AI大退卻的始末緣由，AI的寒冬真的來了嗎

2018年，恨不得每個人都想到AI行業(yè)來。等到2022年，這件事可能就要被打上一個大大的問號。

不久之前，美國招聘平臺Dice發(fā)布的數(shù)據(jù)報告顯示，2021年美國人工智能相關(guān)崗位出現(xiàn)了大幅度的薪資下降。機器學習、自然語言處理和人工智能這三領(lǐng)域的薪資分別降低了2.1%、7.8%和8.9%，降幅超過11739美元。這是從深度學習引發(fā)AI熱潮之后美國AI行業(yè)首次全面降薪。而如果大家關(guān)注AI行業(yè)與AI崗位，會發(fā)現(xiàn)類似事件早已在中國AI領(lǐng)域蔓延了出來。

從2019年下半年開始，似乎隔三岔五就能聽到某家AI公司，或者一些互聯(lián)網(wǎng)大廠AI部門傳來“壞消息”。降薪，加班嚴重，上市困難，大牛出走，等等不一而足。2021下半年，各大AI公司開始頻繁出現(xiàn)裁員和裁撤AI部門的傳聞。對比幾年前互聯(lián)網(wǎng)公司裁員，AI瘋狂吸納人才的情況，讓人不免唏噓。

究竟是AI泡沫破裂，價值回歸，還是歷史上的“AI寒冬”卷土重來？

中國科技市場正在上演，并大概率持續(xù)發(fā)酵的AI大退卻，它的真實內(nèi)核究竟是什么？

各種不順的AI，寒冬真的來了嗎？

從1951年達特茅斯會議開始算起，AI的發(fā)展歷史上經(jīng)歷過兩次著名的“寒冬”。這兩次事件給AI產(chǎn)業(yè)帶來的影響甚至可以說是毀滅性的。所以當AI技術(shù)又一次出現(xiàn)問題時，人們的第一反應(yīng)就是，寒冬是否又一次降臨了？

而從這兩年國內(nèi)AI行業(yè)的發(fā)展情況來看，原本烈火烹油的發(fā)展勢頭確實遭遇了諸多“水逆”。首先我們能看到當初由學界投身產(chǎn)業(yè)界的各位AI大神，開始重新思考發(fā)展計劃。

2019年，騰訊AI Lab主任張潼離職加盟創(chuàng)新工場，出任港科大和創(chuàng)新工場聯(lián)合實驗室主任，并兼任科研合伙人。2020年7月，曠視南京研究院創(chuàng)始院長魏秀參離職。緊接著，字節(jié)跳動副總裁、AI Lab主任馬維英離職，加入清華大學智能產(chǎn)業(yè)研究院。

進入到2021年，產(chǎn)業(yè)界的AI專家與技術(shù)領(lǐng)軍者加快了重回學界，或者投身創(chuàng)業(yè)的腳步。2021年8月，字節(jié)跳動AI Lab總監(jiān)李磊離職，加入加州大學圣巴巴拉分校。11月，螞蟻金服原副總裁兼首席數(shù)據(jù)科學家漆遠加盟復旦大學，擔任復旦人工智能創(chuàng)新與產(chǎn)業(yè)研究院院長。

伴隨著學界人才回歸，曾經(jīng)備受資本熱捧的AI公司也陸續(xù)出現(xiàn)麻煩。首當其沖，松鼠AI，比特大陸這樣充滿爭議的AI公司出現(xiàn)問題，爆出各種裁員、降薪的“瓜”。而AI四小龍這樣的公司，也在資本與效益的漩渦中掙扎。加班、降薪，上市困難，上市后頻繁被問詢等問題連續(xù)出現(xiàn)。外界對這類公司持續(xù)走高的研發(fā)投入和艱難開拓的商業(yè)市場充斥著懷疑。

接下來，互聯(lián)網(wǎng)大廠的AI項目也受到了影響，行業(yè)普遍的高薪神話開始破滅。伴隨著AI項目收益少，做AI上升前景渺茫等爭議，不少互聯(lián)網(wǎng)大廠開始出現(xiàn)了收縮AI項目，對AI部門進行裁員的消息。

然而在一片壞消息的開始出現(xiàn)的同時，國內(nèi)AI市場的框架競賽、大模型競賽接連浮出水面。AI與垂直行業(yè)結(jié)合的方法逐漸豐富了起來，全視覺自動駕駛、生物計算等新興AI機遇開始受到關(guān)注。

與歷史上的“AI寒冬”不同，今天中國AI行業(yè)面對的更多是效益低下問題，部分人才和企業(yè)和資本逐漸失去了耐心，選擇了退出這場燒錢競賽。而歷史上的AI寒冬，更多表現(xiàn)為對AI階段性核心技術(shù)路線的徹底否定，以及新的技術(shù)機遇將AI排擠出主流視野。前者表現(xiàn)為1973年《萊特希爾報告》的發(fā)布，后者代表是PC淘汰了專家計算機路線。

