艰难的商业化:合适的落地场景难找

其实,在2015年那一次机器识别准确率高于人眼之前,如今的AI四小龙已经成立了。

其中旷视科技成立最早——2011年,云从科技成立最晚——2015年。

旷视科技由三个年轻人正式创立,三位创始人是清华“姚班”毕业的印奇、唐文斌、杨沐。

商汤科技则是由香港中文大学信息工程系汤晓鸥组建的,是产学研的极佳代表。

云从科技周曦的核心创始团队有中科院背景,融资又是全内资与政府基金背景,云从又被外界称为“AI国家队”,在“AI四小龙”中,云从国资背景最强。

依图科技由朱珑、林晨曦共同创立,林晨曦曾经是阿里的第一任技术总监,更早之前是在微软亚洲研究院,是产业背景最深的一个。

这四家都在2015年拐点之前成立并一起迎接了牛市的到来。

当人脸识别的算法首次获得突破人眼的成就之时,创业者和资本都很兴奋。

整个计算机视觉行业和人脸识别产业也迎来了第一波投资上的热潮,但随后的商业化过程却并不容易。

因为,当为这项技术找一个落地姿势的时候,就非常明显地遇到了两个大问题:

第一个困境是,人脸识别就算再牛,也只是一个模块技术。这个属性意味着,它无法作为一个独立的业务出现,而大多是为原先的业务做增强服务。比如在金融业务中做人脸校验加强密码属性,比如使用人脸检索功能加强安防等领域的防控效率,比如相似人脸推荐可以用来做婚介社交和整容设计。

这样的属性意味着,如果没有合适的落地赛道,人脸识别就是空中楼阁。即便找到了合适的落地赛道,人脸识别在其中的价值量占比也不够高。

第二个困境其实是第一个困境带来的,由于需要具体的落地场景、价值占比不够高,这项技术始终没有找到比较好的商业模式。

行业中常见的有几种模式,要么是直接卖产品、要么卖人脸SDK授权和API服务,要么使用后台流量变现。算法再好,也需要产品。没有真正的标准化产品,它就会沦为项目制中的一个模块,很难做大规模;甚至有些将它作为免费的额外服务提供。

比如在A股曾经火爆过一阵的人脸识别闸机相关概念股,最后大家发现其实只要达到一定精度(不需要最高),谁都可以做,技术门槛并不高。

也就是说,AI的最终任务是实现在各垂直行业的场景化落地,并找到在其中AI能发挥最大价值、实现良好商业模式的场景赛道。或者,打造一个通用型平台。

中国AI行业融资规模与投融资数量在2013-2018年整体快速增长,但2019年出现45%左右的显著下滑,2020年投融资金额恢复42．5%正增长,但距2018年颠覆时期仍有差距,投融资数量显著下降。

二级市场的热度也可以通过研报数量提供辅证,以”人脸识别“作为关键词为例,在Wind上2015年这一关键词搜索到的行业研究(不含个股研究)报告(仅以Wind数据为例,不保证完全覆盖)数量为17篇。而在2014年这一数据为0,2018年-2020年,每年都只有1篇。

在人工智能发展的最初,算法研发能力的评判是对一家创业企业最有效的估值方法,换句话说,也就是从企业的投资转为对技术甚至是对人才的投资。

2014年年初,谷歌创始人拉里佩奇亲自操刀了一宗收购案,斥资5．4亿美元,收购一家名为DeepMind的人工智能公司,也就是后来研发AlphaGo的公司。而那时,DeepMind是没有任何商业模式方面的探索的,谷歌仅仅是为了人才,就可以掏出5．4亿美元。

但当AI竞争进入深水区,商业化才是真正的考验。

上市肉搏战:商业模式破冰乏力

在这种困境中,AI四小龙也基本都开始转型了,寻找不同的落地场景。

计算机视觉产业链可划分为基础层、技术层和应用层。基础层包括硬件支持、算法支持和数据集;技术层包括视觉技术平台、视频识别、图片识别和模式匹配;应用层包括计算机视觉技术在智慧城市、智慧安防、智慧物流、智慧金融、手机终端和智慧商业等领域的应用。

旷视科技,在原创技术的研究基础上加上IOT、公共IOT、商业IOT等三个领域的顶层设计,开始逐步打开局面,主要专注于物联网领域。

商汤科技呢,则开始向平台型“操作系统”转型,试图摆脱单一赛道带来的困境。与其他企业专注特定赛道相比,商汤没有选择具体的细分赛道。从现在的情况看,它更多是将自己定义为了一个“AI零部件”生产工厂。

