Goldman Sachs在十一月中的时候出了一份长达99页的报告分析人工智能『AI, Machine Learning and Data Fuel the Future of Productivity』，分析得非常到位，特别是Productivity这个词戳到了AI的商业本质，生产效率的提升是人类文明进程的主旋律，本质上讲，也正是生产效率的发展推动着人类社会经济的进步，这份报告也提到了AI突然『火起来』的原因是『算法、数据、计算能力』三方面同时取得长足进步带来的结果，报告提到了各种关键的技术，理解了这些脉络，就更容易鉴别哪些是伪AI、哪些领域的AI应用很难取得生产效率上质的突破、哪些AI故事在短期内几乎不可能实现。
另一个角度是把AI作为一个独立的领域来看，本质是技术突破带来的颠覆式创新『New Possibility』，这类技术创新甚至可以开创一系列新的产业，在一百年前这个创新故事带来了汽车产业。顺着这条逻辑，当AI发展到非常科幻的水平，接近人类智力甚至能理解人类情感拥有自己的思维时，才是人们目前所期待的『人工智能』，Wikipedia对它的定义是通用型人工智能『Artificial General Intelligence (AGI) is the intelligence of a machine that could successfully perform any intellectual task that a human being can.』，这一天终将到来，但我们很难预期在下一个十年内会发生。颠覆式创新是现有世界秩序所畏惧的一股力量，感谢计算资源、开源算法的发展和普及，在这条跑道上，初创公司与行业巨头往往处于同一起跑线，在关键资源上巨头并不一定占有优势，比如自动驾驶技术所需要的training data，通用汽车也没有数据上的优势。
关于颠覆式创新，A16Z的Marc Andreessen最近在接受采访时提到了他的角度『New Feature vs. New Architecture』，非常受教：
“What we’re seeing is an entirely new kind of product that wasn’t possible before.”
“It’s not a feature; it’s a totally new architecture”
“If you talk to the automakers, they all think that autonomy is a feature they’re going to add to their cars. The Silicon Valley companies think it’s a brand new architecture. It’s a bottom-up reinvention of the fundamental assumptions about how these things work.”
无论是创业者还是VC，我们都对下一个十年可能产生的颠覆式创新充满好奇与热情，与此同时，中国的信息化程度和商业成熟度大环境也在以同样的热情拥抱渐进式技术创新，更多的机会同时也存在于那些已经不那么fancy的Cloud Computing, Big Data, CyberSecurity, etc. 之中，共勉。
回复 ( 10 )
恰好和文因互联@鲍捷 、顺为资本 @孟醒 、声智科技和经纬的朋友交流过这个问题，总结了人工智能创业的一些坑。
虽然是心灵鸡汤，背后其实也是一些公司血的教训。
第一个坑：做大公司重点会做的事情
创业公司都是在大公司的阴影下生存。
很遗憾的是，很多时候大公司并不是纸老虎，一方面大公司有大量的人工智能人才，有良好的人才储备，另一方面是大公司有大量的数据，此外大公司还有众多的渠道和流量。
初创公司和大公司正面对抗，结局是可以想象的。巨头公司以近乎“碾压”的方式将很多初创公司赶出了局。比如Google发布了神经机器翻译系统（GNMT），并且将其投入到了难度系数颇高的汉语-英语翻译应用中，准确率得到了相当程度的提升，这使得一些国内机器翻译的创业团队被无情碾压。
