的新黃金時代”。

第三位是極負盛名的工程師Jim Keller，曾是英特爾、蘋果、AMD的主流芯片以及特斯拉自動駕駛芯片的架構師。他用職業生涯的切換來證明“這是AI新時代的開啟，變革大大超過移動和互聯的時代”。

世界最前沿的大師一致相信Transformer能把Al帶向新的篇章。兩年來各個領域巨大進展也驗證了他們的展望。比較熱門的OpenAI的GPT-3的結果，大概是由1300億個參數構成的大模型。GPT-4在此基礎上可能再翻200-500倍，有理由想象，生物和化學的奧賽競賽題Al基本能做了，下一個攻克的難題是數學奧賽競賽。最近DeepMind關于矩陣數學計算的進展，都是令人振奮的。

人類大腦是二十多瓦的能量消耗，新時代Al的大模型不受這么嚴格的能量約束，會超越大腦。通過超大規模模型和計算，顛覆智能目前可以達到的邊界。可能不會短期一兩年之內有舉世矚目的產品，但我們預測，以十年為周期，會是翻天覆地的變化，深刻影響各行業以及各科學領域。包括大家比較熟悉的DeepMind做的蛋白質三維結構預測。還包括物理的混沌系統，數學的偏微分方程等等都會有重大進展，甚至超過深度學習的開創者Geoff Hinton本身的想象。

算力變革核心在于密度

AI新變革的技術核心在于“算力密度”。

在大數據時代，數據是量大，云計算是計算量大，但是密度都不大。

新Al的特點是高密度的運算，超過過去幾百倍。

IT行業40年的變遷，就是由算力的密度產生巨大的變化，引導著互聯，移動，云以及現在的智能產生巨變。

不算嚴謹的算力分類CPU、GPU和AI，分別對應單位指令下的計算密度或是單位數據下的計算密度百倍級的頻譜劃分。

新的基于數據計算的體系結構圍繞著算力密度的演變來設計。

學習范式的躍遷

新AI還是一個學習范式paradigm的變遷。

傳統AI即機器學習時代以規則驅動，其高級形態是人類專家設計的模型。

新Al的變革就是從這種規則驅動或模型驅動變成了大數據驅動，超大規模的數據喂給算法形成模型。

當前的趨勢是進入到基于大模型的大算力驅動。單個模型的訓練需要近億美元的算力成本，極大的拉開模型的規模以及表示能力。

再往后展望，以大算力為基礎的大仿真驅動。數據不再局限于物理世界時空約束，而是仿真數據，就是仿真和學習訓練交替進行的一個自學習系統，進入全新的無窮的虛擬和真實物理世界邊界模糊的境界，極大提升學習效率，催生超級巨無霸的智能體。

交流

Q1: 過去幾年Al特別火，從外部的感覺來說，視覺這個賽道很卷，做的好像差不多，都在做智慧城市。在這種競爭情況，我很好奇怎樣跟友商競爭？剛才您也說過毛利率低說明了產品的差異化不大，這種情況下，怎樣去找市場，打出差異化戰略？

A: 雖然很多AI公司毛利率很低沒有充分體現技術價值，但也有高的。我們很重視技術差異化價值，并有不錯的毛利率表現。假定智慧城市是熱門的應用市場，真實的市場里往往有很典型的競爭者，只是不被外界經常比較。按照上圖的行業格局圖對應的有ICT通訊和計算公司華為，IoT端側智能公司海康，云公司阿里，再往上才是熱門的AI公司、各類行業系統應用公司以及集成商。他們以各自產品矩陣參與競爭，雖然擅長的產品供給不太一樣，但或多或少都有AI能力。首要的競爭還是巨頭間的競爭。創新勢力需要找到合適的定位參與。回到行業格局圖，包括有橫向的，端側為主還是云為主的演進路線的競爭，有縱向的，AI、云、基礎硬件設施的主導價值競爭。按此分析各自優勢，有很多行業史上的“合縱連橫”案例供參考。

Q2: 您提到未來會出現超越人類智能的人造智慧體。怎么樣在法律、社會，人類認知來接納這樣一個東西，或者說直接立法不允許這方面的工作，您是怎么看這個問題。

A：在頂級學術圈都出現了貧富差距，技術大階躍設立了一個排他性門檻。假設這個趨勢成立，什么樣的環境才能應對這個挑戰呢？治理的底層有個主導權問題。打個比方，倚天劍屠龍刀應該放在哪里？放在少林安全嗎？少林有了倚天劍還能克制不作惡嗎？這更需要政治和法律專家來解答。

Q3: 基于芯片制造工藝已經差不多接近物理極限了，摩爾定律受到了挑戰。因為一個是量子的碎穿效應，一個是受硅的原子大小限制，這個會怎樣影響Al算力的增長，然后怎么克服這個問題?

