在很多人的观念中，认为与物联网、区块链、云计算等并称为新一代信息技术的AI是21世纪的新技术，或者是上世纪九十年代的技术。其实不然，相对计算机历史而言，AI其实是一门“古老”的技术。早在1956年，就有了人工智能的概念，但由于算力、算法等诸多原因，导致AI的发展几度停滞。

2016年3月，AlphaGo（阿尔法狗）与围棋世界冠军、职业九段棋手李世石进行围棋人机大战，以4比1的总比分获胜。自此，AI走进了中国大众的视野。机构数据显示，截至2021年底，中国泛人工智能公司有7362家。至今已经8年过去了，AlphaGo式的人工智能为什么在工作生活中几乎见不到？

下一个十年，AI要靠应用场景续命

在AI圈常听到一些名词，如深度学习、计算机视觉、神经网络、算法、参数、模型等，让人“不明觉厉”（即不明白但是觉得很厉害）。AI在资本市场也是大受青睐，机构数据显示，2021年，AI领域的融资金额将近4000亿元人民币。再看AI厂商创始团队背景，清一色世界名校硕博的学历背景，顶级大厂的中高层从业背景。

某AI厂商招了某某学术大牛、在顶级期刊上发表了论文、融了xx亿元……我们经常见到诸如此类的信息，但似乎没见过哪家AI厂商在营收和获利方面有所“炫耀”。不禁让人发出疑问：有多少家AI厂商是盈利的？有多少家AI厂商在靠融资活着？世界上存在一直靠融资活着的市场吗？

有两组数据分享给大家，一组是中国AI投融资历年交易时间和金额趋势，另一组是中国AI历年单笔融资平均金额。

图表1中国AI投融资历年交易时间和金额趋势

数据来源：IT桔子，图表2中国AI历年单笔融资平均金额（亿人民币）

数据来源：IT桔子

从表面上看，这两组数据体现出资本市场越来越看好AI，加大了投资力度，因此是利好AI市场的。

那么带着这样的想法再看一组数据：中国人工智能公司成立时间分布。

图表3中国人工智能公司成立时间分布

数据来源：IT桔子

这三组数据描述了一个现象：新成立的AI厂商数量锐减，但总体融资额和单笔融资额却在大幅上升。

透过现象看本质：越融金额越高的轮次和上市潮导致了这一现象，本质是AI市场可能正在经历最后的狂欢。在每年4000亿元人民币的投入下，我们不禁发出疑问：多大的回报才能满足资本市场的胃口？当前的市场表现对得起这4000亿元吗？如果不能满足资本市场的胃口，他们下一步的投资策略将会怎么调整？

浮在空中“烧钱“的AI厂商，是时候去”落地“挣钱了。在接下里的10年，AI厂商要想活下去，必须要找到盈利模式，也就是开拓应用场景。应用场景并非仅是主攻智慧交通、智慧农业、智慧金融这些应用型AI厂商需要面临的，做AI芯片、数据平台、算法、模型的平台型或基础型厂商同样如此。

海比研究院数据显示，“寻找应用场景“已经成为AI厂商眼中的头等大事。

图表4AI厂商战略目标分布情况（提及率）

数据来源：海比研究院

很多AI厂商意识到“寻找应用场景“已经迫在眉睫，但受限于四座大山，AI落地困难重重：

算力：贫穷限制了想象力。以AlphaGo为例，有数据显示，将其使用的TPU（类似与GPU的一种算法芯片）换算成市面上常见的消费级1080Ti，大约12000块，至少是千万级别的开支。面对高昂的算力成本，企业用户是否用得起呢？

算法：沉迷开源，无法自拔。浙江大学应用数学研究所所长孔德兴教授表示：我国人工智能产业的创新能力并没有传说中的那样强，事实是，产业发展过度依赖开源代码和现有数学模型，真正属于中国自己的东西并不多。开源代码是可以拿过来使用，但专业性、针对性不够，效果往往不能满足具体任务的实际要求。以图像识别为例，用开源代码开发出的AI即使可以准确识别人脸，但在对医学影像的识别上却难以达到临床要求。例如对肝脏病灶的识别，由于边界模糊、对比度低、器官黏连甚至重叠等困难，用开源代码很难做到精准识别。在三维重构、可视化等方面难以做到精准反应真实的解剖信息，甚至会出现误导等问题，这在医学应用上是“致命“的。

数据：巧妇难为无米之炊。AlphaGo是由海量高质量棋谱资源训练出来的，可在解决应用场景问题时，哪来那么多“高质量棋谱“呢？在量上，中国的数据交易市场尚处于探索初期，数据的所有权、交易机制、定价方式等方面存在大量待解决的问题；在质上，中国尚没有成熟的数据标记行业标准，很多数据”粗“到无法使用。近两年兴起的隐私计算，从理念上来看能解决一部分问题，可实际效果尚未有明显体现，AI厂商等得起它吗？

人才：缺乏高层次人才和复合型人才。高层次人才的主要流向是高薪的互联网大厂和有编制的科研院所，一般的AI厂商对其缺乏吸引力。至于既懂AI又懂行业的复合型人才则是缺乏培养机制，天然稀少。

