Highland Capital投资人Rob Toews: 看衰自动驾驶还为时过早

本期 Robin.ly 专访高原资本 Highland Capital Partners 的风险投资人 Rob Toews,主要讨论 AI 的行业趋势,风险投资新热点,以及诸如深度学习在 AI 商业化的影响等主题。

Rob 是毕业于哈佛大学的法学博士,同时拥有MBA学位。在加入 Highland Capital Partners 之前,他曾在自动驾驶汽车初创公司 Zoox 负责战略策划,也在贝恩(Bain&Company)从事过管理咨询方面的工作。 Rob Toews 专注于机器学习方面的投资。他定期为《福布斯》撰写专栏,对人工智能的商业影响进行了深度剖析。

Rob Toews(左)接受Robin.ly专访

1、风险投资职业理解

Margaret Laffan: 能否分享一下你是如何对 AI 领域产生兴趣的?后来又是怎么进入风险投资领域的?

Rob Toews:

我是从自动驾驶汽车逐步过渡到了 AI 和机器学习领域,但最早从事的是自动驾驶政策方面的工作。2015 年前后,我在白宫工作,因为工作关系,开始对自动驾驶汽车的监管框架有了一些构想。也是在那段时间,我加入 Highland Capital Partners,做了两年的兼职,主要负责自动驾驶方面的投资业务,从核心堆栈和自动驾驶技术计算机视觉,模拟等各个方面观察和研究自动驾驶汽车公司。随后在 2019 年刚刚正式加入了 Highland。

在我看来,风险投资包括深度和广度两个方面。在 Zoox 的那段时期,我深入研究了自动驾驶汽车领域在商业,技术和相关法规方面所产生的影响。这是深度方面的探究。而风险投资更吸引我的是,它不仅关注运输,也看到了农业、制造业、立法和建筑以及其他许多不同行业跟自动驾驶之间的潜在关系,从而在整体上重新思考这种技术。这是广度层面的思考。自动驾驶和风险投资相结合的工作经历让我发现,从风险投资的角度来审视诸如机器学习这样颠覆性的技术,可以为我们纵观整个经济和产业形势提供更广阔的视野,抓住颠覆性行业出现的机会。

Rob Toews与哈佛商学院的同事,来源:Rob Toews

2、 Highland Capital 投资策略

Margaret Laffan: Highland Capital Partners 成立于 1987 年, 是一家 40 亿美元的风险投资公司,参与了 46 次 IPO 和超过 125 项企业收购,投资过的代表性公司包括 Auris,Carbon Black,nuTonomy,Gigamon,Rent the Runway,以及最近的 Vecna Robotics。你们最近在旧金山开设了办公室。能详细介绍一下 Highland 的整体投资策略吗?

Rob Toews:

Highland 的投资涉及各行各业,但重点关注的是那些在早期就表现出强大的产品市场契合度的公司。我们更青睐有长期稳定的盈利,具有高资本效率和颠覆性的行业——无论公司是处于哪一轮融资,我们更看重它本身实际所处的发展阶段。除了产品本身,创始团队和产品市场也要有很高的契合度。他们的背景和个人技能会让你觉得放眼世界,去做这样一件事情没有人比他们更合适。Highland 的理念是成为“高确信度,低投资数”的投资方。对于每一笔投资我们都会谨慎对待,通常会希望进入公司董事会,近距离接触决策团队,在公司发展的各个阶段跟创始团队保持比较密切的联系。比如去年我们开始意识到,旧金山的创业活动非常频繁,如果在那里拓展投资业务,就能够方便我们与初创企业拉近距离,于是公司做出了在旧金山设立新的办公室的决策。

具体来说,计算机视觉是我们比较感兴趣的一个投资领域。与跟语言相关的技术相比,计算机视觉在技术上要更成熟一些,更容易在短期打造出能够为市场创造实际价值的产品。另一个我们比较关注的是机器学习开发工具。在过去的几十年中,已经出现了一些为传统软件工程量身定制的开发工具,比如 Atlassian 和 GitHub。这类产品跟开发机器学习模型相比有着本质上的差别,需要不同类型的技术和工具。目前,市场上还没有能够让机器学习模型开发足够简化的真正成熟的产品。我认为开发针对协作简化、错误审查、版本和质量控制,以及数据管理等过程的工具蕴藏着大量的商机。

3、 自动驾驶发展趋势

Margaret Laffan: 在过去几年中,自动驾驶领域出现了很多整合和重大变化,在商业模型、业务扩展和相关法规的潜在影响等方面尤为明显。你怎么看待这样的变化和未来的发展趋势?

