Trong một bài đăng trước, tôi đã tìm hiểu sơ qua về lĩnh vực AI cơ bản dành cho các nhà đầu tư thú vị khi đưa công việc kiếm tiền vào không gian. Đặc biệt, tôi đã thảo luận về một số yếu tố cần thiết mà mỗi nhà đầu tư nên biết để đưa ra quyết định đầu tư sáng suốt hơn:
Như đã được thảo luận, thế giới đã chứng kiến sự bùng nổ quan tâm đến chủ đề này. Và không có gì ngạc nhiên khi đô la đầu tư cũng đi theo một con đường tương tự. Theo CB Insights, các giao dịch và đô la cho các công ty khởi nghiệp AI đã tăng lên kể từ năm 2012, với một bước nhảy vọt từ 60% vốn đầu tư lên 5 tỷ đô la vào năm 2016. Statista ước tính rằng trong năm 2017, các công ty khởi nghiệp AI toàn cầu đã nhận được 15,2 tỷ đô la đầu tư, một cấp số nhân Tăng 300% so với năm 2016. Ngoài ra, các công ty công nghệ lớn đang bắt kịp các công ty khởi nghiệp AI để dẫn đầu trong cuộc đua AI.
Bài đăng tiếp theo này nhằm hướng dẫn thực tế hơn cho các nhà đầu tư đang đánh giá triển vọng đầu tư trong lĩnh vực này. Đặc biệt, tôi sẽ thực hiện năm bước quan trọng để đánh giá một khoản đầu tư liên quan đến AI:
Xin lưu ý:Tôi sẽ sử dụng các ví dụ về một số công ty giao dịch công khai nổi tiếng. Tôi không tán thành hoặc không khuyến khích người đọc đầu tư vào các công ty này.
Theo tôi, bước này là quan trọng nhất trong số năm được nêu trong bài viết này. Để bắt đầu, bạn cần tự hỏi mình - Doanh nghiệp đang cố gắng giải quyết (những) vấn đề gì bằng công nghệ AI? Ví dụ, ô tô tự lái có thể cải thiện trải nghiệm di chuyển bằng cách an toàn hơn, thuận tiện hơn, v.v. Máy dịch giúp con người giao tiếp với nhau dễ dàng hơn. Ngược lại, một doanh nghiệp AI không được mong muốn, khi:
Một vấn đề phức tạp khác liên quan đến thời điểm một doanh nghiệp đang cố gắng giải quyết một vấn đề quan trọng của sứ mệnh . Điều này, ý tôi là _ giải pháp cho vấn đề có khả năng sai sót rất thấp_ . Ví dụ:nếu lỗi phần mềm AI của xe tự hành là 0,001%, ngay cả khi về mặt khách quan đó là tỷ lệ lỗi rất thấp, thì vẫn không thể chấp nhận được. 0,001% có nghĩa là nó có thể xảy ra 1 vụ tai nạn cứ sau 1000 giờ lái xe và có khả năng gây thiệt mạng. Ngược lại, nếu bạn nhận sai khuyến nghị của Amazon hoặc Netflix, thậm chí chỉ 1% thời gian, sẽ không ai chết cả. Rủi ro tiềm ẩn và lợi nhuận đối với các dự án quan trọng, chẳng hạn như ô tô tự lái hoặc các ứng dụng y tế (ví dụ:chẩn đoán y tế, robot phẫu thuật), đều lớn hơn so với những dự án quan trọng phi nhiệm vụ, khiến nó trở thành một vấn đề khó xử lý hơn.
