今年的AI领域跟以前不一样，弥漫在业界的，都是商业化的气息，大家都在讲自己的应用落地情况。虽然也有公司在推最新的论文成果，或者算法的开源，但大家的关注点已不在此，商业化落地才是重点。
一位AI公司的创始人在与虎嗅精选交流时也曾表示，“实际上是从2018年开始在讲落地了，大家发现，原来光有这个（科研成果）不行，投资人会问你的营收在哪儿？你有一个非常牛的算法，OK，但客户不要你这个东西，也没用。所以你要往行业去，做商业化的落地，要深入行业去做。”
行业头部的公司更是在加快商业化步伐。最近，商汤科技举办2019人工智能峰会，发布了智慧城市、教育、医疗、零售、AR等领域的11款产品。而且商汤还将继续以每年开拓两三个新领域的速度去做AI的商业化落地。
众多周知商汤是当下估值最高的AI独角兽，然而大家对于商汤的商业化进程与逻辑仍然有不少困惑。例如如何实现大规模的营收与利润，如何确保在多领域发展的可持续性等。
这些问题都挺值得探讨。在探讨过程中，我们可以窥见AI公司正在构建怎样的商业模式。
商汤商业化涉足领域颇多
商汤的商业化进展是怎样的？
商汤的商业化一个最直观的特点是，在计算机视觉公司中，布局了几乎最广的应用领域。安防与智慧城市是比较早的业务，也是大家比较熟知的CV技术应用。2015年以后，新金融业务兴起，衍生出了身份认证的需求，带来了人脸识别在金融领域的落地。2016年商汤开始对AR行业进行投入，应用于互联网娱乐与手机美颜。这些都是相对比较成熟的商业化落地尝试，应用案例较多。
此外商汤联合创始人、副总裁杨帆表示，医疗是商汤从2018年开始追加投入的新行业，到目前已经有一些回报，但医疗是一个长周期的行业，需要更长的路径。
商汤为医院提供三维渲染平台
在交通领域，商汤早已与本田在自动驾驶领域进行深入合作，同时2018年开始在智能车舱领域也有一些应用落地。
商汤还涉足的领域包括零售、教育、运营商、遥感等领域。在AI公司，商汤布局的领域属于比较广的，既有线上的领域，如互联网娱乐、线上金融身份认证，又有大量的线下领域，如安防、零售、医疗、交通等。
业务线庞杂，简单梳理来看，商汤的主要业务构建于摄像头基础之上，将摄像头拍摄的内容去识别、感知出来，拿到安防与智慧城市、零售、医疗、交通等场景去应用、变现。商汤的主要业务，根据摄像头是否能够移动来划分。
目前商汤形成了四个事业群：
首先，商汤把城市里不会动的摄像头相关的业务归到一类，称为智慧城市综合业务事业群。包括学校、景区、场馆、文旅、交通等垂直领域。这些都属于广义上的智慧城市业务，例如交通路口的摄像头，公园和绿地的摄像头，地铁和街区的摄像头，依托捕捉到的相关信息，进行分析处理。
商汤在云端通过SenseFoundry视觉开放平台，利用其中的场景理解算法仓、算法生产线和视觉感知算法，去分析这些不动的摄像头所拍摄的内容。
商汤智慧城市业务相关的工具箱
二是把会动的摄像头相关的业务归到移动智能事业群，处理的是手机、车载、IoT设备、眼镜等相关领域的业务。
这些产品都偏C端，不过商汤在其中做的是服务那些生产或者运营这些C端产品的B端公司，如在利用AR技术增强视频效果的互联网娱乐业务中，商汤通过SenseAR2.0平台，提供云端的开发技术和开发工具。
商汤有一些新兴的，孵化性的业务，将其放在新兴创新事业群里面。例如商汤目前正在大力推广的教育业务就属此类。
不同于市场上的自适应学习、AI老师、AI助教等“AI+教育”模式，商汤主要做的是普及人工智能的基础教育工作，针对初高中学校，提供不同阶段的人工智能教材，以及SenseStudy AI实验平台、SenseRover Pro自动驾驶小车和SenseRover Mini小车等系列教育产品。教材提供通识教育，SenseStudy AI实验平台是用于学生的算法训练与建模等方面的实操工具。
