I et tidligere indlæg gennemgik jeg en grundlæggende primer på området AI for investorer, der er interesserede i at sætte penge i rummet. Jeg diskuterede især nogle få væsentlige elementer, som hver investor bør kende for at kunne træffe mere informerede investeringsbeslutninger:
Som det blev diskuteret, har verden været vidne til en eksplosion af interesse for emnet. Og ikke overraskende har investeringsdollar fulgt en lignende vej. Ifølge CB Insights er aftaler og dollars til AI-startups steget siden 2012, med et enormt spring på 60 % i investeret kapital til 5 milliarder dollars i 2016. Statista anslog, at globale AI-startups i 2017 modtog 15,2 milliarder dollars i investeringer, en eksponentiel investering. 300 % stigning fra 2016. Derudover snupper de store tech-virksomheder AI-startups for at komme videre i AI-kapløbet.
Dette opfølgende indlæg er beregnet til at være en mere praktisk guide til investorer, der vurderer investeringsudsigter i rummet. Jeg vil især gennemgå de fem kritiske trin for at evaluere en AI-relateret investering:
Bemærk venligst:Jeg vil bruge eksempler på nogle velkendte børsnoterede virksomheder. Jeg støtter eller fraråder læserne at investere i disse virksomheder.
Efter min mening er dette trin det vigtigste af de fem skitseret i denne artikel. Til at begynde med skal du spørge dig selv - Hvilke problemer forsøger virksomheden at løse med AI-teknologi? For eksempel kan selvkørende biler forbedre mobilitetsoplevelsen ved at gøre den sikrere, mere bekvem osv. Maskinoversættelse gør det lettere for mennesker at kommunikere med hinanden. I modsætning hertil er en AI-virksomhed ikke ønskelig, når:
Et andet vanskeligt problem vedrører, når en virksomhed forsøger at løse et missionskritisk problem . Med dette mener jeg, at_ løsningen på problemet har en meget lav tolerance for fejl_ . For eksempel, hvis fejlen i et autonomt køretøjs AI-software er 0,001 %, selvom det objektivt set allerede er en meget lav fejlrate, er det stadig ikke acceptabelt. 0,001% betyder, at den kan have 1 ulykke hver 1000 timer, den kører og potentielt forårsage tab af menneskeliv. Tværtimod, hvis du får den forkerte Amazon- eller Netflix-anbefaling selv kun 1% af tiden, vil ingen dø. De potentielle risici og afkast for missionskritiske projekter, såsom selvkørende biler eller medicinske applikationer (f.eks. medicinsk diagnose, kirurgiske robotter), er begge større end ikke-missionskritiske projekter, hvilket gør det til et sværere problem at håndtere.
For modne virksomheder, der bruger penge på at udvikle en AI-applikation, bør de have en robust business case for at retfærdiggøre forhåndsinvesteringen. For eksempel ønsker IBM CEO Virginia Rometty, at IBM Watson skal generere 10 milliarder dollars i årlig omsætning inden 2024. For en AI-startup, især hvis det er før-indtægter, er et vigtigt spørgsmål, jeg altid stiller:er markedet stort nok stærk> for den type problemer virksomheden løser? For eksempel, hvis virksomheden udvikler en kunstig intelligens-applikation til et meget specifikt land i en specifik industri med et maksimalt markedspotentiale på 1 million dollars om året, ville du så investere i det?
Et andet aspekt, du skal overveje, er investeringshorisonten . Dybere AI-teknologi tager længere tid at udvikle produktet. For eksempel har Waymo (Googles selskab med selvkørende køretøjer) testet denne teknologi siden 2009 og har stadig ikke udgivet et kommercielt produkt. Dybere AI-teknologivirksomheder kan også tage lang tid at få markedsanerkendelse og efterfølgende investeringsafkast. Tag Nvidia (NASDAQ:NVDA) som et eksempel. Nvidia leverer de mest populære chips, GPU'er, til beregning af de neurale netværksalgoritmer, der bruges i mange computervisionsapplikationer, herunder selvkørende biler. Ser man på aktiekursdiagrammet nedenfor, kan man tydeligt bemærke det berømte "S-kurve"-mønster, som du ser i mange innovative virksomheder. Men timingen er vigtig:Hvis du investerede i Nvidia siden børsintroduktionen i 1999, ville du ikke have set det flotte afkast før efter 2016, hvor deep learning AI blev "på mode".
