作者 | 李雨晨 餘快 青暮 維克多 楊麗
編輯 | 王亞峰
如果用一個詞來概括中國的人工智慧，那就是“衝突”。
無論是工業界、投資界還是學術界，他們的所有行為和歷程，都是圍繞衝突展開。
此前由雷鋒網策劃的《AI冰與火·五問》專題，是我們深入AI企業組織內部、學術界根部、傳統產業界基層五年多時間裡認知沉澱的一部分：
依圖醫療的變賣，對映著企業決策者戰略選擇的衝突。
AI商業模式的崩塌，是標準化商業模式和定製化商業模式的衝突。
AI基礎研究觸到發展瓶頸，部分源自學術圈務實派和灌水派的人性與利益的衝突。
AI高管的貶值，是AI部門與業務部門之間的衝突。
投資人逃離AI賽道，則是投資人做局和創業者破局的博弈和衝突。
每起衝突背後，是人禍。每次寸步難行背後，也是人禍。
過去幾年，AI的討論過於聚焦“物”本身，如技術、產品、行業等理性內容。
但鮮有探討由人構成的組織、文化和管理之類的感性資訊，雷鋒網希望透過《AI冰與火·五問》系列，讓行業系統性意識到“AI人文和組織”的重要性。
而在12月9日-11日，我們也將於深圳舉辦第六屆GAIR全球人工智慧與機器人大會，邀請上百位嘉賓和數千位專家，在臺上臺下，一同探討人工智慧與數字化最高維的“理性分析”和最貼近人性的“感性洞察”。
這次大會上，我們不僅可以聽到比《AI冰與火·五問》76條軍規更精彩的AI基礎研究、自動駕駛、安防、晶片、醫療認知，更能看到元宇宙、碳中和、隱私計算、跨境電商、MarTech的全新風向。
大會相關介紹和購票，可點選【閱讀原文】檢視，或聯絡雷鋒網總經理麥廣煒諮詢，微信qmigh10187
雷鋒網《AI冰與火·五問》76條軍規
1.動盪時代最大的危險不是動盪本身，而是仍然用過去的邏輯做事。
2.企業要想拿下AI賽道，解決不同背景團隊之間的認知衝突、文化衝突、方法論衝突，其重要性遠大於業務本身。
3.依圖醫療成為棄子，是AI公司商業模式集體出現問題的縮影。成功或者失敗，是創業人必然要接受的終極宿命。也許，依圖的故事還將繼續，只是，醫療AI江湖裡再無依圖。
4.AI商業模式崩塌的四個靈魂拷問：AI標準化、通用化的美夢是如何破滅的？高度定製化解決方案為什麼走不通？海外高利潤解決方案我們為何借鑑不來？AI企業跳出低毛利死衚衕的三種激進模式是什麼？
5.要把定製化走通，必須把“成本三低”做到極致：平均人力成本低、運營成本和銷售成本低、產量擴大後的邊際成本低。用最低的成本，去省出更多的利潤空間。
6.雲從之所以能率先過會，除了國家隊屬性，更在於它的虧損率控制。這與人效或者說重慶人力成本低有很大關係，雲從科技2019年核心高管們總薪酬僅890.47萬，而不少企業千萬年薪的科學家比比皆是。
7.網際網路巨頭用高成本的人力去跑定製專案，好比拿步槍打蒼蠅，投入產出非常不匹配。長期習慣做大生意的網際網路公司，是不會長期從事摘豆子、撿芝麻生意的。
8.大多數AI企業逃不開“三高”病（高投入、高虧損、高人才），同時又不具備規模化效應，讓他們在高度定製化且毛利低的市場，轉不開磨盤、吃不飽。
9.什麼是解決方案？郭士納曾給出的定義是，如果客戶需要馬桶，那IBM也賣。
10.鼎盛時期的IBM看似在高度定製化解決方案裡又苦又累，實則拿捏住了最核心的標準化中介軟體，以至於一個專案可以拿到非常高的毛利。同樣，SAP有ECC，甲骨文有資料庫。而AI公司至今沒有這樣的產品，但他們誤以為AI技術本身就是中介軟體。
11.國內的AI乃至企業軟體解決方案公司缺少高毛利的中介軟體產品原因：複雜系統性工程能力有限；對資金消耗大的專案，缺乏定力，容易搖擺，喜歡賺快錢；有效專利保護不足，法律手段不夠狠，市場懲罰力度有限，導致抄襲成本低，壁壘無法建立。
