笔趣阁

手机浏览器扫描二维码访问

第四章 逐鹿硅谷AI产业争霸战（第3页）

华为在通信设备、移动终端领域有领先优势，虽然该公司很早就部署了AI，但是在AI技术上整体还是大幅落后于谷歌、百度这类公司。因此该公司采用了全面开放合作的态度，构建自身的AI能力，以便升级现有的产品与服务能力。华为通过开放平台的搭建，在芯片层一开始采用了寒武纪的NPU（嵌入式神经网络处理器），在语音交互方面采用了科大讯飞和自主研发相结合，并通过开放的架构和战略合作将谷歌的TensorFlow、百度的PaddlePaddle等深度学习能力便捷地提供给开发者与合作伙伴，并和微软联合开发内置于系统层的机器翻译功能，以及和商汤等公司联合开发AI技术，以便为旗下产品打造更多的AI型应用，拉开和竞争对手的距离。

大卫和哥利亚

大公司既有技术又有数据，那新创公司怎么活？简单来讲，新创的AI公司要进入大公司不占有数据优势的那些垂直的行业。这样的行业又可以分为两类：一类是新兴领域，以前完全没有人做，一切从头开始；另一类是原有行业，例如金融、保险、能源等。新创公司进入第一类行业最容易，因为大公司通常不会进入一个全新的、市场还未知的领域，自动驾驶和人脸识别都是这样的新兴领域。目前在美国和中国做自动驾驶的新创公司有上百家，在中国做人脸识别的公司也有数百家。与任何新兴领域一样，这些新创公司的大部分将被淘汰或并购，尤其是自动驾驶，其属于未来汽车厂商之间竞争的核心技术，又牵涉到安全。大车厂不可能把这样的技术交给一家创业公司（二流以下车厂有可能，所以还是有市场的）。它们要么自己建研发队伍，要么收购最好的自动驾驶软件公司，目前几乎所有的一线国际大车厂都已经这么做了。自动驾驶软件公司遇到的第二个问题是它们的软件通常要通过一级供应商（Tier1）的集成后进入车厂。但一流的一级供应商也认为自动驾驶是它们未来的核心竞争力，也是要么自建研发，要么收购，也不会把人命关天的事交给一家新创公司。所以那些没能被收购的自动驾驶软件公司最后要么去攻比较简单的、限定的场景，例如校园、景区、小区等，要么去攻垂直市场，例如卡车、港口、仓库等。而人脸识别由于应用场景不同，客户要求不同（例如发现犯罪分子和刷脸支付要求完全不同），所以可以容纳更多的厂家存活。

现在难以看清楚的是那些既有钱又有数据的传统行业，例如金融、能源、医疗等。在这些领域有三类竞争者：第一类是本行业内部的团队，例如许多证券公司已经开始大规模自建AI交易和理财团队。第二类是各大互联网公司企图挟巨大技术优势进入或者颠覆传统行业，例如谷歌和腾讯都企图进入医疗领域。第三类是企图进入垂直行业的新创AI公司。两个有意思的行业是证券交易和医疗图像。前者几乎都在建立自己的团队和能力，而后者则基本都和外面合作。对于证券公司来讲，AI算法是未来交易的核心技术，证券公司必须掌握。交易算法必须由技术团队和交易团队紧密配合快速迭代，算法和数据必须严格保密，所以很难外包。而医疗成像识别目前主要是提高X光读片效率，不是生死攸关的技术，X光读片对于一家医院来说只是很小的一部分业务。美国的大连锁医疗集团例如凯撒（KaiserPermanente）等还有一些内部的技术资源，大部分美国和中国的医院基本没有这样的技术能力。医疗图片即使泄露到同行手里，对医院本身也不会造成致命伤害。所以它们愿意承包给外面做。新创AI企业是否能顺利进入传统行业，要看AI技术在这个行业中的作用和对数据的敏感程度。预计银行和保险行业将和证券业类似，不会愿意分享数据外包AI，大银行和保险公司都将以自己为主。所以AI公司只能去攻那些中小规模的企业，它们自己没有技术能力，又面临被淘汰的危险。还有一种做法就是与新业态合作，例如新兴互联网银行、互联网保险。这些公司有互联网和大数据基因，属于行业新进入者，做法激进，天然拥抱AI技术。但对这类公司来说，AI将是核心技术，它们最终还是要自己做，也许会收购外包团队。

总体来讲，今天AI创业公司进入传统行业的商业模式还都不清晰，如果有选择，那么在为传统行业增加效率和从外部颠覆传统行业两者之间，前者更容易，但后者利益更大。

许多人今天对AI新创公司的一个担忧就是用户数据都在互联网巨头手里。这是一种静态的看法，今天互联网公司的数据主要是人们使用电脑和手机产生的浏览数据，它们并不掌握下列几大类对人类有用的，AI也需要用的数据。

