이전 게시물에서 나는 공간에 돈을 투자하는 데 관심이 있는 투자자를 위한 AI 분야에 대한 기본 입문서를 살펴보았습니다. 특히, 정보에 입각한 투자 결정을 내리기 위해 각 투자자가 알아야 할 몇 가지 필수 요소에 대해 논의했습니다.
논의된 바와 같이, 세계는 이 주제에 대한 폭발적인 관심을 목격했습니다. 그리고 당연히 투자 자금도 비슷한 경로를 따랐습니다. CB Insights에 따르면 AI 스타트업에 대한 거래와 달러는 2012년부터 증가하여 2016년에는 투자 자본이 60% 증가한 50억 달러로 크게 증가했습니다. 2016년 대비 300% 증가. 또한, 빅테크 기업들은 AI 경쟁에서 앞서기 위해 AI 스타트업을 낚아채고 있습니다.
이 후속 게시물은 공간에서 투자 전망을 평가하는 투자자에게보다 실용적인 가이드를 제공하기 위한 것입니다. 특히, 저는 AI 관련 투자를 평가하기 위한 5가지 중요한 단계를 실행할 것입니다.
참고:저는 잘 알려진 상장 기업의 예를 사용할 것입니다. 저는 독자들이 이러한 회사에 투자하도록 지지하거나 권장하지 않습니다.
제 생각에는 이 단계가 가장 중요합니다 이 문서에 설명된 5가지 중. 우선 다음과 같이 자문해야 합니다. 기업이 AI 기술로 해결하려고 하는 문제는 무엇입니까? 예를 들어, 자율주행 자동차는 더 안전하고 편리하게 만들어 이동 경험을 향상시킬 수 있습니다. 기계 번역은 인간이 서로 더 쉽게 의사 소통할 수 있도록 합니다. 이와 대조적으로 다음과 같은 경우에는 AI 비즈니스가 바람직하지 않습니다.
또 다른 까다로운 문제는 기업이 중요한 문제를 해결하려고 할 때와 관련이 있습니다. . 즉, _ 문제에 대한 솔루션은 오류에 대한 내성이 매우 낮습니다_. . 예를 들어 자율주행차 AI 소프트웨어의 오류가 0.001%라면 객관적으로 이미 매우 낮은 오류율이라고 해도 여전히 용납할 수 없다. 0.001%는 운전 1000시간마다 1건의 사고가 발생하고 잠재적으로 인명 손실을 초래할 수 있음을 의미합니다. 반대로 아마존이나 넷플릭스 추천을 1%만 잘못 받아도 아무도 죽지 않습니다. 자율 주행 자동차 또는 의료 애플리케이션(예:의료 진단, 수술 로봇)과 같은 미션 크리티컬 프로젝트의 잠재적 위험과 수익은 둘 다 미션 크리티컬이 아닌 프로젝트보다 크기 때문에 처리하기 더 어려운 문제입니다.
AI 애플리케이션 개발에 돈을 쓰는 성숙한 기업의 경우 견고한 비즈니스 사례가 있어야 합니다. 선행 투자를 정당화하기 위해. 예를 들어, IBM CEO인 버지니아 로메티(Virginia Rometty)는 IBM 왓슨이 2024년 이전에 연간 매출 100억 달러를 창출하기를 바랍니다. 강한> 회사가 해결하고 있는 문제 유형에 대해? 예를 들어, 회사가 연간 최대 시장 잠재력이 100만 달러인 특정 산업의 특정 국가를 위한 AI 애플리케이션을 개발하고 있다면 이에 투자하시겠습니까?
고려해야 할 또 다른 측면은 투자 기간입니다. . Deeper AI 기술은 제품 개발에 더 오랜 시간이 걸립니다. 예를 들어, Waymo(Google의 자율주행 자동차 회사)는 2009년부터 이 기술을 테스트해 왔지만 아직 상용화 제품을 출시하지 않았습니다. Deeper AI 기술 회사는 또한 시장 인지도와 후속 투자 수익을 얻는 데 오랜 시간이 걸릴 수 있습니다. Nvidia(NASDAQ:NVDA)를 예로 들어 보겠습니다. Nvidia는 자율 주행 자동차를 비롯한 많은 컴퓨터 비전 애플리케이션에 사용되는 신경망 알고리즘을 계산하기 위해 가장 널리 사용되는 칩인 GPU를 공급합니다. 아래 주가 차트를 보면 많은 혁신 기업에서 볼 수 있는 유명한 "S 곡선" 패턴을 분명히 알 수 있습니다. 그러나 시기가 중요합니다. 1999년 IPO 이후 Nvidia에 투자했다면 딥 러닝 AI가 "유행"이 된 2016년 이후까지 멋진 수익을 보지 못했을 것입니다.
