未来五年 对话机器人将取代全行业80%人工客服
第一点，找到 PMF（Product Market Fit）或者是 SMF（Solution Market Fit）。
公司推出的产品与市场是否匹配度，基本上所有的行业包括 To B 行业，第一步要验证的事情。公司所打造的产品或者解决方案是否能够真正的帮到一个固定的垂直细分市场？这个市场可能不需要很大，但产品能够真正的在这个市场当中被接受且产生价值，形成商业闭环才是关键。
Solution Market Fit，To B 提供的不仅是产品服务，往往还包含 solution 的服务，是一整套的解决方案。不管公司在任何领域当中，要做的第一件事情是看产品和方案有少数几个客户使用会觉得效果好，那这个产品和方案是不是在这个行业以及场景当中是可复制的？
第二点，形成规模、壁垒和口碑。很多人会争论到底是产品、技术重要还是市场占有率重要？经常有公司自称技术深厚，拥有多少位科学家，发了多少篇 paper 或者是在什么竞赛当中拿到前列。
在整个 AI 行业，我相信公司技术实力是非常重要的，尤其是公司在初期往中期走的阶段，甚至有一种估值方法叫做 to 科学家。比如说 CV 领域当中的某些公司，早期的时候，科学家数目有 100 个，拿科学家数目乘以一个一定的数值就是公司估值的附加值。
在一个行业发展的早中期，这样的一个估值方法有他的道理。但时间拉长之后，越来越多的技术高手进入到 AI 领域，人才壁垒就不是绝对的壁垒了。
TensorFlow 这样的开源平台，Bert、CNN、RNN 等越来越多这样的基础模型让几乎所有的厂商或者是创业公司可以使用，而且一些论文也是公开的。很多开源的系统让技术很难产生绝对的壁垒。
但技术的功底也很重要。比如 NLP 领域，把所有友商进行梯队划分：第一梯队，第二梯队...... 客户会在第一轮淘汰技术不好的 NLP 公司，在之后的比价环节选两三家基本上都是属于 NLP 第一梯队的公司。
在服务客户的过程中发现客户要求的不光是技术功底，也需要对客户的业务足够理解，甚至是服务态度的满意度。to B 服务能力是一个非常综合的考量，最终体现在市场规模上。一般认为一家公司每年达到 1 亿的稳定收入，说明这家公司在这个细分领域当中有了一席之位。当然云计算这类，可能做不到每年十亿、五十亿甚至百亿以上的收入都无法表示这家企业已经在云计算领域立足。
第三点，做出 ROI。业内有很多公司，甚至我们自己内部，也经常有这样的争论：到底是要做一家 SaaS 型的公司，还是去做以 KA（Key Account 即大客户）为导向的公司？我认为可以通过 ROI 衡量，即投入产出比。做大项目并不代表投入产出低，做 SAAS 也不代表投入产出高。
企业需要用想尽一切方法，在已有客户规模的情况下，把投入产出提高，做出利润。AI 行业整体的盈利状况与国内其他的高利润行业相比是有明显差距的。数字这里不方便公布，但是其实是非常吓人的，企业人均的收入还是有不小的提升空间。在高成本的人才战中，AI 企业第一步是要做到盈亏平衡。
不过各行各业目前普遍认知，现在已经进入了互联网行业的下半场，既产业互联网，未来 2B 的市场一定是增量的。现在站稳脚跟，把模式跑通，做出利润，随着时间推移，相信优势会继续扩大。
Magic 模式现阶段的 3 大瓶颈
Magic 模式在 2015-2016 年是非常炙手可热的一个模式，国内当时就有非常多家公司在做。这两年中美同时潮退之后，我们认为纯 Magic 模式在短期得到规模化验证有难度，主要归纳为以下 3 个瓶颈：