作为一个佐证，硅谷某大公司收购一个人工智能初创企业后，发现各种指标跑下来，性能还不如内部的产品，于是被收购的团队全部派去做产品了，而不是研发。
所以一定要思考好大公司的产品路线图，不要螳臂当车。
那么，哪些是大公司一定会做的事呢？
基本有两大规律：
第一是，越是底层的东西，巨头越会去做
人工智能产业链中，基础层是构建生态的基础，价值最高，大公司会长期进行战略布局。在基础计算能力、数据，通用算法、框架和技术方面布局，聚集大量开发者和用户，这基本是兵家必争之地。
比如谷歌、亚马逊、微软都纷纷推出了自己的人工智能的基础设施、API和开源框架，包括了计算机视觉、语音、语言、知识图谱、搜索等几大类。
第二是，越是通用型的产品，越是大公司会做的。
对于通用型的产品，大公司会贯彻人工智能优先的策略，来提升效率、改善用户体验，对于通用技术层，这是构建大公司护城河的基础，大公司也一定会布局。
比如谷歌贯彻AI First的策略，改进智能助手（语音和NLP）、谷歌翻译（机器翻译）、YouTube（推荐算法）、图片搜索（计算机视觉）等等。
这也导向了一个新的结论，也是顺为资本副总裁及入驻企业家孟醒总结的，越是纯互联网的产品，越是大公司会做的。这背后的逻辑是互联网产品具有网络效应，也更通用。所以从这个角度上看，面向大众的纯互联网产品并不是人工智能初创公司创业的好方向。
实际上重投入和一眼就能看得见巨大价值的项目，都不是初创公司的理想的选择。
难道创业公司就没有机会了吗？
互联网大公司都在发力人工智能，依靠强大的实力做平台，做入口，把持流量和服务，连接关键节点，难道创业公司就没有机会么？
庆幸的是巨头也有局限，它很难在每个垂直领域都做的非常深，因为这未必是他们的核心业务。
创业公司可以选择做垂直领域的先行者，积累用户和数据，结合技术和算法优势，成为垂直领域的颠覆者。
不过即使是做垂直领域，也不建议和传统公司硬碰硬，而是迂回包抄，边缘突破。
创业公司也可以专注于细分场景应用，做窄品类的应用，提供解决方案，直戳行业痛点。
总结一下，创业公司应该不断从边缘创新，在巨头看不见或者不屑的地方进行创新，不断扩大创新的边界，从而成长为一个价值中心，走农村包围城市的路线。
第二个坑：只追求技术不重视产品体验或经济效益
声智科技合伙人&副总裁李智勇说过，“2C产品上，消费者不会为算法和技术买单，技术必须转化为产品，用于改善产品体验或者提升效率”。
一个产品落地，内部的链条很长，除了技术和研发，剩下70%的人可能是做产品、销售、生产、渠道。如果是硬件，需要考虑硬件以年计的开发周期。如果是面向企业的解决方案，还需要考虑不同企业和客户的繁琐需求。
人工智能领域很多科学家创业，拥有很好的技术背景，“这个领域的确很适合科学家创业，但技术往往只是必要不充分条件。”
科学家创业也往往面临一个问题，学术能力强的科学家往往发的最好的Paper,而最好的Paper往往都是研究最通用的问题。
正如我们之前讲的，做一个通用的东西，未必能立马应用于工业实践，即使有用，这往往也是大公司要做的（或者极少数明星创业者能融一大笔钱做的）。
不过拥有技术优势这个起点是对的，得把这个滚动起来。技术突破，产品落地，技术再突破，越卷越大，像滚雪球似的一步一步地发展壮大起来。
“这个滚雪球的过程是非常必要的，因为纯粹的机器学习算法优势并不会持续多久，最多一年，甚至三个月”
即使是在人工智能领域，技术在很多场合也不是最重要的东西，一方面是大家的技术都差不多，没有显著差异，另一方面是有众多其他的因素影响用户体验和购买选择。
第三个坑：摸不清谁会为你的产品买单
人工智能创业者一定要谨慎痛点低的伪需求，满足谁的需求是一定要思考好的问题，在人工智能领域，要么是2B（面向企业），要么2C（面向消费者）的方向，各有利弊。
2C 的优势在于可以打造自主品牌，而且用户购买决策是在相对市场化的竞争环境中，一但成功容易形成规模效应，成长为巨头。2C 的劣势在于可能需要更长时间的积累，需要更庞大的团队，而且竞争更激烈，因为要消费者掏出真金白银。
2C也可以分为两大类，一类是新硬件新产品，第二类是既有产品的改造。
