台灣因為市場不大，人工智慧在產業界比起美中日歐等發展又晚，加上法律重重限制，要做 AI+ 這種以人工智慧發展為主，能顛覆產業的新創公司著實相對較難。
所以我在今年年初提出，台灣需要的是＋AI，也就是 AI 成為產業的工具，透過 AI 來做服務強化、效率升級。其實這就是 AIoT 的精神，透過感測器與人機介面來收集各產業的相關數據（也包含影像、聲音與語音數據），分析這些數據來建立模型，接下來做異常偵測與預防（提高效率）、趨勢預測（增加效果）與瞭解行為模式。
AI+：用 AI 作為一種嶄新的技術，更有效解決某個問題，甚至對既有的商業模式產生巨大衝擊甚至取代，創造出新的產業或商業模式。
+AI：已經存在的產業或商業模式，加上 AI 的技術之後，更有效的解決問題，讓產品更智慧、服務更進階。
但這並不是只要去搞懂人工智慧的工具、或是擁有開發技術就可以做得好的。如果認為自己的新創團隊懂人工智慧的工具，就可以滿足產業的需求，這就未免天真了。懂人工智慧的工具，可說是有了技術；有技術，還必須找到客戶對應的需求，而且客戶願意為此付錢，而這樣的客戶所在的市場必須夠大，總結為好的商業模式才能養活這家創業的公司。
可惜的是，我參加很多新創的 Pitch，也跟其中一些團隊進行深入的交談，見到了很多新創公司出現了「沒有可以賺夠錢的商業模式」的根本性問題。有技術，遠遠不夠。
[如果 AI 新創要幫傳統企業解決問題，該怎麼做？]
要幫助產業必須先了解產業的真正需求，具備該相關領域的領域知識（domain know-how），而能從領域出發，找出最適合處理的機器學習方法。我遇過新創團隊的成員直接問我，可不可以不要跟產業合作就能解決他們的問題？但是問題在於，如果不合作，你要怎麼知道客戶的痛點？特別很多是企業秘密，不合作連觀察的機會都沒有，怎麼可能找到問題而解決問題呢？
AlphaGo 在圍棋上打敗人類棋王，讓深度學習受到重視，於是很多新創公司想做人工智慧都從深度學習開始。但是深度學習有個很大的缺點，所建立的模型必須很龐大，其中的參數很多，因此要求非常大量的資料來做學習，才能有夠完善模型。但是一般產業界可能在一開始沒有這麼多的資料，如果新創想跟產業界談長期收集資料後，才能工作，產業界的公司一般沒有這麼大的耐性，也因此不會理這種新創。
我就遇過新創，一心一意想要產業公司跟他合作，拿產業當白老鼠，結果一直找不到對象，如果這個新創是國內有名的大學或研究機構的老師跟類似公司或同間公司裡出來的而獲得支持，那可能還有機會，不然人家為什麼要跟這新創合作呢？
而且就算成功獲得合作機會，必須花很多時間在了解領域知識，尋找對應機器學習的最佳方法，過程中要做多次試誤（Try-and-error）嘗試，如果合作不夠緊密，可能會有花很多的時間在溝通和重新建模上，這也是要特別注意的。另外，資料的收集，有的還會因為個資法的影響而難以收集到足夠的資料，困難點其實不低。
[新創有技術已經不夠，因為基礎建設已經完成]
Google、Amazon 和 Microsoft 等三大公司的 MLaaS（Machine Learning as a Service）跟 AIoT 整套方案讓人工智慧學習、建置和物聯網佈建的門檻大大降低，同時在台灣也計畫大量訓練人才，加上人工智慧學校訓練的人才，讓人工智慧人才越來越充足，技術基本門檻越來越低。
這也造成一般人工智慧技術的新創，如果沒有好的解決方案與商業模式，更加不被看好，也因此更難拿到投資者的錢。
但人工智慧的新創不是沒有機會，也因為技術門檻越來越低，如果公司本身有很強的研究級的人才，可以透過數學找出最佳模型，在技術上就可能勝人一籌。
重點還是要找到客戶的痛點，協助解決，及找出好的商業模式。而找到客戶的痛點，就必須選定產業，想辦法在該產業找到願意合作的客戶。這樣的第一次合作通常是最難的，但是如果成功，接下來別的客戶看見你有過經驗，也就願意跟你合作，就可以展開業務了。
[+AI 可能從企業內部展開
AI 新創則可以朝向被併購的方向展現技術力]
對 AI 新創來說，若有了成功案例能讓市場了解你的商業模式，自然比較願意投資你的公司或是和你合作。但這畢竟除了技術和努力，還要人脈和運氣，因此除了繼續等待與尋找，不妨也可以刻意規劃，有沒有機會針對特定產業深入耕耘，並且讓自己有朝一日被產業大廠看到了，會願意優先投資與併購？
[技術＋服務模式滿足需求＋商業模式 才是解法
出場方式可考慮併購]
AI 新創擁有技術力只是基本，要活下去如前面所述，必須要擁有對特定產業的領域知識，才能看到痛點與問題，不然拿著一把斧頭想要去打一公里外的蘋果，不是要跑個幾分鐘效率不彰，就是隨便亂丟怎樣都沒有狙擊槍精準。此外，也要建立自己的商業模式，不能只是代工或顧問。最後，新創企業的出場方式有很多，對於台灣產業來說，+AI 比 AI+更有機會，但是也因此對 AI 新創來說，被併購可能才是最佳的出場方式。
