“我认为 2018 年，将会是各种芯片产品‘百家争鸣’的一年。”计算机架构领域著名教授 David Patterson 说。
果不其然，新年伊始，芯片领域就重磅消息不断。继 John Hennessy 出任 Alphabet 公司董事长之后，谷歌宣布全面开放 TPU 云。紧接着，ARM 发布 Trillium 项目、亚马逊被曝正在开发 Echo 专用 AI 芯片。
算法走向成熟，自然会寻求算力改造。而就在两三年前，芯片领域的创业融资‘仍犹如一场噩梦’：一家创业公司凭什么与英特尔竞争？深度神经网络的走红，让创业投资 (VC) 资金重新回到半导体领域。
腾讯发布的《中美两国人工智能产业发展全面解读》显示，目前（2017 年）处在基础层（芯片/处理器）公司中，美国有 33 家，中国约 14 家（实际数字可能会更多）。虽然无法媲美全球 3000 多家（中国 1000 多家）的 AI 公司数量，但对半导体领域来说，这个数字已属惊人。
“过去 10 到 15 年以来，任何一个细分领域都不曾出现过这样的情况：超过 15 家半导体公司同时涌现。”一位连续创业者感叹道。
2017 年，创业投资在芯片创业公司的投资额超过 15 亿美元，几乎是两年前投资的两倍。其中，深鉴科技分别获得数千万美元（ A 轮）、4千万美元（A+ 轮）融资、耐能获超千万美元融资（A 轮）、ThinkForce 宣布完成 4.5 亿元融资（A轮） 。寒武纪、地平线融资规模达 1 亿多美元，而2017 年实现这一融资规模的 AI 芯片创业公司只有三家：Cerebras（2018 年年初）、Graphcore 以及 Wave Computing。
“中国人工智能创业者和资本结合的很好，资本很愿意投资具备潜力的公司。”李开复说。
一些活跃的芯片公司投资人通常也活跃在 AI 领域（比如红杉资本），甚至自己就是将 AI 作为未来战略重点的大公司。投资了顶尖算法公司商汤、旷视的阿里巴巴，于 2017 年连投三家 AI 芯片公司——寒武纪、深鉴科技和耐能。而在此之前（2016），公司还投资了杭州中天微和 Barefoot Networks。
资本热情的背后，也离不开国家大基金对芯片产业的鼎力支持。对于中国公司来说，这是一次难得的超车机会。AI、物联网等长尾和分散的新兴市场，为中国芯片创业公司带来重要的入场机会。过去十年中，中国芯片产业大环境的重大变化也降低了初创公司做芯片的门槛。
其中深鉴科技是最早进入这一领域的创业公司之一。以下是姚颂（深鉴科技CEO）的专访实录（机器之能做了不改变内容的编辑）：
要优化整体的内部结构，才能把这个业务做到成本最低，效果最优，最后可能还得做自己的芯片。
David Patterson 与 John Hennessy 是《计算机体系架构：量化研究方法》作者，也是计算机架构领域有名的教授。近期，John Hennessy 接替施密特出任 Alphabet 公司董事长。在你看来，这对芯片行业传递着一种什么样的信号？
我觉得是一个相当大的利好。
符合整体事物发展逻辑。谷歌，这么大一个体量公司，单凭搜索再去把业务扩大，我觉得非常困难。所以大家一定要优化内部结构，打开一些新市场。AI 这个领域，软硬兼施，协同很多，谷歌一定得要去做 TPU，才可能把它的 AI 服务做得特别好。要不然所有人因为用 GPU，成本高，性能功耗也有瓶颈，差异化拉不开。这也是公司将超级大牛邀请过去的原因。
这跟 AI 的整体逻辑也是一样的，要优化整体的内部结构，才能把这个业务做到成本最低，效果最优，最后可能还得做自己的芯片。
对创业公司来说，会有什么样的影响？
对创业公司的影响分两个层面。
业务层面，我觉得没有太多影响。不同创业公司，做的事差异也很大，业务方向上看，没有太多冲突。甚至有一些利好，很多公司可能没有这样一个时间周期去等他们内部的 TPU 出来与谷歌 TPU 竞争，大家先在云上做的可能是 FPGA。其实，谷歌最开始也是先上了几千颗 FPGA，量大以后，才把它变成芯片。