新硬件新产品可能是一片蓝海，也可能是一个伪需求，我们需要关心的是市场能有多大，量有多大，如何教育消费者，如何获取用户，需要关注周期有多长，能否撑到爆发的那天。
既有产品的改造我们要正面和传统产品对抗。需要思考好我们产品效率的提升或者用户体验的改善是否足够让用户放弃已有的成熟产品。我们是注重于存量市场还是增量市场，团队是否能够抗衡传统公司几年甚至数十年积累的市场、品牌和渠道。
2B 的优势在于相对容易变现，因为从企业用户更容易收费，此外团队也更专注在某些问题，这些点上更适合创业团队；2B 的劣势在于规模效应不一定明显，2B的周期也可能很长，此外2B弊端是某些领域采购决策市场化程度可能很低，需要拼企业资源或者政府资源。此外，2B的切入点也非常重要，找不好切入点就非常容易碰壁。
2B还是2C这是一个问题，目前来看大多数垂直领域的应用都是2B。现在的人工智能领域创业者找到一个合适的行业，充分了解这个行业的需求，看准这个行业在某个时间点产生变革，变革是什么，然后提供2B的服务，可能会比突击2C的机会要更快或者更容易。
的确，在2B领域找到一个方向，帮助企业或商家提升效率或者省钱或者创收，都是一个很好的方向，“这是一个经济问题”，用孟醒的话说。
无论做2B还是2C,都要想好壁垒在哪里，优势在哪里。比如如果优势是行业资源，如何找到合适方向切入。如果壁垒在于数据，第一波数据从哪里来，如何把数据优势滚动起来，都是要思考的问题。
第四个坑：人员结构不合理
把握好研发团队和产品工程团队的比例，也是在人工智能初创公司里不断涌现的一个问题。
很多人工智能初创企业由于团队基因等原因，一味地追求算法和技术上的领先，招募大批科研人才，而工程人才欠缺。拥有大量科研人才有利于做公关，也利于吸引VC的投资，但这一方面可能带来过高的成本，牛人扎堆后更难管理，谁也不服谁，可能会因为学术兴趣不同而造成“神仙打架”，导致产品方向的偏差。
毕竟初创公司不是研究院，不以促进学术发展为目的，不以发paper为目的，而是要以产品为核心的商业机构。
做2C的创业，需要创始团队非常有产品思维，而这往往是科学家出生的团队最缺乏的，而做垂直领域的应用，也要求创始团队有行业资源。这些都需要寻找合作伙伴来补齐。
第五个坑：不懂得如何把握节奏
在国内讲风口，在硅谷也讲timing，在大部分投资都有投资回报期要求的情况下，创业公司要控制业务的方向和节奏，找好合适的时机。
在互联网和移动互联网创业的时代，都有窗口期的概念，错过了窗口期会很难做大，进入过早也会死的快。在人工智能领域，时机和节奏感的把握都很重要。
时机的判断非常关键，比如在当前语音的发展已经完全可以商业化的时候应该做些什么，比如对视觉领域的技术发展的判断，又比如对无人车领域前景的判断，找准时机点及其关键，不同阶段要做不同的事情。
而节奏感的控制除了来自对人工智能技术发展程度的判断，还有来自对融资环境的判断，对市场发展速度和变化的判断，对竞争对手的判断。有这几个方向的判断，就大概能知道是否步子应该迈得大一些。
最后，想说的是，人工智能领域的创业除了技术驱动更明显，好像和其他领域创业也没有多大的区别，这些坑希望人工智能领域的创业者要谨慎对待。
欢迎关注：严肃 – 知乎
AI专栏：Take AI Seriously
人工智能创业一定是先了解场景，不要太多关心人工智能本身。创始团队一定要深入到场景的第一线去，天天去思考客户的思维是什么，需求是什么，他作为一个活生生的人要的什么。
人工智能产品能立竿见影，是左派幼稚病。
人工智能创业都是长跑，至少要跑十年才会有成绩。头两三年就想摸清楚是极其罕见的。所以创始人一定要有十年抗战的心理素质和身体素质。团队也一定要是踏实、务实，能经得起长征考验的。
为了融资要做炫酷demo，但是千万不要自己陷进去了。大多数场景不需要多炫酷的算法就能服务的。玩炫酷，成本非常高，一下子搞二三十个甚至更多牛逼工程师，开始烧钱就恶性循环了。先小规模证明商业前景，再徐徐发展。
不要面向VC思考。面向客户思考。VC要追求的目标和客户要解决的问题是完全不同的。
