我們擁有如此多的AI企業，為什么我們對AI的商業成就的認知感并不強?為什么我們只讀到天文數字的“預計市場規模”，但很少看到AI企業有漂亮的財務報表?

　　如今的AI行業進入越虧越燒——越燒越虧的循環，筆者和大多數人一樣，也一直在總結一些結論，如這些企業商業化的共性問題是諸如技術能力有限、缺少通向行業的痛點清單、實用人才的匱乏等等……事實上，這些問題都存在，而且本文也要進行詳細的記述，但是這似乎不完全是問題的終極答案。

　　直到做完了對圈內十幾位專業人士的深度調研，筆者才發現，問題的根源，可能源自我們對于AI落地的第一性與第二性的認知錯位，進而決定了大多數企業的路徑和資源的錯配，這才是根本性的原因。

　　閱讀提要：

　　1.認知誤差—AI落地的第一性問題是什么?

　　2.心智突破—如何讓決策者支持而非制約AI落地?

　　3.范式創新—如何解決通用性和專用性的必然矛盾?

　　4.重點突破—在核心行業深度賦能需要“助手心態”

　　5.生態建設—當前AI落地生態的難與痛

　　1

　　技術和工程，孰輕孰重?

　　“我們的規模雖然目前并不大，但我們是一直創造正向價值的并植根于實踐的，我們的努力沒有被束之高閣，而成了有創新價值的產品”，這是曾任微軟雷德蒙德研究院深度學習技術中心的首席研究員、現任京東集團副總裁、京東AI研究院執行院長的何曉冬一直頗感自豪的事。

　　相對于其它幾家互聯網超級平臺的AI研發規模，何曉冬所在的部門只有數百人，而他們的研發方向也很具體——對內依托京東的用戶規模優勢，不斷的優化智能客服的能力，對外把這種能力做成產品賣出去，應用在諸如智能政務熱線、智能外呼、數字人、智能營銷等語音語義場景里。

　　“我們方向走的對，其實只有一個原因，就是搞清楚了我們能給市場帶來什么價值，價值的核心點在哪里，然后用我們的工程能力搞定它”，何曉冬說：“脫離了價值鎖定的AI研發是很酷，但很難有商業回報。”

　　在何曉冬看來，真正意義上的“科學原理意義上的進步”，只來源于兩個渠道：“要么是對于大規模應用實踐的規律總結，要么是極少數天才在很少外部資源的支持下的‘頓悟’，而前者是絕大多數非天才的必由之路”。

　　何曉冬舉例說，如何制造一臺光刻機——”所需要的任何數學公式、物理學定律和工作原理，都可以在任何一所理工科大學的圖書館里找全，但是這距離制造出來完全是兩碼事，其間需要解決數以十萬級的工程問題。”

　　如果僅僅從經歷來說，馬兆遠是我們傳統觀念里的那種科學家，他是南方科技大學教授、英國物理學會會士，曾任清華大學未來實驗室首席研究員、更是深圳兩化融合的首席科學家。

　　推動世界的絕大多數進步，首先是解決了工程問題，這也是馬兆遠的觀點，他認為自己是“世界二流科學家，但更是個工程師。好的科學家應該是工程師，好的工程師應該是科學家”。

　　馬兆遠的觀點很犀利，他認為：“科學是第二性的，工程才是第一性的。科學家解決可能性問題，而工程師解決可行性問題。”

　　對于目前正在如火如荼的進行著的高端制造業升級，馬兆遠認為，中國高端制造業的升級，包括參與工業4.0，提升高端制造業的研發、生產水平等等，需要的首先是工程能力，是價值實現的手段問題，他說：“產業的真實進步，每一步改進，都意味著大量的選擇和優化，而這是在實踐中大量開發經驗和工程訓練積累而成的能力。”

　　而真正意義上的科學進步，反而是“需要大量工程沉淀，在充分的工程文明基礎上，科學文明自然地發生”。

　　而縱觀我們的AI企業，不缺乏的從來是講故事的能力，更不缺乏的是發論文的能力，但是對如何解決問題卻語焉不詳，或即使有案例說明，也只有前因和后果，而獨獨跳過了其中的工程環節。

