2022年5月27日，有AI四小龍之稱的云從科技（688327.SH）登陸科創(chuàng)板，首日定價(jià)15.37元，市值不足120億元。遙想2020年5月，公司完成上市之前的最后一輪融資（pre-IPO輪），合計(jì)6億元，彼時(shí)估值已經(jīng)達(dá)到130億元。上市價(jià)格低于pre-IPO價(jià)格，在A股非常罕見(jiàn)。
上市時(shí)距離上輪融資已過(guò)2年，公司發(fā)展和資本市場(chǎng)反饋均不及上一輪融資之時(shí)。云從科技一直未實(shí)現(xiàn)盈利。2019年-2021年，云從科技凈利潤(rùn)分別為-6.92億元、-8.44億元、-6.64億元。財(cái)務(wù)指標(biāo)有兩大特征：一是毛利率偏低，只有30%-40%；二是研發(fā)費(fèi)用居高不下。
同為AI四小龍之一的商湯（00020.HK）面臨同樣的盈利困境。2018年-2021年商湯合計(jì)虧損376.89億元，同期營(yíng)收合計(jì)僅130.26億元，虧損接近營(yíng)收的3倍。而且虧損額還在逐年加大。
(資料圖)
2022年6月末一級(jí)市場(chǎng)投資人解禁，商湯科技日跌幅近47%。2021年12月上市時(shí)，商湯發(fā)行價(jià)3.85港元/股。上市半年，價(jià)格最低跌到2.38港元/股。
2022年之前，國(guó)內(nèi)資本市場(chǎng)普遍看好一個(gè)方向：新技術(shù)改造傳統(tǒng)產(chǎn)業(yè)，實(shí)現(xiàn)國(guó)際競(jìng)爭(zhēng)中彎道超車。其中，人工智能替代人力投入的技術(shù)特征，契合了中國(guó)人口紅利末期產(chǎn)業(yè)升級(jí)的需求。而且，谷歌的Alpha Go持續(xù)刷新圍棋對(duì)戰(zhàn)紀(jì)錄，更讓市場(chǎng)看到了人工智能的無(wú)窮潛力。這些都催生了國(guó)內(nèi)人工智能的投資熱潮。
2015年-2017年我國(guó)新成立的人工智能公司占到近十年注冊(cè)量的50%，其中就包括大家耳熟能詳?shù)腁I四小龍。另一方面融資規(guī)模也在逐年加大，2015年-2021年行業(yè)融資金額每年以翻倍的增速上升，單筆融資額也從2015年不足1億元攀升都2021年接近3.5億元。這直接體現(xiàn)了人工智能行業(yè)不斷壯大、落地場(chǎng)景不斷豐富的特征。但也從側(cè)面反映出，行業(yè)發(fā)展依靠“燒錢”，自身造血能力弱。
人工智能行業(yè)2015年-2021年，合計(jì)融資超萬(wàn)億元。雖然國(guó)家出臺(tái)各類支持政策，但是行業(yè)依舊處在大面積虧損狀態(tài)。一邊是投資熱潮、未來(lái)科技焦點(diǎn)，一邊是企業(yè)虧損、從業(yè)人員焦慮。
這讓我們不禁想要探求人工智能行業(yè)為什么虧損？這些企業(yè)是否真的能“燒”出一個(gè)未來(lái)？
人工智能企業(yè)為什么虧損？首先需要分析，為何相較一般軟件行業(yè)，其毛利率較低。
開(kāi)展一個(gè)人工智能項(xiàng)目，并非大家想象中從零開(kāi)始搭建精密的算法模型。這樣開(kāi)發(fā)周期和成本均不能掌控。行業(yè)發(fā)展至今，已經(jīng)形成了相對(duì)完備的模型庫(kù)。業(yè)務(wù)開(kāi)發(fā)人員只需抽取相關(guān)模型，用特定數(shù)據(jù)進(jìn)行訓(xùn)練優(yōu)化即可。
所以從開(kāi)發(fā)階段劃分來(lái)看，人工智能項(xiàng)目大致可以劃分為四個(gè)階段：
1. 數(shù)據(jù)處理；
2. 模型設(shè)計(jì)及優(yōu)化；
3. 模型評(píng)估及調(diào)整；
