AI创业：始于外包，终于何？

前段时间，我与某 AI 创业公司联合创始人S君聊天，他给我讲了一个听起来很肉疼的真实故事。

S君所在的公司主攻深度学习技术，他们和某银行客户合作一个零售客户成交预测项目。

洽谈初期，银行方面告诉他们：自身已积累了上千万客户历史行为的多维度的清洁 数据 ，包括全方位客户画像、行内交易流水、行外采购数据等。

接下来，S君团队一边着手设计方案，一边进行数据对接。设计方案这条线进行得有条不紊；但数据对接方面却一再卡壳。

经过层层关卡，在项目开始一个半月后，S君的团队终于拿到银行口中“上千万且多维度的清洁数据”，结果却令人崩溃——“千万用户”中，大部分用户数据严重不符合要求，满足“多维度清洁数据”条件的只有数千人。

已经开始一个半月的原方案几乎打水漂。

团队傻眼，客户摊手，只得从头来过。

“不是傻天真地去相信。客户说有，如果你不信那就别做了呗。”我问S君是不是傻，他不屑又无奈。

“这是由多方面原因造成的：其一，银行数据保密度高，需要层层审批；其二，体制内工作效率低下；其三，银行不同部门之间的数据隔离会阻碍数据调用。往更深层次说，这会牵扯到银行内部领导的政治关系。”S君说，这些因素均不可控，但这就是现实。

对于一个像S君所在的才二十来号人的小规模创业公司来说，这无疑是人力、时间成本的惨重损失：几十个日夜的心血付诸东流，难免会挫伤团队积极性；而再进一步，这每日每夜烧的都是投资人的钱和耐心，还有创业公司的剩余寿命。

可这样的故事，每天都在上演。

困于“外包”

S君的故事于我，就像看了一张撕倒刺的图片——深深地肉疼。 而对于身处于AI行业的一线从业者来讲，每个故事背后都是“肉包子打狗”式的时间、心血以及热情。

一个做深度学习产品经理的老友告诉我：他们公司有40%的项目都无疾而终；另一个原阿里云的朋友则表示：阿里云很多项目做了3、4个月以后，才发现这并不是靠机器学习能解决的问题，“无疾而终率”高达50%。

还处于baby阶段的AI创业公司虽集万千资本宠爱于一身，但高高在上的“无疾而终率”不得不让人怀疑这个市场的健康性。投资者的钱是否能够“烧得其所”？

带着这个问题寻找答案，一圈采访下来，我的结论是：

目前绝大部分to B的AI初创公司的商业模式本质是“ 外包 ”，而实际性价比却远不如一般行业的外包。

这个观点也许不讨喜，甚至得罪人。“外包”二字在技术圈的地位向来偏低，因为从传统概念上来讲，外包属于劳动密集型工种，在知乎关于“外包”的问题下，甚至有一部分网友明确表示“看不起干外包的”。

然而，纵观to B的AI企业现状，除安防领域以外，几乎没有公司能将技术以规模化、产品化的方式输出。比较大部分to B的AI初创公司业务模式和一般行业的外包者，相似性摆在眼前：

从工作流程上来看，两者共同点在于——第一步，沟通需求和可行性；第二步，工作量评估、报价、进度安排；第三步，签署项目合同；第四步，设计、研发、测试、上线；第五步，交付相关文档与源码，技术输出；第六步，提供维护、迭代等服务。

从合作方式及定价上来看，两者共同点在于——case by case；没有一套适用于所有客户的标准化定价指标；客单利润偏低；定价分歧时有发生。

从公司结构、商业模式上来看，两者共同点在于——想挣得多只能多接活儿，多接活儿只能多招人，技术被需求牵着鼻子走。

从发展空间上来看，两者共同点在于——只能N倍增长，无法实现N方增长，想象力和发展空间均被局限。

但为何说AI行业实际性价比还远不如一般行业的外包？

第一，外包的前提，是时间和成本的可预估。但就目前大多AI公司实际业务情况来看：时间、成本均不可预估，项目进行两三个月后才发现“此路不通”的情况比比皆是。

其二，人力成本是决定外包公司存活质量的重要因素。而AI行业中，成本高昂的人才争夺战从未停止，用外包收入去养天价人才，其逻辑不攻自破，后果难以估量。

由此，AI与一般行业的外包相比，共性之余，相形见绌。

行业困于外包模式，直接导致造血能力低下、已有技术无法输出、技术研发得不到支持。如果说外包只是AI生存的第一阶段，如今，投资人看指标的时节正在步步逼近——正如非洲大草原旱季来临之时，只有生命力最顽强的动物得以幸存。

