今年10月, 曠視科技 (Face++) 完成了C+ 輪高達4.6億美元融資, 不僅一舉超越了此前商湯科技的4.1億美元B輪融資, 也同時刷新了全球AI領域的融資記錄. 而到了11月, 雲從科技完成了B輪5億元人民幣融資, 加上此前廣州市政府對雲從科技的20億元人民幣的政府扶持資金, 雲從科技總計獲得25億元發展資金.
而以上僅僅是計算機視覺領域三家頭部獨角獸公司的融資情況, 如果算上計算機視覺領域的其他玩家, 以及自動駕駛領域, AI晶片領域, 智能硬體, 機器人領域各種創業公司的融資, 2017年國內全年AI領域的融資額將超過200億人民幣.
中國AI公司的估值是否過高?
獲得了上述融資以後, 目前國內AI公司的估值變得令人咋舌. 以計算機視覺龍頭商湯科技為例, 在傳聞阿里巴巴戰略投資了15億元人民幣之後, 商湯科技的估值達到了30億美元, 摺合196億元人民幣, 而曠視, 雲從等估值也早已超越了百億級. 在經曆了2016到2017年的投資熱潮以後, 中國的AI公司估值如火箭般上升, 甚至與比特幣相比也毫不遜色, 以至於投資人感歎AI項目太貴的同時, 很多業界人士開始質疑中國AI公司的估值是否過高.
當然, 如果拿二級市場為數不多的類似標的, 也是中國AI界 '老大哥' 科大訊飛(58.820, -0.82, -1.37%)來比較的話, 上述的估值也沒什麼大不了. 科大訊飛自2015年起市盈率就沒有低於100倍, 目前更加達到了驚人的177倍, 2017年前三季度淨利潤僅有1.72億元的科大訊飛, 目前市值更是超過了850億元.
對於當前國內AI公司的估值, 我們也許只能說, 人工智慧對於未來實在太重要了, 以至於資本和投資者都願意付出如此多的溢價去獲得 '船票' . 而最值得考慮的是, 未來兩三年這一批獲得了高估值的AI公司應該如何發展才能夠長期支撐起估值? 為此有必要去建立起一個成熟度模型框架, 去觀察, 跟蹤這批正在 '通往潛在巨頭之路' 公司的發展路徑.
AI企業成熟度模型
在曆史上, 人工智慧領域的研究先後經曆了兩次低穀期. 而目前這波人工智慧浪潮的再次興起, 其本質原因是孜孜不倦積累30多年的深度神經網路技術的集中爆發, 尤其是計算機視覺領域取得了巨大的進步. AlphaGo的成功很大程度上讓人工智慧這項技術又一次回到了大眾的視野, 進而又促進了資本對於人工智慧優秀項目的追逐, 也使得原本已經四分五裂到各個自學科的人工智慧界, 又一次大一統地重新回到了人工智慧的旗幟之下.
而在經曆了八九十年代第二次人工智慧低穀期 (專家系統破滅) 後, 能仍然堅持在人工智慧領域中的機器人, 機器學習, 認知科學等子學科的研究人員本來就不多, 其中優秀科學家更加鳳毛麟角. 這批堅持下來的人工智慧科學家在近幾年已被國內BAT, 國際FLAG等巨頭瓜分殆盡, 當然後來這批優秀科學家在資本的追逐下重新出來紛紛創辦了自己的人工智慧公司, 如前穀歌明星科學家李志飛創辦了出門問問, 百度方面除吳恩達以外, 三位深度學習實驗室核心人物餘凱, 黃暢及餘鐵男創辦了地平線機器人; 百度無人駕駛事業部總經理王勁與首席科學家韓旭創辦了景馳科技.
而面對渴望風捲殘雲般融入人工智慧領域的各路資本, 優秀科學家及其項目變得極度稀缺, 國內人工智慧領軍人物幾乎十個手指頭都能數得過來. 在回顧近兩年人工智慧領域的融投資事件, 我們能夠清晰地觀察到, 資本的投資邏輯可以說並不複雜——人和團隊. 而科學家創業也成了人工智慧創投領域中最主流的形式, 在這段資本的紅利期, 人工智慧科學家成為了獲益最大的一個群體.