12.AI公司的多數專利沒有實際意義，形式主義大於實用主義，而有效專利又缺少強有力的保護。
13.一流的科技公司，不僅需要能創造IP，更需要用法律手段運營IP。IBM在最危難時期，透過一系列組織架構及專利許可的改革，實現利潤收入總額中有25%來自於智慧財產權與授權的專案。甲骨文的法務團隊是全公司最強勢的部門，有人調侃，它應該是一家大型律所，而不是一家軟體科技巨頭。
14.SaaS在國內的商業環境下頗為尷尬，有了釘釘、企微、飛書後，進一步加劇了國內中小企業的“白嫖”思維，間接導致SaaS也逐步演化成大客定製化專案，重回老路。
15.淘寶在以另一種SaaS的形態存在於市場，以羊毛出在豬身上的方式，賺走了多數小微企業的錢，這讓小微SaaS企業變得異常艱難。
16.AI未來的轉機，也許在以下三種路徑裡：
路徑一：重定製整合專案實施→ 數字化諮詢 → 諮詢業務反哺重定製實施 → 與大型客戶建立高粘性和系統不可替代性
路徑二：重定製整合專案實施 → 進入非標市場的標準市場（自動駕駛、晶片） → 形成標準化產品 → 低成本規模化複製
路徑三：開源深度學習框架，佔位國產化高地
17.現在的AI企業，隨著業務不斷下沉，本質上成了數字化企業，因此有設立諮詢部門的必要性。數字化，用什麼技術不重要，重要的是做好頂層設計、組織管理規劃、資料沉澱、資料流通、資料決策，最終實現智慧化。
18.AI做諮詢，諮詢只是引子，打通客戶決策層之際，為自己的專案實施業務拉客。更透過這一引子，吃透行業，瞭解更多客戶需求，讓解決方案更為健全、通用。
19.TensorFlow和PyTorch其實都存在百億美元的AI營收潛力，Google和Facebook之所以不以此盈利，是因為開源承載的更多是戰略意義，是防止被對手吞噬的防禦性基建措施。安卓的免費開源，從戰略意義上講，是為了防止被iOS和Window卡脖子。
20.抱團是學術界常見的現象。有時候適當的拉幫結派，往往有利於學術界的團結和交流融合。但如果摻雜的利益過多，便會劣幣驅逐良幣，最終敗於“傳承”。
21.同行評審是評價學術成果的重要手段，凡是重大的理論突破，只有經過同行認可，才能發揮它最大的作用。但同行評審的基礎是建立在信譽基礎上，通俗講，就是不放水。
22.最早一批在深度學習領域，透過調參、灌水成功發表論文的學者，他們已經形成了利益團體，事實上也已經掌握了一定的學術資源，他們在會議、論壇、期刊擁有審稿權，能夠決定一些沒有創新的論文（灌水）被接收。
23.反覆調參、只對原有網路做修修補補、缺乏理論指導，裡面大多都‘只寫how不寫why’，這些都是灌水學者常用的手法。他們甚至以此為榮，經常在交流中互相攀比論文數量。
24.灌水學者有的已經博士畢業，走上學術舞臺，成為導師，他們的學術風格又影響了他們的學生，然後這些學生博士畢業，也走上了學術舞臺……..目前來看，可能有第二代甚至第三代這種“灌水學者”都已經成為導師。
25.企業聯合高校做研究，多數各取所需，較為短視，只看眼前利益。企業方往往會在合同中表明：實習生三個月出成果，教授一年完成任務。但是一般真正“有突破”的研究需要3~5年甚至更多年的時間。
26.這幾年先是一窩蜂湧上來鼓吹深度學習，現在又大潑冷水，這其實都是不成熟的表現。即使人工智慧在理論上最近沒有什麼進步，但這不代表人工智慧沒有進步。
27.當年的科舉制度已經“變異”成帽子、職稱以及地位。拿到了一定的帽子就有相應的物質資源，用這些資源繼續換“帽子”……..這導致有才華的年輕人都在想辦法提高論文數量，以應對職稱考核、學校評獎。
