順為資本孟醒：不要跟巨頭比牙齒，AI創業我看好這三個領域

時間：2016-11-07

“你以為你在撩妹，其實你在撩機。”
人工智能在沉寂了一段時間后又重新熱鬧起來，目前，它已成為國內諸多投資公司的重點研究和布局方向。

但你一定不知道的是：
在美國的VC圈，人工智能領域其實幾乎已經消失了；
“明星背景”的技術大牛其實不太適合去人工智能的創業公司；
做人工智能，2B類比2C類公司目前的機會更好；
人工智能算法團隊仍然從海外招聘更好，因為國內太“貴”；
……

孟醒在企鵝智酷Live第二期活動中，透露了大量能讓你“大吃一驚”的有意思的訊息。他曾經創辦過兩家人工智能創業公司并被成功收購，目前，孟醒以投資人的身份繼續深耕這個領域，他站在不同的兩個視角，為我們展現了人工智能在創投圈“最真實”的一面。Enjoy：

分享人：孟醒

編輯：騰訊科技鄭可君龔鵬飛

孟醒：順為基金副總裁以及入駐企業家，曾經作為創始人和CEO創辦兩家人工智能領域的明星創業公司，并在美國最大博彩娛樂公司CAESARS ENTERTAINMENT任職互動娛樂業務亞太區負責人。

順為資本：由雷軍及許達來先生聯合創立，管理三支合計17.5億美元的美元基金和一支10億元人民幣的人民幣基金。重點關注互聯網、移動互聯網、高科技行業以及互聯網與傳統行業結合所帶來的變革。

一

主持人：請先作自我介紹，并分享您的創業經歷。

孟醒：我叫孟醒，目前在順為資本負責泛人工智能以及大數據上下游相關的投資。在這之前我做過兩家人工智能的創業公司，一家在硅谷，一家在國內。在美國的這家公司是我在2012年還在讀MBA期間做的，叫Orbeus，后來被亞馬遜收購，目前接管了亞馬遜AWS里絕大多數跟視覺圖像相關的服務。

第二家創業公司在北京，名字叫知圖科技，是用圖像識別和深度學習技術在廣告行業進行深挖的一家技術公司。主要是做將圖像相關的技術應用到媒體上，來挖掘圖像信息的廣告位。這家公司在去年的時候賣給了一家在美國上市的中國互聯網公司公司。

在創業之前，我曾經在香港的摩根大通投行部負責TMT行業。當時，這個行業里還沒有像今天這么多的并購和投資案，絕大多數都是中國公司到美國上市做IPO。我做了很多這方面的案子，也有幸參與了幾家中國公司到NYSE敲鐘的情景。
另外一段經歷是我在美國最大博彩娛樂公司CAESARS ENTERTAINMENT任職互動娛樂業務亞太區負責人。這部分包括游戲方面的投資，游戲方面的合作開發以及世界上最大的德州撲克的競賽品牌WSOP在亞洲落地的運營，這兩塊業務跟創業沒有直接關系，但從資本的角度和管理的角度給了我很多啟發。
目前在順為資本，我的角色跟投資團隊沒有任何區別。2016年主要以投資為主，2017年我希望能夠多花一些精力到我們順為資本的被投項目中。畢竟作為一個創業者，我經歷過被投公司所面臨的所有問題，有一些經驗可以和大家分享。同時，也有一些困惑可以和大家一起探討，基于這樣的思路，我在琢磨怎么樣能夠組織一些更有意義的投后，或幫助被投企業運作的一些活動。