4. 實(shí)施部署。
各階段的成本也呈現(xiàn)出不同特點(diǎn)。數(shù)據(jù)處理階段主要為數(shù)據(jù)成本；模型設(shè)計(jì)及優(yōu)化階段主要為算法成本；最后兩個(gè)階段主要是交付成本。
（1）先看數(shù)據(jù)成本
數(shù)據(jù)處理環(huán)節(jié)內(nèi)容較為龐雜，不僅包括原始數(shù)據(jù)獲取或購(gòu)買，還包括將數(shù)據(jù)整理成人工智能模型可識(shí)別的類型，甚至還要對(duì)數(shù)據(jù)進(jìn)行裁剪、加粗等增強(qiáng)工作，形成適合的數(shù)據(jù)。
高質(zhì)量的數(shù)據(jù)是算法模型成功的重要保障，但是數(shù)據(jù)處理并非一個(gè)技術(shù)問(wèn)題。處理過(guò)程雖然簡(jiǎn)單，但往往是大量人力堆積的結(jié)果。數(shù)據(jù)標(biāo)注行業(yè)，業(yè)已成為經(jīng)濟(jì)相對(duì)落后地區(qū)的重點(diǎn)發(fā)展產(chǎn)業(yè)。
自然語(yǔ)言處理（NLP）是一類讓計(jì)算機(jī)理解人類語(yǔ)言，從而快速給出海量資料分析結(jié)果的人工智能基礎(chǔ)技術(shù)。一個(gè)常見(jiàn)的NLP模型，訓(xùn)練數(shù)據(jù)樣本量在5萬(wàn)-10萬(wàn)/標(biāo)簽，稍微復(fù)雜一些的模型，訓(xùn)練數(shù)據(jù)樣本量要20萬(wàn)個(gè)。
文本數(shù)據(jù)標(biāo)注還算簡(jiǎn)單，但是像人臉識(shí)別類模型，需要對(duì)圖像數(shù)據(jù)進(jìn)行標(biāo)注。單個(gè)樣本標(biāo)注處理時(shí)間是文本數(shù)據(jù)3倍-5倍。訓(xùn)練一個(gè)人臉識(shí)別模型大概需要10萬(wàn)的樣本量，數(shù)據(jù)整理標(biāo)注成本較高。如果樣本數(shù)據(jù)需要購(gòu)買，整個(gè)數(shù)據(jù)成本要占到項(xiàng)目總成本的接近60%。從項(xiàng)目開(kāi)發(fā)時(shí)間來(lái)看，數(shù)據(jù)采集、清洗、標(biāo)注、增強(qiáng)等處理時(shí)間占到整個(gè)開(kāi)發(fā)周期80%。
可惜的是，花費(fèi)如此高的數(shù)據(jù)成本之后，所開(kāi)發(fā)模型的通用性并不高。核心在于各場(chǎng)景下的數(shù)據(jù)標(biāo)準(zhǔn)很難統(tǒng)一。例如胡同交通和馬路交通都并不一致，同樣的識(shí)別模型在兩個(gè)場(chǎng)景切換時(shí)就會(huì)產(chǎn)生巨大的效果差異。
而修改模型的成本不亞于重新開(kāi)發(fā)一個(gè)模型。模型訓(xùn)練所需的數(shù)據(jù)質(zhì)量要求高、通用性弱，造成了數(shù)據(jù)部分成本頗為剛性。
（2）再看算法成本
算法成本，即具體應(yīng)用模型的設(shè)計(jì)及開(kāi)發(fā)所產(chǎn)生的支出，主要體現(xiàn)在工程師的人力成本和模型訓(xùn)練所必須的硬件投入。
一般來(lái)看，一個(gè)市場(chǎng)定價(jià)在5萬(wàn)-10萬(wàn)元的常用算法模型項(xiàng)目，開(kāi)發(fā)時(shí)間約為100小時(shí)，需要1個(gè)-2個(gè)算法工程師。單個(gè)算法工程師單月產(chǎn)能為8萬(wàn)-10萬(wàn)元。按照常用模型平均復(fù)用率3次（即同一個(gè)模型可以銷售3次）來(lái)估算，其單月創(chuàng)收為20萬(wàn)-30萬(wàn)元。然而算法工程師當(dāng)前薪酬5萬(wàn)-8萬(wàn)元/月，人力成本不可謂不高。這也難怪一些人工智能公司常常抱怨招不起人。