Đối với các doanh nghiệp trưởng thành chi tiền để phát triển ứng dụng AI, họ phải có trường hợp kinh doanh mạnh mẽ để biện minh cho khoản đầu tư trả trước. Ví dụ, Giám đốc điều hành IBM Virginia Rometty muốn IBM Watson tạo ra 10 tỷ đô la doanh thu hàng năm trước năm 2024. Đối với một công ty khởi nghiệp về AI, đặc biệt nếu đó là doanh thu trước, một câu hỏi quan trọng mà tôi luôn đặt ra là: thị trường có đủ lớn không cho loại vấn đề mà công ty đang giải quyết? Ví dụ:nếu công ty đang phát triển một ứng dụng AI cho một quốc gia rất cụ thể trong một ngành cụ thể với tiềm năng thị trường tối đa là 1 triệu đô la mỗi năm, bạn có đầu tư vào nó không?
Một khía cạnh khác bạn cần xem xét là chân trời đầu tư . Công nghệ AI sâu hơn mất nhiều thời gian hơn để phát triển sản phẩm. Ví dụ:Waymo (công ty sản xuất xe tự hành của Google) đã thử nghiệm công nghệ này từ năm 2009 và vẫn chưa phát hành sản phẩm thương mại. Các công ty công nghệ AI sâu hơn cũng có thể mất nhiều thời gian để được thị trường công nhận và lợi nhuận đầu tư sau đó. Lấy Nvidia (NASDAQ:NVDA) làm ví dụ. Nvidia cung cấp các chip, GPU phổ biến nhất, để tính toán các thuật toán mạng thần kinh được sử dụng trong nhiều ứng dụng thị giác máy tính, bao gồm cả ô tô tự lái. Nhìn vào biểu đồ giá cổ phiếu dưới đây, người ta có thể nhận thấy rõ ràng mô hình “đường cong chữ S” nổi tiếng mà bạn thấy trong nhiều doanh nghiệp đổi mới. Nhưng thời điểm rất quan trọng:nếu bạn đầu tư vào Nvidia kể từ khi IPO vào năm 1999, bạn sẽ không thấy sự trở lại đẹp đẽ cho đến sau năm 2016, khi AI học sâu trở thành “mốt”.
Như đã thảo luận trong bài viết khác của tôi, tôi tin rằng có bốn thành phần chính dẫn đến thành công của sản phẩm học máy (bao gồm cả học sâu):các vấn đề được xác định rõ ràng và mong muốn, dữ liệu rõ ràng và được gắn nhãn rõ ràng, thuật toán mạnh mẽ và sức mạnh tính toán mở rộng. Ba yếu tố cuối cùng xác định tính khả thi về mặt kỹ thuật của hoạt động kinh doanh AI. Sau đây, tôi sẽ thảo luận ngắn gọn về ý nghĩa của các thành phần này và làm thế nào để người ta có thể tiến hành thẩm định với tư cách là nhà đầu tư.
Đầu tiên, việc phát triển một thuật toán học máy yêu cầu quyền truy cập vào dữ liệu sạch và được gắn nhãn tốt. Điều này là do, như đã đề cập trước đây, các thuật toán này được xây dựng bằng cách cung cấp cho các mô hình thống kê khác nhau một lượng lớn dữ liệu được gắn nhãn tốt để thiết lập các mối quan hệ dự đoán cần thiết. Khi bạn nghiên cứu hoạt động kinh doanh AI, bạn cần biết liệu họ có quyền truy cập vào dữ liệu có thể sử dụng hay không, cách họ lấy được dữ liệu đó và liệu họ có thể tiếp tục lấy dữ liệu đó hay không . Hoặc, nếu họ chưa có dữ liệu, kế hoạch của họ để thu thập những dữ liệu đó là gì? Xu hướng dân chủ hóa dữ liệu người tiêu dùng và các sáng kiến như ngân hàng mở sẽ mang lại nhiều cơ hội cho các ứng dụng AI mới.
