TechRoomage

詳解AI公司三大類別,哪種商業模式將成為最後贏家?

0 1

原標題:詳解AI公司三大類別,哪種商業模式將成為最後贏家?

大數據文摘作品,作者 | Catherine Lu,編譯 | 元元,白丁,笪潔瓊,錢天培

在AI型公司的混戰中,我們已看到了數不勝數的公司相繼倒下。在剩下的AI巨頭和後起之秀中,哪類公司又能成為最終的贏家呢?

從Element AI,Databricks到DigitalGenius,AI型公司鋪天蓋地席捲而來。各類公司分化出了不同的特性,也選擇了不同的戰略發展方向。

在他們中,我們能夠看到為客戶提供定製解決方案的「數據科學諮詢公司」,為AI解決方案提供底層基礎構架的「AI平台公司」,以及通過產品化解決方案解決某個特定商業問題的「垂直整合AI公司」。

在我看來,能夠突破這一三足鼎立的局面笑到最後的,應當是垂直整合AI公司。

為什麼這麼說呢?

首先讓我們從這三類公司的定位講起。

  • 數據科學諮詢公司:產品化程度低

  • AI平台公司:產品化程度高,解決方法針對用例數多

  • 垂直整合AI公司:產品化程度高,解決方法針對用例數少

詳解AI公司三大類別,哪種商業模式將成為最後贏家?

圖片縱軸:(下)定製;(上)產品化

圖片橫軸:(左) 單個用例;(右)多個用例

圖片內容:(左上)垂直整合AI公司; (右上)AI平台公司;(下)數據科學諮詢公司

任何一類公司都有自己的優勢和劣勢。任何一個類別中也都有最優秀的公司。但是我認為最成功的公司會集中在垂直整合AI公司中。讓我們一個個來分析看。

數據科學諮詢公司

數據科學諮詢公司的產品化程度較低。由於AI模型極其依賴於客戶提供的數據,這類公司的主要優勢在於他們更容易交付給客戶更好的結果。這類公司的劣勢在於不能很快的規模化。如果公司期望迅速增長,他們應該設法向其他類別的方向發展。

現在這類公司的數量越來越多。很多公司甚至並沒有意識到他們已陷入了這個類別——直到他們發現公司規模化出現困難或者很難找到可以重複的用例。這些公司也許有獨一無二的技術,可以獲得很多客戶,甚至有別的公司願意高價收購。但是,要想發展超出一定的規模,他們一定要「成長」,並且把解決方案產品化。AI解決方案產品化是極其困難的,有兩個主要原因。首先,如上文所述,很多AI產品極其依賴數據,而每個客戶提供的數據各不相同。更進一步說,客戶的確切需求也有很大差別。 

Element AI是一家典型的數據科學諮詢公司,這家公司今年夏初拿到了高達1億200萬美元的A輪投資 。但目前為止,這家公司還沒有一個具體的產品或者解決方法。他們的「解決方法組合」網頁列出了15條不用的用例; 「解決方法」 網頁介紹說他們「構建易於整合入現有流程的定製應用程序」。基於他們獲得的大量投資,Element AI未來應該會有所「成長」,並將他們的AI解決方案產品化。

產品化究竟是什麼意思?如果一個解決方法可以多次安裝,過程中幾乎不需要定製,就可以說這個解決方法已經產品化了。產品化可以讓公司收入增長速度遠超成本增長速度。相反的,一個諮詢公司雇傭的員工數量與公司同期的業務數量是大致成正比的。

幸運的是,對於Element Al和與其類似的公司而言,他們不需要做到完全產品化(即解決方案安裝時完全不用定製)。舉個例子,某AI公司決定要在產品化上投入工程師人力資源,目標是解決方案每次安裝時定製成本降低80%。與達到完全產品化相比,完成80%的目標可能只需要20%的人力資源。剩下20%的解決費用可以作為合理的一次性安裝費用轉嫁給客戶。因此,實現80%產品化的目標或許足以達到產品規模化的目的。

詳解AI公司三大類別,哪種商業模式將成為最後贏家?

圖表橫軸:工程師人力;總軸:產品化

產品化還有其他好處。產品化可以給其他新入行的公司設置障礙。在其他新公司努力解決規模化問題的時候,本公司可以更快的整合,技術團隊也可以把工作重心投入到開發公司的核心知識產權上。

AI平台公司

AI平台公司提供底層基礎構架,而具體的AI解決方案可以在上面運行。AI平台允許終端客戶導入數據,清理和變換數據,訓練模型和驗證模型。AI平台公司的例子包括H2O.ai公司, Skytree公司, 和 (最近轉型的) Databricks公司。

這類公司有不少獨特的優勢。首先,他們面向的市場巨大。任何企圖擴充自己AI工具的公司都是他們的潛在客戶。除此之外,AI平台公司產品化程度高,因為平台僅僅基於底層運算構架,操作系統,和支撐硬體。最後,他們有一個產品粘性優勢,意思是一旦某個公司依賴這個平台,該公司就很難離開這個平台了。

但是,大多數AI平台公司的生存空間也受到威脅:

  • 開源AI項目數量和質量增長

  • 會使用這些開源項目的程序員數量增長

近年來,開源項目在質量和可選性上取得了令人震驚的進步。谷歌TensorFlow庫最初僅專註於深度學習,現在其覆蓋範圍已經拓展到訓練、測試和機器學習模型維護等領域,並獲得了廣泛認可。TensorFlow一方面能夠輕鬆訓練出好用的模型,另一方面還能夠憑藉各種特性將模型應用到生產環境中(比如TensorFlow Serving)。此外,眾多其他公司和個人的貢獻也是開源環境發展的一大助力。雅虎旗下的一個開源項目就在Apache Spark上運行TensorFlow。臉書此前已經開放了其內部AI平台FBLearner Flow的代碼,對開源機器學習庫Torch也貢獻良多。開發者David Cournapeau 於2007年創立的Scikit-learn也是大熱的AI庫之一,目前平台貢獻者數量已超過900名。

