选择比努力重要,在AI行业更加明显

声明:本文来自于微信公众号 AI新智能(ID:alpAIworks),作者:举大名耳,授权站长之家转载发布。

技术只是起步的基础,商业模式才是王道。

在科技与商业相互交织的历史中,我们经常会看到一些技术大咖亲自上阵,担任企业CEO的例子,从苹果的乔布斯,到Mdjourney的David Holz,再到OpenAI的Sam Altman,都是如此。

这些心怀理想,又天马行空的技术狂人,时常能用自己过人的创造力,为企业带来巨大的成就。

然而,令人唏嘘的是,并非所有狂热的技术理想,最后都能造就行业佳话。

一旦这些偏执的技术追求,不慎决策错误,曾经傲人的天才,也难免会落入狼狈的境地。

第四范式的CEO戴文渊,就是这样一个例子。

说起今天的第四范式,业内除了叹息,还是叹息。

4年亏损近50亿,三次IPO失败……

很多人不明白,这个有着红杉、腾讯、创新工厂等众多明星资本站台,且技术实力雄厚的行业独角兽,为何会陷入今天的困境。

其实,第四范式的命运,从CEO戴文渊决定专攻决策类AI的那一刻,就已经决定了。

1

选择的路径

在AI技术路径的难易度上,决策类AI的研发难度,要远超较为普遍的认知类AI。

这是因为决策类AI需要解决的问题更加复杂和动态,涉及到更多的逻辑推理、策略选择、效果评估等环节,而不是简单地识别、理解或生成数据。

既然如此,那第四范式为什么偏要选择这条崎岖的“险路”呢?这恐怕和戴文渊不凡的经历有关。

身为科学天才的戴文渊,不仅曾获得过ACM国际大学生程序设计竞赛世界冠军,而且还有幸认识了华人界首位国际AI协会院士杨强,并成为了其学生。

2015年,戴文渊创立了第四范式,开始了AI领域设计应用的探索。

一开始,雄心勃勃的戴文渊想一步到位,给所有的AI公司设计一个集成工具。

具体来说,第四范式在2015年推出了一个名为“AI Studio”的产品,旨在为AI开发者提供一个在线的集成开发环境(IDE)。

这个产品并没有得到市场的认可和响应。

一方面,当时的AI开发者还不够多,对于这样一个高级的工具产品,并没有太大的需求。另一方面,第四范式也没有足够的资源和能力来维护和更新这个产品。

经过了一年的运营,AI Studio项目最终不了了之。

在这次挫败之后,心有不甘的戴文渊,在自己之前研究成果的基础上,带领团队做出了一个号称是划时代的学习系统——先知。

之所以号称“划时代”,是因为它通过大规模分布式机器学习框架GDBT,让深度学习变得像玩乐高一样简单,只要拼接数据和算法,就可以轻松构建和部署高性能的AI应用。

产品做出来之后,一个重要的问题,就是寻找可落地的场景。

经过一番摸索之后,戴文渊决定选择决策类AI这个赛道,因为在当时,决策类AI还是垂直细分市的一片蓝海。

在AI1.0时代,许多大型企业,由于面临着复杂的业务环境、多元的业务模式,都亟需一种管理决策平台,来提升管理效率,帮助自身实现数字化转型。

例如,制造业需要对生产流程进行分析、优化;各大零售商也需要智能化的手段,预测销量制定精准营销策略。

戴文渊当时的团队,在AutoML、迁移学习、强化学习、大规模分布式优化等方面都有着领先的技术优势,曾获得过数百项专利。

这些积累,正好与决策类AI的技术路径不谋而合。

虽然这是条竞争较少,却难度较高的赛道,但凭借过人的技术实力,在短短几年内,第四范式就发展出了几十个大型客户。甚至包括了中石油、中石化、五大行等大型国有企业。

其在2020年推出的SageOne软件定义一体化解决方案,更是打破了传统机器学习的维度限制,同时可以支持万亿维特征处理,让决策类AI能够处理更复杂、更高维的数据。

然而,短暂的风光之后,各种问题却一一显现。

2

定制化之累

诚然,背靠大客户可以让第四范式拥有更高的客单价,在较少数量但更为稳定的客户中实现更大的收入。

但在另一方面,决策类AI“非通用”的特点,也造成了其一步步迈向亏损深渊的命运。

具体来说,决策类AI的特性,决定了其需与企业的具体业务、场景深度绑定,因为不同的决策问题往往有不同的目标、约束、数据、环境等。

举例来说,假设一家物流公司,想对自身的总行驶距离和总成本进行优化,那它就必须考虑到自身配送中心的数量、以及自身货车的车型、以及不同客户的优先级等等。

这些非标准、差异巨大的需求,导致了决策类AI很难用一个通用的平台,找到对所有问题一刀切的解决策略。

这就造成了第四范式需要不断针对不同的客户,进行定制化项目的研发,进而使其研发成本变得愈发高昂。

2019-2022年上半年,第四范式研发支出之中的技术服务费占比分别为30.7%、51.2%、67.3%与74.3%,占比持续增加。

更令人头疼的是,每一次高昂的定制化研发成果,却很难复用在未来的其他项目或产品上,这就造成了其研发成本无法在业务上进行摊薄。

除了定制化的研发成本之外,困难的落地化过程,也在某种程度上阻碍了第四范式盈利水平的增长。

因为第四范式提供的决策类AI平台,实际上是一种底层的技术能力,而不是单点的解决方案。客户很难直接使用,还需要根据具体业务场景和数据特点,进行定制化的开发和部署。

这就意味着,客户还需要额外花钱找技术公司来帮忙落地。

如第四范式的Sage HyperCycle自动决策类机器学习平台,Sage AIOS企业级AI操作系统,都不是一种现成的AI产品,而是一种可以根据客户需求进行定制和适配的AI平台。