　　而這種“跳過”并不是因為商業上的保密，而是因為乏善可陳，馬與何兩位的觀點重合之處在于他們都認為，AI企業不僅要了解科學、懂得技術，更重要的是知道痛點何在、價值何在，“并進行真正能把構想和創意造出來的創新型工作”。

　　而在筆者看來，這種辨析，才解決了AI商業化命題中的第一性原則，而我們的大多數AI企業，似乎把兩者顛倒過來，所以我們看到的企業請的科學家越來越高級、發的頂會論文和拿回來的國際獎項越來越多……這似乎意味著中國的AI能力不斷增強，但這似乎又無益于企業的商業變現。

　　該是解開這個悖論的時候了。

　　2

　　管理者是第二個問題

　　在AI的商業化落地中，排在第二位的重要因素，同樣是非技術問題，嚴格說，是一種管理者問題，或者是管理者的認知問題。

　　目前，中國AI企業最希望打開的是大型企業市場。利潤尚在其次，主要是大型企業的示范效應很強，一個大型企業打開局面，就可能意味著一個行業對AI敞開大門。

　　行業里盛傳的故事是，在某個重要的會議上，一家AI企業的負責人恰好與一家超大國企的負責人同車，于是順便安利了一下自家的AI技術，遂拿下千萬級的大單。

　　從大型企業的局中人，和局外人看來，對這個故事看法截然不同。

　　”這其實才是正確的打開大企業AI市場的做法，就是一定讓一把手有感知、有認同“，筆者拜訪的某特大企業的一位中層負責人給出了這樣的評價：“其實，就是兩個人不同車，也可以想辦法安排同車，或者安排在某個場合見面，這比什么推廣的效果都要好”。

　　這個說法可能讓一些AI企業不爽，但筆者采訪的絕大多數特大型企業的AI業者卻基本形成共識，他們指出，大型企業要落地一項全新的技術，最好的辦法是自上而下，而非自下而上。

　　一個特大型國企落地一個新技術體系，本身就很難，特別是前沿的數字技術。

　　絕大多數特大企業的信息化建設都很早，多年來的累積建設，如同疊屋架床，體系非常復雜。如果是在體系外圍做單點式創新還不算難，但如果要把AI技術融入大企業、大行業的技術底座，其復雜性難以想象，其失敗也是有一定概率的。

　　舉一個非AI的案例，當年阿里為了推廣釘釘，不但馬云直接找到了復星系的掌門人郭廣昌，甚至還把釘釘做成了定制版的”復星通“。即使如此，一個協同軟件也在復星體系內三年才基本鋪到基層單位，而AI落地的難度遠非釘釘可比。

　　“特大型企業負責人要考慮的問題很多，而很多問題本身是矛盾的，沒有絕對的最優解。所以沒有確定性答案的問題，就是他們很難做決定的問題。這時候你就要灌輸認知，但其實特大企業的一把手，對于互聯網巨頭的掌門人的認知度并不高，信賴成本很高”，一位業者這樣告訴筆者：“認知度不高，你還不主動接觸，不做說服工作，怎么能讓人下決心?”

　　筆者訪問過的幾乎所有特大型企業的AI負責人基本都是同樣的觀點——特大企業規模化上馬AI，一定是一個“一把手工程”，不是99%，而是100%。

　　但他們也承認，對如此復雜的體系性問題，很難通過一次對話解決，但“如果你連對話的機會都沒有，就更不要想拿下訂單了”。

　　插一句，對于這個結論，很多非體系內的業者并不認同，例如前文敘及的何曉冬博士，他就認為：“刷臉營銷是不可靠的，可以偶爾為之，但主要還是靠提供對方需要的價值。”