此外还有商业与数据洞察事业群，主要做的是在数据上形成的一些新的产品。
这四个事业群中，智慧城市综合业务事业群和移动智能事业群无疑是当下商业化的主力，也在为商汤贡献着主要的营收。具体来说，安防与智慧城市、手机与AR娱乐、自动驾驶等构成了商汤的现金牛业务矩阵，在收入来源中占比较大。
按所用的摄像头是否可移动来划分事业群，背后的逻辑是什么？商汤并未透露。可能只是方便管理。相同的摄像头使用方式，决定了业务背后有一定共性。不可移动的摄像头相关的是政府、公用事业等相关的场景，整体上是B2B的业务。
这类业务背靠的都是云端的中枢平台去计算和分析，需要洞察B端客户的需求，在业务拓展上大多需要参与招投标与政府采购，项目周期更长，回款周期也会较长；可移动的摄像头相关的是消费品相关的场景，整个链条是B2B2C的业务。与前者不同，这类业务需要对C端用户的使用习惯和需求有洞察力，更强调用户体验，项目周期更短，交付上也有开放平台提供SDK等形式。
另外两个事业部的存在理由是：在一些业务环节，只有识别出来的数据信息还不够，还需要在数据中去提炼出有用的信息去辅助商业决策，这是商业与数据洞察要做的事。另外还需要在持续的项目进行中，去总结可复用的东西，让流程更加标准化。商汤还持续有新业务出现，新业务先放在新兴创新事业群里，未来视发展情况决定是独立运营、转型或者停止。
应用领域扩张不停步，融资继续
商汤还在不断拓展AI的应用领域。杨帆表示，商汤每年都会在两三个新的、商汤认为重要的、有长期价值的行业，开始新的投入。
这背后的原因可能在于，作为估值60亿美元的公司，商汤需要向市场证明，有足够的造血能力，可以利用技术获取更多的营收；有足够的增长能力，让投资人放心，也吸引后续的更多投资。公开资料显示，从2014年至今，商汤科技共经历多轮融资，融资总额已超过20亿美元。预计商汤今年还会进行融资。
虽然商汤高管称已经实现连续三年盈利，但估计现在的盈利水平还不足以支撑更大范围的业务扩张，要扩张，就需要继续融资。融资需要看增长潜力，就需要做更多领域的商业拓展，探索更多的可能性。
商汤布局了这么多领域，未来还会进入一些领域做AI落地，领域繁杂，似乎缺少一个主线。不过总结起来，这些领域存在一些共性，一是规模大，在国民经济和社会生活中占据比较重要的位置，这样才能实现规模化的应用落地。另外就是计算机视觉技术在这些领域可以解决部分痛点，实现比人更好的识别效果和识别效率。用商汤科技联合创始人、首席执行官徐立的说法，商汤选择领域的标准就是长期、稳定、现金流。长期即是指有长期需求，不是单个项目，而是可以不断复制，去提炼可复用的东西，这意味着可以规模化；稳定意味着可持续，而现金流则保障收入的稳定增长。
然而，持续的商业化拓展，又需要继续融资，这就形成了一个循环。这个循环可能在两个情况下被打破：或者潜力较大的领域已经探索的差不多，增长慢下来，不好继续融资；或者形成规模化盈利，靠内生增长来继续扩展。商汤显然需要去争取第二种结果。
商汤多管齐下的逻辑在于，算法“产能”降低扩展应用场景的边际成本。
在商业化进程上，商汤选择的是多管齐下、多领域扩展。不过从行业的近况看，已经有不少公司在做行业聚焦，深扎几个主要赛道做商业化变现，物流、医疗、零售等大场景，是AI企业扎堆落地推广解决方案的地方。
这样AI公司商业化进程形成了两条路径，要么继续多领域扩展，要么将主要精力押注在几个重点领域。
前者优势在于有可能获得更多的营收来源，有更多的故事可讲。但存在过度扩张带来的资金、人才、算力、管理经验等资源不足的风险。如果在多个领域没有取得理想效果，不仅浪费资源，也会影响投资人的信心，进一步融资会受影响。