二

主持人：第二個問題，您是如何理解人工智能行業的？

孟醒：人工智能是一個包羅萬象的行業，我從人工智能創業或者投資兩個角度來進行分享。
最近一年以來，資本市場轉冷的現象比較明顯，唯一沒有受到影響的是人工智能以及其延伸領域。但這個領域的投資方向每個公司很不一樣。我經歷了大概四類公司的階段，但這四個并不是嚴格先后次序，會有同時存在關系或者前后關系。
第一類是做感知層算法的公司，目前大家耳熟能詳的或估值較高的創業公司，絕大多數在做感知層的算法。2012年出來一波比較優秀的公司，當然2012年也是一個在人工智能算法領域標志性的時間點（Alexnet在Imagenet上的突出成功使得Deep Learning成為主流）。感知層就是讓機器具備人的五官的基礎感知能力，從視覺到聽覺的理解能力，這部分公司可以理解為做人工智能的基礎設施工作。
第二類是算法向芯片層面延伸的創業公司。國內從2014年開始廣泛普及這類公司，絕大多數是在算法優化的過程中又深入了一步，覆蓋到上游芯片層面，無論從用模組設計，到用FPGA搭建自己的SoC，硬件層面矩陣運算的優化，甚至是指令集層面的優化，這些都有涉及。他們覺得僅僅在算法層面的優化不能彌補使用通用芯片所帶來的效率的損失。
第三類是通過人工智能改善垂直行業效率的2B公司。這類大批公司是從2015年以后誕生的，這時候人工智能的基礎設施已經有一定的規模。這些規模可能由創業公司來提供，也可能來自學術領域的突破，也可能是由大公司的基礎設施來提供，到一定規模之后會在垂直應用領域找到結合點，比如在醫療、農業、金融這些領域，研究這些方向上用人工智能算法怎么能夠提高效率，尤其是2B的效率。
最后一類公司是做2C的人機交互方向的。這類公司是在2014年以后出來的，比如人機交互的智能機器人，聊天機器人等這些方式。
很多時候，大家認為人工智能解決的是算法的問題，其實本質上人工智解決的是經濟問題。經濟問題可以理解為從整個算法端和數據端開始，數據的收集，涉及到人工怎么去做標定，用什么方式找到數據，或怎么用優秀產品來收集數據，人工的激勵機制是怎么樣的，怎么樣使數據獲取成本最低。到算法端，需要選擇性價比最高的算法，怎么利用有限的計算能力和傳輸能力，所有這些問題其實都指向了我們能不能把經濟成本優化，把人工智能做好的核心是把經濟問題解決好。
在人工智能上的努力都是為了分別對應2B（優化效率）和2C（優化體驗）這兩個方向，能夠在效率上改善經濟成本。
所以，做人工智能方向的核心并不是要做出一個東西來逼近人的智能。

如果我們目的僅僅是要創造逼近人智能的產品，其實上帝已經給予我們這樣的能力了。我們其實是可以造人的，成本其實也不算很高。人是多么復雜的精密儀器，每寸皮膚上都有壓力傳感器、溫度傳感器、濕度傳感器，都有神經。我們具備視覺，可以自由做3D SLAM, 物體檢測，人臉識別，行為識別。我們有聽覺，有語音識別，有自動降噪，有遠場語音增強，有自然語意理解。所有我們為人工智能所做的努力，都在人身上具備了。其實可以完全用生物的方式而不用信息電子的方式而把它實現。
反過來說，造人本身是有成本的，因為人本身不能大規模復制。同時還有倫理的成本，使我們不能把這種生物科學的方式作為我們去改善效率的最佳方式，所以我們才有了用科研的方式或者在信息電子層面去研究人工智能。
可以總結一下，我對人工智能的看法，其實是我們要去通過解決一件件改善經濟成本的小事，使得在提供效率和提供體驗上把經濟成本賺回來，這是我們核心要做人工智能的目標。

三

主持人：第三個問題，從投資人和創業者角度，如何去判斷一個公司的亮點會有哪些不同？

孟醒：我作為一個人工智能創業者，同時也作為投資人工智能方向的投資人，我覺得這個視野的轉變和觀點的轉變很明顯。我舉兩個例子。
第一個例子，是“技術的深度”和“技術深度能夠打動別人的程度”兩者的對比。
一般創業團隊做一段時間后有了階段性成果，就去進行商務談判融資，拿著以前在學術領域所發表的paper、融資的PPT，還有自己的demo。
他想充分證明自己的技術能夠領先，無論是從文章被引用的次數，還是demo能看到的實際樣式，還是通過刷榜來跟Google等一線公司對比的結果，都希望能表現自己的技術能力。
這是包括我自己在內創業時的一個標志性的心態，造成的結果就是：就是很多創業者拿demo過來，我作為一個投資人去看的時候，發現很多人拿demo以后都不再多解釋了，認為投資人看完后，理所應當就應該重視自己，表情上就是一副拿了已經金牌的臉。

