一、推薦的學習材料

現(xiàn)在是2018年，如果你希望今年加入創(chuàng)業(yè)大軍的話，首先就要學習AI。如果你自己不了解這個神奇的技術是怎么工作的話，你不可能創(chuàng)造出AI解決方案。如果你剛剛開始看教程，記得按照這個順序——先學習面向數(shù)據(jù)科學的python，然后是Tensorflow的介紹，接著是Deep Learning的介紹，最后是關于人工智能的數(shù)學知識。

另外，Andrew Ng的最新Deep Learning課程是必選項，Jeremy Howard的Fast.Ai 課程也非常棒。我最喜歡的關于深度學習的書是lan Goodfellow著的Deep Learning。這本書的電子版是免費的，它對你理解關于Deep Learning的數(shù)學知識非常有幫助.Deep Learning被證實在廣泛的范圍內(nèi)，可以幫助每一個其他的機器學習模型。

所以，關于AI的炒作是有道理的。然而你需要確切地知道，其他機器學習模型是怎么工作的。在無法獲取大量數(shù)據(jù)的情況下，你只能建立一個簡單的預測模型。這種情況下，支持向量機，甚至一個簡單的決策樹，都比深度神經(jīng)網(wǎng)絡更有用。

知道什么時候用什么模型的唯一方法是，建立關于AI的直覺——這種直覺在學習和掌握大量AI 知識資源后才能得到。當掌握了構建AI算法的全貌時，你需要找到一個激發(fā)你濃厚興趣的問題去研究——世界上大多數(shù)成功的公司都是從解決問題開始的。

二、記錄遇到的問題

記錄你和你朋友面臨的問題，以及在生活中亟待解決的問題吧，這會是非常好的選擇。這些問題困擾著你關心的人，于是你就會有解決它的熱情。

如果沒有好的想法，你可以使用社交網(wǎng)絡主動尋找想要尋找解決方案的人。利用關鍵字或關鍵詞，找到人們發(fā)布的遭遇很大挫敗感的話題，例如我該怎么做，尋找問題解決方案，或者關于這個工作做的不好等。你可以在Reddit或Twitter等社交媒體上找到這些信息。

三、讀萬卷書，行萬里路

我認為最好發(fā)現(xiàn)問題的方法是旅行，和不同人接觸。我在前幾年曾歷時三個月環(huán)游歐洲，在倫敦偶然碰到了Alex macaw，他給了我啟發(fā)，讓我在大學前幾年的主修方向，從商學轉(zhuǎn)為計算機科學。這是我這一生最重要的改變，才能讓我成立了機器人創(chuàng)業(yè)公司Lucid Robotics。

我在劍橋讀三年級的時候，在南亞和東南亞旅行了四個月。這次旅行幫助我以不同的角度看待同一個事物。離開硅谷以后，我會親自去發(fā)現(xiàn)人們面對的問題，他們?nèi)粘５纳顔栴}，關系到基礎設施、商業(yè)活動，當然還有教育，對我的影響非常大。當?shù)厝诉M行許多簡單的交流，最終形成了我自己的想法，形成了一個大的計劃——即關于AI的教育。

四、前期調(diào)研

像馬斯克說過：“創(chuàng)業(yè)就像披荊斬棘，篳路藍縷”。如果你對解決一個問題沒有熱情，你就無法堅持。當遇到不論多少負面的評論。我總持保留意見，因為這不是針對我的，而是針對解決AI問題的。一旦你有了待解決的目標問題，就該做一些市場調(diào)查，包括你的客戶，他們在哪里購買，他們的承受能力，這是產(chǎn)品還是服務，配置的花銷，市場的歷史怎么樣等等。

這方面的內(nèi)容可以參考dot.com(互聯(lián)網(wǎng))和大數(shù)據(jù)分析公司。根據(jù)公布的關于一般AI創(chuàng)業(yè)公司的報告，AI型創(chuàng)業(yè)公司大致分為兩類：第一類是水平方向的AI創(chuàng)業(yè)公司，主要針對服務于不同行業(yè)的基礎問題，比如自然語言處理;第二類是垂直方向的創(chuàng)業(yè)公司，針對非常具體的客戶群體，為他們解決問題，屬于一類具體的行業(yè)。

每個主流的技術公司都非常注重AI，他們雇傭AI方面的大牛，從Hinton到LeCun都是天才。他們多年來從用戶那收集了大量數(shù)據(jù)，而這些只對他們自己的研發(fā)團隊開放，因此這些科學巨人擁有巨大的優(yōu)勢。他們建立水平方向的產(chǎn)品，可以被用在很多行業(yè)，例如圖像識別，語言翻譯或者其他的基礎設施。