Thứ hai, một doanh nghiệp AI cần phát triển các thuật toán mạnh mẽ, có thể mở rộng. Để đạt được điều đó, có ba điều cần phải có:số lượng lớn dữ liệu được gắn nhãn rõ ràng đã thảo luận ở trên, tài năng phù hợp và sự tự tin rằng học sâu là công nghệ phù hợp để giải quyết vấn đề. Do đó, một câu hỏi quan trọng là: liệu doanh nghiệp có thể thu hút được đúng nhân tài ? Các tài năng AI hàng đầu, đặc biệt là các nhà khoa học dữ liệu, kỹ sư và lập trình viên đã có kinh nghiệm với AI, đang bị các gã khổng lồ công nghệ như Google, Facebook, Microsoft và IBM thâu tóm, để lại rất ít cho các công ty và công ty khởi nghiệp khác. Để thu hút nhân tài hàng đầu, họ không chỉ cần chuẩn bị trả mức lương cao ngất ngưởng (ví dụ:nhân viên phòng thí nghiệm DeepMind của Google kiếm được trung bình ~ 345.000 USD / năm), họ còn cần có tầm nhìn thuyết phục. Ngoài ra, bạn cần đặt câu hỏi liệu học sâu có phải là công nghệ phù hợp nhất để giải quyết vấn đề thương mại hay không. Ví dụ:đối với ứng dụng cố vấn rô-bốt để phân bổ tài sản của các nhà đầu tư bán lẻ, một chương trình dựa trên quy tắc có thể ít tốn kém hơn nhiều để phát triển và dễ triển khai hơn một thuật toán học sâu . Ngược lại, thuật toán máy học với khả năng học hỏi từ những sai lầm và chiến thắng trong quá khứ và có thể tiếp tục cải thiện bản thân, là một ứng cử viên tốt hơn cho thuật toán đầu tư quỹ phòng hộ. Hiện tại, các lĩnh vực đã đạt được nhiều đột phá nhất và phù hợp nhất cho công nghệ học sâu là xử lý ngôn ngữ tự nhiên (ví dụ:dịch máy), thị giác máy tính (ví dụ:nhận dạng khuôn mặt, ô tô không người lái) và chơi trò chơi (ví dụ:AlphaGo, quyết định đầu tư cải tiến làm).
Thứ ba, doanh nghiệp cần có khả năng có được sức mạnh tính toán rộng rãi . Như đã thảo luận chi tiết trong bài viết trước của tôi, sức mạnh tính toán từ điện toán đám mây hoặc máy chủ GPU của riêng một người là tốn kém. Có hai câu hỏi chính mà bạn cần đặt ra cho khía cạnh này:1) Khả năng tính toán là một nhiệm vụ điển hình cần thiết cho công việc kinh doanh này là bao nhiêu? Khả năng tính toán như vậy có sẵn ngày nay không? Điều này đặc biệt quan trọng đối với các ứng dụng yêu cầu xử lý thời gian thực nhưng chỉ có dung lượng hạn chế trên thiết bị thực tế để chứa GPU và pin (ví dụ:máy bay không người lái). 2) Doanh nghiệp có thể đủ khả năng tính toán như vậy không? Ví dụ, Kaifu Lee kể một câu chuyện thú vị trong cuốn sách Trí tuệ nhân tạo của anh ấy rằng một công ty khởi nghiệp học sâu mà anh ấy đầu tư đã chi 7 triệu RMB (~ 1 triệu USD) trong 3 tháng đầu tiên chỉ để mua máy chủ điện toán học sâu. Ông nhấn mạnh thêm rằng ngày nay, một nhiệm vụ đào tạo mô hình học sâu điển hình yêu cầu một hoặc nhiều máy tính có bốn đến tám GPU dung lượng cao. Nhiều tác vụ thị giác máy tính yêu cầu hàng trăm và hàng nghìn cụm GPU và tỏa nhiệt nhiều hơn 10 lần so với một máy chủ bình thường. Một số nhóm khởi nghiệp trong các lĩnh vực này đã phải thiết kế lại hệ thống AC hoặc mua những tảng đá khổng lồ để hạ nhiệt các máy chủ.
