企业|裁员，降薪，大牛出走：AI大退却的始末缘由( 二 )

文章插图
3.把AI当作噱头的一些公司，比如AI挖矿，AI教育，AI健身。这类公司也吸纳了不少AI人才，在AI无法引起资本兴趣后大概率草草收场。
这三类企业的共同点，在于他们的商品和卖点都集中在AI算法。算法当然是AI的核心，但却不能是AI的全貌。基础的语音、语义与机器视觉算法种类并不多，能够解决的大体是比较基础的识别问题。这类AI算法确实可以满足C端和B端场景中的一些需求，比如城市安防与公共交通系统中的人脸识别，却无法满足企业对“智能”的差异化需求。
当提供基础AI算法的企业越来越多，简单算法能够满足的市场不断饱和，这种算法经济也将快速枯竭。几年时间里，AI算法调用从几毛钱一次下降到了几分钱，进一步变成了算法白送，支付流量费用就行。当算法变得越发廉价而充沛，不再是稀缺产品，依旧把产业重心放在算法上的企业也就陷入了困境。
当然，我们可以看到每家AI企业在今天都绝不仅仅提供基础算法，而是有花样繁复的产品架构和技术思路。但让这些技术从PPT中走下来，变成真正的企业服务市场份额，期间需要跨过的门槛非常之多。
当算法经济逐渐失效，企业又没有成本、决心和能力走向差异化、定制化，解决方案式交付的企业市场，当然就只能收缩AI业务，至少可以不再负担AI人才的高职与高薪。

文章插图
换句话说，AI正在经历的后退，不是AI没用了，而是一大部分AI企业卖的东西太简单了。提到智慧城市永远都是安防，提到工业恒久不变的是质检，提到互联网就是美颜和语音助手、智能推荐。这些场景都缺乏发展纵深，已经出现供给饱和，难以形成进一步发展的动力。有人说AI行业是PPT天下无敌，demo差强人意，走到市场赔光家底。如果不能把AI变成高溢价的软件产品与服务，那么确实很可能如此。
这也是为什么，我们如今很少看到AI基础算法的更新，却依旧能看到AI产品层面的升级。大模型、开发框架、求解器、简单机器学习，这些平台都指向一个方向：逃离算法经济，走向标准化的高溢价软件。
AI问题，本质是成本问题或许有人会说，我们能看到AI企业跟各个行业的结合啊，有那么多非常精彩的案例，怎么能说AI公司始终停留在卖算法呢？
确实如此，如果只看发布会和PPT的话，AI与行业，与企业市场的融合可谓丰富多彩。其中每个案例带来的价值，如果放到全国或者全球的行业市场存量中，都是蔚为大观的市场份额。
可问题是，AI企业究竟是用了多大的成本完成了这些案例？它们真的具有可复制性吗？
这就是AI目前阶段最大的问题，技术服务商在脱离简单低价的算法经济，拥抱高溢价的行业市场时，本身将面临巨大的综合成本。
首先，AI的最大成本依旧是人才成本。目前很多相对溢价较高的AI项目，都需要技术提供商调动大量专家进行现场，支持甚至长期驻场。很多简单的参数调优都需要博士级别的人才来完成。这些人才首先薪资极高，同时本质上更像学者而非一线工程师。他们来到行业一线有着巨大的沟通成本。如果长期依靠高水准人才的堆积来实现案例成功，那么AI不可能规模化复制。

文章插图
另一方面，定制化的AI模型也需要更复杂的训练环境和更长的训练周期。这牵扯出高昂的AI硬件成本。目前，训练一个相对复杂的机器视觉模型，往往需要大量GPU进行数月甚至一年的训练。其硬件租赁成本就可能达到几百万，甚至上千万美元。这样的硬件成本无论是技术服务商还是最终用户都难以负担。
AI的另一项成本压力，来自效益回报的模糊性。大部分AI企业和业务部，都是技术为主，缺乏企业市场服务经验。因此很难判断哪个行业，哪种产品能够带来准确的市场回馈。因此经常出现大量试错成本，以及内部的市场关系内卷内耗，继而导致大量成本浪费在对市场的模糊认知中。
AI企业不可能长期忍受一位AI大牛带着十几位博士，用数月时间才解决了某家企业的AI需求。只有把开发成本降低，实现服务标准化、行业案例可复用，AI作为一种企业服务技术才真正有市场可言。预训练大模型一次训练，多次复用的逻辑；模型开发平台的简单化自动化，都是为了以产品能力实现成本降低的目标。
从目前情况来看，AI依旧是新一轮技术变革中最具确定性的核心技术。但想要让它焕发价值，企业首先要能够跑赢成本压力。而这场与成本赛跑的过程中，必定要倒下众多企业，吹破无数泡沫。美国企业在上世纪八九十年代完成了全球IT软件的商业收割，当时也是重度投入，群雄混战，最后大规模洗牌。在中国企业抢占AI时代的软件基座的战略空间中，也必须冲破层层成本障碍。而最后一定是寡头作为底层平台活下来。