楊建銘專欄:展望深度科技新創與投資

2017-06-02 06:50

? 人氣

醫療秓技有巨大的商機。(formato7.com)

醫療秓技有巨大的商機。(formato7.com)

這篇專欄刊出時,我應該已經做完了在一年一度的台北電腦展Innovex的專題演講,我今年選擇的演講主題是「From Lean to Deep Tech」(從精實新創到深度科技),以反映矽谷從去年開始的明顯投資轉向。

關於精實新創的風潮已經過頂點,以及其普遍資本效率不如預期,我已經在專欄中寫過多次,這裡就不再重新解釋。唯一需要補充的是:精實新創並不會消失,而是會成為一個固定存在的領域,就像長久以來生醫相關的風險新創一直都以波士頓為中心,有著自己的投資人和創業家生態系統一樣,這一波精實新創的浪頭十餘年,也將留下一批真正優秀的投資人和連續創業家,繼續利用處理器紅利提供使用者和企業用戶更新更方便的軟體服務應用。

但錢開始流回深度科技是不爭的事實,這對於一直下注在技術上以至於錯過精實新創浪潮的台灣來說是個好機會,只是要小心不要落入「終於給我們等到這天」這種天真的假設——因為這一波深度科技和九十年代還是有許多不同的地方。

首先,在精實新創興起前,其實大部分的新創都是深度科技。九十年代達康泡沫中固然有大量像Pet.com這種淪為千古笑話的「達康公司」,但是同時間有許多成功的新創開發的都是相當複雜的深度科技,領域橫跨計算機、通信、半導體、伺服器、資料庫、企業軟體乃至於作業系統等。這些動輒由史丹佛或柏克萊電腦電機博士(而且是沒有輟學的)共同創辦的新創們——包含我的前東家Atheros在內——有許多都上市並成為永續的科技公司。

那麼新一代的深度科技和九十年代的前輩們有什麼不同呢?

首先我們看到九十年代許多重科技的出現是為了把計算機以及網路帶入消費者和企業的世界中,是屬於促進性(enabler)的科技。例如Windows 95的出現讓一般人也能輕鬆上手使用電腦,10/100乙太網路使得分享多媒體檔案變得實際,網景瀏覽器讓人可以不費力地瀏覽網站, ADSL讓消費者能夠透過家家戶戶都有的電話線進行第一代的高速上網⋯⋯等。

在那個年代,只要能促進,就有機會攫取價值,這也是我們台灣的電腦和半導體產業過去所熟悉的成功路徑。

向前快轉十五年,現在聯網的裝置已經從使用者主動使用的終端裝置,擴展到數量快速增長中的無人介入的獨立裝置,搭配迅速進步的機器學習演算法。在這種環境下,促進已經不再是深度科技的目標,能否大幅拓展人類的疆域(frontier)才是風險資本家壓重注的理由。

領導著這一波深度科技拓展人類疆域的,首推機器學習的進展。儘管早在十年前大家把大數據喊得震天嘎響時,就有不少有遠見的人士認為除非人工智慧跟著進步,否則以數據成長的速度來看,人類解讀數據的速度將遠遠落後於數據累積的速度。現在看來這樣的看法不只正確,而且很可喜地成為事實。各個領域我們都看到創業家和工程師們利用越來越普及的機器學習去處理大量的資料,從而提供使用者各種便利乃至於全新的應用。

話雖如此,將這波機器學習稱為人工智慧其實還是滿值得商榷的,因為這波機器學習說穿了就是把各種結構的數據圖像化,然後再用神經網路去逼近,這種類型的人工智慧還對於前後文(context)的感受力還很弱,當然也遠遠無法無中生有地創造出新的典範來。有許多機器學習的專家認為,在可見的一段未來中,我們在人工智慧上的進展都會停留在機器學習上,距離能產生真正智慧的人工智慧,還有一個很大的未知障礙要跨越。

但是光是機器學習的持續進步,就足以把我們現有的經濟生產力或社會福祉再往上提升幾個檔次,所以我們將持續看到創業家和風險資本家在機器學習上下注。

而和此息息相關的,則是如何和把更多實體世界的資料搜集起來,餵入永不知足的機器裡面,這裡我們就得靠各種新型感測器和協助它們連到網路的無線通信了。其中在新型感測器上我們特別看到歐洲的新創有著大好的機會,這是因為歐盟一直提供大量的資金給研究機構和學校做基礎研究,而歐洲也或多或少錯過了精實新創的浪潮,這表示在人才庫上歐洲並沒有出現人才都跑去做手機APP 的現象,現在資金再度回流到深度科技的結果,是我們看到越來越多矽谷的風險資本家出現在巴黎、倫敦甚至慕尼黑尋找新創。