另一方面，如果真得越来越重视硬件层面，从投资大环境来说，大家也会越来越重视这个领域，肯定也是一些间接利好。
如何评价 Hinton 近期提出的 CapsNet 框架？会是一个变革性的成果吗？
从学术界来说，有可能。但从工业界来说，我觉得还比较难。
从爆发至今，深度学习花了好些年才让大家都适应。哪怕 CapsNet 超越深度学习，也要花好几年的时间才可能完全波及到工业界。另外，我觉得深度学习之所以波及这么快，是因为在很多实际场景中，完全超越了以往所有传统机器学习，在很多的问题上是 0 和 1 的区别。但是，如果一个问题，比如人脸识别，现在已经可以做到八个九了，再来一个算法可以做到九个九，大家会觉得意义不大。
所以从工业界角度来看，这时候再来一个变革，推广速度可能会比原来还要稍微慢一点。如果真是颠覆性技术，要在整个工业界盛行，还需要好几年时间。
如何看待目前这个领域里的泡沫现象？
整体泡沫很多。但只要是创业界，不管哪个行业都会有类似情况。
比如，共享单车出来了，全国会出现好几十家做共享单车的公司；还有千团大战。创业圈，不管哪个细分领域，永远都是这样：只要一个事情有前景，一定会有很多人前赴后继地投进来。只不过现在换成技术创业以后，大家发现理解这个事情并不像原来理解团购、共享单车、打车商业模式那么简单，需要换一个新思路去理解，但本质上没有什么区别，大家都希望能够分到一杯羹。
大家在前赴后继投进的时候，还是需要分析这个行业最关键的竞争要素是什么。
在芯片领域，设计门槛确实在变低，一颗深度学习处理器芯片设计复杂度可能只是一颗 CPU 芯片的 1/10。但是，单纯芯片本身可能不是最核心的竞争要素，竞争一定是系统层级的事情。
对 AI 芯片行业来说，2018年意味着什么？
我觉得是很关键的一年，要验证大家到底有没有真材实料。对于整个 AI 行业来说，都是特别关键的一年。
2018 年以前，大家还是可以凭借着团队背景、学术能力等一些较虚的东西融到资，吸引人才加入，进一步往前走。从 2018 年开始，大家必须要有实际的产品和订单，要有实际的销售。
所以，这个行业里的马太效应会越来越明显。如果技术不是那么强，越往后越没办法。在商业竞争中，产品卖不出去，甚至因为公司能力不够，产品都做不出来，这样一批公司会越来越难融到资。
如果有新的创业公司要在今年进场做芯片，还有机会吗？
我觉得几乎没有了。
从 2015 年往后、2016 年，这个时间窗口就已经过去了。2017 年往后成立的公司，已经很难有机会。
谷歌 2014 年甚至更早开始做 TPU 这个事情，我们和寒武纪是 2012 年开始做，地平线是 2015 年开始做。谁都逃不过芯片硬件数年的研发周期。硬要逞强赶着量产芯片，研发周期短会导致很难设计出性能很好、或者通用性较好的架构，结果，芯片能效比可能比我们的 FPGA 还要差十倍。
未来十年，芯片产业的各个环节，会以算力来去配合算法为中心，软件算法定义硬件？
肯定是这样。
原来之所以可以一直延续通用芯片，是因为有摩尔定律，大家一直不断地写原来的程序就行了，反正每隔两年性能就翻倍，成本会下来一些。
现在，摩尔定律无已为继，要获取更高性能，更低功耗，只能做得越来越专用。越来越专用，就要牵扯到跟算法跟应用场景，要了解应用和场景。此时，很多的事情就是算法软件给定的。
所以，我觉得这肯定是一个非常大的趋势。其实，从 2014 年开始，就有人在提这个趋势。比如，百度从 2014 年就开始提一个概念，叫做 software-defined accelerator，赛灵思也有类似的口号。未来一定是系统决定芯片，很难像 CPU 这样一个架构做所有事情。
谈到 AI 芯片方案，一般都会提及 FPGA 和 ASIC，不同路线都有大厂商在走，深鉴科技选择芯片方案的逻辑是什么？
我们也在做自己的处理器芯片，很快了，也是专用芯片。其实，我们做的都是一套东西。我一直很强调：我们一直做的是一个深度学习处理器，是有指令集的处理器，而不是将某几个算法写死到一颗芯片上，或者在 FPGA 上。我们从 2012 年开始做这个事，一直沿着这条路在走。