A：大師Jim Keller在新創業公司做的事情給了很好的解法，不以英偉達GPU的計算卡路線，也不只是享受制程演進的紅利，而是基于強互聯技術的一種可擴展的計算形態，例如上百萬計算核心形成一個超級計算裝置。這些架構上的變革對應著算法側的超大模型的訓練是全新的形態。特斯拉的Dojo系統也是很好的實踐，最近的進展是令人興奮的。

Q4: 我們是做量子加密技術的，直觀上認為我們防的主要是量子計算機的威脅，但是我們認為可能Al模型更快把現有的密碼學體系攻破。Alphafold沒出現之前，搞量子計算的認為蛋白質折疊更應該量子計算機的菜，但是Alphafold把它解決得很好了。所以我非常關心從Al的視角來看，后面還有多少路可以走，就是能跟量子計算機能競爭多遠。

A：量子計算我不是專家，不敢去比較。但分享不同于技術層面的感悟。新一代AI是一個超級無限大的大模型，完成了一個類似于條件反射的機理，條件反射意味著大腦沒有思考，意味著是沒有意識的智能體！這個感悟給人非常大的認知震撼。科學家一直有好奇心，研究大腦、智慧和意識。意識是確切的知道看見什么, 感受到什么, 思考著什么。但超級智慧的新物種只是應激性的反應，且在很多領域做出了超越人類智能的反應。在哲學層面上讓人shock。基于這個感悟，瞬間理解了最前沿的DeepMind CEO Demis在訪談中提到的“大腦只是客觀世界的一種仿真”，原來覺得這是挺玄幻的描述，現在理解起來是如此樸素。大腦是一種幾十瓦能量約束下對客觀世界的一種仿真。新AI是一個能量約束放寬千倍的另一種仿真。而且在很多領域，大部分人類的經驗、直覺和創造開始顯得沒有價值，對人類意義提出根本的挑戰。

Q5: 現在大家會覺得說這個模型變得越來越大之后，會有這種智能的涌現。現在看到的趨勢會有Transformer架構一統天下的感覺。對于我們小機構來說，不是一個非常好的現象。可以訓練大規模的模型，全世界有幾家呢？在這種情況下，國內外最頂級的機構，該怎樣發展呢？

A：這是一個現實的挑戰，技術人才有集中化的趨勢。大部分學術圈和工業界對比大模型的進展，算法模型和數學上的調整在結果層面都不夠顯著。從商業現實看，小公司不適合在最前沿探索。像DeepMind和OpenAI都沒有完成商業化證明，是個非典型的“另類”存在。出路可能也得像他們的創立淵源一樣，有中國智慧的Billionaire站出來捐助最前沿的探索。

Q6: AI從業者對Al都是有很多的熱情。如果20年之后，人工智能沒有走進每個人的生活，我覺得技術是停止進步的。如果您現在是OpenAI的CEO或者是Google的老大，不缺錢不缺算力的情況下，您怎么看10年20年之后，Al和智能的一個狀態，跟人的engage會達到什么樣的狀態。

A：我覺得最簡化的智能形態需要Energy+Motor+Sensor。生命之所以能演化出智能很重要的條件是會”動“，類似植物和動物的區別，不管智能體的智能水平高低，都有與外界的交互和規劃能力。特斯拉其實已經給出了智能研究的路線圖，先以自動駕駛的汽車為初級智能體形態，然后下一代智能體是直立行走的人行機器人，雖然比汽車自動駕駛更難很多，但相信他們基于最前沿的進展做了充分考慮后的節奏布局，未來五年會有巨大的進展。

— 完 —