OBT商业科技观察

从旷视上市看 AI 商业化还有多远?


     8 月25 日,旷视科技向港交所递交招股书的消息在企业圈惊起一股巨浪。


    据悉,旷视此次融资或高达10 亿美元,而此前旷视的估值已达40 亿美元左右。这是国内第一家正式提交IPO 申请的「AI 四小龙」(商汤科技、依图科技、旷视科技、云从科技)公司,一旦成功,旷视也将成为登陆资本市场的中国AI 第一股。

有人说,上市对于旷视来说,是一个最合理的筹钱渠道。的确,这个成立8 年、由人脸识别起家、专注于安防监控垂直领域的独角兽尽管营收猛增、一路势头强劲,但亏损规模同样惊人。根据官方数据,2019 年上半年,旷视科技的总营收达到9.49 亿元,同比增长210.3 %,但是亏损也在持续扩大,达到惊人的52 亿元。

“这个行业太烧钱,上市是一个好选择。”一位业内人士表示。诚然,剖开AI 实质来看,不管是核心竞争力「深度学习」,还是垂直领域的商业化尝试,都是需要大量投入的一个产业。然而投入未必会有回报,环顾前几年一度饱受质疑的「AI 泡沫化论」以及所谓的「空唱概念」,实际上都剑指AI 要害:

「不落地,不商业,无智能。」


商业化落地难,难在哪? 

     
    技术领先并不代表现实的商业价值。

尽管AI 创业创新几乎遍地开花,但如何落地和商业仍是许多公司的软肋。在《2018 中国人工智能商业落地研究报告》中,2018 年营业收入在10 亿以上的AI 企业只有8 家,绝大部分企业的年营业收入不足2 亿。此外,2017 年中国AI 商业落地100 强创业公司累计产生的收入不足100 亿元,90% 以上的AI 企业亏损。

为什么?因为AI 技术本身只是空中楼阁,当要切入某一垂直领域去应用时,还需要有大量的数据和知识做积淀,这对大部分AI 企业来讲都是一个比技术突破更艰难的工作。

首先,深度学习算法缺乏可使用的大规模数据集。尽管中国各行各业沉淀了大量的数据,但是这些数据很多都是非结构化数据,能够被利用的还相当有限。只有获取大量与行业、领域相关的,且标注、整理过的数据,才可能被使用。就连斯坦福大学建立的目前全球最大的图像识别数据库ImageNet 里面数百万张照片,也是很多人花费大量时间标注后,才能让机器去学习。

其次,技术与业务场景存在着一定的鸿沟。技术过硬的公司未必了解企业具体的业务场景。譬如一道电梯门的生产流程就涉及上万个生产工艺,要嵌入AI,实现自动化、智能化的生产,没有对业务流程的熟谙是不可能的。

再者,AI 人才的短缺。有一位企业CIO 曾痛述,AI 人才「千金难寻」。因为目前国内AI 人才大多分布在学校和研究机构,企业遍寻无门,求贤若渴。

图注:UIPath 网站发布的《AI Jobs》报告,从全球来看,中国空缺的AI 职位最多,共计12113 个虚位以待。其中,最缺乏的职位是AI 研究人员和智能专家。


AI商业化的破局点


    尽管AI 的落地面临诸多困境,但目前国内,一些与计算机视觉相关的AI 应用,尤其是安防领域,已经有了切实可见的变化。

根据赛迪顾问的统计数据,2018 年,中国在AI 领域共有超过200 个项目获得投资,获投总金额高达1117.19 亿元,主要集中在计算机视觉、信息分发、智能驾驶、机器人、智能芯片等领域。

从计算机视觉目前的场景落地进展来看,移动互联网/安防领跑,零售/物流紧随其后,医疗/无人驾驶的商业化则有待成熟。

通过AI 人脸识别功能,安防行业一改往日事后追查责任的思路,变为实时的动态监控,为安全保驾护航。就拿如今炙手可热的旷视来说,安防、交通等视频监控业务占据了公司营收的70%,而且在为国内各大安卓手机厂商提供人脸识别解锁方案上,旷视和商汤的竞争几近白热化。