当然，我们这个通用性是局限在深度学习的 Inference。这是我们的一个核心东西，不论 ASIC 还是 FPGA，核心架构都是一条深度学习处理器。
这是首先需要澄清的。
至于为什么用 FPGA？因为对于创业公司来说，有好几个特别难的地方。
第一，做一颗处理器级别芯片，姑且不论量产周期多少时间，核心架构至少也需要 3 到 4 年。而仅芯片的生产制造流程，量产的话，都得走一年半到两年，创业公司耽误不起这个时间。
第二，芯片的一次性研发投入很高。比如我们做一个 28 纳米的芯片，一次性研发投入可能是 400 多万美金，还不算人的成本和后续量产成本。如果算上人，这个钱至少要双倍。但一个公司不可能只留了工资和做这个东西的钱，这些钱一定只能是公司总预算的一小部分，还有其他很多地方要花钱。
第三，全行业都面临一个特别大的挑战：怎样去定义芯片？
原来定义芯片，比如 X86 的 CPU，告诉你是 X86 指令集，什么算法都能跑，这个定义比较明确。蓝牙芯片、wifi 芯片情况都差不多，芯片功能和协议固定下来，做芯片优化就可以了。
但对于 AI 芯片来说，AI 怎么定义？一个大的 AI 里面有一部分是机器学习，机器学习里面一部分是深度学习，深度学习里面有各种 Net，有各种各样的卷积和尺寸。深度学习又分 Training 和 Inference，而且在不同场景，大家跑的不仅仅是神经网络，因为深度学习大于神经网络这个概念。所以，芯片应该是做成什么功能，能支持哪些 Net，通用程度是怎样的，也很难定义清楚。
FPGA 能解决这几个问题。
一方面，FPGA 芯片已经在这里了（赛灵思已经做好了），芯片研发已经结束，不必走一年半到两年的量产周期，把研发的新品结构烧进 FPGA 后就可以直接上产品，上市时间（time to market）特别快，可能仅需三个月。
另一方面，你是赛灵思或者 Altera 那里按片购买 FPGA，需要多少片，就买多少片。不用一开始就投入 400 多万美金，所以，也没有一次性投入太高的问题。
第三，芯片没法定义这个问题，也好解决。FPGA 是可重构的。将每一代的处理器架构重新烧结上去，只要向上兼容就好了。上一代架构写的程序，还能在新一代架构上跑起来，向上兼容就行了。
但是，FPGA 确实还存在两个痛点，这也是我们自己做芯片的原因。
有一个问题，也是一直以来存在的一个问题：在量大的情况下，成本高。如果有一个几十万片的订单，芯片成本摊下来后，就比 FPGA 低了。虽然一次性研发投入成本特别高，但后续成本很低：只要几十万片，成本就可能摊到 10 美金以下，这时候卖就能够挣钱了。
另外，在 FPGA 上实现处理器芯片，它的性能和功耗，通常会比直接把芯片做出来，要差十倍左右。因为 FPGA 必须考虑它可以不断擦写，可以烧各种各样的芯片，所以，许多地方达不到最优。
比如做一个芯片，可以跑 1GHz、1.2GHz，甚至 1.5GHz。在 FPGA 上，可能只能跑 200MHz 或者 300MHz。FPGA 也没办法把功耗优化得特别低，因为要考虑很多通用的事情。
对于 AI 来说，核心竞争力并不是这颗芯片真正的性价比怎么样，最核心要素是软件环境。......有了芯片，还要有完整配套的软件，做一个真有竞争力的产品，真的很难。
深鉴科技很重视安防领域，中国安装的摄像头数量巨大，大约 1 个多亿。具体使用到了 AI 的市场到底有多大？似乎仅为 1% 不到 2%？
现在的 AI 渗透率低，硬件是一个最主要原因。
大家都在用 GPU，但会有几个问题。其中一个问题是 GPU 只能在服务器用。
举个例子，我们公司也有几百颗 GPU ，用来训算法，做压缩。我们自己做服务器托管时，北京很多 IDC 机房都去试用了一遍。他们都说，我的供电能够做得特别稳定，空调制冷也能做得特别好，后来发现都或多或少有问题，因为 GPU 不稳定，经常会需要重启服务器。