是這樣的表情嗎？

這個時候其實很尷尬，絕大多數投資人對于demo的熟悉程度遠遠不如創業者自己的熟悉程度，不解釋是投資人很難理解。
另外，你從投資人的角度來說，一種就是他完全沒有聽過你提到的刷榜和期刊，一種是都聽過，但是有很多創業者都對他講過，所以他們分不清榜的難度，你比到底強多少，這個很難分辨。
造成的結果就是投資人很難被你的demo所打動，但是創業者打動了自己。其實雙方都應該有往對方的方向去拉近，但現在還是離得很遠。
第二個例子就是對于產品思考的完整程度，尤其是算法。厲害的人出來做人工智能創業的時候會比較怕深入討論產品，原因是本來改變世界的事兒，一旦把這個事情具體到產品方向來說，這個事聽起來就變小了。
從投資人角度來講，聽創始人只講算法和與算法相關的成績是很可怕的，因為算法本身是不能拿來當飯吃的。投資人不一定追求你把產品和產業的思考都講對，但是要有邏輯，有深度，表達了對深化產品的態度。看推理過程，根據過程倒推創業者的思維模式。

四

主持人：第四個問題，如何看待人工智能領域的明星創業團隊？人工智能領域的理想團隊應該是什么樣子的？現在缺什么？

孟醒：我先說結論：這個行業里面非常缺人，缺的是AI的產品經理，就是既懂技術邊界，又懂得需求邊界的人，這兩者結合起來，能把這兩塊融會貫通的人非常少。
行業里面不缺一般意義上的明星，特別牛X的算法達人，牛X的背景的BAT，很多從斯坦福，甚至于Google、Facebook出來的人，這些會越來越多。但是，方向性和定義產品這件事是特別難的。
研發明星其實有的時候會成為創業公司的成本和負擔，我舉一個例子：
看到最近Facebook的人工智能研究院FAIR的Director，他昨天發了一篇文章：《我們為什么能招到最好的人？》其中一個最核心論點：Facebook除了給研發明星一個很有意思的工作去做以外，可以允許員工去在學術領域繼續勇猛漸進，去想辦法發更多的paper。同時，在Facebook這個平臺上做東西可以進行大量延展，不為任何垂直領域去定制，而是為了10億以上人群研發技術，擴大自身影響力。
越是明星的背景，越是對于擴大影響力和通用性這件事情有著強烈的追求。但在創業公司里，如果你的團隊花費時間去想怎么寫一篇能夠在學術界有影響力的paper，那就很麻煩了。因為在學術領域尋求突破跟在創業里面把一個產品做好是非常不一樣的事情。對學術的執著在科研領域是黃金品質，在創業卻是成本。
第二，一個理想的團隊應該包括一個非常核心的，能夠同時懂得技術邊界，又懂得應用場景的產品經理，可以是一個人也可以是兩個人。但是兩個人必須能很好地融合，一個會用虔誠的心態在垂直領域深挖技術，一個非常懂得行業同時非常聰明，愿意去理解一定算法邊界的行業人士，這兩個組合也可以算一個產品經理。由這兩個人去形成組合慢慢去往下擴散的團隊，如果對應的行業又非常對口，我覺得是非常理想的團隊。

五

主持人：第五個問題，您認為人工智能在未來可預見的五年內，最主要的應用體現在哪些領域？

孟醒：五年內如果能看到的爆發可能在兩年之后看的更清晰。今天比較明確的形勢有這么幾個：
第一，五年之內AR會贏得技術上比較大的突破，從產品化的程度和普及程度來講，將有平臺革命性的迭代。圍繞AR所做的一系列AI功能會是一個非常有意義突破點，這里面包括圖像識別，包括物體檢測，包括跟蹤，包括SLAM 三維重建等等一系列的技術。
第二，絕大多數的AI創業公司背景是偏技術的，這樣的公司最適合在以下幾個行業突破：
第一個是純互聯網行業。但問題是這些都由巨頭把握著，造成創業公司很難突圍，也就很難引領這些新的AI方向或者是創新性的AI方向能夠帶到不同互聯網的方向。
其次，我比較看好的幾個垂直領域：農業、醫療和金融。
先說農業，農業的渠道其實沒有特別強的人在把控，也就是說使用新的服務或者使用新的決策是相對比較市場化的。
醫療行業，好處是一些細分的醫療領域里用人工智能去做一些明顯能提高現有醫療行為的應用的時候所需要的訓練數據沒有想象中的做其他應用領域那么大。這一下子減低了很大障礙，同時醫療決策越來越市場化，同時客戶非常分散，因為醫院，醫療機構，醫生都很多。
金融領域，創業公司已經出來一批，美國的Wealthfront, 國內有一系列的智能投資顧問，或者說用大數據或者用人工智能算法的方式授信等等。
從個人情感出發和產業結構出發，我其實更多在看農業方向，當然還有一些像現在炒得非常熱的智能駕駛等這些方向。