不要迷信明星，不要迷信技术。人工智能技术没有什么神奇，大多数情况下都是人工智障。好的效果都要工程师一点一点打磨出来，有多少人工就有多少智能。控制开发成本，追求有限目标。创始人自己懂AI，就先招优秀的工程师，而不是一堆科学家。
刷榜在我看来是没有意义的。企业在有商业场景理解能力之前（证据就是有人愿意给钱，哪怕是很小的一笔钱），就不应该分心在和商业目标解决无关的事情上。即使这对招聘有一丢丢作用——完全可以有更廉价的招聘宣传，比如创始人去做几个讲座。
技术一定是逐步迭代，在每一个迭代版本都要考虑商业化的可能。开始的辛苦钱也要挣，不要幻想一下子就挣几百万、几千万，非大单不要。钱是一分一分挣出来的。创业公司有原罪，想一下子从大客户手里拿单是幻想。
不要幻想一下子就会有一个标准化的产品。往往要从和天使客户的服务中，逐渐总结出一个产品来。对天使客户用心服务，但是一定要付费（哪怕是很少很少的钱），不付费的就不是客户。通过定制、咨询、服务，逐步改进产品。不要幻想憋几年大招，客户就会买单。
不要烧钱、不要烧钱、不要烧钱。控制团队规模，控制办公室成本，不要做无谓的市场营销。
我厂（文因互联）是做智能金融的，服务的都是银行、券商这些理论上很有钱的主。打了一年多，深刻体会到Lean Startup的极端必要性。一定要逐步迭代，从小的能付费的小需求开始做。千万不要一开始就想着颠覆这个，颠覆那个。
先说这么多吧。随想随增。
以上经验也许都是偏见，没有普适性。创业嘛，哪里有普适答案。
从投融资市场呈现出来的客观情况来看，人工智能是大家从2016年初开始，以至于今后都认定的一个“香饽饽”。无论是投资机构还是创业者，其中有一定技术背景还是更多凭借商业敏感度的人，都在追捧人工智能这个领域，试图在这个未来“大势”中分一杯羹。
在研究这个领域的经验和教训之前，其实我们不妨可以先按惯例，回头来看一下整个科技推进社会进步的大概方式，总结下来可以分成三个阶段和三个层次——
一、技术发展的“三个阶段”：
可以说，技术就是用这几个阶段一步一步的推动整个社会向前发展。
从这个逻辑来说，人工智能也是一样。
在去年开始，因为上一个核心技术变革——传统互联网以及移动互联网——所带来的诸多红利，已经在慢慢降低，由此衍生的二、三阶段已经处于充分竞争状态；所以，寄希望于开启新的技术变革机会，让它能够成为下一代生产力解放的方式，是多数创业者倾向的破局方向。
依照这个思路，以及历次工业革命的经验，我们可以对人工智能带来的社会变革和创业生态，做出合理的推测——鉴于每次把握住一次新的技术变革的人，仅仅占据社会中的20%，另外80%的人，则会被这些新的工作方式所挤压，导致他们最后无事可做（这个规律，会在人工智能到来的时候更加激烈）。所以，在不久的将来，会只有少部分人还在工作，而另外很大一部分人则无所事事；于是，这部分人只能大量的做消费、做娱乐，因此，其实也能感觉到接下来的风向，也是以上提及的二、三阶段，即技术创新带来的大众娱乐消费情感需求的消耗点，同样会成为技术创新的趋势。
二、技术发展的“三个层次”：
事实上，整个人工智能的投资热度目前非常强，据以太资本平台统计，人工智能领域投的整比较多的，主要还是集中在核心技术层，以及一部分特别好的应用层（包括一些To B、To C的大服务平台，比如前面提到的医疗机器人，辅助驾驶、大数据平台、无人机等领域）。其实真正的大公司一般会选择在三个层面“通吃”，但对于初创公司来讲，更多的还是“单点突破”，或在一些传统行业中积累优势、进行突围。
基于以太资本服务的诸多创业融资案例，也可以在实践中总结出适宜创业者切入的具体方向：
首先，投资人更倾向的是投一些技术专家。这些人在某些领域里面有非常深的研究积累，他们从商做得技术转化肯定会被大家追捧。
其次，“专家热”的现象也直接反应了现在整个人工智能领域里面的人才缺失，因此，如果有人是在做人才培训或者交流这样一些辅助发展业务的创业，其实也可能有机会。这个就有点像当时伴随移动互联网刚开始发展时兴起的交流和学习社区。
其三，还有一些有数据沉淀的公司，他们其实本身对于核心的算法、架构并没有很深、很强的技术积累，反而在数据方面做了很多建设，这样与人工智能结合的创业方向也有投资机构不断关注和跟进。