原因何在？

目前AI困于外包模式，究其原因，可分为客观规律、内因、外因三方面。

首先，客观规律：

驭势科技联合创始人兼项目部负责人彭进展告诉我，每个新技术问世所带来的产业发展都将经历“递进三阶段”： 第一阶段是技术驱动，发现技术，持续钻研，早期主要以科学家、工程师、研发人员带动；第二阶段是应用驱动，技术得到认可后，通过产品化逐步落地，并应用于不同的垂直领域中，此阶段由开发工程师主要推动；第三阶段是商业模式驱动，此时，产品、技术和应用已进入成熟期，有效的商业模式创新能带来爆发式增长。

与三个阶段所对应的还有三个验证关卡：技术验证、产品验证、量产验证——目前的AI行业卡在了第二阶段。

其次，内因：

AI技术具有典型的“落地口径窄，需求不稳定”特征，这使得其行业商业化探索阶段会更加漫长。图灵 机器人 人才战略官黄钊在他知名的200多页PPT《 人工智能 产品经理的新起点》中阐述到：AI时代有两大重要特质——高维+突变。他告诉我：“正是由于这两大特质，AI领域需求的特点是：机会多、难度大、变化又快又大。”

最后，外因：

在目前AI行业中，客户的期望控制与管理是难以绕开的大坑。

客户期望由三方面所影响：对AI技术的认知、对自身条件的认知、对自身需求的认知。然而不幸的是，就目前市场现状来看，大部分客户三方面的认知都不健全。

最常见的情况是，代表客户和AI公司对接的工作人员由于以上三方面认知不健全，提供错误信息，直接导致方案在设计环节中出现偏差，严重降低工作效率。

王汉洋生于1994年，是泛化智能的CEO。在这个坑上，他很有发言权。

他本科就读于加拿大滑铁卢大学数学专业，主修计算机。刚念完大二，他便选择休学，回国创业。其公司专注于机器学习与计算机视觉，并在电力、机场、无人机控制等方向完成行业颇有竞争力的技术积累。

因为泛化智能的客户大多来自体制内的传统行业，所以对此感受深刻。“我目前没碰到任何一个客户清楚理解深度学习是什么，关于机器学习都是听罗振宇讲的。”

为此他们专门制作了一套“文风指南”，作用是在见客户的时候帮助他们正确的理解AI，消除认知偏差。“第一条，不要写任何术语。比如‘子集’，很多客户不知道什么是子集，你应该说它包括了什么东西。”

除了客户认知问题外，数据也是外因中至关重要的点。前不久，吴恩达在旧金山发表名为“AI Is the new electricity”的主题演讲，反复强调数据对于AI的重要性。他认为，普及数据统一存储是AI技术大规模使用的前提。

客户有没有数据、给不给数据、数据是否有效——将直接影响到项目或产品的效率提升。

从何突围？

致力于打造通用型人工智能平台的第四范式互联网业务负责人周开拓这样认为：“纵横两条线一起推进。一方面，开发低耦合、通用型的产品，解决基础需求；另一方面，选定特定的垂直行业深扎，积累了足够深刻的认识和经验后，会发现问题变得越来越简单，方向也逐渐清晰起来，也能与竞争对手拉开距离。”

但至于纵、横两方面该如何平衡、哪些行业值得深扎，则需要根据不同企业自身的条件和战略去考量。

泛化智能王汉洋的思路则更为特别。

“我们现在就是外包模式。遇到聊得不错的投资人我会直接跟他这样讲，他要不认同这事儿，他就是不客观。”王汉洋认为，目前市场现状就是这样，摆正“外包心态”来做事是脱离外包模式的前提。

他认为，外包本身是一件非常有价值的事情——其一，用新技术帮用户解决问题是对技术的认可；其二，外包是挣钱的，“能让AI行业避免沾上共享经济那种荒诞烧钱的属性”；其三，外包模式下，协调多变的需求、维护客户关系这种脏活累活，正好让现在AI行业高谈阔论却不愿意踏踏实实做实事的风气有所改观。

王汉洋向我介绍了其公司目前的业务情况：“像电网这样的大行业客户初期客单价很低，一单在十几万元左右；如果是一次性合作的小公司，一单则从几十万到上百万不等。”

王汉洋的公司目前只有十来人，成本不高，但能同时接四个项目。“每个月只要有一单我就能盈亏平衡了，再多一单我就挣了。”公司大部分客户前期沟通时间长，而实际服务周期不到一个月，但也不乏有长达三四个月的大单子。“大单子不一样，基本来自于‘大行业、真需求’，一边赚钱一边学习实践，非常值！”

