为何AI企业盈利问题还无解？

    第四范式也向港股发起了冲刺。
    IPO招股书披露的一连串数据中,话题性最强的依然是亏损情况。2018年到2020年期间,第四范式分别亏损3．72亿元、7．18亿元、7．5亿元,2021年上半年的亏损则进一步扩大为11．87亿元。过去三年半的时间里,第四范式已经烧掉30．72亿元。
    这样一组数据似乎并不让人感到诧异。旷视、云知声、依图、云从科技等几乎所有想要走向二级资本市场的AI独角兽,都交出了一份亏损数十亿元的成绩单,而盈利就像是一个“魔咒”被施加在所有玩家身上。
    当亏损成为所有人工智能企业的“通病”,曾经的明星创业者逐渐失宠,第四范式们是否还有破局的机会?
    01 拿步枪打苍蝇
    海康威视总裁胡扬忠曾在媒体采访中,这般形容安防领域的野蛮人:“以通讯行业为例,其运营和销售成本比安防高很多,所以用高成本的人力去跑安防,就像拿步枪打苍蝇一样,投入与产出是非常不匹配的。”
    看似是对科技巨头插足安防市场的“怒怼”,可“拿步枪打苍蝇”的比喻巧妙的道出了人工智能企业亏损的根源。
    正如两年前被无数人鼓吹的AI人才短缺,掀起了一场轰轰烈烈的抢人大战。为了掌握前沿技术的主动权,科技巨头和创业公司都在组建自己的科学家团队,博士人才的年薪迅速被炒高的百万级别。商汤科技的创始人徐立就曾在公开场合透露,公司成立之初就将大约一半的资金用在了人才招聘上。
    算法和人才也随即成为资本下注的主要因素,“投人工智能要先投科学家”成了创投圈的隐性共识,以至于出现了顶级AI科学家在不同创业公司间来回转场的一幕。或许硬科技的天然特征就是烧钱研发,由于研发难度大技术链条长,短期内无法盈利甚至持续亏损都是行业的普遍现象。
    但技术实力不等于变现能力,在年薪百万的博士工程师跑到工厂写代码的那一刻,就注定了人工智能的悲情角色。
    大多数人工智能企业的人才结构都有些畸形,懂算法、懂理论的博士,却不懂产业痛点和既有规则,让他们下沉到工厂这样的场景里解决问题,性价比自然比不上海康威视等企业用一群本科生塑造的铁军。在人力成本严重不对等的局面下,即便可以创造营收,也难以产生可观的利润。
    何况当前AI落地的场景过于碎片化,不同用户有着不同的需求,定制化的比例远高于标准化的方案。结果就是,人工智能企业无法通过单点突破迅速收割市场,只能做完一个项目再做下一个项目,在定制化、成本高、利润低等不利因素的制约下,亏损也就成了一种难以避免的常态:看起来营收在逐年增长,需要的研发投入也在逐年增加,最终还是没有等来营收平衡的临界点。
    艾媒咨询CEO张毅的观点可谓相当有针对性:“目前人工智能企业在不断地开拓新业务试图拉高营收数据,但营收增长的同时,利润却没有得到同步增长,也就意味着营收带有一定的泡沫。营业成本居高不下,营收回血跟不上烧钱速度,直接导致很多企业的现金流数据不容乐观。”
    这大抵也是AI独角兽们频频冲刺IPO的诱因。早期的资本对研发上的高投入还比较宽容,可持续的亏损正在消磨资本的意志,在一级市场态度冷漠的局面下,抓住行业最后的窗口期上市,可以说是为数不多活下去的机会。
    02 盈利暂时无解
    麦吉洛咨询资深分析师司马秋曾表示,“从营收的角度来看,AI是个超级赛道,拥有巨大的市场前景。但是从AI四小龙的财务数据来看,AI应用落地仍然存在一定难度,营收不如预期,持续亏损。”
    至于营收不如预期的原因,或许可以找到两种解释:
    一是外部大环境的制约,像自动驾驶这样能够低成本复制的标准化产业,短期内很难规模化落地,而金融、安防、医疗等商业化比较成熟的领域,目前还没有哪家AI独角兽走出亏损的死胡同。
    二是商业化变现的浮躁,很多技术创业公司会陷入闭门造车的困境,个中原因离不开创业者的“需求臆想症”,即习惯性思考技术可以做出什么样的产品,而非目标市场到底需要什么样的产品。
    一个直接的例子,曾经有一家制造业工厂寻求人工智能企业合作,但找了很多家都遭遇了碰壁,要么以需要硬件研发为由拒绝,要么坦陈对方的体量太小。也就折射了一个深层次的问题,尽管很多人工智能企业在积极寻找商业化变现的路径,可聚焦到一线的销售或商务身上,仍然苛求接大单。