最后，是某些相对垂直的应用场景。从我们的投资机构而言，近期比较看好的是地图测绘，远期有可能教育、医疗和金融会成为应用领域的风口。
综上所述，人工智能的创业者无非分成两类，
第一类，认真做“原动力”；第二类，很好的利用这个“原动力”。
如同电和互联网，现在人工智能领域的创业或发展时机，不需要每一个人都懂人工智能的核心的技术，不需要每个领域从业者都需要成为这方面的专家。但是，我们务必要懂得人工智能给我们带来的机遇，不能做从零到一的发明者，就要做从一到一百的应用者，在这波浪潮里面改造我们所熟悉的领域或者场景，一样能在人工智能创业的势能中“好风凭借力”，最终收获理想的发展。
我认为现在的机会在于大公司还在研发与实用脱节。
小公司针对一个具体需求研发是要机会的。
百度人工智能很强，有科学家，国际上拿了不少奖项，但是百度的人工智能是用在自己家的产品上，而且未必是刚需。
徐小平投了个依图科技，也许图像识别，没听说达到多高的水平，那什么奖，但是公安识别车牌他们给解决了，然后拿到政府机构不少单子。
大公司总是要人工智能颠覆世界，得研发出惊世骇俗得东西。
问题是现实世界，很多地方，稍微有点人工智能就够用，就能盈利了。
百度大会上，有个脸识别得电子门禁，利用深度学习达到很高的识别率，速度很快。
你倒是拿出来卖啊。敏感地方的门禁，银行身份识别，驾驶证考试，高考防作弊顶替，甚至一些单位的考勤都行啊。
alphago这个技术，能不能来个赌场游戏分析，深度学习麻将策略，水平也应该不低吧。
财务软件多了，但是没有个能自动扫描凭证，识别记账出报表的。
深度学习那么多现实世界的物体识别，你不能专门研究财务票据的ocr提取有用信息吗？
人工智能现在不是不够用，而是研发和实用脱节，很多现在技术已经能解决的问题，没有人去做。
这里面机会应该很多。大公司不做，小公司应该有机会。
这问题下面真是什么水平的都有.X乎真该搞个智商准入制.我懒得告诉你们哪些是假的,你们自己也要甄别啊.我都替你们感到着急啊.
是,如你们科技记者所愿,人工智能马上就毁灭世界了,快买船票吧,经济舱也行啊.
对,”大数据,大云.海量数据,天量数据.”
“没有几百PB数据敢跑LR?没有几十万PB数据敢跑神经网?没有戴森球给机房供电,敢跑深层神经网?“
“Map Reduce!Hadoop!!Spark!!!企业级开发!!分布式计算!!!微服务架构!!!”
啥叫reinforcement learning?不知道啊.啥叫局部最小值,啥叫指数复杂度,不知道啊.啥叫解空间,啥叫隐马尔科夫模型,不知道啊;啥叫卷积,啥叫受限玻尔兹曼机,啥叫模型泛用性,不知道啊.
反正听说AlphaGo赢了,那就是人工智能要毁灭世界呗.
记者和微信,微博自媒体作者,还有不知道哪来的X乎答主就在这领域自high吧,把CV,NLP,ML这领域所有信用都提前透支了,所有潜力都搞垮了才好呢.CV,NLP,ML这些领域会被你们人工制造的泡沫破裂拖慢几十年,然后你们会被钉在历史的耻辱柱上.
分享一下我的观察，我理解任何领域创业的核心就是需要找到自己的商业价值，而AI的商业本质在于提升Productivity。
Goldman Sachs在十一月中的时候出了一份长达99页的报告分析人工智能『AI, Machine Learning and Data Fuel the Future of Productivity』，分析得非常到位，特别是Productivity这个词戳到了AI的商业本质，生产效率的提升是人类文明进程的主旋律，本质上讲，也正是生产效率的发展推动着人类社会经济的进步，这份报告也提到了AI突然『火起来』的原因是『算法、数据、计算能力』三方面同时取得长足进步带来的结果，报告提到了各种关键的技术，理解了这些脉络，就更容易鉴别哪些是伪AI、哪些领域的AI应用很难取得生产效率上质的突破、哪些AI故事在短期内几乎不可能实现。
这让我想到了更早之前十月底的时候，我们与一些优秀的创业者做了一次关于AI的闭门分享，会上我分享了一些关于AI的思考，碰巧也是从『Productivity』的角度来理解。