將感測器和機器學習放在一起,除了可以處理環境大數據以外,更重要的是我們的機器人技術又向未來邁進了一步:各種感測器用來取代人類五感,機器學習則提供大腦功能。工業機器人的市場高速成長早已經是有目共睹的,在不遠的未來我們也預期會看到越來越多消費者機器人,來代替人類執行乏味或者危險的工作。

機器學習應用在醫療上則有立即而廣泛的應用空間。過去一個癌症專科醫生可能需要累積幾年經驗看幾千張的切片照片,才勉強能出師。現在機器不用吃飯睡覺,幾週內就能夠從一萬張癌症切片照片中學習完成,取得和這個癌症專科醫生一樣的癌症辨識率。在醫療這種原本就是高度統計學和圖像的領域中,機器學習幾乎可以說是如魚得水,進一步地如果結合新開發的低價聯網量測裝置,將有機會真正實現遠端預防醫療

食物科技(foodtech)這年成長極快,然而世界面對的是糧食不均而非糧食不足,所以,我們真的需要合成雞蛋嗎?(圖片來源:SHUTTERSTOCK)
食物科技(foodtech)這年成長極快,然而世界面對的是糧食不均而非糧食不足,所以,我們真的需要合成雞蛋嗎?(圖片來源:SHUTTERSTOCK)

食物科技(foodtech)是另一個其實已經悄悄成長幾年的領域,最有名的當數投資人包含Khosla Ventures和Horizon Ventures的Hampton Creek,這間公司的核心技術是用植物萃取成分來合成各種不同食物,其中又以合成雞蛋最有名。

食物科技的新創大多主張世界人口爆炸,食物供給不足,所以要用更有效率的方式生產食物,因此比起「土長稻米、稻米餵雞、雞生蛋」這樣轉了好幾圈的生產方式,直接從植物去合成出雞蛋是更有效率的,同樣的邏輯也被開發著合成牛肉之類的新創主張著。

我對於此倒是有不同看法。任何住過美國的人一定都驚訝於這個國家對於食物的浪費:不僅遠遠消耗自己身體運作所需的熱量(多出來的部分反映在這國家遠高於世界平均的腰圍),而且也毫不介意地把大量沒吃完的食物拋棄掉。換句話說,我們在食物上的問題可能不是供給不足,而是分配不均,所以花大錢去開發合成蛋可能是本末導致的。和我持類似觀點的人其實還不少,有興趣的讀者可以參考一下谷歌執行董事長艾瑞克・史密茲和彼得・提爾的這段精采辯論。

其他開始吸引到越來越多投資人的深度科技領域還包含了特殊的能量採集(energy harvesting)技術,新的包覆性材料以及人機介面等,甚至面臨過比人工智慧寒冬更冷的冰河期、比機器學習更難懂的量子電腦領域,這幾年也開始吸引到風險資本家有系統地投入資本

不管是哪一種,這些深度科技的投資共同的特色是:投資人必需擁有領域知識(domain knowledge)或者擁有適當的專家網絡(expert network)以進行盡職調查,為此我們最近也看到幾個矽谷頂級風險資本公司新招募的合夥人具有相當硬的背景,個人認為這是一個好的變化。因為坦白說在精實新創的浪潮中我實在遇過太多讓我傻眼的、嚴重缺乏技術背景的風險資本家,潮流轉回到深度科技後,可以過濾掉不少不夠格的投資人,我們也更容易和其他投資人做出差異化。

只是現在的我看著螢幕上一家新創分享給我的專利申請書,那簡單畫著天線和電磁波波形的示意圖,大學時代馬克思威爾方程式的夢靨一瞬間被喚醒了⋯⋯

*作者為台灣大學電機畢業,在台灣、矽谷和巴黎從事IC設計超過十年,包含創業四年。在巴黎工作期間於HEC Paris取得MBA 學位,轉進風險投資領域,現為Hardware Club合夥人。

喜歡這篇文章嗎?

楊建銘喝杯咖啡,

告訴他這篇文章寫得真棒!

來自贊助者的話
關鍵字:
風傳媒歡迎各界分享發聲,來稿請寄至 opinion@storm.mg

本週最多人贊助文章

你可能也想看