后者更加稳妥，可以在若干个领域持续深入，积累行业经验和资源，把行业做透。但战略偏保守，没有新场景可期待。而且存在押注错误的风险，如果一个行业还没有做好数字化准备，或者AI公司本身没有能够将行业知识与AI技术融合起来，在这个行业就没法形成纵深的积累。
选择的不同，源自资源与能力的差异。
前段时间我跟一家CV领域的创业公司创始人聊天，我对于商汤这样的AI公司不断扩充应用领域、不将精力聚焦在有限个场景的策略表达了担忧，步子迈得过快，精力是否足够，怎么积累行业经验？这位创始人的回答是，不太好评价，每家公司资源与核心能力不同。
确实，大家都是按照自己的能力圈和擅长的东西去做事。
商汤的核心能力
商汤的核心资源是什么？商汤创业这些年，做的最出名的事就是引进了大量的博士，以及花大价钱买了GPU在全国各地建立超算中心。有数据显示，累计有150多位人工智能深度学习方向的博士入职商汤，另外有资料显示，到2017年，商汤深度学习超算中心拥有超过6000块GPU，去保证算力。目前商汤的AI超算平台，运营超过14000片GPU芯片，为算法训练提供算力支持。在此基础上，商汤形成了深度学习训练平台SenseParrots，去支持参数模型训练以及类别分类任务。
这样，商汤可以形成在算法生产上的能力。徐立认为，商汤有大规模的深度学习超算中心，有基于超算中心的深度学习训练平台，有针对这些训练平台的自动化算法仓，针对新的应用场景，商汤可以用一种系统化、工业化的方式去生成算法，形成针对这个行业的应用，在算法模型本身也可以用一些体系化方法去优化。这是商汤的核心能力所在。
这样，在一个垂直领域，商汤能够快速的验证算法能不能达到工业级的标准，然后在这个标准上面，推出相对应的产品，切入这个行业。所谓工业级的标准是指，把人工智能从原始的设计算法模型转换成了一种类似于标准化生产的模式，用自动或者半自动的方法生产成算法模型，在算法模型上生产出系统参数和应用。
这是商汤不断扩张应用领域的核心因素——利用算法“产能”优势，去更多的领域去试，推算法与解决方案，以获得更多的商业机会。如果把这种算法生产能力作为商汤的基础设施，去扩展更多的应用领域，实际上是充分利用产能，降低场景扩展的边际成本。
商汤最新的动作包括进入智能车舱领域，提供刷脸开门、身份识别、视线追踪、疲劳分心监测、手势识别、乘客属性分析等功能。车舱一个领域，其中涉及到多种场景，如疲劳检测这个功能之下，有打哈欠、闭眼等多种表现与之相关，分心检测之下，有打电话、抽烟、喝水等多种行为与之相关。用计算机去识别这些行为，需要有单独的算法模型去对应，众多的算法模型封装在一起，形成车舱领域的解决方案，能够去快速实现算法的生成，更快地推出产品，占领这个场景，这是商汤的优势。
当扩展更多领域、形成越来越多不同场景的解决方案的时候，单个场景所消耗的研发资源与算力可以做到边际下降。这是商汤去扩展更多场景的核心原因，也是让资本觉得更有想象力的地方。在企业的算力与算法资源的能力界限内，应用场景越广，在应用场景持续获得收入，有可能实现毛利率的上升，这样的商业逻辑上至少在理论上讲得通。
观察商汤商业化的特点，大多都跟商汤在算法与算力上的核心资源密切相关。
例如，商汤在商业化过程中强化云端平台的能力，支持前台的业务场景。在多项业务落地中，可以看到商汤更注重在云端的中枢或开发平台的作用，去支撑前端的业务场景。
在智慧城市业务中，虽然也有边缘和终端的产品，不过核心还是SenseFoundry方舟视觉开放平台这样的“视觉中枢”，以此加载深度学习自训练引擎，对数据进行训练和数据反馈，去提升实际场景的表现。
教育业务中，商汤做的是普及人工智能的基础教育工作，核心产品是SenseStudy AI实验平台，靠算法和算力的基础，支持学生去做深度学习的建模实验。在AR业务中，有AR云这样的核心产品，把一些重建、环境感知等跟3D内容相关的技术作为工具链部署在云端。这背后，都在于在云端有更强的算力支持，也更容易实现标准化的算法生产与输出。