Rob Toews:

整体来讲,我始终相信自动驾驶背后的变革性力量,但这个周期会很漫长。目前在众多致力于开发机器人出租车核心 AI 技术的企业中,只有为数不多的几家公司拥有雄厚的资金,而且经历了多年漫长的探索和实践,例如 Waymo,Cruise,Zoox和 Aurora。但坦白说,从资金和经验上来说,它们已经不再是真正意义上的初创公司。对于任何真正的初创公司来说,想要后来居上,在竞争激烈的市场中占有一席之地都将面临巨大的挑战。但同时我们也都看到了,在竞争格局相对比较明朗的情况下,自动驾驶仍然没有实现商业化。以上这几家公司中,没有任何一家的自动驾驶汽车已经打入了市场,除了在严格的限制环境中,例如 Waymo 在凤凰城规划的几英里试验区。我认为这个领域目前正处于一个比较微妙的中间阶段,风险投资方面的热度逐渐开始减退,但同时商业化还没有完全实现,这让很多人对自动驾驶的未来感到担忧。但在我看来,出现这种略显悲观的情绪还为时尚早。

我认为就未来几年内自动驾驶的部署和影响而言,在真正的 L5 城市自驾出租车的时代到来之前,我们可能最先看到的是技术和环境复杂度相对比较低的无人卡车的问世。除此之外,投资人应该会更多的看到自动驾驶汽车的商业应用率先出现在非运输行业。有许多行业涉及在更受限的结构化和技术复杂度较低的环境中的车辆行驶,比如农业、建筑业、采矿业,而且产业规模十分庞大。但是从历史上看,它们的数字化程度普遍较低,从而为一些更简单的驾驶任务自动化提供了机会。劳动力是这些行业成本结构中最大的组成部分之一,这种变化有可能带来巨大的价值。的确有一些新兴的初创公司已经进入了这些领域。但也恰恰是因为这些行业的数字化程度始终较低,导致了它们很难接纳新的技术,而且对于与自动化相关的失业问题也存在非常合理的担忧。所以从这个角度来说,进军其他行业需要面临的困难也不容小觑。

Rob 在《福布斯》发表的文章,来源:Rob Toews

4、AI 在医疗领域面临的阻力

Margaret Laffan: 我们再来讨论一下深度学习。你在为《福布斯》撰写的一篇文章中提到,“深度学习存在局限性,但其商业影响才刚刚开始”。你还特别提到了Geoffrey Hinton 指出放射学是深度学习的理想用例。跟运输和金融科技等行业相比,你认为在医疗领域中部署 AI 面临什么样的阻力?

Rob Toews:

从纯粹的技术角度来看,我认为放射学是 AI 领域的一类绝佳案例。总体而言,深度学习算法判断癌症的准确度要高于人类放射学专家,但我们目前仍然没有看到以诊断为目的实现大规模部署 AI 的初创公司。当然在哪个领域实现 AI 的商业化都任重道远,但针对医疗领域,我认为关键的障碍在于,医疗是受到严格监管的行业,涉及许多安全关键情况,人命关天,所有人都很谨慎。从商业化的角度来看,将算法真正转变为一家公司,还要涉及开发商业模型,制定市场战略,推广实际案例应用,以及应对监管上的种种问题,整个过程要耗时数年,需要多方面的努力和坚持。

5、 AI 社区中一些争议的观点

Margaret Laffan: 在当前 AI 社区存在的一些比较普遍的观点中,能不能例举一个你个人不太赞同的观点?