六

主持人：第六個問題，人工智能領域2B和2C方向如何選擇？為什么？

孟醒：我對著這個PPT來講。大多數的人工智能方向，要么是改善體驗，要么是改善效率；要么是一個2B，要么是一個2C的方向。剛才講的絕大多數情況都是垂直領域，是2B的。
上個月我在美國待了很長時間，也拜訪了美國一線的VC和投行，尤其是之前專注人工智能領域的投行。我發現在美國一些VC已經沒有兩三年前專門設立的人工智能部門。也就是說這個領域其實已經消失了，或者說正在消失。

消失是因為在絕大多數領域里，人工智能已經像互聯網一樣散落在每個垂直行業，成為行業本身的一部分。所以你公司的核心價值，看的不是它的算法，而是看人工智能作為一個核心壁壘，能為這個產業鏈增值多少。
有許多行業出現變革的機率非常大，而且他們每個行業的機動性都不太一樣。比如說醫療行業、電力行業、電力巡線這些行業，因為政策或者采購方式的變化導致行業的變革，而變革是因為行業養不起這樣低附加值的勞動力。
而做一個2C的事情最終要解決的是人的體驗。但最終的目標是要獲取足夠多的流量，利用這些流量做增值服務。
人工智能直接去做2C相對來講會非常難。因為在2C里面，對應的行業變革是平臺的迭代，例如從PC到移動端就是一個平臺迭代。假如我們沒有從PC到移動端這個前提，直接從移動端切入到AI，把AI作為一個主流的流量入口，這是比較困難的。
當然，AI的發展不僅僅在于平臺切換。我們現在智能家庭或者物聯網本身是一個分布式或者離散式的平臺，迭代可能會把這個平臺本身去中心化，這也可能會給AI一個入口或者流量的機會。
從個人角度來看，在現在創業者找到一個合適的行業，充分了解這個行業的需求，能夠看準這個行業在某個時間點產生變革，變革是什么，然后提供2B的服務，可能會比等待一個平臺迭代的周期去突擊2C的機會要更快或者更容易。

七

主持人：第七個問題，您自己創業的時候是怎么選擇方向的？

孟醒：第一家公司我們是把人臉識別、物理檢測和場景識別打包，通過獲得API向第三方公司輸出技術。這種模式可以理解為我們的商業模式是建立在別人商業模式的基礎上，也可以理解為2B，我覺得更形象的應該是2D的商業模式。選擇這個模式是因為第一次創業，沒有考慮到這個模式的天花板在哪，當時覺得這個模式有價值，馬上找人去把這個產品開發出來，第一次就是以這樣的方式來做產品。
這個模式很快就遇到瓶頸。我們發現這個模式只能拿到沒有資金或者付不了錢的小客戶的生意。稍微大一點的客戶對安全性有要求，因此我們不能用通用模式去做。而如果做定制，這件事情的周期又比較長。我可能需要再做一個demo去把一個客戶談下來，這跟傳統的軟件銷售有點類似。
第二家公司的核心模式是在互聯網上通過圖像識別的方式去挖掘數據來變現廣告費。這時候我們已經不再給其他公司提供圖像識別服務和技術，而是想在互聯網上所有存在圖片的位置上去理解圖片本身。就是不光知道圖片里面有誰、有沒有臉、有沒有車、有什么背景，或者這些相對的位置在哪，而且還要知道他們對應的一些形態，通過這些我們想在圖片里植入一些信息比如廣告，我們考慮用什么樣的方式、什么樣的背景或者什么樣的形態去植入，不會影響用戶他們瀏覽圖片本身的體驗，同時使用戶被這個廣告影響到。
所以我個人經歷也是一個迭代的過程。第一，如果我們以后再去做人工智能方向創業的時候，一定不能賭別人的業務是否能夠跑起來。如果你做技術輸出這件事，很大程度上是在賭你客戶的業務能不能跑起來，跑起來也許你能夠分到一杯羹。所以我覺得應該在更大程度上把商業模式掌握在自己手里，自己去做垂直領域的應用。同時，我覺得在國內不像在海外有那么好的退出環境，如果你長時間沒有改善效率或者獲得收入，長期經營很難支撐下去。所以提供技術服務總體來講不如做自己的應用那么性感。

