861|1

97

帖子

0

资源

一粒金砂(中级)

中国人工智能的 76 条军规 [复制链接]

来源:雷锋网

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。

 

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。

此帖出自产业风云论坛

回复

2万

帖子

339

资源

版主

这些说成军规有点过了

此帖出自产业风云论坛

回复
您需要登录后才可以回帖 登录 | 注册

查找数据手册?

EEWorld Datasheet 技术支持

相关文章 更多>>
关闭
站长推荐上一条 1/6 下一条

About Us 关于我们 客户服务 联系方式 器件索引 网站地图 最新更新 手机版

站点相关: 安防电子 汽车电子 手机便携 工业控制 家用电子 医疗电子 测试测量 网络通信 物联网

北京市海淀区知春路23号集成电路设计园量子银座1305 电话:(010)82350740 邮编:100191

电子工程世界版权所有 京B2-20211791 京ICP备10001474号-1 电信业务审批[2006]字第258号函 京公网安备 11010802033920号 Copyright © 2005-2022 EEWORLD.com.cn, Inc. All rights reserved
快速回复 返回顶部 返回列表