    其实这一现象并不难理解。算法、算力和数据是人工智能三个核心要素,但目前的普遍现状在于,客户的需求都是非标准化的,哪怕是最基础的产品瑕疵检测,也需要足够的样本数据进行算法模型训练,而小样本学习技术又面临数据孤岛、数据隐私保护等问题,落地的潜在成本可想而知。
    为了解决类似的命题,一种流行的思路是像IBM那样控制“中间件”,比如将算法、芯片等占据核心地位且毛利高的产品掌握在自己手中,帮助其他企业牵线搭桥,尝试将落地的环节交给上下游的合作伙伴。
    商汤、旷视等独角兽很早就成立了投资部门,思必驰、中科视拓等也和VC机构联合成立了产业基金。目的正是通过投资上下游企业,打通商业化落地的闭环,那些被投的企业可以在场景落地、政府资源等方面弥补人工智能企业的不足。
    秉持同样理念的还有百度智能云,在2020年末推出了“云智生态计划”,计划在三年内扶植1万家合作伙伴,并与其中200家建立重点扶持关系。意图也是与合作伙伴相互集成,进而加速人工智能在各行各业的落地。
    有些遗憾的是,诸如计算机视觉、智能语音等领域并没有太大的技术壁垒,呈现出的态势是技术的趋同,没有哪家的技术绝对领先,即使是一些小的创业公司也能拿出和独角兽们相似的解决方案,所谓的市场统治力也就无从谈起。
    IBM、甲骨文、SAP等企业的高分答卷,还人工智能赛道上还无法复制。
    03 几个可能方向
    现代管理之父彼得?德鲁克说过:“动荡时代最大的危险不是动荡本身,而是仍然用过去的逻辑做事。”
    同样的道理俨然适用于人工智能,巨额亏损的原因无外乎两点:一是自身的成本太高,包括研发、人力、营销、渠道,以及项目落地过程中的隐形成本;二是盈利跟不上,按照固有的模式输出技术的路线,早已被证实缺少想象力。
    想要走出当下的盈利困局,抑或说为企业找到新的增长空间和故事脚本,还需要继续寻找可行的轨迹。目前市面上也出现了几种流行方向:
    比如对深度学习框架的角逐。作为人工智能时代的操作系统,开源深度学习框架的价值不言而喻。切换到商业化的视角上,开源深度学习框架无疑是不可或缺的生产力平台,也是连接各行各业开发者的理想方式。一旦可以在上游解决算法门槛,人工智能的落地剩下的就只是时间问题。
    然而目前国内过半的开发者还扎堆在TensorFlow和PyTorch,开发者生态比较成熟的仅有百度飞桨,华为MindSpore、旷视天元、一流科技的OneFlow等才刚刚起步。或许意味着这个市场还存在很大的机会空间,同时也预示着国内开源生态的成熟还需要长时间的市场教育,短期内无法改变人工智能企业的盈亏。
    再比如降低AI应用的成本。人工智能的最大问题并不是缺少应用场景,而是人工智能带来的效率提升远低于成本投入。很多企业找到了人工智能的场景,获得了技术落地的价值提升,但没有到达产出高于投入的临界点。
    除了寄希望于市场的逐渐成熟,一个重要的赛点在于降低技术的边际成本,当边际成本足够低的时候,所有的问题都将迎刃而解。开源深度学习框架是一种可行路径,SaaS服务可能是另一种可行路径,即将算法模型以可复用的SaaS进行订阅。
    虽然轻量化的SaaS服务无法满足客单价高的重型解决方案,却也不失为一种创收手段。毕竟B端业务依旧是人工智能行业的营收大头,可动辄半年以上的付款周期,严重限制了人工智能企业的资金流动,乃至成了人工智能规模化落地的另类桎梏,付费订阅则巧妙地化解了里面的种种问题。
    不管怎样,从谈概念、讲技术到拼场景、抢落地,人工智能已经进入到了新的时间周期,继续沿用旧有的套路和范式,恐怕很难再让资本市场买单,一起起IPO失败的惨烈案例,何尝不是最直接的教训。
    同时需要明白的是,倘若人工智能的商业化由阴转晴,大概率预示着进入门槛已经足够低,势必会吸引越来越多的玩家来抢食市场,战况将前所未有的复杂,彼时等待人工智能企业应对的麻烦将只多不少。
    04 写在最后
    人工智能曾经是下一个商业时代的触点,引诱了一众创业者和投资人,可最终也没能跳出行业兴衰的节奏。
    答案或许就藏在第四范式创始人戴文渊的一句实话里:“现在几乎没有企业不用到AI的技术,但是如果说哪个企业把AI拿掉后活不下去,这样的企业也很少。这是我们认为人工智能最大的挑战,虽然有用,但是没有特别大的用处。”
    所有泡沫都有碎裂的时候,人工智能的浪潮也没有例外,却也让人们越来越理性思考人工智能的技术价值和商业价值。