既然與真正意義上的“AI寒冬”有所不同，那么今天中國AI產(chǎn)業(yè)表現(xiàn)出的退卻和不順利，內(nèi)核究竟是什么？

核心癥結(jié)，在于算法經(jīng)濟的失效

既然今天的情況是，有的企業(yè)AI發(fā)展不順，裁員降薪，有的發(fā)展還算順利，依舊在持續(xù)進行產(chǎn)品技術(shù)升級；很多AI大牛選擇及時止損，回歸學界，但也有很多學界投身產(chǎn)業(yè)的人才發(fā)展順利，并且依舊有人繼續(xù)加入。那么就需要分析一下，究竟是什么造成了AI行業(yè)“進”與“退”的同步出現(xiàn)。

仔細看看會發(fā)現(xiàn)，出現(xiàn)“水逆”的AI公司或者項目，大概分為三類：

1.以人臉識別、機器視覺、語音識別這類基礎(chǔ)AI算法為業(yè)務(wù)核心的算法公司，在安防市場飽和、政府訂單接近瓶頸時失去了商業(yè)活力。

2.互聯(lián)網(wǎng)公司的AI部門，本質(zhì)是用AI能力服務(wù)自己的產(chǎn)品體系，順便還想將AI變現(xiàn)。但缺乏B端的開拓性技術(shù)和能力，基本盤是想從算法公司那里搶生意。

3.把AI當作噱頭的一些公司，比如AI挖礦，AI教育，AI健身。這類公司也吸納了不少AI人才，在AI無法引起資本興趣后大概率草草收場。

這三類企業(yè)的共同點，在于他們的商品和賣點都集中在AI算法。算法當然是AI的核心，但卻不能是AI的全貌?；A(chǔ)的語音、語義與機器視覺算法種類并不多，能夠解決的大體是比較基礎(chǔ)的識別問題。這類AI算法確實可以滿足C端和B端場景中的一些需求，比如城市安防與公共交通系統(tǒng)中的人臉識別，卻無法滿足企業(yè)對“智能”的差異化需求。

當提供基礎(chǔ)AI算法的企業(yè)越來越多，簡單算法能夠滿足的市場不斷飽和，這種算法經(jīng)濟也將快速枯竭。幾年時間里，AI算法調(diào)用從幾毛錢一次下降到了幾分錢，進一步變成了算法白送，支付流量費用就行。當算法變得越發(fā)廉價而充沛，不再是稀缺產(chǎn)品，依舊把產(chǎn)業(yè)重心放在算法上的企業(yè)也就陷入了困境。

當然，我們可以看到每家AI企業(yè)在今天都絕不僅僅提供基礎(chǔ)算法，而是有花樣繁復的產(chǎn)品架構(gòu)和技術(shù)思路。但讓這些技術(shù)從PPT中走下來，變成真正的企業(yè)服務(wù)市場份額，期間需要跨過的門檻非常之多。

當算法經(jīng)濟逐漸失效，企業(yè)又沒有成本、決心和能力走向差異化、定制化，解決方案式交付的企業(yè)市場，當然就只能收縮AI業(yè)務(wù)，至少可以不再負擔AI人才的高職與高薪。

換句話說，AI正在經(jīng)歷的后退，不是AI沒用了，而是一大部分AI企業(yè)賣的東西太簡單了。提到智慧城市永遠都是安防，提到工業(yè)恒久不變的是質(zhì)檢，提到互聯(lián)網(wǎng)就是美顏和語音助手、智能推薦。這些場景都缺乏發(fā)展縱深，已經(jīng)出現(xiàn)供給飽和，難以形成進一步發(fā)展的動力。有人說AI行業(yè)是PPT天下無敵，demo差強人意，走到市場賠光家底。如果不能把AI變成高溢價的軟件產(chǎn)品與服務(wù)，那么確實很可能如此。

這也是為什么，我們?nèi)缃窈苌倏吹紸I基礎(chǔ)算法的更新，卻依舊能看到AI產(chǎn)品層面的升級。大模型、開發(fā)框架、求解器、簡單機器學習，這些平臺都指向一個方向：逃離算法經(jīng)濟，走向標準化的高溢價軟件。

AI問題，本質(zhì)是成本問題

或許有人會說，我們能看到AI企業(yè)跟各個行業(yè)的結(jié)合啊，有那么多非常精彩的案例，怎么能說AI公司始終停留在賣算法呢？

確實如此，如果只看發(fā)布會和PPT的話，AI與行業(yè)，與企業(yè)市場的融合可謂豐富多彩。其中每個案例帶來的價值，如果放到全國或者全球的行業(yè)市場存量中，都是蔚為大觀的市場份額。

