AI难逃“集邮”命运

抛开具体场景、具体业务跟你谈产品和技术,等于不靠谱。

图片来源@视觉中国

图片来源@视觉中国

文丨新眸,作者丨凌石,编辑丨栖木

首先要申明的是,这并不是一篇唱衰AI行业的文章,但需要提醒各位的是,人工智能的创业窗口期已经接近尾声。

一方面,是新入局玩家数量上的降温。根据亿欧网数据,中国AI初创企业从2012年起,经过4年的高速发展,在2016年达到顶峰,而后 AI 创业热度逐步降温,2020 年1-4月仅成立4家AI企业,是2019年全年数量的12%。如果按照这个数据来推算2020年全年,AI领域初创企业也不及去年的一半。

图:2012-2020年4月中国人工智能领域初创企业成立情况(来源:国盛证券、亿欧网)

另一方面,早期玩家原始技术积累基本完成,正处于卡位具体场景商业化阶段。尤其是基于视觉、语音和文本的AI技术相对较为成熟,在相对好落地的To B领域(比如零售、安防、教育、教育、金融等)已经扎满了玩家,空间所剩无几,而To G又不是普通玩家能够驾驭的。

“难获得领导层支持”、“AI实施与组织适配难”、“难将AI计划从试点转移到生产”、“无法衡量AI的投资回报率”以及“AI系统运营维护难”成为AI产品难落地的主要障碍。

如果你是AI行业的从业者或者观察者,你经常会听到,售前们跟你讲述有关数据的话题,比如数据采集、预处理、标注、挖掘、分析等技术专属名词,然后跟你大讲一通这些技术有多难,他们的系统或者架构有多强悍。

事实上呢,这只是一个推销小技巧,想当然地把项目制的产品解说为通用型,似乎是所有软件开发公司的通病。

甲方只要记住一点,抛开具体场景、具体业务跟你谈产品和技术约等于耍流氓。

拿SaaS行业(企业服务的一块重要领域,跟AI也有大量交集)来说,2011-2021十年间,跌宕起伏,从无序走向有序,竞争点也从通用进入垂直领域,但相关业内专家依然不看好这个领域,“与2016年那波资本鼓动下的浪潮相比,现在的泡沫依然很大。”

AI现状也大致如此,近些年爆火又沉寂的中台们就是典型。

就国内玩家而言,你会发现在活得好的基本都是卡位垂直领域的,比如智能驾驶领域的百度、AI语音领域的科大讯飞、智能BI领域的帆软等,但目前也未跑出一个类似于微软或者Snowflake式的巨头。

我们再回到AI商业化的本质,即并非专注于技术的迭代优化,而是善用技术解决客观存在的实际商业问题,从众多的应用场景分析可知:一方面,人工智能能够将人从简单、重复、繁重的工作中解放出来,算法仍是AI准确性和效率的核心;另一方面,场景的适配性是AI成功落地的关键环节。

基于此,本文新眸将着重分析以下三个问题:

什么是“集邮”,AI玩家为何难逃这种命运?

AI的场景悖论是什么,这种悖论我们应该如何避免?

2021,我们该如何重新理解AI商业化的路径?

旧酒装新瓶

集邮爱好者都有一个癖好,就是喜欢成套的收集,当然,也只有成套的邮票也才有更高的价值,少数精品邮票除外。

这和当下的AI行业现状几乎如出一辙,少数玩家掌握了关键算法(比如视觉、语音解析等),他们是少而精,加上资本的加持,很快就得以出圈,比如AI四小龙(商汤、旷视、云从、依图),这些玩家的特点是追求99%-99.99%精度变化,但大多数玩家还是传统软件厂商或者半路出家,更多的还是做一些项目制开发,技术含量并不大,所以他们所追求的是大而全,“技术我都有,项目我都能做,降本增效多少无法量化,更别提走标品思路了。”

所以AI行业想做腾讯之于社交、阿里之于电商、百度之于搜索,几乎没戏。就目前AI产业链而言,全行业大致形成了4种生态模式:

第一类:AI融入云服务体系,云服务厂商构建AI基础设施生态。亚马逊、微软和谷歌为代表的厂商开始布局AI专用硬件、开源开发工具、研发平台、技术服务、行业使能方案等全栈AI技术支撑体系,比如,2020年,微软向下在硬件基础设施方面联合OpenAI建立智能超算中心,向上在垂直行业布局方面推出行业云解决方案 Microsoft Cloud for Healthcare,进而与医疗机构合作,帮助医生和医疗机构使用 AI 技术实现精准医疗服务。