当时我从Productivity+Possibility的角度来理解AI的原因之一是，这好像解释了为什么从Google的Sundar Pichai到华为的任正非都严肃的把AI列为核心战略（这完全是不同业务和技术层面的两家公司啊..），因为背后都是对更高生产效率工具的追求，以及对颠覆式创新带来的可能性之探索。这个角度somehow也解释了为什么AI变成了一个现象级的事情，几乎所有互联网大公司都在谈论AI，背后的动因来自于，过去成功的互联网模式本质上是在做『连接』，当移动互联网的人口红利接近尾声，矛盾从『流量增长』转移至『转化效率』，后者的本质就是『Productivity』，从平台方和供给侧发起。
从『Productivity』的角度理解AI是一种『狭义』的角度，这里的狭义是个中性词，是AI短期内可以落地的视角，或者说，短期内这种『狭义』的角度才更有实际意义。在这个框架下，AI是一种渐进式技术进步在各个行业的应用，AI作为一层类似于基础设施的enabler，以一种inside-out的方式在现有世界秩序中生长出来，外来者想要破局并不容易，因为在数据壁垒方面就很难突破，数据壁垒背后往往是商业壁垒，因此，这一类型的主要创新更有可能是行业巨头的机会，巨头们拥有足够的资源优势（资金投入、数据获取、人才吸引），同时，当平台规模足够大时，即便小的改进也能带来可观的回报，『门口的野蛮人』也开始发现，依托大平台其实是一种高效率低风险的创新方式，这也解释了美国市场上出现的大量AI方面的acqui-hire（通过并购来获取人才）。
另一个角度是把AI作为一个独立的领域来看，本质是技术突破带来的颠覆式创新『New Possibility』，这类技术创新甚至可以开创一系列新的产业，在一百年前这个创新故事带来了汽车产业。顺着这条逻辑，当AI发展到非常科幻的水平，接近人类智力甚至能理解人类情感拥有自己的思维时，才是人们目前所期待的『人工智能』，Wikipedia对它的定义是通用型人工智能『Artificial General Intelligence (AGI) is the intelligence of a machine that could successfully perform any intellectual task that a human being can.』，这一天终将到来，但我们很难预期在下一个十年内会发生。颠覆式创新是现有世界秩序所畏惧的一股力量，感谢计算资源、开源算法的发展和普及，在这条跑道上，初创公司与行业巨头往往处于同一起跑线，在关键资源上巨头并不一定占有优势，比如自动驾驶技术所需要的training data，通用汽车也没有数据上的优势。
关于颠覆式创新，A16Z的Marc Andreessen最近在接受采访时提到了他的角度『New Feature vs. New Architecture』，非常受教：
无论是创业者还是VC，我们都对下一个十年可能产生的颠覆式创新充满好奇与热情，与此同时，中国的信息化程度和商业成熟度大环境也在以同样的热情拥抱渐进式技术创新，更多的机会同时也存在于那些已经不那么fancy的Cloud Computing, Big Data, CyberSecurity, etc. 之中，共勉。
综上，认不清自己、看不清外界，狂打鸡血，拼命折腾，早晚把自己弄死。
打造会赚钱的时间池
时间就是金钱的论调屡见不鲜
今天我要讲的是会赚钱的时间池，这并不是一个很新的概念，最早运用这一概念来赚钱的人叫查尔斯·庞兹（Charles Ponzi），这个名字你可能比较陌生，如果我说庞氏骗局你可能就能对上号了。
查尔斯·庞兹是一位生活在19世纪的意大利裔投机商，1903年移民到美国，1919年他开始策划一个阴谋，策划了一个很好的故事：承诺向一个事实上子虚乌有的企业投资，许诺投资者将在三个月内得到40%的利润回报，然后，狡猾的庞兹把新投资者的钱作为快速盈利付给最初投资的人，以诱使更多的人上当。这种骗术在中国又称“拆东墙补西墙”、“空手套白狼”。简言之就是利用新投资人的钱来向老投资者支付利息和短期回报，以制造赚钱的假象进而骗取更多的投资。