Som diskuteret i min anden artikel, mener jeg, at der er fire nøglekomponenter til et maskinlærings- (inklusive deep learning)-produkts succes:veldefinerede og ønskværdige problemer, rene og velmærkede data, robuste algoritmer og omfattende computerkraft. De sidste tre bestemmer den tekniske gennemførlighed af AI-virksomheden. Her vil jeg kort diskutere, hvad disse komponenter betyder, og hvordan man kan udføre due diligence som investor.
For det første kræver udvikling af en maskinlæringsalgoritme adgang til rene og velmærkede data. Dette skyldes, som tidligere nævnt, at disse algoritmer er bygget ved at tilføre forskellige statistiske modeller en stor mængde data, der er godt mærket til at etablere de nødvendige forudsigelige sammenhænge. Når du undersøger AI-virksomheden, skal du vide om de har adgang til brugbare data, hvordan de har fået dem, og om de kan fortsætte med at få sådanne data . Eller, hvis de ikke allerede har dataene, hvad er deres plan for at indsamle sådanne data? Tendensen med at demokratisere forbrugerdata og initiativer såsom open banking vil give en masse muligheder for nye AI-applikationer.
For det andet skal en AI-virksomhed udvikle robuste, skalerbare algoritmer. For at opnå det er der tre must-haves:den store mængde velmærkede data diskuteret ovenfor, det rigtige talent og tilliden til, at deep learning er den egnede teknologi til at løse problemet. Et centralt spørgsmål er derfor:kan virksomheden tiltrække det rigtige talent ? Top AI-talenter, især datavidenskabsmænd og ingeniører og programmører, der allerede har erfaring med AI, bliver snuppet af teknologigiganter som Google, Facebook, Microsoft og IBM, hvilket efterlader meget få til andre virksomheder og startups. For at tiltrække toptalenter skal de ikke kun være parate til at betale store lønninger (f.eks. tjener ansatte i Googles DeepMind-laboratorium i gennemsnit ~345.000 USD pr. dag), de har også brug for en overbevisende vision. Derudover skal du spørge, om deep learning er den bedst egnede teknologi til at løse det kommercielle problem. For eksempel kan et regelbaseret program være meget billigere at udvikle og nemmere at implementere end en dyb læringsalgoritme for en robo-rådgiverapplikation til detailinvestorers aktivallokering. . I modsætning hertil er en maskinlæringsalgoritme med evnen til at lære af tidligere fejl og sejre, og som kan fortsætte med at forbedre sig selv, en bedre kandidat til en hedgefond-investeringsalgoritme. I øjeblikket er de områder, der har opnået flest gennembrud, og som er bedst egnede til deep learning-teknologier naturlig sprogbehandling (f.eks. maskinoversættelse), computersyn (f.eks. ansigtsgenkendelse, førerløse biler) og spil (f.eks. AlphaGo, evolutionær investeringsbeslutning fremstilling).