可問題是，AI企業(yè)究竟是用了多大的成本完成了這些案例？它們真的具有可復制性嗎？

這就是AI目前階段最大的問題，技術(shù)服務(wù)商在脫離簡單低價的算法經(jīng)濟，擁抱高溢價的行業(yè)市場時，本身將面臨巨大的綜合成本。

首先，AI的最大成本依舊是人才成本。目前很多相對溢價較高的AI項目，都需要技術(shù)提供商調(diào)動大量專家進行現(xiàn)場，支持甚至長期駐場。很多簡單的參數(shù)調(diào)優(yōu)都需要博士級別的人才來完成。這些人才首先薪資極高，同時本質(zhì)上更像學者而非一線工程師。他們來到行業(yè)一線有著巨大的溝通成本。如果長期依靠高水準人才的堆積來實現(xiàn)案例成功，那么AI不可能規(guī)?；瘡椭?。

另一方面，定制化的AI模型也需要更復雜的訓練環(huán)境和更長的訓練周期。這牽扯出高昂的AI硬件成本。目前，訓練一個相對復雜的機器視覺模型，往往需要大量GPU進行數(shù)月甚至一年的訓練。其硬件租賃成本就可能達到幾百萬，甚至上千萬美元。這樣的硬件成本無論是技術(shù)服務(wù)商還是最終用戶都難以負擔。

AI的另一項成本壓力，來自效益回報的模糊性。大部分AI企業(yè)和業(yè)務(wù)部，都是技術(shù)為主，缺乏企業(yè)市場服務(wù)經(jīng)驗。因此很難判斷哪個行業(yè)，哪種產(chǎn)品能夠帶來準確的市場回饋。因此經(jīng)常出現(xiàn)大量試錯成本，以及內(nèi)部的市場關(guān)系內(nèi)卷內(nèi)耗，繼而導致大量成本浪費在對市場的模糊認知中。

AI企業(yè)不可能長期忍受一位AI大牛帶著十幾位博士，用數(shù)月時間才解決了某家企業(yè)的AI需求。只有把開發(fā)成本降低，實現(xiàn)服務(wù)標準化、行業(yè)案例可復用，AI作為一種企業(yè)服務(wù)技術(shù)才真正有市場可言。預訓練大模型一次訓練，多次復用的邏輯；模型開發(fā)平臺的簡單化自動化，都是為了以產(chǎn)品能力實現(xiàn)成本降低的目標。

從目前情況來看，AI依舊是新一輪技術(shù)變革中最具確定性的核心技術(shù)。但想要讓它煥發(fā)價值，企業(yè)首先要能夠跑贏成本壓力。而這場與成本賽跑的過程中，必定要倒下眾多企業(yè)，吹破無數(shù)泡沫。美國企業(yè)在上世紀八九十年代完成了全球IT軟件的商業(yè)收割，當時也是重度投入，群雄混戰(zhàn)，最后大規(guī)模洗牌。在中國企業(yè)搶占AI時代的軟件基座的戰(zhàn)略空間中，也必須沖破層層成本障礙。而最后一定是寡頭作為底層平臺活下來。

與成本賽跑的輸贏，取決于AI企業(yè)的三重要素：

1.有沒有錢來持續(xù)投入，中小型公司會直接困死在這一步。降薪裁員等問題也多由此而引發(fā)。

2.有沒有意愿持續(xù)投入。這種意愿包括成本意愿和市場意愿。把一門新技術(shù)帶到具體行業(yè)是件很難的事，甚至將會完全改變了企業(yè)原本的業(yè)務(wù)性質(zhì)和工作習慣，期間必然有諸多困難。華為成立行業(yè)軍團需要從最高層進行垂直指揮，就是為了降低這件事的意愿成本。

3.能不能找到技術(shù)方法，對AI的持續(xù)投入，前提是企業(yè)需要明確到底在什么情況下能看到市場轉(zhuǎn)機，而這就需要技術(shù)能力強大，技術(shù)路徑.準確。大模型，AI與知識結(jié)合，深度學習框架的工具化，是目前最具代表性的三條產(chǎn)品化之路。

當時間來到2022年，我們能看到很多優(yōu)秀的AI產(chǎn)品和AI技術(shù)思路持續(xù)迸發(fā)，同時也看到吃老本的AI企業(yè)與業(yè)務(wù)部門正在退卻。

漲潮的時候，大家都只想盡快把船放到水里。

潮漲潮退之間，船才有前進的可能。

我們看到AI企業(yè)的退卻，或許才是AI行業(yè)的前進。

審核編輯：符乾江