前言

2017年注定是中國AI領域不平凡的一年，至少在融投資上而言，我們看到了資本一浪高于一浪的涌入與爭奪。

2017年注定是中國AI領域不平凡的一年，至少在融投資上而言，我們看到了資本一浪高于一浪的涌入與爭奪。今年10月，曠視科技（Face++）完成了C＋輪高達4.6億美元融資，不僅一舉超越了此前商湯科技的4.1億美元B輪融資，也同時刷新了全球AI領域的融資記錄。而到了11月，云從科技完成了B輪5億元人民幣融資，加上此前廣州市政府對云從科技的20億元人民幣的政府扶持資金，云從科技總計獲得25億元發展資金。

而以上僅僅是計算機視覺領域三家頭部獨角獸公司的融資情況，如果算上計算機視覺領域的其他玩家，以及如自動駕駛領域蔚來汽車，AI芯片領域的寒武紀、深鑒科技等獨角獸，還有智能硬件、機器人領域各種創業公司的融資，2017年國內全年AI領域的融資額將超過200億人民幣。

獲得了上述融資以后，目前國內AI公司的估值變得令人咋舌。以計算機視覺龍頭商湯科技為例，在傳聞阿里巴巴戰略投資了15億元人民幣之后，商湯科技的估值達到了30億美元，折合196億元人民幣，而曠視、云從等估值也早已超越了百億級。在經歷了2016年～2017年的投資熱潮以后，中國的AI公司的估值如火箭般上升，甚至與比特幣相比也毫不遜色，以至于投資人感嘆AI項目太貴的同時，很多業界人士開始質疑中國AI公司的估值是否過高了。

對于當前國內AI公司的估值，我們也許只能說，人工智能對于未來實在太重要了，以至于資本和投資者都愿意付出如此多的溢價去獲得“船票”。而最值得我們去考慮的是，未來2年～3年這一批獲得了高估值的AI公司應該如何發展才能夠長期支撐起估值？為此有必要去建立起一個成熟度模型框架，去觀察、跟蹤這批正在“通往潛在巨頭之路”公司的發展路徑。

AI企業成熟度模型

在歷史上，人工智能領域的研究先后經歷了兩次低谷期。而目前這波人工智能浪潮的再次興起，其本質原因是孜孜不倦積累30多年的深度神經網絡技術的集中爆發，在尤其是計算機視覺領域取得了巨大的進步。AlphaGo的成功很大程度上讓人工智能這項技術又一次回到了大眾的視野，進而又促進了資本對于人工智能優秀項目的追逐，也使得原本已經四分五裂到各個自學科的人工智能界，又一次大一統地重新回到了人工智能的旗幟之下。

然而這波資本的紅利期，目前已經基本屬于過去式。

如對于領頭羊商湯科技而言，過去一兩年支撐起其接近200億元估值的，從一定程度上說，是湯曉鷗教授本人，以及商湯科技自身表述的豪言壯語：“精通深度學習的人基本都讀過PHD，中國在這方面目前總共也就一、兩百號人，而商湯包攬了120人。”而今后商湯要繼續支撐其估值，除了人和團隊以外，必定是其AI產品的商業化應用。為了更好地觀察、跟蹤目前人工智能公司未來的演進，本文專門提出一個AI企業成熟度模型，如下圖所示。

階段一：基礎技術服務商。

在AI應用場景尚未成熟和得到市場驗證之際，任何AI企業都傾向于從事基礎技術的積累，這點無論對于國內外AI初創企業而言都是一樣的，最典型的案例是DeepMind。目前大多數國內AI初創公司均屬于或者準備脫離這一階段，基礎技術積累階段的特征是對于人才的爭奪，以及采取類似于實驗室形式的AI技術與算法研發，而其核心驅動因素是團隊與人才。

在此階段，AI企業們大多熱衷于在各個頂級會議發paper以及參與到各項國際AI競賽的刷榜之中。由于技術的商業化程度不足，往往只能通過項目制形式為客戶提供AI技術服務，即簡單粗暴地賣模型、賣算法，如人臉識別技術服務、基礎語言識別服務、金融領域的知識圖譜工程等。但以人和算法作為企業核心能力是不可持續的，尤其目前深度學習領域的算法紅利期變得越來越短，而人才缺口也在逐漸被填補。

階段二：整體解決方案提供商。

顯而易見的事實是，單點技術本身無法構成一項完整的應用和產品，比如狹義的人臉識別技術，需要與其他業務或者產品結合。比如技術+攝像頭，成為智能視頻監控設備，或者與傳統支付產品結合，在密碼/手機驗證碼上再加一層人臉識別驗證，類似還有ATM機上增加人臉識別，才能在特定場景中形成具備商用價值的應用。

階段三：AI產品化階段。

單靠基礎AI技術和整體解決方案本身，都難以成就一家偉大的AI公司，因為哪怕再好的技術和解決方案，都逃脫不了作為別人產品附屬的定位，AI企業要走得更遠的話，產品化是一條難以繞過的道路，這點我們可以在科大訊飛以及前些年百度所走的彎路上，看得再清晰不過了。對于目前國內AI公司的估值，未來離不開推出市場上具有影響力以及粘性的工業級/消費級AI產品，單純的技術和整體解決方案很容易就觸碰到天花板。

