AI難逃“集郵”命運

首先要申明的是，這并不是一篇唱衰AI行業(yè)的文章，但需要提醒各位的是，人工智能的創(chuàng)業(yè)窗口期已經(jīng)接近尾聲。

　　一方面，是新入局玩家數(shù)量上的降溫。根據(jù)億歐網(wǎng)數(shù)據(jù)，中國AI初創(chuàng)企業(yè)從2012年起，經(jīng)過4年的高速發(fā)展，在2016年達到頂峰，而后 AI 創(chuàng)業(yè)熱度逐步降溫，2020 年1-4月僅成立4家AI企業(yè)，是2019年全年數(shù)量的12%。如果按照這個數(shù)據(jù)來推算2020年全年，AI領(lǐng)域初創(chuàng)企業(yè)也不及去年的一半。

　　圖：2012-2020年4月中國人工智能領(lǐng)域初創(chuàng)企業(yè)成立情況（來源：國盛證券、億歐網(wǎng)）

　　另一方面，早期玩家原始技術(shù)積累基本完成，正處于卡位具體場景商業(yè)化階段。尤其是基于視覺、語音和文本的AI技術(shù)相對較為成熟，在相對好落地的To B領(lǐng)域（比如零售、安防、教育、教育、金融等）已經(jīng)扎滿了玩家，空間所剩無幾，而To G又不是普通玩家能夠駕馭的。

　　“難獲得領(lǐng)導(dǎo)層支持”、“AI實施與組織適配難”、“難將AI計劃從試點轉(zhuǎn)移到生產(chǎn)”、“無法衡量AI的投資回報率”以及“AI系統(tǒng)運營維護難”成為AI產(chǎn)品難落地的主要障礙。

　　如果你是AI行業(yè)的從業(yè)者或者觀察者，你經(jīng)常會聽到，售前們跟你講述有關(guān)數(shù)據(jù)的話題，比如數(shù)據(jù)采集、預(yù)處理、標注、挖掘、分析等技術(shù)專屬名詞，然后跟你大講一通這些技術(shù)有多難，他們的系統(tǒng)或者架構(gòu)有多強悍。事實上呢，這只是一個推銷小技巧，想當然地把項目制的產(chǎn)品解說為通用型，似乎是所有軟件開發(fā)公司的通病。甲方只要記住一點，拋開具體場景、具體業(yè)務(wù)跟你談產(chǎn)品和技術(shù)約等于耍流氓。

　　拿SaaS行業(yè)（企業(yè)服務(wù)的一塊重要領(lǐng)域，跟AI也有大量交集）來說，2011-2021十年間，跌宕起伏，從無序走向有序，競爭點也從通用進入垂直領(lǐng)域，但相關(guān)業(yè)內(nèi)專家依然不看好這個領(lǐng)域，“與2016年那波資本鼓動下的浪潮相比，現(xiàn)在的泡沫依然很大。”

　　AI現(xiàn)狀也大致如此，近些年爆火又沉寂的中臺們就是典型。就國內(nèi)玩家而言，你會發(fā)現(xiàn)在活得好的基本都是卡位垂直領(lǐng)域的，比如智能駕駛領(lǐng)域的百度、AI語音領(lǐng)域的科大訊飛、智能BI領(lǐng)域的帆軟等，但目前也未跑出一個類似于微軟或者Snowflake式的巨頭。

　　我們再回到AI商業(yè)化的本質(zhì)，即并非專注于技術(shù)的迭代優(yōu)化，而是善用技術(shù)解決客觀存在的實際商業(yè)問題，從眾多的應(yīng)用場景分析可知：一方面，人工智能能夠?qū)⑷藦暮唵巍⒅貜?fù)、繁重的工作中解放出來，算法仍是AI準確性和效率的核心；另一方面，場景的適配性是AI成功落地的關(guān)鍵環(huán)節(jié)。