Rob Toews:

我觉得人们对积累海量标记数据集给予了太多不必要的关注。目前存在这样的一个普遍的共识:数据越多,模型就越好;或者谁拥有的数据越多,谁就是赢家。总的来说,更多的数据确实可以帮助我们训练更好的模型。但是有太多迹象表明,从环境、计算成本和效率的角度来看,寻求越来越大的数据集,越来越大的模型是不可持续的。世界上拥有训练这些世界顶级模型的资源的公司更是凤毛麟角。

有时候在商业化初期,我们也会看到一些新兴的技术,能够使用少得多的标记过的真实世界数据来构建 AI 模型。还有诸如合成数据(synthetic data)之类的技术,可以根据自己的需求生成所需要的数据集,以及小样本学习(few-shot learning),小型数据技术之类的概念。构建更灵活,对资源依赖性更低的 AI 技术已经逐渐吸引了人们的注意。因此,随着很多技术的成熟,我认为人们会实现从过多关注标签数据,大数据和监督学习向关注更高效模型的转变。

6、 对初创公司的建议

Margaret Laffan: 对于处在起步阶段的创业公司,或者对于创业想法还在酝酿中的团队来说,从投资人的角度你会建议他们先做好哪三件事?

Rob Toews:

首先是重视人才。拥有一支可靠的、值得信赖的团队,对于打造有竞争力的产品和招募更多尖端人才都是必不可少的。相比之下,我认为丰富的专业经验可能反而没有那么重要。拥有机器学习方面的一些学术背景会有所帮助,可能在学校接触的课程越新,你的知识和技能就越与时俱进,更符合行业趋势的要求。

第二是数据策略,如何以产品为导向来高效,低成本的合理开发数据资产。

第三就是强大的业务模型和进入市场的策略。当一家公司想要开发一种产品来解决一个定义明确的问题,可以尝试“垂直关注(vertically focused)”的策略。比如针对某个行业打造可以实现某些功能的算法,而不是先开发出一个不错的算法,再去寻找它的市场在哪里。因为归根结底,我们想要投资的公司不仅要拥有强大技术,这种技术还要能解决现实世界中存在的问题。因此,我认为将创业重点放在市场策略方面有助于初创公司快速准确的找到自己的产品定位和客户群体,从而及早步入正轨并实现盈利。

7、人工智能面临的挑战与机遇

Margaret Laffan: 当今全球范围内发生了很多事件,比如美国的新一轮大选已经启动,新型冠状病毒 COVID-19 正在世界范围内加速传播,还有针对面部识别和其他相关技术的法规的讨论,以及关于 AI 伦理道德方面的全球讨论。从宏观的角度来看,你认为人工智能在世界范围内面临的最主要的挑战和机遇是什么?

Rob Toews:

就全球宏观趋势而言,我认为有两点值得特别关注。首先是推动 AI 相关法规的出台。世界各国政府已经开始逐步建立针对 AI 的法律监管框架。欧盟和美国本土的议员都已经就此展开了讨论,也会有类似于数据隐私方面的 GDPR(欧盟通用数据保护条例)的相关法规逐步落地。这是一个好的趋势,我们也要积极关注政府和监管机构采取的每一个重要步骤:法规的制定方式会不会扼杀技术创新?法规内容是否足够灵活,能够顺应技术发展的形势?很明显,当前的技术开发将不同于互联网时代或软件时代,如何在不违反监管条例的前提下让技术对社会产生更广泛的影响,这是作为 AI 领域的企业家或投资者都需要认真考虑的一个问题。

我比较关注的第二个宏观趋势是,中美之间在人工智能领域的竞争已经受到了越来越多的关注。这难免让人感觉像是新一轮的太空竞赛,只不过缺少了冷战局势下的紧张氛围。但是,两国都将人工智能视为重要的地缘政治资产。尤其是中国,正通过大力投资来提升自己的技术实力和国际地位,举全国之力实现其既定目标,即在 2030 年之前成为人工智能领域的全球领导者。这种颇为激烈的竞争关系将对从事跨境投资、跨境招聘和发展合作伙伴关系的中美人民带来一系列具体的影响。我希望这样的角逐可以成为一种推动技术发展的积极的、建设性的、和平的动力,从这个角度来说也非常值得我们所有人关注。(完)