내 다른 기사에서 논의한 바와 같이 머신 러닝(딥 러닝 포함) 제품의 성공에는 4가지 핵심 구성 요소가 있다고 생각합니다. 잘 정의되고 바람직한 문제, 명확하고 레이블이 지정된 데이터, 강력한 알고리즘, 광범위한 컴퓨팅 성능입니다. 마지막 세 가지는 AI 사업의 기술적 타당성을 결정합니다. 여기에서 이러한 구성 요소가 의미하는 바와 투자자로서 실사를 수행하는 방법에 대해 간략하게 설명하겠습니다.
첫째, 기계 학습 알고리즘을 개발하려면 깨끗하고 레이블이 잘 지정된 데이터에 액세스해야 합니다. 이전에 언급했듯이 이러한 알고리즘은 필요한 예측 관계를 설정하기 위해 레이블이 잘 지정된 많은 양의 데이터를 다양한 통계 모델에 공급하여 구축되기 때문입니다. AI 비즈니스를 연구할 때 사용 가능한 데이터에 대한 액세스 권한이 있는지, 어떻게 획득했는지, 이러한 데이터를 계속 획득할 수 있는지 알아야 합니다. . 또는 아직 데이터가 없다면 그러한 데이터를 수집할 계획은 무엇입니까? 소비자 데이터의 민주화 추세와 오픈 뱅킹과 같은 이니셔티브는 새로운 AI 애플리케이션에 많은 기회를 제공할 것입니다.
둘째, AI 비즈니스는 강력하고 확장 가능한 알고리즘을 개발해야 합니다. 이를 달성하기 위해 세 가지 필수 요소가 있습니다. 위에서 논의한 레이블이 잘 지정된 대량의 데이터, 올바른 인재, 딥 러닝이 문제를 해결하는 데 적합한 기술이라는 확신입니다. 따라서 핵심 질문은 기업이 적합한 인재를 유치할 수 있는지입니다. ? 최고의 AI 인재, 특히 이미 AI에 경험이 있는 데이터 과학자, 엔지니어 및 프로그래머는 Google, Facebook, Microsoft 및 IBM과 같은 거대 기술 기업에 의해 잡혀가고 다른 기업 및 신생 기업에는 거의 남지 않습니다. 최고의 인재를 유치하려면 막대한 급여(예:Google DeepMind 연구소 직원의 평균 연봉은 345,000달러)를 지불할 준비가 되어 있어야 할 뿐만 아니라 설득력 있는 비전도 필요합니다. 또한 딥러닝이 상업적인 문제를 해결하는 데 가장 적합한 기술인지도 물어볼 필요가 있다. 예를 들어, 개인 투자자의 자산 배분을 위한 로보어드바이저 애플리케이션의 경우 규칙 기반 프로그램은 딥 러닝 알고리즘보다 개발 비용이 훨씬 저렴하고 구현하기 쉽습니다. . 대조적으로, 과거의 실수와 승리로부터 배울 수 있고 계속해서 개선될 수 있는 기계 학습 알고리즘은 헤지 펀드 투자 알고리즘의 더 나은 후보입니다. 현재 가장 획기적인 발전을 이루었고 딥러닝 기술에 가장 적합한 분야는 자연어 처리(예:기계 번역), 컴퓨터 비전(예:얼굴 인식, 무인 자동차), 게임 플레이(예:알파고, 진화적 투자 결정)입니다. 만들기).
