阿里云優(yōu)惠券 先領(lǐng)券再下單

第四范式也向港股發(fā)起了沖刺。

IPO招股書披露的一連串?dāng)?shù)據(jù)中，話題性最強(qiáng)的依然是虧損情況。2018年到2020年期間，第四范式分別虧損3.72億元、7.18億元、7.5億元，2021年上半年的虧損則進(jìn)一步擴(kuò)大為11.87億元。過去三年半的時(shí)間里，第四范式已經(jīng)燒掉30.72億元。

這樣一組數(shù)據(jù)似乎并不讓人感到詫異。曠視、云知聲、依圖、云從科技等幾乎所有想要走向二級資本市場的AI獨(dú)角獸，都交出了一份虧損數(shù)十億元的成績單，而盈利就像是一個(gè)“魔咒”被施加在所有玩家身上。

當(dāng)虧損成為所有人工智能企業(yè)的“通病”，曾經(jīng)的明星創(chuàng)業(yè)者逐漸失寵，第四范式們是否還有破局的機(jī)會？

01 拿步槍打蒼蠅

?？低暱偛煤鷵P(yáng)忠曾在媒體采訪中，這般形容安防領(lǐng)域的野蠻人：“以通訊行業(yè)為例，其運(yùn)營和銷售成本比安防高很多，所以用高成本的人力去跑安防，就像拿步槍打蒼蠅一樣，投入與產(chǎn)出是非常不匹配的。”

看似是對科技巨頭插足安防市場的“怒懟”，可“拿步槍打蒼蠅”的比喻巧妙的道出了人工智能企業(yè)虧損的根源。

正如兩年前被無數(shù)人鼓吹的AI人才短缺，掀起了一場轟轟烈烈的搶人大戰(zhàn)。為了掌握前沿技術(shù)的主動權(quán)，科技巨頭和創(chuàng)業(yè)公司都在組建自己的科學(xué)家團(tuán)隊(duì)，博士人才的年薪迅速被炒高的百萬級別。商湯科技的創(chuàng)始人徐立就曾在公開場合透露，公司成立之初就將大約一半的資金用在了人才招聘上。

算法和人才也隨即成為資本下注的主要因素，“投人工智能要先投科學(xué)家”成了創(chuàng)投圈的隱性共識，以至于出現(xiàn)了頂級AI科學(xué)家在不同創(chuàng)業(yè)公司間來回轉(zhuǎn)場的一幕。或許硬科技的天然特征就是燒錢研發(fā)，由于研發(fā)難度大技術(shù)鏈條長，短期內(nèi)無法盈利甚至持續(xù)虧損都是行業(yè)的普遍現(xiàn)象。

但技術(shù)實(shí)力不等于變現(xiàn)能力，在年薪百萬的博士工程師跑到工廠寫代碼的那一刻，就注定了人工智能的悲情角色。

大多數(shù)人工智能企業(yè)的人才結(jié)構(gòu)都有些畸形，懂算法、懂理論的博士，卻不懂產(chǎn)業(yè)痛點(diǎn)和既有規(guī)則，讓他們下沉到工廠這樣的場景里解決問題，性價(jià)比自然比不上海康威視等企業(yè)用一群本科生塑造的鐵軍。在人力成本嚴(yán)重不對等的局面下，即便可以創(chuàng)造營收，也難以產(chǎn)生可觀的利潤。

何況當(dāng)前AI落地的場景過于碎片化，不同用戶有著不同的需求，定制化的比例遠(yuǎn)高于標(biāo)準(zhǔn)化的方案。結(jié)果就是，人工智能企業(yè)無法通過單點(diǎn)突破迅速收割市場，只能做完一個(gè)項(xiàng)目再做下一個(gè)項(xiàng)目，在定制化、成本高、利潤低等不利因素的制約下，虧損也就成了一種難以避免的常態(tài)：看起來營收在逐年增長，需要的研發(fā)投入也在逐年增加，最終還是沒有等來營收平衡的臨界點(diǎn)。

艾媒咨詢CEO張毅的觀點(diǎn)可謂相當(dāng)有針對性：“目前人工智能企業(yè)在不斷地開拓新業(yè)務(wù)試圖拉高營收數(shù)據(jù)，但營收增長的同時(shí)，利潤卻沒有得到同步增長，也就意味著營收帶有一定的泡沫。營業(yè)成本居高不下，營收回血跟不上燒錢速度，直接導(dǎo)致很多企業(yè)的現(xiàn)金流數(shù)據(jù)不容樂觀。”