在具体的部署过程中,用户不仅需要了解这些平台上,诸如深度学习、强化学习等多种算法的理论,还需要具备一定的数据处理和特征工程的技能,来对自身数据进行进行清洗、预处理和特征选择等操作。

如果没有相应的专业能力,只会让人直呼头大。

如果将AI技术落地化的过程,比喻成买车,那么百度、腾讯、阿里等巨头的做法,要么是直接造好一辆车,让客户根据不同的需求进行选择(如腾讯的大模型商店);

要么是提供简便易用的造车平台(如百度飞浆),让用户按照自己的想法造车;

而第四范式的提供的,仅仅是一个定制化的汽车的“引擎”。

用户还需要根据自己的用途和场景,去设计和制造车身、底盘、轮胎、刹车等。这些工作不仅需要花费很多时间和精力,还需要有专业的技术知识和经验。

而所有这一切,都无形中增加了企业的使用成本,和产品的落地化难度。

3

正确的“错路”

除了高昂的研发成本、困难的落地过程之外,以大客户为主的业务模式,也造成了第四范式盈利方式上的“不灵活”。

根据IDC的统计数据,使用AI进行决策支持的企业中,有超过60%是大型企业,(年收入超过10亿美元)。

这是因为,大企业的业务,往往会涉及更多的数据、变量、场景、目标等,需要更高的决策效率和质量。

从这点上来看,第四范式选择以大企业、大客户为主要服务对象,也是件情理之中的事。

可问题是,这些大客户的需求更加复杂和多样,且与之建立信任的周期很长,在售前环节,1-2年打入供应商体系是常态;售中环节,打标竞标流程漫长,半年是常态;

因此第四范式需要投入更多的人力和资源来进行沟通、维护等工作。这就造成了其“营销费”的逐年走高。也就是业内所说的获客成本过高。

2019-2021年,第四范式在营销上的开支,在总收入的占比达29.56%、26.32%、22.54%。

其次,由于大企业在回款方面,往往有着复杂的手续,与繁琐的流程,导致第四范式的应收账款周转率低,资金回流缓慢。

从账期看,2021年第四范式有52.3%的款账期小于3个月,有28%的款账期在3-6个月,有15.5%的款账期在6个月—1年。

这样的情况,也使得第四范式的营收能力受到了限制,难以实现规模化增长。

面对上述的各种窘境,第四范式不是没有尝试过改变,例如其也尝试过在给大客户定制的功能中,集合成一些通用的模块,并导入自家的“先知”系统。

但这样的“通用”模块,只是一些较为表层的数据处理、模型训练模块,在面对不同类型的任务、场景时,仍然难以摆脱定制化的调整和研发。

用一个比喻来说,第四范式的定制化研发,就像是为每个客户量身定做一套衣服。通用模块,就像是一些基本的布料、纽扣、拉链等材料,可以在不同的衣服中复用。

然而,每个客户的身材、喜好、场合等都可能不同,所以即使有了通用模块,也需要根据客户的需求进行二次的设计和裁剪,才能做出合适的衣服。

纵观第四范式的决策类AI之路,我们可以发现,第四范式确实是走了一条正确的“错路”。

因为技术的扩张与传播,与生物体的繁衍一样,只有具备与更多环境的兼容性,才能使自身得到最大限度的延续和传承。

这样的例子,在科技发展过程中屡见不鲜。

20世纪80年代,苹果用一款名为Macintosh的个人电脑,打败了IBM体积庞大、价格昂贵的计算机。

通过图形用户界面和鼠标输入设备,计算机变成了任何普通人都能使用的工具,而非只有专业的程序员才能操作的机器。

同样地,在GPU领域的竞争中,英伟达之所以会成为当今AI领域的“基建之王”,也是由于其提供了丰富的GPU软件平台和工具,如CUDA、TensorRT、NVIDIA AI Enterprise等,帮助开发者和企业快速构建和部署AI应用。

如果说,第四范式在自身的发展过程中,真的做错了什么,那就错在其违背了这样一种普适化、泛用化的技术演化路径。

其研发的“先知”系统,难以找到将所有行业通用化、平台化的能力和工具,

而倘若不能通用化的系统取代定制化的服务,其臃肿的研发团队,高昂的研发经费,就必须一直维持下去,未来第四范式盈利的路途,也很难看到曙光。

您可能还喜欢...

发表回复

您的电子邮箱地址不会被公开。 必填项已用 * 标注