但这是高举高打的玩法,国内的中、小玩家们既没有庞大的数据量可供训练、改进算法模型,也没有在产业链上下游足够的话语权和资本,更多的还是接着众包和外包的活,分到的蛋糕也少得可怜,所以这类玩家我们只能当标的,不做参考。

第二类:AI技术服务企业、互联网企业,以视觉、语音等技术优势切入,加速打造垂直行业技术服务平台和解决方案生态。比如百度Apollo开放平台(智能驾驶)、科大讯飞(智慧语音)、依图care.ai(智慧医疗)等,这些就是我前文所述成功卡位的玩家,也是最有潜力的,先把单一领域做精,商业模式跑通,进而散点拓展其他领域。

比如科大讯飞最近所提的CRM和CDP,他们内部人士告诉新眸,AI在零售营销侧的布局已经有4-5年的时间了,其实不只科大讯飞一家,大部分AI企业都会在电商零售营销侧植入AI能力,至于为什么,我后面再做具体解答。

第三类:传统企业以行业经验切入,强调解决问题的实际应用能力,传统行业头部企业针对颠覆性、前沿性技术展开系统布局,比如大众奥迪聚焦自动驾驶场景,建立奥迪JKU深度学习中心,成立硅谷研发办公室,加大力度研发先进驾驶员辅助系统。

这类玩家国内有很多,但多数只是建立个创新部门试点,甚至做做表面功夫,并不会真正的正视AI本身,一来对于大多数非刚需传统企业来说,这些开销属于非必要,二来,AI本身的ROE也是一个未知数。

第四类:硬件厂商以芯片设计、整机集成为切入点,构建软硬协同产业生态。英伟达、英特尔、华为、浪潮等芯片、设备厂商就是主要代表,其中华为在逐步开放的AI战略以及自主芯片架构上发力,于2020 年下半年华为在深圳总部推出 AI(人工智能)处理器 Ascend 910(昇腾 910)。

这是一支不可忽略的力量,也是极具潜力的,毕竟由硬件切入软件相对较为简单(参考半导体产业),而且这类玩家在市场上更具优势,有个硬件底座只要植入相应的软件,就可以成为针对某个场景的AI一体机,相对于软件厂商来说,人们会更容易接受由硬件厂商附加销售的软件产品,顺序很重要。

场景“悖论”

过去60年,人工智能经历了2次从爆发到低谷的过程,到了21世纪,随着数据的爆发式增长,算力和深度学习的成熟,人工智能迎来了第3次发展浪潮。

就目前而言,成长型AI企业技术的发展现状主要有以下四个特征:

算法层面,CV、NLP等领域需求大、投入多;框架层面,TensorFlow和PyTorch成为热门(工业界和学术界主流);平台层面,朝着通用和垂直领域双向发展(多数玩家使用通用平台,其余建立垂直领域平台形成长尾);趋势方面,跨学科、跨场景、跨空间开始融合。

德勤曾在《中国成长型AI企业研究报告》中总结过成长型AI企业成功的6大关键要素:1、先垂直渗透,后向上发展;2、精于技术,强于场景方案;3、善用多元化融资渠道;4、创新市场强化合作;5、优化运营提升竞争力;6、打造数据闭环,迭代优化产品。

其中,1234属于业务侧,56属于产品侧,这也和当下的AI企业现状有关,产品侧除了极个别领域的技术绝对龙头,多数还是在依靠市场和业务驱动。换句话说,玩家竞争差异化并不体现在产品力上,而是体现在谁能更懂场景,利用AI技术精准帮助企业数字转型或升级。

这就需要我们把目光重新聚焦到前文所提到的第二类玩家,衡量他们是否成功的标准在于,他们能否做成垂直领域的颠覆者。

在发展初期,优秀成长型 AI 企业多精于一个核心技术点发展,向下渗透场景,更快更灵活地把技术优势转化为产品优势,获得市场占有率。如果初创企业想要和巨头分蛋糕,就需要深耕垂直领域,练好内功而非盲目追逐热点。因为越是底层的东西,巨头越会涉足,同理,越是通用型的产品,越是大公司会做的。

问题是,和互联网巨头们相比,这些玩家在懂场景上并不占据绝对优势。这里就是我所提及的“场景悖论”,就当下而言,AI To G很难,To B也很难,相较于前者,后者才有可能实现AI的商业规模化,而要完成这一目标,排除其他资源因素的话,第一步就是要在技术窗口期完成场景抢占。