而且值得說(shuō)明的是，人工智能當(dāng)前依舊處在高速成長(zhǎng)期，算法人才供不應(yīng)求，用工成本不會(huì)大幅下降。
模型訓(xùn)練所需要硬件投入，相對(duì)數(shù)據(jù)、人力成本占比較低。而且作為固定資產(chǎn)，其復(fù)用率也高。其投入主要就是CPU和GPU。一塊性能中等的CPU市場(chǎng)均價(jià)3000元左右，一般市場(chǎng)定價(jià)在5萬(wàn)-10萬(wàn)元的常用算力模型，大概需要4塊-6塊CPU。這方面投入額不到2萬(wàn)元，且各個(gè)項(xiàng)目通用性高，成本平攤之后相對(duì)較低。
（3）最后看看交付成本
交付成本指的是在模型驗(yàn)收和實(shí)施部署階段，不能一次性成功交付，需要反復(fù)調(diào)整而產(chǎn)生的支出。當(dāng)前國(guó)內(nèi)一般項(xiàng)目一次性通過(guò)率不足60%。如果無(wú)法一次性成功交付，往往意味著需要補(bǔ)充數(shù)據(jù)和算法人員，甚至需要二次開(kāi)發(fā)。這無(wú)疑會(huì)增加項(xiàng)目成本。
綜合來(lái)看，一般人工智能項(xiàng)目的成本構(gòu)成如下：數(shù)據(jù)成本占到60%，人力成本20%，硬件及后續(xù)調(diào)整20%。在各項(xiàng)成本中，人力成本因?yàn)楣┎粦?yīng)求及市場(chǎng)競(jìng)爭(zhēng)原因，短期內(nèi)不存在下降的可能。只要人工智能深度學(xué)習(xí)底層框架不變，數(shù)據(jù)成本就呈現(xiàn)絕對(duì)剛性。整體來(lái)看，成本可下降的空間有限。
既然成本端支出剛性，那么收入是否會(huì)有所改觀，從而提升毛利率呢？從項(xiàng)目收入角度看，提高毛利率無(wú)非兩條路徑，一是提高項(xiàng)目單價(jià)。這除了和人工智能項(xiàng)目定價(jià)機(jī)制有關(guān)，也和采購(gòu)客戶自身預(yù)算約束相關(guān)；二是提高項(xiàng)目模型的復(fù)用率。即針對(duì)某一項(xiàng)目開(kāi)發(fā)的模型，盡可能的多賣幾家，攤薄模型開(kāi)發(fā)成本。
項(xiàng)目單價(jià)方面。人工智能企業(yè)單一項(xiàng)目的報(bào)價(jià)方式普遍采用“成本加成”模式，一般在名義成本上加成20%-30%。實(shí)際上企業(yè)會(huì)虛報(bào)一點(diǎn)成本，這樣毛利率就可以增加些許。但是在現(xiàn)實(shí)中，由于現(xiàn)階段人工智能技術(shù)遠(yuǎn)沒(méi)有達(dá)到高效替代人工的作用，采購(gòu)客戶往往是嘗試性的消費(fèi)。該種模式下，客戶不接受人工智能企業(yè)過(guò)高的成本加成比例。這導(dǎo)致單價(jià)提升困難。
模型復(fù)用率方面。從人工智能公司客戶分類的角度看，大致可以分為政府客戶和一般企業(yè)客戶。
政府項(xiàng)目完全基于特定算法模型，定制化程度高，基本不復(fù)用。該類項(xiàng)目受政府預(yù)算影響，并非商業(yè)化主流。企業(yè)客戶才是人工智能規(guī)?；逃玫哪繕?biāo)，也是新技術(shù)助力傳統(tǒng)產(chǎn)業(yè)升級(jí)的價(jià)值體現(xiàn)。
針對(duì)企業(yè)客戶，人工智能企業(yè)的商業(yè)模式是，針對(duì)各類高度細(xì)分場(chǎng)景，開(kāi)發(fā)通用型的算法模型，提供單次數(shù)據(jù)服務(wù)或者運(yùn)營(yíng)報(bào)告。