　　都沒錯，但看待問題的角度不同，就得出了截然不同的結論。從目前來看，恐怕還是要遵循大型企業內部人士的視角，才更為切實。

　　接下來，幾位大企業內部人士的另一個觀點讓我更感震撼，他們的觀點是：“AI能否進入企業的考慮目標，取決于高層，但是否能落地成功，取決于執行層是否傾力支持，而最大的阻力，就是中層的技術骨干。”

　　“中層其實是最保守的，因為他們是最實際的。他們的出發點是相對保守，最大的訴求是維護既得利益，所以做體系性調整中他們的阻力最大”，受訪者告訴我：“一個中層對應的可能就是一個技術條線，而整個一個技術條線的消極配合，就絕對會影響到最終的結果。”

　　當然，并不是每個人都完全是從個人考量出發，而是站位決定了保守，“對于很多成熟業務來說，用傳統的方法已經做到了極致。這時候，要你去接受一個新的技術，而且是不成熟的、需要不斷調整、優化，而且優化的權力和能力又不掌握在自己手里的技術，大部分中層骨干會選擇說不”。

　　對于AI應用，很多企業里發生的現實就是，高層難以接觸但未必排斥，基層年輕人大多歡迎、熱愛新技術，真正最難說服的是掌控實際業務的中層。

　　3

　　走出AI落地的新路徑

　　關于AI企業的技術能力，其實一直以來缺乏評定的標準。因為公司畢竟不是學術機構，參加頂會、發表論文這些標準只能參考，不能轉化為直接的銷售動能。

　　所以，這部分的采訪，筆者除了采訪技術人員外，還采訪了銷售和服務環節的從業者。你也許會覺得奇怪，為什么技術問題要去采訪銷售和服務環節的人?

　　因為只有他們對于技術的落地和后續的服務感觸最深。

　　什么是AI企業最需要的技術能力?筆者認為應該包括兩部分，即技術能力和服務于客戶的業務能力，后者是前者的延伸，但并不是前者解決了，后者就一定能自動解決。

　　目前AI商業化落地的最大困難，是沒有一條高效率、低成本，而且可以大規模復制的賦能方式。

　　而大家知道，數字經濟最大的魅力就在于可復制，一個數字產品的虛擬化拷貝可以服務于數億人，但邊際成本極度接近于零。

　　但是，在目前的AI領域，卻很難出現這樣的邊際效用遞減的現象，反而體現為應用的越深，邊際效益卻無限的增加的問題。

　　從表層看，這是AI模型的通用能力和專用能力之間的矛盾。

　　絕大多數的用戶企業都不具備獨立打造模型或者算法的能力，因為不但門檻極高，而且幾乎沒有邊際效益，所以從AI通用型企業購買服務是主流方式。像百度這樣的AI頭部企業也是著力在打造通用化AI能力。

　　我們再回想下，早年買電視的時候，甚至調試天線的位置，都需要人爬到屋頂上;或者我們早期買電腦的時候，會不明覺厲的看著帶著一疊軟盤在BIOS界面上運指如飛調參數的工程師。

　　今天，我們使用電腦，其實只要掌握開機、關機和連上wifi就可以了，這就是技術應用的進步。

　　而AI的模型復雜程度雖然遠非家電、電腦的調試可比，但道理是一樣的，目前的人工智能模型本身并不“智能”，它需要經過復雜的調試和預訓練才能夠使用。

　　比如，制造企業里的生產安全監測，算是最通用的場景了，但它的落地也不是那么簡單的。

　　比如我拜訪的一個AI架構師，他所在的企業的生產場景，是在深深的地下、復雜的地層中。

　　那么問題就來了，網絡信號無法傳輸，需要配備邊緣算力的攝像頭，或者需要有線傳輸，這成本可就高了……更嚴重的問題是，生產環境中油性顆粒和煙塵含量很高，再干凈的攝像頭，用三天就徹底“糊了”。

