文｜脑极体

2018年，恨不得每个人都想到AI行业来。等到2022年，这件事可能就要被打上一个大大的问号。

不久之前，美国招聘平台Dice发布的数据报告显示，2021年美国人工智能相关岗位出现了大幅度的薪资下降。机器学习、自然语言处理和人工智能这三领域的薪资分别降低了2.1%、7.8%和8.9%，降幅超过11739美元。这是从深度学习引发AI热潮之后美国AI行业首次全面降薪。而如果大家关注AI行业与AI岗位，会发现类似事件早已在中国AI领域蔓延了出来。

从2019年下半年开始，似乎隔三岔五就能听到某家AI公司，或者一些互联网大厂AI部门传来“坏消息”。降薪，加班严重，上市困难，大牛出走，等等不一而足。2021下半年，各大AI公司开始频繁出现裁员和裁撤AI部门的传闻。对比几年前互联网公司裁员，AI疯狂吸纳人才的情况，让人不免唏嘘。

究竟是AI泡沫破裂，价值回归，还是历史上的“AI寒冬”卷土重来？

科技市场正在上演，并大概率持续发酵的AI大退却，它的真实内核究竟是什么？

各种不顺的AI，寒冬真的来了吗？

从1951年达特茅斯会议开始算起，AI的发展历史上经历过两次著名的“寒冬”。这两次事件给AI产业带来的影响甚至可以说是毁灭性的。所以当AI技术又一次出现问题时，人们的第一反应就是，寒冬是否又一次降临了？

而从这两年国内AI行业的发展情况来看，原本烈火烹油的发展势头确实遭遇了诸多“水逆”。首先我们能看到当初由学界投身产业界的各位AI大神，开始重新思考发展计划。

2019年，腾讯AI Lab主任张潼离职加盟创新工场，出任港科大和创新工场联合实验室主任，并兼任科研合伙人。2020年7月，旷视南京研究院创始院长魏秀参离职。紧接着，字节跳动副总裁、AI Lab主任马维英离职，加入清华大学智能产业研究院。

进入到2021年，产业界的AI专家与技术领军者加快了重回学界，或者投身创业的脚步。2021年8月，字节跳动AI Lab总监李磊离职，加入加州大学圣巴巴拉分校。11月，蚂蚁金服原副总裁兼首席数据科学家漆远加盟复旦大学，担任复旦人工智能创新与产业研究院院长。

伴随着学界人才回归，曾经备受资本热捧的AI公司也陆续出现麻烦。首当其冲，松鼠AI，比特大陆这样充满争议的AI公司出现问题，爆出各种裁员、降薪的“瓜”。而AI四小龙这样的公司，也在资本与效益的漩涡中挣扎。加班、降薪，上市困难，上市后频繁被问询等问题连续出现。外界对这类公司持续走高的研发投入和艰难开拓的商业市场充斥着怀疑。

接下来，互联网大厂的AI项目也受到了影响，行业普遍的高薪神话开始破灭。伴随着AI项目收益少，做AI上升前景渺茫等争议，不少互联网大厂开始出现了收缩AI项目，对AI部门进行裁员的消息。

然而在一片坏消息的开始出现的同时，国内AI市场的框架竞赛、大模型竞赛接连浮出水面。AI与垂直行业结合的方法逐渐丰富了起来，全视觉自动驾驶、生物计算等新兴AI机遇开始受到关注。

与历史上的“AI寒冬”不同，今天AI行业面对的更多是效益低下问题，部分人才和企业和资本逐渐失去了耐心，选择了退出这场烧钱竞赛。而历史上的AI寒冬，更多表现为对AI阶段性核心技术路线的彻底否定，以及新的技术机遇将AI排挤出主流视野。前者表现为1973年《莱特希尔报告》的发布，后者代表是PC淘汰了专家计算机路线。

既然与真正意义上的“AI寒冬”有所不同，那么今天AI产业表现出的退却和不顺利，内核究竟是什么？

核心症结，在于算法经济的失效

既然今天的情况是，有的企业AI发展不顺，裁员降薪，有的发展还算顺利，依旧在持续进行产品技术升级；很多AI大牛选择及时止损，回归学界，但也有很多学界投身产业的人才发展顺利，并且依旧有人继续加入。那么就需要分析一下，究竟是什么造成了AI行业“进”与“退”的同步出现。

仔细看看会发现，出现“水逆”的AI公司或者项目，大概分为三类：

1.以人脸识别、机器视觉、语音识别这类基础AI算法为业务核心的算法公司，在安防市场饱和、政府订单接近瓶颈时失去了商业活力。

2.互联网公司的AI部门，本质是用AI能力服务自己的产品体系，顺便还想将AI变现。但缺乏B端的开拓性技术和能力，基本盘是想从算法公司那里抢生意。

3.把AI当作噱头的一些公司，比如AI挖矿，AI教育，AI健身。这类公司也吸纳了不少AI人才，在AI无法引起资本兴趣后大概率草草收场。

这三类企业的共同点，在于他们的商品和卖点都集中在AI算法。算法当然是AI的核心，但却不能是AI的全貌。基础的语音、语义与机器视觉算法种类并不多，能够解决的大体是比较基础的识别问题。这类AI算法确实可以满足C端和B端场景中的一些需求，比如城市安防与公共交通系统中的人脸识别，却无法满足企业对“智能”的差异化需求。

当提供基础AI算法的企业越来越多，简单算法能够满足的市场不断饱和，这种算法经济也将快速枯竭。几年时间里，AI算法调用从几毛钱一次下降到了几分钱，进一步变成了算法白送，支付流量费用就行。当算法变得越发廉价而充沛，不再是稀缺产品，依旧把产业重心放在算法上的企业也就陷入了困境。

当然，我们可以看到每家AI企业在今天都绝不仅仅提供基础算法，而是有花样繁复的产品架构和技术思路。但让这些技术从PPT中走下来，变成真正的企业服务市场份额，期间需要跨过的门槛非常之多。

当算法经济逐渐失效，企业又没有成本、决心和能力走向差异化、定制化，解决方案式交付的企业市场，当然就只能收缩AI业务，至少可以不再负担AI人才的高职与高薪。

换句话说，AI正在经历的后退，不是AI没用了，而是一大部分AI企业卖的东西太简单了。提到智慧城市永远都是安防，提到工业恒久不变的是质检，提到互联网就是美颜和语音助手、智能推荐。这些场景都缺乏发展纵深，已经出现供给饱和，难以形成进一步发展的动力。有人说AI行业是PPT天下无敌，demo差强人意，走到市场赔光家底。如果不能把AI变成高溢价的软件产品与服务，那么确实很可能如此。

这也是为什么，我们如今很少看到AI基础算法的更新，却依旧能看到AI产品层面的升级。大模型、开发框架、求解器、简单机器学习，这些平台都指向一个方向：逃离算法经济，走向标准化的高溢价软件。

AI问题，本质是成本问题

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。

涨潮的时候，大家都只想尽快把船放到水里。

潮涨潮退之间，船才有前进的可能。

我们看到AI企业的退却，或许才是AI行业的前进。