這大抵也是AI獨(dú)角獸們頻頻沖刺IPO的誘因。早期的資本對研發(fā)上的高投入還比較寬容，可持續(xù)的虧損正在消磨資本的意志，在一級市場態(tài)度冷漠的局面下，抓住行業(yè)最后的窗口期上市，可以說是為數(shù)不多活下去的機(jī)會。

02 盈利暫時(shí)無解

麥吉洛咨詢資深分析師司馬秋曾表示，“從營收的角度來看，AI是個(gè)超級賽道，擁有巨大的市場前景。但是從AI四小龍的財(cái)務(wù)數(shù)據(jù)來看，AI應(yīng)用落地仍然存在一定難度，營收不如預(yù)期，持續(xù)虧損。”

至于營收不如預(yù)期的原因，或許可以找到兩種解釋：

一是外部大環(huán)境的制約，像自動駕駛這樣能夠低成本復(fù)制的標(biāo)準(zhǔn)化產(chǎn)業(yè)，短期內(nèi)很難規(guī)?；涞兀鹑?、安防、醫(yī)療等商業(yè)化比較成熟的領(lǐng)域，目前還沒有哪家AI獨(dú)角獸走出虧損的死胡同。

二是商業(yè)化變現(xiàn)的浮躁，很多技術(shù)創(chuàng)業(yè)公司會陷入閉門造車的困境，個(gè)中原因離不開創(chuàng)業(yè)者的“需求臆想癥”，即習(xí)慣性思考技術(shù)可以做出什么樣的產(chǎn)品，而非目標(biāo)市場到底需要什么樣的產(chǎn)品。

一個(gè)直接的例子，曾經(jīng)有一家制造業(yè)工廠尋求人工智能企業(yè)合作，但找了很多家都遭遇了碰壁，要么以需要硬件研發(fā)為由拒絕，要么坦陳對方的體量太小。也就折射了一個(gè)深層次的問題，盡管很多人工智能企業(yè)在積極尋找商業(yè)化變現(xiàn)的路徑，可聚焦到一線的銷售或商務(wù)身上，仍然苛求接大單。

其實(shí)這一現(xiàn)象并不難理解。算法、算力和數(shù)據(jù)是人工智能三個(gè)核心要素，但目前的普遍現(xiàn)狀在于，客戶的需求都是非標(biāo)準(zhǔn)化的，哪怕是最基礎(chǔ)的產(chǎn)品瑕疵檢測，也需要足夠的樣本數(shù)據(jù)進(jìn)行算法模型訓(xùn)練，而小樣本學(xué)習(xí)技術(shù)又面臨數(shù)據(jù)孤島、數(shù)據(jù)隱私保護(hù)等問題，落地的潛在成本可想而知。

為了解決類似的命題，一種流行的思路是像IBM那樣控制“中間件”，比如將算法、芯片等占據(jù)核心地位且毛利高的產(chǎn)品掌握在自己手中，幫助其他企業(yè)牽線搭橋，嘗試將落地的環(huán)節(jié)交給上下游的合作伙伴。

商湯、曠視等獨(dú)角獸很早就成立了投資部門，思必馳、中科視拓等也和VC機(jī)構(gòu)聯(lián)合成立了產(chǎn)業(yè)基金。目的正是通過投資上下游企業(yè)，打通商業(yè)化落地的閉環(huán)，那些被投的企業(yè)可以在場景落地、政府資源等方面彌補(bǔ)人工智能企業(yè)的不足。

秉持同樣理念的還有百度智能云，在2020年末推出了“云智生態(tài)計(jì)劃”，計(jì)劃在三年內(nèi)扶植1萬家合作伙伴，并與其中200家建立重點(diǎn)扶持關(guān)系。意圖也是與合作伙伴相互集成，進(jìn)而加速人工智能在各行各業(yè)的落地。

有些遺憾的是，諸如計(jì)算機(jī)視覺、智能語音等領(lǐng)域并沒有太大的技術(shù)壁壘，呈現(xiàn)出的態(tài)勢是技術(shù)的趨同，沒有哪家的技術(shù)絕對領(lǐng)先，即使是一些小的創(chuàng)業(yè)公司也能拿出和獨(dú)角獸們相似的解決方案，所謂的市場統(tǒng)治力也就無從談起。

IBM、甲骨文、SAP等企業(yè)的高分答卷，還人工智能賽道上還無法復(fù)制。

03 幾個(gè)可能方向

現(xiàn)代管理之父彼得•德魯克說過：“動蕩時(shí)代最大的危險(xiǎn)不是動蕩本身，而是仍然用過去的邏輯做事。”