　　最后，這個項目面臨的選擇是，要么放棄;要么產生一條新的工序——工人必須每三天清洗一次攝像頭的外罩。

　　而這僅僅是最簡單的，還不涉及到核心技術問題，僅僅是外部變量問題的AI落地難點。

　　遠遠比這艱難的是，真正給傳統的高技術產業賦能。

　　所謂的傳統的高技術產業，就是石油、海洋監測、衛星、核能這些行業，它們本身的技術壁壘極高，AI行業的從業者很難從外部獲取足夠的知識來設計通用模型。

　　比如石油行業，很多人認為是一個傻大黑粗的土豪行業。其實，石油行業在國內應用計算機的歷史，可能比軍工行業都早。

　　石油行業的一個最典型的場景，是通過制造人工地震，用儀器回收地震波，再根據波形還原地形構造從而找油，被形象的稱為“給地球做CT”。

　　這是一個超級吃算力的行業，是一個最早擁有行業超算中心的行業，也是一個數字化程度很高，人工智能可以大有作為的行業。

　　與之相似的還有衛星行業，你可能不知道，我們頭頂的數百顆衛星，每天至少下傳100TB級別的數據，而其中傳統用戶如國土資源、海洋監測、農田監測等等，只能用到20%的數據。

　　這個行業與前面的石油行業的類似之處在于，每天產生海量的數據和圖像，但這種圖像的識別高度的非智能化，只能在計算機輔助下通過受過專業訓練的人眼識別。

　　這也是一個讓AI行業人士興奮不已的領域，要知道CV(計算機視覺)可是和NLP(自然語言理解)相媲美的人工智能前兩大應用領域，是最成熟的領域之一。

　　非常多石油、衛星領域的行業人士，都希望通過計算機視覺來解決讀圖問題，用他們的話說，哪怕只有80%的準確率，也可以把現有數據的利用率從20%提升到50%，相當于生產力提升了2.5倍。

　　但是，非常智能、也非常成熟的AI，偏偏在這個領域鎩羽。

　　其實，真正困住AI企業的，就是這類行業的傳統高技術壁壘。

　　無論是地震波的收集工具，還是衛星上的各種可見光、非可見光傳感器，都有一個特點——標準化程度很低。

　　比如石油行業的某種圖像格式，是一個上世紀80年代在行業內很盛行的西方某國的中小企業開發的專用儀器生成的，因為好用，一直用到現在還有很多地方在用。

　　但對于通用AI企業的人來說，他們幾乎沒有可能知道這家公司的存在。很大概率是，這家公司可能已經不存在了。

　　我見過不止一個石油行業的人士向AI公司的人抱怨：“你們的模型，連我們基本的數據格式都無法導入，我們怎么用呢?”

　　所以，一位業者這樣對我說過：打造垂直行業應用的難度，和它的收益成正比。越難的事情，你做成了才有獨特的價值。我們需要AI企業的人有一種助手的心態，和我們并肩工作三年、五年，把我們這個行業真正弄懂了，才能拿下大單。

　　是AI企業的人傲慢么?其實他們也一肚子委屈，因為他們根本沒法派出大隊人馬去服務，如果真的如此，結果可能是天價。

　　我們看多了“AI企業深入產業內部，攜手尋找行業know-how”之類的報道，但其實這類事情極少發生，或多發生于開拓某個行業的早期，或者是老板親自盯的項目。

　　更現實的情況是AI企業的工程師幾乎與被服務企業的人連面都沒見過。

　　為什么?因為真正的、優秀的算法工程師、架構師實在是太貴了，如果以他們的薪酬來計算服務費用，所有的訂單都是虧損的。

　　行業里盛傳的“一次派出幾十個工程師，自己掏錢住酒店，走的時候連客戶的打印機都修好了”的段子，據說就是某H企業攻掠AI市場的方法，但這的確是用虧損換市場，不走尋常路。

　　對于正常的AI企業，重頭的開銷本來是在研發上，可事實教育之下發現，更多的費用其實產生在銷售和服務環節。

　　于是，ISV模式大行其道。所謂ISV，英文全稱是Independent Software Vendors ，意為“獨立軟件開發商”，原本特指專門從事軟件的開發、生產、銷售和服務的企業。但這個詞在現今的語境下，特指通過“被集成”方式，為開放接口生態下的用戶提供第三方服務的公司。