王汉洋感到的“值”和线性资本创始合伙人王淮的看法不谋而合。王淮认为，面对“真客户”，赚不赚钱不是最重要的。

“举个例子，假如你是一家做Fintech的公司，你和‘宇宙第一大行’工商银行合作，并且拿到他们核心的放贷业务，那这个客户就是‘真客户’。”王淮说，如果有这种经历，就像是把新兵放到真实战场中去操练一样，出来之后不管是能力、眼界还是信用度都会得到极大的提升，“哪怕赔钱也一定要做的！”

至于具体该如何脱离外包模式，王汉洋也没有十足把握。“得深入到产业中去，先做，做得多了才有机会突破。这个探索的过程就像是寻找树叶上的脉络一样，找到这些脉络，才能勾勒出产品的形态。”

“我用Siri好多年，到现在还经常被人当傻子。但我是做AI的，要我自己都不相信它，我为啥还做这行？当年智能手机刚出时，大家还觉得拿手机上网奇怪呢。”王汉洋觉得无论是Siri还是自己的“外包公司”，随着技术的发展和自身努力，都会变得越来越好。

“不是我精神分裂了，而是我不希望AI一直都这么像外包，或者满足于这个现状。”王汉洋说，主动去感知这些痛，是因为不想粉饰太平，而他相信，这些痛终将成为过程。

始于外包，终于何？

“假如把AI创业公司的竞争看做足球世界杯，现在是小组预选赛刚开始，大部分公司在让世人知道之前就会死掉。” 明势资本合伙人黄明明说。

“马太效应”、“二八定律”几乎作用于所有和人相关的领域，“到投资人看指标时，死一大片公司是很正常的事情。”王淮和黄明明持同样的观点。

对于“外包”，王淮话语犀利： “是不是外包模式是一回事，心里承不承认又是另一回事。就好像以前的gcd地下党一样，虽然你身在gmd阵营，但你内心要清楚自己的目标和阵营。要是心里面就承认了自己就是gmd，那就没得玩了。”他说，人内心的力量是很强大的，强大到足以影响到自身的行为，但承认并不是改变的必要前提。

对于经常把“这个业务不赚钱，我们要生存下去”挂在嘴边的公司，王淮基本不会再深入了解，“这样的团队其实内心已经屈服了，让他们安心的做一个外包公司不挺好？”

既然“拿着锤子找钉子”是目前AI商业化落地进程中最大的逻辑问题，王淮相信，根据各家自身的不同特点，将手中“锤子”的能力最大化，才是提高生存概率的解决之道。

作为曾经的Facebook最早的技术人员，王淮对此有深刻的思考。他认为，最终只有三种商业模式的AI公司能够发展壮大，成为行业头部公司：

其一，“工具箱化”。在向客户提供“锤子”的同时，还要配套提供“钳子”、“锯子”、“螺丝刀”。例如，Stanley Black&Decker是美国一家生产并销售工业工具及安全方案的公司，如今市值已经超过200亿美金。这是一种偏传统的思路，比得是“比同行活得更久”，对团队的技术能力要求非常高，也是最难成功的一种。

其二，“自成一体化”。和“工具箱化”不同，“自成一体化”需把提供“锤子”的能力服务于客户的思路转变为，将自身“锤子”的技术用于打磨自身业务，而不是向外界输出。相当于自己开一家“五金店”，典型的成功案例如“快手”“今日头条”。

其三，“经验共享化”。将自身变为一个“工程队”，在运用“锤子”技术解决客户问题的同时积累更多的“技能点”。典型例子是AI反欺诈领域公司同盾科技，他们早期向客户提供征信黑名单的前提，需要客户把自己的黑名单给到他们，这种形式的优点在于提供技术的同时构建起自身网络化、共享化的能力。

科幻小说巨匠阿西莫夫提出过一个理论：电梯效应。大意是讲，如果给一个1850年的科幻作家看二十世纪曼哈顿摩天大楼的照片，当他看到一幢幢超过20层甚至100层的建筑物会怎么想？

也许你用最大的想象力却只能得出这样的结论：因为“上下楼”很难，所以每个楼都会发展出独立的经济体系；摩天大楼里也会有文明人生活的必须设施，比如餐厅，理发厅，健身房等；因为大多数人不会爬太多层，所以这些设施过几层就会循环出现；底层因为出来容易，房价要比顶层高……作家越想越细，越来越多——但当“电梯”出现时，这些假设全部变得毫无意义。

纵观过去几十年计算机历史，苹果、英特尔、微软、谷歌……所有伟大或者曾经伟大过的技术公司都因创造出了能服务于整个社会的产品。做外包不是不行，但毕竟历史上没有人因外包而伟大。而古往今来，真正的革命性技术会从底层来重塑人与人，人与社会的关系。

正如王汉洋告诉我们的：如果我们没有比前人更宏大的追求，那我们又有什么理由过的比前人更好呢？

如果AI行业止步于外包，便浪费了一个技术变得更伟大的机会。