八

主持人：第八個問題，中國人工智能的核心科技研究發展與國際領先水準比較如何？

孟醒：先澄清一個概念，中國的研究發展其實可以從兩個角度來理解：一個是說中國人本身在人工智能核心領域的研究發展，第二個是說國內的中國人在這個方向的研究發展。
如果把中國人作為一個整體來講，從視覺領域去看，基本上已經占領了視覺領域相當大的份額。2015年在CVPR(計算機視覺三大會議里面的一個最大的會），我當時隨便挑了一些論文，大概有20-30篇，作者里面沒有中國人的paper也就不到4篇。這個會基本上是這個領域最頂級的會議，這里面所發表的學術論文90%都是由中國人參與，甚至都是中國人主導的項目。
同時在這些會場里看到的也都是中國人。近幾年有這樣一個趨勢：以前絕大多數是海外華人（當然海外華人成長也是最近幾年起來的），慢慢這幾年你會看到國內越來越多的研究專家跟世界同步接軌，也參與到這些研究里來，在頂級期刊上發表文章。因為在國內的院校像清華、浙大的一些老研究員和教授培養了一批在這個行業里面非常頂尖的學生，這些學生在海外一線院校都做出了很不錯的業績。
反過來講，純粹在國內而沒有海外經歷的研究人員，在頂尖或者在非常前沿的算法上可能還是和國外專家有差別。我說的這些差別都是非常短期的，因為這個事情在改變。但是我們創業的時候，通常會把算法團隊放在海外，哪怕貴一點，也會優先從海外招人。當然國內也存在著很厲害的人，但是我們招聘的成本可能要高很多，而且這些人會被更大更成熟的企業更早地招走。

九

主持人：第九個問題，現在大公司都在發力人工智能，創業公司還有機會嗎？人工智能創業公司應該如何考慮退出？

孟醒：先回答退出的問題，國內的人工智能創業公司退出是一個非常大的問題。因為我們到現在為止還沒有建立起一個像海外那樣，為了得到優秀的技術團隊而去收購一家公司的環境。這基本意味著我們的創業公司要么做出現金流，要么被海外公司投資或者收購。
在創業公司退出很嚴峻、同時大公司也在發力的雙重考驗下，我覺得如果創業公司堅決朝著2B這個方向去嘗試，找到一兩個比較合適的垂直行業深扎到里面，前景還是非常廣闊的。垂直行業里面的需求多種多樣，甚至有很多看起來非常簡單的東西，經過算法的改造之后會有很大的提升空間。
很多公司上來就做終極挑戰，去做開放式人機交互，做聊天機器人，或者去做陪伴機器人。其實合適的應用場景可以很簡單，比如微軟前天發布了一個應用，跟某家快餐連鎖做drive through人機交互的自動化。
Drive through就是你開車經過麥當勞類似的快餐店時候不用下車，搖下車窗在一個話筒前面點餐，然后再在另一個窗口前面取餐，全程都是開車的，節省時間。原來這項工作需要兩個人做，一個負責記錄點餐，一個負責在窗口備餐和收費。現在微軟這套系統把點餐這塊完全替代了，難度相對并不是那么大因為輸入場景很固定。這是一個標準的極大的存量市場，都沒有用戶教育成本，技術難度和執行難度都比較合理。
我覺得這種單個的想法不一定能支撐起一個特別大的公司，但是由于類似這樣的點非常多，例如圍繞快餐行業進行交互學習，因此從核心需求點這個角度切入，我覺得能夠支撐起若干家比較大的公司。這就像以前我們做O2O的樣子。
互聯網大公司也都在發力，而且在流量上占有領導地位，但是它很難做到在每一個垂直領域做的非常深，因為這本身不是他的核心業務。同樣，在人工智能領域，大的公司我覺得會在建設語音、語意等基礎的識別上發力，之后可能會去開源，而且將來開源的算法會達到相當好的程度。
特別大的公司不可能針對每個垂直領域都開發出特別適應的方式和產品。

十

主持人：第十個問題：以下幾個領域，您選擇其中一個或兩個具體分析一下吧。領域如下：聊天機器人+智能助手；人工智能在農業、醫療、工業的應用；3D場景重建；自動駕駛領域。