　　基于此，本文新眸將著重分析以下三個問題：

　　· 什么是“集郵”，AI玩家為何難逃這種命運？

　　·AI的場景悖論是什么，這種悖論我們應(yīng)該如何避免？

　　· 2021，我們該如何重新理解AI商業(yè)化的路徑？

　　舊酒裝新瓶

　　集郵愛好者都有一個癖好，就是喜歡成套的收集，當然，也只有成套的郵票也才有更高的價值，少數(shù)精品郵票除外。

　　這和當下的AI行業(yè)現(xiàn)狀幾乎如出一轍，少數(shù)玩家掌握了關(guān)鍵算法（比如視覺、語音解析等），他們是少而精，加上資本的加持，很快就得以出圈，比如AI四小龍（商湯、曠視、云從、依圖），這些玩家的特點是追求99%-99.99%精度變化，但大多數(shù)玩家還是傳統(tǒng)軟件廠商或者半路出家，更多的還是做一些項目制開發(fā)，技術(shù)含量并不大，所以他們所追求的是大而全，“技術(shù)我都有，項目我都能做，降本增效多少無法量化，更別提走標品思路了。”

　　所以AI行業(yè)想做騰訊之于社交、阿里之于電商、百度之于搜索，幾乎沒戲。就目前AI產(chǎn)業(yè)鏈而言，全行業(yè)大致形成了4種生態(tài)模式：

　　第一類：AI融入云服務(wù)體系，云服務(wù)廠商構(gòu)建AI基礎(chǔ)設(shè)施生態(tài)。亞馬遜、微軟和谷歌為代表的廠商開始布局AI專用硬件、開源開發(fā)工具、研發(fā)平臺、技術(shù)服務(wù)、行業(yè)使能方案等全棧AI技術(shù)支撐體系，比如，2020年，微軟向下在硬件基礎(chǔ)設(shè)施方面聯(lián)合OpenAI建立智能超算中心，向上在垂直行業(yè)布局方面推出行業(yè)云解決方案 Microsoft Cloud for Healthcare，進而與醫(yī)療機構(gòu)合作，幫助醫(yī)生和醫(yī)療機構(gòu)使用 AI 技術(shù)實現(xiàn)精準醫(yī)療服務(wù)。

　　但這是高舉高打的玩法，國內(nèi)的中、小玩家們既沒有龐大的數(shù)據(jù)量可供訓(xùn)練、改進算法模型，也沒有在產(chǎn)業(yè)鏈上下游足夠的話語權(quán)和資本，更多的還是接著眾包和外包的活，分到的蛋糕也少得可憐，所以這類玩家我們只能當標的，不做參考。

　　第二類：AI技術(shù)服務(wù)企業(yè)、互聯(lián)網(wǎng)企業(yè)，以視覺、語音等技術(shù)優(yōu)勢切入，加速打造垂直行業(yè)技術(shù)服務(wù)平臺和解決方案生態(tài)。比如百度Apollo開放平臺（智能駕駛）、科大訊飛（智慧語音）、依圖care.ai（智慧醫(yī)療）等，這些就是我前文所述成功卡位的玩家，也是最有潛力的，先把單一領(lǐng)域做精，商業(yè)模式跑通，進而散點拓展其他領(lǐng)域。

　　比如科大訊飛最近所提的CRM和CDP，他們內(nèi)部人士告訴新眸，AI在零售營銷側(cè)的布局已經(jīng)有4-5年的時間了，其實不只科大訊飛一家，大部分AI企業(yè)都會在電商零售營銷側(cè)植入AI能力，至于為什么，我后面再做具體解答。

　　第三類：傳統(tǒng)企業(yè)以行業(yè)經(jīng)驗切入，強調(diào)解決問題的實際應(yīng)用能力，傳統(tǒng)行業(yè)頭部企業(yè)針對顛覆性、前沿性技術(shù)展開系統(tǒng)布局，比如大眾奧迪聚焦自動駕駛場景，建立奧迪JKU深度學(xué)習(xí)中心，成立硅谷研發(fā)辦公室，加大力度研發(fā)先進駕駛員輔助系統(tǒng)。

　　這類玩家國內(nèi)有很多，但多數(shù)只是建立個創(chuàng)新部門試點，甚至做做表面功夫，并不會真正的正視AI本身，一來對于大多數(shù)非剛需傳統(tǒng)企業(yè)來說，這些開銷屬于非必要，二來，AI本身的ROE也是一個未知數(shù)。

　　第四類：硬件廠商以芯片設(shè)計、整機集成為切入點，構(gòu)建軟硬協(xié)同產(chǎn)業(yè)生態(tài)。英偉達、英特爾、華為、浪潮等芯片、設(shè)備廠商就是主要代表，其中華為在逐步開放的AI戰(zhàn)略以及自主芯片架構(gòu)上發(fā)力，于2020 年下半年華為在深圳總部推出 AI（人工智能）處理器 Ascend 910（昇騰 910）。