這類模式下，單次服務(wù)的市場(chǎng)報(bào)價(jià)一般保持在模型開(kāi)發(fā)成本的15%-30%。如果企業(yè)項(xiàng)目毛利率要達(dá)到軟件行業(yè)平均的50%-60%，算法模型復(fù)用率要達(dá)到6次-10次，且每次復(fù)用模型的二次開(kāi)發(fā)或者調(diào)整成本較低。
如此高的復(fù)用率就要求模型所針對(duì)的細(xì)分行業(yè)內(nèi)人工智能應(yīng)用較為普遍，這類細(xì)分行業(yè)一般具備以下特點(diǎn)：
1. 主要為簡(jiǎn)單重復(fù)性工作；
2. 場(chǎng)景標(biāo)準(zhǔn)化程度高，數(shù)據(jù)差異??；
3. 依靠大量人力。
同時(shí)具備這三類特征的細(xì)分行業(yè)主要集中在工業(yè)生產(chǎn)領(lǐng)域。而且，具備高度自動(dòng)化物理設(shè)備的環(huán)境，才能充分展現(xiàn)人工智能的價(jià)值。然而當(dāng)前工業(yè)自動(dòng)化水平不高，單獨(dú)的人工智能技術(shù)難以施展威力。
能夠具備以上三個(gè)特點(diǎn)的上游行業(yè)通常存在很強(qiáng)的規(guī)模效應(yīng)，行業(yè)規(guī)模相對(duì)集中。例如視頻監(jiān)控領(lǐng)域。大規(guī)模視頻監(jiān)控產(chǎn)生了大量標(biāo)準(zhǔn)化的圖像識(shí)別需求，過(guò)往需要大量人力進(jìn)行篩查，人工智能的出現(xiàn)能夠大幅提高效率。
智能分析企業(yè)相對(duì)視頻監(jiān)控企業(yè)集中度低，加之模型技術(shù)難度壁壘不高、競(jìng)爭(zhēng)激烈，導(dǎo)致該類人工智能企業(yè)的市場(chǎng)話語(yǔ)權(quán)低。它們需要依附上游企業(yè)，盈利能力被壓制。
綜合來(lái)看，人工智能使用效果不顯著，導(dǎo)致下游客戶嘗試型采購(gòu)，項(xiàng)目單價(jià)難以提高。未來(lái)技術(shù)持續(xù)進(jìn)步，項(xiàng)目單價(jià)可能帶來(lái)提升。但是從模型復(fù)用率看，人工智能高度依賴數(shù)據(jù)訓(xùn)練，而下游各細(xì)分場(chǎng)景數(shù)據(jù)差異性大，導(dǎo)致模型普適性不高，單一模型復(fù)用率低，成本無(wú)法實(shí)現(xiàn)攤薄。
在當(dāng)前技術(shù)階段，項(xiàng)目單價(jià)不能快速提高的客觀現(xiàn)實(shí)下，如何提高模型復(fù)用率成為人工智能企業(yè)盈利關(guān)鍵。
毛利率無(wú)法改善、收入難以提升、銷售費(fèi)用率難以降低，一般企業(yè)已經(jīng)處在虧損邊緣。而企業(yè)居高不下的研發(fā)費(fèi)用更讓這些企業(yè)雪上加霜。一般來(lái)說(shuō)，當(dāng)前行業(yè)普遍的研發(fā)費(fèi)用達(dá)到銷售收入的20%以上。
人工智能企業(yè)融資的用途一般在兩項(xiàng)，一項(xiàng)是給即將交付的項(xiàng)目墊支，維持企業(yè)正常運(yùn)行，另一項(xiàng)便是研發(fā)更高精度、適用場(chǎng)景更多的算法模型。
當(dāng)前高比例的研發(fā)費(fèi)用是技術(shù)博弈和現(xiàn)實(shí)融資要求共同作用的結(jié)果，企業(yè)很難削減該部分支出。
從技術(shù)上看，高額研發(fā)投入也是行業(yè)發(fā)展階段的必需。現(xiàn)階段人工智能面臨各種各樣的問(wèn)題，歸根到底還是技術(shù)水平不能滿足商業(yè)需要。