孟醒：那就聊聊最近非常火的聊天機器人這個領域。我們團隊基本上體驗過所有市面上的產品，中文的、英文的，大公司開發的如Google的和Facebook的各種機器人、到國內我們做的各種機器人，人工的、半人工的，以及完全機器去做的。
之前我說過，我覺得懂得AI的產品經理非常重要，因為他需要知道技術的邊界在哪，才能定義這個產品。
我覺得如果你的定位是開發一個人工機器人助理，目前來看，絕大多數公司產品都在解決頭部問題。因為頭部問題有量，有量才能培養人的習慣，也能培養機器的習慣。所以現在都在解決量的需求，例如打車、訂咖啡，還有一些相關的比較容易去解決或者頻率非常高的需求。
我認為在頭部需求中用聊天對話這種方式去解決不是最優的切入點。原因是所有這些頭部需求早就已經有非常合適的垂直應用來解決了。
舉個例子，打車這件事情，如果我的起點終點比較固定，比如永遠是從公司到家，你用哪個App打開去做，可能沒有太大區別。也許區別就在于對話節省一點時間，但是你稍微去控制一下定位就可以解決，比如我今天是從東門出來，而不是從西門出來，滴滴可能是把那個針扎到東門而不是西門。
為什么滴滴的App做成了這個樣子，而不是你直接打開以后就可以有一個語音對話窗口，這是它本身產品思考決定的。所以我覺得頭部需求既然量很大，就有值得去為它做優化的地方，而不應該是統一，所以它的UI更適合分別優化。
反過來講，其實長尾需求反而是適合做AI的。什么是長尾需求，就是我非常少提到的東西，比如我突然想改一個戒指，我想知道在哪有可以改小一號的工匠。
解決長尾需求成本是非常高的，尤其用機器的方式解決。但是只有當你向機器人提出這樣長尾的需求，他同時幫你解決的時候，你才能夠獲得足夠大的價值。甚至于，我覺得真正成功的機器人服務是不應該用祈使句作為主要交互方式的。
這點跟搜索是一樣的，搜索做的就是把長尾需求聚攏。這里的搜索肯定不是大眾點評搜索出來餐館或者機票，而是我們想搜出來某一個我們不知道的公司或者某一個人，我想看看它的背景，其實這些是非常低頻的事情，但是攢的足夠多就會造成一定的需求。
我覺得我們可以開發出像搜索引擎一樣提任何需求或者長尾的問題都可以解決的機器人，這個技術難度過于大。人很難成為所有領域的專家，但是成為一個領域的專家相對是比較容易的。對應的，我們應該把助理升級為一個專家，把他聚焦在一個垂直領域的專家。從語意上來講，我覺得他的輸入和輸出對應的范圍是相對比較垂直的、固定的。
我在美國看過一家比較有意思的公司，公司不太知名，叫STATMUSE。這家公司主要做的是NBA體育數據庫，他把整個NBA體育數據全都爬下來了。你可以向他提任何相關的數據問題，比如我想知道“在姚明的職業生涯中，第一次跟奧尼爾交鋒時得到多少籃板”。這是一個長語句，而且它本身是一個非常開放的問題，你把他這句話扔到Google里面很少能夠回答上來，因為很少有人去提這樣的問題，這樣的樣本并不多。
公司在這個領域做的很好，它對應的人群是兩種：第一個，是賭球的人，他們對數據的需求極其旺盛，尤其是做FANTASY體育的時候，完全是靠數據來判斷輸贏的方向，而且他們拍腦子就能想出我需要什么樣的數據，但是很難用一個既定的UI或者用戶交互界面來得到他們想要的那些通過復雜的篩選方式獲得的數據，用自然語意就可以得到，這就是一個專家所帶來的價值。
第二個方向，就是他們為體育解說做及時的反饋。例如我做解說的時候，看到一個球員投了一個球，我想說他已經連續三場比賽在第三節投的第一個球很準，這個數據怎么來，很難讓一個人在現場搜索這個數據。而機器人能在我想到以后馬上就搜，搜完之后能馬上告訴我，這個是一個很有價值的方向，所以他跟ESPN簽了一個很長的和約。
我覺得這兩件事加一塊，這個市場就足夠大了。賭球那個市場很大，而且代表的是一個有規律的、足夠垂直、足夠深的市場。我覺得在這個垂直領域的公司其實比一個通用的公司更有價值。