抱歉，AI還回答不了盈利問題
第四范式也向港股發起了沖刺。
IPO招股書披露的一連串數據中，話題性最強的依然是虧損情況。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一步擴大為11.87億元。過去三年半的時間里，第四范式已經燒掉30.72億元。
這樣一組數據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獨角獸，都交出了一份虧損數十億元的成績單，而盈利就像是一個“魔咒”被施加在所有玩家身上。
當虧損成為所有人工智能企業的“通病”，曾經的明星創業者逐漸失寵，第四范式們是否還有破局的機會？
01 拿步槍打蒼蠅
海康威視總裁胡揚忠曾在媒體采訪中，這般形容安防領域的野蠻人：“以通訊行業為例，其運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虧損的根源。
正如兩年前被無數人鼓吹的AI人才短缺，掀起了一場轟轟烈烈的搶人大戰。為了掌握前沿技術的主動權，科技巨頭和創業公司都在組建自己的科學家團隊，博士人才的年薪迅速被炒高的百萬級別。商湯科技的創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家”成了創投圈的隱性共識，以至于出現了頂級AI科學家在不同創業公司間來回轉場的一幕。或許硬科技的天然特征就是燒錢研發，由于研發難度大技術鏈條長，短期內無法盈利甚至持續虧損都是行業的普遍現象。
但技術實力不等于變現能力，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。
大多數人工智能企業的人才結構都有些畸形，懂算法、懂理論的博士，卻不懂產業痛點和既有規則，讓他們下沉到工廠這樣的場景里解決問題，性價比自然比不上海康威視等企業用一群本科生塑造的鐵軍。在人力成本嚴重不對等的局面下，即便可以創造營收，也難以產生可觀的利潤。
何況當前AI落地的場景過于碎片化，不同用戶有著不同的需求，定制化的比例遠高于標準化的方案。結果就是，人工智能企業無法通過單點突破迅速收割市場，只能做完一個項目再做下一個項目，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：看起來營收在逐年增長，需要的研發投入也在逐年增加，最終還是沒有等來營收平衡的臨界點。
艾媒咨詢CEO張毅的觀點可謂相當有針對性：“目前人工智能企業在不斷地開拓新業務試圖拉高營收數據，但營收增長的同時，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。營業成本居高不下，營收回血跟不上燒錢速度，直接導致很多企業的現金流數據不容樂觀。”
這大抵也是AI獨角獸們頻頻沖刺IPO的誘因。早期的資本對研發上的高投入還比較寬容，可持續的虧損正在消磨資本的意志，在一級市場態度冷漠的局面下，抓住行業最后的窗口期上市，可以說是為數不多活下去的機會。
02 盈利暫時無解
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是個超級賽道，擁有巨大的市場前景。但是從AI四小龍的財務數據來看，AI應用落地仍然存在一定難度，營收不如預期，持續虧損。”
至于營收不如預期的原因，或許可以找到兩種解釋：
一是外部大環境的制約，像自動駕駛這樣能夠低成本復制的標準化產業，短期內很難規模化落地，而金融、安防、醫療等商業化比較成熟的領域，目前還沒有哪家AI獨角獸走出虧損的死胡同。
二是商業化變現的浮躁，很多技術創業公司會陷入閉門造車的困境，個中原因離不開創業者的“需求臆想癥”，即習慣性思考技術可以做出什么樣的產品，而非目標市場到底需要什么樣的產品。
一個直接的例子，曾經有一家制造業工廠尋求人工智能企業合作，但找了很多家都遭遇了碰壁，要么以需要硬件研發為由拒絕，要么坦陳對方的體量太小。也就折射了一個深層次的問題，盡管很多人工智能企業在積極尋找商業化變現的路徑，可聚焦到一線的銷售或商務身上，仍然苛求接大單。
其實這一現象并不難理解。算法、算力和數據是人工智能三個核心要素，但目前的普遍現狀在于，客戶的需求都是非標準化的，哪怕是最基礎的產品瑕疵檢測，也需要足夠的樣本數據進行算法模型訓練，而小樣本學習技術又面臨數據孤島、數據隱私保護等問題，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、芯片等占據核心地位且毛利高的產品掌握在自己手中，幫助其他企業牽線搭橋，嘗試將落地的環節交給上下游的合作伙伴。
