裁员|裁员,降薪,大牛出走:AI大退却的始末缘由( 三 )


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 。