动荡时代最大的危险不是动荡本身，而是仍然用过去的逻辑做事。
”
作者 | 李雨晨 余快 青暮 维克多 杨丽
编辑 | 王亚峰
如果用一个词来概括中国的人工智能，那就是“冲突”。
无论是工业界、投资界还是学术界，他们的所有行为和历程，都是围绕冲突展开。
此前由雷锋网策划的《AI冰与火·五问》专题，是我们深入AI企业组织内部、学术界根部、传统产业界基层五年多时间里认知沉淀的一部分：
依图医疗的变卖，映射着企业决策者战略选择的冲突。
AI商业模式的崩塌，是标准化商业模式和定制化商业模式的冲突。
AI基础研究触到发展瓶颈，部分源自学术圈务实派和灌水派的人性与利益的冲突。
AI高管的贬值，是AI部门与业务部门之间的冲突。
投资人逃离AI赛道，则是投资人做局和创业者破局的博弈和冲突。
每起冲突背后，是人祸。每次寸步难行背后，也是人祸。
过去几年，AI的讨论过于聚焦“物”本身，如技术、产品、行业等理性内容。
但鲜有探讨由人构成的组织、文化和管理之类的感性信息，雷锋网希望通过《AI冰与火·五问》系列，让行业系统性意识到“AI人文和组织”的重要性。
而在12月9日-11日，我们也将于深圳举办第六届GAIR全球人工智能与机器人大会，邀请上百位嘉宾和数千位专家，在台上台下，一同探讨人工智能与数字化最高维的“理性分析”和最贴近人性的“感性洞察”。
这次大会上，我们不仅可以听到比《AI冰与火·五问》76条军规更精彩的AI基础研究、自动驾驶、安防、芯片、医疗认知，更能看到元宇宙、碳中和、隐私计算、跨境电商、MarTech的全新风向。
雷锋网《AI冰与火·五问》76条军规
1.动荡时代最大的危险不是动荡本身，而是仍然用过去的逻辑做事。
2.企业要想拿下AI赛道，解决不同背景团队之间的认知冲突、文化冲突、方法论冲突，其重要性远大于业务本身。
3.依图医疗成为弃子，是AI公司商业模式集体出现问题的缩影。成功或者失败，是创业人必然要接受的终极宿命。也许，依图的故事还将继续，只是，医疗AI江湖里再无依图。
4.AI商业模式崩塌的四个灵魂拷问：AI标准化、通用化的美梦是如何破灭的？高度定制化解决方案为什么走不通？海外高利润解决方案我们为何借鉴不来？AI企业跳出低毛利死胡同的三种激进模式是什么？
5.要把定制化走通，必须把“成本三低”做到极致：平均人力成本低、运营成本和销售成本低、产量扩大后的边际成本低。用最低的成本，去省出更多的利润空间。
6.云从之所以能率先过会，除了国家队属性，更在于它的亏损率控制。这与人效或者说重庆人力成本低有很大关系，云从科技2019年核心高管们总薪酬仅890.47万，而不少企业千万年薪的科学家比比皆是。
7.互联网巨头用高成本的人力去跑定制项目，好比拿步枪打苍蝇，投入产出非常不匹配。长期习惯做大生意的互联网公司，是不会长期从事摘豆子、捡芝麻生意的。
8.大多数AI企业逃不开“三高”病（高投入、高亏损、高人才），同时又不具备规模化效应，让他们在高度定制化且毛利低的市场，转不开磨盘、吃不饱。
9.什么是解决方案？郭士纳曾给出的定义是，如果客户需要马桶，那IBM也卖。
10.鼎盛时期的IBM看似在高度定制化解决方案里又苦又累，实则拿捏住了最核心的标准化中间件，以至于一个项目可以拿到非常高的毛利。同样，SAP有ECC，甲骨文有数据库。而AI公司至今没有这样的产品，但他们误以为AI技术本身就是中间件。
11.国内的AI乃至企业软件解决方案公司缺少高毛利的中间件产品原因：复杂系统性工程能力有限；对资金消耗大的项目，缺乏定力，容易摇摆，喜欢赚快钱；有效专利保护不足，法律手段不够狠，市场惩罚力度有限，导致抄袭成本低，壁垒无法建立。