（1）人类本身的数据，例如身体数据和心理数据。

（2）环境数据，其中包括自然环境、社会环境。

（3）各种人类劳动过程数据，例如农业、工业、服务业的过程数据。

人类劳动过程中的数据是未来最重要的数据，劳动过程无非是对一个给定的环境施加一组行为，让这个给定的环境变得对人类更有利（例如给一块地播种、灌水、施肥，使之长出庄稼，冶炼铁矿石变成钢，给患者打针吃药治愈疾病）。只要这个环境能够被测量（庄稼亩产、矿石和钢铁质量、人体健康程度），这组行为能够被控制（浇水施肥量、高炉温度、药的种类剂量），机器学习就可以被用来优化这个过程。所以一切能够被测量的环境和过程都将产生机器学习需要的数据。几十年以后回头再看，人类上网和玩手机产生的那点数据根本就不叫数据。如果把数据比作金矿，那么互联网巨头今天拥有的无非是地表面沙土里一层浅浅的金沙，真正的金疙瘩都还埋在迄今没发现的地方。这些地方有些是我们前面提到的现有行业，有些是我们今天还没看到的环境和过程。随着各类传感器成本的降低，越来越多的环境被更细密地感知。随着物联网的普及，这些无所不在的传感器将搜集到比今天互联网大许多数量级的数据。

新创公司和大公司竞争的最大的优势还是人才和激励机制。创业者通常都是最优秀、最有激情、敢于冒险的一批人。新创公司在一个全新领域可以随时掉头，快速迭代，迅速摸清市场需求，它们所有的脑筋都会放在如何满足用户需求上。而在大公司很少有人愿意冒风险尝试新东西，有些项目会牵涉许多部门利益，想做一件事要花大量时间去协调，有时还会打得不可开交。凡是在大公司待过的人对此都深有体会。以半自动驾驶功能为例，特斯拉率先推出自动线道保持功能，使驾驶员开车时可以不扶方向盘。这个线道识别技术最初是以色列公司Mobileye提供的，其他使用Mobileye方案的汽车厂家按理说都可以推出这个功能但却没有，因为这个功能风险很大。传统车厂的中高层经理打死都不会签字发布这个功能，后来也确实出现了交通事故的例子。特斯拉发布这样的功能极可能就是老板自己拍的板，因为除了利益之外，创始人天天泡在产品上，对细节非常了解，拍板时心里多少有数。一个新功能谁都无法打包票，不冒这样的风险就无法在自动驾驶技术上领先，无法领先新创公司就存活不下去。而传统大公司的CEO都是职业经理人，对某个具体功能不可能了解得那么细，要依赖一层一层的建议，如果下面没人愿意担这个风险，CEO就不敢随便签字。传统大公司的第二个问题是激励机制无法和新创公司比。大公司那点奖金和期权没法与创业公司的期权比（如果成功），大公司内部的人事斗争和协调成本都会把那些智商高的技术天才吓跑，即使招来也会气走。传统车厂有资金、渠道，甚至也掌握了相应的技术，由于上述种种原因也只能眼睁睁地看着特斯拉这样的公司冒出头来把它们甩得越来越远。

AI的技术推动力

许多人都在关心AI这波行情还能走多高、走多远。如果说算法是AI引擎的设计，算力是引擎的马力，数据是引擎的燃料，那么让我们分别看看这些技术推动力的发展。

算法

前面介绍过，目前新算法层出不穷，有些在继续沿着神经网络的方向走；有些开始探讨其他路径，例如贝叶斯网络、支持向量机；有些在把不同的算法融合起来；有的干脆另辟蹊径，提出新的人脑认知模型。算法的研究目前非常活跃，在未来5～10年还会有大量新的算法涌现。

算力

算力的增加基于摩尔定律。目前除了芯片的线宽继续变窄（最新半导体工艺线宽4纳米）导致集成度继续变高以外，还有各种封装技术，例如三维芯片封装可以将64个芯片摞在一起。目前芯片的耗电比人脑耗电还大几个数量级，在许多数据中心能耗成为制约瓶颈，大幅度降低耗电也是芯片设计的重要方向。虽然单个芯片计算能力的增长变缓，但是现在倾向于用越来越多的芯片。对于AI计算来讲，不论是训练还是识别，重要的不仅是单个芯片的能力，更是能够把多少芯片有效地组织在一起来完成一个计算任务。2012年以前还很少使用GPU，现在一个计算任务动辄使用成千上万个GPU或专用计算芯片，例如TPU。2018年OpenAI发布的一份报告显示，自2012年以来，在AI训练运行中所使用的计算能力呈指数级增长，每3.5个月增长一倍。2012—2018年，这个指标已经增长了30万倍以上。具体说就是2018年谷歌的AlphaGoZero比2012年ImageNet大赛获胜的AlexNet快了30万倍。

数据

数据的增加基于传感器或存储器越来越便宜，几乎所有传感器和存储器的成本都是由芯片成本决定的。当芯片集成度提高，芯片需求量增大时，传感器和存储器的成本会大幅度下降，更多的传感器会产生更多的数据。