所以，现在要用上 GPU 必须要搭一个条件特别好的机房。但是，一个小的派出所，或者超市和小区没这个条件。另外，公安也不能接受一个经常丢视频的产品。
因此，现在的智能安防更多还是局限在一些大型智慧城市项目，只有这样的项目才有一笔预算去建一个机房，采购服务器。
第二，GPU 价格很贵。如果所有 AI 全往云端，带宽成本、存储成本都很贵，平摊下来，成本太高，每路视频可能是在大几千到万这个量级。
中国一年出货的安防监控芯片大概是 2 亿颗。能够承受得起这么高昂成本的，可能只有那些极少数、预算最高的智慧城市项目，这就是 AI 渗透率很低的原因。所有新技术应用，一定都是从能够承受很高成本的地方开始。
深鉴科技做的事情，其实是在把每路成本降低到几百人民币、一百美金的级别。我们产品的稳定性比 GPU 好得很多，是一个低功耗方案，发热量比较少，整体稳定性很好。之前因为硬件原因没办法覆盖到的市场，现在都能覆盖到。公司这一块的订单量，起来地也挺快。
我们就是在做这样一个事：在新的市场上，让它渗透率变得更高。
安防领域有不同类型的想做芯片的竞争者，比如深耕行业多年的大公司，还有创业公司（比如算法公司和硬件芯片公司），还有传统芯片公司。你比较看好什么类型的竞争对手？
我只看好海康威视，其他公司或多或少有一些缺陷。
首先，算法类公司会遇到的问题在于：芯片的难度和周期可能超乎大家想象。研发周期加上量产周期，至少是两到三年时间。先把算法做好，然后直接把算法写死在一颗芯片上，即使是这种最简单的做法也要花两年多时间。我觉得，这可能会是大家意料不到的一个事情。
在这两年多的时间里，必须持续不断砸钱，一点水花都看不到。这是一个比较大的考验。虽然肯定能做，但是芯片出来后，上面的算法可能是一两年前的，算法优势会消失。芯片上面的算法落后于当前研究界最好的新算法，精确度肯定会稍微低一些，算法公司会面临这样的竞争。
第二个问题是没有办法更新算法，如果需要更换算法，就要重新做一个芯片。实际上，这也是在赌：算法在很长一段时间内不会被替代，然后可以出大量的芯片，另外，用户也觉得低成本更关键。
其实，FPGA 价格不一定很贵，还是需要看场景、公司设计能力，很好公司开发 FPGA，成本可能只是其他公司的三分之一，但能做到的性能是一样的。赛灵思之所以投深鉴就是因为同样一颗芯片，我们能发挥出的纯硬件能力比别人至少强三倍。FPGA 最本质的、上面跑的芯片架构设计最为核心，它就是一个载体、一个乐高积木，用来拼那块 DPU 芯片，归根到底取决于芯片设计能力。
至于传统芯片厂商，他们可能也会比较难理解这个事。比如，一个很重要的问题就是怎么去定义芯片，怎么让你这颗芯片具有竞争力。
AI 芯片的玩法跟传统半导体行业的玩法很不一样。有一种可能的打法是，别人有一颗怎样的芯片，我去做一颗类似的，然后通过高性价比的方式去占领这个市场。大家都觉得，过两年芯片就能重新做一代，这款芯片不成功，再推一款，只要能成功地打开市场就行。
但对于 AI 来说，核心竞争力并不是这颗芯片真正的性价比怎么样，最核心要素是软件环境。
单纯从芯片性价比角度，GPU 不一定有优势，但上面的软件生态环境差异特别大。各种各样的库，各种各样的工具，可以非常简单的让小白用起来。大家要开发一个怎样的新研究项目，可以在网上找到很多支持。行业的竞争壁垒导致大家用惯了这套软件以后，别人的芯片如果不是一个彻底颠覆性的东西，就很难把你替代掉。
这是传统半导体公司需要去意识到的一个事情，包括我每次和 Movidius CEO Remi 聊天时候都是聊软件。这个行业的玩法可能会颠覆他们原来习惯了的玩法。
另一位朋友 Naveen 可能就遇到了一些类似的问题。英特尔在 2016 年收购了 Nervana。说 2016 年年底要出一个 AI 芯片，17 年年初又说要推出芯片，结果推迟到 17 年底。有了这个芯片，还要有完整配套的软件，做一个真有竞争力的产品，真的很难。
至于海康威视，最大的优势是他有明确的场景需求，知道自己要什么芯片。