再比如，商汤在涉足的领域中，去做多场景的落地，特别是长尾场景的覆盖。如在智慧城市业务中，除了交通路口等主要场景，商汤也在做房屋、桥梁、河道等长尾场景的识别分析；在智能车舱业务中，做危险动作、疲劳驾驶行为的识别；在AR技术在智能终端的普及中，AI加上AR是高性能计算的技术，需要手机有更强的算力，而商汤在AR产品中对技术进行优化，可以适配更多的高中低端手机。这些背后都离不开标准化算法能力与算力。
商汤商业化逻辑的几个变数
拥有标准化的算法能力，是否意味着商汤就会持续攻城夺寨呢？商业世界肯定没这么简单。把AI技术应用于各种领域去赋能，将技术落地，这个过程不是只有算法就够了。以标准化的算法生成体系为核心能力，去支撑未来的商业化进展与估值，还需要其他条件。简单来说，企业有了产能还不够，还需要产品适销对路。
这就需要面对一些问题：以算法为核心的解决方案要与行业知识、行业经验相结合，去匹配客户的需求；算法生成会越来越容易，卖算法的价格也会越来越低，需要去思考如何保持以算法生成体系为核心的竞争力。除了算法能力，商汤还需要加强在边缘和终端的布局。
在决策环节负责的场景取得突破
AI所涉及的场景可以分为两种，一种是决策环节简单的场景，识别出来就可以做决策，在这一块做商业化会非常顺畅，只有算法到位就好。
另一种是决策环节负责的领域，CV技术识别出来后，还需要结合行业经验去形成解决方案，或者还需要通过数据智能来挖掘规律，形成决策。以医学领域为例，影像可以渲染出来，识别出来，但这些图像反应什么信息，需要针对图像做什么决策，还需要行业知识来形成合乎用户需求的解决方案。
前者是计算机视觉公司喜欢的场景，通过自身的技术可以更快解决。但遗憾的是，这类场景被越来越多地开发，后者未来会在计算机视觉的应用场景中占据更多位置。在未来的AI商业中，识别将只是客户需求的一部分，将实物识别并数据化后，还需要将算法与行业知识相结合，来形成更加综合的解决方案，来匹配客户的需求。
联想集团CTO芮勇曾讲过这样一个案例，他访问一个做智能交通的公司，一位技术专家对一位行业专家说，“我有深度学习等很牛的技术”，行业专家说：“你先把‘交通法’拿回去看一看，要不然你做的一点用都没有”。
AI公司的解决方案，基于算法能力，起于场景的需求，突破点是行业知识、经验、智慧。为什么这样讲？AI企业的解决方案要想让客户买单，肯定得能解决客户的问题才行。这就需要基于行业知识去设计产品的功能和定位，然后再去做技术开发。算法是实现功能和定位的工具。一个AI解决方案里面有大量的算法，但解决方案的框架一定是基于行业知识设计的。此外，AI公司在未来的商业化过程中还需要形成数据智能的能力，去优化客户的决策。不仅是在零售、医疗等领域，在智慧城市领域也是如此，识别之后还需要数据智能技术去形成分析结果给客户做决策依据。
因此AI公司除了深度学习技术，还需要结合行业专家、数据科学家的能力。以AI在安防场景落地为例，首先需要算法把图像中的嫌疑人识别出来，后续还要支持更好地进行抓捕。为了提高抓捕率，AI解决方案可以结合运营商数据、银行数据、社交媒体数据、电商数据等多源大数据信息，挖掘相关线索，此外还需要融合一线经验丰富的民警的经验。办案多的老警察可以很自然地解构各种线索，如哪些线索可以推断某人嫌疑最大，嫌疑人曾在不同地方出现，背后的逻辑是什么等等。在安防解决方案中，可以融入这些经验，去实现人、事、地、物、组织的关联，可以挖掘与办案相关的显性、隐形的关系，形成公安技战法，更加高效地发掘办案线索，提高抓捕率。