Magic 模式核心基础之一是认为语言是最自然的交流方式。用户通过语言提出自己的需求（无论是查知识、买商品、要服务），有一个中央化的平台去理解这个需求并把这个需求分发。百度的核心是知识的匹配和分发，阿里巴巴是商品的匹配和分发，58 同城是服务的分发，那如果有一个这样的一个平台，把三个都集中在一起呢？如果能做成一定是一家巨无霸公司。
第一个瓶颈，用户使用习惯。在移动互联网时代用户使用网络传达需求，最核心的硬件是手机，而手机自从触屏手机普及之以来，包括手机的固化设置也好，最核心的使用方式是通过点击触摸去进行操作，所以语言传达需求的通道其实是还没有建设好。
提供一个数据，在小来日交互量达到 10 万量级的时候（交互量是文本消息的交互量），就已经是整个微信平台能排的上名次的公众号了。有一些用户规模是我们 10 倍甚至 50 倍的平台，每天发文字的交互量也就是几万条，这背后反映出用户的手机使用习惯。
如果是用眼镜或任何一种可穿戴设备的话，相信交互的形态不会再是 graphic user interface，而那时，语音交互的需求量也会迎来爆发。
第二个瓶颈，技术。图像、语音、文本处理都有各自的技术上限。语义处理是这三个领域当中最难的领域，处在整个学界还在往前去突破的阶段。很多情况下，AI 很难 100% 理解需求，尤其是在很多不同类别需求并行的情况下，从而导致语言的错误解读和回应，响应变得不可控（这个在 2B 的垂直封闭场景却得到了良好的解决）。
第三个瓶颈，国内的上下游市场环境。小来连接 O2O 服务，当时 O2O 在国内有些公司做得赛道过于窄，没办法生存下去，潮退后公司倒闭。或者是像滴滴一样，做到某个领域当中绝对的巨头，拥有绝对的议价权，这种情况下去和滴滴合作的时候议价能力就会较低。
以上三点是我们在 magic 商业模式验证过程中的一些经验。Magic 模式要想获得长远发展，未来有两个关键点需要突破：一个用户的交互习惯；第二个是 NLP 技术，在更多数据积累的情况下，对用户需求的理解实现更高的准确度。相信在未来几年这两方面能有所突破的话，这个模式一定能获得较大的突破。
对话机器人将取代全行业 80% 人工客服
首先，人工客服是永远无法被百分百取代的。用户是需要真人服务的，尤其是像投诉这样的场景，本身就带有情绪的发泄，需要有同类先去倾听愤怒、不满，然后去安抚，再去解决问题。
像这样的一个场景，在可见的五到十年内，机器人几乎是没法去完成整个流程的。机器人无法完全取代人工客服，但机器人能够替代现有 80% 的客服工作。为什么这么说呢？
上图是国内某快递公司收到的部分问题，他们每天线上会收到数十万甚至更多的问题。但会发现，当中有 50% 甚至 70% 都是问一件事情：我的快递为什么没有到？只不过中国人的问法会非常多，这个图上可能也就列举了相似问法的 1/10 的比例。
对于人工客服来说，理解这句话并不难，难的是同样的问题收到很多遍都要做一样的回答。这些一样的问题占据了客服大量的基础时间，甚至是影响到了客服的情绪。而对企业主来说，每天大量重复的工作能不能够被机器人去完成？这部分高频问题占整个知识点的 20%。但却在 80% 的应用场景中会出现，对话机器人的核心的就是去解决这 80% 的常见问题。
对话机器人在 2011 年前后已经出现，当时主要是关键词机器人，比如说行业当中大家都知道的小 i 机器人。后来发现关键词机器人其实有很多的弊病，我举两个例子：
第一个例子：最近，我国最高领导人跟川普通话，其实意思是两位领导人在讲话。这句话当中，普通话这个关键词出来了，如果业务场景中设置了普通话这样一个知识点。触发普通话这个关键词它就会回答这个知识点的话，对这句话理解和回复是：普通话是所有方言当中的一种唯一被官方认可的语言。