在拥有大量线下场景的物业服务领域,AI 安防的应用也备受关注。万科、龙湖、碧桂园等地产巨头都相继推出了自己的智能服务体系,如刷脸门禁、红外垃圾监测等。尤其腾讯与碧桂园服务合作打造的云-边-端AI 全栈解决方案,借助腾讯在计算机视觉、语音识别、机器学习等方面的成果,与物联网深度融合,实现对小区人脸识别、车牌识别、一键巡逻、以及物业缴费等服务的智能化管理。

反观无人零售,前几年各路玩家入局,但大浪淘沙,距离实现规模化盈利还有很长的路要走。这期间除了要对底层用户数据、货品识别等做更精准的挖掘,还需将计算机视觉、边缘计算等紧密结合起来。

其中,比较典型的如百度AI 大脑平台与美国零售安防服务商Checkpoint 的结合,通过在普通摄像头上注入百度AI的技术能力,打造出智能抓拍机,来监视购物车里是否有还未付款的商品,还能精准排除残疾人购物车和儿童购物车。目前这套方案已在美国160 多个超市落地,准确率高达95% 以上。

在「离钱最近」的金融行业,原本积累的海量数据,为AI 的行业应用更是提供了丰盛的「养料」,第四范式、蚂蚁金服、平安科技等一众先兵企业涉身其中,战果也是百花齐放。目前智能风控和量化投资的技术应用商业化程度较高。

比如有「金融宠儿」之称的第四范式所开发的AI 软硬一体集成系统SageOne,可实现高维模型毫秒级响应的实时决策,将金融风控的客户损失降低30%-50 %,目前已与工商银行、建设银行、交通银行等数十家大中型银行深度合作。

为业界称道的平安科技,更是凭借集团的金融体系和丰富的场景优势,将自身在人脸识别、声纹识别、语音语义识别、微表情分析等核心AI 技术上的研发成果与第三方产品/技术相结合,除了为集团智能认证、智能预测、智能风控等服务赋能外,还将AI 能力延伸到智慧城市、智慧教育、智慧楼宇等400 多个业务场景中。

而前几年呼声最高、也是IBM Watson 最早切入的医疗领域,由于壁垒较高,资金投入巨大,以及技术成熟度所限,目前在商业化落地方面依然面临较大的挑战。

因为毕竟AI 不是你想装就能装。动辄上千万美元的一套AI 系统,对医疗部门来说委实一笔不小的开支。

不过,在AI 医疗中,「AI + 辅助诊疗」的模式正在成为越来越多医院的尝试。2017 年,科大讯飞还与安徽省立医院联合成立「AI 辅助诊疗中心」,这也是国内首家正式投入使用的AI 辅助诊疗中心。通过机器学习专家医生的医疗知识,来模拟推理出病症原因,为病人提供合理的诊疗方案,其推出的智能问诊机器人已走进三甲医院。

除了计算机视觉领域的热捧,国内AI 在语音识别领域的应用也比较超前。百度、出门问问、云之声、京东集团等都相继推出了自己的智能语音服务产品。其中,占据市场份额70% 的龙头企业科大讯飞,推出的智能语音产品的准确率几乎接近99% 的人际交互质变阀值,以讯飞为核心的中文语音产业链也已初具规模。

由于国内目前在语音和计算机视觉方面的需求旺盛,大量资源相继涌入,这一方面推动了技术的成熟,另一方面也催生出更多的适用场景。而金融、制造、零售等行业大量的业务数据场景,也为AI 的落地提供了先天试验场。再加上产业的快速发展,以及国家战略层面对AI 的强力支撑,AI 很有可能在未来10-20 年超越国外,实现弯道超车。

环顾AI 创业大潮,奔流不止,生生不息。从对技术的热衷,到对商业的追求,「人机结合」才是AI 的终极目标。可喜的是,60 多年来,技术一直在突破,从深度学习,到自然语言理解,再到更高层次的神经学、脑机制研究,技术的研究登峰造极,新的变革和创新总会在某个时间如期而至。而AI 商业化探索的道路也已开启,尽管目前看起来还十分初级,未来也将遍布荆棘,但唯有商业化才是AI 价值的最终体现。

正像《银河系搭车客指南》中描绘的那样,AI 技术只是我们找到的答案「42」,但这答案对应能解决的问题是什么则需要花更多的时间才能发现。

备注:「42」是道格拉斯·亚当斯所著《银河系搭车客指南》中提到的「生命、宇宙以及一切的终极答案」,这个答案由故事中的AI「深思」得出,但它并不能计算出对应的问题是什么。