然而這波資本的紅利期, 目前已經基本屬於過去式.
如對於領頭羊商湯科技而言, 過去一兩年支撐起其接近200億元估值的, 從一定程度上說, 是湯曉鷗教授本人, 以及商湯科技自身表述的豪言壯語: '精通深度學習的人基本都讀過PHD, 中國在這方面目前總共也就一, 兩百號人, 而商湯包攬了120人. ' 而今後商湯要繼續支撐其估值, 除了人和團隊以外, 必定是其AI產品的商業化應用. 為了更好地觀察, 跟蹤目前人工智慧公司未來的演化, 本文專門提出一個AI企業成熟度模型.
階段一: 基礎技術服務商
在AI應用場景尚未成熟和得到市場驗證之際, 任何AI企業都傾向於從事基礎技術的積累, 這點無論對於國內外AI初創企業而言都是一樣的, 最典型的案例是DeepMind. 目前大多數國內AI初創公司均屬於或者準備脫離這一階段, 基礎技術積累階段的特徵是對於人才的爭奪, 以及採取類似於實驗室形式的AI技術與演算法研發, 而其核心驅動因素是團隊與人才.
在此階段, AI企業們大多熱衷於在各個頂級會議發paper以及參與到各項國際AI競賽的刷榜之中. 由於技術的商業化程度不足, 往往只能通過項目制形式為客戶提供AI技術服務, 即簡單粗暴地賣模型, 賣演算法, 如人臉識別技術服務, 基礎語言識別服務, 金融領域的知識圖譜工程等. 但以人和演算法作為企業核心能力是不可持續的, 尤其目前深度學習領域的演算法紅利期變得越來越短, 而人才缺口也在逐漸被填補.
階段二: 整體解決方案提供商
對於基礎AI技術服務商而言, 一個很顯而易見的事實是, 單點技術本身無法構成一項完整的應用和產品, 比如狹義的人臉識別技術, 需要與其他業務或者產品結合. 比如技術+攝像頭, 成為智能視頻監控設備, 或者與傳統支付產品結合, 在密碼/手機驗證碼上再加一層人臉識別驗證, 類似還有ATM機上增加人臉識別, 才能在特定場景中形成具備商用價值的應用.
基礎AI技術服務商需要向整體解決方案提供商進化, 從細分產業場景深耕以及數據運營兩個角度形成自身整體解決方案的核心能力, 這個階段核心驅動因素從人演化為場景和數據——聚焦於深耕細分場景和數據及其背後的整體解決方案.
AI企業國家隊雲從科技, 藉助其中科院背景, 主攻金融領域的人臉識別及反欺詐場景, 目前已攬下包括建行, 農行, 交行, 招行等50家客戶.
階段三: AI產品化階段
單靠基礎AI技術和整體解決方案本身, 都難以成就一家偉大的AI公司, 因為哪怕再好的技術和解決方案, 都逃脫不了作為別人產品附屬的定位, AI企業要走得更遠的話, 產品化是一條難以繞過的道路, 這點我們可以在科大訊飛以及前些年百度所走的彎路上, 看得再清晰不過了. 對於目前國內AI公司的估值, 未來離不開推出市場上具有影響力以及粘性的工業級/消費級AI產品, 單純的技術和整體解決方案很容易就觸碰到天花板.
階段四: 協同生態構築者
產品背後的協同生態構築, 是AI企業成熟度的最終標誌. 什麼是協同生態? 我們以亞馬遜智能音箱Echo為例, 正如亞馬遜Echo推出開始時應用 (Alexa的Skill) 的數量慘不忍睹, 隨後當Echo出貨量爆炸式增長後, 亞馬遜吸引了大量開發者融入Alexa生態中, 目前Alexa已經有了一萬多個Skill. 而其中的關鍵驅動力, 是亞馬遜強大的雲計算能力——通過AVS (Amazon Voice System) 以及ASK (Amazon Skills Kit) 的開放, 搭建了一個開發門檻低得不能再低的生態, 開發者甚至完全不需要有任何語音識別的技術積累, AVS會解決所有的語音識別和語義處理等事情. 這種類似於Echo的協同生態, 能夠以AI產品為中心驅動大量的參與者加入到生態之中, 並成為企業未來利潤的源泉.