这显然是错的。还有川普到底是四川普通话还是川普这个人，其实如果从关键词的角度来说是没法判断的。这时候就出现了一个常见的冲突——规则冲突。但如果以句法的方式去理解或者是从大数据的角度来去倒推的话，是能够很快的辨别出来这两个词的。
自然语言处理方法就应运而生了，吾来就是用这样的方法去理解一个句子的，目前 AI 在国内更多是仿生学而不是创造学，仿生学是模仿一个人的习惯、讲话方式、常见的句法。
再举个例子。真正的客服在做运营的时候，很关键的是去配知识点或者配规则。过去的做法是有一个知识点，去做联想、做关键词设置。来也科技跟某大型外卖企业的合作中，有一个很常见的知识点叫：我的餐里出现了异物。
最早生成这个知识点的时候，运营人员配了很多不一样的关键词，都是和异物相关的比如说异物、异样等。但真正到线上用户在问的时候，会发现他们都不是这样去问，都是说我的饭里出现了石头、沙子、头发、蚂蚁，苍蝇等，既有口语化，也有具体指代某一样物品的语言。
这时候用设置关键词的方式几乎不可能实现准确识别。这种情况下需要用更高级的手段去打造整个语言的泛化和理解的流程，新一代 NLP 技术有这样的能力可以很好地去实现理解。
以上主要介绍的是文本领域，现在整个行业的趋势开始往语音领域发展。这里说的是真正的机器人，与外呼骚扰电话不是一个类型。上图介绍的是呼入型的机器人的原理，比如，我们与国内某地产行业的龙头在做的一个物业呼入机器人。
当我们打了 400 热线电话需要快速的得到一个反馈比如，是否可以去帮我开个门放个行、送个水、拿个水票、报修一下之类的，不再需要听完请按几，然后一分多钟过去了才表达开始表达需求。
像查银行卡的余额、话费的余额这类需求，电话打进去第一句话就直接说出诉求，消费者几秒钟之内得到反馈，本来就应该是这样的场景。只不过因为过去的技术没有到位，并且非常耗费人力，所以过去没有实现。但未来我们相信这类需求是可以很好被解决的，在语音领域当中，有真正优秀的机器人服务到大家。
对于选择行业或者团队，可以从以下三个维度去思考
第一个维度是应用场景。垂直行业的对话场景是刚需，在享受任何服务、购买稍微复杂的商品、进行任何售后过程当中，都需要用对话的方式去把内心所想、所惑、所需去表达出来。全行业也有数以千万级的人力在提供对话服务，所以在这个领域市场是比较大的。
第二个维度是技术。技术有自己的时间节点，创业也有时间节点，时间点几乎影响到成败。在 15 年这样一个时间节点，语言处理正好处在一个时间点刚刚好的状态。再早一点，很有可能技术还不够成熟，再晚一点的话别人都做了，比如说，如果在 17 年去做图像一定已经为时已晚。
所以从整个技术的发展节奏来看，15 年是进入自然语言处理领域的合适时机，尤其是把 NLP 技术落地到垂直行业的封闭场景而不是一个普适的 2C 场景。
第三个维度是团队。创业是一个事在人为的事情，这个团队的配合度如何，是否有延续性对我来说其实是非常关键。2015 年以合伙人的身份加入来也科技，公司创始人汪冠春是我在交大的学长，大学时代我们就已经认识了，到现在已经超过十年了，，这层信任尤其是人品的相信在早期创业是非常重要的。
包括和公司最早期的核心成员一起努力，配合默契度让大家决定去做的时候行动力是非常快的，所以 2B 领域基本上是以一年半的时间赶超了别人三年时间取得的市场占有率。
所以在我看来：1. 是否是真实的需求；2. 技术所处的阶段是否是一个最佳的创业期；3. 你是否找到了这样一个好的团队，有执行力能够往下推进。三者缺一不可。
更多疑问和合作意向，可以联系我 bai@laiye.com
免费参与人工智能小组每月一期大咖分享，近距离与嘉宾互动，加入超级小组-人工智能，获取更多权益：