28.不管是論文數目，還是引用資料，只要給學者設定了這種KPI，部分國內學者一定有各種辦法找到方法去解這個目標函式。
29.科學研究需要時間來檢驗的，現在正規的AI學術會議都會設定一個時間檢驗獎，目的是回到十年前，看看到底哪些論文是經得起檢驗的工作，因此學術要自由，不能拼數字也不能拼引用。
30.企業不敢招募AI科學家，是大部分公司現有的組織能力，並不能消化掉象牙塔裡天賦異稟的科學家。人們往往把組織問題，全部歸結到人身上。
31.公司所產生的AI科學家恐懼症，是一種對組織能力不自信的對映。
32.當二三線公司，發現自己並不具備吸收首席科學家的組織能力，陸續叫停招募後，人才供需的天秤便開始傾斜。肉多了，狼開始變少了，部分高階AI人才的貶值，是自然而然的事情。
33.AI研究的作用潤物細無聲，不能直接顯現，更無法KPI化。讓科學家直接去做解決方案、跑業務並不現實。科學尋找的是最優解，ToB產品的本質，則是以最優解為目標的一種妥協：標準化和定製化之間的妥協、高毛利與虧損之間的妥協、你主導和客戶主導之間的妥協……
34.科學家最不擅長的就是妥協，在他們的區域性世界裡，自己永遠是MVP，科學界確實也需要這樣偏執和自負的精神。但回到工業界：大部分管理層並不迷信區域性work的方法論。
35.企業對AI科學家的評價標準分兩種：對內和對外。對內，幫企業解決實際業務問題。對外，與外界建立起連線，藉助個人號召力招募更多一流人才、與外部頂級研究機構達成合作，反哺自身的技術能力和行業科技影響力。
36.對網際網路巨頭而言，面子所創造的價值，無可比擬。面子型公司活不久，裡子型公司做不大。而那些活的最好的、有裡有面的大公司，在他們眼裡，AI的面子，有些時候比裡子更重要。
37.阿里達摩院的初心是基礎技術研究院，現在完全淪為阿里雲的應用研究院。國內最純粹的企業AI實驗室是張正友領導的騰訊AI Lab，投入絕對人力、物力去做前沿研究。張正友去年成為騰訊歷史上首位17級專家，側面可以看出騰訊內部對長線前沿研究的決心。
38.在中小企業和傳統IT企業，引入AI科學家所帶來的組織矛盾隱患，些許時候要比他能解決的實際業務問題的價值更大。
39.過去五年，中小企業的AI研究院驗證了一個道理：AI人才的用法，一旦過於務實，便是用“大炮打蒼蠅”，一是浪費，二是不一定打得著。
40.企業持續發展的動力不是人才，而是利益分配。AI科學家在企業拿著過高的薪資，在人事高管看來，挑戰了現有的薪資結構。業務高管則認為他們自己在業務一線摸爬滾打二十多年，為公司立下了汗馬功勞，也沒享受到那樣的待遇，心裡自然不平衡。
41.AI科學家高薪聘請自己學生的案例，在很多公司屢見不鮮。企業為科學家們開啟的種種特殊通道，自然會讓自己引火上身。
42.企業一旦發現了AI人均投入產出比低的癥結後，會破天荒地為AI研究負責人制定了營收KPI：AI研究部門與業務部門的衝突，正是來自於此。
43.AI研究院賺錢的方式分兩種，一是聯合業務部門一起為客戶做外包，從專案款中抽成。一種是給自家產品部門做內包，和業務部門收錢。但內包的方式，容易出現自家人坑自家人的情況。
44.AI研究院做內包，由於營收KPI壓力巨大且知曉業務部因合規問題不能外包，於是漫天要價，因為不存在甲乙方關係，前者態度傲慢的現象屢見不鮮。同時會攻擊產品部不配合、IT部程式碼爛、資料部樣本質量差……AI研究院和業務部的矛盾，就在這些點滴小事中爆發的。