高額研發(fā)費(fèi)用的持續(xù)投入成為企業(yè)博弈未來(lái)的必經(jīng)之路。作為典型技術(shù)驅(qū)動(dòng)的行業(yè)，技術(shù)迭代快速，如果企業(yè)在技術(shù)上不能保持相對(duì)領(lǐng)先地位，很快便會(huì)失去現(xiàn)有市場(chǎng)地位。
從企業(yè)生存角度來(lái)看，在企業(yè)尚不能自身造血的情況下，生存基本依賴外部融資。如何證明技術(shù)先進(jìn)性，成為人工智能企業(yè)必須向外部投資人回答的問(wèn)題。
本來(lái)當(dāng)前算法研發(fā)迫切需要解決模型復(fù)用率低的問(wèn)題，但單個(gè)企業(yè)無(wú)法解決此問(wèn)題。
所以實(shí)際情況下，企業(yè)將更多的研發(fā)費(fèi)用花費(fèi)在算法精度提升上，參加各類人工智能競(jìng)賽，博取名次。用比賽成績(jī)以及高精度量化指標(biāo)，向資本市場(chǎng)展示其技術(shù)水平和技術(shù)持續(xù)進(jìn)化的潛力。
現(xiàn)階段人工智能企業(yè)均配備高質(zhì)量研發(fā)團(tuán)隊(duì)專門進(jìn)行技術(shù)比賽，但是由于比賽場(chǎng)景和現(xiàn)實(shí)場(chǎng)景數(shù)據(jù)差異過(guò)大，其研發(fā)的模型與商業(yè)應(yīng)用相去甚遠(yuǎn)。
當(dāng)前算法模型對(duì)數(shù)據(jù)質(zhì)量及數(shù)量高度依賴，導(dǎo)致數(shù)據(jù)獲取及整理成本居高不下。再加上行業(yè)競(jìng)爭(zhēng)加劇帶來(lái)的人才搶奪在不斷推高人力成本，成本較為剛性。
收入端因?yàn)槿斯ぶ悄芗夹g(shù)的發(fā)展階段尚不能實(shí)現(xiàn)對(duì)人力大量替代，實(shí)用性需求不足，項(xiàng)目單價(jià)提升困難。而細(xì)分場(chǎng)景數(shù)據(jù)差異性大，導(dǎo)致已開(kāi)發(fā)模型復(fù)用率低。
這些原因?qū)е氯斯ぶ悄苄袠I(yè)毛利率遠(yuǎn)低于軟件行業(yè)。另一方面受行業(yè)本身技術(shù)發(fā)展要求以及后續(xù)融資的考慮，企業(yè)又不得不保持較高的研發(fā)投入。種種原因?qū)е铝诉@個(gè)在中國(guó)發(fā)展近十年的行業(yè)，依舊普遍虧損。
在這種殘酷現(xiàn)實(shí)條件下，人工智能行業(yè)大致分化成三類企業(yè)：
第一類企業(yè)專注于常用復(fù)用率較高的算法模型。這類項(xiàng)目所需技術(shù)簡(jiǎn)單，對(duì)準(zhǔn)確率以及速度要求不高。企業(yè)往往針對(duì)某一個(gè)項(xiàng)目開(kāi)發(fā)模型，并將其進(jìn)行大規(guī)模復(fù)用。其盈利模式也從單純的“項(xiàng)目制”一次性收費(fèi)，轉(zhuǎn)向“運(yùn)營(yíng)制”按次數(shù)收費(fèi)（提供咨詢報(bào)告模式）。
這類模式雖然實(shí)現(xiàn)自身造血，但是存在兩個(gè)方面的問(wèn)題。一方面是模型復(fù)用率雖然有所提升，但是因?yàn)楝F(xiàn)實(shí)環(huán)境下數(shù)據(jù)復(fù)用的場(chǎng)景不多，企業(yè)需要不斷尋找細(xì)分落地場(chǎng)景。
另一方面是融資難，該類模式下所開(kāi)發(fā)的模型均使用較為普遍型技術(shù)。在行業(yè)技術(shù)不斷迭代的階段，資本市場(chǎng)認(rèn)可度差。這類企業(yè)為解決這個(gè)問(wèn)題，往往會(huì)引入成建制的研發(fā)團(tuán)隊(duì)專門打比賽刷模型數(shù)據(jù)。這類企業(yè)依舊保持巨額的研發(fā)費(fèi)用支出，容易產(chǎn)生虧損。