深耕行业多年，海康知道把算法做到哪个程度，用户就能接受。在上面加哪些功能，未来几年这些用户都能够接受。他能够清楚地定义出这个芯片要什么和不要什么。这是算法公司和其他想要切到这个行业的公司，都没法掌握的东西。
另外，他们也有很强的渠道，能够保证芯片大量卖出去，把成本摊薄，大量赚钱。这是我比较看好的，也是传统做 ASIC 的思路。
现在再看马斯克开芯片，我就觉得符合正常逻辑。他要做自动驾驶。现在用的 GPU，但 GPU 很贵；一年能卖几十万辆车出去，做芯片能摊薄成本；他也了解这些自动驾驶功能，知道自己想要什么，不想要什么。
总之，要符合两个条件，一个是需求明确，一个是确实有非常大的量。这两点都满足，开芯片就没有什么逻辑问题。
对于算法公司来说，要在这样一个场景内生存的话，或者最后取胜，我觉得只有一条路走：变成行业公司。这也是我现在看到这几家公司在做的事情。每个行业公司都知道这个系统长什么样，它不仅仅是一颗芯片，是一个非常庞杂的大系统。
比如，考虑到芯片, 还有整个软件环境，网络录像机，服务器，视频管理软件等，这样是非常庞杂的一个整体系统。在这个系统里，AI 是核心竞争要素，但除此之外，99% 的工作量是传统的东西。真要挣钱活下去、活得好，必须变成一个行业公司。
谁能击败英伟达？可能是十家或者几十家像深鉴科技这样的公司在不同垂直领域里分别击败英伟达。
有人认为，对于 AI 芯片创业公司来说，卖 IP 这样的模式很不错，如果去造芯片，等于在爬坡。你怎么看？
我觉得这种模式很难。IP 很难赚到大钱。所有 IP 公司中，第一名叫 ARM，全球第二名呢？我不知道还有没有任何一家单独依靠 IP 业务，就超过 10 亿美金的公司。像 Cadence 这样的 EDA 巨头，如果单独看 IP 这个业务，可能就是一个几亿美金的公司。
IP 是一个竞争门槛、壁垒相对单一的生意。为了做 IP，必须把接口定义特别清楚，一旦接口定义清楚，人家照这个接口就能把你换掉，除非别人没有，你有。现在，虽然你的深度学习 IP 可以做得很强，但 DSP 也能做，DSP 卖得很便宜，很大程度上，这就是在拼纯商业、纯销售。
所以一直以来，IP 是一个非常难做的生意，它属于这个行业最上游肉最少的那个地方。只有 ARM 能分到肉吃，因为它有全球生态。而现在，这些 AI 公司已经没有时间去布局全球生态。ARM 可以花几十年时间做出现在的规模，是因为当时做这个事情时机更好，竞争对手也少一些。当然，他们技术能力确实很强，能够把包括 Atom 在内的竞争者扫出去。
所以，走 IP 模式的创业公司要问自己两个问题。第一，是否有能力扫掉全球所有的竞争对手，这就是一个直接、面对面的竞争。第二，是不是处在一个合适的时间点。我觉得，稍微有机会的时间点是 2014 年，后面的可能性就很低了。在这样一个群狼环伺的环境中，创业公司最终长成一个 ARM ，非常困难。
我觉得很难用 IP 核的层面去一统江湖，在 AI 芯片领域，几乎没有可能。
其实还是回到一个问题：谁能打败 ARM？
我曾经和很多人讨论的一个问题，包括跟 David Patterson 他们。他们觉得没有任何人能打败 ARM，也没有任何人能够正面竞争英伟达。
能打败 ARM 是一个什么样的概念？可能是 100 家用 RISC-V 的公司（RISC-V 是近几年推出的一套开源处理器架构，全部开源，很多人正在用来开发 CPU ，能效比确实不错）。当时大家讨论，能够打败 ARM 的就是 100 家使用 RISC-V 的公司在每个垂直领域里将 ARM 击败，才可能最终击败 ARM。
现在，英伟达也属于这种情况。它的软件环境做得很牛，技术积累也非常深厚。全球正面击败英伟达？我觉得几乎没可能。谁能击败英伟达？可能是十家或者几十家像深鉴科技这样的公司在不同垂直领域里分别击败英伟达。
比如，摄像头芯片功耗不能高于三瓦，这就将英伟达从这个市场扫出去，因为它最低功耗是十瓦。做服务器端的 Inference，一个很重要的指标是延时，英伟达又会因为这一点被打出去一些。自动驾驶领域，英伟达如果克服不了功耗和成本的问题，可能会因为这一点又被打出一些，但是，他肯定还是会有一部分市场，不可能被彻底扫出去，因为它的软件生态在那里。
