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？
01 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。
02 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。
03 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**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。