12.AI公司的多数专利没有实际意义，形式主义大于实用主义，而有效专利又缺少强有力的保护。
13.一流的科技公司，不仅需要能创造IP，更需要用法律手段运营IP。IBM在最危难时期，通过一系列组织架构及专利许可的改革，实现利润收入总额中有25%来自于知识产权与授权的项目。甲骨文的法务团队是全公司最强势的部门，有人调侃，它应该是一家大型律所，而不是一家软件科技巨头。
14.SaaS在国内的商业环境下颇为尴尬，有了钉钉、企微、飞书后，进一步加剧了国内中小企业的“白嫖”思维，间接导致SaaS也逐步演化成大客定制化项目，重回老路。
15.淘宝在以另一种SaaS的形态存在于市场，以羊毛出在猪身上的方式，赚走了多数小微企业的钱，这让小微SaaS企业变得异常艰难。
16.AI未来的转机，也许在以下三种路径里：
路径一：重定制集成项目实施→ 数字化咨询 → 咨询业务反哺重定制实施 → 与大型客户建立高粘性和系统不可替代性
路径二：重定制集成项目实施 → 进入非标市场的标准市场（自动驾驶、芯片） → 形成标准化产品 → 低成本规模化复制
路径三：开源深度学习框架，占位国产化高地
17.现在的AI企业，随着业务不断下沉，本质上成了数字化企业，因此有设立咨询部门的必要性。数字化，用什么技术不重要，重要的是做好顶层设计、组织管理规划、数据沉淀、数据流通、数据决策，最终实现智能化。
18.AI做咨询，咨询只是引子，打通客户决策层之际，为自己的项目实施业务拉客。更通过这一引子，吃透行业，了解更多客户需求，让解决方案更为健全、通用。
19.TensorFlow和PyTorch其实都存在百亿美元的AI营收潜力，Google和Facebook之所以不以此盈利，是因为开源承载的更多是战略意义，是防止被对手吞噬的防御性基建措施。安卓的免费开源，从战略意义上讲，是为了防止被iOS和Window卡脖子。
20.抱团是学术界常见的现象。有时候适当的拉帮结派，往往有利于学术界的团结和交流融合。但如果掺杂的利益过多，便会劣币驱逐良币，最终败于“传承”。
21.同行评审是评价学术成果的重要手段，凡是重大的理论突破，只有经过同行认可，才能发挥它最大的作用。但同行评审的基础是建立在信誉基础上，通俗讲，就是不放水。
22.最早一批在深度学习领域，通过调参、灌水成功发表论文的学者，他们已经形成了利益团体，事实上也已经掌握了一定的学术资源，他们在会议、论坛、期刊拥有审稿权，能够决定一些没有创新的论文（灌水）被接收。
23.反复调参、只对原有网络做修修补补、缺乏理论指导，里面大多都‘只写how不写why’，这些都是灌水学者常用的手法。他们甚至以此为荣，经常在交流中互相攀比论文数量。
24.灌水学者有的已经博士毕业，走上学术舞台，成为导师，他们的学术风格又影响了他们的学生，然后这些学生博士毕业，也走上了学术舞台........目前来看，可能有第二代甚至第三代这种“灌水学者”都已经成为导师。
25.企业联合高校做研究，多数各取所需，较为短视，只看眼前利益。企业方往往会在合同中表明：实习生三个月出成果，教授一年完成任务。但是一般真正“有突破”的研究需要3~5年甚至更多年的时间。
26.这几年先是一窝蜂涌上来鼓吹深度学习，现在又大泼冷水，这其实都是不成熟的表现。即使人工智能在理论上最近没有什么进步，但这不代表人工智能没有进步。
27.当年的科举制度已经“变异”成帽子、职称以及地位。拿到了一定的帽子就有相应的物质资源，用这些资源继续换“帽子”........这导致有才华的年轻人都在想办法提高论文数量，以应对职称考核、学校评奖。
