圖檔來源@視覺中國
文丨腦極體
2018年，恨不得每個人都想到AI行業來。等到2022年，這件事可能就要被打上一個大大的問号。
不久之前，美國招聘平台Dice釋出的資料報告顯示，2021年美國人工智能相關崗位出現了大幅度的薪資下降。機器學習、自然語言處理和人工智能這三領域的薪資分别降低了2.1%、7.8%和8.9%，降幅超過11739美元。這是從深度學習引發AI熱潮之後美國AI行業首次全面降薪。而如果大家關注AI行業與AI崗位，會發現類似事件早已在中國AI領域蔓延了出來。
從2019年下半年開始，似乎隔三岔五就能聽到某家AI公司，或者一些網際網路大廠AI部門傳來“壞消息”。降薪，加班嚴重，上市困難，大牛出走，等等不一而足。2021下半年，各大AI公司開始頻繁出現裁員和裁撤AI部門的傳聞。對比幾年前網際網路公司裁員，AI瘋狂吸納人才的情況，讓人不免唏噓。
究竟是AI泡沫破裂，價值回歸，還是曆史上的“AI寒冬”卷土重來？
中國科技市場正在上演，并大機率持續發酵的AI大退卻，它的真實核心究竟是什麼？
各種不順的AI，寒冬真的來了嗎？
從1951年達特茅斯會議開始算起，AI的發展曆史上經曆過兩次著名的“寒冬”。這兩次事件給AI産業帶來的影響甚至可以說是毀滅性的。是以當AI技術又一次出現問題時，人們的第一反應就是，寒冬是否又一次降臨了？
而從這兩年國内AI行業的發展情況來看，原本烈火烹油的發展勢頭确實遭遇了諸多“水逆”。首先我們能看到當初由學界投身産業界的各位AI大神，開始重新思考發展計劃。
2019年，騰訊AI Lab主任張潼離職加盟創新工場，出任港科大和創新工場聯合實驗室主任，并兼任科研合夥人。2020年7月，曠視南京研究院創始院長魏秀參離職。緊接着，位元組跳動副總裁、AI Lab主任馬維英離職，加入清華大學智能産業研究院。
進入到2021年，産業界的AI專家與技術領軍者加快了重回學界，或者投身創業的腳步。2021年8月，位元組跳動AI Lab總監李磊離職，加入加州大學聖巴巴拉分校。11月，螞蟻金服原副總裁兼首席資料科學家漆遠加盟複旦大學，擔任複旦人工智能創新與産業研究院院長。
伴随着學界人才回歸，曾經備受資本熱捧的AI公司也陸續出現麻煩。首當其沖，松鼠AI，比特大陸這樣充滿争議的AI公司出現問題，爆出各種裁員、降薪的“瓜”。而AI四小龍這樣的公司，也在資本與效益的漩渦中掙紮。加班、降薪，上市困難，上市後頻繁被問詢等問題連續出現。外界對這類公司持續走高的研發投入和艱難開拓的商業市場充斥着懷疑。
接下來，網際網路大廠的AI項目也受到了影響，行業普遍的高薪神話開始破滅。伴随着AI項目收益少，做AI上升前景渺茫等争議，不少網際網路大廠開始出現了收縮AI項目，對AI部門進行裁員的消息。
然而在一片壞消息的開始出現的同時，國内AI市場的架構競賽、大模型競賽接連浮出水面。AI與垂直行業結合的方法逐漸豐富了起來，全視覺自動駕駛、生物計算等新興AI機遇開始受到關注。
與曆史上的“AI寒冬”不同，今天中國AI行業面對的更多是效益低下問題，部分人才和企業和資本逐漸失去了耐心，選擇了退出這場燒錢競賽。而曆史上的AI寒冬，更多表現為對AI階段性核心技術路線的徹底否定，以及新的技術機遇将AI排擠出主流視野。前者表現為1973年《萊特希爾報告》的釋出，後者代表是PC淘汰了專家計算機路線。
既然與真正意義上的“AI寒冬”有所不同，那麼今天中國AI産業表現出的退卻和不順利，核心究竟是什麼？
核心症結，在于算法經濟的失效
既然今天的情況是，有的企業AI發展不順，裁員降薪，有的發展還算順利，依舊在持續進行産品技術更新；很多AI大牛選擇及時止損，回歸學界，但也有很多學界投身産業的人才發展順利，并且依舊有人繼續加入。那麼就需要分析一下，究竟是什麼造成了AI行業“進”與“退”的同步出現。
仔細看看會發現，出現“水逆”的AI公司或者項目，大概分為三類：
1.以人臉識别、機器視覺、語音識别這類基礎AI算法為業務核心的算法公司，在安防市場飽和、政府訂單接近瓶頸時失去了商業活力。
2.網際網路公司的AI部門，本質是用AI能力服務自己的産品體系，順便還想将AI變現。但缺乏B端的開拓性技術和能力，基本盤是想從算法公司那裡搶生意。
3.把AI當作噱頭的一些公司，比如AI挖礦，AI教育，AI健身。這類公司也吸納了不少AI人才，在AI無法引起資本興趣後大機率草草收場。
這三類企業的共同點，在于他們的商品和賣點都集中在AI算法。算法當然是AI的核心，但卻不能是AI的全貌。基礎的語音、語義與機器視覺算法種類并不多，能夠解決的大體是比較基礎的識别問題。這類AI算法确實可以滿足C端和B端場景中的一些需求，比如城市安防與公共交通系統中的人臉識别，卻無法滿足企業對“智能”的差異化需求。