所以，没有任何一家公司有可能用一个架构来直接推翻英伟达。
ARM 在这个时候会怎么玩？
ARM 一统 IP 江湖，这是有可能的。如果 ARM 做出一个很好的深度学习 IP，免费跟他的 CPU 一起卖，所有的做这方面 IP 生意的公司都有可能死掉。
在考虑行业的时候，必须要考虑短期内能否切得进去，这是很重要的一点。除了短期内收益是多少，也要长远地看这个市场规模是多少。
近期去世的定位大师杰克·特劳特说过，要么定位，要么死亡。能否分享分享一下深鉴科技寻找自己利基市场过程中的经验或者教训？
举个例子，最开始（ 2016 年的时候），我们做过一些机器人跟无人机的生意。当时分析这个行业，发现有一些很好的地方。
产品做稳定是特别难的一个事，降成本也是一件挺难的事儿。但是，我们发现机器人和无人机行业对成本不是那么敏感，因为产品单价至少都在几千、几万元。至于稳定性，跑个几十分钟就要换电池了，也不需要特别稳定。对新技术实践来说，这些都挺友好。
但是做了后，我们发现这个市场好难做。比如，无人机有 100 万架的量，结果 70 多万都是大疆的，剩下的其他公司都特别少，跟大家合作起来，都起不了太大的量。
所以，我觉得在考虑行业的时候，必须要考虑短期内能否切得进去，这是很重要的一点。除了短期内收益是多少，也要长远地看这个市场规模是多少。
不同行业和公司对采用创业公司产品的看法，可能会不一样。大公司就特别在意供货的稳定性，一旦供货，大公司通常会要求对方保证至少连续五年供货。比如，赛灵思推出某一款 FPGA 芯片，会承诺这个芯片会量产到 2025 年。他也必须这样说，大家才会持续不断用他的产品。
最注重这个的是汽车行业。车厂特别注重：对方必须稳定地给车厂供货几年，车厂跟 Tier 1 和汽车电子供应商都是几十年的合作关系，这是一个信任度的问题。
但对于创业公司来说，（行业和公司的态度）确实是一个非常大的事情。选择安防领域，也是考虑到它是一个特别长尾的市场，市场中的中小型公司对采用创业公司的产品不会在意那么多。
对于中国来说，AI 芯片真是一次实现弯道超车的机会吗？
我觉得这是一次换道超车的机会。
对大家来说，这会是一个非常大的新挑战，战略和格局层面的挑战。
过去，我们都是跟在后面拼命追。无论是 CPU、GPU 还是 FPGA，国产走的都是这样一条路，追得特别费力。硬件的东西不会开源，开源来的代码，你也读不懂，只能自己踩着坑前进，很难追得上。
不过，有一个成功的传统例子，京东方。大家突然发现他全球领先了，为什么？因为他直接砸钱布局几年后才会量产的下一代工艺，比如柔性显示。当国际上做柔性显示的时候，他在下一代工艺上就已经国际领先了。
这跟 AI 有点像。虽然咱们整个人才积累和工业底子还是比国外的薄，但从视野角度来说，这个事情确实是超前国外的。比如，2012 年我们做研究时，全球都没什么人看重这个事情。哪怕到了2016 年，全球也没有什么人看重。2015 年底、2016 年时，也没有什么人真开始创业做。
我们比别人做得早，而且一直在投入，所以我觉得有可能超过去。弯道超车和换道超车，我觉得是完全不同的思路，但我觉得在 AI 的这个事情上，芯片这个行业确实有可能超越国外。
有投资人曾经说，在中国做创业和投资，一定要做长尾市场，你怎么看？
我觉得，创业公司的切入肯定是以长尾市场为主。
这其实是品牌的交锋。淘宝最初建立时，吸引的是那些晚上有业余时间，希望开店赚点小外快的人，大品牌不会去淘宝上开店。有了足够多的人群后，一些小品牌开始在上面设店面，淘宝又做天猫，越来越多的大品牌开始出现在淘宝平台上。
所以，一家创业公司早期是没有品牌的，最多是靠投资方的一些新闻加一些背书，形成一个还不错的品牌，但这个品牌和海康这样的品牌完全不是一回事。因此，一开始很难直接给最大的公司服务，哪怕宣传中说有一些服务，但事实上很难直接从他们那里拿到钱。
所以，一定都是小的做起，然后逐步往大的打。但是，一定要有一颗要做到最好的心。
,