45.網際網路巨頭的AI研究院都獨立於工程部門，話語權巨大。但現在的CEO越來越傾向讓工程領導管理研究院。如吳恩達曾向李彥宏彙報，離職後，AI研究團隊被工程體系王海峰領導。李飛飛離職Google後，工程統帥Jeff Dean接管了Google的人工智慧研究。沈向洋離職後，微軟CTO接手其6000人以上的研究團隊。
46.過往有技術前瞻性的CEO們，寄希望形成一條自上而下的AI研究驅動工程、工程驅動產品、 產品賦能使用者/客戶的鏈條。事實發現，當前的AI並不能驅動工程，它只是工程的一部分，輔助落地。過往話語權頗高的獨立AI研究院，也陸續名存實亡，成了工程部門的子團隊。
47.作為企業研究院的代表，貝爾實驗室和GE中央研究院，將技術研發工作分為兩類：基礎研究、技術升級或改造，對於這兩類研究，可以由不同型別的科學家去獨立進行。從基礎研究到產品開發，再到推向市場的週期特別短，這種高效的協作有賴於大團隊的人才供給，以及管理模式的創新。
48.企業研究院的成功得益於兩個字：自由。自由的基礎研究氛圍，讓貝爾實驗室向全世界貢獻了電晶體、雷射、Unix、C語言等等改變世界的偉大發明。這種自由還有一層含義，就是隻受同行評議限制，而不受考核壓力限制。
49.用“業績考核”替代“自由”，是AI研究院的大劫：在上世紀八十年代經歷了拆分和華爾街介入後，頭上頂著業績考核的貝爾實驗室再也沒辦法恢復活力，科學家甚至面臨著要和市場部聯合推銷產品的尷尬處境。反觀當下眾多企業AI研究院面臨的種種窘境，和當時的貝爾實驗室如出一轍。
50.在學術研究上，國內AI企業研究院未能產出足夠有影響力的成果。雖然發了不少頂會論文，但其實很少有完全自主的idea，基本都是follow谷歌、OpenAI這些公司做的改進研究，比如BERT、GPT-3、AlphaFold等。
51.最好的研究，是修剪已有的知識樹而不是去發展它。如今人工智慧尚屬於百花齊放階段，如果在某一天遇到了瓶頸，或許可以考慮去“修剪已有的知識樹”，也即是在理論上抽象出智慧最本質的數學概念，以此帶來人工智慧的下一步飛躍式發展。
52.企業設立AI研究院，有兩種模式選擇：麻省理工模式和哈佛模式。
53.麻省理工學院課業繁重，考核嚴格，其畢業生必能掌握某一領域的專業知識和技能，並有獨立學習能力，質量穩定——水平比較平均。而哈佛大學的教育理念更加自由開放，考核少，並且會鼓勵學生廣泛涉獵，質量不穩定——水平參差不齊，儘管平均水平也很高。
54.中小企業隨時掙扎在生死邊緣，必須首先保證產品質量過關，還不是刻意追求獨創性的時候，也就是麻省理工模式。而對於大公司，其資產實力能保證長期依靠已有業務生存，同時也能支撐需要面對大量失敗嘗試的基礎研究，也就是哈佛模式。
55.國內早些時候的風投圈，像是一個巨嬰國。這個圈子表面風光無限，剝開皮瓤都沒熟透：缺少獨立思想、模仿抄襲、亂攪行業、長不大。
56.押賽道式投資，不過是看到歐美哪些企業增長迅猛，照貓畫虎投幾家有著美國企業影子的中國公司，和抄襲無異。
57.壓賽道式的投資邏輯，和深度學習的技術原理相似。設定好目標，採集大量相似樣本（專案），加大算力（資金），暴力試錯，最後等待一個最優結果出來。
58.AI投融資，應該是國內VC第一次表現得不那麼像巨嬰的領域。歐美至今未出現過網際網路般成功的AI投資案例。而國內投資人在沒有任何參考座標的前提下，毅然進入這個領域，掏出全球最多的2000億去重倉AI。
59.投資人做的局，看似給企業布了很多正資源，但在企業的真實發展道路上，可能是“負資源”。
60.個別公司引入了三流學者，對外卻吹著超一流的牛，全然不知把自己置身於大型打臉現場。而這些不入流的學者在企業吹捧下，會潛移默化地把自己當大師。