同樣的道理儼然適用于人工智能，巨額虧損的原因無外乎兩點(diǎn)：一是自身的成本太高，包括研發(fā)、人力、營銷、渠道，以及項(xiàng)目落地過程中的隱形成本；二是盈利跟不上，按照固有的模式輸出技術(shù)的路線，早已被證實(shí)缺少想象力。

想要走出當(dāng)下的盈利困局，抑或說為企業(yè)找到新的增長空間和故事腳本，還需要繼續(xù)尋找可行的軌跡。目前市面上也出現(xiàn)了幾種流行方向：

比如對深度學(xué)習(xí)框架的角逐。作為人工智能時(shí)代的操作系統(tǒng)，開源深度學(xué)習(xí)框架的價(jià)值不言而喻。切換到商業(yè)化的視角上，開源深度學(xué)習(xí)框架無疑是不可或缺的生產(chǎn)力平臺，也是連接各行各業(yè)開發(fā)者的理想方式。一旦可以在上游解決算法門檻，人工智能的落地剩下的就只是時(shí)間問題。

然而目前國內(nèi)過半的開發(fā)者還扎堆在TensorFlow和PyTorch，開發(fā)者生態(tài)比較成熟的僅有百度飛槳，華為MindSpore、曠視天元、一流科技的OneFlow等才剛剛起步?；蛟S意味著這個(gè)市場還存在很大的機(jī)會空間，同時(shí)也預(yù)示著國內(nèi)開源生態(tài)的成熟還需要長時(shí)間的市場教育，短期內(nèi)無法改變?nèi)斯ぶ悄芷髽I(yè)的盈虧。

再比如降低AI應(yīng)用的成本。人工智能的最大問題并不是缺少應(yīng)用場景，而是人工智能帶來的效率提升遠(yuǎn)低于成本投入。很多企業(yè)找到了人工智能的場景，獲得了技術(shù)落地的價(jià)值提升，但沒有到達(dá)產(chǎn)出高于投入的臨界點(diǎn)。

除了寄希望于市場的逐漸成熟，一個(gè)重要的賽點(diǎn)在于降低技術(shù)的邊際成本，當(dāng)邊際成本足夠低的時(shí)候，所有的問題都將迎刃而解。開源深度學(xué)習(xí)框架是一種可行路徑，SaaS服務(wù)可能是另一種可行路徑，即將算法模型以可復(fù)用的SaaS進(jìn)行訂閱。

雖然輕量化的SaaS服務(wù)無法滿足客單價(jià)高的重型解決方案，卻也不失為一種創(chuàng)收手段。畢竟B端業(yè)務(wù)依舊是人工智能行業(yè)的營收大頭，可動輒半年以上的付款周期，嚴(yán)重限制了人工智能企業(yè)的資金流動，乃至成了人工智能規(guī)?；涞氐牧眍愯滂簦顿M(fèi)訂閱則巧妙地化解了里面的種種問題。

不管怎樣，從談概念、講技術(shù)到拼場景、搶落地，人工智能已經(jīng)進(jìn)入到了新的時(shí)間周期，繼續(xù)沿用舊有的套路和范式，恐怕很難再讓資本市場買單，一起起IPO失敗的慘烈案例，何嘗不是最直接的教訓(xùn)。

同時(shí)需要明白的是，倘若人工智能的商業(yè)化由陰轉(zhuǎn)晴，大概率預(yù)示著進(jìn)入門檻已經(jīng)足夠低，勢必會吸引越來越多的玩家來搶食市場，戰(zhàn)況將前所未有的復(fù)雜，彼時(shí)等待人工智能企業(yè)應(yīng)對的麻煩將只多不少。

04 寫在最后

人工智能曾經(jīng)是下一個(gè)商業(yè)時(shí)代的觸點(diǎn)，引誘了一眾創(chuàng)業(yè)者和投資人，可最終也沒能跳出行業(yè)興衰的節(jié)奏。

答案或許就藏在第四范式創(chuàng)始人戴文淵的一句實(shí)話里：“現(xiàn)在幾乎沒有企業(yè)不用到AI的技術(shù)，但是如果說哪個(gè)企業(yè)把AI拿掉后活不下去，這樣的企業(yè)也很少。這是我們認(rèn)為人工智能最大的挑戰(zhàn)，雖然有用，但是沒有特別大的用處。”

所有泡沫都有碎裂的時(shí)候，人工智能的浪潮也沒有例外，卻也讓人們越來越理性思考人工智能的技術(shù)價(jià)值和商業(yè)價(jià)值。

申請創(chuàng)業(yè)報(bào)道，分享創(chuàng)業(yè)好點(diǎn)子。點(diǎn)擊此處，共同探討創(chuàng)業(yè)新機(jī)遇！