當提供基礎AI算法的企業越來越多，簡單算法能夠滿足的市場不斷飽和，這種算法經濟也将快速枯竭。幾年時間裡，AI算法調用從幾毛錢一次下降到了幾分錢，進一步變成了算法白送，支付流量費用就行。當算法變得越發廉價而充沛，不再是稀缺産品，依舊把産業重心放在算法上的企業也就陷入了困境。
當然，我們可以看到每家AI企業在今天都絕不僅僅提供基礎算法，而是有花樣繁複的産品架構和技術思路。但讓這些技術從PPT中走下來，變成真正的企業服務市場佔有率，期間需要跨過的門檻非常之多。
當算法經濟逐漸失效，企業又沒有成本、決心和能力走向差異化、定制化，解決方案式傳遞的企業市場，當然就隻能收縮AI業務，至少可以不再負擔AI人才的高職與高薪。
換句話說，AI正在經曆的後退，不是AI沒用了，而是一大部分AI企業賣的東西太簡單了。提到智慧城市永遠都是安防，提到工業恒久不變的是質檢，提到網際網路就是美顔和語音助手、智能推薦。這些場景都缺乏發展縱深，已經出現供給飽和，難以形成進一步發展的動力。有人說AI行業是PPT天下無敵，demo差強人意，走到市場賠光家底。如果不能把AI變成高溢價的軟體産品與服務，那麼确實很可能如此。
這也是為什麼，我們如今很少看到AI基礎算法的更新，卻依舊能看到AI産品層面的更新。大模型、開發架構、求解器、簡單機器學習，這些平台都指向一個方向：逃離算法經濟，走向标準化的高溢價軟體。
AI問題，本質是成本問題
或許有人會說，我們能看到AI企業跟各個行業的結合啊，有那麼多非常精彩的案例，怎麼能說AI公司始終停留在賣算法呢？
确實如此，如果隻看釋出會和PPT的話，AI與行業，與企業市場的融合可謂豐富多彩。其中每個案例帶來的價值，如果放到全國或者全球的行業市場存量中，都是蔚為大觀的市場佔有率。
可問題是，AI企業究竟是用了多大的成本完成了這些案例？它們真的具有可複制性嗎？
這就是AI目前階段最大的問題，技術服務商在脫離簡單低價的算法經濟，擁抱高溢價的行業市場時，本身将面臨巨大的綜合成本。
首先，AI的最大成本依舊是人才成本。目前很多相對溢價較高的AI項目，都需要技術提供商調動大量專家進行現場，支援甚至長期駐場。很多簡單的參數調優都需要博士級别的人才來完成。這些人才首先薪資極高，同時本質上更像學者而非一線工程師。他們來到行業一線有着巨大的溝通成本。如果長期依靠高水準人才的堆積來實作案例成功，那麼AI不可能規模化複制。
另一方面，定制化的AI模型也需要更複雜的訓練環境和更長的訓練周期。這牽扯出高昂的AI硬體成本。目前，訓練一個相對複雜的機器視覺模型，往往需要大量GPU進行數月甚至一年的訓練。其硬體租賃成本就可能達到幾百萬，甚至上千萬美元。這樣的硬體成本無論是技術服務商還是最終使用者都難以負擔。
AI的另一項成本壓力，來自效益回報的模糊性。大部分AI企業和業務部，都是技術為主，缺乏企業市場服務經驗。是以很難判斷哪個行業，哪種産品能夠帶來準确的市場回饋。是以經常出現大量試錯成本，以及内部的市場關系内卷内耗，繼而導緻大量成本浪費在對市場的模糊認知中。
AI企業不可能長期忍受一位AI大牛帶着十幾位博士，用數月時間才解決了某家企業的AI需求。隻有把開發成本降低，實作服務标準化、行業案例可複用，AI作為一種企業服務技術才真正有市場可言。預訓練大模型一次訓練，多次複用的邏輯；模型開發平台的簡單化自動化，都是為了以産品能力實作成本降低的目标。
從目前情況來看，AI依舊是新一輪技術變革中最具确定性的核心技術。但想要讓它煥發價值，企業首先要能夠跑赢成本壓力。而這場與成本賽跑的過程中，必定要倒下衆多企業，吹破無數泡沫。美國企業在上世紀八九十年代完成了全球IT軟體的商業收割，當時也是重度投入，群雄混戰，最後大規模洗牌。在中國企業搶占AI時代的軟體基座的戰略空間中，也必須沖破層層成本障礙。而最後一定是寡頭作為底層平台活下來。
與成本賽跑的輸赢，取決于AI企業的三重要素：
1.有沒有錢來持續投入，中小型公司會直接困死在這一步。降薪裁員等問題也多由此而引發。
2.有沒有意願持續投入。這種意願包括成本意願和市場意願。把一門新技術帶到具體行業是件很難的事，甚至将會完全改變了企業原本的業務性質和工作習慣，期間必然有諸多困難。華為成立行業軍團需要從最高層進行垂直指揮，就是為了降低這件事的意願成本。
3.能不能找到技術方法，對AI的持續投入，前提是企業需要明确到底在什麼情況下能看到市場轉機，而這就需要技術能力強大，技術路徑.準确。大模型，AI與知識結合，深度學習架構的工具化，是目前最具代表性的三條産品化之路。
當時間來到2022年，我們能看到很多優秀的AI産品和AI技術思路持續迸發，同時也看到吃老本的AI企業與業務部門正在退卻。
漲潮的時候，大家都隻想盡快把船放到水裡。
潮漲潮退之間，船才有前進的可能。
我們看到AI企業的退卻，或許才是AI行業的前進。