Robinly
Robinly

Robinly团队坐标硅谷,从创业、领导力和人工智能三个角度去剖析成功创业者、高科技领导者、人工智能科学家和知名投资人的职业养成过程和他们对于这些领域的观点,我们力求追本溯源,为广大工程师、研究者提供一手的职业学习内容。

http://www.robin.ly
专栏二维码
产业自动驾驶
相关数据
Waymo机构

Waymo是Alphabet公司(Google母公司)旗下的子公司,专注研发自动驾驶汽车,前身是Google于2009年开启的一项自动驾驶汽车计划,之后于2016年独立。2017年10月,Waymo开始在美国亚利桑那州的公开道路上试驾。2018年12月,Waymo在凤凰城郊区推出了首个商业自动乘车服务Waymo One。

http://www.waymo.com/
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

自动驾驶技术技术

从 20 世纪 80 年代首次成功演示以来(Dickmanns & Mysliwetz (1992); Dickmanns & Graefe (1988); Thorpe et al. (1988)),自动驾驶汽车领域已经取得了巨大进展。尽管有了这些进展,但在任意复杂环境中实现完全自动驾驶导航仍被认为还需要数十年的发展。原因有两个:首先,在复杂的动态环境中运行的自动驾驶系统需要人工智能归纳不可预测的情境,从而进行实时推论。第二,信息性决策需要准确的感知,目前大部分已有的计算机视觉系统有一定的错误率,这是自动驾驶导航所无法接受的。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

自动驾驶汽车技术

自动驾驶汽车,又称为无人驾驶汽车、电脑驾驶汽车或轮式移动机器人,是自动化载具的一种,具有传统汽车的运输能力。作为自动化载具,自动驾驶汽车不需要人为操作即能感测其环境及导航。

规划技术

人工智能领域的「规划」通常是指智能体执行的任务/动作的自动规划和调度,其目的是进行资源的优化。常见的规划方法包括经典规划(Classical Planning)、分层任务网络(HTN)和 logistics 规划。

计算机视觉技术

计算机视觉(CV)是指机器感知环境的能力。这一技术类别中的经典任务有图像形成、图像处理、图像提取和图像的三维推理。目标识别和面部识别也是很重要的研究领域。

数据管理技术

数据管理是利用计算机硬件和软件技术对数据进行有效的收集、存储、处理和应用的过程,其目的在于充分有效地发挥数据的作用。

监督学习技术

监督式学习(Supervised learning),是机器学习中的一个方法,可以由标记好的训练集中学到或建立一个模式(函数 / learning model),并依此模式推测新的实例。训练集是由一系列的训练范例组成,每个训练范例则由输入对象(通常是向量)和预期输出所组成。函数的输出可以是一个连续的值(称为回归分析),或是预测一个分类标签(称作分类)。

Zoox机构

Zoox对外一直保持低调,其曾经展示过一款运动型概念车,这款车没有挡风玻璃,可以朝两头行驶,乘客在车内像在火车上一样相对而坐。Zoox 此前还曾表示,准备用无人驾驶汽车来提供类似于Uber的打车服务。 Zoox于2018年7月完成5亿美元,投后估值32亿美元。领投方是办公协作公司Atlassian的联合创始人Michael Cannon-Brookes,以及中国VC春华资本。Zoox已是一家500人规模的公司,并且计划在2020年推出商用无人车。 具体技术实现方案上,Zoox要走一条依靠激光雷达实现L4等级完全无人驾驶的道路,并且重新设计车本身,从之前曝光的车体图片来看,Zoox的无人车被设计成了4座,没有方向盘、油门和刹车,似乎也不分车头车尾——没有调头转向的顾虑。 最为突出传感器的是安装在前后左右四角上的Velody激光雷达,车顶还有一根GPS天线。还有不少雷达被设置在车轮位置,还有声纳传感器。

https://zoox.com/
小样本学习技术

人类非常擅长通过极少量的样本识别一个新物体,比如小孩子只需要书中的一些图片就可以认识什么是“斑马”,什么是“犀牛”。在人类的快速学习能力的启发下,研究人员希望机器学习模型在学习了一定类别的大量数据后,对于新的类别,只需要少量的样本就能快速学习,这就是 Few-shot Learning 要解决的问题。

找到机构
暂无评论
暂无评论~