由于前期投资的人回报丰厚，庞兹成功地在七个月内吸引了三万名投资者，然后庞兹利用这个时间差，不断的用后来者的投资作为盈利利息付给早先投资的人，这场阴谋持续了一年之久，才让被利益冲昏头脑的人们清醒过来。
现在这种依靠时间差，来打造时间池用以非法牟利的玩法依然存在，并且有愈演愈烈的趋势。
去年的MMM骗局就是庞氏骗局的变种，承诺每天1%的利息，三个月就能翻一倍，还有更激进的，承诺5000元投资10天收获10000，很多人动心了，5000进去，10天后10000出来，然后再10000进去，10天后20000出来，投机者疯狂了，倾其所有，300000进去，10天后，20天后，30天后……血本无归。
这些骗局无不例外都是利用时间池的方式打造了一个持续输入输出的骗钱模式，很多朋友觉得他会在崩盘前出来，事实上呢？会上瘾！根本停不下来，这也是为什么明知道是骗局，但却有人不断的往里面跳。
投资领域一直有一种说法叫做：大胆和谨慎，原意是行情在的时候要大胆，行情不好的时候要谨慎，但是事实上呢？就像今天的商品期货一样，早晨PTA1705一口气冲到5544，我朋友的账户盈利迅速膨胀，他还找我抱怨，觉得自己太谨慎，买少了！结果呢？下午直线下跌，跌回5446，我这哥们再次向我抱怨，觉得自己太大胆了，没有做好止损，后悔自己没卖。
其实在投机的时候我们都有大胆和谨慎，什么时候大胆？赚钱的时候大胆。什么时候谨慎？赔钱的时候谨慎。
这就是没有规划，掉进了别人的时间池
有人说他有规划，他理财是靠时间的力量，他买了原始股！
太天真了，去看一看，一家公司上市有多难！去查一查A股有多少家企业！全国有多少县？一个县有多少企业？如果不是真正的有关系有路子，这么质优价廉的原始股公司包下五星酒店、全程车接车送、服务员爸爸妈妈的叫着要让你买，可能吗？
董俊峰曾经提到过他的时间容器概念：
这个概念我无意识的曾经尝试过，那是2006年的时候，我初中快要毕业，一个哥们说在家里藏了一瓶茅台，他爸的，不是收藏！是真的藏！约定好了等10年之后他拿出来我们喝掉，时间过的太久我都忘了，去年过年的时候，他突然神秘兮兮的约我出去喝酒，带的就是当年藏的那瓶，感慨良多，结果呢，开瓶一尝，没啥滋味了……
看来，这时间池也并不是听到一个概念就能做的，更多的时候虽然我们懂得时间池的概念，但是却做不到。
比如，褚橙。
褚时健在哀牢山种冰糖脐橙的事情已经传了有几年了，大家不仅看到褚老的精神，更看到他挣钱了，但是很少有人像他一样去种植，为什么？
因为，橙子五年才收获，农户是忍受不了的。
但是如果像褚老一样，即便是作为肥料的鸡粪也要亲手捻下去试试湿润度，如此这般坚持五年下来，每年将老树枯树处理掉，再种上新树，新树不断的变成挂果树……那么你就会拥有一个时间池，每年固定产出质优的橙子，如此反复循环，这就是一个能赚钱的时间池。
时间是非常高的门槛
在互联网领域，时间池的战术也早已屡见不鲜。
打时间差、创造时间池这个战略，小米的雷军早就这么干了，小米的营销手法表面看是饥饿营销，但实际上是时间池战略，一直以来小米手机都是以性价比极高这一特点为人所称道，但是我们来看究竟是不是这样呢，以小米1和小米1S为例，新产品推出的时候，你是先预付了款，但是要等到小半年之后才能拿到手机，在你付款的时候你感觉性价比超高，但是你想过没有，小半年的时间，随着芯片的增产、技术的更新换代，几个月之后你拿到手的产品其实和同类产品相差无几，以当时你付款的那个价格，你拿到货的时候，市面上同等配置的手机你可选范围更广。
但是先入为主的思维模式让大家会自动忽略这等待的几个月时间，却感觉小米手机永远是性价比最高的，举个极端的例子：90年代大哥大盛行，一个大哥大售价1万左右，如果我那个时候给你承诺，5000元就能给你一个更薄的、通话质量更棒的、还能发短信、还能视频的大哥大，你是不是会觉得我的性价比很高，但是我需要20年之后给你交货，但是你5000元是当场交付，到20年后的今天，我可能2000元买个小米给你就得了，再算一下90年代的5000元和现在的5000元的通货膨胀，你还会认为我卖给你的大哥大性价比高吗？
虽然这个例子很极端，但是可以反推出一些新的商业模式，王煜全在前哨里提到了这种新型商业模式：