云从科技从创立一开始,就是唯一一个有”国家队“背景的公司,它背后站着中科院,目前公司主力业务针对金融,是银行领域第一大AI供应商,以为客户提供解决方案为主。

依图则是一开始将计算机视觉业务对接安防的,提供算法产品的输出。随着后续项目落地,开始转向医学图像和智能城市业务。目前,依图的业务重点已经是自研AI芯片了,逐步从纯软件转向底层硬件+平台结合的路线。

从竞争格局来看,以收入规模计,商汤科技排第一,旷视科技排在第二位,高于依图科技与云从科技。不过依图科技自从撤回招股书之后未再出现更新。

来源:招股书、华尔街见闻整理

至于盈利能力,借用此前某位AI行业的一级市场投资人的话说:

全球大部分AI公司的毛利率都很低,毛利率一般都在50%-60%,而软件服务行业的毛利率在60%-80%以上。

这样的结果正是目前AI行业普遍面临的商业模式导致的,大部分公司都还在做定制化业务,不管是做政府业务、还是金融业务,只要面对大型客户,这些AI企业都很难使用通用打包产品提供客户所需要的服务。

最后就会变得和传统IT企业一样,要通过堆人头、做项目来获得收入。

2G的业务越多,毛利率就越低、销售费用率就越高。以2020年数据计算,依图科技(只有上半年数据)和商汤科技毛利率均超过70%,但云从和商汤毛利率都低于上述投资人说的50%下限。

更要命的是,由于AI类企业的研发投入要高于一般的IT企业,因此最终每一家公司都处于亏损状态。

亏得最多的商汤科技,3年多亏200多亿。

在这种局面之下,上市寻求更多资金支持就成为一条不得不走的路。

计算机视觉的前路——工业、医疗

但计算机视觉之路却并没有被堵死,因为除了”人脸识别“之外,还有工业机器视觉和医疗影像识别。

1、工业机器视觉

据天风证券的研究报告,机器视觉在工业应用中,可以用来甄别物体特征、定位、测量并检测,而这些通过人眼是很难完成的。

工业视觉具备极强的机器特性,如极高的速度、精度、重复性等,这些特性成为工业机器视觉 产品的重要参数。

与此同时,工业机器视觉拥有采集大量现场数据的能力,数据是驱动行业快速迭代、获取信息 的重要来源,这也将成为工业机器视觉未来的巨大可能。

传统的工业机器视觉采用本地数据存储和处理, 通过本地总线连接,每台设备搭载一台性能强大的电脑进行数据的存储和处理;而现在的机器视觉系统通过有线(光纤/铜缆) 或无线(WiFi/4G/5G)连接至PC端,PC端无需放置在本地。

因此随着5G的到来,机器视觉有望迎来更好的发展。

2、医疗影像

当前中国CT行业影像数据爆 炸增长,2019年市场规模达到24．7亿元,CAGR约30%。另一方面,目前我国放射科医师仅有8万多名,每年承担的诊 断工作量却达到了14．4亿张影像,结合中国医学影像数据每年30%的增速,与之相对应的放射科医师的年增长速率却只有4%,两者之间存在巨大缺口,AI+CT影像识别有望弥补这一缺口,发展潜力巨大。

AI+CT影像的主要产品形态包括:影像分析与诊断软件、CT影像三维重建系统、靶 区自动勾画及自适应放疗系统。通过智能CT影像识别,能够完成病例筛查、智能分析诊断、辅助临床诊疗决策等工 作。从应用的场景来看,主要包括胸部、四肢关节等部位,乳腺、心肺、冠状动脉、骨骼等器官组织,应用领域广阔。

人工读片存在主观性高、重复性低、定量及信息利用度不足、耗时及劳动强度和知识经验的传承困难等问题;而人工智能读片的优势体现在高效率低成本。随着产品的成熟带动识别率的提升,人工智能读片的精准度也将形成比较优势。

尾声

发展60多年来,机器视觉作为AI技术的急先锋,经历了几轮起落,终于迎来技术上的爆发。但随着技术进入深水区,寻找合适的商业模式真正成为了机器视觉这门技术的最大难点。

互联网巨头的AI技术可以在自身不断得到验证,字节的推荐算法可以通过用户点击数据验证;美团的算法可以优化骑手路线通过送达时间变化来验证等。

我们最近看到的四小龙扎堆IPO仅仅是行业规范化、商业化的开端,计算机视觉的前路还很长。

但是国家政策一直是鼓励并支持AI产业的发展的,相信未来它们一定能找到更好的出路,带领中国的计算机视觉乃至整个AI产业走在全球前列。

来源:中国传动网