　　這是一支不可忽略的力量，也是極具潛力的，畢竟由硬件切入軟件相對較為簡單（參考半導(dǎo)體產(chǎn)業(yè)），而且這類玩家在市場上更具優(yōu)勢，有個硬件底座只要植入相應(yīng)的軟件，就可以成為針對某個場景的AI一體機，相對于軟件廠商來說，人們會更容易接受由硬件廠商附加銷售的軟件產(chǎn)品，順序很重要。

　　場景“悖論”

　　過去60年，人工智能經(jīng)歷了2次從爆發(fā)到低谷的過程，到了21世紀，隨著數(shù)據(jù)的爆發(fā)式增長，算力和深度學(xué)習(xí)的成熟，人工智能迎來了第3次發(fā)展浪潮。

　　就目前而言，成長型AI企業(yè)技術(shù)的發(fā)展現(xiàn)狀主要有以下四個特征：

　　算法層面，CV、NLP等領(lǐng)域需求大、投入多；框架層面，TensorFlow和PyTorch成為熱門（工業(yè)界和學(xué)術(shù)界主流）；平臺層面，朝著通用和垂直領(lǐng)域雙向發(fā)展（多數(shù)玩家使用通用平臺，其余建立垂直領(lǐng)域平臺形成長尾）；趨勢方面，跨學(xué)科、跨場景、跨空間開始融合。

　　德勤曾在《中國成長型AI企業(yè)研究報告》中總結(jié)過成長型AI企業(yè)成功的6大關(guān)鍵要素：1、先垂直滲透，后向上發(fā)展；2、精于技術(shù)，強于場景方案；3、善用多元化融資渠道；4、創(chuàng)新市場強化合作；5、優(yōu)化運營提升競爭力；6、打造數(shù)據(jù)閉環(huán)，迭代優(yōu)化產(chǎn)品。

　　其中，1234屬于業(yè)務(wù)側(cè)，56屬于產(chǎn)品側(cè)，這也和當下的AI企業(yè)現(xiàn)狀有關(guān)，產(chǎn)品側(cè)除了極個別領(lǐng)域的技術(shù)絕對龍頭，多數(shù)還是在依靠市場和業(yè)務(wù)驅(qū)動。換句話說，玩家競爭差異化并不體現(xiàn)在產(chǎn)品力上，而是體現(xiàn)在誰能更懂場景，利用AI技術(shù)精準幫助企業(yè)數(shù)字轉(zhuǎn)型或升級。

　　這就需要我們把目光重新聚焦到前文所提到的第二類玩家，衡量他們是否成功的標準在于，他們能否做成垂直領(lǐng)域的顛覆者。

　　在發(fā)展初期，優(yōu)秀成長型 AI 企業(yè)多精于一個核心技術(shù)點發(fā)展，向下滲透場景，更快更靈活地把技術(shù)優(yōu)勢轉(zhuǎn)化為產(chǎn)品優(yōu)勢，獲得市場占有率。如果初創(chuàng)企業(yè)想要和巨頭分蛋糕，就需要深耕垂直領(lǐng)域，練好內(nèi)功而非盲目追逐熱點。因為越是底層的東西，巨頭越會涉足，同理，越是通用型的產(chǎn)品，越是大公司會做的。

　　問題是，和互聯(lián)網(wǎng)巨頭們相比，這些玩家在懂場景上并不占據(jù)絕對優(yōu)勢。

　　這里就是我所提及的“場景悖論”，就當下而言，AI To G很難，To B也很難，相較于前者，后者才有可能實現(xiàn)AI的商業(yè)規(guī)?；瓿蛇@一目標，排除其他資源因素的話，第一步就是要在技術(shù)窗口期完成場景搶占。

　　畢竟，在移動互聯(lián)網(wǎng)創(chuàng)業(yè)時代，技術(shù)商業(yè)化落地都有窗口期的概念，錯過了窗口期會很難做大，進入過早失敗概率也較高。在大部分投資都有投資回報期要求的情況下，創(chuàng)業(yè)公司要控制業(yè)務(wù)的方向和節(jié)奏，找好合適的時機，在人工智能領(lǐng)域同理，時機和節(jié)奏感的把握都很重要，而節(jié)奏感的控制除了來自對人工智能技術(shù)發(fā)展程度的判斷，還有來自對融資環(huán)境的判斷，對市場發(fā)展速度與變化的判斷，和對競爭對手的判斷。