階段四：協同生態構筑者。

產品背后的協同生態構筑，是AI企業成熟度的最終標志。什么是協同生態？我們以亞馬遜智能音箱Echo為例，正如亞馬遜Echo推出開始時應用（Alexa的Skill）的數量慘不忍睹，隨后當Echo出貨量爆炸式增長后，亞馬遜吸引了大量開發者融入Alexa生態中，目前Alexa已經有了一萬多個Skill。而其中的關鍵驅動力，是亞馬遜強大的云計算能力——通過AVS（Amazon Voice System）以及ASK（Amazon Skills Kit）的開放，搭建了一個開發門檻低得不能再低的生態，開發者甚至完全不需要有任何語音識別的技術積累，AVS會解決所有的語音識別和語義處理等事情。這種類似于Echo的協同生態，能夠以AI產品為中心驅動大量的參與者加入到生態之中，并成為企業未來利潤的源泉。

演進中的“點、線、面、體”

對于目前國內這批已經取得如此高估值的AI獨角獸，其未來最終的使命必定是成為偉大的AI產品公司——即全面產品化、產品協同生態化，否則我們無法想象在一個未來AI算法變得越來越普世、技術方案門檻變得越來越低的時代，一家AI公司仍然依靠單純的技術服務該如何生存。

上文提出的AI企業成熟度模型，正是一家企業從技術情懷及崇拜出發、逐漸演變為偉大AI產品公司的路徑，四個階段實際上就是一個從“點”到“線”再到“面”，最終到“體”的演進過程。

“點”，就是單點技術服務商，也是在整個AI產業鏈上提供單點價值的角色，供給人臉識別、語音識別、圖像OCR、到娛樂級別的人臉變妝、顏值檢測等技術方案，以及產業輔助層面的各類數據標注服務，顯而易見單點技術的天花板通常都比較低，至少相比目前大部分AI企業的估值而言。

“線”，即圍繞特定細分場景，能夠將各個單點連接為線條的角色，也就是上文中AI企業成熟度模型中的第二階段整體技術提供商。“線”的概念，其實類似于傳統管理咨詢中的縱向一體化，在特定的垂直行業（或者其中的一個特定場景，如安防行業中的視頻監控），通過整合自身或者上下游的“點”提供全棧服務，形成整體垂直領域的解決方案。以曠視科技為例，目前曠視推出了自身的全幀率、全畫幅智能人像抓拍攝像頭，里面也使用了曠視自主設計、為自家人臉識別算法優化的FPGA芯片，這樣通過算法—芯片—硬件三點為線，形成了安防視頻監控的整體解決方案，通過全棧服務從單點的人臉識別算法商走到了上游。

“面”和“體”，即AI產品化階段，當AI整體解決方案足夠標準化，進化為具有市場普遍性和粘性的工業級/消費級AI產品后，就進入了“面”的階段，從而在面上覆蓋更多的市場領域。而當“面”（產品）足夠成熟，能夠為足夠多的第三方合作伙伴賦能時，正如亞馬遜Echo案例中，AVS為第三方賦能語音識別和語義處理，就演進為“體”，即協同生態體系。

估值堰塞湖與漣漪效應

在稍早前《500家國內AI企業大數據分析：產業布局與融投風云》一文中，通過梳理目前國內超過500家AI企業的領域分布，我提出了一個接近紡錘體的AI產業形態分布：

大多數AI初創企業集中于通用AI技術以及成為了投資熱點的消費級終端（智能機器人、無人機、智能硬件）上。行業場景應用方面雖然公司的絕對數量不少但過度集中于自動駕駛、智慧醫療和智慧金融上面，三者占了場景應用層65%的企業數量，融資金額更是占絕對多數。這反映了當前AI產業所面臨的一個事實——在本輪AI創業浪潮之中，優秀資源（科學家、資金）集中在通用AI技術上。

通過這項分析發現，根據IT桔子數據，雖然目前國內已經有超過500家AI初創公司，其中大部分分布于場景應用和消費級終端上，但整體產業大部分融資額都集中在了如商湯、曠視、依圖等通用AI技術企業上。原因在于本輪AI領域融投資的核心邏輯在于投人和團隊，而杰出科學家創業團隊往往熱衷于創辦通用AI技術企業，其中最熱門的莫過于受益于深度學習最多、相對較成熟而且離商業化最近的計算機視覺領域，因此才有了現在由商湯、曠視領銜的計算機視覺獨角獸樂園。

估值的終驗

我們看到，當前這波AI領域融資紅利期目前基本結束，由于優秀科學家團隊的稀缺性，使得產業整體融資和估值出現了明顯的馬太效應，以至于在通用AI技術領域出現了估值的“堰塞湖”。對于湖水中紛紛拿到了巨額融資的獨角獸們而言，資本既是一劑貫穿筋脈的強心針，同時也是壓力和焦慮的源泉。尤其是對部分習慣于實驗室式研究，以及在各類頂級會議上發paper的科學家創業公司，技術的商業化壓力變得更大了。

當然，對于部分尤其是中小AI公司而言，繼續選擇“點”和“線”作為自身產業定位是沒有問題的，產業同樣需要多樣性的生態，但對于估值動輒百億級別的獨角獸們，唯一的一條道路就是成為偉大的AI產品公司，向著全面產品化的“面”和“體”演進。否則，單純的技術服務和解決方案，基本上難以獲得匹配其估值的未來營業收入。

回到估值問題上，目前優秀科學家團隊、項目、技術都相對缺乏，明星企業拿到了如此高估值是可以理解的。但真正的問題是，在不遠的未來，當上述因素都變得不再稀缺的情況下，誰能夠游到全面產品化的岸上。