这样来看，算法是构成AI最终产品的重要部分，但不是全部，算法与行业知识的结合，产品的易用性，产品对用户需求的精细化理解与满足，都是产品的内涵。零售、医疗等领域可以看做是这种类型的场景。商汤虽然有规模化的算法生产能力，但在零售、医疗等领域，需要一定的时间去积累对行业的理解。
徐立曾表示，人工智能是跟GDP相关的，商汤会去赋能那些在GDP在中占比大的领域。不过我们看到，在GDP占比很大的农业和制造业，已经有了一些AI应用，如农业领域的猪脸识别来辅助智能养殖、工业领域的机器视觉检测产成品瑕疵等，而商汤还没有选择进入这些领域。这其中的原因可能在于，农业和制造业有太多的细分领域，每个领域需求不同，而每个领域都有比较专业的知识去学习，并不是短时间可以做出规模的。
商汤在对算法要求高的领域，或者机器通过学习标注数据就能替代人去解决问题的领域，可以快速切入，有一定优势；而在行业知识精深、学习起来比较慢的领域，商汤的优势就不明显。
因为在这些领域，专家之所以成为专家，是经历了长时间的经验积累和学习积累。就像医生，充分学习了行业知识，又见识了足够量的病例后，才能成为有经验的医生。算法和机器没办法快速复制医生的经验和能力，所以在医疗领域的作用必然要经历很长的周期。商汤能否在未来要拓展更多领域、吃透更多场景，还需要加强对行业知识和数据智能的吸收。
以算法核心竞争力，如何形成壁垒
在没有突破性进展的情况下，随着新进入者不断增多，每个新场景里的解决方案价格，从长期看是下降的趋势。如有资料显示，AR领域去开放美颜效果的SDK，价格已经降了不少。行业里AI开放平台的SDK价格，也是下降的趋势。一个搭载各种算法的解决方案，很难在场景内形成垄断，也就不会对价格有强掌控力。这决定了解决方案在功能等方面要有更新，算法也需要去寻找新的落地场景，以获得新场景里的先发优势。
因此也衍生出一个问题，商汤还需要思考的是如何保持并升级自己的核心能力，建立算法的壁垒。算法和算力不一定能够成为足够高的、持续的壁垒，毕竟BAT的算法和算力都不弱， AI创业公司也有算法能力，这些都在对外输出算法，在AI应用落地这个市场上，算法能力并不是稀缺资源，而且在全民AI的时代，大家都在进行能力升级。通过算法能力构建业务壁垒，并非易事。
此外，将算法与应用方案落地，需要AI工程化能力。从去年开始，虎嗅接触到的几位业内人士都在谈可复用的话题，在项目实施中提取可复用的经验，去提升工程化能力。徐立最近在访谈中也提到了“可复用”。这也意味着AI行业的商业化，在一步步走出项目制的阶段，大家更多在商业化落地过程中探讨如何提取可复用的行业经验与落地实施经验，去形成一些标准化的流程。
增强在边缘和端的能力
商汤的优势在于云端的算法。不过现在越来越多的计算正在向边缘和终端迁移，以更快速地做出反应，或者优化数据传输的成本。这就需要商汤进一步加强在终端和边缘的能力。
零售场景的AI应用最为典型，实体店需要实时了解到店客户的情况，需要及时对抓拍的图像做出处理。而且为了降低数据存储与传输成本，需要在终端或者边缘对数据进行预处理，选择合适的图片信息去在云端做更进一步的分析。这就需要加强在终端和边缘的能力。在智慧城市场景，也会有越来越多的终端数据处理需求，如场馆内、广场上、景区内的行人跌倒等场景，需要系统实时发现并做出反应。这都对终端和边缘能力提出了更高要求。
在终端和边缘有更多的硬件优势和算法能力后，可以适应以上变化，而且可以增强软硬件的适配，让软硬件结合得更好，并且可以减少对硬件厂商的依赖，增强供应链能力。
目前商汤在端方面的产品主要有人脸识别门禁机，适用于通行类的场景。其适用性还是有限的。在智慧城市场景中，通行类场景只是其中一部分。而在零售等领域，门禁机恐怕就没有用武之地了。如果在摄像头、智能摄像机这样的更普适的硬件上，商汤能有所突破，对其竞争力肯定有很大帮助。
评论