商湯、曠視等獨角獸很早就成立了投資部門，思必馳、中科視拓等也和VC機構聯合成立了產業基金。目的正是通過投資上下游企業，打通商業化落地的閉環，那些被投的企業可以在場景落地、政府資源等方面彌補人工智能企業的不足。
秉持同樣理念的還有百度智能云，在2020年末推出了“云智生態計劃”，計劃在三年內扶植1萬家合作伙伴，并與其中200家建立重點扶持關系。意圖也是與合作伙伴相互集成，進而加速人工智能在各行各業的落地。
有些遺憾的是，諸如計算機視覺、智能語音等領域并沒有太大的技術壁壘，呈現出的態勢是技術的趨同，沒有哪家的技術絕對領先，即使是一些小的創業公司也能拿出和獨角獸們相似的解決方案，所謂的市場統治力也就無從談起。
IBM、甲骨文、SAP等企業的高分答卷，還人工智能賽道上還無法復制。
03 幾個可能方向
現代管理之父彼得?德魯克說過：“動蕩時代最大的危險不是動蕩本身，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：一是自身的成本太高，包括研發、人力、營銷、渠道，以及項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的路線，早已被證實缺少想象力。
想要走出當下的盈利困局，抑或說為企業找到新的增長空間和故事腳本，還需要繼續尋找可行的軌跡。目前市面上也出現了幾種流行方向：
比如對深度學習框架的角逐。作為人工智能時代的操作系統，開源深度學習框架的價值不言而喻。切換到商業化的視角上，開源深度學習框架無疑是不可或缺的生產力平臺，也是連接各行各業開發者的理想方式。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間問題。
然而目前國內過半的開發者還扎堆在TensorFlow和PyTorch，開發者生態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。或許意味著這個市場還存在很大的機會空間，同時也預示著國內開源生態的成熟還需要長時間的市場教育，短期內無法改變人工智能企業的盈虧。
再比如降低AI應用的成本。人工智能的最大問題并不是缺少應用場景，而是人工智能帶來的效率提升遠低于成本投入。很多企業找到了人工智能的場景，獲得了技術落地的價值提升，但沒有到達產出高于投入的臨界點。
除了寄希望于市場的逐漸成熟，一個重要的賽點在于降低技術的邊際成本，當邊際成本足夠低的時候，所有的問題都將迎刃而解。開源深度學習框架是一種可行路徑，SaaS服務可能是另一種可行路徑，即將算法模型以可復用的SaaS進行訂閱。
雖然輕量化的SaaS服務無法滿足客單價高的重型解決方案，卻也不失為一種創收手段。畢竟B端業務依舊是人工智能行業的營收大頭，可動輒半年以上的付款周期，嚴重限制了人工智能企業的資金流動，乃至成了人工智能規模化落地的另類桎梏，付費訂閱則巧妙地化解了里面的種種問題。
不管怎樣，從談概念、講技術到拼場景、搶落地，人工智能已經進入到了新的時間周期，繼續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。
同時需要明白的是，倘若人工智能的商業化由陰轉晴，大概率預示著進入門檻已經足夠低，勢必會吸引越來越多的玩家來搶食市場，戰況將前所未有的復雜，彼時等待人工智能企業應對的麻煩將只多不少。
04 寫在最后
人工智能曾經是下一個商業時代的觸點，引誘了一眾創業者和投資人，可最終也沒能跳出行業興衰的節奏。
答案或許就藏在第四范式創始人戴文淵的一句實話里：“現在幾乎沒有企業不用到AI的技術，但是如果說哪個企業把AI拿掉后活不下去，這樣的企業也很少。這是我們認為人工智能最大的挑戰，雖然有用，但是沒有特別大的用處。”
所有泡沫都有碎裂的時候，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價值和商業價值。
轉載請在文章開頭和結尾顯眼處標注：作者、出處和鏈接。不按規范轉載侵權必究。
未經授權嚴禁轉載，授權事宜請聯系作者本人，侵權必究。
本文禁止轉載，侵權必究。
授權事宜請至數英微信公眾號(ID: digitaling) 后臺授權，侵權必究。
評論
評論
推薦評論
暫無評論哦，快來評論一下吧！
全部評論（0條）