　　原本，ISV是一種正常的、合理的商業現象，因為人才本身是分層的，人工智能模型也是一種產品。但是，就像你買一臺空調，去給你安裝的人，對空調的理解并不用達到空調設計師的程度。

　　但AI企業的特殊性在于，ISV的能力程度，雖然不需要高到算法工程師的程度，但也不能降到空調安裝工的程度，他們需要相當了解AI，能獨立協助用戶優化，最終達到合格交付的水準。

　　筆者沒有調查過海外的ISV市場，所以無法對比，但至少在本次調查中接觸的企業，對國內ISV的評價普遍不高，認為他們“不會做比及格線高哪怕1分的事情”。

　　這話可能偏激，但有個用戶企業給我講了一個實際故事——某個業內盛傳的AI智能客服大單，就是因為ISV缺乏足夠的責任心(或者是業務能力的不足)，使得精心開發的模型在實際落地中，并沒有足夠的優化和升級到位，最終使得用戶單位極不滿意，第一單，就成了最后一單。

　　但你要全怪ISV也不行，這個行業有兩個特點。

　　第一，大部分ISV的利潤并不豐富，客戶黏性也很低。所以絕大多數ISV的結果都是長不大，剛剛夠自給自足，這樣的企業很難有足夠的雄心把服務做好，因為前途不大，不適合有足夠野心的創業者，所以也難以內生強大的變革動力和把服務做好的決心。

　　第二，雖然這些ISV不好用，但現實狀態是，隨著產業級數字技術的普及，各大巨頭都需要大量的ISV去做落地，在這種情況下ISV雖然前途不大，但生存壓力也不大，企業也很難苛責他們。

　　可以看到，傳統軟件時代的“顧問咨詢-交易成單-軟件實施-軟件交付”的業務流程，高度定制化、非標化的特點，并不適用于產業互聯網，因為后者本身的出發點就是為了降低服務成本、降低人力支出，所以才有了云計算、AI乃至于PaaS、SaaS等概念，它們的出現本身是為了降本增效，但其落地環節卻成了降本增效的最大門檻。

　　這就是AI落地難的商業現實，有人總說，中國的AI行業缺的是ChatGPT這樣驚艷的發明和創新。但筆者認為，這種驚艷之作固然對人類的意義極大，但創造一種更簡便、更普惠、更低成本的把AI落地于千行百業的技術范式或者商業范式，可能難度和意義都更大。

　　4

　　結語：

　　其實，AI的商業化落地的難處，還遠不止以上這些。

　　比如，在人才側，傳統的企業對于AI人才來說，培養難、招聘更難。一個高鐵行業的朋友就告訴我，按照鐵路的機制，最接近AI實操的是各鐵路局、機務段，但在整個鐵路都是虧損的情況下，這種基層的單位開出的薪資，都很難吸引到哪怕是一個AI專業的應屆生。

　　還有，AI落地的成本高，短期內收益低，決策者要承擔的成本高，推行的阻力大等等。

　　也有人認為，技術的問題，可以通過技術來解決。例如，近年來低代碼、零門檻的AI工具也大行其道，不乏普通的鐵路工人、大學生、AI愛好者利用這些工具獨立開發出好的AI應用的案例。

　　確實，開發一個簡單的模型不難，但真正能發揮AI核心價值的，如前述的石油、海洋、衛星、核能等高技術壁壘的行業，才是能夠真正放大AI價值，使之成為國之重器的領域。而這些領域的技術深度，絕非工具層面可以解決的。

　　但筆者還是相信，AI行業有能力解決自己的問題，就像ChatGPT出現前，我們無法想象人工智能可以達到這樣的程度，AI在能力上的儲備已經到了從緩慢溢出，即將變為噴薄而出的階段，高科技行業有自己的規律，也一定能找到自己的商業化未來。