61.同時能在學術、工程、產品領域有傑出實戰能力的企業科學家，在國內甚至都不超過五個。同樣是IEEE Fellow級專家，有些人能拿到三、四千萬的年薪，有些幾百萬。
62.只要把明星科學家和明星創業團隊的故事講圓，下一輪會有VC願意為之買單。這種手法在2016年-2018年間效果顯著，VC嚐到甜頭後，親自出馬，為下一輪融資畫餅造星，同時費盡心思拉攏明星投資人上船。而被拉攏的明星投資人，也成了局的一部分，能夠號召更多人入局。AI投資成了局中局，槓桿撬槓杆，不斷迴圈。局的盡頭還是局。看不到產品，也不見商業化。
63.新興AI公司相比老牌廠商的優勢是什麼？很多人說是技術。不全對，是高成本優勢。高成本打法，單從獲客角度來說，頗有好處。一套造價昂貴的系統以白菜價出售，客戶新鮮感一來，自然會一試。但長期來看是飲鴆止渴。
64.AI某小龍，為了拿下客戶，給銷售的激勵是每談下一家公安，發一百萬獎金。於是銷售們瘋狂地推，不管產品是否好用，不管產品單價是否過於便宜，只要能佔一個坑，就是成功。
65.海康威視高管曾講過一句非常經典的話：我們做不了用1塊賺100塊的生意，但在用1塊賺1塊的生意上，沒有人能做得過我們。
66.投資人原本想做用一塊賺一百塊的生意，而AI公司做著花三塊只收回來一塊的買賣。雖然一塊賺一百很難，但至少和買彩票一樣，投入可控，還能買個好盼頭。
67.每當企業的動作有些許變形，投資人們就把手伸入至戰略、管理 、人事、財務、公關當中，控制企業走向。兩種經營理念的衝突，在2018年左右開始爆發。爆發的結果是，那些沒有說服投資人的公司，乾脆死在路上，成了第一批炮灰。
68.AI公司高調碰硬體賣攝像頭的做法，給渠道商帶來了不少壓力，迫使後者不得不站隊，只能站在大客戶一邊，所以只能把AI公司的訂單放棄，導致某小龍至今積壓幾億的貨無法銷售。
69.AI公司內部在兩種局的拉扯中，陷入自己的困局。兩種局的背後，是這兩種經營文化，一種是資本導向的經營邏輯，一種是實打實業務導向的經營邏輯。兩者並不相容。當兩種文化衝突愈發激烈時，派系便會形成，內耗會加重。
70.AI商業模式的第一性原理：向下做重、向上做輕、向前諮詢、向後運營。
71.向下，現在90%的AI公司走的模式，即客戶需要什麼，便提供什麼，做高定製的軟硬一體解決方案。但30億市值是第一道天花板。要突破30億的天花板，需從定製化的方案中，凝聚抽離出通用的中介軟體產品。
72.這條路SAP花了二十多年才走通，從大客定製，不斷剝離，成為一家純軟體企業。在二十多年的標準化過程中，還設計出ABAP低程式碼語言，並且建立起了戰略/IT諮詢、整合、部署、資料清洗、運維等第三方合作生態，去讓自己的標準化軟體，有生態去支撐落地。
73.現階段的AI行業缺少運營服務商的角色。好比老牌硬體公司是地產開發商，AI軟體企業是裝修公司，但現在AI行業唯獨缺少第三方物業公司。
74.過去AI最賺錢的兩個方向，其一是安防，其二是資料服務。前者涉及到硬體採買，營收高但利潤。第二種則是資料服務，模式最輕且營收可觀，做脫敏資料服務的買賣，獲得ROI遠高於技術實施帶來的收益。兩種模式有個共同的特徵，便是在合規的標準線上遊走，一種是隱私資訊的使用，另一種是脫敏隱私資訊的間接買賣。
75.AI領域如同打牌，多數投資人手中都是爛牌。
76.當投資人沒有運氣攤到好牌時，能做的只有儘可能地做好區域性最佳化，把自己的爛牌，每一步打得比其他人的爛牌好那麼一點點。
雷鋒網第六屆GAIR全球人工智慧與機器人大會，相關介紹和購票，可點選【閱讀原文】檢視。或聯絡雷鋒網總經理麥廣煒諮詢，微信qmigh10187
推薦閱讀
關鍵詞
雷鋒網
科學家
問題
客戶
技術