不知不觉，2018年已悄然过去一个月，但在AI创投界，仍有一个问题悬而未决：AI创业最可行的商业模式，依旧模糊不堪。
要知道，仅在中国A股市场，就有200多家大数据和人工智能企业，这还不算尚未上市的数以千计的初创企业。然而，不少投资人在抱怨，往来于各种AI论坛的光鲜中，那些科技新贵们看似群星璀璨，但真正在商业化上令人兴奋的公司数量，却非常惨淡。
去年底，一篇《保卫科大讯飞》，更是揭开了AI团队遭遇BAT时的伤疤。文章导语写道：“近20年的技术积累能为科大讯飞暂时构筑一个壁垒，但不得不说，这个壁垒在互联网企业快速迭代的模式下，将会很快瓦解”——强如科大讯飞，也在巨头面前拉响警报，其他咖位尚浅的AI创业者，不禁感到惶恐。
他们在惶恐什么？
回答这个问题，必须深谙AI产业链格局。
人工智能的产业链大概分三层。最底层是地基，包含云计算，芯片和开源框架等。这一层门槛高企，拿芯片来说，芯片市场的机会，留给了英伟达，高通这些赌资雄厚，永远也不下牌桌的“old money”身上。
英伟达在CES上推出无人车AI芯片 与优步、百度达成合作
地基之上，是中间层。你熟悉的图像识别，语音识别等通用技术，就在这一层。你之所以熟悉，是因为这一层赛道宽阔，热闹非凡，攫取了媒体最多的聚光灯：BAT将其视作关键要塞，是他们搭建生态系统的核心；深耕技术多年的各路AI中小型团队，也在这一层挤得头破血流，他们不断吸取数据，精进算法，试图与巨头掰掰手腕。
但很遗憾，据我所知，不少投资人都倾向于认为：这一层未来仍是巨头的内斗。因为若不框定某个具体行业，BAT最不缺的就是数据；且所谓搭建生态系统，基本等同于未来通用技术一定全部免费，然后靠云计算等其他服务收费。而挤在这一层的AI创业公司，却只能继续靠技术本身赚钱，未来的路只会越走越窄（理由后面会说到）。
那么，天山神仙打架，小角色只配看个热闹？当然不是，AI世界不会如此无趣，AI产业链还有最上面的应用层：小角色最明智的打法，就是手握巨头们的技术武器，选择垂直领域，一头扎进去。
这并非什么新鲜论调，已是投资界共识，我今天更想说的是：人工智能创业，该扎进哪些行业。
按照迅雷创始人程浩老师的划分，人工智能与垂直行业的相遇，可细分为“AI+行业”和“行业+AI”。“AI+行业”是指在AI革命来临前，世间不存在这样的产业，譬如无人驾驶和智能音箱，开辟了一条全新的产业链，创业公司与巨头处于同一起跑线，但事实上，这对创业公司是不利的，正因为起跑线的相对公平，巨头的数据优势，会让他们迅速拉开与创业公司的差距。
亚马逊拉开了AI音箱大战
而“行业+AI”是指行业一直存在，产业链成熟，只是过去完全靠人工，效率低，AI的辅助决策大幅提升了运行效率（比如安防和医疗等领域）——相比于“AI+行业”，“行业+AI”对创业公司更友好，也更易构建出行业壁垒。
在程浩老师看来，行业壁垒才是AI创业最夯实的护城河，巨头与创业公司唯有在“行业纵深度”这个泥泞的战壕里，才能达到真正意义上的公平——不只是起跑线公平，深耕的过程，同样公平。
他拿“医疗+AI”举例：“大量准确的被医生标注过的数据最重要，没有数据，再天才的科学家也无用武之地。但在国内，医疗数据拿出来非常困难，BAT做医疗一点优势都没有，他们要把这些数据从各医院、各科室搞出来也很累。相反，如果一个创业者在医疗行业耕耘很多年，也许拿起数据来比大公司更容易。这与互联网+一样，一旦细分到具体行业，并不是说你百度、腾讯有资金、有流量，投入人才就什么都能做，比拼的还有行业资源和人脉……在巨大的行业壁垒面前，真不是说我的算法比你好一些，市场就是我的，只有技术优势仍然差的很远。回归‘AI+行业’和‘行业+AI’，通常来讲前者的行业纵深比较浅，后者则有巨大的行业壁垒。而行业壁垒，则是创业公司最大的护城河，也是抵挡BAT的关键。”譬如，另一个有巨大壁垒的“行业+AI”案例是安防，海云数据创始人冯一村就曾坦言：“没有哪个创业公司像我们这样去扎一个行业。”这几乎是对“行业壁垒”理论的一种极端化描述：他们属于AI产业链最上层，选择了安防等“行业+AI”深耕；他们技术不错，但不靠技术本身赚钱，却赚了更多的钱。
总之，读完这篇文章，我希望你相信一件事：在广袤AI的疆域，神仙有神仙的活法，精灵有精灵的活法，巨头们的生态博弈，并没有堵死创业者的路。
只靠技术赚钱，可能性不大
科技世界，最赚钱的公司往往不是聚光灯下的公司。
譬如在大数据时代（短暂流行过后，这个词已经老了），最赚钱的不是大数据公司，而是为大数据提供底层支持的云计算公司；而在人工智能时代，真正激发的是大数据市场，“AI最重要的逻辑是用数据做智能化训练，所以在人工智能时代，最赚钱的公司并不是像商汤和Face++这类的公司，不是说这些公司不赚钱，他们也赚钱，但他们的盈利模式并没有呈现很清晰的特点。”
