首页科技快讯抱歉，AI还回答不了盈利问题

抱歉，AI还回答不了盈利问题

来源：晰数塔互联网快讯时间：2021年08月18日 19:41

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。