综上所述，推动AI的三个技术要素都在快速发展，所以目前AI只是莱特兄弟刚刚把飞机飞离地面，离5马赫超音速还很远。

从市场看，目前受到AI冲击的传统行业还很少，大部分行业还没有开始被改造、被颠覆，因为AI从业者都在忙乎进入那些没有传统巨头的行业，例如人脸识别和自动驾驶。

图4.3是一个很著名的“新技术成熟曲线”。互联网过去20多年的发展就非常符合这条曲线：一个新的重大技术创新一开始没多少人相信，但超过一个转折点后就开始被热炒，大家的期望值都很高，大量的资金盲目进入，很快发现技术还不成熟，远不能达到期望值，大家都很失望，行业跌落到谷底。但这个技术其实只是需要时间，经过一段时间成熟起来，就会重新站上高地。就互联网来说，今天的发展远远超过了2000年泡沫时最狂野的想象。

图4.3新技术成熟曲线

图片来源：https:.gartner.smarterwithgartnerwhats-new-in-gartners-hype-cycle-foremerging-technologies-2015。

那么AI处在这条曲线的什么位置呢？大约在峰值刚过，还远未到低谷。注意这条曲线只是个一般性规律，并不准确，也不一定适用所有新技术，即许多新技术都会经历这么两个起伏，但不同的技术起伏幅度不同。笔者预测AI有“冷静期”而没有“幻灭期”，因为AI在许多行业都已经证明有用。回头看过去几年还是有一些泡沫，泡沫体现在某些领域出现大量同质化公司和这些领域融资的估值上面。据不完全统计，中美两国的自动驾驶公司已经超过100家，中国号称做人脸识别的公司有数百家。显然市场不需要这么多家企业。在自动驾驶领域一个没有任何收入，也看不到清晰商业模式的公司可以喊价到数亿美元的估值。估值泡沫通常都是由于一次估值离谱的收购造成的。通用汽车公司在2016年宣称以10亿美元的估值收购了位于旧金山的CruiseAutomation，以后所有的自动驾驶公司都以这次收购作为自己估值的对标。所有投资自动驾驶公司的投资者都赌自己投资的公司也会被高价收购。但是即使所有大的整车厂商都收购一家自动驾驶软件公司，市场也不需要上百家同质化的公司。当供大于求时，收购价格也会大幅度降低。笔者预计在今后2～3年中，大部分同质化公司在资金耗尽后将因为无法进一步融资而死亡，与此同时，少数几家技术独特或市场能力强且资金雄厚的公司将快速发展。

目前许多融资的新创公司都宣称自己是AI公司或者使用AI技术。但这些公司的技术大多是用几大公司的开源编程框架，例如谷歌的TensorFlow和英伟达的GPU或者市场上的云计算服务。技术高度同质化，没有任何壁垒。就像当年任何公司都说自己是.公司一样。那么我们如何判断一家AI创业公司的价值呢？首先，应该看是否能够拿到别人拿不到的数据。做到这一点很难，你能拿到的数据别人通常也能拿到。如果不能独占数据，那就要看有多大先发优势。如果进入一个行业早，通过快速迭代，让自己的模型在这个行业中变得有用，就可以得到更多的数据和资源，后进者即使拿到同样的数据，模型质量差也打不进去。其次，要看该企业对所进入行业的独到理解和业务开发、落地能力。当然如果能够针对本行业在算法上有突破，就能够大大提高进入壁垒。

AI与互联网的三个区别

这次AI创新浪潮堪比互联网，但是AI浪潮和互联网浪潮有三个区别。

第一个区别是AI从一开始就要颠覆传统行业。互联网1994年起步时从经济的边缘开始，和传统产业似乎一点关系都没有，没有人懂一个网站能干什么。互联网20多年来逐步从边缘蚕食中心，直至今日影响每个行业。但即使是今天，互联网对制造业、农业、建筑业、交通运输等搬运原子的行业的影响也局限在媒体和营销方面，没有进入制造业的核心。而AI的特点是从第一天起就从传统产业中心爆炸，自动驾驶对汽车行业的颠覆就是一个典型的例子。

第二个区别是技术驱动。互联网除了搜索以外基本没有太多技术，主要是应用和商业模式。互联网创业者完全可以是不懂技术的人。目前为止AI创业者以技术大拿居多。当然随着AI技术的普及，许多有商业头脑的人只要看明白AI在一个行业的价值也可以拉起一家公司，但目前最稀缺的是AI的高级技术人才。

第三个区别是可能不会出现平台性公司或赢家“通吃”的局面。互联网的一个特点是连接供需双方，一旦用户超过一个门限，后来者就很难赶上，所以很容易形成赢家“通吃”的局面。但在AI产业里目前还没有看到这样的机会，不论是自动驾驶还是人脸识别都是一个一个山头去攻，无法在短期内形成垄断。造成融资泡沫的一个重要原因就是有些投资人还以为AI和互联网一样赢家“通吃”：只要投中第一名，多贵都值。

简单用一句话说就是互联网是toC（对用户）的生意，AI是toB（对企业）的生意。AI中toC的生意都会被现有互联网巨头吸纳，创业者的机会在于toB。