28.不管是论文数目，还是引用数据，只要给学者设定了这种KPI，部分国内学者一定有各种办法找到方法去解这个目标函数。
29.科学研究需要时间来检验的，现在正规的AI学术会议都会设置一个时间检验奖，目的是回到十年前，看看到底哪些论文是经得起检验的工作，因此学术要自由，不能拼数字也不能拼引用。
30.企业不敢招募AI科学家，是大部分公司现有的组织能力，并不能消化掉象牙塔里天赋异禀的科学家。人们往往把组织问题，全部归结到人身上。
31.公司所产生的AI科学家恐惧症，是一种对组织能力不自信的映射。
32.当二三线公司，发现自己并不具备吸收首席科学家的组织能力，陆续叫停招募后，人才供需的天秤便开始倾斜。肉多了，狼开始变少了，部分高级AI人才的贬值，是自然而然的事情。
33.AI研究的作用润物细无声，不能直接显现，更无法KPI化。让科学家直接去做解决方案、跑业务并不现实。科学寻找的是最优解，ToB产品的本质，则是以最优解为目标的一种妥协：标准化和定制化之间的妥协、高毛利与亏损之间的妥协、你主导和客户主导之间的妥协……
34.科学家最不擅长的就是妥协，在他们的局部世界里，自己永远是MVP，科学界确实也需要这样偏执和自负的精神。但回到工业界：大部分管理层并不迷信局部work的方法论。
35.企业对AI科学家的评价标准分两种：对内和对外。对内，帮企业解决实际业务问题。对外，与外界建立起连接，借助个人号召力招募更多一流人才、与外部顶级研究机构达成合作，反哺自身的技术能力和行业科技影响力。
36.对互联网巨头而言，面子所创造的价值，无可比拟。面子型公司活不久，里子型公司做不大。而那些活的最好的、有里有面的大公司，在他们眼里，AI的面子，有些时候比里子更重要。
37.阿里达摩院的初心是基础技术研究院，现在完全沦为阿里云的应用研究院。国内最纯粹的企业AI实验室是张正友领导的腾讯AI Lab，投入绝对人力、物力去做前沿研究。张正友去年成为腾讯历史上首位17级专家，侧面可以看出腾讯内部对长线前沿研究的决心。
38.在中小企业和传统IT企业，引入AI科学家所带来的组织矛盾隐患，些许时候要比他能解决的实际业务问题的价值更大。
39.过去五年，中小企业的AI研究院验证了一个道理：AI人才的用法，一旦过于务实，便是用“大炮打苍蝇”，一是浪费，二是不一定打得着。
40.企业持续发展的动力不是人才，而是利益分配。AI科学家在企业拿着过高的薪资，在人事高管看来，挑战了现有的薪资结构。业务高管则认为他们自己在业务一线摸爬滚打二十多年，为公司立下了汗马功劳，也没享受到那样的待遇，心里自然不平衡。
41.AI科学家高薪聘请自己学生的案例，在很多公司屡见不鲜。企业为科学家们开启的种种特殊通道，自然会让自己引火上身。
42.企业一旦发现了AI人均投入产出比低的症结后，会破天荒地为AI研究负责人制定了营收KPI：AI研究部门与业务部门的冲突，正是来自于此。
43.AI研究院赚钱的方式分两种，一是联合业务部门一起为客户做外包，从项目款中抽成。一种是给自家产品部门做内包，和业务部门收钱。但内包的方式，容易出现自家人坑自家人的情况。
44.AI研究院做内包，由于营收KPI压力巨大且知晓业务部因合规问题不能外包，于是漫天要价，因为不存在甲乙方关系，前者态度傲慢的现象屡见不鲜。同时会攻击产品部不配合、IT部代码烂、数据部样本质量差……AI研究院和业务部的矛盾，就在这些点滴小事中爆发的。