比如说万能高级翻译耳机，一种耳塞式的无线耳机，通过蓝牙绑定手机，然后通过手机来实现自动翻译，不论你是和法国人对话还是和美国人对话，甚至和西班牙人对话，都没问题，只要对方的语言传入了耳机，经由手机翻译，最终翻译成中文然后送入你的耳朵里，实现跨语种、跨国别的交流。
有没有问题？有问题。
现在实时翻译技术还实现不了这么高准确度！但是没关系啊，你现在搞一个众筹，然后把钱先收上来，等什么时候科大讯飞、谷歌或者什么其他的公司，只要他们能实现了这种跨语种的实时翻译了，你直接谈合作，把他的技术接入进来，直接放入到早已设计好的耳机中，分分钟交付产品，即使到时候技术达不到，最多就是退钱结束。
但是想把这个时间池做好又不丢份，需要的是对趋势及技术发展极高敏锐的预判和策划能力。
打造一个会赚钱的时间池是何等的重要，比如有很多百年老店做的饭就是很好吃，原因不光是因为配方，就因为那一勺老汤，这些汤有的几十年了，有的上百年了，怎么做到的？每天用多少老汤，就添多少新汤进去，就这么简单，这就是一个源源不断的会赚钱的时间池。
对我们来讲，可能最贴近的就是学习这件事了，我们现在赖以生存的技能都是学习而来，而不断进步的技术会逐步蚕食掉我们技能上的优势，那就需要不断的学习，这一点，做程序员的朋友肯定深有体会，技术不断革新，这个语言、那个框架，可能半年不学新技术就跟不上项目的需要了，这里的学习就是程序员为自己打造的会赚钱的时间池。
我们都需要打造这么一个时间池！
欢迎关注公众号：景辰（iJingChen）
吼吼，投资人多的地方故事多啊^_^，那我就不讲故事。
人工智能是三尺白绫，挂的好那是西式婚礼，挂的不好那是你门前的葬礼。
作为人工智能领域的创业者，正瑟瑟发抖地捧着白绫不知道怎么挂。不说高大上的概念，不说电影媒体上的畅想，咱们说说真实世界中人工智能创业公司是怎么死的。
1.别把故事不当故事
创业者是相信故事的，尤其容易迷失在反复对投资人畅想着故事的生活中。当有一天他自己坚信自己能做出像梦想中一样美丽的产品时，他就离死不远了。人工智能是个被极速夸张化的名词，原因很简单，和一般人说算法说ML说pipeline太麻烦，所以干脆都用人工智能统一了。然而，内行都知道，机器学习和各类人工智能算法基本都在研发和测试阶段，还远不能达到应用级别。尤其是人工智能志在解决的问题还是那些人类的最高智力活动。所以，别看了Her就要做chatbot，那是扯淡，自己先在手机上玩玩siri，你做的不会比siri好。
2.别把用户不当用户
一言以蔽之，没有人工智能的这些年，大家过的不也好好的么？所以在很多领域，人工智能还是个可有可无的存在。你的东西要想有人用，它先得达到应用级别。然后就是确实能切实帮到某一类用户。这里说的帮到是一定要让他在有了你的AI后事情做得更好了。而不是你天真的以为他一定会和你一起做人工智能的春秋大梦。
人+AI>人
这个原则大家创业创着创着就忘了。
3.别把泡沫不当泡沫
各位VC爸爸们，我听一个朋友说（其实我并不相信）：很多人工智能公司确实是被资本届捧杀的。你估值几个亿，不代表做的出好产品；你在投资人面前吹得了牛，不代表你能得到用户的赞赏。
大多数人，含笑死在虚妄的自以为是中。
慢慢的，当人工智能的概念过了气，资本一定可以找到下一个概念。而挂在人工智能树梢的创业者，不一定有人来为咱们松绑。
所以，谦虚地做梦，踏实的做事。
只有用户满意，才是产品的成功，只有产品成功，公司才能赖以为生。其他的都是浮云。
做人工智能的创业团队通常都是科研出身，一般都有很强的技术实力，算法玩的溜。常见的坑有以下几个：
1,没有数据来源。数据是人工智能的基础，目前数据大多掌握在传统行业或者互联网巨头手里。创业公司空有一身做模型的功夫然而没有独特的数据源，只能沦为给巨头们提供服务的角色。
2,不了解业务需求。技术要结合具体的行业需求才有价值，很多团队在这方面还很欠缺。
3,没有应用场景。产品做的很炫酷，然而并没有什么卵用。
4,找不到商业模式。纯AI没有商业模式，一定要与具体的行业和应用场景结合，否则只能提供API调用，或则to vc。
5,某些方向回款是个大坑，如安防。
6,硬件产品一路都是坑。
其他的想起来再补。。。。