셋째, 비즈니스는 광범위한 컴퓨팅 성능을 확보할 수 있는 능력이 있어야 합니다. . 이전 기사에서 자세히 논의했듯이 클라우드 컴퓨팅이나 자체 GPU 서버의 컴퓨팅 성능은 비용이 많이 듭니다. 이 측면에서 근면을 위해 해야 하는 두 가지 핵심 질문이 있습니다. 1) 이 비즈니스에 필요한 일반적인 작업의 컴퓨팅 성능은 어느 정도입니까? 오늘날 그러한 컴퓨팅 성능을 사용할 수 있습니까? 이는 실시간 처리가 필요하지만 GPU 및 배터리(예:드론)를 수용하기 위해 실제 장치에서 사용 가능한 공간이 제한된 애플리케이션에 특히 중요합니다. 2) 기업이 그러한 컴퓨팅 성능을 감당할 수 있습니까? 예를 들어, Kaifu Lee는 자신이 투자한 딥 러닝 스타트업이 처음 3개월 동안 딥 러닝 컴퓨팅 서버를 구입하는 데 700만 위안(약 100만 달러)을 썼다는 그의 책 인공 지능에서 흥미로운 이야기를 들려줍니다. 그는 또한 오늘날 일반적인 딥 러닝 모델 교육 작업에는 4~8개의 고용량 GPU가 있는 한 대 또는 여러 대의 컴퓨터가 필요하다고 강조합니다. 많은 컴퓨터 비전 작업에는 수백 수천 개의 GPU 클러스터가 필요하며 일반 서버보다 10배 더 많은 열을 방출합니다. 이 분야의 일부 스타트업 팀은 서버를 식히기 위해 AC 시스템을 재설계하거나 엄청난 양의 얼음을 사야 했습니다.
마지막으로, AI 비즈니스의 재무 통계 및 비재무적 비즈니스 관점을 부지런히 살펴보고 다른 기술 회사에 대해 평가하는 것처럼 평가해야 합니다. 아래 표와 같이 분석 예를 참조하십시오.
비즈니스를 평가하는 전통적인 재무 및 비재무 측정 기준에는 수익, 순이익/현금 흐름, 수익 성장률, 비율(P/E, P/S 등), 거시 경제, 경쟁자, 규제 등이 포함됩니다. 그들만의 독특한 특성. 한 가지 예는 성장률이 수익성보다 더 중요할 수 있다는 것입니다. 초기 단계의 기술 스타트업의 경우 활성 사용자 및 예약과 같은 사용자 통계가 수익이나 현금 흐름보다 더 중요합니다. 이러한 투자에 대한 수요로 인해 평가가 더 높을 수 있습니다. 예를 들어 Nvidia(NVDA)의 P/E 비율은 ~30x P/E인 반면 맥도날드(MCD)는 ~20x에 거래되고 있습니다.
회사의 가치를 평가하는 방법에 대한 많은 투자 책이 있으므로 여기에서 너무 자세히 다루지는 않겠습니다. 공개 회사인 경우 재무 보고서와 같은 공개 문서나 Google Finance 또는 Bloomberg와 같은 시장 데이터 제공업체에서 이러한 세부정보를 얻을 수 있습니다. 개인 회사의 경우 회사 경영진에게 연락하여 필요한 세부 정보를 얻을 수 있습니다.
요약하자면, 제 생각에는 AI 투자에 가장 바람직한 속성이 있다고 생각합니다. 단기에서 중기(따라서 좋은 AI 투자가 되는 것)는 다음과 같습니다. 1) 잘 정의된 바람직한 문제 해결 및 2) 미션 크리티컬하지 않음(실패할 경우 아무도 죽지 않음). 이러한 사례에는 챗봇(순전히 규칙 기반이 아님), 의료 영상 진단, 얼굴 인식, 기계 번역, AI 금융 고문, 컴퓨터 게임 등과 같은 스마트 고객 서비스 영역이 포함됩니다. 물론 장기적으로는 고위험/고수익 미션 크리티컬 문제 (예:무인 자동차) 많은 사람들이 주목하는 상품 . 해결해야 할 바람직한 문제가 있다고 판단되면 상업적 실행 가능성, 기술적 타당성, 재무 통계 및 비즈니스 지표를 분석할 수 있습니다.
또한 투자하려는 특정 AI 업종에 대해서도 생각해야 합니다. AI 업종마다 고객 수요 및 기술 준비의 긴급도가 다르므로 투자 수익과 위험도 다릅니다. 하드웨어 vs. 소프트웨어 vs. 플랫폼 vs. 서비스, 그리고 금융, 교육, 의료, 산업과 같은 다양한 산업에 투자할 수 있습니다. 다음 기사에서는 가장 유망한 업종 및 기술, 투자 스타일(수동적 vs. 능동적), 지역(미국 vs. 중국 vs. 나머지 국가)을 포함하여 AI에 투자를 시작할 수 있는 방법에 대해 논의할 것입니다.