　　所涉及到的每一步，都很艱難（主要原因就是簡單場景的窗口期已經(jīng)過了，AI不再黑盒也意味著不那么好忽悠了）。

　　事實情況也的確如此，普華永道曾針對AI場景落地發(fā)起過調(diào)研，結(jié)果顯示，39％的組織無法解釋輸出結(jié)果并無法衡量AI的投資回報率，28％的企業(yè)缺乏用于AI解決方案的高質(zhì)量數(shù)據(jù)，17％的公司在維護已經(jīng)運行的AI系統(tǒng)方面面臨挑戰(zhàn)，35％已實施試點的組織發(fā)現(xiàn)很難將AI計劃從試點轉(zhuǎn)移到生產(chǎn)。

　　這四個結(jié)果其實環(huán)環(huán)相扣。簡單的說，一方面，多數(shù)人們對于AI的信任度并沒有想象中那么高，市場教育需要持續(xù)進行，也意味著需要大量的營銷成本；另一方面，AI在落地過程中也沒有想象中順利，從前期的數(shù)據(jù)收集到后期的運營，再到衡量AI改造所帶來的效果，依然存在較大的不確定性。

　　AI們的下一城

　　讀到這里你會發(fā)現(xiàn)，AI玩家們想要逃離集郵命運的，似乎只有一條出路，即有一個標桿性產(chǎn)品。

　　標桿意味著產(chǎn)品在技術(shù)上至少領(lǐng)先半個身位的，在運營上是平民化的，在效果上是可以衡量的，百度Apollo開放平臺（智能駕駛）、科大訊飛（智慧語音）、依圖care.ai（智慧醫(yī)療）等玩家崛起的思路都具備這個特征，并且這種現(xiàn)象級爆款是某一市場側(cè)的剛需，甚至是國民級的需要，才有可能完成他們口中所述的規(guī)?；蝗恢皇强照?。

　　但尷尬的是，事實并非我們想象。

　　眼下多數(shù)AI玩家，大都沿襲互聯(lián)網(wǎng)思維，企圖用AI把所有場景都改造一遍，所以經(jīng)常會出現(xiàn)以下幾類矛盾：做業(yè)務(wù)的diss做產(chǎn)品的，做產(chǎn)品的diss做技術(shù)的，做技術(shù)的diss做運維的，做運維的反過頭來diss做業(yè)務(wù)的，形成反向閉環(huán)。

　　反向閉環(huán)形成的主要因素就是在于，沿襲互聯(lián)網(wǎng)思維，企圖用AI把所有場景都改造一遍，他們始終沒有厘清，哪些場景是亟需被改造的，哪些場景是有待被改造的，哪些場景是不需要AI介入的，這也是多數(shù)研究人員在計算市場空間時常犯的一個毛病，習(xí)慣性夸大。

　　舉個簡單的例子，比如工業(yè)有10類場景，AI技術(shù)只是在其中一個場景有發(fā)揮空間，研究員會習(xí)慣性將這單一市場空間X10，造成AI工業(yè)場景水大魚大的假象，一方面是計算模式的不精準，另一方面是忽略了改造成本，所以我經(jīng)常能聽到AI業(yè)內(nèi)人士跟我抱怨，“空間很小，玩家太多，成本高企，我們只是在重復(fù)的造PPT的輪子。”

　　空口無憑，我們來看下數(shù)據(jù)。

　　根據(jù)IT橘子數(shù)據(jù)，截至2020年，30%的成長型AI企業(yè)尚未獲投，這些未獲投企業(yè)很多沒有找到細分的價值板塊，產(chǎn)品差異化競爭優(yōu)勢不明顯，存在顯著的同質(zhì)化競爭現(xiàn)象。如果遇到較大公司的進駐或碾壓后，容易被投資方半途放棄，創(chuàng)業(yè)風(fēng)險急劇增大。

　　另外有45%的已獲投企業(yè)輪次融資輪次在A輪之前，這些企業(yè)盡管產(chǎn)品研發(fā)已經(jīng)基本完成，但市場仍處于開拓階段，尚未能實現(xiàn)收入大幅增長，如果你長期關(guān)注AI領(lǐng)域的話，你會發(fā)現(xiàn)，資本市場資源正不斷向B輪以后企業(yè)聚攏，至今尚沒有融資的企業(yè)，很有可能面臨淘汰出局。

　　于此之下，我們不難想象，AI們的下一城會很艱難，尤其對于初創(chuàng)企業(yè)來說。