裁员|裁员，降薪，大牛出走：AI大退却的始末缘由( 三 ) 算法

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。

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。
与成本赛跑的输赢，取决于AI企业的三重要素：
1.有没有钱来持续投入，中小型公司会直接困死在这一步。降薪裁员等问题也多由此而引发。
2.有没有意愿持续投入。这种意愿包括成本意愿和市场意愿。把一门新技术带到具体行业是件很难的事，甚至将会完全改变了企业原本的业务性质和工作习惯，期间必然有诸多困难。华为成立行业军团需要从最高层进行垂直指挥，就是为了降低这件事的意愿成本。

3.能不能找到技术方法，对AI的持续投入，前提是企业需要明确到底在什么情况下能看到市场转机，而这就需要技术能力强大，技术路径.准确。大模型， AI与知识结合，深度学习框架的工具化，是目前最具代表性的三条产品化之路。
当时间来到2022年，我们能看到很多优秀的AI产品和AI技术思路持续迸发，同时也看到吃老本的AI企业与业务部门正在退却。