45.互联网巨头的AI研究院都独立于工程部门，话语权巨大。但现在的CEO越来越倾向让工程领导管理研究院。如吴恩达曾向李彦宏汇报，离职后，AI研究团队被工程体系王海峰领导。李飞飞离职Google后，工程统帅Jeff Dean接管了Google的人工智能研究。沈向洋离职后，微软CTO接手其6000人以上的研究团队。
46.过往有技术前瞻性的CEO们，寄希望形成一条自上而下的AI研究驱动工程、工程驱动产品、 产品赋能用户/客户的链条。事实发现，当前的AI并不能驱动工程，它只是工程的一部分，辅助落地。过往话语权颇高的独立AI研究院，也陆续名存实亡，成了工程部门的子团队。
47.作为企业研究院的代表，贝尔实验室和GE中央研究院，将技术研发工作分为两类：基础研究、技术升级或改造，对于这两类研究，可以由不同类型的科学家去独立进行。从基础研究到产品开发，再到推向市场的周期特别短，这种高效的协作有赖于大团队的人才供给，以及管理模式的创新。
48.企业研究院的成功得益于两个字：自由。自由的基础研究氛围，让贝尔实验室向全世界贡献了晶体管、激光、Unix、C语言等等改变世界的伟大发明。这种自由还有一层含义，就是只受同行评议限制，而不受考核压力限制。
49.用“业绩考核”替代“自由”，是AI研究院的大劫：在上世纪八十年代经历了拆分和华尔街介入后，头上顶着业绩考核的贝尔实验室再也没办法恢复活力，科学家甚至面临着要和市场部联合推销产品的尴尬处境。反观当下众多企业AI研究院面临的种种窘境，和当时的贝尔实验室如出一辙。
50.在学术研究上，国内AI企业研究院未能产出足够有影响力的成果。虽然发了不少顶会论文，但其实很少有完全自主的idea，基本都是follow谷歌、OpenAI这些公司做的改进研究，比如BERT、GPT-3、AlphaFold等。
51.最好的研究，是修剪已有的知识树而不是去发展它。如今人工智能尚属于百花齐放阶段，如果在某一天遇到了瓶颈，或许可以考虑去“修剪已有的知识树”，也即是在理论上抽象出智能最本质的数学概念，以此带来人工智能的下一步飞跃式发展。
52.企业设立AI研究院，有两种模式选择：麻省理工模式和哈佛模式。
53.麻省理工学院课业繁重，考核严格，其毕业生必能掌握某一领域的专业知识和技能，并有独立学习能力，质量稳定——水平比较平均。而哈佛大学的教育理念更加自由开放，考核少，并且会鼓励学生广泛涉猎，质量不稳定——水平参差不齐，尽管平均水平也很高。
54.中小企业随时挣扎在生死边缘，必须首先保证产品质量过关，还不是刻意追求独创性的时候，也就是麻省理工模式。而对于大公司，其资产实力能保证长期依靠已有业务生存，同时也能支撑需要面对大量失败尝试的基础研究，也就是哈佛模式。
55.国内早些时候的风投圈，像是一个巨婴国。这个圈子表面风光无限，剥开皮瓤都没熟透：缺少独立思想、模仿抄袭、乱搅行业、长不大。
56.押赛道式投资，不过是看到欧美哪些企业增长迅猛，照猫画虎投几家有着美国企业影子的中国公司，和抄袭无异。
57.压赛道式的投资逻辑，和深度学习的技术原理相似。设定好目标，采集大量相似样本（项目），加大算力（资金），暴力试错，最后等待一个最优结果出来。
58.AI投融资，应该是国内VC第一次表现得不那么像巨婴的领域。欧美至今未出现过互联网般成功的AI投资案例。而国内投资人在没有任何参考坐标的前提下，毅然进入这个领域，掏出全球最多的2000亿去重仓AI。
59.投资人做的局，看似给企业布了很多正资源，但在企业的真实发展道路上，可能是“负资源”。