其实就像冯一村所言，在不少投资人眼中，倘若人工智能团队的自我定位永远是“技术提供商”，没有给客户提供一套整体解决方案，那么它在产业链中的价值将会日趋暗淡。
这不难理解。原因之一，如前所述，就像那篇《保卫科大讯飞》所写，巨头会免费提供图像和语音识别等通用技术。原因之二，AI本身的技术门槛正在下降，就像猎豹移动傅盛所言：“深度学习的核心是数据驱动，虽然有模型调参，有自己的优势，但别人有更多的数据调参会很快拉平优势，很难真的想像一家公司通过提供技术输出就能成功。未来深度学习是基础的技术运用，很多公司都具备深度学习的研发能力。”
举个例子，在过去，初创AI团队的进展受制于软件开发所花费的时间，但如今，巨头们纷纷开源了自家的深度学习框架，初创团队可以如插件一般，将人脸识别等技术嫁接到自己的系统中，让没有太多深度学习背景的开发者也能容易上手。
换句话说，单纯靠技术本身卖钱，天花板很低，也很危险。
那么问题来了，AI创业路在何方？
我认为，最可行的出路，来自于程浩提出的“一横一纵”理论：“一横”是指你提供的技术服务，通常“一横”能服务很多行业，但一定要找到几个最有机会的垂直市场，深扎进去，升级为“一纵”——也就是，把技术转化为产品，卖给客户，商业变现，再通过商业反馈更多数据，夯实技术，形成商业闭环。
总之在我看来，随着未来技术门槛的下降，AI创业者的身份认同，要从最原始的“技术提供者”，逐渐转向成为一个“行业专家”。而在这个过程中，他们应时刻谨记两点：1，面对自己时，深耕几个垂直领域，然后等待时间的回报；2，面对客户时，从技术提供者进化为一个“赋能者”，授之以鱼不如授之以渔。
授之以鱼不如授之以渔
AI创业者深耕具体行业，还有另外一个原因：AI将在To B和To G领域率先落地。
其实不止人工智能，追溯历史、计算机、互联网、智能手机，任何颠覆性技术的发展路径大抵相似：缘起于军方和政府（我一直觉得，冷战时期的美军是人类史上最大的“黑科技集中营”，这篇不赘述了），待到技术相对成熟后交还与企业，然后用于特定行业，最后变成大众消费品——AI亦如此，去年AI的落地过程，其实更多是向To B和To G等传统行业渗透的过程。
而人工智能To B和To G落地的第一站，很多都是在传统行业，用AI进行辅助决策。拿海云举例，他们大数据可视分析起家，现在把AI与可视分析技术结合，选择四个“行业+AI”深耕：公共安全，交通运输，军民融合和智慧城市，推出与这些行业结合紧密的解决方案，提升客户数据决策能力。
颇值一提的是，他们在与行业客户交流中发现，客户真正需要的其实不是提出的具体“技术需求”，而是一整套随机应变的综合能力——授之以鱼不如授之以渔，海云数据因此提出了“能力服务”的概念，这一概念现阶段的标志物，就是图易AI能力服务平台。这一平台可以通过整合软件、硬件、数据和算法，实现全程“无代码化”，客户可根据不同需求，对海云提供的模块进行拖拽和组合，自己构建智能数据处理模型。他们今后可根据不断增加的业务需求，不断更新自己的能力矩阵，如同搭积木一样，完成业务的效率提升和数据决策价值变现。
以安防领域为例，基于图易研发的“智警大脑”可以通过人脸识别（利用了百度的开放技术）进入后台，然后通过语音指令调出事故现场视频，附近的警力、周边卡口、情报分析情况、犯罪嫌疑人的路径、重点嫌疑人的档案等节点，可以瞬间通过一张图和一张网的形式，让公安人员实时看见，确保在事故发生后公安部门能快速处理。目前智警大脑已服务全国超过三分之一的公安市场，使公安情报分析准确率提升70%，指挥决策效率提升50%。
除了公共安全，图易AI能力服务平台也在完成对其他行业的改造。譬如在智慧城市建设中，它能综合处理调度整个城市的公共数据，对城市进行全局实时分析，自动调配公共资源，提升城市综合治理水平，使紧急事件响应从8分钟降低到4分钟，减少犯罪率和改善应急服务。而在交通运输领域，脱胎于图易的“智航顺”可以为机场接入400多个数据源，集成多种类型架构的数据，并在所有机场功能中生成单一的运行健康指数实时视图，可使飞行支援准备时间缩短33%，航班延误率降低一半，提高机场资源利用率28%。
结语
最后想说，在整个“行业+AI”市场，将自己定位于“行业专家”，为客户真正赋能的AI团队不只一家——事实上，在这片叫做人工智能的草原上，倘若将BAT比作不可一世的雄狮，那么这些团队就像一只只勤勉的穿山甲，它们力量或许显得卑微，但经过时间的陈酿，经过多年的深耕，穿山甲们也终将在各自领域“拱”出一方天地。
也正因如此，这片草原，才显得生机勃勃，光芒万丈。
李北辰/文