Cuối cùng, bạn nên xem xét kỹ lưỡng thống kê tài chính của doanh nghiệp AI và quan điểm kinh doanh phi tài chính của nó và đánh giá nó như cách bạn sẽ làm đối với bất kỳ công ty công nghệ nào khác. Xem phân tích ví dụ được minh họa trong bảng dưới đây.
Các chỉ số tài chính và phi tài chính truyền thống để định giá doanh nghiệp bao gồm doanh thu, thu nhập ròng / dòng tiền, tốc độ tăng trưởng doanh thu, tỷ số (P / E, P / S, v.v.), kinh tế vĩ mô, đối thủ cạnh tranh, quy định, v.v. Các công ty công nghệ cũng có đặc điểm riêng biệt của họ. Một ví dụ là tốc độ tăng trưởng có thể quan trọng hơn lợi nhuận. Đối với các công ty khởi nghiệp công nghệ ở giai đoạn đầu, số liệu thống kê về người dùng như người dùng đang hoạt động và lượt đặt phòng quan trọng hơn doanh thu hoặc dòng tiền. Định giá có thể cao hơn do nhu cầu đầu tư như vậy. Ví dụ:tỷ lệ P / E của Nvidia (NVDA) là ~ 30 lần P / E, trong khi McDonald’s (MCD) đang giao dịch ở mức ~ 20 lần.
Có rất nhiều sách đầu tư về cách định giá một công ty nên tôi sẽ không đi sâu vào quá chi tiết ở đây. Nếu đó là một công ty đại chúng, bạn có thể nhận được những chi tiết này từ các hồ sơ công khai như báo cáo tài chính hoặc từ các nhà cung cấp dữ liệu thị trường như Google Finance hoặc Bloomberg. Nếu đó là một công ty tư nhân, bạn có thể liên hệ với ban quản lý công ty để biết các chi tiết cần thiết.
Tóm lại, theo ý kiến của tôi, tôi nghĩ các thuộc tính mong muốn nhất cho khoản đầu tư vào AI trong ngắn hạn đến trung hạn (và do đó, điều tạo nên một khoản đầu tư tốt cho AI), là: 1) giải quyết một vấn đề mong muốn được xác định rõ ràng và 2) phi nhiệm vụ-quan trọng (không ai sẽ chết nếu nó thất bại). Những trường hợp này bao gồm các lĩnh vực của dịch vụ khách hàng thông minh như chatbots (không hoàn toàn dựa trên quy tắc), chẩn đoán hình ảnh y tế, nhận dạng khuôn mặt, dịch máy, cố vấn tài chính AI, chơi game trên máy tính, v.v. Tất nhiên, về lâu dài, rủi ro cao / vấn đề quan trọng của nhiệm vụ phần thưởng cao (ví dụ:ô tô không người lái) là giải thưởng mà nhiều người để mắt đến . Khi bạn xác định họ có một vấn đề mong muốn cần giải quyết, bạn có thể phân tích khả năng thương mại, tính khả thi về mặt kỹ thuật, số liệu thống kê tài chính và số liệu kinh doanh của họ.
Bạn cũng cần phải suy nghĩ về các ngành dọc AI cụ thể mà bạn muốn đầu tư. Các ngành dọc AI khác nhau có mức độ khẩn cấp khác nhau về nhu cầu của khách hàng và sự sẵn sàng về công nghệ, do đó lợi nhuận và rủi ro đầu tư cũng khác nhau. Bạn có thể đầu tư vào phần cứng so với phần mềm so với nền tảng so với dịch vụ và trong các ngành khác nhau như tài chính, giáo dục, chăm sóc sức khỏe, công nghiệp. Trong một bài viết tiếp theo, tôi sẽ thảo luận về cách bạn có thể bắt đầu đầu tư vào AI bao gồm các ngành dọc và công nghệ hứa hẹn nhất, phong cách đầu tư (thụ động so với chủ động) và địa lý (Hoa Kỳ so với Trung Quốc so với phần còn lại của thế giới).