60.个别公司引入了三流学者，对外却吹着超一流的牛，全然不知把自己置身于大型打脸现场。而这些不入流的学者在企业吹捧下，会潜移默化地把自己当大师。
61.同时能在学术、工程、产品领域有杰出实战能力的企业科学家，在国内甚至都不超过五个。同样是IEEE Fellow级专家，有些人能拿到三、四千万的年薪，有些几百万。
62.只要把明星科学家和明星创业团队的故事讲圆，下一轮会有VC愿意为之买单。这种手法在2016年-2018年间效果显著，VC尝到甜头后，亲自出马，为下一轮融资画饼造星，同时费尽心思拉拢明星投资人上船。而被拉拢的明星投资人，也成了局的一部分，能够号召更多人入局。AI投资成了局中局，杠杆撬杠杆，不断循环。局的尽头还是局。看不到产品，也不见商业化。
63.新兴AI公司相比老牌厂商的优势是什么？很多人说是技术。不全对，是高成本优势。高成本打法，单从获客角度来说，颇有好处。一套造价昂贵的系统以白菜价出售，客户新鲜感一来，自然会一试。但长期来看是饮鸩止渴。
64.AI某小龙，为了拿下客户，给销售的激励是每谈下一家公安，发一百万奖金。于是销售们疯狂地推，不管产品是否好用，不管产品单价是否过于便宜，只要能占一个坑，就是成功。
65.海康威视高管曾讲过一句非常经典的话：我们做不了用1块赚100块的生意，但在用1块赚1块的生意上，没有人能做得过我们。
66.投资人原本想做用一块赚一百块的生意，而AI公司做着花三块只收回来一块的买卖。虽然一块赚一百很难，但至少和买彩票一样，投入可控，还能买个好盼头。
67.每当企业的动作有些许变形，投资人们就把手伸入至战略、管理 、人事、财务、公关当中，控制企业走向。两种经营理念的冲突，在2018年左右开始爆发。爆发的结果是，那些没有说服投资人的公司，干脆死在路上，成了第一批炮灰。
68.AI公司高调碰硬件卖摄像头的做法，给渠道商带来了不少压力，迫使后者不得不站队，只能站在大客户一边，所以只能把AI公司的订单放弃，导致某小龙至今积压几亿的货无法销售。
69.AI公司内部在两种局的拉扯中，陷入自己的困局。两种局的背后，是这两种经营文化，一种是资本导向的经营逻辑，一种是实打实业务导向的经营逻辑。两者并不兼容。当两种文化冲突愈发激烈时，派系便会形成，内耗会加重。
70.AI商业模式的第一性原理：向下做重、向上做轻、向前咨询、向后运营。
71.向下，现在90%的AI公司走的模式，即客户需要什么，便提供什么，做高定制的软硬一体解决方案。但30亿市值是第一道天花板。要突破30亿的天花板，需从定制化的方案中，凝聚抽离出通用的中间件产品。
72.这条路SAP花了二十多年才走通，从大客定制，不断剥离，成为一家纯软件企业。在二十多年的标准化过程中，还设计出ABAP低代码语言，并且建立起了战略/IT咨询、集成、部署、数据清洗、运维等第三方合作生态，去让自己的标准化软件，有生态去支撑落地。
73.现阶段的AI行业缺少运营服务商的角色。好比老牌硬件公司是地产开发商，AI软件企业是装修公司，但现在AI行业唯独缺少第三方物业公司。
74.过去AI最赚钱的两个方向，其一是安防，其二是数据服务。前者涉及到硬件采买，营收高但利润。第二种则是数据服务，模式最轻且营收可观，做脱敏数据服务的买卖，获得ROI远高于技术实施带来的收益。两种模式有个共同的特征，便是在合规的标准线上游走，一种是隐私信息的使用，另一种是脱敏隐私信息的间接买卖。
75.AI领域如同打牌，多数投资人手中都是烂牌。
76.当投资人没有运气摊到好牌时，能做的只有尽可能地做好局部优化，把自己的烂牌，每一步打得比其他人的烂牌好那么一点点。