越來越多的程序猿能夠得心應手地使用這些開源工具。供給在需求的刺激下不斷攀升,而未來五年,數據科學相關崗位需求量預計將增長15%。此外,新一代數據科學家相比「前輩」分析人員也刷新了不少技能點:前者能夠熟練運用數據科學課程中涉及的標準化開源AI工具,而後者主要是通過SAS、Excel、Alteryx和MATLAB等封閉式平台來學習數據操作和建模。

在上述兩大趨勢的推動下,大多數企業都會投向開源工具的懷抱,有些還會聘請諮詢顧問來協助工具的具體落實;而真正的AI平台公司可以施展拳腳的餘地也就所剩無幾了。

AI平台公司的日子並不好過,市場上已經出現了這方面的跡象。H2O.ai在2016年9月裁員10%,力圖從「廣撒網」式銷售模式轉型為針對少數精選客戶的「深耕細作」。公司有可能沿著產品化軸線深入發展,推出的解決方案在定製化色彩更加濃厚的同時也能為公司帶來更大的訂單(銷售團隊規模也更小)。另一個比較常見的發展方向是專註某一個用例集,最終演變為垂直AI公司。

Databricks憑藉其全球領先的Apache Spark專業知識和人才,有可能打造出無與倫比的AI平台。舉例來說,他們可能會專為推動AI而對Spark進行重大改進,而這正是其他公司很難複製的。在與開源解決方案難分伯仲的情況下,Databricks的競爭對手就會變成採用開源解決方案的內部團隊和其他公司(比如IBM的Data Science Experience就推出了在Spark上運行的Jupyter筆記本電腦)。換個思路,Databricks也可能專攻垂直AI解決方案,並將之作為主要收入來源。

垂直AI 公司

垂直AI 公司通過產品化的解決方案解決某一個或一系列的商業問題,幫助他們的企業客戶藉助AI實現進一步提升,而無需企業在內部構建或維護模型。這類案例不勝枚舉,比如提供客戶支持服務的DigitalGenius,提供招聘服務的Entelo,提供網路安全服務的Cylance,以及提供欺詐識別服務的DataVisor(我所在的公司)。

今年早些時候,Andrew Ng在《為什麼AI是新電能》一文中也提到這一情況。在文中他這樣寫道:

正如電能為上個世紀帶來了翻天覆地的變化,幾乎沒有事物沒有被這一浪潮裹挾;如今我絞盡腦汁,也想不出幾年後還有什麼行業是AI改變不了的。

AI的強化範圍不僅包括現有企業的核心技術,支持運營也被納入到了羽翼之下,具體包括銷售、營銷、客戶支持、內部通信、金融等不一而足。然而上述領域並非核心IP,因此企業也不會煞有介事地將之列為AI解決方案的優先改善對象,而是會採取購買解決方案的方式。垂直AI公司的機遇正在此處。

因此,垂直AI企業能夠充分發揮產品化解決方案的作用來擴大公司體量,卻無需頭疼困擾AI平台企業的生存問題。然而相比AI平台企業,垂直AI企業的短板在於這塊市場蛋糕更小,同行競爭也更加激烈。但如果包括Andrew Ng在內的等人是正確的,這塊還在不斷變大的蛋糕還是能夠容納所有市場的垂直AI公司佼佼者的。也正基於這一點,我認為AI領域的大多數贏家都將是垂直AI公司。

當然,並不是所有垂直AI公司都能笑到最後。贏家必須滿足三個主要條件。

首先,公司的解決方案必須能夠解決實際問題,並有強有力的成功案例作為背書。確實有一些垂直AI公司靠一些酷炫名詞來唬人,然而他們的解決方案事實上根本無法發揮AI的作用。對於那些掛羊頭賣狗肉的AI公司來說,他們的問題在於憑藉三寸不爛之舌,把那些差強人意的解決方案賣給不太懂技術的消費者。

其次,公司的解決方案不論是現在還是未來,都切忌與公司內部團隊競爭。如果公司的內部團隊已經在著手解決這個問題了,那麼想要把你的AI解決方案再賣給他們簡直比登天還難。進一步來看,把AI解決方案賣給想要內部消化這個問題的公司具有長期性風險,可能會導致教會徒弟、餓死師傅的局面發生,最終還是由公司內部團隊取代你的解決方案。

第三,整合工作應控制在合理範圍內。「合理」的定義取決於解決方案的投資回報率以及終端客戶的身份。有些客戶認為「合理的」整合時間是一天,而其他人會認為如果投資回報率很高的話,一年也是合理的。如果不存在重大的制約因素,那麼解決方案的整合工作就不是什麼大事;如果解決方案依賴於客戶數據或基礎框架,那麼就必須嚴肅認真地加以考慮。

展望未來

即使是現如今,AI在各個領域的參與程度也已經遠超我們的認知。Netflix的電影推薦、亞馬遜的Alexa以及信用卡詐騙警示等只是數百萬消費者接觸AI的冰山一角。展望未來10年,隨著人們破譯了創立或發展為AI公司的密碼,AI解決方案所帶來的種種利好將加速鋪展在人們面前。

有朝一日,當所有公司都完成了AI化,「AI公司」這一說法也將不復存在。

< /section>

Leave A Reply

Your email address will not be published.