For det tredje skal virksomheden have evnen til at erhverve omfattende computerkraft . Som diskuteret i detaljer i min tidligere artikel, er computerkraft fra enten cloud computing eller ens egne GPU-servere dyr. Der er to nøglespørgsmål, du skal stille for omhu i dette aspekt:1) Hvor meget computerkraft kræves en typisk opgave for denne virksomhed? Er en sådan computerkraft tilgængelig i dag? Dette er især vigtigt for applikationer, der kræver realtidsbehandling, men som kun har begrænset tilgængelig plads på den faktiske enhed til at rumme GPU'er og batterier (f.eks. droner). 2) Har virksomheden råd til en sådan computerkraft? For eksempel fortæller Kaifu Lee en interessant historie i sin bog, Artificial Intelligence, om, at en deep learning-startup, som han investerede i, brugte 7 millioner RMB (~1 million USD) i de første 3 måneder på blot at købe deep learning-computerservere. Han understreger endvidere, at i dag kræver en typisk træningsopgave med deep learning model en eller flere computere, der har fire til otte højkapacitets GPU'er. Mange computervisionsopgaver kræver hundreder og tusinder af GPU-klynger og udsender 10 gange mere varme end en normal server. Nogle af opstartsholdene på disse felter måtte redesigne AC-systemer eller købe enorme stykker is for at køle serverne ned.
Endelig bør du være omhyggelig med AI-virksomhedens finansielle statistikker og dens ikke-finansielle forretningsperspektiver og vurdere det, som du ville gøre for andre teknologivirksomheder. Se eksempelanalysen som illustreret i tabellen nedenfor.
De traditionelle finansielle og ikke-finansielle målinger til værdiansættelse af virksomheden omfatter omsætning, nettoindkomst/pengestrømme, vækstrate i omsætningen, nøgletal (P/E, P/S osv.), makroøkonomi, konkurrenter, regulering osv. Teknikvirksomheder har også deres egne unikke egenskaber. Et eksempel er, at vækstraten kan være vigtigere end rentabilitet. For tidlige teknologistartups er brugerstatistikker såsom aktive brugere og bookinger vigtigere end indtægter eller pengestrømme. Værdiansættelserne kan være højere på grund af efterspørgslen efter sådanne investeringer. For eksempel er P/E-forholdet for Nvidia (NVDA) på ~30x P/E, mens McDonald's (MCD) handles til ~20x.
Der er mange investeringsbøger om, hvordan man værdisætter en virksomhed, så det vil jeg ikke gå for meget i detaljer med her. Hvis det er en offentlig virksomhed, kan du få disse oplysninger fra offentlige indberetninger såsom finansielle rapporter eller fra markedsdataudbydere såsom Google Finance eller Bloomberg. Hvis det er en privat virksomhed, kan du kontakte virksomhedens ledelse for at få de nødvendige oplysninger.
Sammenfattende synes jeg efter min mening de mest ønskværdige egenskaber for en AI-investering på kort til mellemlang sigt (og derfor det, der giver en god AI-investering), er:1) løsning af et veldefineret ønskeligt problem og 2) ikke-missionskritisk (ingen vil dø, hvis det fejler). Disse sager omfatter områderne smart kundeservice såsom chatbots (ikke rent regelbaseret), medicinsk billeddiagnose, ansigtsgenkendelse, maskinoversættelse, AI finansielle rådgivere, computerspil osv. Selvfølgelig, på lang sigt, de missionskritiske problemer med høj risiko/høj belønning (f.eks. førerløse biler) er de præmier mange har øjnene op for . Når du har fundet ud af, at de har et ønskeligt problem at løse, kan du analysere deres kommercielle levedygtighed, tekniske gennemførlighed, økonomiske statistikker og forretningsmålinger.
Du skal også tænke på de specifikke AI-vertikaler, du ønsker at investere i. Forskellige AI-vertikaler har forskellig presserende behov for kundernes efterspørgsel og teknologiberedskab, og derfor forskellige investeringsafkast og -risici. Du kan investere i hardware vs. software vs. platform vs. service og i forskellige brancher såsom finans, uddannelse, sundhedspleje, industri. I en efterfølgende artikel vil jeg diskutere, hvordan du kan begynde at investere i kunstig intelligens, herunder de mest lovende vertikaler og teknologier, investeringsstil (passiv vs. aktiv) og geografi (USA vs. Kina vs. resten af verden).