第二類企業(yè)專注在政府項(xiàng)目，這往往是人工智能產(chǎn)業(yè)頭部企業(yè)。政府項(xiàng)目單價(jià)高，定制化程度也高，這些項(xiàng)目更偏向與行業(yè)內(nèi)知名公司合作。
這種模式雖然有利于公司擴(kuò)大行業(yè)影響力，項(xiàng)目利潤(rùn)率也高，但是缺點(diǎn)在于項(xiàng)目定制化程度高，所開(kāi)發(fā)的模型基本不形成復(fù)用。
另外政府項(xiàng)目來(lái)源并不穩(wěn)定，很考驗(yàn)企業(yè)渠道能力。近年來(lái)隨著人工智能企業(yè)不斷涌現(xiàn)，獲取項(xiàng)目的競(jìng)爭(zhēng)加劇。從企業(yè)經(jīng)營(yíng)來(lái)看，前端項(xiàng)目來(lái)源不穩(wěn)定，后端人員成本支出剛性，再加上政府項(xiàng)目回款普遍較慢，企業(yè)需要大額流動(dòng)資金。這類企業(yè)現(xiàn)金流會(huì)始終處在緊繃狀態(tài)。
第三類企業(yè)專注視頻圖像分析領(lǐng)域。這是為數(shù)不多的場(chǎng)景高度重復(fù)且市場(chǎng)規(guī)模較大的細(xì)分領(lǐng)域。從商業(yè)模式上看，上游數(shù)據(jù)源源不斷，算法模型可以實(shí)時(shí)訓(xùn)練?；谶@些數(shù)據(jù)可以衍生很多服務(wù)項(xiàng)目，天然具備從單純的項(xiàng)目制收費(fèi)轉(zhuǎn)向持續(xù)性運(yùn)營(yíng)收入。例如短視頻領(lǐng)域的信息流推薦系統(tǒng)，推薦算法在短視頻平臺(tái)源源不斷的數(shù)據(jù)中進(jìn)行不斷迭代，精準(zhǔn)流量推送成為獲取高額廣告費(fèi)用的保障，平臺(tái)與算法實(shí)現(xiàn)了高度契合。
近年來(lái)人工智能的創(chuàng)業(yè)多聚焦于此。但是該行業(yè)用戶的市場(chǎng)集中度高。監(jiān)控視頻領(lǐng)域海康威視（002415.SZ）和大華股份（002236.SZ）接近雙寡頭壟斷；互聯(lián)網(wǎng)領(lǐng)域也高度集中于少數(shù)幾家巨頭。這些企業(yè)把握核心數(shù)據(jù)流量，目前積極建立自己的人工智能團(tuán)隊(duì)，打造新的業(yè)績(jī)?cè)鲩L(zhǎng)點(diǎn)。第三方人工智能企業(yè)只能輔助應(yīng)用開(kāi)發(fā)，產(chǎn)業(yè)鏈話語(yǔ)權(quán)低。
從2013年開(kāi)始的人工智能投資熱潮，持續(xù)至今已將近十年，行業(yè)依舊面臨大額虧損。而且從已上市企業(yè)財(cái)務(wù)情況看，虧損逐年加大，生存高度依賴外部融資。
它們是否真的能夠“燒”出一個(gè)未來(lái)呢？
我們認(rèn)為人工智能當(dāng)前尚處發(fā)展初期，技術(shù)、產(chǎn)品、商業(yè)化均面臨重重矛盾。未來(lái)行業(yè)極有可能從基礎(chǔ)技術(shù)底層框架角度進(jìn)行變革，當(dāng)前領(lǐng)先的人工智能企業(yè)亦面臨技術(shù)迭代帶來(lái)的行業(yè)洗牌風(fēng)險(xiǎn)。
當(dāng)前企業(yè)毛利率偏低且無(wú)法改善，技術(shù)持續(xù)迭代導(dǎo)致高額研發(fā)投入無(wú)法消減，行業(yè)實(shí)現(xiàn)盈利尚需時(shí)日。
關(guān)鍵詞： 人工智能 數(shù)據(jù)處理 資本市場(chǎng)