毕竟,在移动互联网创业时代,技术商业化落地都有窗口期的概念,错过了窗口期会很难做大,进入过早失败概率也较高。在大部分投资都有投资回报期要求的情况下,创业公司要控制业务的方向和节奏,找好合适的时机,在人工智能领域同理,时机和节奏感的把握都很重要,而节奏感的控制除了来自对人工智能技术发展程度的判断,还有来自对融资环境的判断,对市场发展速度与变化的判断,和对竞争对手的判断。

所涉及到的每一步,都很艰难(主要原因就是简单场景的窗口期已经过了,AI不再黑盒也意味着不那么好忽悠了)。

事实情况也的确如此,普华永道曾针对AI场景落地发起过调研,结果显示,39%的组织无法解释输出结果并无法衡量AI的投资回报率,28%的企业缺乏用于AI解决方案的高质量数据,17%的公司在维护已经运行的AI系统方面面临挑战,35%已实施试点的组织发现很难将AI计划从试点转移到生产。

这四个结果其实环环相扣。

简单的说,一方面,多数人们对于AI的信任度并没有想象中那么高,市场教育需要持续进行,也意味着需要大量的营销成本;另一方面,AI在落地过程中也没有想象中顺利,从前期的数据收集到后期的运营,再到衡量AI改造所带来的效果,依然存在较大的不确定性。

AI们的下一城

读到这里你会发现,AI玩家们想要逃离集邮命运的,似乎只有一条出路,即有一个标杆性产品。

标杆意味着产品在技术上至少领先半个身位的,在运营上是平民化的,在效果上是可以衡量的,百度Apollo开放平台(智能驾驶)、科大讯飞(智慧语音)、依图care.ai(智慧医疗)等玩家崛起的思路都具备这个特征,并且这种现象级爆款是某一市场侧的刚需,甚至是国民级的需要,才有可能完成他们口中所述的规模化,不然只是空谈。

但尴尬的是,事实并非我们想象。

眼下多数AI玩家,大都沿袭互联网思维,企图用AI把所有场景都改造一遍,所以经常会出现以下几类矛盾:做业务的diss做产品的,做产品的diss做技术的,做技术的diss做运维的,做运维的反过头来diss做业务的,形成反向闭环。

反向闭环形成的主要因素就是在于,沿袭互联网思维,企图用AI把所有场景都改造一遍,他们始终没有厘清,哪些场景是亟需被改造的,哪些场景是有待被改造的,哪些场景是不需要AI介入的,这也是多数研究人员在计算市场空间时常犯的一个毛病,习惯性夸大。

举个简单的例子,比如工业有10类场景,AI技术只是在其中一个场景有发挥空间,研究员会习惯性将这单一市场空间X10,造成AI工业场景水大鱼大的假象,一方面是计算模式的不精准,另一方面是忽略了改造成本,所以我经常能听到AI业内人士跟我抱怨,“空间很小,玩家太多,成本高企,我们只是在重复的造PPT的轮子。”

空口无凭,我们来看下数据。

根据IT橘子数据,截至2020年,30%的成长型AI企业尚未获投,这些未获投企业很多没有找到细分的价值板块,产品差异化竞争优势不明显,存在显著的同质化竞争现象。如果遇到较大公司的进驻或碾压后,容易被投资方半途放弃,创业风险急剧增大。

另外有45%的已获投企业轮次融资轮次在A轮之前,这些企业尽管产品研发已经基本完成,但市场仍处于开拓阶段,尚未能实现收入大幅增长,如果你长期关注AI领域的话,你会发现,资本市场资源正不断向B轮以后企业聚拢,至今尚没有融资的企业,很有可能面临淘汰出局。

于此之下,我们不难想象,AI们的下一城会很艰难,尤其对于初创企业来说。

本文系作者 新眸 授权钛媒体发表,并经钛媒体编辑,转载请注明出处、作者和本文链接
本内容来源于钛媒体钛度号,文章内容仅供参考、交流、学习,不构成投资建议。
想和千万钛媒体用户分享你的新奇观点和发现,点击这里投稿 。创业或融资寻求报道,点击这里

敬原创,有钛度,得赞赏

赞赏支持
发表评论
0 / 300

根据《网络安全法》实名制要求,请绑定手机号后发表评论

登录后输入评论内容

扫描下载App