而你所擁有的優(yōu)勢，是可以根據(jù)一個獨立的問題，針對垂直方向的領域展開快速的行動。他們沒有時間去處理簡單的小問題，但是你有。

總的來說， 他們關注客戶多過于關注企業(yè)，你可以幫助企業(yè)，建立個人主頁，描述你的產(chǎn)品，注冊獲得發(fā)布版本，在社交網(wǎng)絡上發(fā)布它。一個提升你產(chǎn)品認知度的方法，是提升你自己的形象，把自己包裝成一個AI思想領袖，建立博客或者其他形式回答AI的基礎問題。當你注冊時，讓觀眾看到，如果你做的非常好，你產(chǎn)品的價格也會跟著增長——它和你可以提供的成正比，這至關重要。

五、尋找數(shù)據(jù)

如果你將AI從公司剝離，但如果在正確的軌道上的話，它仍是一個有價值的產(chǎn)品。如果AI是你唯一的東西，沒有消費者或者投資者會滿意的。當你開始市場調(diào)研，就是建立你產(chǎn)品的最佳時機。建立模型的時候，你需要盡可能地組織和標注你的數(shù)據(jù)——高質(zhì)量的數(shù)據(jù)經(jīng)常是機器學習流水線中最重要的部分，重要程度甚至超過模型結構——在垃圾中分析垃圾什么也得不到。

最簡單的方法是尋找公布的數(shù)據(jù)，Github上有非常棒的數(shù)據(jù)庫，California Irvine有巨大的ML數(shù)據(jù)資源庫，Kaggle也有很多很棒的數(shù)據(jù)。如果這些都不管用，用你已有的數(shù)據(jù)建立自己的數(shù)據(jù)庫，例如當你嘗試著對手寫字體進行分類，你可以通過增加噪聲的方法，從已經(jīng)存在的數(shù)據(jù)中生成新的數(shù)據(jù)。如果你有未標注數(shù)據(jù)，通過Amazon的Mechanical Turk進行眾包是一個好的選擇。你可以找人來標注他們。另外還有像data circle這樣的數(shù)據(jù)市場，你可以直接從其他人手中購買或者交換數(shù)據(jù)。

最后，如果你夠有創(chuàng)意，可以利用scrapy庫或者web service來編寫python腳本實現(xiàn)自動抓取數(shù)據(jù)，就像在diggernaut.com 上一樣。當你開始建立模型，Tensorflow仍然是最能經(jīng)受考驗的機器學習框架。Tensorflow的生態(tài)圈有一大堆的工具，比如產(chǎn)品化的Tensorflow Serving。建議一個模型，用你的數(shù)據(jù)通過 AWS google cloud 或者 FloydHub 來訓練這個模型。利用你的模型進行預測——這就是你的產(chǎn)品。數(shù)據(jù)越多意味著算法越智能，同時也意味著產(chǎn)品更優(yōu)秀，用戶更多以及數(shù)據(jù)越多，這個環(huán)狀結果往復循環(huán)。

六、融資

融資是一個加速拓展業(yè)務的方法，或許ICO圈子現(xiàn)在非常熱門，但如果你長時間處身其中，可能產(chǎn)生法律問題，這里就不談了。我的一個朋友——Aetherium的第一個設計者，他不希望給他的公司做ICO，于是采用眾籌的方法籌錢。

我們可以發(fā)現(xiàn)他的做法很具有啟發(fā)性，我有一篇文章，詳細地描述了這件事。風險投資(VC)是另一選項，通過重復使用一些流行語來使VC投資人相信你的產(chǎn)品很棒。其中，最好的VC投資人可以很好地理解你的產(chǎn)品，所以你需要準備好向他們解釋其中的技術。

如果你可以在一些高檔的地方和VC投資人交流，說明你已經(jīng)獲得了一些現(xiàn)金流;如果沒有，就不用。這就是我在紐約被那么多VC投資人拒絕的原因——我還沒證明我的機器人能夠有很好的銷售市場，因此我并沒有得到很多的投資，我所做的是建立一個受眾群體。我可以接受被挑剔，但是我現(xiàn)在不關注融資。

七、招聘

接下來是招聘。極少數(shù)的天才分布在全球各地，所以從kaggle的全球排行榜招人是有道理的，即最招最有用的人——我很難找到適合幫助我編輯視頻的人。如果你真心喜歡一件事情， 是很難放棄的。如果你找到合適的人，事情變得簡單了。

Steve Jobs說過，最高興的事情是你擁有一個核心團隊——可能是10個優(yōu)秀的人。它是可以自控的，某種程度上，你可以選擇退出。不論之后是被Aqua或其他的大型技術公司雇傭，還是被IPO雇傭，如果都沒有，可以走咨詢公司這條路，只是沒有開發(fā)產(chǎn)品那么具有誘惑力，但是找?guī)讉€朋友開一家咨詢公司總能填飽肚子，得到一些初始用戶，慢慢做好品牌，證明自己。