在这四座大山下，AI厂商的很多模型无法落地。这是一个令人焦急的局面：随着时间的推移，模型的价值会一直流失，毕竟谁会拿十年前的AI模型来应用于当下的场景呢？

海比研究院调研显示，AI在很多应用场景已经有了解决方案，之所以没有普及，主要是因为厂商们没有去相互借鉴，而是更倾向事倍功半的自主探索。通过深挖背后的原因，海比研究院总结了三点原因：

不想学。AI厂商希望自主探索一些人迹罕见的区域，彰显自己的领先性。

学不到。没有强大的信息获取能力，想学但学不到。

学不会。没有强大的信息提取能力，想学但学不会。

海比研究院认为，归根结底，应用场景成功经验缺乏互通是影响AI生命力的重要阻碍。例如，近百家RPA厂商在财税银行领域“卷“，但他们大多不知道有的厂商已经找到了新应用场景，正在抢占蓝海红利？OCR厂商是否质疑过，这项技术难道只能应用于”文字识别提取场景“吗，是否有友商找到了新场景？

二、大考到来，四小龙还能红多久？

提到AI，很多人最先想到这六家厂商：百度、科大讯飞和AI四小龙。它们的情况各不相同，接下来逐一分析。

百度应该是偶像，而不应该是榜样。AllinAI的百度，它的勇气令人敬佩，其自主研发了集深度学习 核心框架、工具组件和服务平台为一体的PaddlePaddle，技术之深厚令人心向往之，它在无人驾驶方面的战略眼光令人称赞。但市场需要几家这样的AI厂商？百度可以作为偶像去崇拜，而不应该作为榜样去模仿。百度有广告、云计算等多项成熟业务，这些业务可以提供稳定的现金流来支撑百度在AI上的投入，其他AI厂商可以吗？百度可以将AI技术赋能自家的业务，相当于自带场景（从名字上可见一斑，百度智能云的名字在阿里云、华为云、腾讯云、京东云等云厂商中独具一格），其他AI厂商有吗？

科大讯飞是一个优秀榜样。科大讯飞在自然语言处理方面处于领先地位，并基于此找到了语音场景，在语音输入、翻译、转录等方面占据领先地位，并形成了稳定的收入与盈利，科大讯飞是一个成功寻找应用场景的优秀榜样。

AI四小龙-大考下的四家厂商。“四小龙“表示市场对这四家厂商的潜力非常看好，就好像人们习惯给某些表现聪颖的孩童冠以”神童“称号，但没有人能顶着一辈子的“神童”称号。人终归要长大，是长大成才还是“伤仲永“都有可能。如果在一定的时间内没有从”小龙“成长为”真龙“，一样会被时代的洪流裹挟而去。AI四小龙以及与之类似的厂商，正在集体冲刺上市，通过大笔的上市融资帮助他们度过关键的商业应用探索阶段。这对他们而言是一场大考，时间非常宝贵，毕竟每天高昂的各项开支一刻也不会停下。

在AI领域，理想的情况是开发产品，在边际成本很低的情况下实现快速复用。可事与愿违，很多AI厂商只能接到那些项目型单子，深度定制化的项目型单子会导致三个直接的恶果：

人力成本高。项目型单子对厂商人力是一个极大的挑战，会大幅拉升人力成本，影响盈利。在数智服务领域，人力成本往往是总成本的大头。

现金流不健康。周期长、回款慢的项目型单子会让AI厂商的现金流往不健康的方向发展。

经验积累机制缺乏。做产品，经验会沉淀到公司，效果会体现在产品上；做项目，经验会沉淀到个人，效果会体现在项目上。最终导致厂商极度依赖老员工，给公司的核心能力构建带来负面影响。

基于这种现实，很多AI厂商会高调宣传自身招了某某学术大牛、在顶级期刊上发表了论文，进行某种意义上的“扬长避短”。一个企业不强调商业层面的成绩，而一味强调学术层面的成绩，其背后可能是无奈之举。

三、没有应用场景的AI厂商将消逝在历史长河中

没有应用场景的滋养，技术就是无根的浮萍。

一个概念要想具有生命力，必须根植于社会层面。人工智能没有给民众和企业用户带来足够的体验，他们对人工智能耐心或许正在降低，给AI厂商的时间没有预想中那么充足了。

政府机构可能会越来越意识到“实验室“和”工厂“是两码事，这将间接导致社会资源的分配发生变化。实验室的故事就应该停留在实验室，不要把它放到工厂生产的背景下，让人产生混淆，毕竟从实验室到工厂的路远比想象中的遥远。在工业软件领域曾有过先例，设计仿真等工业软件始于上世纪八十年代，当时中国在实验室层面均开发出来相应的软件，这时中国和欧美等国家都处于初始阶段，实力相差不大。那么今天，中国在设计仿真等工业软件领域为什么处于”近乎缺位“的状态呢，根本原因就是那批软件几乎没有能顺利走出实验室的。AI领域应该吸取这个经验。

如果不做出改变，AI在狂欢过后将迎来洗牌阶段，没有场景的AI厂商将会消逝在历史长河中。在新技术、新概念层出不穷的数智服务领域，后浪推动着前浪，AI厂商应该居安思危。眼下的风光只是一时的，纵然有十几亿乃至几十亿的营收，一样面临被淘汰的可能性，毕竟没有厂商可以永远靠融资续命。

（瞭新社）